视频监控中的操作台遗留物检测技术

张慧娟，申婷婷，孙雅娟，吴娜，王佳

（北方工业大学电子信息工程学院，北京 100144）

视频监控中的操作台遗留物检测技术

张慧娟，申婷婷，孙雅娟，吴娜，王佳

（北方工业大学电子信息工程学院，北京 100144）

提出一种能够在视频监控系统中检测操作台遗留物的检测方法，并在实际的安防系统中应用本算法。首先通过混合高斯建模（GMM）算法检测出前景目标，然后使用形态学滤波方法对前景目标进行筛选，最后判断前景目标是否为遗留物。经过实验验证，使用本算法的遗留物检测系统，具有较高的检测正确率，并且本系统对复杂环境具有较好的适应性，实验验证本文算法的可行性和有效性。

遗留物检测；混合高斯建模；图像形态学

0 引言

当今社会下，随着社会经济的不断发展，视频监控下的公共场所操作台遗失物品的现象经常发生，遗留物的检测十分必要。遗留物检测技术是利用视频监控设备和图像处理相结合，从而对遗留物进行检测和报警。传统的视频监控遗留物需要一定的人力，有效性难以确保，并且已有的遗留物检测技术多用于检测异常事件的发生。为此，本文提出一种基于混合高斯模型的遗留物检测方法，可以帮助人们避免在视频监控下的操作台丢失物品，在生活中具有实际意义。

目前已有的目标检测方法按照算法的基本原理可分为三类：帧差法、背景差法和光流法。但帧差法不能完整的检测到运动目标，光流法对硬件条件要求高，实时性和有效性不理想。由于视频监控中的摄像头是固定不动的，故首先进行背景的建模，然后用背景相减的方法来检测目标。高斯混合模型抗干扰性能强，是使用最为广泛的背景建模方法。因此，针对人们在公共场所遗失物品不能及时发现的问题，为了提高检测遗留物品的抗干扰性能，本文选取混合高斯模型进行背景建模的方法来实现视频监控中的遗留物检测。

1 系统介绍

本系统硬件由摄像头、超声波距离传感器、单片机、计算机组成。

本文的遗留物检测系统框图如图1所示。本系统用摄像头对操作台场景进行图像采集，单片机利用超声波传感器采集距离数据，并对数据做滤波处理，同时按照指定通讯协议向计算机发送数据。然后计算机对数据进行分析处理，并判别是否为遗留物，最终在计算机软件中显示出结果。

图1 遗留物检测系统

2 算法原理

常用的几种典型的背景建模方法有：统计平均法、中值法、本征背景法、单高斯模型和混合高斯模型。其中，统计平均法只能用于简单场景的背景建模，中值滤波法很难取得较满意的检测结果，本征背景法没有考虑背景的实时更新且计算量大，单高斯模型无法模拟存在反复扰动的多模态背景，而混合高斯模型具有抗干扰能力强、计算速度快、灵活高效的优点，故本系统采用混合高斯模型进行背景建模的方法。

2.1 混合高斯模型（GMM）

混合高斯模型使用K（通常为3到5）个高斯概率密度函数来表征图像中各个像素点的特征，建立背景模型，然后利用得到的像素值与建立的背景模型作比较来确定属于哪个高斯分布，从而判断前景像素点和背景像素点。

其具体更新流程为：

（1）每个新像素值Xt同当前K个模型按式（1）进行比较，直到找到匹配新像素值的分布模型，即同该模型的均值偏差在2.5σ内：

（2）如果所匹配的模式符合背景要求，则该像素属于背景，否则属于前景。

（3）各模式权值按式（2）更新，其中α是学习速率，对于匹配的模式Mk，t=1，否则Mk，t=0，然后各模式的权重进行归一化。

（4）未匹配模式的均值μ与标准差σ不变，匹配模式的参数按照公式（3）-（5）更新：

（5）如果第（1）步没有任何模式匹配，则权重最小的模式被替换，即该模式的均值为当前像素值，标准差为初始较大值，权重为最小值。

（6）各模式根据w/α2按降序排列，权重大、标准差小的模式排列靠前。

（7）选前B个模式作为背景，B满足式（6），参数T表示背景所占比例：

其中参数T的取值越小，表示背景的单高斯模型数越少；参数T取值越大，表示所需单高斯模型越多，可容纳的变化的背景颜色也越多，但耗时会加长，T一般情况下取0.5-0.8之间。

2.2 形态学处理

高斯混合背景建模后的图像存在一些不必要的小区域和孤立点，对后续遗留物检测造成影响，因此需要将混合高斯建模后的图像进行形态学处理。形态学处理后的图像只是去除了干扰的部分，而图像主要的结构不会被破坏。本系统主要运用腐蚀这一运算方法。目的是将混合高斯模型提取出的二值图像进行处理，去掉杂点部分，保留图像的基本结构，不会影响对遗留物体的判断。

2.3 遗留物的判断

遗留物检测的具体算法流程如图2所示：

图2 系统算法流程图

系统首先通过视频信息建立背景模型作为参考图像，利用混合高斯模型对图像进行背景更新。然后通过监控区域内的距离传感器测量距离是否超过预设值（30cm）来判断是否有人进入视频监控区域：若测得距离小于30cm，则代表有人进入视频监控区域，暂停混合高斯建模；若测得距离大于30cm即人离开监控区域，恢复混合高斯建模，并提取混合高斯模型前景图像即可疑遗留物，做图像形态学处理。最后统计所提取前景图像的像素点数，其预设阈值为10，若统计所得像素点数大于10，认为发现遗留物，报警并将其标记存档；否则认为所提取图像为干扰噪声，未发现遗留物。

2.4系统实验图像

对本系统搭建实验平台，通过实验验证其可行性，得到实验图像如图3所示：

图3 实验图像

此次实验表明本系统能够实现遗留物检测的功能，正确提取遗留物图像并报警。证明了本文方法的可行性。

3 实验结果及分析

3.1 实验数据准备

为测试本系统的检出率，证明本系统的有效性，模拟生活中的实际操作台场景进行实验。常见的视频监控服务台背景色为白色、浅色或深色，如图4所示。因此本系统分别在白色、浅灰色、黑色操作台背景下进行实验，并且选取钱包、钥匙、手机、卡片、矿泉水瓶等5种常见易遗留物品作为实验对象，实验对象如图5所示。

图4 常见视频监控服务台

3.2 实验数据分析

本文分别实验了单个、两个、三个遗留物在白色、浅灰色、黑色操作台背景下的检出率，两个遗留物在室内、室外不同光照条件下的检出率。其中如图6所示第一行五种颜色的卡片（a）、（b）、（c）、（d）、（e）分别在白色、浅灰色、黑色操作台背景下的检出率如表1所示。

图5 实验对象

表1 单个遗留物（卡片）检出概率

单个遗留物在白色、浅灰色、黑色操作台背景下的检出概率如表2所示，其折线图如图6所示。

图6 单个遗留物检出概率折线图

表2 单个遗留物检出概率

由表1、表2、图7可以看出，在单个遗留物检测实验中，比较图6所示五种实验对象，钱包的检出率最高，故可认为相同实验环境下，对于体积较大的遗留物本系统更容易检测出；比较白色、浅灰色、黑色操作台背景下的检出概率，白色背景下本系统的检出概率更高。

如表3、表4所示为两个、三个遗留物的检出概率。对比表2、表3、表4可以看出，遗留物检出概率由高到低依次为三个遗留物、两个遗留物、单个遗留物，故认为检测目标面积越大越容易检测出。

表3 两个遗留物检出概率

表4 三个遗留物检出概率

如表5所示为两个遗留物在室内、室外不同光照条件下的遗留物检出概率。由表5实验结果表明，在浅灰色操作台背景下，两个遗留物在室内、室外不同时间段、不同光照条件下进行遗留物检测试验，室内夜晚的检出率比室外高，故可认为光照条件好的情况下本系统的遗留物检出率更高，而在光照条件较差或遗留物颜色与操作台背景颜色接近的情况下检出率较低。

表5 不同光照下两个遗留物检出概率

最后，实验结果表明：本系统能够以较高的检出概率实现检测遗留物的功能，证明了本文方法的可行性和有效性。

4 结语

本系统通过采集图像及距离数据、混合高斯模型算法、形态学处理等过程，经过计算机分析和处理，成功检测出视频监控中操作台上的遗留物品，并且具有较高的检出率，证明了本文方法的可行性和有效性。本文的遗留物检测算法可用于视频监控中公共场所的服务台遗留物的检测。另外，限于笔者的研究水平，本文算法还存在需要改进的地方：本系统对于检测目标与背景灰度值接近及光照条件较差的情况下，往往更容易出现误判；本系统仅能检测是否有遗留物，没有对遗留物进行分类和识别。下一步将研究智能识别技术与混合高斯模型相结合的遗留物检测算法，进一步提高本遗留物检测的有效性。

[1]张晓慧.视频监控运动目标检测算法的研究与实现[D].西安电子科技大学，2012.

[2]程换丽，许向阳，王晓宁，赵光磊.视频监控中遗留物检测算法研究[J].无线互联科技，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]叶立仁，何盛鸿，赵连超.复杂环境下的遗留物检测算法[J].计算机工程与科学，2015-5，37（5）:986-992.

[5]张超，吴小培，周建英，戚培庆，王营冠，吕钊.基于改进混合高斯建模和短时稳定度的遗留物检测算法[J].信号处理，2012-8，28（8）:1101-1111.

[6]谢凤英.数字图像处理及应用[M].北京：电子工业出版社，2014-6.

[7]董小舒，陈岗，卞志国.一种改进的基于混合高斯模型的运动目标检测方法[J].应用光学，2012-9，33（5）:877-883.

[8]周金旺.视频监控场景中的遗留物检测研究与实现[D].安徽大学，2012.

[9]朱虹.数字图像处理基础与应用[M].北京：清华大学出版社，2012.

[10]阮秋琦.数字图像处理学[M].北京：电子工业出版社，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

张慧娟（1994-），女，新疆喀什人，本科生

申婷婷（1994-），女，贵州遵义人，本科生

孙雅娟（1994-），女，甘肃庆阳人，本科生

吴娜（1996-），女，陕西人，本科生

王佳（1996-），女，湖北人，本科生

2016-11-10

2016-12-10