[发明专利]一种树叶扰动情况下监控视频的有效浓缩方法

说明书

本发明提供一种树叶扰动情况下监控视频的有效浓缩方法，主要包括以下部分：对输入视频进行基于混合高斯模型的背景建模，获得背景模型，分离出运动物体；对混合高斯建模后的每一帧，通过腐蚀、膨胀操作，消除部分噪声；根据前景物体占整幅图像的比例，初步判断是否保留当前帧；将背景图像和当前帧图像分块，计算并比较背景帧和当前帧图像每一块的颜色直方图差异，判断运动物体是树叶扰动还是前景目标；保留非树叶扰动的前景帧，并组合这些帧生成浓缩视频。本发明的优点在于，针对树叶扰动情况下的监控视频，提出了一种基于分块直方图对比的策略，有效提高了视频浓缩的鲁棒性和准确率。

技术领域

本发明涉及模式识别、图像处理领域，尤其涉及一种树叶扰动情况下监控视频的有效浓缩方法。

技术背景

随着平安城市、智能交通的快速推进，智能化、高清化、网络化的数字视频监控得到前所未有的重视，海量视频信息的浓缩摘要、基于视频内容分析后的系统决策将成为视频监控行业不可阻挡的发展趋势。如何在短时间内浏览海量视频数据库中视频信息，快速检索所需要的视频资料成为当前视频领域最为重要的研究内容，尤其是在交通和安防视频应用中显得尤为重要。例如2012年1月6日在南京发生的重大持枪抢劫案，公安部门花了巨大的警力查看南京各十字路口的视频信息，希望通过视频获取犯罪嫌疑人的蛛丝马迹。如能够采用信息处理技术快速浏览这些交通视频的视频浓缩信息，检索出犯罪嫌疑人曾出现过的视频图像，将会大大提高应急事件的处理能力，使得视频信息能发挥最大程度的利用效率。

目前，应用于城市安防和城市交通的视频摄像机、照相机已经十分普遍，而且数据十分惊人，如在车站、地铁站、高速公路、十字路口、隧道、办公楼等地方都布置有用于监控的图像或视频采集设备。但是绝大多数摄像机采集的图像都是在中心监视器上显示并保存在硬盘阵列中。据统计，人观看视频画面的注意力通常只能保持在二十分钟左右。由此可见，目前绝大多数的视频采集只能起到事后查证的作用。而事后查证又是播放视频通过人来逐帧查看，一个没有情节的视频序列是很难让人集中注意力的，海量视频的事后查看是一件非常困难的事情。又如，在夜间及城交结合区域，经常会出现不遵守交通规则行驶的渣土车，超速超载、随意变道、抢闯红灯，尽管有大量的路口摄像机时刻记录着渣土车的视频信息，但是交警仍然很难做到视频成为其执法的依据，主要是交警由于需要大量的人力在查看、搜索渣土车的不规范行为，这是一个工作量巨大的任务，视频信息的利用率很低，没有发挥出其应有的作用。如何快速浏览海量安防监控视频，搜索所需信息，已成为安防领域急切需要解决的问题，并且具有广阔的市场应用前景和理论价值。街道监控视频，由于两旁绿化带，树叶扰动普遍存在，严重影响浓缩准确率。

发明内容

本发明提供了一种树叶扰动情况下监控视频的有效浓缩方法，采用基于关键帧的视频浓缩。对视频提取关键帧的目的是希望通过若干较少的静态视频帧表示相关视频流的主要内容。关键帧提取的难点在于如何在较少冗余数据的情况下，描述出视频的全部主要内容。本发明针对监控视频中经常出现的树叶扰动提出基于直方图变化的算法结合混合高斯模型进行判定，极大的减少了噪声的干扰。所述技术方案如下：

一种树叶扰动情况下监控视频的有效浓缩方法，包括：

对输入视频的每一帧进行基于混合高斯模型的背景建模，分离出前景物体和背景物体的区域。

场景中的每一个像素的值可以由K个高斯成分组成的混合分布来表示，图像中像素j在时刻t的值为X_j的概率为：

其中表示t时刻像素j的混合高斯模型中第i个高斯分量的权重，满足：

这里和分别表示第i个高斯成分的均值及协方差，η表示高斯概率密度函数：

其中d是x_j的维数。对于RGB颜色空间而言，可视为相互独立，则协方差矩阵定义为其中σ表示标准差，I代表单位矩阵。