內河航道水面船舶圖像檢測識別方法與流程
2023-05-09 21:47:06 4
本發明涉及一種內河航道水面船舶圖像檢測識別方法,屬於圖像處理技術領域。
背景技術:
隨著內河運輸的日益繁忙,船舶通過間隔短、過船量大、船舶識別困難。傳統的圖像識別手段或算法對水面波動、大範圍船舶航跡影響的識別效率不高,消耗大量計算資源的同時無法保證足夠高的識別準確度。在傳統的運動物體背景識別技術中,各像素都是特定光照特定表面的結果,考慮到採樣噪聲,大多採用單高斯建模;為了適應光照的變化,也會對每像素進行自適應單高斯建模。不過,在實際中,有些像素的表面和光照都會發生改變,為了有效識別內河航道中的船舶,提出了一種內河航道水面船舶圖像檢測識別方法。
本發明能夠利用現代化船閘已有的視頻監控網絡,船閘運行控制機櫃等設施,獲取船閘運行的各種動態圖像,並通過建立高斯混合模型,進行圖像識別,為圖像動態邊緣檢測處理打下基礎,從而實現代替人員查看和覆核,能夠輔助值守人員單人完成船舶的全程監控。
技術實現要素:
目的:為了克服現有技術中存在的不足,本發明提供一種內河航道水面船舶圖像檢測識別方法。
技術方案:為解決上述技術問題,本發明採用的技術方案為:
一種內河航道水面船舶圖像檢測識別方法,包括如下步驟:
步驟一:建立圖像關於當前時刻的值為xt的混合高斯背景模型;
步驟二:新像素值xt+1與k個分布進行檢查,並將混合高斯背景模型的參數進行更新;
步驟三:確定最佳描述背景;
步驟四:新像素值xt+1最佳描述背景進行匹配,從而區分前景或背景。
所述混合高斯背景模型為:
式中k為混合高斯分布的個數,ωj,t為像素在t時刻第jth個高斯分布的權值估計,即該高斯分量佔的權重,η(xt,μj,t,σj,t)為高斯概率密度函數,其中,μj,t為像素在t時刻第jth個高斯分布均值,σj,t為像素在t時刻第jth個高斯分布協方差矩陣,xt為像素在t時刻的值。
所述高斯概率密度函數為:
式中n為xt的維數。
所述步驟二包括如下步驟:
2.1:將新像素值xt+1與混合高斯背景模型k個分布進行檢查,並進行匹配,如像素值小於高斯分布分布的標準差的2.5倍,則匹配,否則失配;
2.2:若k個分布與當前像素值失配,則μj,t、∑j,t保持不變;
2.3:若k個分布與當前像素值匹配,則按下式更新:
μj,t=(1-ρ)μj,t-1+ρxt
σj,t=(1-ρ)σj,t-1+ρ(xt-μj,t)t(xt-μj,t)
ρ=αη(xt|μj,t-1,σj,t-1)
其中:α為學習率;
2.4:t+1時刻k個分布的權值,可按下式更新:
ωk,t+1=(1-α)ωk,t+a·mk,t
式中α為學習率,若當前像素值與該模型匹配,則mk,t=1,否則為mk,t=0,調整後,重新對權值進行歸一化。
所述步驟三包括如下步驟:
3.1:混合高斯背景模型更新後,按ωj/σj從大到小將每個像素高斯混合模型的k個高斯分布排序;
3.2:選上述序列中前b個高斯分布當作背景模型,按如下方式選出:
式中t為預定的閾值(0.5≤t≤1)。
所述步驟四包括如下步驟:
4.1:從新檢驗t+1時刻,每一個像素值xt+1與前b個高斯分布之一相匹配;
4.2:當滿足|xt+1-μj,t|≤δ·σj,t,則該像素為背景點;
4.3:當不滿足|xt+1-μj,t|≤δ·σj,t,則該像素為前景;所述δ可取2.5或3。
作為優選方案,所述k設置為3-5。
有益效果:本發明提供的內河航道水面船舶圖像檢測識別方法,通過建立高斯混合模型,設計出水面運動物體圖像的識別技術,代替了人員查看和覆核,能夠輔助值守人員單人完成船舶的全程監控,並為獲取船舶運行的相關數據打下良好的基礎。
附圖說明
圖1為本發明的流程示意圖。
具體實施方式
下面結合附圖對本發明作更進一步的說明。
如圖1所示,內河航道水面船舶圖像檢測識別方法為:對於一個圖像,將像素q(灰度圖時為標量,彩色圖時為矢量)在時間上的序列看作一個「像素過程」,在任何時刻t,對於像素q,{x,y}所了解的信息,是它的歷史信息:
{x1,…,xt}={i(x,y,i)|1≤i≤t}
其中:i表示圖像序列,x表示水平方向像素值,y表示垂直方向像素值,xt為像素在t時刻的值。
則該圖像關於當前時刻的值為xt的混合高斯背景模型為:
式中k為混合高斯分布的個數,ωj,t為像素在t時刻第jth個高斯分布的權值估計,即該高斯分量佔的權重,η(xt,μj,t,∑j,t)為高斯概率密度函數,其中,μj,t為像素在t時刻第jth個高斯分布均值,∑j,t為像素在t時刻第jth個高斯分布協方差矩陣。
高斯概率密度函數具體公式如下:
n為xt的維數,且
k為混合高斯的分布個數,取決於可用內存和計算能力。目前一般取3-5。另外,考慮到計算量,假定方差矩陣有著如下形式
即認為r,g,b分量值相互獨立且方差相等。這個假設以精度下降為代價,避免了耗費大量的資源去計算矩陣的逆,自此便建立了gmm模型。
一個新像素值xt+1,一般來說可由模型中的一個主分量來表示,且該新值也被用來更新模型。
若像素過程可被認為是平穩過程,則可用來最大化觀察數據概率的標準方法為最大期望法(expectationmaximization)。不幸的是,像素值隨環境的變化而變化。故本發明利用近似法,該法的本質上是將每個新觀察值當作一個尺寸為1的樣本集,然後使用標準的學習規則來將新數據進行整合。
由於每個像素都有個gmm模型,所以對若干幀的最近數據實現精確的em算法非常耗時,故本發明使用在線k均值近似法(onlinekmeansapproximation)進行代替。將新值xt+1與k個分布進行檢查,直至匹配成功。匹配定義為像素值小於高斯分布分布的標準差的2.5倍。該每個像素,每個分布都有一個門限的形式,對於圖像上不同區域有著不同光照的情形極為有用。原因是位於暗處的物體的噪聲通常要比亮處物體的要小。單一門限通常會導致當物體進入暗處時無法被檢測到。
若k個分布與當前像素值失配,則μj,t、∑j,t保持不變。
若k個分布與當前像素值匹配,則按下式更新:
μj,t=(1-ρ)μj,t-1+ρxt
σj,t=(1-ρ)σj,t-1+ρ(xt-μj,t)t(xt-μj,t)
ρ=αη(xt|μj,t-1,σj,t-1)
t+1時刻k個分布的權值,可按下式更新:
ωk,t+1=(1-α)ωk,t+a·mk,t
式中α為學習率,若當前像素值與該模型匹配,則mk,t=1,否則為mk,t=0。調整後,重新對權值進行歸一化。1/α定義了時間常量,該常量決定了分布參數的更新快慢。mk,t為後驗概率均值(給定時刻1-t的觀測值,該像素值與模型k匹配的後驗概率)低通濾波的快速實現。等同於給過去像素值加指數窗的期望。
模型更新後,確定哪些高斯分布為最佳描述背景:將gmm模型,按ωj/σj從大到小將每個像素高斯混合模型的k個高斯分布排序,選上述序列中前b個高斯分布當作背景模型,按如下方式選出:
式中t為預定的閾值(0.5≤t≤1)。若t很小,則背景模型通常為單分布。若t較大,則可得到多分布。
現在,從新檢驗t+1時刻每一個像素值xt+1與前b個高斯分布的匹配關係,如果該像素值xt+1與前b個高斯分布之一匹配,當滿足|xt+1-μj,t|≤δ·σj,t,則該像素為背景點;當不滿足|xt+1-μj,t|≤δ·σj,t,則該像素為前景。δ可取2.5或3。
通過建立高斯混合模型,設計出水面運動物體圖像的識別技術,代替了人員查看和覆核,能夠輔助值守人員單人完成船舶的全程監控,並為獲取船舶運行的相關數據打下良好的基礎。
以上所述僅是本發明的優選實施方式,應當指出:對於本技術領域的普通技術人員來說,在不脫離本發明原理的前提下,還可以做出若干改進和潤飾,這些改進和潤飾也應視為本發明的保護範圍。