智慧国土视频监控运动目标提取新方法研究

邵 恒，王楠溢

(江苏省测绘工程院，江苏 南京 210013)

0 引 言

当前，我国正处于全面建成小康社会决胜阶段，国情省情继续发生深刻变化，经济发展进入新常态，国土开发利用与保护面临重大机遇和严峻挑战，必须顺应国际大势，立足基本国情，把握时代要求，科学研判发展形势。如何全面、准确、及时地掌握国土资源的数量、质量、分布及其变化趋势，进行合理开发和利用，直接关系到国民经济的可持续发展。

智慧国土视频监控系统是综合运用计算机、图像处理、模式识别、网络监控、网络流媒体技术，通过视频监控设备对耕地、矿区等国土资源违法违规易发多发区域及地质灾害频发区域进行实时监控，并对视频监控结果进行自动识别、判断、处置的一种辅助管理工具[1]。运动目标提取是智能视频监控的关键，识别出的运动目标既可以作为后续目标跟踪的初始位置[2]，也可以作为敏感监控区域。

最典型的运动相机中运动目标提取算法基于对背景模型进行拓展：它通过使用多种图像配准技术，将若干视频帧拼接建立起全景背景模型，将当前视频帧匹配到全景模型相应位置，从而将问题转化为固定相机运动目标提取问题[3-6]。然而这种方法存在背景建模困难、图像拼接有误差、计算时间耗费量大、实时性差等问题。

本文提出用一种新的鲁棒的运动目标提取算法以解决传统方法中存在的问题。该算法能在不建立全景背景模型基础上，鲁棒的在运动相机中检测运动目标，并且支持实时在线检测，通过与一系列图像预处理方法配合使用，能够提高检测效率。

1 算法流程

本技术较为关键的部分是求出背景模型和当前视频帧之间未能匹配上的特征点的密度估计(图1)。

图1 算法流程注：L1、L2代表特征点的坐标，L1′是L1经过配准后的特征点坐标，D1、D2分别代表两张图像特征点的描述子。

传统的运动相机目标检测方法在建立背景模型时需要对相关参数进行假设，因此存在准确性较差的问题，而建立参数相关的背景模型并不是运动目标检测所必需的。本算法在PTZ相机所需要重点监控的若干位置中选取一系列经过配准图像作为初始背景模型，从而缩短了建立背景模型的学习时间，提高了算法运算效率。

2 关键技术

2.1 图像配准

该算法第一步需要在背景模型与当前视频帧中提取关键点。算法采用Harris角点作为图像关键点，设置较低阈值使得Harris角点能够尽量遍布整个图像。算法采用SURF[6]作为关键点的局部特征描述子。

2.2 关键点匹配

完成图像配准后，需要对特征点进行匹配来进行后续的背景减除。在这一阶段，算法并不是简单将背景模型特征点和当前视频帧特征点进行匹配的，而对于每一帧图像，对背景模型与当前视频帧特征点的合集进行运算。

2.3 关键点密度估计

完成特征点匹配后，未匹配成功的特征点将被视为前景的一部分。算法使用非参数估计的方法对视频帧的每一个像素点建立未匹配成功的特征点概率密度估计，从而对视频帧像素点进行分析。算法通过使用核密度估计[7]方法得到概率密度估计函数。

假设(p1,…,pn)为N个未匹配的特征点，对于像素x点，其概率密度估计函数为：

(1)

式(1)中，K是用作估计像素点概率密度的核函数，参数h用来平滑像素点x邻域对它的作用。算法选择高斯核函数作为估计用的核函数：

(2)

相对dh，可以发现Ndh与图像中实际检测出的特征点数量无关，因此更倾向于使用Ndh作为分类的参数。

2.4 背景模型更新

由于背景处于不断变化中，算法需要考虑背景模型的更新问题。其核心问题在于如何用当前视频帧中被分类为背景的像素点替换背景模型中同样位置的点。算法采用以下规则对背景进行更新：

若Ndh>s,

bgn(x)=bgn-1(x)

(3)

否则：

(4)

从式(3)—(4)可以看出，算法采用的更新规则可归纳为2方面：① 对于当前视频帧中被检测为前景的点，将不对背景中相同位置的点进行更新；② 对于未被检测为前景的点，采用较低的学习率对背景进行更新，以保证背景更新的平滑度，并减少由光照突然变化而增多的特征点，降低背景减除的误检率。

3 实验结果

为验证以上算法的有效性，本文选取若干PTZ摄像机拍摄的视频进行验证。每个视频帧序列包含不同的运动目标数量、光照情况和摄像机高度，视频帧分辨率为320×420。为了展示该算法的有效性，本文将结果与一些传统的移动相机运动目标检测算法[7]进行比较(图2—3)。

图2 验证结果

图3 验证结果

由图2—3得出，算法能明显减少图像配准错误,对光照突然变化、摄像头突然移动有较好鲁棒性。

从检测结果可以直观看出，本文提出的基于特征点概率密度匹配的算法较传统建立全景模型的算法能更好去除噪声，检测结果更有效(表1—2)。

为了衡量算法检测效率，综合统计不同算法的检测速度(FPS)，得到检测效率统计表(表3)和内存占用情况统计表(表4)。

表1 去除噪点精度统计

表2 去除伪前景精度统计

表3 检测效率统计

表4 内存占用情况统计

4 结 语

(1)针对如何在PTZ相机监控视频中快速检测运动目标这一难题，提出了一种新方法：通过将背景模型与当前视频帧特征点进行匹配建立了关键点概率密度估计函数，根据该函数能较快速、准确地对视频帧数据进行前景检测。

(2)该方法在国土视频巡查监控实际使用中也取得了较好效果，解决了传统需要建立全景模型的方法所产生的诸如初始化缓慢、计算量庞大、图像配准不精确，对光照变化鲁棒性差等多种问题。今后，可以将该方法更深入应用到可疑物体跟踪监控、自动预警等“智慧国土”相关领域中，从而有效提高国土监控的智能化程度。

[1] 于丽娜.国土资源执法监察视频监控网建设五点建议[J].中国土地,2013(3):19-21.

[2] Wang,J.,Bebis,G.,Nicolescu,M.,ect. Improving target detection by coupling it with tracking[J]. Machine Vision and Applications，2009,20(4):205-223.

[3] Guillot,C.,Taron,M.,Sayd,P.,Pham,ect. Background subtraction adapted to ptz cameras by keypoint density estimation[J]. Machine Vision and Applications, 2009,20(4):1-10.

[4] Hayman,E.,Eklundh,J.O.Statistical background subtraction for a mobile observer[J]. Computer Vision,2003(1)：67-74.

[5] Kang,S.,Paik,J.,Kosehan,A.,Abidi, etc, Real-time video tracking using ptz cameras[J]. Proceedings of the SPIE 6th International conference on Quality Control by Artificial Vision 5132. 2003(4):103-111.

[6] Herbert Bay,Andreas Ess,Tinne Tuytelaars,Luc Van Gool “SURF: Speeded Up Robust Features”[J]. Computer Vision and Image Understanding (CVIU), 2008,110(3):346-359.

[7] 王国印,郭彦辉.基于改进GMM的动态背景建模[J].测绘,2016,39(5):217-219.