視頻監(jiān)控中的操作臺遺留物檢測技術(shù)

張慧娟，申婷婷，孫雅娟，吳娜，王佳

（北方工業(yè)大學電子信息工程學院，北京 100144）

視頻監(jiān)控中的操作臺遺留物檢測技術(shù)

張慧娟，申婷婷，孫雅娟，吳娜，王佳

（北方工業(yè)大學電子信息工程學院，北京 100144）

提出一種能夠在視頻監(jiān)控系統(tǒng)中檢測操作臺遺留物的檢測方法，并在實際的安防系統(tǒng)中應用本算法。首先通過混合高斯建模（GMM）算法檢測出前景目標，然后使用形態(tài)學濾波方法對前景目標進行篩選，最后判斷前景目標是否為遺留物。經(jīng)過實驗驗證，使用本算法的遺留物檢測系統(tǒng)，具有較高的檢測正確率，并且本系統(tǒng)對復雜環(huán)境具有較好的適應性，實驗驗證本文算法的可行性和有效性。

遺留物檢測；混合高斯建模；圖像形態(tài)學

0 引言

當今社會下，隨著社會經(jīng)濟的不斷發(fā)展，視頻監(jiān)控下的公共場所操作臺遺失物品的現(xiàn)象經(jīng)常發(fā)生，遺留物的檢測十分必要。遺留物檢測技術(shù)是利用視頻監(jiān)控設備和圖像處理相結(jié)合，從而對遺留物進行檢測和報警。傳統(tǒng)的視頻監(jiān)控遺留物需要一定的人力，有效性難以確保，并且已有的遺留物檢測技術(shù)多用于檢測異常事件的發(fā)生。為此，本文提出一種基于混合高斯模型的遺留物檢測方法，可以幫助人們避免在視頻監(jiān)控下的操作臺丟失物品，在生活中具有實際意義。

目前已有的目標檢測方法按照算法的基本原理可分為三類：幀差法、背景差法和光流法。但幀差法不能完整的檢測到運動目標，光流法對硬件條件要求高，實時性和有效性不理想。由于視頻監(jiān)控中的攝像頭是固定不動的，故首先進行背景的建模，然后用背景相減的方法來檢測目標。高斯混合模型抗干擾性能強，是使用最為廣泛的背景建模方法。因此，針對人們在公共場所遺失物品不能及時發(fā)現(xiàn)的問題，為了提高檢測遺留物品的抗干擾性能，本文選取混合高斯模型進行背景建模的方法來實現(xiàn)視頻監(jiān)控中的遺留物檢測。

1 系統(tǒng)介紹

本系統(tǒng)硬件由攝像頭、超聲波距離傳感器、單片機、計算機組成。

本文的遺留物檢測系統(tǒng)框圖如圖1所示。本系統(tǒng)用攝像頭對操作臺場景進行圖像采集，單片機利用超聲波傳感器采集距離數(shù)據(jù)，并對數(shù)據(jù)做濾波處理，同時按照指定通訊協(xié)議向計算機發(fā)送數(shù)據(jù)。然后計算機對數(shù)據(jù)進行分析處理，并判別是否為遺留物，最終在計算機軟件中顯示出結(jié)果。

圖1 遺留物檢測系統(tǒng)

2 算法原理

常用的幾種典型的背景建模方法有：統(tǒng)計平均法、中值法、本征背景法、單高斯模型和混合高斯模型。其中，統(tǒng)計平均法只能用于簡單場景的背景建模，中值濾波法很難取得較滿意的檢測結(jié)果，本征背景法沒有考慮背景的實時更新且計算量大，單高斯模型無法模擬存在反復擾動的多模態(tài)背景，而混合高斯模型具有抗干擾能力強、計算速度快、靈活高效的優(yōu)點，故本系統(tǒng)采用混合高斯模型進行背景建模的方法。

2.1 混合高斯模型（GMM）

混合高斯模型使用K（通常為3到5）個高斯概率密度函數(shù)來表征圖像中各個像素點的特征，建立背景模型，然后利用得到的像素值與建立的背景模型作比較來確定屬于哪個高斯分布，從而判斷前景像素點和背景像素點。

其具體更新流程為：

（1）每個新像素值Xt同當前K個模型按式（1）進行比較，直到找到匹配新像素值的分布模型，即同該模型的均值偏差在2.5σ內(nèi)：

（2）如果所匹配的模式符合背景要求，則該像素屬于背景，否則屬于前景。

（3）各模式權(quán)值按式（2）更新，其中α是學習速率，對于匹配的模式Mk，t=1，否則Mk，t=0，然后各模式的權(quán)重進行歸一化。

（4）未匹配模式的均值μ與標準差σ不變，匹配模式的參數(shù)按照公式（3）-（5）更新：

（5）如果第（1）步?jīng)]有任何模式匹配，則權(quán)重最小的模式被替換，即該模式的均值為當前像素值，標準差為初始較大值，權(quán)重為最小值。

（6）各模式根據(jù)w/α2按降序排列，權(quán)重大、標準差小的模式排列靠前。

（7）選前B個模式作為背景，B滿足式（6），參數(shù)T表示背景所占比例：

其中參數(shù)T的取值越小，表示背景的單高斯模型數(shù)越少；參數(shù)T取值越大，表示所需單高斯模型越多，可容納的變化的背景顏色也越多，但耗時會加長，T一般情況下取0.5-0.8之間。

2.2 形態(tài)學處理

高斯混合背景建模后的圖像存在一些不必要的小區(qū)域和孤立點，對后續(xù)遺留物檢測造成影響，因此需要將混合高斯建模后的圖像進行形態(tài)學處理。形態(tài)學處理后的圖像只是去除了干擾的部分，而圖像主要的結(jié)構(gòu)不會被破壞。本系統(tǒng)主要運用腐蝕這一運算方法。目的是將混合高斯模型提取出的二值圖像進行處理，去掉雜點部分，保留圖像的基本結(jié)構(gòu)，不會影響對遺留物體的判斷。

2.3 遺留物的判斷

遺留物檢測的具體算法流程如圖2所示：

圖2 系統(tǒng)算法流程圖

系統(tǒng)首先通過視頻信息建立背景模型作為參考圖像，利用混合高斯模型對圖像進行背景更新。然后通過監(jiān)控區(qū)域內(nèi)的距離傳感器測量距離是否超過預設值（30cm）來判斷是否有人進入視頻監(jiān)控區(qū)域：若測得距離小于30cm，則代表有人進入視頻監(jiān)控區(qū)域，暫停混合高斯建模；若測得距離大于30cm即人離開監(jiān)控區(qū)域，恢復混合高斯建模，并提取混合高斯模型前景圖像即可疑遺留物，做圖像形態(tài)學處理。最后統(tǒng)計所提取前景圖像的像素點數(shù)，其預設閾值為10，若統(tǒng)計所得像素點數(shù)大于10，認為發(fā)現(xiàn)遺留物，報警并將其標記存檔；否則認為所提取圖像為干擾噪聲，未發(fā)現(xiàn)遺留物。

2.4系統(tǒng)實驗圖像

對本系統(tǒng)搭建實驗平臺，通過實驗驗證其可行性，得到實驗圖像如圖3所示：

圖3 實驗圖像

此次實驗表明本系統(tǒng)能夠?qū)崿F(xiàn)遺留物檢測的功能，正確提取遺留物圖像并報警。證明了本文方法的可行性。

3 實驗結(jié)果及分析

3.1 實驗數(shù)據(jù)準備

為測試本系統(tǒng)的檢出率，證明本系統(tǒng)的有效性，模擬生活中的實際操作臺場景進行實驗。常見的視頻監(jiān)控服務臺背景色為白色、淺色或深色，如圖4所示。因此本系統(tǒng)分別在白色、淺灰色、黑色操作臺背景下進行實驗，并且選取錢包、鑰匙、手機、卡片、礦泉水瓶等5種常見易遺留物品作為實驗對象，實驗對象如圖5所示。

圖4 常見視頻監(jiān)控服務臺

3.2 實驗數(shù)據(jù)分析

本文分別實驗了單個、兩個、三個遺留物在白色、淺灰色、黑色操作臺背景下的檢出率，兩個遺留物在室內(nèi)、室外不同光照條件下的檢出率。其中如圖6所示第一行五種顏色的卡片（a）、（b）、（c）、（d）、（e）分別在白色、淺灰色、黑色操作臺背景下的檢出率如表1所示。

圖5 實驗對象

表1 單個遺留物（卡片）檢出概率

單個遺留物在白色、淺灰色、黑色操作臺背景下的檢出概率如表2所示，其折線圖如圖6所示。

圖6 單個遺留物檢出概率折線圖

表2 單個遺留物檢出概率

由表1、表2、圖7可以看出，在單個遺留物檢測實驗中，比較圖6所示五種實驗對象，錢包的檢出率最高，故可認為相同實驗環(huán)境下，對于體積較大的遺留物本系統(tǒng)更容易檢測出；比較白色、淺灰色、黑色操作臺背景下的檢出概率，白色背景下本系統(tǒng)的檢出概率更高。

如表3、表4所示為兩個、三個遺留物的檢出概率。對比表2、表3、表4可以看出，遺留物檢出概率由高到低依次為三個遺留物、兩個遺留物、單個遺留物，故認為檢測目標面積越大越容易檢測出。

表3 兩個遺留物檢出概率

表4 三個遺留物檢出概率

如表5所示為兩個遺留物在室內(nèi)、室外不同光照條件下的遺留物檢出概率。由表5實驗結(jié)果表明，在淺灰色操作臺背景下，兩個遺留物在室內(nèi)、室外不同時間段、不同光照條件下進行遺留物檢測試驗，室內(nèi)夜晚的檢出率比室外高，故可認為光照條件好的情況下本系統(tǒng)的遺留物檢出率更高，而在光照條件較差或遺留物顏色與操作臺背景顏色接近的情況下檢出率較低。

表5 不同光照下兩個遺留物檢出概率

最后，實驗結(jié)果表明：本系統(tǒng)能夠以較高的檢出概率實現(xiàn)檢測遺留物的功能，證明了本文方法的可行性和有效性。

4 結(jié)語

本系統(tǒng)通過采集圖像及距離數(shù)據(jù)、混合高斯模型算法、形態(tài)學處理等過程，經(jīng)過計算機分析和處理，成功檢測出視頻監(jiān)控中操作臺上的遺留物品，并且具有較高的檢出率，證明了本文方法的可行性和有效性。本文的遺留物檢測算法可用于視頻監(jiān)控中公共場所的服務臺遺留物的檢測。另外，限于筆者的研究水平，本文算法還存在需要改進的地方：本系統(tǒng)對于檢測目標與背景灰度值接近及光照條件較差的情況下，往往更容易出現(xiàn)誤判；本系統(tǒng)僅能檢測是否有遺留物，沒有對遺留物進行分類和識別。下一步將研究智能識別技術(shù)與混合高斯模型相結(jié)合的遺留物檢測算法，進一步提高本遺留物檢測的有效性。

[1]張曉慧.視頻監(jiān)控運動目標檢測算法的研究與實現(xiàn)[D].西安電子科技大學，2012.

[2]程換麗，許向陽，王曉寧，趙光磊.視頻監(jiān)控中遺留物檢測算法研究[J].無線互聯(lián)科技，2014-4:176.

[3]Stauffer C，Grimson W.E.L.Adaptive Background Mixture Models for Real Time Tracking.In Proc.Computer Vision and PatternRecognition 1999（CVPR’99），June 1999:246-252.

[4]葉立仁，何盛鴻，趙連超.復雜環(huán)境下的遺留物檢測算法[J].計算機工程與科學，2015-5，37（5）:986-992.

[5]張超，吳小培，周建英，戚培慶，王營冠，呂釗.基于改進混合高斯建模和短時穩(wěn)定度的遺留物檢測算法[J].信號處理，2012-8，28（8）:1101-1111.

[6]謝鳳英.數(shù)字圖像處理及應用[M].北京：電子工業(yè)出版社，2014-6.

[7]董小舒，陳崗，卞志國.一種改進的基于混合高斯模型的運動目標檢測方法[J].應用光學，2012-9，33（5）:877-883.

[8]周金旺.視頻監(jiān)控場景中的遺留物檢測研究與實現(xiàn)[D].安徽大學，2012.

[9]朱虹.數(shù)字圖像處理基礎與應用[M].北京：清華大學出版社，2012.

[10]阮秋琦.數(shù)字圖像處理學[M].北京：電子工業(yè)出版社，2013-1.

Video Monitoring and Detection Technology for Abandoned Object Detection

ZHANG Hui-juan，SHEN Ting-ting，SUN Ya-juan，WU Na，WANG Jia

（School of Electronic and Informational Engineering，North China University of Technology，Beijing 100144）

Presents a method to detect the legacy of the operating table in the video monitoring system,and realizes the algorithm in the actual security system.Firstly,uses Gaussians Mixture Model(GMM)to detect the foreground object,and then uses the morphological filtering method to screen the foreground object.After experimental verification,legacy detection system using this algorithm has higher detection accuracy,and the system has good adaptability to complex environment,to verify the feasibility and effectiveness of the algorithm.

Abandoned Object Detection;Gaussians Mixture Model;Image Morphology

1007-1423（2016）35-0070-05

10.3969/j.issn.1007-1423.2016.35.015

張慧娟（1994-），女，新疆喀什人，本科生

申婷婷（1994-），女，貴州遵義人，本科生

孫雅娟（1994-），女，甘肅慶陽人，本科生

吳娜（1996-），女，陜西人，本科生

王佳（1996-），女，湖北人，本科生

2016-11-10

2016-12-10