水面漂浮物智能監(jiān)控技術(shù)

1、水面漂浮物智能監(jiān)控技術(shù)摘要：智能監(jiān)控技術(shù)是對場景進(jìn)行實(shí)時(shí)監(jiān)測、自動(dòng)分析和處理的技術(shù)。水面漂浮物智能監(jiān)控系統(tǒng)的分析過程由目標(biāo)檢測、識別和分類、視頻內(nèi)容分析等幾個(gè)基本環(huán)節(jié)組成，其中視頻內(nèi)容分析主要針對識別出來的目標(biāo)進(jìn)行決策。 關(guān)鍵詞：智能監(jiān)控；目標(biāo)檢測；水污染 中圖分類號：TP393文獻(xiàn)標(biāo)識碼：A文章編號：16727800（2013）004015003 基金項(xiàng)目：貴州省教育廳自然科學(xué)基金項(xiàng)目（2011）；畢節(jié)學(xué)院科學(xué)研究基金項(xiàng)目（20072005） 作者簡介：左建軍（1976-），男，貴州民族大學(xué)碩士研究生，畢節(jié)學(xué)院數(shù)學(xué)與計(jì)算機(jī)科學(xué)學(xué)院講師，研究方向?yàn)橛?jì)算機(jī)視覺、模式識別技術(shù)；吳有富（1966-）

2、，男，博士，貴州民族大學(xué)教授，研究方向?yàn)橛?jì)算機(jī)視覺、模式識別技術(shù)。 0引言 目前，隨著工業(yè)化、農(nóng)業(yè)化及城鎮(zhèn)化建設(shè)步伐加速，人為因素對環(huán)境造成嚴(yán)重污染，在湖泊、河流、水庫及水廠等水面上出現(xiàn)大量漂浮物，這些漂浮物含有大量對人體有害的物質(zhì)。水污染已經(jīng)嚴(yán)重破換生態(tài)環(huán)境，直接威脅人類生存和發(fā)展，因此，為了人類的可持續(xù)發(fā)展，必須解決水污染問題，必須從污染物的排放進(jìn)行控制。于是，對水面漂浮物的視覺監(jiān)控成為了一個(gè)迫切需要解決的課題。對水面（特別是飲用水源、水庫、河流等）的監(jiān)控主要是通過安排專人監(jiān)看來實(shí)現(xiàn)的。這需要投入大量的人力物力資源。為了解決這些問題，有一些場景中也使用了攝像機(jī)進(jìn)行實(shí)時(shí)監(jiān)控，但是依然需要人堅(jiān)

3、守在終端設(shè)備旁，這種做法還是需要大量的人工輔助工作，而且無法實(shí)時(shí)、準(zhǔn)確地對監(jiān)控情況做出反應(yīng)。 為滿足實(shí)際應(yīng)用的需要，針對人工監(jiān)控出現(xiàn)的各種弊端，需要研究對水面的智能化監(jiān)控，即在不需要人為干預(yù)的情況下對監(jiān)控場景進(jìn)行自動(dòng)分析，及時(shí)做出反應(yīng)。水面漂浮物的智能監(jiān)控技術(shù)是智能視覺監(jiān)控中的重要內(nèi)容之一，涉及圖像處理、圖像分析、機(jī)器視覺、模式識別、人工智能等眾多研究領(lǐng)域，是一個(gè)跨學(xué)科的綜合問題。首先要對監(jiān)控畫面進(jìn)行技術(shù)處理，提高圖像質(zhì)量，然后檢測場景中出現(xiàn)的目標(biāo)，并進(jìn)行識別和分類，進(jìn)而采取措施對其進(jìn)行自動(dòng)清理。 1國內(nèi)外研究概況 智能監(jiān)控是對場景進(jìn)行實(shí)時(shí)監(jiān)測，對場景進(jìn)行自動(dòng)分析和處理的技術(shù)。智能視覺監(jiān)控越來

4、越受到國內(nèi)外很多學(xué)者和生產(chǎn)商的密切關(guān)注。國際權(quán)威期刊“International Journal of Computer Vision”、國際著名期刊“IEEE Trans. on Pattern Analysis and Machine Intelligence”、國際核心期刊“Computer Vision and Image Understanding”、IEEE最高級別的綜合期刊“Proceedings of the IEEE”分別出版視覺監(jiān)控的專輯。世界各國的大學(xué)、科研院所都紛紛進(jìn)行了大量的研究，如美國Berkeley大學(xué)（Beymer et al，1997）、Minnesota大學(xué)

5、（Christopher et al，1994a，b），英國oxford大學(xué) （Michael et al，1999）、Reading大學(xué)（Tanetal，2000），德國Karsruhe大學(xué)（Kolleretal，1994，1993，1991），日本東京大學(xué)（Shunsuke，2005，2001）等，學(xué)者們提出了多種解決方案。這些研究成果大多轉(zhuǎn)化成了產(chǎn)品，比如有Minnesota大學(xué)的Autoscpoe系統(tǒng)、法國國家運(yùn)輸與安全研究院的研究成果轉(zhuǎn)化的Citilog系統(tǒng)等。 在國內(nèi)，中科院自動(dòng)化所（樓建光等，2003，2002；Tan，2000，1998）、香港大學(xué)（Yung，1998）、浙江大

6、學(xué)（劉光耀，2005）、上海交通大學(xué)（毛燕芬，2005）等單位也陸續(xù)開展了這方面的研究工作，中國科學(xué)技術(shù)大學(xué)也在這方面進(jìn)行了研究（劉勃等，2005a，b，2004，2003）。相比國外而言，國內(nèi)這方面的研究雖然起步較晚，但發(fā)展迅速。 水面漂浮物的智能監(jiān)控是智能視覺監(jiān)控中的重要內(nèi)容之一。國際上近20年在視覺監(jiān)控及相關(guān)領(lǐng)域內(nèi)做出了比較突出的貢獻(xiàn)?；谄∥锏膱D像分割算法大致可分為： （1）背景減除。背景減除法首先是建立背景圖像，即建立不含目標(biāo)（漂浮物）時(shí)的圖像，然后將監(jiān)控場景中的當(dāng)前圖像與之差，對差圖像進(jìn)行閾值化，分割出只含有目標(biāo)區(qū)域的圖像，但對于監(jiān)控場景的變化非常敏感，比如晴天和陰天的變化；暴雨

7、過后山洪爆發(fā)，水面顏色驟變?yōu)辄S色，因此，建立好的背景模型的研究，減少動(dòng)態(tài)場景變化對準(zhǔn)確分割的影響是目前研究的一大難點(diǎn)。Haritaoglu等利用最小、最大強(qiáng)度值和最大時(shí)間差分值來為場景中每個(gè)像素進(jìn)行統(tǒng)計(jì)建模，并且進(jìn)行周期性的背景更新。McKenna等利用像素色彩和梯度信息相結(jié)合的自適應(yīng)背景模型來解決影子和不可靠色彩線索對于分割的影響。Stauffer和 Grimson利用自適應(yīng)的背景混合高斯模型（即對每個(gè)像素利用混合高斯分布建模），并且利用在線估計(jì)來更新模型，從而可靠地處理了光照變化、背景混亂運(yùn)動(dòng)的干擾等影響。 （2）圖像分割。圖像分割是將圖像中互不相交的不同區(qū)域劃分開來，這些區(qū)域滿足灰度、紋

8、理、彩色等特征的相似性準(zhǔn)則。它是數(shù)字圖像處理中的一項(xiàng)關(guān)鍵技術(shù)，它通常是為了進(jìn)一步對圖像進(jìn)行分析、識別等處理的圖像預(yù)處理環(huán)節(jié)，其分割的準(zhǔn)確性直接影響后續(xù)任務(wù)的有效性。自20世紀(jì)70年代起一直受到人們的高度重視，目前提出的分割算法大都是針對具體問題的，并沒有一種適合所有圖像的通用分割算法。最近幾年又出現(xiàn)了許多新思路、新方法和改進(jìn)算法。主要是：第一、顏色聚類。顏色聚類就是對顏色空間中的各個(gè)顏色歸類，將顏色非常接近的幾種顏色歸為一類色，用兩個(gè)顏色之間的距離表示色差。為簡單起見，一般采用RGB色空間中的距離來表示；第二、紋理特征的提取與選擇。由于目前對紋理圖像還沒有一個(gè)明確的定義和描述模型，而且各個(gè)區(qū)域

9、的紋理一致性是相對而言，即不同紋理區(qū)域具有一定的相似性，相同的紋理區(qū)域內(nèi)具有一定的紋理不一致性，所以基于紋理特征的目標(biāo)可區(qū)分度較小。在灰度不一致的情況下分割出目標(biāo)完全依靠與理想的紋理特征描述。 2水面漂浮物智能監(jiān)控技術(shù)研究內(nèi)容 2.1漂浮物檢測 漂浮物的實(shí)時(shí)檢測處于視覺監(jiān)控技術(shù)的最底層，是各種后續(xù)處理如漂浮物識別的基礎(chǔ)。漂浮物的檢測主要是從監(jiān)控?cái)z像機(jī)所捕捉的序列圖像中檢測是否有漂浮物的存在，其過程為：首先采用自適應(yīng)背景模型創(chuàng)建背景圖像，然后利用當(dāng)前圖像幀與背景圖像相差分的技術(shù)檢測出圖像中的變化區(qū)域，再從所有變化區(qū)域中將對應(yīng)于漂浮物的區(qū)域單獨(dú)提取出來。實(shí)時(shí)準(zhǔn)確的漂浮物檢測是漂浮物污染的視覺分析基

10、礎(chǔ)，由于復(fù)雜動(dòng)態(tài)環(huán)境中捕捉的背景圖像受到天氣、光照場景（如晴天、陰天、雨天等）、影子、搖動(dòng)的樹枝、攝像機(jī)自身運(yùn)動(dòng)等多方面的影響，給漂浮物的檢測帶來了困難，目前已經(jīng)有一些比較好的檢測方法。 背景差法基本思想是將當(dāng)前幀圖像與事先存儲的背景圖像相減，將差圖像中大于預(yù)先設(shè)定的閾值T的區(qū)域分割出來，該算法能直接得到目標(biāo)的位置、大小、形狀等信息。背景差法實(shí)現(xiàn)的關(guān)鍵是背景模型的獲取和更新。典型的背景建模方法是用混合高斯模型描述背景圖像像素值的分布， 該方法是背景的多模型問題，也是參數(shù)化的，背景模型可用循環(huán)的方式獲得。在漂浮物檢測的時(shí)候，當(dāng)前像素值如果符合該分布，則為前景點(diǎn)，否則為背景點(diǎn)，同時(shí)用新獲取的圖像對

11、背景模型參數(shù)進(jìn)行更新。文獻(xiàn)提出一種改進(jìn)的自適應(yīng)混合高斯模型來更新背景，用連通區(qū)檢測算法分割出前景目標(biāo)，以Kalman濾波為運(yùn)動(dòng)模型實(shí)現(xiàn)對運(yùn)動(dòng)目標(biāo)的連續(xù)跟蹤。 2.2漂浮物特征提取 目標(biāo)特征化是實(shí)現(xiàn)實(shí)時(shí)、準(zhǔn)確識別目標(biāo)的關(guān)鍵。作為關(guān)鍵步驟，特征提取的目的是獲取一組分類特征，即獲取特征數(shù)目少且分類錯(cuò)誤概率小的特征向量。特征的提取可分以下幾步進(jìn)行： （1）特征形成。根據(jù)被識別的對象產(chǎn)生一組特征，可以是圖像當(dāng)前幀的直接測量值，也可以是將當(dāng)前幀作某些變換后得到的值。 （2）特征選擇。由特征形成過程得到的特征可能很多，為了減少分類計(jì)算判別，降低分類錯(cuò)誤概率，因此需要減少特征位數(shù)。特征的選擇就是從L個(gè)度量值集

12、合（x-1，x-2，x-L）中，按某一準(zhǔn)則（挑出一些最有效的特征）選出目標(biāo)對象的一個(gè)子集，降維（m維，mL）的特征作為目標(biāo)的分類特征。 （3）特征提取。特征提取是另一種減少特征位數(shù)的方法，它是使（x-1，x-2，x-i，x-L）通過某種數(shù)學(xué)變換產(chǎn)生m個(gè)特征（y-1，y-2，y-i，y-m），即通過映射的方法把維數(shù)較高的特征向量變換為維數(shù)較低的特征向量，其目的是為了在保留識別信息的前提下，降低特征空間的維數(shù)，達(dá)到對當(dāng)前幀中目標(biāo)對象的實(shí)時(shí)分類。 由于采用上述方法得到的特征維數(shù)還是比較高，所以采用主成分分析對圖像特征降維，可以減少特征數(shù)據(jù)庫的大小。 2.3漂浮物識別和分類 目標(biāo)的識別是一種標(biāo)記過程。

13、識別算法主要用于識別監(jiān)測場景中已分割出來的區(qū)域。識別方法有兩類：決策理論方法和結(jié)構(gòu)方法。決策理論方法以定量描述為基礎(chǔ)，即統(tǒng)計(jì)模式識別方法；而結(jié)構(gòu)方法依賴于符號描述及它們的關(guān)系，即句法模式識別方法。 分類的關(guān)鍵問題是目標(biāo)對象特征量的提取和分類器的構(gòu)造。用于目標(biāo)分類的特征主要采用空間特征，如目標(biāo)的形狀、大小、位置等空間特征。在此，主要研究高效、快速算法。分類器的建立，主要根據(jù)人腦對目標(biāo)物體的分類過程，采用能夠模擬人腦功能的人工神經(jīng)網(wǎng)絡(luò)來實(shí)現(xiàn)，人工神經(jīng)網(wǎng)絡(luò)和生物神經(jīng)系統(tǒng)之間有著某些內(nèi)在的相似之處，能夠模擬人腦加工、存儲與搜索信息機(jī)制來解決某些特定的問題。具有自適應(yīng)、自組織自學(xué)習(xí)能力，可以解決一些環(huán)境

14、信息復(fù)雜、背景不清楚的問題。通過對樣本的學(xué)習(xí)建立其記憶。人工神經(jīng)網(wǎng)絡(luò)可以通過學(xué)習(xí)獲得目標(biāo)特征信號在模式空間中的分布。用BP算法對水面漂浮物樣本特征進(jìn)行訓(xùn)練，建立漂浮物分類器；然后對檢測出來的漂浮物進(jìn)行特征化，將特征化后的數(shù)據(jù)輸入分類器中，根據(jù)輸出數(shù)據(jù)決定其屬類。 2.4視頻內(nèi)容分析 這主要是對以上識別出的目標(biāo)進(jìn)行分析，如識別出漂浮物面積大于預(yù)先設(shè)定的一閾值，則該系統(tǒng)實(shí)現(xiàn)如下功能：報(bào)警，根據(jù)固定場景中分割、識別出的漂浮物的量的判斷，當(dāng)超過設(shè)定的限量時(shí)，就啟動(dòng)報(bào)警器，提醒工作人員清理漂浮物；啟動(dòng)自動(dòng)清淤器，當(dāng)識別出漂浮物較多時(shí)，就對自動(dòng)清淤器發(fā)出信號，啟動(dòng)該設(shè)備對漂浮物進(jìn)行自動(dòng)清理。 3水面漂浮物

15、智能監(jiān)控存在的問題 智能視覺監(jiān)控技術(shù)目前還存在以下新的研究問題：分布式視覺監(jiān)控。采用多個(gè)攝像機(jī)從不同角度對同一場景進(jìn)行監(jiān)控，被認(rèn)為是提高系統(tǒng)性能，特別是解決目標(biāo)遮擋問題的有效方法。這將涉及到多源視頻序列的融合問題。分布式監(jiān)控系統(tǒng)需要解決的一個(gè)重要問題是如何實(shí)現(xiàn)多角度信息的合理互補(bǔ)，有效提高監(jiān)控系統(tǒng)的性能；多波段成像監(jiān)控。受多光譜搖撼的啟發(fā)，對監(jiān)控內(nèi)容在可見光、紅外等多個(gè)波段同時(shí)成像，不僅可以使監(jiān)控設(shè)備少受外界條件的影響，而且有利于各成像波段間信息的互補(bǔ)，實(shí)現(xiàn)對場景內(nèi)容更為全面的分析。 4結(jié)語 數(shù)字化、網(wǎng)絡(luò)化、智能化是視頻監(jiān)控領(lǐng)域的發(fā)展趨勢。智能視頻監(jiān)控技術(shù)是對現(xiàn)有數(shù)字視頻監(jiān)控系統(tǒng)的一個(gè)彌補(bǔ)，將

16、人工監(jiān)控變?yōu)橛?jì)算機(jī)自動(dòng)監(jiān)控，自動(dòng)識別漂浮物污染威脅，減少人為因素造成的誤報(bào)、漏報(bào)，將操作人員從繁重的監(jiān)控工作中解放出來。智能視頻監(jiān)控除了用于環(huán)保外，還可以用于軍事、安保、交通管理、客戶分析等領(lǐng)域，為人們生活帶來方便，實(shí)現(xiàn)安全、高效、智能化的生活。 參考文獻(xiàn)： 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