摘要：监控系统作为我们日常生活中常应用的目标追踪工具，其应用和需求正在不断上涨。但现阶段的监控前景图像的方法还不够完善，不能完全满足现实场景的需求，因此对视频监视前景图像提取方法的研究在不断进行。笔者在本文中通过对常见前景图像提取方法的阐述，对完善视频监视图像提取方法的必要性进行说明，最后在视频图像运动检测原理的基础上对背景消除法进行分析探讨，这一方法可以从相关视频图像中提取前景图像，并广泛应用。
关键词：视频监视；盲源提取；前景分离
前言：随着人们生活质量水平的不断提高，社会不断发展，监控已经遍布城市的大多数角落，人们对监控的使用频率越来越高。但在许多的监控场景中，存在背景明暗快速变化和背景中的光照噪声的问题，此类问题通常是由于监控前景的背景差异小引起的，传统的前景提取方法是通过评估当前场景的图像和参考图像之间的特征差异来获取图像的，这种方法对光照敏感，尽管操作简单但对环境要求较大，这就要求相关人员不断完善运动前景的提取方法。若不能很好地对提取方法进行更新完善，最直接的影响就是提取的前景序列不完整，对前景的提取效果和质量都造成一定的影响。笔者在本文中重点研究分析背景消减法，这一方法最主要的要求就是要在静态的背景图像下，才能达到质量较好的提取效果。
一．视频监视前景图像的提取方法分析
很多专业的技术人员为了能够获取监控中更有价值的信息，做了大量的实验和研究，针对常见的前景图像提取方法进行研究。在视频监控的图像提取方面，常用的提取方法有帧间差和背景差法。前者是通过相隔一定帧数的图像之间的帧差来确定背景图像的变化区域，也就是通过时间差进行计算，这一方法能够通过检测相邻帧数之间的像素差分，来判断帧数之间的像素情况，进而通过变化情况来提取前景目标，使用此类方法时，当两个相邻帧数相近时，能较清晰地检测对象轮廓，但无法得到完整的前景目标，当目标运动速度较快时，还会在工作时出现一定的误差，会把用来遮挡的背景当做前景目标，存在一定的技术漏洞，因此相关的技术人员一直在进行帧差法改进，对提取方法进行不断优化。另一种背景差法是现阶段应用较多的提取方法，这种方法是利用当前图像和背景图像之间的差异来进行目标提取的，要进行运动背景提取，就要先进行必需的背景图像提取，根据专业人员的指导，得出为了能够得到更准确的背景图像，要减少提取的前景图，这样能够减轻前景对背景的干扰。在得到背景图像提取之后，通过相关计算方法对视频监控中的运动前景背景进行检测，这样的提取方法能够较好地消除噪声问题，提高计算效率。
二．完善视频监视前景图像提取方法的必要性
监控系统前景图像的效果和质量反映相关单位的完成质量，能够在一定程度上促进行业发展，带来经济效益。因此监控前景图像的质量效果是极其重要的，呈现出的监控图像效果是由图像的细节处决定的，这种细节是有监控设备自身质量和工程质量影响的，在设备选择中，要选择满足技术标准的系统要求的，这直接影响我们提取的监控图像效果，同时要对设备的各方面要有充分的了解，对设备的工作环境要进行维护，如监控范围内的光照情况就是影响图像提取的重要因素，光照作为成像的第一要素，除了要有效“避光”外，还要在必要的情景下，进行补光的处理，在不同的场合要采用不同的用光手段，这样能够更好地保证监控图像的清晰，获得更好的成像效果，最好理解的光的应用就是，在光线较强的室外道路，要采取避光措施；而在较封闭的室内环境，可以适当采取补光措施，要根据实际情况来进行操作。
视频监控前景图像的有效提取能够对监控画面进行合理控制，能够增强监控前景图像的清晰度和监控环境的安全。这样的提取行为能够预防和制约一些非法行为，面对事故时及时制定解决方案。
相反，若图像的提取方法不足，我们获取的成像也就不清晰，没有细节，对监控图像中的问题，不能做到精准的判断，当发生一些刑事案件时，也无法作为证据，作为支撑的法律手段。所以，要对监控前景图像的提取方法进行完善，是为了能够得到更“有效”的画面，这要求施工单位在进行设备选择时，要考虑实际环境需求，要保证设备的选择数量和类型要符合相关制度规定和场所需求，在对设备的安装方面，要保证目标拥有正确的角度，若不能做到面面俱到，就要将设备集中在重点位置。对于监控图像自身具备的回放功能，要加以重视，回放功能能够为监控场景提供重要线索和证据，可以通过反复查看，来对发生的事故进行查看并分析。一些单位若在这方面经费不足，可以选择回放连续性较差的设备，这样既保证了回放功能，又节省了费用。上述这些功能的使用都是在前景图像的有效提取基础上进行，因此对监控图像的盲源提取是十分重要的。
三．基于盲源提取的背景差法
背景差法是通过评估场景图像和背景图像之间的差异来提取前景图像的，在实际应用中，由于传统的背景消减法存在一定的漏洞，相关人员都在寻求改进方法，目前通过构建不移动对象的参考背景图是较多关注的方法。背景消除法的改进是基于AR和BSE等参数进行的方法改进，此类方法是在粗略提取阶段，应用相关算法对数据矩阵和参考背景图进行参数整合，除粗略提取阶段，还分为精提取阶段，这两种都是将参考背景图像与当前背景图像进行数据矩阵组合。在进行数据混合时，要采用两种性质不同的图像，即一幅是背景图像的精细估计，另一幅是前景图像的粗略估计，这样才能达到预期的混合效果；在精细提取阶段，要利用相应算法对数据矩阵和估计前景图像进行参数混合，这样能够得到精细的前景图像。在前一种提取阶段，如命名的情况，得到的前景图像的估计是较为粗糙的，是因为提取到的两幅图像是互相不熟悉的，相互无关联，所以利用参考背景图像的AR，背景图像的估计情况好。但当背景图像与前景图像相互独立存在时，这两个阶段就将合成一个阶段，这个阶段下的得到的前景图像是在粗糙状态下的。基于另一种参数的方案分为训练阶段和检测检测阶段，这种方式智能化较低，且对高阶段计量的运算较少，笔者在本文就不做过多的说明了。在提升图像提取方法的情况下，还要对前景目标进行优化处理，这样能够得到更有效的场景监控视频。在现实操作中，往往由于监控应用场景的多样化，导致大部分的前景提取不能考虑到全部的场景，这时要对场景进行判定和过滤，忽略监控中人类之外的运动，对于一些不影响主场景的动态背景，可以选择过滤掉，能获得初步的运动目标，同时要注意监控场景的干扰因素，对可能影响前景目标的噪声进行集中处理，但目前对噪声方面的处理技术还不太成熟，处理的过程较为复杂，还需要技术人员的不断试验研究。
结语：视频监控在当今信息社会的重要地位，要求了监控图像技术要进行不断的完善发展。在监控视频中，各个场景图像通常是相互关联的，一个场景的问题可以连接到另一场景中，笔者在本文中介绍了常见的监控前景图像的提取方法，包括帧数差法和背景消除法，两者应用场景存在差异；同时提出了监控前景图像提取方法完善的必要性，对我们的生产生活有极大影响，最后通过基于盲源提取的背景消除法分析，验证了传统图像差法对光照很敏感，这一问题是由图像的大小变化引起的，能够在多次试验下，利用AR等参数对存在的问题进行处理，最后就是框架的构建能够有效地去除或缩减前景图像的影响，基于相关模型和背景模型，应用于其他场景下的背景消除方案。
参考文献：
[1]冀兆鹏.人体运动视频图像目标局部特征快速提取仿真[J].计算机仿真,2019,36(12):459-463.
[2]桑园.视频图像区域形状特征点对齐度优化仿真研究[J].计算机仿真,2019,36(05):471-474.
[3]刘鸾. 基于图像分析的考场视频监视系统分析与研究[D].西南交通大学,2014.