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。