室内单目监控视频动态前景提取方法研究

针对室内单目监控视频光照不均等原因产生的阴影干扰和设备、环境因素产生的抖动问题，本文提出了一种特征定位与改进帧差法融合的动态前景目标提取方法。首先，基于像素级消减动态阴影特征并干扰使用高斯滤波进行降噪处理以减少监控视频冗余特征信息。其次，使用特征匹配算法获取连续两帧图像的差分，初步捕获动态前景目标。然后，使用自适应阈值和形态学处理方法改进帧差法精确提取前景动态目标。最后，实验验证方法的有效性和精准性，本文室内单目监控视频动态前景目标提取算法准确度达到92.2%，有效消除室内单目监控视频中的阴影和抖动干扰现象。

视频监控设备是保障社会公共安全和公民人身安全的重要工具，识别提取复杂监控视频有效信息成为计算机视觉学课中一个重要研究内容之一。

提取室内监控视频人体动态目标有利于优化智能监测系统， 前景提取步骤是目标识别、视频摘要和视频浓缩技术的第一步，对后续模块的构建和操作以及视频摘要算法的性能上产生极大影响[1]。复杂视频动态前景提取算法主要有三个方向：方向一是背景差值建模， 陈树[2]等基于背景差值建模原理提出一种融合局部二值模式(LBSP)背景建模和ViBe 算法的LOBSTER算法来提高背景模型对动态背景的适应能力。方向二是基于特征信息提取算法，Zhao [3]等通过基于YOLOv4 目标框选算法初步识别视频动态目标，再使用自顶而下的AlphaPose 姿态评估框架提取关节点信息作为人体目标行为分析的动态特征变化数据。方向三是深度学习算法，Chang [4]等使用YOLOv3 识别动态目标后构建时空三维卷积神经网络(3D-CNN)提取视频动态前景目标。

Hsu [5]等基于生成对抗网络(GAN)结构模型的动态目标提取方法，根据帧序列捕捉运动中时空变化属性来识别提取视频运动目标信息特征实现动态目标识别。

根据上述分析，本文提出一种融合特征匹配和自适应阈值改进帧差算法(Feature Location and Im-proved Frame Difference Fusion Algorithm, HFID)减少背景静态区域冗余特征和干扰源对提取视频前景目标特征的影响。主要贡献有：1) 融合像素级降噪方法和消除阴影方法进行预处理，解决背景差值建模方法识别结果出现鬼影问题、抖动噪声干扰问题和数据预处理耗时问题。2) 引入SIFT 算法特征点匹配和视频帧间图像特征点定位，从时序特征点动态变化角度生成差分图像，解决基于骨骼点姿态识别框架因目标遮挡提取准确性低问题。3) 使用自适应阈值原理和图像形态学变化改进帧差法，解决基于深度学习的动态目标前景识别因训练数据量少导致过拟合在测试数据中识别运动缓慢目标运动误判为背景问题，并解决视频动态前景目标识别完整度低问题。本文研究对象范围仅聚焦在室内单目摄像机监控视频下动态前景目标提取方法研究，暂不考虑针对室外监控视频的动态场景。