摘要：

　　本文介绍了基于帧差的运动检测，并用于报警存盘的视频监控系统。通过自动识别人体实现监控的智能化和自动化。

　　关键词：视频监控系统 运动检测 双阈值 

　　引言：

　　在模拟视频监控中，报警措施通常是通过被监控现场的人工干预来实现的；在数字视频监控系统中，图像序列的运动检测及报警不仅可以自行替代监视人员的部分工作，提高监视系统的自动化水平，而且也可提高监控存储的效率。

　　1、实现原理

　　本文主要讨论在具体的数字视频监控系统中对由静态摄像机捕获的场景图像序列进行的运动检测。图1为简单运动检测系统流程

　　该处理流程只能实现简单的运动报警系统，即被监控的场景有运动发生的时候，就自动报警。不能检测出运动物体的数量、运动方向、以及运动物体大小。

　　2 系统实现

　　2.1  运动检测的帧差算法
    准确提取运动目标是人体检测的第一步。图像若没有运动，连续帧图像之间变化很小；反之若有运动产生则会引起帧差。用此法可以确定图像序列有无运动。
本文采用RGB三基色进行场景建模:{ , , },当前图像为{ , , }。差分图像可用下式得到:　

    d=max(| - |,| - |,| - |)                          （1）

    这里采用三基色,主要是考虑尽可能地将运动区域检测出来,避免由于灰度图像无法将颜色不同而亮度相似的区域检测出来。为了减少噪声的影响，还要对图像进行滤波处理。之后检测目标的轮廓,消除目标的影子。

　　2.2 阈值T的确定
    因为在视频检测的过程中，即使没有任何运动，前后帧序列的灰度可能都有些不同，会在一定的范围内变动，即环境噪声，因此需要选定一个阈值范围。

    在前后帧比较的时候，确定一定的阈值，当超过一定的阈值时，才认为是有运动发生；如果没有超过一定的阈值，则认为是图像噪声。

　　单一阈值分割存在很多缺陷：若阈值选取得太高，往往不能将运动目标完整地分割出来；若阈值选取得太低，又会产生大量的无关噪声，如影子等，会给后续的判决带来困难。[1]

为了克服单一阈值给图像分割带来的缺陷，可采用双阈值法对差值图像进行分割处理。通过分析差值图像，得到其中值MED，以及中值绝对差MAD。假设图像中运动目标的面积只占整个图像面积的一小部分，则差值图像的中值就应该对应为噪声的灰度值。阈值T与中值及中值绝对差有关，即
T=MED+3×1.4826×MAD   其中  1.4826——标准正态分布的系数  （2）
　　令双阈值中的低阈值 ，高阈值 ，α为高低阈值之比，其取值大小由物体在图像中所占比例决定。用高低2个阈值分别对差值图像做二值化操作，得到两幅二值图像 和 。由于低阈值的取值较低，其对应的二值图像不仅包括完整的运动物体也混杂了大量噪声；而高阈值对应的二值图像只包括灰度变化较大的部分，即运动物体，但并不完整。对 做数学形态学中的膨胀操作，再将其结果与 相与，即可分割出完整的运动物体，而且将 中原有的噪声去除。

　　2.3 人体识别
    高质量提取人体目标后，就可以根据人体的独特形态特征建立检测算法，从而实现基于人体识别技术的视频监控系统。现在有基于头肩特征的人体检测[2]、基于直立人体高度和宽度之比检测[3]等可行方法，我们可以根据监控现场的实际情况选用一种或综合使用几种方法进行智能化监控。

　　2.4 报警
　　如开始无运动报警信号，存储模块处于等待状态；运动报警信号到来，启动存储模块，在一定时间内如果没有继续收到运动报警信号，存储模块自动停止工作。这样大量无运动的视频被剪掉了，有效地节省了存储空间。当有人进入时就启动存盘，存储约60秒(大约一次操作的时间)后再检测是否有人体目标，若无目标则延时60秒，期间没有报警信号就停止存盘。[4]
　　工作过程如图： 

　　3 结束语

　　系统具有目标自动检测、识别及跟踪的能力，能大大提高系统的可靠性，实现监控的智能化和自动化。

　　参考文献：

　　[1] 杜铮，张桂林，洪靖云 视频监控系统中的一种运动检测算法 机械与电子 2003.6
　　[2]潘峰，王宣银，王全强 智能监控中基于头肩特征的人体检测方法研究 浙江大学学报 2004.4
　　[3] 耿超 人体运动的检测与跟踪 北京工业大学 2003.5
　　[4] 胡师彦 基于视频监控系统的运动监测和报警 石家庄铁道学院学报 2002.12