CN107145818A - 内河航道水面船舶图像检测识别方法 - Google Patents
内河航道水面船舶图像检测识别方法 Download PDFInfo
- Publication number
- CN107145818A CN107145818A CN201710144587.7A CN201710144587A CN107145818A CN 107145818 A CN107145818 A CN 107145818A CN 201710144587 A CN201710144587 A CN 201710144587A CN 107145818 A CN107145818 A CN 107145818A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- pixel
- gaussian
- cruiseway
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
- G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Multimedia (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种内河航道水面船舶图像检测识别方法,步骤一:建立图像关于当前时刻的值为Xt的混合高斯背景模型;步骤二:新像素值Xt+1与K个分布进行检查,并将混合高斯背景模型的参数进行更新;步骤三:确定最佳描述背景;步骤四:新像素值Xt+1最佳描述背景进行匹配,从而区分前景或背景。本发明通过建立高斯混合模型,设计出水面运动物体图像的识别技术,代替了人员查看和复核,能够辅助值守人员单人完成船舶的全程监控,并为获取船舶运行的相关数据打下良好的基础。
Description
技术领域
本发明涉及一种内河航道水面船舶图像检测识别方法,属于图像处理技术领域。
背景技术
随着内河运输的日益繁忙,船舶通过间隔短、过船量大、船舶识别困难。传统的图像识别手段或算法对水面波动、大范围船舶航迹影响的识别效率不高,消耗大量计算资源的同时无法保证足够高的识别准确度。在传统的运动物体背景识别技术中,各像素都是特定光照特定表面的结果,考虑到采样噪声,大多采用单高斯建模;为了适应光照的变化,也会对每像素进行自适应单高斯建模。不过,在实际中,有些像素的表面和光照都会发生改变,为了有效识别内河航道中的船舶,提出了一种内河航道水面船舶图像检测识别方法。
本发明能够利用现代化船闸已有的视频监控网络,船闸运行控制机柜等设施,获取船闸运行的各种动态图像,并通过建立高斯混合模型,进行图像识别,为图像动态边缘检测处理打下基础,从而实现代替人员查看和复核,能够辅助值守人员单人完成船舶的全程监控。
发明内容
目的:为了克服现有技术中存在的不足,本发明提供一种内河航道水面船舶图像检测识别方法。
技术方案:为解决上述技术问题,本发明采用的技术方案为:
一种内河航道水面船舶图像检测识别方法,包括如下步骤:
步骤一:建立图像关于当前时刻的值为Xt的混合高斯背景模型;
步骤二:新像素值Xt+1与K个分布进行检查,并将混合高斯背景模型的参数进行更新;
步骤三:确定最佳描述背景;
步骤四:新像素值Xt+1最佳描述背景进行匹配,从而区分前景或背景。
所述混合高斯背景模型为:
式中K为混合高斯分布的个数,ωj,t为像素在t时刻第jth个高斯分布的权值估计,即该高斯分量占的权重,η(Xt,μj,t,Σj,t)为高斯概率密度函数,其中,μj,t为像素在t时刻第jth个高斯分布均值,Σj,t为像素在t时刻第jth个高斯分布协方差矩阵,Xt为像素在t时刻的值。
所述高斯概率密度函数为:
式中n为Xt的维数。
所述步骤二包括如下步骤:
2.1:将新像素值Xt+1与混合高斯背景模型K个分布进行检查,并进行匹配,如像素值小于高斯分布分布的标准差的2.5倍,则匹配,否则失配;
2.2:若K个分布与当前像素值失配,则μj,t、∑j,t保持不变;
2.3:若K个分布与当前像素值匹配,则按下式更新:
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为学习率;
2.4:t+1时刻K个分布的权值,可按下式更新:
ωk,t+1=(1-α)ωk,t+a·Mk,t
式中α为学习率,若当前像素值与该模型匹配,则Mk,t=1,否则为Mk,t=0,调整后,重新对权值进行归一化。
所述步骤三包括如下步骤:
3.1:混合高斯背景模型更新后,按ωj/Σj从大到小将每个像素高斯混合模型的K个高斯分布排序;
3.2:选上述序列中前B个高斯分布当作背景模型,按如下方式选出:
式中T为预定的阈值(0.5≤T≤1)。
所述步骤四包括如下步骤:
4.1:从新检验t+1时刻,每一个像素值Xt+1与前B个高斯分布之一相匹配;
4.2:当满足|Xt+1-μj,t|≤δ·Σj,t,则该像素为背景点;
4.3:当不满足|Xt+1-μj,t|≤δ·Σj,t,则该像素为前景;所述δ可取2.5或3。
作为优选方案,所述K设置为3-5。
有益效果:本发明提供的内河航道水面船舶图像检测识别方法,通过建立高斯混合模型,设计出水面运动物体图像的识别技术,代替了人员查看和复核,能够辅助值守人员单人完成船舶的全程监控,并为获取船舶运行的相关数据打下良好的基础。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示,内河航道水面船舶图像检测识别方法为:对于一个图像,将像素q(灰度图时为标量,彩色图时为矢量)在时间上的序列看作一个“像素过程”,在任何时刻t,对于像素q,{x,y}所了解的信息,是它的历史信息:
{X1,…,Xt}={I(x,y,i)|1≤i≤t}
其中:I表示图像序列,x表示水平方向像素值,y表示垂直方向像素值,Xt为像素在t时刻的值。
则该图像关于当前时刻的值为Xt的混合高斯背景模型为:
式中K为混合高斯分布的个数,ωj,t为像素在t时刻第jth个高斯分布的权值估计,即该高斯分量占的权重,η(Xt,μj,t,∑j,t)为高斯概率密度函数,其中,μj,t为像素在t时刻第jth个高斯分布均值,∑j,t为像素在t时刻第jth个高斯分布协方差矩阵。
高斯概率密度函数具体公式如下:
n为Xt的维数,且
K为混合高斯的分布个数,取决于可用内存和计算能力。目前一般取3-5。另外,考虑到计算量,假定方差矩阵有着如下形式
即认为R,G,B分量值相互独立且方差相等。这个假设以精度下降为代价,避免了耗费大量的资源去计算矩阵的逆,自此便建立了GMM模型。
一个新像素值Xt+1,一般来说可由模型中的一个主分量来表示,且该新值也被用来更新模型。
若像素过程可被认为是平稳过程,则可用来最大化观察数据概率的标准方法为最大期望法(Expectation Maximization)。不幸的是,像素值随环境的变化而变化。故本发明利用近似法,该法的本质上是将每个新观察值当作一个尺寸为1的样本集,然后使用标准的学习规则来将新数据进行整合。
由于每个像素都有个GMM模型,所以对若干帧的最近数据实现精确的EM算法非常耗时,故本发明使用在线K均值近似法(on line Kmeans approximation)进行代替。将新值Xt+1与K个分布进行检查,直至匹配成功。匹配定义为像素值小于高斯分布分布的标准差的2.5倍。该每个像素,每个分布都有一个门限的形式,对于图像上不同区域有着不同光照的情形极为有用。原因是位于暗处的物体的噪声通常要比亮处物体的要小。单一门限通常会导致当物体进入暗处时无法被检测到。
若K个分布与当前像素值失配,则μj,t、∑j,t保持不变。
若K个分布与当前像素值匹配,则按下式更新:
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时刻K个分布的权值,可按下式更新:
ωk,t+1=(1-α)ωk,t+a·Mk,t
式中α为学习率,若当前像素值与该模型匹配,则Mk,t=1,否则为Mk,t=0。调整后,重新对权值进行归一化。1/α定义了时间常量,该常量决定了分布参数的更新快慢。Mk,t为后验概率均值(给定时刻1-t的观测值,该像素值与模型k匹配的后验概率)低通滤波的快速实现。等同于给过去像素值加指数窗的期望。
模型更新后,确定哪些高斯分布为最佳描述背景:将GMM模型,按ωj/Σj从大到小将每个像素高斯混合模型的K个高斯分布排序,选上述序列中前B个高斯分布当作背景模型,按如下方式选出:
式中T为预定的阈值(0.5≤T≤1)。若T很小,则背景模型通常为单分布。若T较大,则可得到多分布。
现在,从新检验t+1时刻每一个像素值Xt+1与前B个高斯分布的匹配关系,如果该像素值Xt+1与前B个高斯分布之一匹配,当满足|Xt+1-μj,t|≤δ·Σj,t,则该像素为背景点;当不满足|Xt+1-μj,t|≤δ·Σj,t,则该像素为前景。δ可取2.5或3。
通过建立高斯混合模型,设计出水面运动物体图像的识别技术,代替了人员查看和复核,能够辅助值守人员单人完成船舶的全程监控,并为获取船舶运行的相关数据打下良好的基础。
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种内河航道水面船舶图像检测识别方法,其特征在于:包括如下步骤:
步骤一:建立图像关于当前时刻的值为Xt的混合高斯背景模型;
步骤二:新像素值Xt+1与K个分布进行检查,并将混合高斯背景模型的参数进行更新;
步骤三:确定最佳描述背景;
步骤四:新像素值Xt+1最佳描述背景进行匹配,从而区分前景或背景。
2.根据权利要求1所述的内河航道水面船舶图像检测识别方法,其特征在于:所述混合高斯背景模型为:
<mrow>
<mi>P</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>K</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<mi>&eta;</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>X</mi>
<mi>t</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&mu;</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>,</mo>
<msub>
<mi>&Sigma;</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>)</mo>
</mrow>
</mrow>
式中K为混合高斯分布的个数,ωj,t为像素在t时刻第jth个高斯分布的权值估计,即该高斯分量占的权重,η(Xt,μj,t,∑j,t)为高斯概率密度函数,其中,μj,t为像素在t时刻第jth个高斯分布均值,Σj,t为像素在t时刻第jth个高斯分布协方差矩阵,Xt为像素在t时刻的值。
3.根据权利要求2所述的内河航道水面船舶图像检测识别方法,其特征在于:所述高斯概率密度函数为:
式中n为Xt的维数。
4.根据权利要求1所述的内河航道水面船舶图像检测识别方法,其特征在于:所述步骤二包括如下步骤:
2.1:将新像素值Xt+1与混合高斯背景模型K个分布进行检查,并进行匹配,如像素值小于高斯分布分布的标准差的2.5倍,则匹配,否则失配;
2.2:若K个分布与当前像素值失配,则μj,t、∑j,t保持不变;
2.3:若K个分布与当前像素值匹配,则按下式更新:
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为学习率;
2.4:t+1时刻K个分布的权值,可按下式更新:
ωk,t+1=(1-α)ωk,t+a·Mk,t
式中α为学习率,若当前像素值与该模型匹配,则Mk,t=1,否则为Mk,t=0,调整后,重新对权值进行归一化。
5.根据权利要求1所述的内河航道水面船舶图像检测识别方法,其特征在于:所述步骤三包括如下步骤:
3.1:混合高斯背景模型更新后,按ωj/Σj从大到小将每个像素高斯混合模型的K个高斯分布排序;
3.2:选上述序列中前B个高斯分布当作背景模型,按如下方式选出:
<mrow>
<mi>B</mi>
<mo>=</mo>
<mi>arg</mi>
<mi> </mi>
<mi>m</mi>
<mi>i</mi>
<mi>n</mi>
<mrow>
<mo>(</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>b</mi>
</munderover>
<msub>
<mi>&omega;</mi>
<mrow>
<mi>j</mi>
<mo>,</mo>
<mi>t</mi>
</mrow>
</msub>
<mo>></mo>
<mi>T</mi>
<mo>)</mo>
</mrow>
</mrow>
式中T为预定的阈值(0.5≤T≤1)。
6.根据权利要求1所述的内河航道水面船舶图像检测识别方法,其特征在于:所述步骤四包括如下步骤:
4.1:从新检验t+1时刻,每一个像素值Xt+1与前B个高斯分布之一相匹配;
4.2:当满足|Xt+1-μj,t|≤δ·Σj,t,则该像素为背景点;
4.3:当不满足|Xt+1-μj,t|≤δ·Σj,t,则该像素为前景;所述δ可取2.5或3。
7.根据权利要求2所述的内河航道水面船舶图像检测识别方法,其特征在于:所述K设置为3-5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710144587.7A CN107145818A (zh) | 2017-03-10 | 2017-03-10 | 内河航道水面船舶图像检测识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710144587.7A CN107145818A (zh) | 2017-03-10 | 2017-03-10 | 内河航道水面船舶图像检测识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107145818A true CN107145818A (zh) | 2017-09-08 |
Family
ID=59784114
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710144587.7A Pending CN107145818A (zh) | 2017-03-10 | 2017-03-10 | 内河航道水面船舶图像检测识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107145818A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205891B (zh) * | 2018-01-02 | 2019-03-05 | 霍锦涛 | 一种监控区域的车辆监测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9014420B2 (en) * | 2010-06-14 | 2015-04-21 | Microsoft Corporation | Adaptive action detection |
CN105354791A (zh) * | 2015-08-21 | 2016-02-24 | 华南农业大学 | 一种改进的自适应混合高斯前景检测方法 |
-
2017
- 2017-03-10 CN CN201710144587.7A patent/CN107145818A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9014420B2 (en) * | 2010-06-14 | 2015-04-21 | Microsoft Corporation | Adaptive action detection |
CN105354791A (zh) * | 2015-08-21 | 2016-02-24 | 华南农业大学 | 一种改进的自适应混合高斯前景检测方法 |
Non-Patent Citations (2)
Title |
---|
王丽娟: "基于OpenCV与混合高斯建模的运动目标检测", 《电子测试》 * |
郑清超: "基于红外图像分析的入侵检测系统研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108205891B (zh) * | 2018-01-02 | 2019-03-05 | 霍锦涛 | 一种监控区域的车辆监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109784333A (zh) | 基于点云带权通道特征的三维目标检测方法及系统 | |
CN104504394B (zh) | 一种基于多特征融合的密集人数估计方法和系统 | |
CN107507221A (zh) | 结合帧差法和混合高斯模型的运动目标检测与跟踪方法 | |
CN109613006A (zh) | 一种基于端到端神经网络的织物疵点检测方法 | |
CN103886325B (zh) | 一种分块的循环矩阵视频跟踪方法 | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
CN105260749B (zh) | 基于方向梯度二值模式和软级联svm的实时目标检测方法 | |
CN107301657B (zh) | 一种考虑目标运动信息的视频目标跟踪方法 | |
CN102147861A (zh) | 一种基于颜色-纹理双重特征向量进行贝叶斯判决的运动目标检测方法 | |
CN109472792A (zh) | 结合局部熵的局部能量泛函与非凸正则项的图像分割方法 | |
CN102288166A (zh) | 基于视频的多模型结合水面船舶检测方法 | |
CN107895379A (zh) | 一种视频监控中前景提取的改进算法 | |
CN109166137A (zh) | 针对抖动视频序列中运动目标检测算法 | |
CN106991686A (zh) | 一种基于超像素光流场的水平集轮廓跟踪方法 | |
CN109598681A (zh) | 一种对称唐卡修复后图像的无参考质量评价方法 | |
CN103413149A (zh) | 复杂背景中实现静态目标检测和识别的方法 | |
CN106570885A (zh) | 基于亮度和纹理融合阈值的背景建模方法 | |
CN105261040B (zh) | 一种多目标跟踪方法及装置 | |
CN106709515A (zh) | 一种适用于下视景象匹配选区准则干预方法 | |
CN104766100B (zh) | 基于机器学习的红外小目标图像背景预测方法与装置 | |
CN111797935B (zh) | 基于群体智能的半监督深度网络图片分类方法 | |
CN107145818A (zh) | 内河航道水面船舶图像检测识别方法 | |
CN103093241B (zh) | 基于同质化处理的光学遥感图像非匀质云层判别方法 | |
CN115063679B (zh) | 一种基于深度学习的路面质量评估方法 | |
CN106023258A (zh) | 改进的自适应高斯混合模型运动目标检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20170908 |
|
RJ01 | Rejection of invention patent application after publication |