智能視頻監控技術是利用計算機視覺技術對監控場景的視頻圖像內容進行分析，自動檢測監控畫面中的異常情況，并警報和提供有用信息，從而能夠更加有效地提醒安防人員及時處理非法入侵。
目前，智能視頻監控技術中入侵檢測算法常見的有幀間差分法、背景減法和光流法。它們從視頻序列中檢測運動目標來實現入侵報警功能。但是，這些算法集中于對一個視頻場景中移動物體偵測的研究，而監控系統往往是多個區域同時監控。為此，給出了一種適用于多區域視頻監控系統中智能入侵報警的實現方法。該方法采用混合高斯背景建模移動偵測算法、OpenCV、多線程等技術實現了對入侵目標的有效檢測報警功能。
1 混合高斯背景建模移動偵測算法
混合高斯背景建模移動偵測算法屬于減背景移動偵測算法的一種。減背景移動偵測算法是通過當前幀與背景圖像差分來得到移動目標區域。這種算法對背景圖像的要求是：1)不含運動目標；2)不斷地更新以適應背景不斷變化。構建背景圖像的方法很多，混合高斯背景建模算法是其中典型的一種，該算法對外界環境不斷變化的適應性較好。
1．1 混合高斯背景建模
對視頻幀中的每一個像素定義K個狀態，每個狀態用一個高斯分布函數表示。這些狀態中有一部分表示背景的像素值，而另一部分則表示前景的像素值。若每個像素點像素值用變量Xt表示，則其概率密度函數可用K個高斯分布函數描述，如式(1)所示：
1．2 混合高斯背景建模參數更新
當獲得某一點t時刻像素值It時，首先利用序貫相似性檢測算法檢測所有高斯分布函數中那個與當前像素值It匹配，其步驟如下：
1)設定偏差門限T；
2)選取均值μi,t與像素值It最接近的高斯分布函數，并檢測兩者之差的絕對值是否小于Tσi,t-1，如果|It-μi,t-1|≤Tσi,t-1成立，則判定該高斯分布函數與當前像素值匹配，并按式(2)～式(4)更新相關參數；如果|It-μi,t-1|≤Tσi,t-1不成立，則判定無高斯分布函數與當前像素值匹配，并將權重最小的高斯分布函數以一個新的高斯分布函數替代。新的高斯分布函數均值μi,t為It，標準差σi,t為最大初始標準差，權重ωi,t為最小初始權重。
式中，α為模型學習率，用于控制權重ωi,t的修正速度；ρ為參數學習率，近似為ρ≈(α／ωi,t)。
3)其他高斯分布函數參數不變，只歸一化它們的權重。
1．3 背景像素判斷
混合高斯背景建模算法通過計算模型中每個高斯分布函數的ωi,t／σi的值來判斷該高斯分布函數所表示的狀態是否表示背景像素值。值越高，則越可能是背景像素。
2 混合高斯背景建模入侵檢測
OpenCV是Intel公司支持的基于C／C++語言開發的圖像處理和計算機視覺開源函數庫。其中大部分函數是基于Intel處理器指令集的優化代碼，能最大程度的發揮處理器的性能。
OpenCV具有強大的圖像和矩陣運算能力，是計算機視覺、圖像處理二次開發的理想工具。
OpenCV提供了混合高斯背景建模函數，其主要函數如下：
功能：利用一幀圖像數據初始化混合高斯背景模型。
參數：first_frame為混合高斯背景建模第一幀圖像數據；parameters為混合高斯背景建模初始化參數。
本文使用函數默認設置：狀態數K=5，即混合高斯背景模型內含5個高斯分布，偏差門限T=2．5，模型學習率α，最大初始方差
，背景點判定閾值ωi,t／σi>0．7。
功能：更新混合高斯背景模型。
參數：pFrame為更新高斯背景模型的視頻流幀圖像數據；bg_model為混合高斯背景模型指針，通過bg_model->background和bg_model->foreground即可獲得背景和前景圖像。
功能：釋放高斯背景模型參數占用的內存。
前景圖像再經形態學處理后，可檢測出一定大小的移動區域，即判定有人入侵。結果如圖1所示。
3 視頻監控圖像數據獲取及轉換
3．1 視頻監控圖像數據捕獲
使用天敏公司的SDK-2500型視頻監控卡自帶函數庫編程與使用VFW函數庫編程獲得的監控畫質差別很大。使用自帶函數庫可充分發揮視頻監控卡處理器的性能，監控畫質高，顯示分辨率可達720x576(PAL)，而使用VFW函數庫時，顯示分辨率僅為320x240。兩種方法所獲監控畫質比較如圖1所示。為獲得高分辨率監控畫質，本文使用視頻監控卡自帶函數庫開發視頻監控系統軟件。
視頻監控卡自帶函數庫提供了兩類捕獲當前幀圖像數據的函數。一類將圖像數據以文件形式保存在磁盤上，另一類將圖像數據復制到剪貼板上。由于剪貼板是Windows系統中單獨預留出來的一塊內存，由于內存讀寫速度是硬盤讀寫速度十倍以上，同時使用剪貼板也可避免對硬盤的反復讀寫，因此利用剪貼板捕獲圖像數據，代碼如下：
參數說明：int n為視頻監控卡卡號：LPBITMAPINFO lpBI為指BITMAPINFO結構的指針；void*pDIBBits為指向位圖數據的指針。
3．2 DIB到IPLImage數據格式的轉換
由于剪貼板捕獲的圖像數據格式為DIB，而OpenCV函數庫中圖像的基本格式為IPlImage*，因此，需要將DIB圖像數據格式轉為IPLImage*圖像數據格式，其代碼如下：
4 多區域實時移動偵測
32位Windows操作系統采用搶先式多任務方式運行應用程序。當一個程序運行后，操作系統就啟動了一個進程。為了讓進程完成一些工作，每個進程必須包含至少一線程。線程負責執行包含在進程地址空間中的代碼，每個線程共享所有的進程資源，包括打開的文件、信號標識及動態分配的內存等。
線程是系統分配CPU時間的基本實體，它也是代碼執行的最小單位。實際上，同一時間只有一個線程在運行，由于每個線程劃分的時間很小(20 ms左右)，CPU通過分時在各個線程之間頻繁地切換，使得系統看起來有多道程序在同時運行。
Windows提供了2種線程——輔助線程和用戶界面線程。兩種線程均為MFC庫所支持。用戶界面線程通常有窗口，因此，它具有自己的消息循環。輔助線程沒有窗口，因此，它不需要處理消息。
用戶界面線程用于響應用戶操作和程序的其他控制，輔助線程用于多個區域視頻圖像的捕獲，并利用移動偵測算法實現實時入侵報警功能。程序流程如圖2所示。
5 實驗結果
為了驗證本文提出的多區域視頻監控入侵檢測報警方法的性能，實驗采用兩塊SDK-2500型視頻監控卡同時對室內、室外兩個區域進行長時間的視頻監控，監控視頻幀率為30幀／秒。為捕獲穩定的視頻圖像，在輔助線程內添加了100 ms的等待時間。隨機抽取100次報警結果，其結果如表1所示。
從測試結果可以看出，本文方法室內誤報率為1％，室外誤報率為2％。根據保存的視頻圖像分析得知：室內誤報警發生于開燈情況下，是因環境亮度急劇變化引起的；室外兩次誤報警均發生于刮風情況下，由于樹枝大幅度搖擺造成的。
6 結束語
本文利用多線程技術實現了視頻監控系統中多區域移動偵測入侵報警自動化。該方法利用視頻監控卡自帶函數庫，充分發揮了視頻監控卡處理器的性能，獲得了較高的監控畫質；該方法誤報率較低，可廣泛適用于各種視頻監控系統中。