船舶抓拍系統(tǒng)在過閘稽查管理中的應(yīng)用

王瑩 歐陽文全 汪乾 許傳浩

摘 要：針對(duì)過閘船舶稽查管理中人工監(jiān)管繁瑣、視頻復(fù)核難度大等問題，本文結(jié)合視頻分析與圖像識(shí)別技術(shù)，提出了一種船舶抓拍系統(tǒng)。首先，系統(tǒng)對(duì)視頻流進(jìn)行背景建模，結(jié)合連通域分析法獲得目標(biāo)船舶；然后，通過邊緣檢測(cè)獲得目標(biāo)船舶像素尺寸，并通過轉(zhuǎn)換關(guān)系估計(jì)船舶高度、長度以及船速；最后，系統(tǒng)后臺(tái)記錄信息存入數(shù)據(jù)庫以便檢索。實(shí)地使用表明，該系統(tǒng)可7×24小時(shí)全天候穩(wěn)定工作，且具有識(shí)別精度高、響應(yīng)速度快等優(yōu)點(diǎn)，基本實(shí)現(xiàn)稽查復(fù)核的自動(dòng)化與智能化。

關(guān)鍵詞：圖像處理 背景建模 目標(biāo)檢測(cè) 連通域分析 稽查管理

1.引言

隨著內(nèi)河航運(yùn)的蓬勃發(fā)展，視頻監(jiān)控系統(tǒng)作為重要的稽查手段已經(jīng)被廣泛應(yīng)用到實(shí)際的稽查工作中。在當(dāng)前的船舶稽查復(fù)核工作中，通過視頻監(jiān)控可對(duì)船名、是否超載等狀態(tài)信息進(jìn)行確認(rèn)，但船舶長寬、吃水等參數(shù)仍需要登船測(cè)量。這種工作方式未能完全發(fā)揮視頻監(jiān)控作用，仍需耗費(fèi)大量人力且拖慢了放閘速度。

監(jiān)控稽查工作中還存在著存儲(chǔ)大、復(fù)核難等問題，當(dāng)前迫切需要一種自動(dòng)化手段，對(duì)每條進(jìn)閘船舶進(jìn)行抓拍記錄，同時(shí)滿足船舶信息自動(dòng)登記、管理。結(jié)合視頻分析與圖像識(shí)別技術(shù)，本文提出了一種船舶抓拍系統(tǒng)，經(jīng)小范圍實(shí)驗(yàn)證明，該系統(tǒng)可解決上述問題。

2.船舶目標(biāo)檢測(cè)

基于視頻監(jiān)控的船舶目標(biāo)檢測(cè)是本系統(tǒng)應(yīng)用的基礎(chǔ)，利用視頻分析和圖像處理技術(shù)檢測(cè)特定區(qū)域的船舶，通過背景建模、連通域分析、非目標(biāo)去除獲取目標(biāo)船舶。算法流程如圖1所示。

2.1取視頻流

為方便視頻信號(hào)傳輸與圖像算法開發(fā)，本研究使用大華網(wǎng)絡(luò)攝像頭。通過調(diào)用大華SDK，可獲取幀編碼為IYUV格式的視頻流。IYUV又稱YU12，是YUV420存儲(chǔ)格式的一種。YUV有三個(gè)分量，“Y”表示明亮度（Luminance或Luma），即灰度值；“U”和“V”表示色度（Chrominance或Chroma），描述影像色彩及飽和度。

由于IYUV彩色圖像數(shù)據(jù)量較大，灰度化可保證在不丟失視頻信息的前提下減小計(jì)算量，因此首先對(duì)圖像做灰度化處理。由IYUV像素存儲(chǔ)結(jié)構(gòu)可知，將Y信號(hào)抽出即可得到視頻幀的灰度圖。具體編碼中，可利用OpenCV提供的接口函數(shù)cvCvtColor完成灰度化操作。

2.2背景建模

考慮到長江江面的光照、漫反射等光照影響，本系統(tǒng)采用改進(jìn)的混合自適應(yīng)高斯模型（Gaussian Mixture Model，GMM）實(shí)現(xiàn)船舶目標(biāo)檢測(cè)。

新像素值可由模型中的一個(gè)主分量表示，該新值也被用來更新模型。若像素過程被認(rèn)為是平穩(wěn)過程，則可使用最大期望法（Expectation Maximization）最大化觀察數(shù)據(jù)概率。然而在實(shí)際測(cè)試中，像素值會(huì)隨環(huán)境改變，故本系統(tǒng)使用近似法。由于每個(gè)像素都有一個(gè)GMM模型，使用EM算法計(jì)算開銷較大，本系統(tǒng)使用在線K均值近似法（On-Line K-means Approximation）以縮短計(jì)算成本。GMM模型算法流程如圖2所示。

2.3連通域分析

連通區(qū)域（C o n n e c t e d Component）指圖像中具有相同像素值，且位置相鄰的前景像素點(diǎn)組成的圖像區(qū)域。連通區(qū)域分析處理的對(duì)象是二值圖像，將圖像中的各連通區(qū)域找出并標(biāo)記，適用于前景目標(biāo)提取。在本場(chǎng)景中，輸入圖像為背景建模后的二值圖。

連通域分析采用種子填充法，該方法源于計(jì)算機(jī)圖形學(xué)。算法思路：選取一個(gè)前景像素點(diǎn)作為種子，然后根據(jù)連通區(qū)域的兩個(gè)基本條件將與種子相鄰的前景像素合并到同一個(gè)像素集合中，最后得到的該像素集合則為一個(gè)連通區(qū)域。連通域分析結(jié)果如圖3所示。

2.4非目標(biāo)去除

連通域分析結(jié)果中往往有多個(gè)連通域，除船舶目標(biāo)外可能存在水花、反射太陽光等噪聲，因此如何將噪聲去除得到目標(biāo)船舶是本節(jié)研究重點(diǎn)。船舶目標(biāo)相對(duì)于噪聲具有固定的形狀和尺寸，因此可以通過對(duì)連通域的各屬性設(shè)定閾值范圍，實(shí)現(xiàn)非目標(biāo)去除。

本節(jié)分析的連通域?qū)傩灾饕星熬包c(diǎn)數(shù)、外接矩形寬高比和矩形度等。已知連通域是一個(gè)點(diǎn)集，包含連通域內(nèi)每個(gè)像素點(diǎn)的坐標(biāo)。區(qū)域面積即為該區(qū)域內(nèi)像素點(diǎn)個(gè)數(shù)n；外接矩形寬高比r即寬度wp高度hp之比；矩形度q即為區(qū)域面積與外接矩形面積之比，該值越接近1區(qū)域外形越接近矩形；。對(duì)以上屬性設(shè)定閾值，可以去除非目標(biāo)，進(jìn)而得到符合先驗(yàn)知識(shí)的船舶目標(biāo)。

本系統(tǒng)的目標(biāo)連通域需滿足式（4）條件：

4.船舶信息管理系統(tǒng)

4.1抓拍與存儲(chǔ)

在每個(gè)閘口附近部署多個(gè)攝像頭，7×24小時(shí)不間斷地對(duì)過閘船舶進(jìn)行抓拍。抓拍采取一船多照策略，確保船名清晰可辨，船舶型號(hào)、吃水、貨物類型等信息沒有遺漏。

將日期、閘次、數(shù)量、照片、船舶尺寸等信息有序存儲(chǔ)到數(shù)據(jù)庫，方便快速檢索查詢、統(tǒng)計(jì)分析。

4.2實(shí)時(shí)運(yùn)行界面

閘口抓拍系統(tǒng)實(shí)時(shí)運(yùn)行面如圖4所示。

長度復(fù)核，顯示檢測(cè)相機(jī)畫面，畫面實(shí)時(shí)顯示船舶的速度與長度，并通過豎線表示檢測(cè)結(jié)果。

寬度復(fù)核，顯示寬度復(fù)合相機(jī)的畫面，實(shí)時(shí)顯示船舶的寬度。

船舶信息，顯示本閘次船舶抓拍時(shí)間、速度、長、寬等參數(shù)。

細(xì)節(jié)和全景照片為高速相機(jī)抓拍照片，雙擊可放大。

4.3后臺(tái)查詢統(tǒng)計(jì)系統(tǒng)

圖5為后臺(tái)統(tǒng)計(jì)的船舶信息，點(diǎn)擊可查看船舶詳情。

5.結(jié)論

本文在高港船閘現(xiàn)有監(jiān)控設(shè)備的基礎(chǔ)上提出新的系統(tǒng)，節(jié)省了新設(shè)備的布設(shè)成本，豐富了視頻監(jiān)控功能。新系統(tǒng)可有效解決調(diào)取錄像時(shí)耗時(shí)費(fèi)力、操作繁瑣等問題；可拍清船號(hào)，使得在日后有據(jù)可查；可在抓拍過程中自動(dòng)丈量船舶尺寸，節(jié)省人力成本并杜絕了人為復(fù)核可能存在相互包庇導(dǎo)致的漏繳費(fèi)、少繳費(fèi)現(xiàn)象；縮短了待閘時(shí)間，提高了放閘速度，船員和船閘方實(shí)現(xiàn)了雙贏。此外，船舶抓拍系統(tǒng)不僅可用于船閘、水利閘和交通閘，還可用于寬度小于600米的內(nèi)河航道、湖泊重點(diǎn)觀測(cè)帶等區(qū)域。該系統(tǒng)解決了目前監(jiān)控系統(tǒng)普遍存在的問題，具有很強(qiáng)的適用性。

參考文獻(xiàn)：

[1]萬佳佳.基于高清技術(shù)的網(wǎng)絡(luò)視頻監(jiān)控系統(tǒng)在船閘管理中的應(yīng)用研究[J].網(wǎng)絡(luò)安全技術(shù)與應(yīng)用，2016（5）：90-91.

[2]潘熠.視頻錄像在監(jiān)控系統(tǒng)的發(fā)展趨勢(shì)[J].中國安防，2009（5）：53-55.

[3]Chen Y，Cai C，Liu J.YUV Correction for Multi-View Video Compression[C]// International Conference on Pattern Recognition. IEEE，2006：734-737.

[4]Zivkovic Z. Improved Adaptive Gaussian Mixture Model for Background Subtraction[C]. International Conference on Pattern Recognition.IEEE Computer Society，2004： 28-31.

[5]陳英茂，田嘉禾.圖像重建-有序子集最大期望值法[J].中華核醫(yī)學(xué)與分子影像雜志，2002， 22（6）：379-381.

[6]王愛平，張功營，劉方.EM算法研究與應(yīng)用[J].計(jì)算機(jī)技術(shù)與發(fā)展，2009，19（9）：108-110.

[7]王鑫.基于高斯混合模型的k均值初始化EM算法的研究[J].商丘師范學(xué)院學(xué)報(bào)，2012， 28（12）：11-14.

[8]Suzuki K，Horiba I，Sugie N. Lineartime connected-component labeling based on sequential local operations[J]. Computer Vision & Image Understanding， 2003，89（1）：1-23.

[9]吳潛，居太亮，姚伯威.應(yīng)用種子填充算法提取圖像的形狀特征[J].電訊技術(shù)，2001， 41（4）：88-90.

[10]程蕾.基于毫米波雷達(dá)和機(jī)器視覺的夜間前方車輛檢測(cè)研究[D].吉林大學(xué)，2016.