融合五幀差分與高斯模型的運(yùn)動(dòng)物料袋檢測

賈 偉，黃小天，謝 椿，王正勇

(四川大學(xué) 電子信息學(xué)院圖像信息研究所，四川 成都 610064)

隨著機(jī)器視覺技術(shù)的發(fā)展，其應(yīng)用受到越來越多的關(guān)注,如研究人員應(yīng)用計(jì)算機(jī)視覺技術(shù)對蘋果[1]、葡萄[2]、西紅柿等蔬菜[3]水果進(jìn)行檢測和分類，對棒材、煙支等靜態(tài)目標(biāo)進(jìn)行檢測與計(jì)數(shù)。而用于對行人[4-6]、車輛等動(dòng)態(tài)目標(biāo)的檢測方法主要有幀差法、背景減法、光流法。其中幀差法是基于多幀圖像的相關(guān)性而提出的方法，通過將相鄰兩幀或者多幀的灰度值做差，當(dāng)差值很小時(shí)，則標(biāo)記為背景，反之，則被認(rèn)為是運(yùn)動(dòng)目標(biāo)，該方法具有算法簡單、對光照與環(huán)境變化具有適應(yīng)性等特點(diǎn)。背景減法將序列圖像當(dāng)前幀與背景圖像做差，當(dāng)差值很小時(shí)，被認(rèn)為是背景區(qū)域，相反則被標(biāo)記為目標(biāo)區(qū)域。背景差分可以通過背景建模的方式提高對環(huán)境變化的適應(yīng)能力，常見的建模方法有中值、均值濾波法、單高斯模型背景更新[7]、混合高斯模型法更新、碼書背景建模等。

本文首先以傳送帶上運(yùn)動(dòng)的物料袋為研究對象，針對幀差法和背景減法在性能上互補(bǔ)[8]的特點(diǎn)，提出了一種融合五幀差分與高斯模型的運(yùn)動(dòng)物料袋快速檢測方法。首先以傳送帶和物料袋為研究對象，采用改進(jìn)的五幀差分法提取目標(biāo)區(qū)域，以減小環(huán)境光照的影響；同時(shí)以物料袋為研究對象,利用單高斯模型進(jìn)行背景的更新，將中間幀圖像與背景圖像做差，得到目標(biāo)區(qū)域，通過運(yùn)動(dòng)策略分析,最后將兩個(gè)目標(biāo)區(qū)域進(jìn)行形態(tài)學(xué)“與”運(yùn)算，從而消除了傳送帶在物料袋檢測過程中的影響。

1 改進(jìn)的五幀差分算法

設(shè) Fk(x,y)、Fk+1(x,y)分別表示第 k幀和 k+1幀的圖像，Hk(x,y)為差分結(jié)果，即：

式中(x,y)表示像素值的坐標(biāo)。幀間差分算法中通常用一個(gè)閾值T分離運(yùn)動(dòng)目標(biāo)與背景區(qū)域，當(dāng)差分值大于T時(shí)，像素值取為1，相反則為0,從而將檢測區(qū)域分為黑白兩個(gè)區(qū)域。設(shè)Rk(x,y)表示運(yùn)動(dòng)區(qū)域，則:

原始的幀差算法中閾值T是一個(gè)固定值，采用固定的閾值往往由于光線的變化容易產(chǎn)生噪聲，對環(huán)境變化的適應(yīng)能力差，從而影響檢測效果。常見的閾值分割方法有3σ法則、自適應(yīng)閾值法、最大間類法等。本文針對參考文獻(xiàn)[9]的方法進(jìn)行了改進(jìn)，相對于均值的方法，采用中值更能適應(yīng)環(huán)境的變化，隨著循環(huán)次數(shù)的增加，對運(yùn)動(dòng)區(qū)域局部信息的檢測也更加精確。T值的具體計(jì)算過程為：

(1)首先確定灰度圖像灰度值的最大值Max1和最小灰度值 Mink，則初始值 Tk定義為：

(2)根據(jù)Tk值將圖像分割成目標(biāo)和背景兩個(gè)區(qū)域，求前后兩部分區(qū)域圖象像素灰度值的中值XF、XE。

(3)求閾值 Tk+1：

(4)當(dāng) Tk=Tk+1時(shí)，結(jié)束運(yùn)算；否則 k=k+1，轉(zhuǎn)到步驟(2)。

2 基于單高斯模型的背景更新

單高斯模型是一種經(jīng)典的基于統(tǒng)計(jì)學(xué)的背景提取方法，假設(shè)圖像中每個(gè)像素都是獨(dú)立的，并服從一維正態(tài)分布，于是：

式中xi表示圖像的灰度值，μ表示圖像在 xi附近的均值，σ2表示圖像在 xi附近的方差，P(xi)表示灰度值等于xi的概率。單高斯模型采用如下具體公式更新背景，具體為：

式中 a為更新系數(shù)，其中 βt、βt-1、It分別表示當(dāng)前背景、前一幀背景和當(dāng)前輸入圖像。本文采用基于單高斯模型的背景更新，更新方法如下：

(1) 設(shè) Fk-2、Fk-1、Fk、Fk+1、Fk+2為連續(xù)的五幀圖像序列，F(xiàn)k為 NumFrm=k,NumFrm為幀數(shù)，當(dāng)k=3||k%5==3時(shí)，進(jìn)行背景更新，否則繼續(xù)。

(2)為了補(bǔ)償背景更新對其他圖像幀的影響，采用圖像加運(yùn)算的補(bǔ)償方法，當(dāng)幀數(shù)滿足((k-1)%5==0)||((k+1)%5==0)時(shí),保存該圖像幀，再對該幀相鄰幀圖像進(jìn)行加運(yùn)算,其中NumFrm=k，NumFrm為幀數(shù)，最后得到前景圖像。

3 物料袋檢測算法及描述

首先從視頻流中獲取五幀視頻，判斷中間幀是否滿足上述條件，然后利用改進(jìn)的五幀差分算法提取初步的物料袋圖像；同時(shí)對獲取的中間幀進(jìn)行單高斯模型背景更新，再用背景減法獲得物料袋圖像，針對幀差法和背景差法互補(bǔ)的特點(diǎn)，最后獲取物料袋前景圖像。

由于存在時(shí)間間隔與延遲，從而使某些幀信息丟失。為此，本文對該視頻幀進(jìn)行了統(tǒng)計(jì)分析,如圖1所示。結(jié)果顯示,當(dāng)幀數(shù)滿足 ((nFrmNum-1)%5==0)||((nFrmNum+1)%5==0)時(shí)，檢測到較為完整的物料袋，而相鄰幀圖像出現(xiàn)了局部空洞圖像,如圖1(d)所示。針對非剛體物料袋表面絕大部分具有相似性的特點(diǎn)，本文通過完整物料袋圖像的表面圖像來補(bǔ)償相鄰幀不完整的圖像,最終得到了完整的物料袋目標(biāo)圖像,如圖1(e)所示。

4 實(shí)驗(yàn)結(jié)果及分析

實(shí)驗(yàn)所采用的視頻來源于成都某食品公司的倉庫，視頻中的物料袋為玉米袋，視頻內(nèi)容為玉米袋裝車時(shí)在傳送帶上的運(yùn)動(dòng)情況，視頻中包含了本文研究所包含的各種影響因素，具體包括：運(yùn)動(dòng)的人、光線的變化(明暗變化)、復(fù)雜的背景等。實(shí)驗(yàn)中計(jì)算機(jī)的配置：CPU為Pentium T4400，主頻 2.21 GHz，內(nèi)存 2.00 GB；硬盤空間320 GB。實(shí)驗(yàn)中視頻格式為AVI，分別采用單包、連包情況下的 3段視頻進(jìn)行試驗(yàn)，視頻設(shè)為 I、II、III，時(shí)長分別為 1′17"、46"、1′5"。 其中單高斯模型的更新系數(shù)為 a=0.05。

圖2所示為采用視頻I，并對傳統(tǒng)的混合高斯模型(GMM)、單高斯模型(SGM)、五幀差分法(FFD)、以及本文算法(Proposed Algorithm)進(jìn)行對比研究的結(jié)果,其中圖2(a)、圖2(b)、圖2(c)分別表示對視頻第 459幀、第732幀、第895幀的原始幀 (Original Frame)圖像及其檢測效果。結(jié)果顯示,雖然各種算法針對的運(yùn)動(dòng)物體的檢測條件不同，而當(dāng)選擇傳送帶跟物料袋為整體研究對象時(shí)，本文算法具有非常明顯的優(yōu)勢。視頻中人體局部在運(yùn)動(dòng)，并且光照在時(shí)明時(shí)暗的變化條件下，對檢測結(jié)果影響不大。圖中第459幀中的光線較其他幀圖像強(qiáng),第895幀光線變暗。

圖1 相鄰圖像幀的補(bǔ)償過程

圖3所示為采用視頻II和視頻III對橫向連包和縱向連包情況下的物料袋檢測結(jié)果。圖4所示為前景圖像中白色區(qū)域的面積隨時(shí)間的變化關(guān)系，P(t)表示前景圖像中像素點(diǎn)的實(shí)時(shí)分布概率。結(jié)果顯示，圖4(a)對橫向連包的檢測結(jié)果比較明顯，曲線與橫坐標(biāo)所圍的面積約為單包時(shí)的2倍。視頻III中，由于受傳送袋上散落玉米粒的影響，在66.7 ms～133.3 ms時(shí)間段內(nèi)出現(xiàn)了兩個(gè)峰值，圖4(b)中連包時(shí)峰值與相鄰極小值所圍的面積約為單包的2倍。

圖3 兩種連包的檢測結(jié)果

圖4 兩種連包的實(shí)時(shí)檢測曲線

本文對傳送帶上運(yùn)動(dòng)的物料袋進(jìn)行了研究，針對幀差法與背景減法互補(bǔ)的特點(diǎn)，提出了一種運(yùn)動(dòng)物料袋快速檢測方法。該方法對環(huán)境變化有較好的魯棒性，實(shí)驗(yàn)結(jié)果得到了較好的檢測效果，因此可以應(yīng)用于基于計(jì)算機(jī)視覺技術(shù)的物料袋在線檢測、統(tǒng)計(jì)等相關(guān)研究與應(yīng)用中。但是，當(dāng)傳送帶發(fā)生劇烈晃動(dòng)時(shí)，本文方法檢測效果不太理想，檢測結(jié)果會(huì)出現(xiàn)局部面積較小的空洞。

[1]趙延軍,徐麗明.基于機(jī)器視覺的蘋果果袋檢測方法[J].中國農(nóng)業(yè)大學(xué)學(xué)報(bào),2006,11(1):87-90.

[2]陳英,廖濤,林初靠,等.基于計(jì)算機(jī)視覺的葡萄檢測分級系統(tǒng)[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2010,42(3):169-172.

[3]丁筠,殷涌光.蔬菜中大腸桿菌的機(jī)器視覺快速檢測[J].農(nóng)業(yè)機(jī)械學(xué)報(bào),2012,43(2):134-139.

[4]陳浩,王景中,姚光明.基于類園分割的棒材計(jì)數(shù)圖像識(shí)別[J].工程圖學(xué)學(xué)報(bào),2004(4):89-103.

[5]李衡宇,何小海,吳煒,等.基于計(jì)算機(jī)視覺的公交車人流統(tǒng)計(jì)系統(tǒng)[J].四川大學(xué)學(xué)報(bào)(自然科學(xué)版),2007,44(4):825-830.

[6]章東平,童超,蘆亞飛.基于粒子視頻的高密度人群主流運(yùn)動(dòng)檢測[J].電子技術(shù)應(yīng)用,2012,38(4):123-125.

[7]WREN C R,AZARBAYEJANI A J,DARRELL T J,et al.Pfinder:real-time tracking of the human body[C].Photonics East′95.International Society for Optics and Photonics,1996.

[8]郝毫剛,陳家琪,遠(yuǎn)博,等.基于五幀差分和背景差分的運(yùn)動(dòng)目標(biāo)檢測算法[J].計(jì)算機(jī)工程,2012,38(4):146-148.

[9]王耀明,董建萍,嚴(yán)煒,等.圖像閾值分割的統(tǒng)計(jì)迭代算法[J].桂林電子科技大學(xué)學(xué)報(bào),2000,20(2):6-7.