【基于背景差分的路面污染物检测方法分析8300字】

基于背景差分的路面污染物检测方法分析目录TOC\o"1-3"\h\u26218基于背景差分的路面污染物检测方法分析 [61]创建的是否符合需求，对于良好而且稳定的背景模型被使用时，使用背景差分法得到的运动目标的大小和形状均能有较好的变化，并且算法在实时性和稳定性上都表现较好。但是在现实生活中的智能监控系统对复杂场景的应用当中，源于场景的变换比如太阳光照强度的减弱或增强、运动物体在光下影子的拉伸变换、路灯和汽车等大型物件对运动目标的遮挡和雨雪大雾天气对录入视频造成的不利影响等。这些客观存在的外在不确定性对于我们尝试建立合适的背景模型数据造成了很大的困扰。国内外有部分研究者提出了对背景模型的更新进行更新频率的修改以应对这些因素所引起的检测准确度问题。Bi上式中的系数b表示一个更新频率系数。图3.5背景差分法原理示意图将传统的背景差分算法与改造后的背景差分算法做对比实验，通过对环境中光照产生的物体阴影问题以及差分产生前景物体空洞问题的处理结果可以看出，相对于传统的背景差分算法改进后的方法在消除阴影以及前景物体空洞填充方面都有很大改善。图3.5是背景差分算法原理示意图。图3.6是两种差分算法的对比实验。(a)背景图像(b)物体进入背景(c)背景差分图像(d)改进背景差分图像图3.6背景差分法检测运动目标基于均值背景法的路面污染物监测本文研究的对象主要是监控视频下的静态场景，针对静态背景对象的污染物检测方法包括帧间差分法、光流法、背景减除法等。本章主要研究固定摄像下的监控视频环境中对于运动污染物的检测方法。下表3.1是三种不同的目标检测算法的性能优缺点分析。表3.SEQFigure\*ARABIC1三种目标检测算法优缺点分析检测算法优点缺点帧间差分法运算速度快，算法实时性好目标运动缓慢时容易出现空洞效应，受背景颜色影响较大光流法能良好的携带运动物体的运动信息以及背景空间的构造信息，对运动目标的检测不依赖背景条件运算复杂，消耗时间长，光照对算法影响较大，实时性较差背景减除法算法复杂度小，运算速度快模型与背景需要高度匹配，容易受背景光照影响本章节主要叙述对于视频图像的检测过程，为保证后面的运动污染物跟踪能获得良好的描述信息和空间信息。虽然光流法对不同的图像背景适应性较高，但算法进行过程中会产生大量数据，检测的实时性较差，同时较多的光流层数会对计算机的硬件设备要求较高。按照三种目标检测算法的优劣分析,最后采用通过对帧间差分法与背景减除法改进的方式，在两种算法的优点与缺点上进行分析和对两者的优点进行整合。提出将五帧差分法与改进的平均背景法改进成一个新的路面污染物检测算法。基于平均背景法的路面污染物检测对污染物所在图像的所有像素值求取平均值和标准差，是建立平均背景模型的核心思想。平均背景法的建模和分割流程如下：累积背景。从监控视频中连续获取200帧图像，将这200帧图像按顺序进行编号。将200帧图像进行矩阵累加，得到一个新的图像矩阵。(2)创建统计背景模型。按照公式(3.12)求得每两帧的平均像素值，公式(3.13)获得平均帧差。然后如公式(3.14)和公式(3.15)计算阈值的上限H和阈值的下限L。其中帧差越大，阈值范围也随之变大。其中Ax,y是两帧间像素平均值；fkx,y表示第k帧的图像；fk−1x,y为k−1帧的图像；Dx,y是两帧间平均帧差；Hx,yAx,yDx,yHx,yLx,y(3)以背景模型为基础分割背景。如果背景图像是RGB空间模型进行描述的，将三通道图中的R、G、B分别处理，将Hx,y这个三通道图分割成H继续从视频中获取图像，将获取的图像记为Px,y，分为三个通道下的PR、PG在图像中背景不是一成不变的，会因为天气、可见度、风力等自然因素或人为作用的改变，导致背景模型的崩塌。由于背景减除法是一个基于背景模型进行区分物体的算法，所以当原背景的改变可能导致背景模型的改变，这时候背景模型的实时更新就极为重要。统计平均法、混合高斯和码本法都是为此所研究出来的应对方法。由于传统的背景差分算法不能很好的应对光照变换等外界因素影响，所以需要对平均背景法进行改进，加入背景激励系数和反馈机制。其改进后的激励机制如下公式(3.16)：公式(3.16)的激励机制中，acc是累积的背景；image为输入图像或者视频序列；k为背景更新激励值。对于背景更新激励值k的选取尤为重要，会直接影响运行的实验结果，选取不恰当的激励值严重时会留下模糊残影，所以关于k的选取需要按照不同的选择条件进行选择。accx,y背景更新算法的流程为：步骤1：首先在原始视频图像中取出200帧作为建立背景模型的基础，计算对应的像素差的绝对值。将背景模型中每一帧转换为灰度图形记为p1x,y，200帧以后的图像称为预背景模型图像，将预背景模型中每一帧转换为灰度图形记为p2步骤2：阈值计算。假定视频图像是一个m乘n的矩阵，通过计算前200帧任意一帧的任意一行的灰度均值，记做G1i(i=1,2,3,…M)，200帧后的任意一帧的任意一行的灰度均值，记做G2i(i=1,2,3,…MT=|G1步骤3：获取激励值。通过用200帧前的图像点的灰度值与200帧后每一帧的对应位置的灰度值做差取绝对值获取对比的程度。如果该绝对值大于设定的阈值T，我们可以认为这个像素点的变化过大，所以用0.2作为激励值避免太大的误差；如果该绝对值小于等于阈值T，我们认为该像素点变化过于缓慢，取0.4作为激励值。具体的激励值选择如公式(3.18)所示。g1i,j是模型帧像素点的灰度值；g2i,j是实际帧像素点的灰度值；k=0.2,g1基于五帧差分法的路面污染物检测由于传统的两帧间差分法是由两帧进行数值上的差分运算，虽然运算速度快计算量小，但是对于阴影效果以及运动缓慢的物体并不能很好的识别。改良的三帧差分算法在三帧间两两差分然后进行与运算处理，对两帧差分中的双影问题能比较好的解决，但是有时候会不可避免的产生空洞效应。因此，提出使用基于连续五帧的连续差分算法来检测污染物运动物体在图像中的具体位置。(1)在视频序列中选取连续的五帧图像，在经过图像灰度化以及滤波计算等过程后获得图像fkx,(2)采用隔帧差分的方法，将第一帧fk−2x,y与第三帧fkx,y，第二帧fk−1x,y与第三帧fkx,y；将第三帧fkg1g2g3g4公式(3.19)、公式(3.20)、公式(3.21)和公式(3.22)中fkx,y是对应第k帧图像上位于x,y坐标的灰度值；动态阈值g1，g2，g3，gd1kd2kd3kd4k公式(3.23)、公式(3.24)、公式(3.25)和公式(3.26)中d1k，d2k，d3k，d(3)随后，使用公式(3.27)对二值化图像进行逻辑相‘与’得到目标污染物。计算公式如下：dkdk实验结果和分析实验环境与参数设置（1）实验环境本章节算法实验采用Pycharm实现，实验均是在Intel（R）Core（TM）i5-4200CPU，运行内存为8GB的电脑上运行。（2）实验数据集本次实验选取OTB-2015数据集以及部分模拟视频作为对基于状态估计自适应漂移的路面污染物跟踪算法进行验证，OTB-2015数据集包含98段不同场景下的目标跟踪视频，每段视频包括由几百到上千的视频图像帧组成，每个帧标签都表明当前视频的编码号。分别包含对于跟踪目标的形变、旋转、拉伸、部分遮挡、完全遮挡以及环境中的光照、阴影等情况。结果性能评判本次实验所提出的跟踪算法的性能指标从下述的几个方面进行分析：（1）运动目标检测率运动目标检测率η是表示检测目标在检测出的像素数中所占的比例，该值越大说明与标准的目标差距越小，是衡量一个算法优劣性的重要方面。如公式（3.28）所示，其中Oo是目标所包含的像素数，Bη=O（2）背景检测率背景检测率φ表示的定义如下：φ=B通过改进的平均背景法持续的更新激励系数，以及使用五帧连续图像的帧间差分算法，最后通过使用逻辑与对两个算法的二值化结果进行运算，能有效减少检测污染物运动过程中产生的空洞效应，更好的检测出位于背景中的污染物，为运动污染物的跟踪算法打下良好的基础。图3.7是污染物检测算法原理图：图