基于改進蜂群算法的視頻目標(biāo)檢測方法

仲躍等

摘 要：本文提出一種基于改進蜂群算法的視頻目標(biāo)檢測方法，首先對兩幅圖像進行優(yōu)化獲得最大互信息值，進而獲得最佳空間匹配參數(shù)，最后通過三幀差分法檢測出目標(biāo)。該算法相對傳統(tǒng)算法，能夠抑制背景殘留噪聲，而且不需要對圖像進行預(yù)處理、特征選取以及背景更新，降低了算法復(fù)雜度。通過與傳統(tǒng)蜂群算法的結(jié)果對比，證明了改進算法的有效性和可靠性。

關(guān)鍵詞：視頻檢測；蜂群算法；互信息

中圖分類號：TP391 文獻標(biāo)識碼：A

Abstract：Here，a video object detection method based on an improved bee colony algorithm is presented.First，the maximum mutual information values of two images are obtained through optimization.Then，the best spatial matching parameters are acquired，and finally the target is detected through the three frame difference method.Compared to the traditional algorithm，the proposed algorithm can restrain the residual background noise，and does not require the image pre-processing，feature selection and background updating，which reduce the complexity of the algorithm.Compared with the results based on the traditional bee colony algorithm，the effectiveness and reliability of the improved algorithm are demonstrated.

Keywords：video detection；bee colony algorithm；mutual information

1 引言（Introduction）

近年來，科學(xué)技術(shù)的不斷發(fā)展以及人民生活水平的不斷提高使人類對生活質(zhì)量和本身的安全性保證需求愈來愈高。視頻監(jiān)控由于能形象、直觀地表示信息而被應(yīng)用于大部分公共場所。相比較傳統(tǒng)的視頻監(jiān)控，高端化的視頻監(jiān)控系統(tǒng)可通過計算機視覺、圖像處理等技術(shù)提取出人們感興趣的目標(biāo)信息圖像，然后對其進行檢測、跟蹤、分類以及行為理解和描述等過程來判別監(jiān)控畫面中的情況，代表了未來視頻監(jiān)控產(chǎn)業(yè)的發(fā)展趨勢。視頻監(jiān)控系統(tǒng)的關(guān)鍵技術(shù)主要有四個方面：目標(biāo)的檢測，目標(biāo)的跟蹤，目標(biāo)的分類，行為的理解與描述。

視頻目標(biāo)檢測在人機交互、視頻監(jiān)控、交通視頻、視頻會議、客流量統(tǒng)計等許多方面都有非常重要的應(yīng)用，是當(dāng)今計算機視覺領(lǐng)域的研究熱點與難點之一。傳統(tǒng)的檢測算法[1]如背景差分法、相鄰幀差法、光流場法等已相對成熟，但存在不足：背景差分法對光線等外在因素的變化過于敏感，幀差法檢測目標(biāo)的完整性較差，光流場法的計算比較復(fù)雜且容易被外界噪聲干擾。因此，學(xué)者們提出了許多改進算法，如背景移動補償算法[2]、幀間差法與背景差分相結(jié)合的算法[3]等。

2 互相關(guān)信息（Mutual information）

互相關(guān)信息是一種具有測量圖像間的統(tǒng)計相關(guān)性作用的信息理論概念。它代表圖像間的重合區(qū)域，重合區(qū)域越多，互相關(guān)信息越大。當(dāng)兩幅圖像在幾何上完全重合時的互相關(guān)信息是最大的，稱為最大互信息。

假設(shè)有兩個隨機變量A和B，灰度值范圍為0—255，和分別是它們各自的概率密度函數(shù)，表示它們之間的相關(guān)密度函數(shù)。那么隨機變量A和B的互相關(guān)信息表示如下：

由于聯(lián)合熵的值取決于邊緣熵與變換函數(shù)，因此需要找出最優(yōu)變換函數(shù)對圖像進行配準(zhǔn)，以讓聯(lián)合熵最小，則此時的互相關(guān)信息為最大互信息。因為互相關(guān)信息是關(guān)于圖像全部像素的，所以帶來的計算量較大。小波變換為一種擁有多分辨率的時間——尺度分析方法，本文結(jié)合小波分解的方法，對配準(zhǔn)圖像進行小波變換，主要包括平移和旋轉(zhuǎn)，因此，通過對小波變換函數(shù)中平移和旋轉(zhuǎn)參數(shù)的最優(yōu)化以獲得最大互信息。

3 改進蜂群算法（Improved bee colony algorithm）

所謂人工蜂群算法就是對蜜蜂行為加以模擬而提出的一種優(yōu)化算法。蜂群中出現(xiàn)群體智慧的最小搜索模型主要包括四個基本的組成要素：食物源、引領(lǐng)蜂、偵查蜂與跟隨蜂。

在蜂群算法中，優(yōu)化問題的一個可能解就是一個食物源的位置，解的質(zhì)量（適應(yīng)度）就是食物源的花蜜數(shù)目。詳細(xì)過程如下：起先，生成具有個解（食物源）的初始種，其中的各個解——是一個維數(shù)為D（待優(yōu)化參數(shù)的數(shù)目）的向量；其次，所有的食物源都要被蜜蜂進行反復(fù)（次數(shù)為MCN）搜尋：對應(yīng)的食物源（解）先被引領(lǐng)蜂在鄰域作一次搜尋，通過對比搜尋前后兩個食物源的花蜜數(shù)目后，選取適應(yīng)度相對高即花蜜數(shù)目大的食物源（解）來采蜜；結(jié)束搜尋以后，所有的引領(lǐng)蜂將食物源上花蜜數(shù)目的信息傳遞給跟隨蜂，跟隨蜂通過獲得的信息按照一定的概率選取食物源，即花蜜越多的食物源被選擇的可能性越大。而后，跟隨蜂為了選取更好的解也作一次與引領(lǐng)蜂相同的鄰域搜尋。

其中，，，以上和都是隨機選擇的，并且。在-1和1之間。

在蜂群算法中，通過次循環(huán)之后得不到改善的解要被丟棄，這里的“”便是算法中的一個關(guān)鍵的控制參數(shù)。假設(shè)是被丟棄的解，偵查蜂可以隨機生成一個新解對進行代替。

以上表述可以看出，蜂群算法中的三個控制參數(shù)——食物源的數(shù)目、引領(lǐng)蜂的數(shù)目、跟隨蜂的數(shù)目（SN）是相等的。以上整個算法的核心包括三個部分：（1）引領(lǐng)蜂：鄰域搜索；（2）跟隨蜂：將搜尋范圍縮小后對鄰域作搜尋；（3）偵查蜂：隨機搜索。

因為蜜蜂隨機選擇鄰域個體，并且未考慮食物源之間的內(nèi)部聯(lián)系，致使收斂速度較為緩慢。為了提高收斂性能，提出改進蜂群算法，將式（4）變化為

式中，—遺忘因子，代表搜尋其它食物源時對當(dāng)前食物源的記憶強度，并且為了使蜜蜂充分的利用鄰域個體的搜索信息從而更好地尋找到全局的最優(yōu)點，在下一食物源的搜索過程中遺忘因子會動態(tài)調(diào)整；—鄰域因子，確定信息共享的強度是根據(jù)鄰域個體食物源的優(yōu)劣來進行的，在搜索后期為了使蜜蜂具有較強的全局尋優(yōu)能力，鄰域因子進行動態(tài)變化。為常量，以1為分界線，當(dāng)食物源質(zhì)量比蜜蜂當(dāng)前食物源質(zhì)量劣時取<1，當(dāng)鄰域個體食物源質(zhì)量優(yōu)于蜜蜂當(dāng)前食物源質(zhì)量時取>1，從而讓蜜蜂可以向高質(zhì)量的食物源移動。

鄰域因子、遺忘因子中的參數(shù)、隨搜索進程動態(tài)變化如下：

式中，iter代表搜索步數(shù)；、、與都是常量，取值在[0.1，1.5]，且、。為了使蜜蜂迅速向最優(yōu)食物源區(qū)域移動，遺忘因子中的參數(shù)隨搜索進程從逐漸下降至，取值范圍在[0.8，1]；隨著搜索的進行，鄰域因子中的參數(shù)從逐漸上升到，代表逐漸增大鄰域個體與當(dāng)前蜜蜂的信息共享強度，β取值范圍在[1，1.2]。

4 三幀差分法（Three frame difference method）

三幀差分法把相鄰三幀圖像當(dāng)作一組進行差分，可以將實際運動目標(biāo)的輪廓完整的檢測出來，具體算法如下：

（1）讀取圖像序列中的三幀圖像、、，依次計算出相連兩幀圖像的絕對差值灰度圖、，設(shè)置閾值T對差值圖像進行二值化，提取運動目標(biāo)區(qū)域如下：

（2）通過邏輯“與”運算提取和的交集，獲取運動目標(biāo)：

5 計算分析（Calculation and analysis）

5.1 基于改進蜂群算法的視頻目標(biāo)檢測算法流程

（1）首先通過小波變換將圖像映射到小波域。

（2）利用式（1）作為衡量標(biāo)準(zhǔn)進行基于互相關(guān)信息的圖像配準(zhǔn)計算。

（3）采用改進的蜂群算法優(yōu)化兩幅圖像間的互信息值，此算法通過迭代后將獲得最優(yōu)的小波變換平移參數(shù)與旋轉(zhuǎn)參數(shù)。

（4）最終依靠三幀差分法實現(xiàn)對圖像中運動目標(biāo)的增測，使用矩形框?qū)⒛繕?biāo)進行標(biāo)記，完成目標(biāo)檢測。

5.2 結(jié)果與分析

圖1和圖2分別為基于蜂群算法和改進蜂群算法的視頻目標(biāo)檢測結(jié)果。從中可看出，基于蜂群算法檢測到的目標(biāo)范圍過大，而基于改進蜂群算法檢測出的目標(biāo)范圍更加精確，也更能夠反映出真實情況。

6 結(jié)論（Conclusion）

本文在基于互相關(guān)信息進行目標(biāo)檢測的基礎(chǔ)上，利用改進的蜂群算法對兩幅圖像間的互相關(guān)信息進行優(yōu)化，得到最大互信息值，進而獲得最佳空間匹配參數(shù)并完成對圖像的空間配準(zhǔn)，最后通過三幀差分法檢測出目標(biāo)。通過與傳統(tǒng)蜂群算法的結(jié)果對比，證明了改進算法的有效性和可靠性。

參考文獻（References）

[1] 萬纓，韓毅，盧漢清.運動目標(biāo)檢測算法的探討[J].計算機仿真，2006，23（10）：221-226.

[2] 於時才，吳鍵.運動背景下的運動目標(biāo)檢測方法[J].計算機仿真，2011，28（2）：292-294.

[3] 朱明旱，羅大庸，曹倩霞.幀間差分與背景差分相融合的運動目標(biāo)檢測算法[J].計算機測量與控制，2005，13（3）：215-217.

[4] Teodorovi'c，Dell Orco.Bee colony optimization-a cooperative learning approach to complex transportation problems[M].In Proceedings of the 10th Ewgt Meeting，Poznan，13-16 September 2005.

作者簡介：

仲 躍（1960-），男，碩士，高級工程師.研究領(lǐng)域：水利信息系統(tǒng)應(yīng)用開發(fā).

楊 勁（1986-），男，碩士，工程師.研究領(lǐng)域：計算機圖形學(xué)和圖像處理.

顧 京（1985-），男，碩士，工程師.研究領(lǐng)域：信息系統(tǒng)建模與仿真.

張 ?。?972-），男，學(xué)士，高級工程師.研究領(lǐng)域：水利信息化.

汪 超（1989-），男，碩士，實驗師.研究領(lǐng)域：優(yōu)化設(shè)計方法.