MOG2算法在区域入侵检测的应用

朱松

摘 要： 随着视频监控技术的发展，视频监控更加高清化、网络化、智能化，同时，安防领域中也对视频监控提出更多要求。监控系统能够对监控视频进行分析，具有对视频中的人物检测或者预警等功能，这样在减少人力、物力资源的投入，同时也能提高监控的质量以及效率。本文提出用MOG2算法检测区域是否存在异常，以便给予警示，提醒工作人员帮忙等，对于提高人们生活安全具有重要意义。

关键词： MOG2算法;视频监控;区域入侵

1 原理与算法

视频中一个像素点的像素值大小是随机的、不确定的，对于每一个像素点的像素值大小可以使用高斯混合模型（MOG2）来预测和解释。MOG2算法对视频信息中的每一个像素点都建立了模型，模型中像素点的大小是多个不同权值的高斯分布叠加，模型中每个像素点的高斯分布越多，则每个运动像素点建立的背景模型就更加接近实景。模型中首先选取了若干帧作为背景帧，分析背景帧的像素分布，并统计像素信息作为背景。模型建立完毕后，对新的画面使用背景帧的统计差分信息完成新画面像素点的前景背景分类。

2 模型构建与算法分析

2.1 图像降噪

视频成像系统中不可避免的存在各式各样的干扰噪声，光线、焦距、带宽、硬件接口、软件编解码等。噪声的产生总是和图像的成像过程紧密相连，可能在传输中亦或者是量化过程中。噪声的常见形式可分为一下几种：

1）加性噪声。 f（x，y）=g（x，y）+n（x，y） （1）

加性噪声与原始视频信号呈加法关系，无论视频信号是否存在，該噪声都存在。加性噪声可能产生于视频画面的采集、传输、处理过程，或是视频采集系统接收到自然界存在的信号等。

2）乘性噪声。 f（x，y）=g（x，y）+n（x，y）g（x，y） （2）

乘性噪声与原始视频信号呈乘法关系，其产生原因是由于信道的不理想。信号的传输过程中要经过传输信道，当信道参数不理想时，乘性噪声就存在，所以乘性噪声随着信号的存在而存在，当信号传输完毕，不占用信道时，乘性噪声就会消失。

3）量化噪声。量化噪声总是在数字系统中，这是数字系统本身所决定的。在自然界的信号中多是模拟信号，但是计算机的存储方式决定其只能处理数字信息，所以为了尽可能的模拟、存储、处理自然界的信号，系统采集到的模拟信号送到量化器（A/D转换器）编码成数字信号，每个数字代表一次采样所获得的信号瞬间值。量化时，信号的量化级在完成模数转换的同时也带来了量化噪声，尽管不能全面获取自然界的模拟信号，但是数字化的信号有利于信号的传输和处理，也不可避免的带来量化噪声。

2.2 图像灰度化

多通道的彩色图像转化为单通道的灰度图像就是图像的灰度化。在计算机的图像存储结构中，为了表达图像的颜色信息，图像以三基色的形式存储在计算机内。视觉中人类看到的彩色的数字图像是三种颜色分量图像的叠加，三种颜色分量R、G、B，取值为0-255。灰度图像是单通道的图像，其像素点的变化范围只有255种，因此彩色图像转化为灰度图像可以极大的减少后续处理过程的计算量。

常见的图像灰度化算法有以下几种

1）分量法。将三通道中RGB三基色的数值大小作为灰度图像的灰度值大小，根据应用或者算法的设置选取一个数值作为灰度图像的灰度值。f1（i，j）=R（i，j） f2（i，j）=G（i，j） f3（i，j）=B（i，j）其中fk（i，j）（k=1，2，3）为转换后的灰度图像在（i，j）处的灰度值。

2）最大值法。将三通道中RGB三基色的数值最大的作为灰度图像的灰度值大小：f（i，j）=max（R（i，j），G（i，j），B（i，j））

3）加权平均法。三通道的颜色数值根据不同的权值进行加权平均。人眼对不同得颜色敏感程度不一，对RGB三通道数值进行加权平均能得到较合理的灰度图像。

2.3 OTSU大津法

数字图像可分为前景部分和背景部分，其分类依据可以按照双目视觉中景物的远近，亦或者是单目视觉中图像的灰度特性。在利用图像的灰度特性进行前景、背景提取算法中，大津法根据前景和背景之间的类间方差大小来分类。方差是数据分布均与度好坏的体现，方差大数据分布不均与，方差小数据分布均匀，而类间方差最大化就是前景和背景的颜色数值大小最大化，就是错分概率最小化的体现。

算法步骤如下：1）遍历灰度化图像，统计数字图像中每个像素的个数。2）计算每一个像素占整幅图像像素的概率分布。3）计算每一个当前像素下的类间方差大小。4）寻找最大的类间方差并得出最大类间方差下的像素值大小。

2.4 构建高斯模型

将背景模型影响帧数设置为500帧，模型匹配阈值为OTSU大津法获得的最佳背景切割阈值，阴影检测设置为True。模型算法流程如下图1所示：

3 结果分析

从图2中可以看出高斯模型检测效果较好，物体的轮廓比较完整，而且背景中噪声较小，检测背景较为干净。总体上来说，基于OTSU和混合高斯背景建模检测效果达到了预期的检测目的，可监控视频范围内的移动物体，行人和移动的车辆均可以检测。

通过视频监控设备拍摄的图像进行图像预处理，降噪和灰度化，过每一帧的画面做最佳切割阈值判断，最后使用混合高斯建模分析视频素材。安防领域是视频监控领域中重要的组成部分，处理得到的图像信息对于安防领域具有重要意义。

参考文献：

[1]张超，吴小培，周建英，等.基于改进高斯混合建模和短时稳定度的运动目标检测算法[J].电子与信息学报，2012，34（10）：2402-2408.

[2]谢双云，王芳，田建艳，等.融合高斯混合建模和图像粒化的猪只目标检测[J].黑龙江畜牧兽医，2016（1）：29-32.