煤层气井站开采作业现场往往处于交通不便的荒郊野外地区,对其视频场景进行智能监控时,面临着以下挑战:(1)煤层气井站监控的背景属于动态背景场景,井站所处周围环境类型有农田、山林、水面等,在这些动态环境下摇晃的农作物、树木以及波动的水面等,都会增加正确检测到前景目标的难度;此外,野外光照条件随着时间的变化也会改变监控场景的背景环境从而影响前景检测方法的性能。(2)煤层气井站的抽水机在正常运行时是不停地旋转运动的,由于抽水机在视频画面背景中属于大尺度的运动物体,已有的背景建模方法自然地将其作为前景目标检出,然而运动的抽水机应属于背景,不应视为异常目标进行检测。(3)一个实用的视频智能监控系统,不仅能给出视频图像中移动目标的大小与位置,还要能识别出移动目标的具体类别是什么,从而提高视频监控系统异常目标检测的准确率并降低误报率。本文针对煤层气井站视频监控场景中的这些特有问题,围绕动态背景减除法、动态像素建模及目标识别方法开展研究,研究成果可以促进煤层气井站从传统的被动式视频监控方式向基于事件驱动(异常目标)的主动式视频监控方式转变。具体研究内容包括如下几个方面:(1)针对煤层气井站场景中复杂动态背景下前景目标检测时,由于像素分类过程中不确定性导致的前景目标检测性能较低的问题,提出了一种基于模糊模型的背景减除法。所提出的背景减除法是一种像素级的无监督的移动目标检测方法,该方法基于模糊C均值聚类的方法来计算像素的隶属度并构建模糊直方图背景模型,用模糊贴近度来度量像素与背景模型之间的距离。针对背景更新中像素归属不确定性的问题,提出了新的模糊学习规则,以自适应地更新背景模型。在实际动态背景视频集与煤层气井站视频上进行的实验验证了所提出方法的有效性。(2)针对动态背景视频场景下背景减除法的前景目标检测性能的改进问题,提出了一种基于视频图像深度卷积层特征的改进方法来提高背景减除法的前景目标检测性能。为了减弱煤层气井站场景视频中复杂动态背景与噪声对前景目标检测的干扰,利用深度卷积网络的浅层卷积层提取其图像的通用特征图像,然后根据卷积特征图像与原始输入图像的相似性,选择适合的特征图像合成新的输入图像。再将处理后的视频图像输入背景减除法模型进行前景目标检测。实验结果表明,所测试背景减除法的前景目标检测性能均有了不同程度的提升。(3)针对煤层气井站视频场景中大尺度抽水机周期旋转运动的干扰消除以及抽水机运动状态监测的问题,提出一种动态像素二次建模的方法。首先,将背景减除法获得的抽水机运动像素部分形成的区域标记为动态背景区域,然后对动态背景区域的动态像素进行二次建模,来进一步提取异常像素值,从而检测出真正的异常目标像素。这种方法既可以克服正常工况时抽水机转动对前景目标检测的干扰问题,又可以监测抽水机的运动状态,一旦抽水机发生停止转动、倒塌等事故时,可以通过动态背景区域像素的变化情况获知。(4)针对煤层气井站场景中外来移动目标的识别问题,融合背景建模与迁移学习方法用于识别场景中的目标。由于煤层气井站场景不适合直接使用深度学习中“端到端”的方式进行目标识别。因此,使用背景建模方法提取场景中移动目标,为识别模型提供待识别目标在场景中的候选区域,以提高目标识别的效率与准确性。背景模型提取的异常目标数量多,然而典型类型少,故而使用聚类的方法对异常目标进行聚类,并利用深度迁移学习的方法,训练出一个适用于煤层气井站场景下移动目标的识别模型,以提高监控系统的准确性并降低其误报率。