摘要：针对油田场景中生产管理工作的特殊性，视频目标识别模型的研究需要从油田生产现场视频应用场景、运动目标检测与提取方法、运动目标属性特征及比对方法3个方面进行研究。根据油田生产现场具体业务特征，确定视频智能分析应用的具体业务场景，包括周界防范、区域入侵、车辆布控、人员布控等，进而确定每种场景下的分析目标的结构化特征。通过人工智能和深度学习算法，对场景中的运动目标进行深层次的特征提取和交叉比对，并通过多次迭代提高特征值的准确性。
关键词：油田生产；目标检测；目标提取；高斯算法
1 引言
运动目标检测是智能视频监控技术的第一个阶段，检测的目的是在视频序列中得到运动对象所在的感兴趣区域，目前主流的运动物体检测方法包括帧差法、光流法以及背景相减法。
1.1 帧间差分法
在不考虑噪声的情况下，目标的运动会导致视频序列中前后两帧图像间产生差异，帧差法是基于相邻帧间差异所代表的运动信息，进行连通域分析及形态学处理来实现运动目标检测的一种算法，帧差法流程如图1所示。
.png)
图1 帧间差分法流程图
该算法简单并且实现容易，受光照条件变化的影响相对较小，能够很好的适应动态环境。在该方法也存在明显的缺点：若物体运动速度过慢，前后两帧差距不大，物体难以被检测到；若物体运动速度过快，物体相邻两帧间的差距超过轮廓宽度，容易产生“双影”现象，其检测效果不理想。
1.2 背景相减法
背景相减法是在一幅含有运动目标的图像让原始图像和通过背景模型更新得到的背景图像相减，主要有基于均值法和基于高斯分布的两种背景模型。理想状态下，可以得到完整的特征数据，然而在复杂的现实场景中，背景会发生动态变化，或是视频序列中物体在静止和运动见的状态转化，使得获取到“干净”的背景通常是不现实的。背景相减法得到的检测结果的好坏直接取决于是否有一个强鲁棒性的、自适应的背景模型。
1.3 光流法
前面两种算法都有一个前提：摄像头静止。对于移动状态的摄像头摄制的视频，可以采用光流法对运动目标进行检测。光流法不仅可以应用于摄像头静止状态下拍摄的视频，还同样适用于摄像头移动状态下的运动目标检测，此外，光流法可以在已知场景信息很少的情况下检测出运动目标。但是，光流场计算复杂度高，对硬件也有较高的要求，不能满足实际应用中对实时性的要求，所以很少用于实际场合。
2 算法优化
2.1 改进的多高斯背景模型
（1）优化的背景初始化方案
传统多高斯模型使用第一帧图像信息对每个像素的高斯分布进行初始化，这将导致经过权重归一化之后的一段时间内，该初始分布都将会在其对应混合分布模型中占据较大权重，在真实背景权值足够高之前，该区域描述运动目标的高斯分布会被持续判断为背景，大大影响检测效果。为此，本文采用一种基于落入各个高斯模型样本频数的背景初始化算法，改进后的背景初始化方案使得在初始化过程中的每一帧对初始背景的贡献相同，避免了传统算法中初始背景对首帧存在的强依赖现象，从而使得初始背景积累到足够的信息得以更加真实的描述实际背景。
（2）基于状态和历史信息自适应更新的权重学习率
传统多高斯背景模型中，所有像素位置中的高斯分布均采用同样的权值学习率，没有基于历史信息考虑到处于不同状态下的高斯分布的更新差异，显然不能很好的适应复杂多变的现实场景。本文重新制定了背景模型的选取规则：若某高斯分布处于稳定状态，则此分布属于其像素位置的背景模型；若某分布处于过渡态，则判断其是否属于背景模型的有效成分；若其处于变动态，则不是背景模型。
（3）高斯分布数量的自适应调整
在实际场景中，区域大部分时间内是背景裸露区域，期间暂时因被运动目标遮挡而增加的高斯分布并不会随着时间而被移除。这样不仅影响整个多高斯模型的精度，还会浪费大量的计算资源，降低检测过程的实时性。本文采用具有移除无效高斯分布功能的GMM算法，实现高斯分布数量的自适应调整。
2.2 融合纹理特征和颜色特征的运动阴影检测法
运动目标受到光照而产生的阴影也是影响目标检测效果的一个重要因素。运动阴影由于和运动物体本身有一些相同的运动特征，使得其同运动目标本身一起被检测为运动前景，这将极大影响后续对真实的目标区域跟踪和识别操作，因为阴影区域具有如下几个特点：
1)阴影区域较其未被阴影覆盖时的亮度更低；
2)阴影区域色度与其被阴影覆盖时的色度相似；
3)物体的纹理特征对阴影不敏感。
传统的YUV颜色空间检测阴影算法对噪声的处理效果不明显，当目标区域颜色接近于阴影区域检测效果不理想，容易将亮度低于背景、色度和阴影区域相近的目标区域当作阴影去除。而HLBP纹理特征检测阴影算法对平坦区域的纹理描述能力低，即在纹理特征变化很小的区域失效。
为解决上述问题，本文采用一种融合纹理和颜色特征的运动阴影检测算法：
1)通过改进的混合高斯背景模型提取到包含运动阴影的目标区域；
2)针对目标区域，基于YUV颜色空间得到前景目标区域S1和基于HLBP纹理特征得到前景目标区域S2；
3)取S1区域和S2区域相或的结果为运动目标区域；
4)最后对目标区域进行形态学处理得到检测结果。
3 模型应用场景训练
选取PETS09数据集中视频PETS09-S2L1进行场景训练，验证优化的背景初始化方案的改进效果，分别使用传统GMM(权重学习率取0.005)算法以及本文优化的背景初始化算法对视频中运动目标进行检测。
在通过对比初始化阶段检测效果发现，传统GMM中第一帧归一化后的权重过大，导致目标离开原始位置之后，原目标区域仍被错误检测为前景，而本文基于等权值的背景初始化方案使认为在初始化阶段期间，各个历史像素值拥有相同权重，可以避免传统GMM中存在的问题。可见，改进算法在初始阶段的表现优于传统GMM算法。
选取PETS2006数据集(train)以及CVRR中阴影检测数据集(campus、intelligentroom)三个视频，分别使用传统GMM算法、基于HSV空间和纹理统一模式(ULBP)的检测算法(HU-GMM)以及本文的改进算法进行目标检测算法，每一行从左到右依次为传统GMM，HU-GMM以及本文的算法的检测结果。
传统GMM算法由于光照原因存在大量虚假目标区，基于HSV空间和纹理统一模式(ULBP)的检测算法(HU-GMM)又易受噪声干扰。而本文采用的运动目标检测方法提取到的阴影部分较少，算法的检测率大大优于传统的GMM算法。
4 现场试验效果
结合油田生产现场具体业务特征，将本文优化的混合高斯模型同运动阴影检测算法相结合，作为油田特殊场景智能视频分析中运动目标检测阶段的算法。
5 结语
利用本文采用的优化的混合高斯模型同运动阴影检测算法相结合的运动目标检测阶段的算法，结合油田生产现场具体业务特征，确定视频智能分析应用的具体业务场景，进而确定每种场景下的分析目标的结构化特征。在目标运动模式分析和识别研究基础上，实现高级视频智能分析的油田特色化应用。
参考文献：
[1]罗敏,刘洞波,文浩轩.基于背景差分法和帧间差分法的车辆运动目标检测[J].湖南工程学院学报(自然科学版),2019,4.