CN107145818A - 内河航道水面船舶图像检测识别方法 - Google Patents

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X_t的混合高斯背景模型；步骤二：新像素值X_t+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X_t+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

内河航道水面船舶图像检测识别方法

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X_t的混合高斯背景模型；

步骤二：新像素值X_t+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X_t+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，ω_j,t为像素在t时刻第j^th个高斯分布的权值估计，即该高斯分量占的权重，η(X_t,μ_j,t,Σ_j,t)为高斯概率密度函数，其中，μ_j,t为像素在t时刻第j^th个高斯分布均值，Σ_j,t为像素在t时刻第j^th个高斯分布协方差矩阵，X_t为像素在t时刻的值。

所述高斯概率密度函数为：

式中n为X_t的维数。

所述步骤二包括如下步骤：

2.1：将新像素值X_t+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μ_j,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:

μ_j,t＝(1-ρ)μ_j,t-1+ρX_t

Σ_j,t＝(1-ρ)Σ_j,t-1+ρ(X_t-μ_j,t)^T(X_t-μ_j,t)

ρ＝αη(X_t|μ_j,t-1,Σ_j,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:

ω_k,t+1＝(1-α)ω_k,t+a·M_k,t

式中α为学习率，若当前像素值与该模型匹配，则M_k,t＝1，否则为M_k,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ω_j/Σ_j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X_t+1与前B个高斯分布之一相匹配；

4.2：当满足|X_t+1-μ_j,t|≤δ·Σ_j,t，则该像素为背景点；

4.3：当不满足|X_t+1-μ_j,t|≤δ·Σ_j,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,…,X_t}＝{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，X_t为像素在t时刻的值。

则该图像关于当前时刻的值为X_t的混合高斯背景模型为:

式中K为混合高斯分布的个数，ω_j,t为像素在t时刻第j^th个高斯分布的权值估计，即该高斯分量占的权重，η(X_t,μ_j,t,∑_j,t)为高斯概率密度函数，其中，μ_j,t为像素在t时刻第j^th个高斯分布均值，∑_j,t为像素在t时刻第j^th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X_t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X_t+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X_t+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μ_j,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:

μ_j,t＝(1-ρ)μ_j,t-1+ρX_t

Σ_j,t＝(1-ρ)Σ_j,t-1+ρ(X_t-μ_j,t)^T(X_t-μ_j,t)

ρ＝αη(X_t|μ_j,t-1,Σ_j,t-1)

t+1时刻K个分布的权值，可按下式更新:

ω_k,t+1＝(1-α)ω_k,t+a·M_k,t

式中α为学习率，若当前像素值与该模型匹配，则M_k,t＝1，否则为M_k,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。M_k,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ω_j/Σ_j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X_t+1与前B个高斯分布的匹配关系，如果该像素值X_t+1与前B个高斯分布之一匹配，当满足|X_t+1-μ_j,t|≤δ·Σ_j,t，则该像素为背景点；当不满足|X_t+1-μ_j,t|≤δ·Σ_j,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X_t的混合高斯背景模型；

步骤二：新像素值X_t+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X_t+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>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>K</mi> </munderover> <msub> <mi>&amp;omega;</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>&amp;CenterDot;</mo> <mi>&amp;eta;</mi> <mrow> <mo>(</mo> <msub> <mi>X</mi> <mi>t</mi> </msub> <mo>,</mo> <msub> <mi>&amp;mu;</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>,</mo> <msub> <mi>&amp;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，ω_j,t为像素在t时刻第j^th个高斯分布的权值估计，即该高斯分量占的权重，η(X_t,μ_j,t,∑_j,t)为高斯概率密度函数，其中，μ_j,t为像素在t时刻第j^th个高斯分布均值，Σ_j,t为像素在t时刻第j^th个高斯分布协方差矩阵，X_t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X_t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X_t+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μ_j,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:

μ_j,t＝(1-ρ)μ_j,t-1+ρX_t

Σ_j,t＝(1-ρ)Σ_j,t-1+ρ(X_t-μ_j,t)^T(X_t-μ_j,t)

ρ＝αη(X_t|μ_j,t-1,Σ_j,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:

ω_k,t+1＝(1-α)ω_k,t+a·M_k,t

式中α为学习率，若当前像素值与该模型匹配，则M_k,t＝1，否则为M_k,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ω_j/Σ_j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>&amp;Sigma;</mo> <mrow> <mi>j</mi> <mo>=</mo> <mn>1</mn> </mrow> <mi>b</mi> </munderover> <msub> <mi>&amp;omega;</mi> <mrow> <mi>j</mi> <mo>,</mo> <mi>t</mi> </mrow> </msub> <mo>&gt;</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X_t+1与前B个高斯分布之一相匹配；

4.2：当满足|X_t+1-μ_j,t|≤δ·Σ_j,t，则该像素为背景点；

4.3：当不满足|X_t+1-μ_j,t|≤δ·Σ_j,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。