水面漂浮物智能监控技术

1、水面漂浮物智能监控技术摘要：智能监控技术是对场景进行实时监测、自动分析和处理的技术。水面漂浮物智能监控系统的分析过程由目标检测、识别和分类、视频内容分析等几个基本环节组成，其中视频内容分析主要针对识别出来的目标进行决策。 关键词：智能监控；目标检测；水污染 中图分类号：TP393文献标识码：A文章编号：16727800（2013）004015003 基金项目：贵州省教育厅自然科学基金项目（2011）；毕节学院科学研究基金项目（20072005） 作者简介：左建军（1976-），男，贵州民族大学硕士研究生，毕节学院数学与计算机科学学院讲师，研究方向为计算机视觉、模式识别技术；吴有富（1966-）

2、，男，博士，贵州民族大学教授，研究方向为计算机视觉、模式识别技术。 0引言 目前，随着工业化、农业化及城镇化建设步伐加速，人为因素对环境造成严重污染，在湖泊、河流、水库及水厂等水面上出现大量漂浮物，这些漂浮物含有大量对人体有害的物质。水污染已经严重破换生态环境，直接威胁人类生存和发展，因此，为了人类的可持续发展，必须解决水污染问题，必须从污染物的排放进行控制。于是，对水面漂浮物的视觉监控成为了一个迫切需要解决的课题。对水面（特别是饮用水源、水库、河流等）的监控主要是通过安排专人监看来实现的。这需要投入大量的人力物力资源。为了解决这些问题，有一些场景中也使用了摄像机进行实时监控，但是依然需要人坚

3、守在终端设备旁，这种做法还是需要大量的人工辅助工作，而且无法实时、准确地对监控情况做出反应。 为满足实际应用的需要，针对人工监控出现的各种弊端，需要研究对水面的智能化监控，即在不需要人为干预的情况下对监控场景进行自动分析，及时做出反应。水面漂浮物的智能监控技术是智能视觉监控中的重要内容之一，涉及图像处理、图像分析、机器视觉、模式识别、人工智能等众多研究领域，是一个跨学科的综合问题。首先要对监控画面进行技术处理，提高图像质量，然后检测场景中出现的目标，并进行识别和分类，进而采取措施对其进行自动清理。 1国内外研究概况 智能监控是对场景进行实时监测，对场景进行自动分析和处理的技术。智能视觉监控越来

4、越受到国内外很多学者和生产商的密切关注。国际权威期刊“International Journal of Computer Vision”、国际著名期刊“IEEE Trans. on Pattern Analysis and Machine Intelligence”、国际核心期刊“Computer Vision and Image Understanding”、IEEE最高级别的综合期刊“Proceedings of the IEEE”分别出版视觉监控的专辑。世界各国的大学、科研院所都纷纷进行了大量的研究，如美国Berkeley大学（Beymer et al，1997）、Minnesota大学

5、（Christopher et al，1994a，b），英国oxford大学 （Michael et al，1999）、Reading大学（Tanetal，2000），德国Karsruhe大学（Kolleretal，1994，1993，1991），日本东京大学（Shunsuke，2005，2001）等，学者们提出了多种解决方案。这些研究成果大多转化成了产品，比如有Minnesota大学的Autoscpoe系统、法国国家运输与安全研究院的研究成果转化的Citilog系统等。 在国内，中科院自动化所（楼建光等，2003，2002；Tan，2000，1998）、香港大学（Yung，1998）、浙江大

6、学（刘光耀，2005）、上海交通大学（毛燕芬，2005）等单位也陆续开展了这方面的研究工作，中国科学技术大学也在这方面进行了研究（刘勃等，2005a，b，2004，2003）。相比国外而言，国内这方面的研究虽然起步较晚，但发展迅速。 水面漂浮物的智能监控是智能视觉监控中的重要内容之一。国际上近20年在视觉监控及相关领域内做出了比较突出的贡献。基于漂浮物的图像分割算法大致可分为： （1）背景减除。背景减除法首先是建立背景图像，即建立不含目标（漂浮物）时的图像，然后将监控场景中的当前图像与之差，对差图像进行阈值化，分割出只含有目标区域的图像，但对于监控场景的变化非常敏感，比如晴天和阴天的变化；暴雨

7、过后山洪爆发，水面颜色骤变为黄色，因此，建立好的背景模型的研究，减少动态场景变化对准确分割的影响是目前研究的一大难点。Haritaoglu等利用最小、最大强度值和最大时间差分值来为场景中每个像素进行统计建模，并且进行周期性的背景更新。McKenna等利用像素色彩和梯度信息相结合的自适应背景模型来解决影子和不可靠色彩线索对于分割的影响。Stauffer和 Grimson利用自适应的背景混合高斯模型（即对每个像素利用混合高斯分布建模），并且利用在线估计来更新模型，从而可靠地处理了光照变化、背景混乱运动的干扰等影响。 （2）图像分割。图像分割是将图像中互不相交的不同区域划分开来，这些区域满足灰度、纹

8、理、彩色等特征的相似性准则。它是数字图像处理中的一项关键技术，它通常是为了进一步对图像进行分析、识别等处理的图像预处理环节，其分割的准确性直接影响后续任务的有效性。自20世纪70年代起一直受到人们的高度重视，目前提出的分割算法大都是针对具体问题的，并没有一种适合所有图像的通用分割算法。最近几年又出现了许多新思路、新方法和改进算法。主要是：第一、颜色聚类。颜色聚类就是对颜色空间中的各个颜色归类，将颜色非常接近的几种颜色归为一类色，用两个颜色之间的距离表示色差。为简单起见，一般采用RGB色空间中的距离来表示；第二、纹理特征的提取与选择。由于目前对纹理图像还没有一个明确的定义和描述模型，而且各个区域

9、的纹理一致性是相对而言，即不同纹理区域具有一定的相似性，相同的纹理区域内具有一定的纹理不一致性，所以基于纹理特征的目标可区分度较小。在灰度不一致的情况下分割出目标完全依靠与理想的纹理特征描述。 2水面漂浮物智能监控技术研究内容 2.1漂浮物检测 漂浮物的实时检测处于视觉监控技术的最底层，是各种后续处理如漂浮物识别的基础。漂浮物的检测主要是从监控摄像机所捕捉的序列图像中检测是否有漂浮物的存在，其过程为：首先采用自适应背景模型创建背景图像，然后利用当前图像帧与背景图像相差分的技术检测出图像中的变化区域，再从所有变化区域中将对应于漂浮物的区域单独提取出来。实时准确的漂浮物检测是漂浮物污染的视觉分析基

10、础，由于复杂动态环境中捕捉的背景图像受到天气、光照场景（如晴天、阴天、雨天等）、影子、摇动的树枝、摄像机自身运动等多方面的影响，给漂浮物的检测带来了困难，目前已经有一些比较好的检测方法。 背景差法基本思想是将当前帧图像与事先存储的背景图像相减，将差图像中大于预先设定的阈值T的区域分割出来，该算法能直接得到目标的位置、大小、形状等信息。背景差法实现的关键是背景模型的获取和更新。典型的背景建模方法是用混合高斯模型描述背景图像像素值的分布， 该方法是背景的多模型问题，也是参数化的，背景模型可用循环的方式获得。在漂浮物检测的时候，当前像素值如果符合该分布，则为前景点，否则为背景点，同时用新获取的图像对

11、背景模型参数进行更新。文献提出一种改进的自适应混合高斯模型来更新背景，用连通区检测算法分割出前景目标，以Kalman滤波为运动模型实现对运动目标的连续跟踪。 2.2漂浮物特征提取 目标特征化是实现实时、准确识别目标的关键。作为关键步骤，特征提取的目的是获取一组分类特征，即获取特征数目少且分类错误概率小的特征向量。特征的提取可分以下几步进行： （1）特征形成。根据被识别的对象产生一组特征，可以是图像当前帧的直接测量值，也可以是将当前帧作某些变换后得到的值。 （2）特征选择。由特征形成过程得到的特征可能很多，为了减少分类计算判别，降低分类错误概率，因此需要减少特征位数。特征的选择就是从L个度量值集

12、合（x-1，x-2，x-L）中，按某一准则（挑出一些最有效的特征）选出目标对象的一个子集，降维（m维，mL）的特征作为目标的分类特征。 （3）特征提取。特征提取是另一种减少特征位数的方法，它是使（x-1，x-2，x-i，x-L）通过某种数学变换产生m个特征（y-1，y-2，y-i，y-m），即通过映射的方法把维数较高的特征向量变换为维数较低的特征向量，其目的是为了在保留识别信息的前提下，降低特征空间的维数，达到对当前帧中目标对象的实时分类。 由于采用上述方法得到的特征维数还是比较高，所以采用主成分分析对图像特征降维，可以减少特征数据库的大小。 2.3漂浮物识别和分类 目标的识别是一种标记过程。

13、识别算法主要用于识别监测场景中已分割出来的区域。识别方法有两类：决策理论方法和结构方法。决策理论方法以定量描述为基础，即统计模式识别方法；而结构方法依赖于符号描述及它们的关系，即句法模式识别方法。 分类的关键问题是目标对象特征量的提取和分类器的构造。用于目标分类的特征主要采用空间特征，如目标的形状、大小、位置等空间特征。在此，主要研究高效、快速算法。分类器的建立，主要根据人脑对目标物体的分类过程，采用能够模拟人脑功能的人工神经网络来实现，人工神经网络和生物神经系统之间有着某些内在的相似之处，能够模拟人脑加工、存储与搜索信息机制来解决某些特定的问题。具有自适应、自组织自学习能力，可以解决一些环境

14、信息复杂、背景不清楚的问题。通过对样本的学习建立其记忆。人工神经网络可以通过学习获得目标特征信号在模式空间中的分布。用BP算法对水面漂浮物样本特征进行训练，建立漂浮物分类器；然后对检测出来的漂浮物进行特征化，将特征化后的数据输入分类器中，根据输出数据决定其属类。 2.4视频内容分析 这主要是对以上识别出的目标进行分析，如识别出漂浮物面积大于预先设定的一阈值，则该系统实现如下功能：报警，根据固定场景中分割、识别出的漂浮物的量的判断，当超过设定的限量时，就启动报警器，提醒工作人员清理漂浮物；启动自动清淤器，当识别出漂浮物较多时，就对自动清淤器发出信号，启动该设备对漂浮物进行自动清理。 3水面漂浮物

15、智能监控存在的问题 智能视觉监控技术目前还存在以下新的研究问题：分布式视觉监控。采用多个摄像机从不同角度对同一场景进行监控，被认为是提高系统性能，特别是解决目标遮挡问题的有效方法。这将涉及到多源视频序列的融合问题。分布式监控系统需要解决的一个重要问题是如何实现多角度信息的合理互补，有效提高监控系统的性能；多波段成像监控。受多光谱摇撼的启发，对监控内容在可见光、红外等多个波段同时成像，不仅可以使监控设备少受外界条件的影响，而且有利于各成像波段间信息的互补，实现对场景内容更为全面的分析。 4结语 数字化、网络化、智能化是视频监控领域的发展趋势。智能视频监控技术是对现有数字视频监控系统的一个弥补，将

16、人工监控变为计算机自动监控，自动识别漂浮物污染威胁，减少人为因素造成的误报、漏报，将操作人员从繁重的监控工作中解放出来。智能视频监控除了用于环保外，还可以用于军事、安保、交通管理、客户分析等领域，为人们生活带来方便，实现安全、高效、智能化的生活。 参考文献： 1S J MAYBANK，T N TAN.Special section on visual surveillanceintroductionJ. International Journal of Computer Vision， 2000（6）. 2C REGAZZONI， V RAMESH.Special issue on video

17、 communnications，processing，and understanding for third generation surveillance systemsC. Proceedings of the IEEE，2001（10）. 3C STAUFFER， W GRIMSON.Adaptive background mixture models for realtime trackingC. Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition，1999（6）. 4HARITAOGLU I，HARWOOD DAVID，DAVIS L S.Realtime surveillance of people and their acticitiesJ. IEEE Transactions on Pattern Analysis and Ma