随着智能监控视频技术的快速发展和油田作业区的信息化改革和建设,大部分的油田作业区监控系统仍然采用传统人工监控,可是传统的监控技术在油田作业区中存在不同程度地缺点和不足,给油田作业区带来了安全隐患和人力财力浪费的问题。本文分析了前人对入侵目标研究的几种常用的检测算法,结合油田作业区的远摄摄像头所拍摄的一公里重点范围内的复杂背景,采用基于混合高斯模型自适应选取K值大小降低计算量提高实时入侵目标检测效率以及光照突变的情况下能够自适应更新背景学习率α,保证入侵目标的鲁棒性和准确性,解决长期以来传统监控技术存在的问题,进一步提高油田作业区视频监控的安全和工作效率。针对混合高斯模型算法在油田作业区中的检测目标中容易受光照影响和计算量大的两个缺点,本文基于混合高斯模型算法上提出了关于K值自适应取值和学习率α关于光照变化或者光照突变的情况下自适应取值上的改进。混合高斯模型算法的基本思想是对视频图像中的每个像素点建立K值的高斯分布和更新率α进行背景更新。在实际的油田应用场景中,由于视频图像中每个像素点权重值不同和全天候的光照变化不同,传统的混合高斯模型算法不能满足油田作业区的监控需求。针对上述实际油田作业区存在的几个问题,本文提出了解决方法:首先,当入侵目标经过油田作业区时会使该区域视频图像中的每个像素点发生变化,对每个改变的像素点进行较大的K值高斯分布,对于没有改变的像素点进行较小的K值高斯分布,自适应选择K值的大小可以降低高斯算法的计算量,提高检测的实时效率。然后,油田作业区需要全天候的监测由于每个时刻的光照强度不同,所以背景的更新率α需要根据光照变化的不同自适应更新。背景模型的更新主要是背景更新率α,当油田作业区遇到光照突变时会导致视频图像的灰度化发生显著变化,需要设定一个阈值,当灰度值发生变化大于阈值时,重新进行背景建模,而小于阈值时则按照更新率自适应更新,通过这样的方式,可以解决油田作业区的光照变化问题。背景模型的更新主要是学习率α的取值不同,由于油田作业区遇到光照突变会导致视频图像的灰度化发生显著变化,设定一个变化阈值参数,当灰度值发生过大变化时,重新进行背景模型建模,而灰度值没有发生变化时则按照学习率自适应更新。最后,为了验证改进后的混合高斯算法在油田作业区的监控效果,利用MATLAB2016a进行了仿真实验,通过实验证明改进后的混合高斯算法在入侵目标检测的实时性和准确性上满足了油田作业区的需求。