张晓璐

(福建林业职业技术学院 信息工程系，福建 南平 353000)

在城市中，每天有成千上万台的各类摄像机收集大量的视频数据．由于公共安全的重要性日益提高，对这些海量监控视频数据进行分析和检测的需求逐渐增加．对监控视频进行分析检测可以满足检测欺诈、可疑运动、犯罪嫌疑车辆等需求．监控系统的一项重要任务是检测并跟踪运动物体．移动物体分析检测的过程可以定义为识别视频中的物体，该物体相对于场景的视场正在改变[1]．在不同的复杂场景下，监控视频的分析需要较大的计算能力和存储能力．视频数据是大数据，由于其体积大、种类多，因此不易摄取、存储、分析和处理[2]．面向海量的监控视频数据，本研究探讨在多场景视频中的分析检测问题．

1 BD2VS模型

1.1 背景模型

在运动物体检测问题中，由于背景帧是线性相关的，因此第q个场景中的背景帧一个低秩矩阵．因此，背景的低秩属性对于检测移动物体很有用．当视频序列中的背景帧是低秩矩阵时，能更容易地检测运动对象[3]．因此，第q个场景中的背景模型的秩需要满足以下的约束条件：rank(Bq)≤r，其中，rank(Bq)表示背景矩阵Bq的秩，r表示预定义的阈值．成本最优化问题如下所示：

(1)

其中，‖·‖F表示Frobenius范数．

1.2 前景模型

根据视频编码理论[4]，由于前景内容的空间连续性，连续的前景像素之间表现出很小的差异．代表函数如下：

(2)

(3)

(4)

(5)

结合式(5)，将优化问题(1)重写为：

(6)

其中，μ是权重参数．

1.3 多场景建模

当传入的视频序列S包含多个场景时，使用大多数现有的基于矩阵分解的方法构建的背景模型会因场景的多样性而损坏，损坏的背景模型会导致前景检测不准确．

(7)

通过引入δ(X)，可以将优化问题(6)重写为：

(8)

BD2VS模型同时具有背景模型的低秩性和前景模型的上下文连续性．此外，由于稀疏正则化约束，背景模型为每个场景建立了专用背景．因此，BD2VS模型可以用于在大规模监控数据集中对运动物体进行检测．

2 BD2VS算法

为了准确地检测多场景监控视频中的移动物体，需要求解优化问题(8)以获得最佳的解决方案．但是，问题(8)是一个非凸问题，很难通过优化技术进行解决．因此，设计了一种三阶段交替优化算法来解决该问题； 该算法划分了等式的优化任务．优化问题(8)分为以下三个子问题：

(9)

(10)

min Φ1+Φ4

(11)

当专用背景的稀疏系数矩阵X和前景矩阵F固定时，可以求解得到优化问题(9)的解．对于每个场景的背景Bq，式(9)可以使用增强的拉格朗日函数将(9)重写如下：

(12)

在对背景B进行优化的过程中，仅仅需要考虑与背景相关的约束，因此将问题(12)转化为

(13)

然后，采用SoftImpute算法对问题(13)进行求解，得到背景模型的迭代式如下所示

(14)

接下来通过将背景矩阵B和前景矩阵F固定在等式中来确定专用背景的最佳稀疏系数矩阵X．可以使用原始增强拉格朗日方法求解优化问题(10)．通过引入拉格朗日乘子θ，能得到相应的拉格朗日优化问题如下所示

(15)

采用梯度下降法，能得到

(16)

最后，在背景B和系数矩阵X已知的条件下，求解F矩阵．使用傅里叶变换来计算F的最优值，即

(17)

其中，F和F-1分别表示傅里叶变换和其逆变换．

3 实验评估

使用来自CDnet[6]数据集中的标准基准视频，将提出的BD2VS方法与DECOLOR[7]、Semi-NMF[8]和Subsense[9]进行比较．采用准确率、错误率、相似度和F1度量三个参数用于评估模型性能，这三个参数的计算方式如下所示：

(18)

其中，TP、FP、TN和FN分别是真正、假正、真负和假负的样本数量．

表1展示了不同方法在由不同数量场景合成的视频序列下各个性能参数的对比结果． 与提出的BD2VS方法相比，其他方法无法从这些多场景序列中检测前景对象，因此F1度量值均小于0.15，而且相似度均小于0.10．BD2VS具有最高的F1度量值、准确率以及相似度，并具有最低的错误率．这是因为BD2VS采用稀疏与低秩矩阵特性以及上下文正则化来进行检测，能更准确地检测前景模型，并且具有较高的鲁棒性．

表1 不同方法在由不同数量场景合成的视频序列下各个性能参数的对比

为了对在各个位置捕获的多个监视视频进行运动检测，需要拥有较大的内存以缓存一定数量的背景模型．表2展示了BD2VS在实验中的内存需求．对于字典的每个原子，我们使用稀疏表示对原始帧进行子采样，以减少内存的消耗．因此，即使内存占用量很小(12.68 KB)，BD2VS也足够健壮，可以从22种场景合成的视频序列中检测运动对象．

表2 BD2VS的内存需求

4 结论

快速增长的监控视频数据为传统的监控体系框架和数据分析带来了严峻的挑战．运动对象检测是对海量视频数据分析处理的关键步骤，而传统的运动对象检测方法无法满足对场景监控视频数据的检测需求．本研究提出了BD2VS方法用来对海量的监控视频数据进行大数据分析检测．BD2VS方法可以将多场景视频序列准确地分解为背景和前景，以提高分析检测的性能．BD2VS可以抑制由背景导致的误报并保留更为精细的前景像素．因此，BD2VS所描述的前景模型掩模具有更高的精度．最后采用数据集进行实验，评估BD2VS方法的有效性．实验评估结果表明，与现有的方法相比，BD2VS在多场景视频序列的分析检测中表现出不俗的性能，并且具有较低的内存开销．在未来的工作中，将使用更多的数据集对BD2VS进行测试，以便进行改进．然后，将会在实现的场景中部署BD2VS，以评估BD2VS在动态海量视频数据流中的性能．