铁路客站视频质量智能诊断技术研究与应用

胡雄伟，张萼辉

（中国铁路上海局集团有限公司 科学技术研究所，上海 200071）

铁路客站视频质量智能诊断技术研究与应用

胡雄伟，张萼辉

（中国铁路上海局集团有限公司 科学技术研究所，上海 200071）

随着视频监控系统应用规模越来越大，铁路客站视频质量检测工作日益繁重，人工巡视已无法满足大型客站视频监控系统的日常维护需求。提出一种视频质量智能诊断技术，利用混合高斯背景建模方法提取视频前景，对前景进行向量化和归一化后进行标注，在支持向量机中进行训练，得出分类超平面后即可用于视频质量诊断。基于该技术的铁路客站视频质量智能诊断系统可满足大型客站视频监控系统日常维护需要。

铁路客站；视频质量；智能诊断；混合高斯模型；支持向量机

0 引言

近年来，随着中国铁路上海局集团有限公司运营线路的不断延伸和扩展，配套布置的视频监控点位也不断增加，视频监控系统规模越来越大。依据2016年10月铁路局客运处统计数据，全局客运车站视频监控前端摄像机共计7 863个，其中G20峰会期间补强摄像机653个。如虹桥站、杭州东站及南京南站等大型客运站，摄像机数量在700～800个。大量部署铁路客站摄像机极大地提升了铁路安全运营的保障能力。

2016年8月发布的《上海铁路局综合视频监控系统运用及维护管理办法》规定：视频监控系统“集中管理、分级维护”，各客站负责调阅实时视频、历史视频图像以验证综合视频系统工作状态，因故障发现不及时造成的后果由相关使用单位承担。现场人员面临着日益增长的视频设备质量检测工作量，人工巡视已无法满足大型客站视频监控系统的日常维护需求。

综合视频监控系统中的编码器、光端机故障，信号传输通道接触不良或电磁干扰都会导致视频质量不良，监控画面会出现雪花噪点、滚动横纹、画面蠕动等现象，如不及时处理将发展为视频信号中断。据统计，此类故障占系统故障的80%以上，如能通过实时视频流对上述视频质量不良情况进行自动诊断，则可大幅减少现场日常巡视工作。针对此类视频质量不良情况进行研究，并提出智能诊断技术方案。

1 技术路线

针对虹桥站大量质量不良视频进行前景提取和分析，发现其前景像素呈大致均匀分布状态，与静止画面及行人走动等视频帧的前景像素分布显著不同。根据这一特性，首先从视频通道采集各种实时视频流，利用混合高斯背景建模方法[1]提取视频前景，将前景图像进行分割，统计每个小区域里的像素值，并将像素值归一化后形成行向量，根据视频质量良好与否，赋予行向量标签，将行向量输入支持向量机后计算出分类超平面。利用此超平面，机器即可对视频质量状态进行分类和诊断。

为最大程度减少误检，应多次采样进行诊断。雪花噪点、滚动波纹等视频异常现象在一段时间内会保持稳定，因此采用间隔方式采集同一个通道5个视频片段进行诊断，3次及以上诊断为“视频质量不良”时报故障。

2 混合高斯背景建模

2.1 建模方法

雪花噪点、滚动波纹及画面蠕动在视频中呈现出动态变化的特征，如果是静态视频，其前景几乎都是这种异常情况的像素构成。因此，应先将前景从视频背景中分离出来，以分析其图像特征。在分离之前，一般会将图像灰度化[2]，因雪花噪点及滚动波纹等噪声特征基本与色彩无关，同时可大幅减少计算量。

通常，图像中每个像素的灰度值在短时间内都围绕某一均值μh的一定方差σh内分布。如果视频时间较长，像素值呈正态分布。根据此特点，如果像素灰度值偏离均值很近（本模型取3σh范围内），可判断这个点属于背景；若像素点的值偏离均值较远，则此像素点属于前景。同时，根据前景与背景像素的差值，对背景像素的均值和标准差进行微调，使均值往前景灰度值方向移动一小步（学习率一般取0.01）。这种处理方式能适应背景的变化，如光线渐变等，具有较强的鲁棒性。

理论上，如果不存在任何干扰，单高斯模型即可准确区分前景和背景。一般情况下，背景会有细微变化，如来回摆动的树叶、波光粼粼的水面、闪烁的显示器或摄像机的规律性抖动，都会引起像素灰度值在多个中心位置大量聚集，每个位置便会产生1个高斯分布。因本场景基本为条件较好的室内环境，因此选用3个高斯分布构成混合高斯模型以表征像素的特征，混合高斯背景模型概率密度曲线示例见图1，需注意模型会随前景的变化而动态变化。

图1 混合高斯背景模型概率密度曲线示例

2.2 前景提取

根据上述方法，截取人员移动、站台静止状态、滚动横纹及交叉波纹等不同场景的动态视频进行前景提取，将背景置为纯黑色，前景值高亮。少量人员和大量人员移动前景提取见图2、图3。

图2 少量人员移动前景提取

图3 大量人员移动前景提取

摄像机一般离行人较远，行人在监控区域里成像不会太大，前景像素较为集中，背景占据了绝大部分空间。车站候车室检票口、出站口等区域人员大量集中且流动，部分视频通道呈现出较大规模像素的前景，可能难以与视频质量不良状态进行区分，针对这些通道，可选择凌晨2：00—5：00时间段进行诊断。车站某些监控区域，如应急通道、配线间及部分站台，大部分时间处于静止状态，前景只有少数几个亮点，基本为纯黑色，特征明显。部分室外监控区域即使受到自然光照影响，但背景模型也会根据时序渐变，只要没有出现运动物体，将长时间保持基本纯黑的前景。站台静止状态前景提取见图4。

图4 站台静止状态前景提取

滚动横纹与交叉波纹的前景，其像素分布较为均匀（见图5、图6）。因此可根据前景像素空间分布的差异性对视频质量进行分类。考虑到特殊情况，当人员进入监控区域时，前景将出现人与噪点像素。若人在区域中停留时间不长，通过多次采集和诊断可滤除分类误差。同时与横纹或波纹等前景像素相比，人的前景像素占比较少，不太会引起分类误差的出现。

图5 滚动横纹前景提取

图6 交叉波纹前景提取

3 支持向量机分类

3.1 训练样本构建

根据前景像素空间分布的显著差异性对视频质量进行分类，首先应考虑对这种差异进行量化。车站监控视频有CIF、4CIF及1080P等多种格式，经权衡，将前景图像分为8×8个相同尺寸的矩形区域，不能整除的部分可舍弃。因不同格式其矩形区域所含像素个数不同，因此需将前景像素数量进行归一化。计算每个区域包含像素的数量Xtotal和区域前景像素数量Xfront，根据式（1）计算每个区域中前景数量所占的比重：

找到比重W的最大值Wmax，根据式（2）将比重矩阵归一化：

然后将归一化后的Xregu矩阵转化成向量。将图2—图6中的前景转化为向量后，计算向量的非零值比例及频数分布的峰度系数[3]（见表1）。

表1 向量的非零值比例及频数分布的峰度系数

通过以上2个指标可以看出，波纹及横纹的不良视频与少量人员移动及监控区域静止的良好视频有显著差异，但与大量人员移动的良好视频差异性不大。一方面说明此方法可行性强，另一方面建议大量人员移动的监控通道应在凌晨车站停止营业后进行检测。

3.2 超平面训练

如上所述，虽然从统计数据可对视频质量进行分类，但为实现各种视频通道检测的通用性和兼容性，采用支持向量机[4]进行模型训练。此时样本需更加丰富，采集视频质量良好类（包括人员移动、物体运动、静止视频等）20个前景向量和视频质量不良类（包括滚动横纹、交叉波纹及雪花噪声等）20个前景向量，进行分类标注后输入支持向量机，训练分类超平面。

在机器学习中，支持向量机属于二分类的监督学习模型，可用于分类和回归分析。给定一组训练样本并分为两类，利用样本对分类超平面进行训练，将两类样本区分开的同时，让两类样本中离超平面最近的样本尽量与超平面保持最大的距离，以使分类器达到最大的分类可靠性。除了进行线性分类，支持向量机还可使用核技巧，将样本映射到高维特征空间中有效地进行非线性分类，在此使用线性核即可。

利用两类样本训练出超平面后，一旦接收到新的待分类样本，只需判断此前景向量在超平面的哪一侧，即可诊断此向量所属视频的质量。

4 系统应用

2016年8月，铁路客站视频质量智能诊断系统在虹桥站及虹桥通信车间进行应用。应用初期以人工和机器并行的方式对视频监控系统进行巡视，诊断出所有视频质量问题，未发现漏报，误检率低，每100个预警事件中只有3个左右的误检，而且基本是由于夜间照明不足、摄像机信噪比低造成的。系统应用界面见图7。

图7 系统应用界面

铁路客站视频质量智能诊断系统可满足大型客站视频监控系统日常维护需要，根据应用场景的差异进行适应性改造，也可用于高铁线路、存车场、货运、仓储、房建及机车车辆检修现场等监控系统的视频质量智能诊断工作[5]。

[1]ZIVKOVIC Z. Improved adaptive gaussian mixture model for background subtraction[C]//International Conference on Pattern Recognition. IEEE Computer Society，2004.

[2]刘洪生，蒋红海，忽正熙. 基于高斯混合 模型的磁瓦合格分类研究[J]. 制造业自动 化，2017，39(1)：113-115.

[3]陈新武，马文娟. 以能量和峰度为特征的 轮廓波纹理检索算法[J]. 信阳师范学院学 报：自然科学版，2014(3)：432-435.

[4]肖靓. 基于支持向量机的图像分类研究[D]. 上海：同济大学，2006.

[5]郑健，张萼辉，胡雄伟. 高铁视频监控智 能识别预警系统在沪杭客专上的应用[J]. 中国铁路，2016(10)：77-80.

Research and Application of Intelligent Diagnostic Technology for Video Quality of Railway Station

HU Xiongwei，ZHANG E’hui
（Institute of Science and Technology，China Railway Shanghai Group Co Ltd，Shanghai 200071，China）

As the scale of video monitoring system increases, the inspection work of railway station video quality becomes more and more heavier. Consequently, manual patrol cannot meet the requirements for daily maintenance for the video monitoring system of large railway station. The paper puts forward an intelligent diagnostic technology for video quality, extracts video foreground by Gaussian Mixture Modeling method,labels the vectorization and normalization of foreground, make trainings by support vector machine and obtains classification hyperplane which can be used for video quality diagnose. The video monitoring intelligent diagnose system of railway station based on the technology can meet the requirements for daily maintenance of the video monitoring system for large railway station.

railway station；video quality；intelligent diagnose；Gaussian Mixture Model；support vector machine

U298

A

1001-683X（2017）12-0084-04

10.19549/j.issn.1001-683x.2017.12.084

胡雄伟（1979—），男，高级工程师，硕士。 E-mail：24245225@qq.com

张萼辉（1980—），男，高级工程师，硕士。 E-mail：18918121605@126.com

责任编辑 卢敏

2017-11-01