一种基于背景剪除的视频检测方法

苏锡杰邹星星

（1.广西福利彩票发行中心，广西 南宁 530022；2.广西大学计算机与电子信息学院，广西 南宁530004）

一种基于背景剪除的视频检测方法

苏锡杰1邹星星2

（1.广西福利彩票发行中心，广西 南宁 530022；2.广西大学计算机与电子信息学院，广西 南宁530004）

文章主要针对视频监控系统中滞留物体和遗失物体的侦测问题，提出了一种实时的监测方法。该方法主要包括以下步骤：首先，利用背景剪除算法进行目标物体的分割；然后，将提取目标划分为动态或静态物体；最后，采用一种决策模型计算所发生事件的置信度，并且在置信度偏离设定阈值时自动触发警报。实验结果验证文章算法有效性。

视频监控；双重背景剪除；目标分类；决策模型

1 引言

近年来，随着人们对公共场合安全防护需求的不断提高，如何使视频监控系统在无人为干预的条件下实现对动态场景中目标的定位、识别和跟踪，并在此基础上分析和判断目标的行为，从而主动及时地向监控人员发出异常报警信息，已经成为视频监控系统主要的研究目标。作为视频监控的重要任务之一，物品安全检测也在很多领域存在着应用空间。该领域在以往的研究中已经提出了很多方法，主要集中在两个方面的研究：运动区域监测和跟踪信息分析方法。

现有的很多物品安全检测方法中都包含了目标跟踪算法[1-2]。原则上，这些方法需要解决的共同难题是对象初始化问题以及前景区域内所有侦测目标的跟踪。为了获得前景区域通常假设背景场景是几乎静止或周期性变化的，这样同背景存在很大差异的像素点将组成前景区域。可是，现实场景中的某些因素是不可控的例如：物体部分遮挡、物体的阴影和固定的摄像机角度等，它们的存在常常会使跟踪方法获得无法预料的结果。

除了上述研究方法外，还有诸如文献[3]采用时序逻辑的方法，利用视频序列的多时空和上下文线索去检查遗留物体，但其鲁棒性有待提高。文献[4]中则提出一种基于双重背景检测静止目标的方法，该方法对输入视频采取不同的采样帧速率从而构造出两个背景。但是，这种技术对不同应用的样本视频很难设定统一的参数值，并且缺少判断静态前景目标所属的事件类型的相关机制。在许多监控场景中，相对于初始背景会产生许多进入场景或离开场景的前景目标，如何正确划分前景区域是否对应于滞留物或者遗失物是物品安全检测中的基本问题，但大多数现有的系统都忽略了这一点。

2 检测视频前景区域分析

2.1运动状态下目标检测

目标检测作为视频监控系统中的一个重要环节，其目的是从视频图像序列中将变化区域从背景中分割出来。对于物品安全检测所关心的主要是场景中相对静止的像素点，事实上，所谓滞留物是指不属于原始场景的物体，刚刚被放入场景中，并将保持静止状态。这意味着通过比较背景与运动前景区域，能够判断像素点是否对应于遗留物体。相反，遗失物就是指原本属于场景的物体，被移除出场景，运用相同原理同样可以确定像素点是否对应于遗失物。这就需要去除场景中的运动目标、光照变化以及运动目标阴影等因素的影响。可是，无论采用哪种背景模型方法进行目标检测，为了满足系统实时处理的需求，背景图像是需要随着环境的变化不断更新，但受制于背景更新率，属于静态运动目标区域的像素点都有可能被误认为是背景像素点或是运动区域像素点，从而造成目标丢失。

为了解决上述问题，本文提出一种利用时间差分法结合背景减除法的双重背景模型：即当前背景模型（BC）和初始背景模型（BO）。使用双重背景模型的好处是用户可以根据不同需要和环境调整背景模型更新的时间间隔（其中当前背景模型的更新率较快），并且两个背景在自动更新的同时，通过相互作用可以有效的减少目标丢失情况的发生。

首先，输入视频的前几帧图像用来完成两个背景模型的初始化，接下来通过时间差分法得到二值图像找到大致运动区域，然后分别采用改进的自适应背景更新方法，如下所示：

其中It（x,y）为t时刻输入图像在点（x,y）的像素值，MCt（x,y）和MOt（x,y）分别表示像素点相对于背景是否发生变化，α、β则是背景模型的更新速率，StayCount（x,y）用来描述像素点发生变化所持续的时间，也就是连续被监测为前景的时间，T0和T1用来记录持续的帧数（T0

依据背景更新规则，可知当前背景主要用于运动前景的检测，它可以抑制场景突变对背景模型造成的污染，并在满足条件时将静态运动目标融入当前背景；同时，初始背景中保持的背景信息较当前背景更加稳定，从而有利于静止运动目标的检测。而且两个背景模型的更新与相应的前景图像有着紧密联系。

2.2图像的阴影去除

运动目标检测在检测出运动目标的同时，由于阴影显著地区别于背景并与运动目标具有相同的运动属性，从而阴影会连同运动目标一起作为前景被检测出来，从而系统错误率较高，使系统的整体性能下降。因此要正确地分析运动目标物，则必须解决阴影的影响。

本文运用基于阴影和背景区域彩色一致性的检测算法，按照阴影区域的亮度与背景亮度相比变暗，以及其色度与背景色度的差别较小来检测阴影。假定YUV颜色空间建立背景模型的背景中三颜色通道的方差分别为Yσ、Uσ、Vσ，可按如下规则进行判断：

其中,xyM的值为 1，标识该像素为前景运动区域，为 0时属于背景区域。 ()d Y为当前像素与背景中亮度信号的差值，和分别为两个色差通道的差值。为设定的三个常数，可通道设定这三个参数来减少噪音对运动物体分割的影响。

2.3静态的运动物体检测

综上所述可知，当FCt（x,y）=0，FOt（x,y）=1时，静态运动目标可以通过比较FCt（x,y）和 FOt（x,y）的差异来获取。设 SOt（x,y）为描述静态运动目标的图像，其计算过程如下：

SOt（x, y）不仅能够较好的降低环境变化对目标检测的影响，还能有效解决物体遮挡问题。T被定义为像素被标记为静态运动目标的最小帧数。采用近似 StayCount（x, y）的计数法，对SOt（x, y）的每个像素点进行统计累加，当其值大于T时，像素点被确定为静态运动目标，并且为了避免丢失目标，其值的选取应小于T1。图1为静态运动目标检测的实例，图（a）为当前背景，其更新率为 200帧；图（b）是初始背景，其更新率为2000帧，且该图中并不包含遗留的手提箱；图（c）为当前图像；每个背景所对应的前景图像分别表示在图（d）和图（e）显示；图（f）显示SOt（x, y）的计算结果，候选检测目标在前景中停留的时间越长，该图中的结果就越好。此外，图（a）和图（b）差异可以确定静态运动目标的位置。

图1　静态运动目标检测结果

3 滞留和偷窃物检测

在检测可疑事件是偷窃还是遗弃物体前，首先需要判别静态运动目标是否为“物体”，然后再进行偷窃与遗弃物体的判别。众所周知，Hu不变矩[5]是图像的一种区域描述，也是图像特征描述的常用方法。由于它具有旋转、平移、尺度等特性的不变性，因此采用加权Hu不变距的方法来区分目标是人还是物体。

本文利用图像相似性对目标进行分类。然后计算视频流的每一帧图像与标准库图像的欧氏距离，求出标准库所有模板图像中与该图像的最小欧氏距离者（即最匹配图像）用于判定。设m代表当前视频帧图像，计算其与标准库S中各模板s之间的欧氏距离，其计算公式如下：

由式（4）可求出最小距离 ，当最小距离小于所设阈值，则认为当前帧图像中的目标为“行人”。否则当人体行为库中没有与当前图像匹配的图像，即判定帧图像中的目标为“物体”。

在颜色特征进行匹配时，可以通过巴特查理亚（Bhattacharyya）距离来计算颜色直方图相似性度量。计算SR、CR和OR所对应的颜色直方图、和，并且计算它们之间的巴氏系数 （Bhattacharya coefficient）：

其中m是直方图的分布级总数，uq、up 和是第u级所占直方图的权重。由此可得到相应的巴氏距离[6]：和。其中d为两个颜色直方图之间的距离，其值越小则两个目标的颜色直方图越相似。令是判断目标为滞留和偷窃的阈值，如果区域SR和区域CR的颜色直方图相似度大于区域SR和区域OR的颜色直方图相似度即th<0，则说明目标物体为滞留物；反之，区域SR和区域CR的颜色直方图差别较大，而区域SR和区域OR的颜色直方图差别较小即th>0，则说明目标物体为偷窃物。

4 实验结果

为了检验方法的有效性，实验分别在四个场景下进行，并且还将本文提出的基于背景的判定方法与文献[7]所提出的基于边缘匹配判定方法进行了比较，结果如表1所示：

表1　静态运动目标检测结果

在所有实验中当前背景的更新率T0为300帧，初始背景的更新率T1为3000帧，阈值T为400帧。首先采用的场景是地铁站中遗留的手提箱。为了验证方法的有效性，全部图像区域都被用来实施检测。实验结果如图2所示：

图2　遗留手提箱检测图

另外还选取了实时视频监控系统中的场景，实验结果如图3。图中可见，在进行检测之前，先手动设定了警戒区域，目的是尽量减小系统的运算负担提高检测效果。同时为了满足实际需要，当触发报警时系统会自动进行录像记录非法行为，并在报警解除后停止录像。

图3　物品滞留检测

虽然在实验中本文提出的方法能高效，准确的检测出可疑事件的发生，依然存在一些问题有待进一步解决。例如：静止不动的行人有时会被检测为滞留目标。尽管在系统中加入了人和物体的识别功能，但受制于特征值的提取困难，效果并不理想。

5 总结与展望

本文提出了一种能在实时视频监控系统中有效检测滞留和偷窃物的方法，它不使用任何跟踪和运动信息，依靠背景剪除模型进行静态或者动态目标检测，并利用相应模型判定发生事件的类型。测试结果展示出该方法在处理复杂背景环境下的优势，并证实了其在实际应用中的有效性。

致谢

本文参考了ISTP论文格式要求，同时参考了本文作者出席的各种会议所提供的素材，由于文章篇幅，不一一列出，在此感谢所有与之相关的单位及个人。

[1] H.-H. Liao, J.-Y.Chang,and L.-G.Chen,A Localized Approach to Abandoned Luggage Detection with Foreground-Mask Sampling[C].IEEE International Conference on Advanced Video and Signal Based Surveillance, pp. 132-139, New Mexico,USA,Sept.2008.

[2] K. Smith,P.Quelhas,and D.Gatica-Perez,Detecting abandoned luggage items in a public space[C].in Proceedings of the9th IEEE International Workshop on Performance Evaluation inTracking and Surveillance (PETS ’06),pp.75–82,New York, NY, USA, June 2006.

[3] Medha Bhargava,Chia-Chih Chen, M. S. Ryoo and J. K. Aggarwal. Detection of object abandonment using temporal logic[J].Machine Vision and Applications,2009,20(5):271-281.

[4] Fatih Porikli, Yuri Ivanov,Tetsuji Haga. Robust Abandoned Object Detection Using Dual Foregrounds[J].Eurasip Journal on Advances in Signal Processing, vo. l 2008,2008, (30):1-10 .

[5] Hu MK.Visual pattern recognition by moment invariants[J]. Transactions on Information Theory,1962,8(1):179-187.

[6] T. Kailath. The Divergence and Bhattacharyya Distance Measures in Signal Selection[J].Transactions On Communications Technology,1967,15(1):52-60,1967.

[7] Spagnolo,P.;Caroppo, A.;Leo,M.;Martiriggiano,T.;D’Orazio,T;An Abandoned/Removed Objects Detection Algorithm and Its Evaluation on PETS Datasets[C]. in Proc. of IEEE AVSS, pp. 17-21, Nov. 2006.

Detection of object security in crowed environment

This paper aimed at automatic identifies events of abandoned and stolen objects detection in video surveillance system, a new method was proposed. The method mainly include following steps: the first processing phrase is object extraction, involving a background subtraction algorithm which dynamically updates background. Extracted objects are classified as static or dynamic objects. Last, a decision-making model is employed to calculate a confidence score for the classification about event, and an alarm will be automatically triggered if the score of corresponding action is higher than a pre-defined threshold. Also, the robustness and efficiency of the method was tested.

Video surveillance; background subtraction; object classification; decision-making model

TP391

A

1008-1151(2015)12-0003-03

2015-11-10

苏锡杰（1966-），男，广西容县人，广西福利彩票发行中心工程师，研究方向为计算机应用；邹星星（1993-），女（侗族），湖南衡阳人，广西大学计算机与电子信息学院硕士研究生。