摘要：针对现有视频监控系统智能化的视频分析功能不足的问题，利用海康监控系统的SDK开发包，获取实时视频流，并结合码本和尺度不变局部二元模式（scaleinvariantlocalternarypattern，SILTP）纹理描述符构建背景模型，进行了移动目标检测和跟踪研究。实验结果表明，与现有系统相比，该方法检测到的目标完整充实，能够获得目标的轮廓与轨迹，有效提升了原有监控系统的性能。关键词：视频监控系统；性能提升；背景建模；码本模型；尺度不变局部三元模式VideoMonitoringSystemPerformanceImprovementBasedonTextureandCodebook﹙1.SchoolofInformationScienceandEngineering，ShandongProvincialKeyLaboratoryofNetworkBasedIntelligentComputing，UniversityofJinan，Jinan250022，China；2.ShensiElectronicTechniqueCompanyofShandong，Jinan250022，China﹚Abstract：Fortheproblemoflackofintelligentanalysisfunctionofvideomonitoringsystems，wegetthereal-timevideostreamingbyusingtheSDKofHaikang，andcombinewithcodebookandSILTPtobuildabackgroundmodelforthestudyofmovingtargetdetec-tionandtracking.Experimentalresultsdemonstratethat，comparedwiththeexistingmonitoringsystems，themethodcandetectthetargetcompletely，getthecontourandthetrajectoriesofmobiletargets，andimprovetheperformanceofmonitoringsystemeffectively.Keywords：videomonitoringsystem；performanceimprovement；backgroundmodeling；codebook；SILTP现有的多数视频监控系统具有录像、回放、调焦变倍、云台控制及移动侦测等功能，但是缺少更加智能化的视频分析功能。而且，随着监控系统的大量使用，视频数据量不断增长，需要消耗大量的人力成本。因此，在不更换监控系统的情况下，提升现有监控系统的性能，使其尽量达到不错的监控系统所具有的功能，是一个重要的研究课题。利用实验室已有视频监控系统﹙海康威视﹚的SDK开发包，获取网络传输的视频信号，并利用目前比较成熟的目标检测算法［1］对所得视频进行处理，进而描述移动目标的形状和轨迹。还不错著名的背景建模目标检测算法是Stauffer等［2］提出的混合高斯模型﹙Gaussianmixturemodel，GMM﹚，GMM是通过采集像素在一段时间内的颜色、亮度等的变化数据，为每个像素建立多个高斯模型的方法，目前有很多改进算法变化有一定的鲁棒性，但是当像素值在一个很宽的范围内变化时，检测效果不佳。由于上述方法所使用的颜色、亮度特征对阴影和噪声敏感，文献［7−9］中提出利用像素的局部区域纹理直方图构建背景。但是这种方法在结构信息不明显的区域，检测目标空洞较多。文献［10−11］在［7−9］的基础上融入颜色信息，有效提升了检测效果。Kim等［12］提出的码本模型﹙codebook﹚是基于聚类的思想建立的背景模型。该算法保持了背景的多模特征，可以较好地解决像素值在一个很大的范围内变化的问题。但它是以像素为单位的背景估计，没有考虑像素的邻域信息，无法处理因摄像头的轻微抖动导致的像素漂移问题。常用的纹理描述符LBP﹙localbinarypattern﹚、LTP﹙localternarypattern﹚是利用周围邻域点的二进制编码描述中心点的算法，充分考虑了像素的空间邻域信息。因此，本文中采用码本和纹理［13−14］相结合的时空背景建模方法。为了简单起见，该方法简称CB_SILTP。1调用SDK获取实时视频流调用海康的SDK开发包，通过8100系列网络硬盘录像机读取实时视频流。在使用SDK时，首先要对其初始化，接口NET_DVR_Init可完成整个网络SDK的初始化。由于视频流通过远程网络传输，所以在添加用户时，需获取网络硬盘录像机的IP地址及对应的用户名和密码，此时需要用到接口NET_DVR_Login_V30。实时流的解码方式有两种：一种是直接调用预览接口NET_DVR_RealPlay_V30解码；另一种方法是设置预览接口的回调函数RealDataCallBack对实时获得的码流进行解码。本文中采用第二种解码方式。2目标检测算法对回调接口RealDataCallBack解码所得的视频流进行移动目标检测。2.1码本背景模型的初始化视频中某像素点在过去N帧的像素值序列为分别为码字中所有像素的Y分量的均值和方差；U—、V—为码字中所有像素的U、V分量的均值；fi表示码字中像素的个数；λi表示码字没有被匹配的还不错长时间；pi、qi为码字较好的次和还不错后一次匹配成功的时间。码本背景模型构建步骤如下：1﹚初始时刻所有像素的码本为空，L=0，t=1﹙t<N﹚，表示初始化帧数。2﹚计算新来的像素值Pt=﹙Yt，Ut，Vt﹚与对应码本的匹配度dbright和dcolor。dbright=﹙Yt−μi﹚2≤2.52σ2，﹙1﹚dcolor=﹙Ut−U—i﹚2+﹙Vt−V—i﹚2≤ε。﹙2﹚3﹚如果码本中没有与之匹配的码字，或者码本为空，则令L=L+1，并且新建一个码字cL=﹙Yt，∑，Ut，Vt，1，t−1，t，t﹚，其中Yt、Ut、Vt分别是新来像素的Y、U、V分量的值，∑为Y分量的初始化方差。4﹚如果找到了匹配的码字ci，按照下式更新此码字。ci=μi+α﹙Yt−μt﹚，σ2+α﹙﹙Yt−μt﹚2−μt﹚，fiU—i+Utfi+1，fiV—i+Vtfi+1，fi+1，max﹙t−qi，λi﹚，pi，t，﹙3﹚其中α=1﹙fi+1﹚，是码字的学习速率，可以根据算术平均数的求解原理获得。5﹚循环以上步骤，直到t=N结束，然后对所建的码本进行更新，将每个码本中λ>N2的码字删除。N为训练背景帧数，L为码本中码字个数。2.2纹理模型初始化本文采用SILTP纹理描述符，其定义如文献［8］中所示：SILTPΓN，R﹙xc，yc﹚=?N−1k=0sΓ﹙Ic，Ik﹚，﹙4﹚其中，Ic为中心像素的灰度值；Ik表示以﹙xc，yc﹚为圆心、R为半径的圆上N个互相等距的点；?表示二进制字符串的连接符；Γ代表比较范围的比例因子；sΓ是一个分段函数［8］，102济南大学学报﹙自然科学版﹚第28卷sΓ﹙Ic，Ik﹚=01，Ik>﹙1+Γ﹚Ic，10，Ik<﹙1−Γ﹚Ic，00，otherwise。﹙5﹚根据式﹙6﹚，初始化纹理背景［14］：SILTPt=βSILTPt+﹙1−β﹚SILTPt−1，﹙6﹚其中，β为SILTP模型的学习速率，一般设为0.002~0.01。2.3前景分割与背景更新背景模型训练完成后，计算新来视频帧的像素值与对应的背景模型的相似性程度，码本相似度如式﹙1﹚、﹙2﹚所示，纹理相似度如式﹙7﹚所示：SILTPx−SILTPBG≤γ，﹙7﹚其中γ为阈值。如果当前像素点同时满足公式﹙1﹚、﹙2﹚、﹙7﹚，则当前点为背景。利用式﹙3﹚、﹙8﹚分别进行码本与纹理背景更新：SILTPBG﹙t﹚=βSILTPx﹙t﹚+﹙1−β﹚SILTPBG﹙t−1﹚。﹙8﹚3结果分析本文从室外室内两种环境分析比较了各种背景建模算法，见图1和图2。图1室外检测效果比较第2期李凤娇，一卡通，等：基于码本和纹理的视频监控系统的性能提升103图2室内检测效果比较从以上检测结果中看出，对于海康实时视频流，无论是室外还是室内环境，CB_SILTP的抗干扰性和鲁棒性都是还不错好的。背景初始化帧数为视频流的前100帧。对于开始就含有运动目标的视频序列，图1c和图1d的背景更新速度较慢，从而导致在目标初始位置形成误检，而且图1c中目标性状有很大的失真，不利于后续目标动作行为的分析处理，图1d虽然保持了像素序列的多模特性，但同时将像素值有一定变化的背景点误判为前景，增加了很多噪声点。图1b由于忽略了像素邻域之间的空间相关性，使得检测的目标含有较多空洞。同样，从图2的各种算法的检测结果中也可以看到，CB_SILTP的检测效果还不错好，而且内存占用量和计算量都很小，满足实时性要求。依据本文算法的检测结果，给出了运动目标的轨迹与轮廓，一卡通，实现了监控系统性能的提升。但是，检测过程中阴影会被误判为目标被检测出来，造成目标轮廓与轨迹的识别错误。4结语实验结果分析表明，对于海康远程实时视频流，时空信息相结合的目标检测算法的检测效果更好，给出的目标的轮廓与轨迹更准确，有效地提升了海康监控系统的性能。下一步工作是在海康监控上嵌入阴影去除算法，以便提取的运动目标的特征更加准确。参考文献：［1］BUGEAUA，PATRICKP.Detectionandsegmentationofmovingobjectsincomplexscenes［J］.ComputerVisionandImageUnder-standing，2009，113﹙4﹚：459−476.［2］STAUFFERC，GRIMSONW.Adaptivebackgroundmixturemodelsforrealtimetracking［C］//ProceedingsofIEEEConferenceonComputerVisionandPatternRecognition.FortCollins：IEEE，1999：246−252.［3］TUZELO，PORIKLIF.ABayesianapproachtobackgroundmodel-ing［C］//ProceedingsofIEEEComputerSocietyConferenceonComputerVisionandPatternRecognition.Washington：IEEE，2005：58−65.［4］KIMH，SAKAMOTOR，KITAHARAI，etal.Backgroundsubtrac-tionusinggeneralizedGaussianfamilymodel［J］.IEEEElectronicsLetters，2008，44﹙3﹚：189−190.［5］陈明生，梁光明，孙即祥，等.一种用于视频目标检测的时空背景建模方法［J］.信号处理，2010，26﹙11﹚：1601−1606.［6］陈明生，梁光明，孙即祥，等.利用时空背景模型的快速运动目标检测方法［J］.中国图象图形学报，2011，16﹙6﹚：1002−1008.［7］HEIKKILM，PEITIKM.Atexturebasedmethodformodelingthebackgroundanddetectingmovingobjects［J］.IEEETransactionsonPatternAnalysisandMachineIntelligence，2006，28﹙4﹚：657−662.［8］LIAOSC，ZHAOGY，KELLOKUMPUV，etal.Modelingpixelprocesswithscaleinvariantlocalpatternsforbackgroundsubtrac-tionincomplexscenes［C］//ProceedingsofIEEEComputerSoci-etyConferenceonComputerVisionandPatternRecognition.SanFrancisco：IEEE，2010：1301−1306.［9］谭文明，李斌，张文聪.基于中心对称局部二值模式的背景建模方法研究［J］.中国科学技术大学学报，2010，40﹙11﹚：1112−1118.［10］徐剑，丁晓青，王生进，等.一种融合局部纹理和和颜色信息的背景减除方法［J］.自动化学报，2009，35﹙9﹚：1145−1151.［11］强振平，陈旭，刘鑫.基于颜色和纹理特征背景模型的多层差分运动目标检测算法［J］.计算机应用，2009，29﹙8﹚：227−231.［12］KIMK，CHALIDABHONGSET，HARWOODD，etal.Back-groundmodelingandsubtractionbycodebookconstruction［C］//ProceedingsofIEEEInternationalConferenceofImageProcessing.Singapore：IEEE，2004：3061−3064.［13］徐成，田峥，李仁发.一种基于改进码本模型的快速运动检测算法［J］.计算机研究与发展，2010，47﹙12﹚：2149−2156.［14］李波，袁保宗.基于码书和纹理特征的运动目标检测［J］.信号处理，2011，27﹙6﹚：912−919.（责任编辑：刘建亭，校对：吴敬涛）104济南大学学报﹙自然科学版﹚第28卷