一種基于視頻識別的錢塘江涌潮檢測方法

曾旭，王瑞榮，王建中，薛安克

(杭州電子科技大學(xué)信號與控制研究所，浙江杭州310018)

0 引言

在世界上許多河口，由于特殊的地理結(jié)構(gòu)從而形成了來勢兇猛的涌潮，如杭州灣喇叭口地形所形成的天下奇觀——錢江大潮。由于對江潮習(xí)性認(rèn)識不足以及缺乏對涌潮到達(dá)沿江各危險點(diǎn)時間的準(zhǔn)確預(yù)報，沿江人們的生產(chǎn)、生活帶來一定的破壞性，常年發(fā)生人員傷亡等事件。目前國內(nèi)外對基于視頻識別相關(guān)技術(shù)的研究較為活躍，如在交通系統(tǒng)中對運(yùn)動車輛的監(jiān)控與檢測，森林系統(tǒng)中對煙霧的探測與識別，室內(nèi)系統(tǒng)中對人物的運(yùn)動狀態(tài)的模式識別等，但利用視頻識別技術(shù)對涌潮系統(tǒng)進(jìn)行自動監(jiān)測與辨識的實(shí)施方案卻報道不多，文獻(xiàn)1提出了一種不同機(jī)制水文模型組合的水文預(yù)報方法，根據(jù)流域特性，配置包括物理概念模型和系統(tǒng)分析模型的水文預(yù)報模型，來達(dá)到預(yù)報預(yù)警效果，但是由于水文預(yù)報需要龐大的數(shù)據(jù)支持，使得整個預(yù)報模型很難控制，不能準(zhǔn)確預(yù)測水文信息。通常對運(yùn)動車輛和煙霧的檢測采用光流場法，對人物的識別大多基于幀間差分法等等，而在潮水系統(tǒng)中，由于涌潮潮頭聲勢巨大，在攝像頭固定的情況下，岸邊的物體不會對潮頭識別產(chǎn)生干擾，且潮頭目標(biāo)較為明顯，很容易與其他目標(biāo)進(jìn)行分離。故本文提出一種基于混合高斯背景建模的背景減除法，通過對當(dāng)前視頻圖像序列和背景圖像相減來產(chǎn)生差圖像，從而提取涌潮潮頭。與目前水文部門的預(yù)報相比，該方法方便易用，自動化程度高，魯棒性強(qiáng)，能顯著提高預(yù)報的實(shí)時性和準(zhǔn)確度，為沿江生產(chǎn)作業(yè)和觀潮提供了有力的預(yù)警安全保障。

1 混合高斯模型

背景模型有單模態(tài)和多模態(tài)兩種模型，單模態(tài)模型在每個背景點(diǎn)上的顏色分布較為集中，利用單個概率分布模型就可以描述，多模態(tài)模型的分布則比較分散，需要多個分布模型來共同描述［2］。較常用的描述背景點(diǎn)顏色分布的概率模型有高斯分布(正態(tài)分布)，在復(fù)雜環(huán)境下，一般采用多模態(tài)的混合高斯背景模型進(jìn)行建模。高斯模型認(rèn)為，對于一個背景圖像，其特定象素亮度的分布滿足高斯分布。

混合高斯模型是一種多模態(tài)的背景模型，它的基本思想是:對每一個象素點(diǎn)，定義K個高斯分布來表示它的狀態(tài)，K取值越大，單態(tài)模型的個數(shù)就越多，模型對場景的描述能力也就越強(qiáng)，但是相對應(yīng)所需的處理時間也就越長［3］。因此，K值體現(xiàn)了象素值多峰分布的峰的個數(shù)，K值的選取依賴于象素值的分布情況。

在檢測的過程中只要象素點(diǎn)符合K個表示背景的高斯分布中的任何一個，那么就認(rèn)為該象素點(diǎn)是具有背景特征的象素點(diǎn)，也就是背景象素點(diǎn);反之，該象素點(diǎn)則被判定為目標(biāo)。象素It(x，y)的概率表示為:

式中，η(xt，μt，i，∑t，i)表示在點(diǎn)(x，y)處，t時刻的第i個高斯分布，其定義為:

式中，d表示RGB顏色空間的維數(shù)，wi，t、μi，t和∑i，t分別表示在t時刻第i個高斯分布的權(quán)值、均值和協(xié)方差矩陣。

混合高斯背景模型的建立算法包括:

(1)為每一個象素點(diǎn)建立混合高斯模型。設(shè)用來描述每個象素點(diǎn)特征的高斯分布共有K個，分別記為η(xt，μi，t，∑i，t)，i=1，2，…，K。各高斯分布的權(quán)值wt，i(∑wt，i=1)總是按照優(yōu)先級pi=wt，i|Σt，i|－1/2從高到低的次序排序。若某一象素點(diǎn)的高斯分布權(quán)值滿足wt，i＞TH，則認(rèn)為該高斯分布擁有該象素點(diǎn)的背景特征，即該高斯分布為該象素點(diǎn)的背景分布，這里TH為權(quán)值閾值;

(2)將高斯分布按優(yōu)先級從大到小與當(dāng)前象素值xt逐一進(jìn)行匹配驗(yàn)證，判斷是否滿足條件|μi，t－xi，t|＜，其中是一個閾值常量，若沒有背景分布的高斯分布與xt匹配，則判定該點(diǎn)為前景，反之為背景;

(3)對高斯分布背景模型進(jìn)行更新。在步驟2的基礎(chǔ)上，若沒有任何高斯分布與xt匹配，則去除優(yōu)先級最低的一個高斯分布，創(chuàng)建一個新的高斯分布，并賦予較小的權(quán)值和較大的方差，同時對所有高斯分布的權(quán)值做歸一化處理。

若第m個高斯分布與xt匹配，則對第i個高斯分布的權(quán)值作如下處理:

式中，β為權(quán)值的更新率，代表背景特征的穩(wěn)定性。同時，將該高斯分布的其他參數(shù)更新為:

式中，α為背景的更新率，決定背景的更新速度。

2 目標(biāo)檢測方法

當(dāng)前，目標(biāo)檢測較為常見的方法主要有以下幾種:

(1)光流場法

光流是空間運(yùn)動物體對觀測面上的象素點(diǎn)運(yùn)動產(chǎn)生的瞬時速度場，包含了物體表面結(jié)構(gòu)

和動態(tài)行為的重要信息。一般情況下，光流由相機(jī)運(yùn)動、場景中目標(biāo)運(yùn)動，或兩者的運(yùn)動產(chǎn)生。當(dāng)場景中有獨(dú)立的運(yùn)動目標(biāo)時，通過光流分析可以確定運(yùn)動目標(biāo)的數(shù)目、運(yùn)動速度、目標(biāo)距離和目標(biāo)的表面結(jié)構(gòu);

(2)幀間差分法

幀間差分法是利用圖像序列相鄰兩幀直接相減進(jìn)行目標(biāo)檢測的方法，檢測出的只是較

小時間間隔內(nèi)的圖像變化部分;

(3)背景減除法

背景減除即背景相減，即用當(dāng)前幀圖像和背景圖像相減來產(chǎn)生差圖像。直接相減所

得的差圖像中既有正值的象素點(diǎn)，也可能出現(xiàn)負(fù)值的象素點(diǎn)，然后對其進(jìn)行取絕對值操作。在獲得差圖像之后要用閾值來將圖像二值化，從而得到二值化圖像。它可以比較準(zhǔn)確地提取運(yùn)動目標(biāo)，本文即通過混合高斯背景建模建立背景模型，通過當(dāng)前幀與背景模型相減來達(dá)到提取江河涌潮的目的。

3 江河涌潮檢測

本文通過攝像頭采集江面實(shí)時視頻信號，對視頻幀進(jìn)行處理，建立混合高斯背景模型，構(gòu)建背景圖像，通過當(dāng)前幀圖像與背景圖像的對比，利用高斯模型對背景圖像進(jìn)行更新的同時，運(yùn)用背景減除法提取出前景圖像，再經(jīng)過去噪處理后，得到涌潮信息。具體步驟包括:

(1)視頻采集裝置采集視頻，將視頻分解為序列圖像，同時將圖像轉(zhuǎn)換為RGB圖像;

(2)初始化背景模型，設(shè)均值μ為第一幅圖像象素值，Σ=900。為每一個象素點(diǎn)建立3個高斯分布。分布1的權(quán)重為0.8，方差為900，均值為當(dāng)前象素點(diǎn)的值;分布2的權(quán)重為0.1，方差為900，均值為0;分布3的權(quán)重為0.1，900，均值為0。將各高斯分布的權(quán)值wt，i按照優(yōu)先級pi從高到低的次序排序。并計算權(quán)值是否滿足wt，i＞TH，若滿足，則認(rèn)為該高斯分布為該象素點(diǎn)的背景分布，這里TH為0.025;

(3)將高斯分布按優(yōu)先級從大到小與當(dāng)前象素值xt逐一進(jìn)行匹配驗(yàn)證，判斷是否滿足條件|μi，t－xi，t|＜，其中是一個閾值常量，若沒有背景分布的高斯分布與xt匹配，則判定該點(diǎn)為前景，反之為背景。經(jīng)反復(fù)實(shí)驗(yàn)，這里取20可達(dá)到最佳效果;

(4)在步驟3的基礎(chǔ)上，若沒有任何高斯分布與xt匹配，則去除優(yōu)先級最低的一個高斯分布，創(chuàng)建一個新的高斯分布，權(quán)重為0.1，方差為900，均值為0，并對所有高斯分布的權(quán)值做歸一化處理;若第m個高斯分布與匹配，則對第i個高斯分布的權(quán)值按式3進(jìn)行處理，其中取β為0.73。同時，將該高斯分布的其他參數(shù)按照式4進(jìn)行更新其中α為0.15;

(5)處理前景圖像，減少噪聲干擾。減噪方法采用基于數(shù)學(xué)形態(tài)學(xué)的腐蝕操作。腐蝕操作可以消除物體邊界點(diǎn)，使目標(biāo)縮小，消除小于結(jié)構(gòu)元素的噪聲點(diǎn)，具體方法為:用一個結(jié)構(gòu)元素(一般是3×3的大小)掃描圖像中的每一個象素，用結(jié)構(gòu)元素中的每一個象素與其覆蓋的象素做“與”操作，如果都為1，則該象素為1，否則為0;處理后的圖像即為最終檢測結(jié)果。

4 實(shí)驗(yàn)結(jié)果

本文以錢塘江實(shí)地采集的視頻作為樣本，對基于視頻識別的江河涌潮方法進(jìn)行驗(yàn)證，結(jié)果如圖1，2所示。圖1(a)、圖2(a)為原始圖像，圖1(b)、圖2(b)為采用混合高斯建模后的背景圖像，圖1(c)、圖2(c)為檢測出的涌潮灰度圖像。圖1和圖2表明該方法可以很好的分離出背景和前景圖像，從而檢測出涌潮信息。

圖1 錢塘江海寧鹽官涌潮圖像

圖2 錢塘江九堡涌潮圖像

5 結(jié)束語

本文介紹了混合高斯背景建模方法，并通過運(yùn)動目標(biāo)特征，采用背景減除法提取運(yùn)動目標(biāo)。同時，本文給出了基于視頻技術(shù)的錢塘江涌潮檢測方法，通過實(shí)地采集的視頻作為樣本進(jìn)行江河涌潮的檢測，具有較高的實(shí)際應(yīng)用價值。

［1］李春紅，王峰，張俊，等.一種不同機(jī)制水文模型組合的水文預(yù)報方法:中國.200910234628.7［P］.2010－11－03.

［2］王麗娟.基于OpenCV與混合高斯建模的運(yùn)動目標(biāo)檢測［J］.電子測試，2009，(9):86－90.

［3］Zha Yufei，Bi Duyan.Adaptive learning algorithm based on mixture Gaussian background［J］.Journal of System Engineering and Electronics，2007，18(2):369－376.

［4］文灝，陳紅濤.基于減背景與對稱差分的運(yùn)動目標(biāo)檢測［J］.微計算機(jī)信息，2007，23(25):99－101.

［5］Liu，Ai H Z，Xu G Y.Moving object detection and tracking based on background subtraction［J］.Information and Control，2002，31(4):315－319.