基于高斯混合模型的电力仓库视频运动目标检测*

张震宇 董丹慧 冯曙明 杨永成 包 威

（1.江苏电力信息技术有限公司 南京 210000）（2.南京财经大学 南京 210003）

1 引言

计算机、互联网等信息技术的快速发展大大改善了现有的视频监控技术，使其广泛应用于公安、金融、档案等重点行业；小区、商场等社区物业管理；公共道路、违章等交通领域管控；变电站、电厂等电力领域的远程监控［1］。运动目标检测对于发现异常事件具有关键作用，目标检测也即从视频序列中获得动态视频对象，并提取目标的特征信息。目前视频监控中运动目标检测方法主要包括帧差法、光流法和背景减除法等［2］。由于实际应用场景中存在各种各样的干扰因素，使得目标检测的准确性受到一定影响，并没有一个万能的算法可以适用于所有的场景。因此，选择合适的检测算法尤为重要。

在电力行业中，智能视频监控系统可清晰直观的监测电力仓库、电力设备、人员行为等，运动目标检测算法已被广泛应用在电力领域，以便及时发现异常行为及事件。赵俊梅等［3］采用GMM模型并结合Blob方法来检测和跟踪变电站中的运动物体，并通过实验证明了该算法的实用性。王青等［4］提出了一种三帧差分法结合背景减除法的改进算法，从而能够完整、准确地获取视频监控中的运动目标信息。亢洁［5］等对传统的三帧差分法实施改进，利用均值背景与三帧差分算法解决检测过程中存在的“黑洞”问题。刘一凡［6］等利用融合时空域和频域的目标检测算法，对农村变电站安全监测上存在的问题进行了改善。

由于运动目标检测的效果对后期操作的精度影响重大。因此，本文在综合比较帧差法、光流法和背景减除法等算法的基础上，以电力仓库智能监管系统中的事件检测为应用场景，选取适用于电力仓库视频监控系统场景的GMM算法，对电力仓库摄像头位置固定、背景静止状态下的运动目标检测进行了深入的分析研究。

2 目标检测算法的比较

目前，目标检测方法［7］较为通用的有光流法、帧间差法和背景差法等。光流法［8］是通过估算光流（含有物体运动信息和结构信息）从而进行检测分割。光流场具有不连续性，因此能够用来分割图像，从而匹配相应的区域，但利用该方法检测的目标物体存在边界信息缺失的可能性且易产生碎块等问题。帧间差法［9］相比与光流法具有运算量小、实现性强等特性，但是受外部环境影响较大，容易导致运动目标的提取不完善，只能提取部分信息，重要细节部分容易丢失，导致“阴影”现象出现。背景差法［10］相较于前两种方法较为普遍，它通过比较输入的图像和背景图像信息，利用灰度信息对运动目标进行分割。该算法可以实现实时检测且运算简单，具有较强的抗干扰能力，此算法的检测效果主要受选取的参数的影响。因此，综合比较三种方法的优缺点，选取基于高斯混合模型的背景差法用于电力仓库应用场景。

3 基于高斯混合模型的运动目标检测算法

高斯混合模型（Gaussian Mixture Model，GMM）是由Stauffer等［11］提出的经典的自适应背景建模算法。实际应用中，由于无法在排除外界光照的干扰，视频中像素点的像素值无法设置为固定值，光照所引起的这种变化被证实服从高斯分布［12］。同时由于这种像素值是随机变化的，所以，高斯背景模型可以用于外界干扰因素较少的情况下。基于GMM的视频运动目标检测流程［13］见图1。

图1 基于GMM的视频运动目标检测设计流程

GMM作为目前应用范围最广的一种检测算法，它将背景模型描述为多个分布模型，符合其中一个分布模型（有树叶、无树叶）的像素即为背景像素。GMM建模过程涵盖模型构建、初始化、更新参数和模型生成等步骤［14］。

3.1 背景模型构建

对于随机变量X的观测数据集{x1，x2，x3…xt}，xt=(rt，gt，bt)表示t时刻像素的样本值，则xt服从高斯分布的概率密度函数［15］如下所示：

3.2 初始化参数

对模型的参数进行初始化操作，模型的均值、方差以及权重皆初始化为0，设T为训练帧数。开始训练模型时，设置初始均值，并使权重为1。

3.3 参数更新

将视频中的像素点去匹配相对应的高斯分布。通过式（4）来判断t时刻的第i个高斯分布是否与某个高斯函数匹配［16］：

若 满 足 式（4），则 表 示xi，t与 此 高 斯 分 布η(xt，μi，t，τi，t)匹配，否则，表示不匹配。

如果xi，t与此高斯分布η(xt，μi，t，τi，t)匹配，则用此像素按照式（5）～式（7）更新背景模型。

其中，ρ=αη(xt|μi，σi)；Mi，t用来表示权重的变化，权重更新时，在匹配和不匹配状态下，Mi，t分别为1和0；α和ρ为更新率，反映了模型适应场景变化的快慢。

如果xi，t与η(xt，μi，t，τi，t)不匹配，则增加一个高斯分布，将权重最小的分布取而代之。从而将xi，t作为新模型的均值，并将其中一个较大的方差和较小的权重进行初始化。其余模型的均值和方差皆不变，根据式（4）更新权重，其中Mi，t=0。

3.4 生成背景模型

当完成指定的帧数T训练后，开始进行GMM个数自适应的选择。将权重除以方差，并将模型从大到小排序，依据式（8）选择前B个模型：

其中，Cf表示在不影响模型的情况下对属于前景的数据最大部分的度量，通常为0～0.5。

基于此，实行匹配校验。当最靠前的B个高斯分布可以匹配上xt的任意高斯分布，则表明该点即为背景点；如匹配失败，则该点为前景运动目标。

4 运动目标检测结果分析

在电力仓库中运用视频监控对目标物体检测时，首先利用GMM对背景实施建模，并依据训练结果及时更新模型，从而获取较为完整、准确的目标。本文实验环境是基于Windows 7计算机系统，处理器为Intel 4核CPU2.8GHZ、8G RAM，采用Matlab2014软件进行仿真实验。实验时，选取电力仓库门口处视频监控图像序列进行相关操作，视频分辨率为320*240，实验视频数据共1783帧。

帧差法、光流法和高斯混合模型的检测结果如图2～图4所示。由结果图对比可知，帧差法对运动目标检测存在，图片分割比较大、轮廓不清晰及丢失较多动作幅度小的帧画面的问题；光流法只能检测到目标的大致轮廓信息，无法识别更为细致的轮廓数据；GMM算法在检测时，一方面速度快且效率高，并且检测结果具有较高的实时性，另一方面GMM提供的目标信息更为丰富，目标的轮廓更加完善。

图2 帧差法检测结果

图3 光流法检测结果

图4 高斯混合模型检测结果

三种方法的目标检测时间和检测目标个数等见表1。从表1中可知，高斯混合模型检测时间最短，所能检测的目标数最多，是综合性能比较好的方法。

表1 各种方法的检测时间与检测目标数对比

5 结语

在电力仓库视频监控方面，存在着运动目标的各种行为，为有效检测电力仓库视频中异常事件及行为，本文运用GMM对电力仓库视频监控中的运动目标进行检测，并在Matlab2014软件下进行了仿真实验。从实验结果看，高斯混合模型可以有效获取较为完整、准确的目标信息，且有一定的时效性。该方法基本满足电力仓库视频监控系统的实时性需求，并为后续电力仓库运动目标的跟踪做好基础。同时，该算法目前还存在一定的不足，在未来的工作中，将会继续深入改进和完善高斯混合模型，规避该算法带来的问题。