摘要介紹智能監(jiān)控系統(tǒng)中的圖像識別技術(shù);利用蟻群算法進(jìn)行圖像

1、摘  要:介紹智能監(jiān)控系統(tǒng)中的圖像識別技術(shù);利用蟻群算法進(jìn)行圖像分割，提取可疑區(qū)域，再運用人工智能中的基于缺省規(guī)則推理對可疑區(qū)域進(jìn)行分別處理。運用這項技術(shù)對非法入侵對象進(jìn)行識別，經(jīng)實驗驗證實用可靠，滿足實時性要求，能將報警信號和可疑區(qū)域圖像通過網(wǎng)絡(luò)傳送到報警中心。關(guān)鍵詞: 蟻群算法；圖像分割；圖像識別;人工智能；視頻監(jiān)控1 前言   現(xiàn)在，圖像處理技術(shù)在科學(xué)技術(shù)領(lǐng)域中的地位愈來愈重要；計算機(jī)通信技術(shù)和網(wǎng)絡(luò)技術(shù)的快速發(fā)展，使得應(yīng)用圖像處理技術(shù)的智能監(jiān)控系統(tǒng)得到了飛速的發(fā)展。   該監(jiān)控系統(tǒng)利用蟻群 算法進(jìn)行圖像分割，提取可疑區(qū)域，再運用人工智能中

2、的基于缺省規(guī)則推理對可疑區(qū)域進(jìn)行分別處理。運用這項技術(shù)對非法入侵對象進(jìn)行識別，經(jīng)實驗驗證實用可靠，滿足實時性要求。2 圖像分割圖像分割是自動目標(biāo)識別的關(guān)鍵和首要步聚，其目的是將目標(biāo)和背景分離，為計算機(jī)視覺的后續(xù)處理提供依據(jù)。通常圖像分割包括閾值法；邊緣檢測法；區(qū)域跟蹤法。本文用蟻群算法實現(xiàn)圖像分割，有利于后面的目標(biāo)識別。2.1蟻群算法蟻群算法(ant colony algorithm , ACA) 是一種新型的模擬進(jìn)化算法. 它是在對自然界中真實蟻群的集體行為的研究基礎(chǔ)上,由意大利學(xué)者M(jìn).Dorigo等人首先提出的。像螞蟻這類群居昆蟲雖然沒有視覺,卻能找到由蟻巢到食物源的最短路徑. 仿生學(xué)家經(jīng)

3、過大量細(xì)致觀察研究發(fā)現(xiàn),螞蟻個體之間通過一種稱之為外激素(pheromone) 的物質(zhì)進(jìn)行信息傳遞,螞蟻在運動過程中,能夠在它所經(jīng)過的路徑上留下該物質(zhì),而且螞蟻在運動過程中能夠感知這種物質(zhì)的存在及其強度,并以此指導(dǎo)自己的運動方向,螞蟻傾向于朝著該物質(zhì)強度高的方向移動. 因此,由大量螞蟻組成的蟻群的集體行為便表現(xiàn)出一種信息正反饋現(xiàn)象:某一路徑上走過的螞蟻越多,則后來者選擇該路徑的概率就越大. 螞蟻個體之間就是通過這種信息的交流達(dá)到搜索食物的目的.蟻群算法模擬真實蟻群的協(xié)作過程,算法由許多螞蟻共同完成. 每只螞蟻在候選解的空間中獨立地搜索解,并在所尋得的解上留下一定的信息量.解的性能越好螞蟻留在其

4、上的信息量越大,信息量越大的解被選擇的可能性也越大. 在算法的最初階段所有解上的信息量是相同的,隨著算法的推進(jìn)較優(yōu)解上的信息量增加,算法漸漸收斂. 蟻群算法已成功解決了一系列問題,如TSP 問題、分配問題、Job_shop 問題,所取得的結(jié)果無論是在解的質(zhì)量上,還是在收斂速度上都要優(yōu)于或至少等效于演化算法(EA) 、模擬退火算法( SA) 以及其他一些啟發(fā)式方法. 這些初步研究已顯示出蟻群算法在求解復(fù)雜組合優(yōu)化問題方面具有并行化、正反饋、魯棒性強等先天優(yōu)越性.該算法用于圖像分割的數(shù)學(xué)描述如下。2.2 圖像分割特征提取      一幅圖像中包括目

5、標(biāo)、背景、邊界和噪聲等內(nèi)容，特征提取的目的是要找出體現(xiàn)這些內(nèi)容之間區(qū)別的特征量，對于后繼的分類過程至關(guān)重要。區(qū)別目標(biāo)和背景的一個重要的特征是像素灰度，因此選用像素的灰度值作為聚類的一個特征。另外，邊界點或噪聲點往往是灰度發(fā)生突變的地方，而該點處的梯度體現(xiàn)出這種變化，是反映邊界點與背景或目標(biāo)區(qū)域內(nèi)點區(qū)別的重要特征。最后，對于梯度值較高的邊界點和噪聲點，可以利用像素的 3×3 鄰域進(jìn)行區(qū)分。在一幅圖像中，與區(qū)域內(nèi)點灰度值相近的3×3 鄰域的像素個數(shù)一般為 8，與邊界點灰度值相近的3×3鄰域像素個數(shù)一般大于或等于6，而對于噪聲點，該數(shù)值一般小于 4。鄰域特征的提取方法為

6、：將當(dāng)前像素和鄰域像素的灰度差與灰度差閾值T作比較，小于該閾值的鄰域像素個數(shù)即所要提取的鄰域特征。T 的設(shè)置根據(jù)圖像的特點而變化，對于細(xì)節(jié)較多的圖像取值較大，平滑圖像取值較小，一般取值范圍為5090。    上述三個特征反映了目標(biāo)、背景、邊界和噪聲的特點，這樣每只螞蟻成為一個以灰度（gray value）、梯度（gratitude）和鄰域（neighbor）為特征的三維向量。2.3 蟻群算法數(shù)學(xué)描述    給定原始圖像X ，將每個像素X（j=1,2N）看作一只螞蟻，則根據(jù)上述進(jìn)行特征提取，每只螞蟻是以灰度、梯度和鄰域為特征的三維向量，

7、圖像分割就是這些具有不同特征的螞蟻搜索食物源的過程。任意像素Xi 到 Xj 的距離為     ，采用歐氏距離計算：                              (1)    其中 m為螞蟻的維數(shù)，這里 m為3，p 為加權(quán)因子，

8、根據(jù)像素各分量對聚類的影響程度設(shè)定。    設(shè) r為聚類半徑，  為信息量，則：                                      (2)  &#

9、160; Xi選擇到 Xj 路徑的概率為  ：                            (3)    其中， 是啟發(fā)式引導(dǎo)函數(shù)，、 分別為像素聚類過程中所積累的信息以及啟發(fā)式引導(dǎo)函數(shù)對路徑選擇的影響因子。S= Xs|     

10、     ,s=1,2N為可行路徑集合。    隨著螞蟻的移動，各路徑上信息量發(fā)生變化，經(jīng)過一次循環(huán)，各路徑上信息量根據(jù)下式進(jìn)行調(diào)整：                                 

11、         (4)    其中，  為信息量隨時間的衰減程度，  為本次循環(huán)中路徑信息量的增量。                              

12、0;               (5) 表示第k只螞蟻在本次循環(huán)中留在路徑中的信息量。3 監(jiān)控目標(biāo)的智能識別在識別中,如果只用當(dāng)前的圖像與參考圖像(無非法入侵對象時的背景圖像)進(jìn)行比較,很難得到理想的效果。因為當(dāng)前圖像與參考圖像比較之后只能得到物體的輪廓，輪廓在圖像處理中只能描述物體的外形，而單憑外形是很難對監(jiān)控目標(biāo)作出正確判斷的，所以要采用序列圖像和一些經(jīng)驗性的缺省規(guī)則來加以判斷。系統(tǒng)程序流程圖如圖1所示.該程序流程圖采用2個規(guī)則粗略地判斷監(jiān)

13、控目標(biāo)的屬性。（1）當(dāng)前圖像與參考圖像的最大灰度差值小于閾值T1，則無目標(biāo)。因為當(dāng)前圖像有可能僅僅是由于環(huán)境的影響在參考圖像的基礎(chǔ)上而發(fā)生了微小變化，比如，當(dāng)天氣的微小變化，參考圖像與當(dāng)前圖像背景灰度就有變化，這時就需要把最大灰度差值過小的監(jiān)控目標(biāo)視為干擾源。（2）當(dāng)前圖像與參考圖像的最大灰度差值大于等于T1，則可能為非法入侵對象。31基于規(guī)則的非法入侵對象識別（1）根據(jù)窗口面積大小決定是否是可疑入侵對象。規(guī)則1：窗口面積大于面積閾值T1，則是可疑入侵對象面積是指窗口中1的個數(shù)。因為動態(tài)參考圖像、動態(tài)閾值都不能保證當(dāng)前圖像和參考圖像的變化不大。（2）發(fā)現(xiàn)可疑亮區(qū)A后，再采集圖像，利用規(guī)則1，判

14、斷可疑亮區(qū)B。規(guī)則2：窗口重疊率大于80%，則不是可疑入侵對象。重疊率是指窗口B中1值點與窗口A中1值點重疊部分占A中1值點的比率.32 自動跟蹤     當(dāng)監(jiān)控現(xiàn)場出現(xiàn)運動的人或者物體時，系統(tǒng)可以自動識別和響應(yīng)，報警并記錄報警時間及錄制現(xiàn)場監(jiān)控的信息，當(dāng)運動物體超出監(jiān)控范圍時，啟動攝像機(jī)云臺的動作，當(dāng)監(jiān)控現(xiàn)場一定時間段里沒有運動目標(biāo)出現(xiàn)時，云臺可以對攝像機(jī)的所有可見范圍進(jìn)行掃描，當(dāng)捕捉到運動目標(biāo)時，實施對目標(biāo)的跟蹤。 由于對運動物體的運動特征的檢測和目標(biāo)的跟蹤是一個比較復(fù)雜的課題，在攝像機(jī)和運動物體同時運動時的圖像跟蹤涉及到攝像機(jī)的定標(biāo)和圖像

15、的定位，在實際的應(yīng)用中難以實現(xiàn)，本方案根據(jù)現(xiàn)場場景變化，在檢測物體運動時，攝像機(jī)相對靜止，采集到的圖像變化在充分考慮到干擾后，基本可以視為由于物體運動引起的條件，在云臺動作時，不進(jìn)行圖像的處理，這里要求云臺具有快速的響應(yīng)，避免跟蹤物體的丟失，采用的圖像跟蹤算法必須快速有效地控制云臺動作，使運動目標(biāo)不會由于云臺的誤動作而丟失。筆者研制的系統(tǒng)采用模糊控制算法，通過運動目標(biāo)的位置及其速度，得到云臺的運動方向和位移大小，經(jīng)過實踐證明，可以準(zhǔn)確地完成跟蹤任務(wù)。4 實驗結(jié)果   看下面一組圖，第一次與第二次采集的圖像只是有一點挪動，兩次采集的圖像重疊率小于80%，系統(tǒng)就會報警，實驗圖例如下圖所示。