烟火视频序列的混合高斯模型利弊探讨

张儒良 李金兰 饶彦

摘要：烟火视频序列背景模型的质量直接影响到火灾监控的准确性，烟火初起阶段与发展阶段是火灾监控的关键时间环节，目前以视频序列背景模型利弊分析为主题的文章较少。本文首先针对烟火视频序列建立混合高斯模型，然后利用帧间差提取动目标区域，最后，对影响混合高斯模型质量的更新率进行实验分析。实验结果表明，在烟火初起期、发展期固定环境下，混合高斯背景更新与帧间差相结合的方法能有效地提取出动目标区域。实验也表明，更新率值过大或者过小时，直接导致动目标区域提取不准确。若更新率值过小，背景模型更新较慢，造成背景区域误判为动目标，动目标区域出现拖影问题。若更新率过大，背景模型更新较快，运动速度缓慢或暂时停滞的目标会被误检测为背景，动目标区域会出现空洞现象。

关键词：烟火视频；混合高斯模型；帧间差；更新率

中图分类号：TP3 文献标识码： A

0 引言

烟火视频序列背景更新在火灾监控过程中具有重要的作用，烟火视频序列背景模型的质量直接影响火灾监控的准确性。目前在各类杂志报告中已见到视频序列背景更新方法[1-9]，这些方法都在火灾监控或者其它领域获得了可观的应用效果，然而，目前以视频序列背景模型利弊分析为主题文章的研究文献却仍显薄弱。基于这一现实状况，本文首先针对烟火视频序列建立混合高斯模型，然后利用帧间差提取动目标区域，最后，对影响混合高斯模型的更新率进行实验分析。实验结果表明，在烟火初起期、发展期固定环境下，混合高斯背景更新与帧间差相结合的方法能有效地提取出动目标区域。实验也进一步表明，更新率值过大或者过小时，将会直接导致动目标区域提取不准确。若更新率值过小，背景模型更新较慢，造成背景区域误判为动目标，动目标区域出现拖影问题。若更新率过大，背景模型更新较快，运动速度缓慢或暂时停滞的目标会被误检测为背景，动目标区域会出现空洞现象。

4 结束语

本文对烟火视频序列的混合高斯模型进行探讨，首先对烟火视频序列建立混合高斯模型，然后利用帧间差提取动目标区域，实验表明，该方法当高斯个数N与更新率α在一定的范围之内能有效地提取动目标区域。另外，对公式（1）中的高斯个数N与公式（4）中更新率α的值给出实验分析，由结果可知，高斯个数N与更新率α的值的大小直接会影响动目标区域提取的效果。

未来的工作是针对烟火视频序列进一步研究自适应混合高斯模型。

参考文献：

[1]郑怀兵，翟济云. 基于视频分析的森林火灾烟雾检测方法[J].南京理工大学学报，2015，39（6）：686-691，710.

[2]邱联奎，刘启亮，赵予龙，等. 混合高斯背景模型目标检测的一种改进算法[J].计算机仿真，2014，31（5）： 378-384，392.

[3]何亮明，覃荣华，巩思亮，等. 动态场景中的改进混合高斯背景模型[J].计算机工程， 2012，38（8）：10-12，15.

[4]张运楚，宋世军，张汝敏，等.高斯混合背景模型的适应能力研究[J].计算机应用， 2011，31（3）： 706-710.

[5]刘鑫，刘辉，强振平，等.混合高斯模型和帧间差分相融合的自适应背景模型[J].中国图象图形学报， 2008，13（4）： 729-734.

[6]ZHAO Yaqin， LI Qiujie， GU Zhou. Early smoke detection of forest fire video using CS Adaboost algorithm[J]. Optik - International Journal for Light and Electron Optics， 2015，26（9）：2121-2124.

[7]HUANG Yinglai， TIAN Shaoqing， SUN Xiaofang. An Automatic Recognition Method Based on Gray Bit Plane for Forest Fire Smoke Feature[J]. Journal of Northeast Forestry University， 2013，57（8）：155-159.

[8]WANG S J， DAH-LIH J， TSAI M T. Early Fire Detection Method in Video for Vessels[J]. Journal of Systems and Software. 2009， 82（4）：656-667.

[9]XU Fangming， LU Guanming. Moving object detection based on ameliorative surendra background update algorithm[J]. Shanxi Electronic Technology， 2009，37（5）：39-40.

[10]STAUFFER C， GRIMSON W. Learning patterns of activity using real-time tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2000，22（8）：747-757.