MOG2算法在區域入侵檢測的應用

朱松

摘 要： 隨著視頻監控技術的發展，視頻監控更加高清化、網絡化、智能化，同時，安防領域中也對視頻監控提出更多要求。監控系統能夠對監控視頻進行分析，具有對視頻中的人物檢測或者預警等功能，這樣在減少人力、物力資源的投入，同時也能提高監控的質量以及效率。本文提出用MOG2算法檢測區域是否存在異常，以便給予警示，提醒工作人員幫忙等，對于提高人們生活安全具有重要意義。

關鍵詞： MOG2算法;視頻監控;區域入侵

1 原理與算法

視頻中一個像素點的像素值大小是隨機的、不確定的，對于每一個像素點的像素值大小可以使用高斯混合模型（MOG2）來預測和解釋。MOG2算法對視頻信息中的每一個像素點都建立了模型，模型中像素點的大小是多個不同權值的高斯分布疊加，模型中每個像素點的高斯分布越多，則每個運動像素點建立的背景模型就更加接近實景。模型中首先選取了若干幀作為背景幀，分析背景幀的像素分布，并統計像素信息作為背景。模型建立完畢后，對新的畫面使用背景幀的統計差分信息完成新畫面像素點的前景背景分類。

2 模型構建與算法分析

2.1 圖像降噪

視頻成像系統中不可避免的存在各式各樣的干擾噪聲，光線、焦距、帶寬、硬件接口、軟件編解碼等。噪聲的產生總是和圖像的成像過程緊密相連，可能在傳輸中亦或者是量化過程中。噪聲的常見形式可分為一下幾種：

1）加性噪聲。 f（x，y）=g（x，y）+n（x，y） （1）

加性噪聲與原始視頻信號呈加法關系，無論視頻信號是否存在，該噪聲都存在。加性噪聲可能產生于視頻畫面的采集、傳輸、處理過程，或是視頻采集系統接收到自然界存在的信號等。

2）乘性噪聲。 f（x，y）=g（x，y）+n（x，y）g（x，y） （2）

乘性噪聲與原始視頻信號呈乘法關系，其產生原因是由于信道的不理想。信號的傳輸過程中要經過傳輸信道，當信道參數不理想時，乘性噪聲就存在，所以乘性噪聲隨著信號的存在而存在，當信號傳輸完畢，不占用信道時，乘性噪聲就會消失。

3）量化噪聲。量化噪聲總是在數字系統中，這是數字系統本身所決定的。在自然界的信號中多是模擬信號，但是計算機的存儲方式決定其只能處理數字信息，所以為了盡可能的模擬、存儲、處理自然界的信號，系統采集到的模擬信號送到量化器（A/D轉換器）編碼成數字信號，每個數字代表一次采樣所獲得的信號瞬間值。量化時，信號的量化級在完成模數轉換的同時也帶來了量化噪聲，盡管不能全面獲取自然界的模擬信號，但是數字化的信號有利于信號的傳輸和處理，也不可避免的帶來量化噪聲。

2.2 圖像灰度化

多通道的彩色圖像轉化為單通道的灰度圖像就是圖像的灰度化。在計算機的圖像存儲結構中，為了表達圖像的顏色信息，圖像以三基色的形式存儲在計算機內。視覺中人類看到的彩色的數字圖像是三種顏色分量圖像的疊加，三種顏色分量R、G、B，取值為0-255。灰度圖像是單通道的圖像，其像素點的變化范圍只有255種，因此彩色圖像轉化為灰度圖像可以極大的減少后續處理過程的計算量。

常見的圖像灰度化算法有以下幾種

1）分量法。將三通道中RGB三基色的數值大小作為灰度圖像的灰度值大小，根據應用或者算法的設置選取一個數值作為灰度圖像的灰度值。f1（i，j）=R（i，j） f2（i，j）=G（i，j） f3（i，j）=B（i，j）其中fk（i，j）（k=1，2，3）為轉換后的灰度圖像在（i，j）處的灰度值。

2）最大值法。將三通道中RGB三基色的數值最大的作為灰度圖像的灰度值大小：f（i，j）=max（R（i，j），G（i，j），B（i，j））

3）加權平均法。三通道的顏色數值根據不同的權值進行加權平均。人眼對不同得顏色敏感程度不一，對RGB三通道數值進行加權平均能得到較合理的灰度圖像。

2.3 OTSU大津法

數字圖像可分為前景部分和背景部分，其分類依據可以按照雙目視覺中景物的遠近，亦或者是單目視覺中圖像的灰度特性。在利用圖像的灰度特性進行前景、背景提取算法中，大津法根據前景和背景之間的類間方差大小來分類。方差是數據分布均與度好壞的體現，方差大數據分布不均與，方差小數據分布均勻，而類間方差最大化就是前景和背景的顏色數值大小最大化，就是錯分概率最小化的體現。

算法步驟如下：1）遍歷灰度化圖像，統計數字圖像中每個像素的個數。2）計算每一個像素占整幅圖像像素的概率分布。3）計算每一個當前像素下的類間方差大小。4）尋找最大的類間方差并得出最大類間方差下的像素值大小。

2.4 構建高斯模型

將背景模型影響幀數設置為500幀，模型匹配閾值為OTSU大津法獲得的最佳背景切割閾值，陰影檢測設置為True。模型算法流程如下圖1所示：

3 結果分析

從圖2中可以看出高斯模型檢測效果較好，物體的輪廓比較完整，而且背景中噪聲較小，檢測背景較為干凈。總體上來說，基于OTSU和混合高斯背景建模檢測效果達到了預期的檢測目的，可監控視頻范圍內的移動物體，行人和移動的車輛均可以檢測。

通過視頻監控設備拍攝的圖像進行圖像預處理，降噪和灰度化，過每一幀的畫面做最佳切割閾值判斷，最后使用混合高斯建模分析視頻素材。安防領域是視頻監控領域中重要的組成部分，處理得到的圖像信息對于安防領域具有重要意義。

參考文獻：

[1]張超，吳小培，周建英，等.基于改進高斯混合建模和短時穩定度的運動目標檢測算法[J].電子與信息學報，2012，34（10）：2402-2408.

[2]謝雙云，王芳，田建艷，等.融合高斯混合建模和圖像粒化的豬只目標檢測[J].黑龍江畜牧獸醫，2016（1）：29-32.