家庭视频监控系统中异常情况的检测研究

卢　静, 李　华

(河南工程学院 计算机学院，河南 郑州 451191)



家庭视频监控系统中异常情况的检测研究

卢静, 李华

(河南工程学院 计算机学院，河南 郑州 451191)

摘要：家庭视频监控系统中常见的异常情况有3种：运动目标的出现、监控画面中光线强度的突然改变和与背景亮度对比强烈的目标闯入.对上述3种异常情况进行了详细分析和实验，实验结果证明，本研究提出的方案能有效进行家庭视频监控中异常情况的检测.

关键词：运动检测;背景减除;高斯建模;灰度变换

家庭视频监控系统作为一种安保措施，能在家中无人的情况下，最大限度地保障安全.家庭视频监控中的异常情况主要有3种：运动目标的出现、监控场景光线的突变和与背景亮度对比强烈的目标闯入.目前，运动目标检测类算法主要有5种：帧差法、背景差分法、光流场法、图像分割法和目标特征提取法，每种算法都有自己的适用场合.例如叶吉祥等[1]通过对相邻图像直方图进行比较分析，提出了基于直方图比较的混合高斯模型光线强度自适应算法，用于解决光线强度突变的检测.周兵等[2]通过对图像中像素亮度分量和色度分量的分布进行分析，实现了对场景中变化像素的检测，以进行高对比度对象闯入的检测.

由于家庭视频监控中的监控区域较为固定，监控背景不会发生太大变化，而系统对算法的实时性要求较高，故可以在进行异常情况的检测时使用背景减除法[3]进行运动目标的检测.背景减除法主要通过待检测的帧图像与当前背景图像进行差分，从而分离出待检测帧中的变化区域，实现运动目标的检测.

由于使用背景减除法进行运动目标的检测，所以当前帧中的光线强度突然改变时(例如开灯或关灯)，在当前帧与背景图像进行差分运算，就会将背景中的非运动区域检测为运动变化区域.另外，若当前帧中有与背景对比强烈的目标突然闯入时，摄像头本身会进行增益调节，此时当前帧中非运动区域的亮度也会发生突然改变.以上两种情况应区别对待，对于第一种情况(开灯或关灯)应将其从异常情况中排除；对于第二种情况，应能正确检测出运动目标，而不能误把背景也当作运动目标检测出来.

1检测过程

对运动目标的检测流程如图1所示.

图1　背景减除算法流程Fig.1　Background subtraction algorithm process

2图像预处理

无论是进行背景建模还是对当前帧进行异常检测，都需要对图像进行预处理，其过程主要是将原始RGB图像转换为灰度图.转换后的图像数据量大大减少，有利于检测算法性能的提高.转换时，利用公式Y=0.3R+0.59G+0.11B计算图像中每个像素点的Y分量.Y是YUV图像格式中表示亮度的分量，U和V是表示色度的分量.研究表明，人眼对亮度的变化比对色度的变化更为敏感，故在进行灰度处理时，须把RGB格式的彩色图像转换为只用Y分量表示的灰度图像.

3背景建模

由于使用背景减除法进行运动区域检测，故初始背景的建立非常重要，本研究主要使用统计分析方法进行初始背景的建模[4].设采样周期为T、采样率为S、帧率为R，则用于背景建模的总帧数

M=(T×R)÷S .

(1)

在建立的背景模型中，每个像素点用3个分量表示，M帧图像中每个像素点亮度的最大值、最小值和平均值分别表示为YMAX(x,y)，YMIN(x,y)和YAVE(x,y).其中,

YMAX(x,y)=max(Yi(x,y))， i=1,2,…,M，

(2)

YMIN(x,y)=min(Yi(x,y))， i=1,2,…,M，

(3)

YAVE(x,y)=average(Yi(x,y))， i=1,2,…,M，

(4)

式中： Yi(x,y)表示第i帧中(x,y)像素处的亮度.

4运动检测

根据背景减除的思想进行运动区域的检测，设置检测阈值T，将当前帧的图像与前面建立的背景图像进行减运算.若(x,y)位置处的运算结果大于T，应把(x,y)归为运动像素，否则把(x,y)归为背景像素.令Ft(x,y)表示第t帧中(x,y)处的亮度值，Bt(x,y)表示此时刻背景图像中该位置处的亮度值，则满足式(5)的像素即为运动像素：

|Ft(x,y)-Bt(x,y)|>T.

(5)

在进行背景建模时，背景中的每个像素都用3个分量表示，故式(5)可改写为

min(|Ft(x,y)-YMAX(x,y)|,|Ft(x,y)-YMIN(x,y)|,|Ft(x,y)-YAVE(x,y)|)>T.

(6)

将当前帧中检测到的所有运动像素称为前景，对前景像素进行二值化处理，可完成运动对象从当前帧中的分离.令Ot表示输出的二值图像，则

(7)

在Ot中，运动区域为白色，非运动区域为黑色.

根据前面的分析，若监控区域内的亮度突然改变(开灯或关灯)或当前帧中突然有高对比度对象(与背景亮度相比)进入时，当前帧中非运动区域部分的亮度值也会满足式(6)，从而造成误检.因此，这两种情况应单独处理.

4.1　开灯或关灯行为检测

当开灯或关灯时，当前帧中所有像素点的亮度值都会发生较大的变化，利用这个特点，可判断出是否进行了开灯或关灯动作.令Sf表示第t帧图像中所有像素的亮度之和，Sb表示该时刻背景图像中全部像素的亮度之和，则

(8)

4.2　高对比度对象闯入的检测

利用4.1节中的方法可以有效地检测出开灯或关灯事件，但当前帧中突然有对象进入时，若闯入对象的亮度较大，该帧中非运动区域的亮度会降低；当对象的亮度较小时，当前帧中非运动区域像素的亮度则升高.利用这个特点，可以有效地检测出是发生了开灯或关灯事件还是发生了高对比度对象闯入事件.

设置阈值T1和T2用于检测是否有对象闯入，令Sft表示第t帧中运动像素的亮度和，Sbt表示该时刻背景图像中运动像素的亮度和，计算二者之差占Sbt的比率：

(9)

(10)

令Sft1表示第t帧中非运动像素的亮度和，Sbt1表示该时刻背景图像中非运动像素的亮度和，计算二者之差占Sbt1的比率：

Sft1=Sf-Sft，Sbt1=Sb-Sbt，

(11)

(12)

5背景维护策略

为了保证检测结果的准确性，需要实时更新背景，否则背景图像中将包含大量的虚假信息，降低检测结果的准确性.更新背景的方法有多种，可以使用高斯混合模型，也可以统计出各个像素的强度范围，然后以此为阈值进行背景维护与运动检测.

在更新背景时，需要根据检测出来的运动区域(前景)进行更新，即只更新背景中的运动像素，背景中的非运动像素不需要更新.由于在背景图像中每个像素点用3个分量进行表示，所以在进行背景更新时需要考虑更新哪个分量.

令YFt(x,y)为第t帧前景中(x,y)位置的亮度，T=min(|YFt(x,y)-YMAX(x,y)|,|YFt(x,y)-YMIN(x,y)|,|YFt(x,y)-YAVE(x,y)|).

为了背景的平稳过渡，在更新背景的时候，只更新与T最接近的分量.例如，若T=|YFt(x,y)-YMAX(x,y)|，则只需更新背景模型中(x,y)处的YMAX(x,y)分量，其余两个分量不需要更新.设更新因子为α(0<α<1)，则在第t+1帧时背景中(x,y)处的YMAX(x,y)分量计算公式为

YMAX(x,y)=αYFt(x,y)+(1-α)YMAX(x,y).

(13)

6实验及结果

本次实验对4段不同家庭环境下的监控过程进行了测试，图2为一个家庭场景，视频序列1中的监控背景固定，运动目标慢速移动;视频序列2中的监控背景固定，运动目标快速移动;视频序列3中的盆景和门帘被风大幅度吹动，背景变化较快，运动目标慢速移动;视频序列4中的监控背景同序列3，运动目标快速移动.对这4段视频序列分别使用传统的背景减除算法、三帧差法和本研究算法进行运动目标的检测.图3和图4分别为视频序列3中第440帧在直接背景减除算法和本研究算法下的检测结果.实验配置：摄像头为USB接口罗技C270，主机为Intel Core 2 Duo/2 GB，帧率为25，背景建模采样率为5次/s，帧尺寸为480像素640像素.阈值设置为T=0.1，背景更新因子α=0.1.

图2　原始图像Fig.2　Original image

图3　直接减法结果Fig.3　Direct subtraction result

图4　本研究检测结果Fig.4　Detection result

对比可以发现，在进行运动目标检测时，3种算法都可以检测到运动目标，但前两种算法检测到的运动目标范围较大，包含背景中的一些干扰因素.使用本研究算法可有效降低背景中干扰因素的影响，特别对于背景变化较快的场景，本研究算法检测到的运动目标范围更准确.

对开灯或关灯的检测使用3段监控过程进行测试，视频序列1对应白天室内正常光线场景，视频序列2对应白天室内较暗光线场景，视频序列3对应晚上室内光线场景.分别在3段视频序列的第175帧左右进行开灯操作，在第300帧左右进行关灯操作，测试结果如表1所示.

图5　高亮度对象闯入检测结果Fig.5　High brightness object detection result

表1　开灯或关灯的检测结果Tab.1　The detection results of turn on or turn off the light

在视频序列1的第570帧时，在距离摄像头较近的位置处闯入一个人手作为高对比度对象进入测试，检测结果如图5所示.

7结语

在家庭视频监控系统中使用改进的背景减除算法进行运动目标的检测，对于开灯或关灯事件与高对比度对象的进入事件进行了详细分析与实验.结果表明，该算法能有效地检测出运动目标，同时能正确识别出开关灯事件和高对比度对象的进入事件，进一步降低误检率.

参考文献：

[1]叶吉祥,白一哲,田莎莎.基于直方图比较的混合高斯模型更新算法[J].计算机工程,2012(3)：255-257.

[2]周兵,杜润秋,李波.家庭安全监控的实时异常检测与分类算法[J].北京航空航天大学学报,2003,29(9)：825-828.

[3]卢静,李莉.基于背景减除的运动检测在嵌入式监控系统中的应用[J].河南工程学院学报：自然科学版,2013,25(2)：52-56.

[4]彭长生,詹智财,张松松,等.一种基于多帧统计的车道背景建模方法[J].计算机应用与软件,2013,30(5)：97-100.

The research of abnormal situations detection in home video surveillance system

LU Jing, LI Hua

(CollegeofComputer,HenanInstituteofEngineering,Zhengzhou451191,China)

Abstract:There are three kinds of abnormal situations in the home video surveillance system: the appearance of moving objects, the sudden change of light intensity in the monitor screen, and the emergence of moving objects whose light intensity is different to the background. In this paper, three kinds of abnormal conditions are analyzed. Experiments show that this scheme can effectively detect the abnormal situation in the home video surveillance system.

Key words:moving objects detection; background subtraction; Gaussian model; grey level transformation

作者简介：卢静(1980-)，女，河南开封人，讲师，主要从事数字图像处理方面的研究.

收稿日期：2015-07-15

中图分类号：TN919.85

文献标志码：A

文章编号：1674-330X(2015)04-0073-04