您当前的位置:首页 > 市场分析

基于动态阈值的核密度估计前景检测算法

2018-08-28 05:00:20

摘要:为解决煤层气开采(CBM)现场中抽水机往复运动和风吹草动等动态环境对前景检测的干扰及核密度估计(名门棋牌游戏注册KDE)目标检测法实时性差的问题,提出了一种改进核密度估计前景检测算法。该方法先用背景差分法(BS)融会三帧差算法将图象分割成动态背景区与非动态背景区绿城安吉柳岸晓风
,对动态背景区再用核密度算法分割前景。分割前景时提出了一种新的动态阈值求取方法,综合了相邻样本绝对差均值和样本方差来确定窗宽,并用定时更新与实时更新相结合的策略更新第二背景模型,在替换样本时用随机抽取策略代替先进先出(FIFO)方式。仿真结果表明,改进核密度估计算法与核密度估计法和背景差分核密度估计(BSKDE)法相比,平均每帧图像算法耗时分别下降了94.18%和15.38%,识别的运动目标也更加完整。实验结果表明所提算法在煤层气开采场景中能准确检测到前景,并基本满足标清视频监控实时性要求。

关键词:煤层气开采;往复运动干扰;核密度估计;动态阈值;窗宽;背景更新

中图分类号: TP391.413 文献标志码:A

Abstract: A new improved Kernel Density Estimation (KDE) algorithm used to segment foreground was proposed for the problem of reciprocating pumps and other troubles for segmenting foreground in the field of Coal Bed Methane (CBM) extraction and poor realtime of KDE. Background Subtraction (BS) and three frame difference were applied to divide the image into dynamic and nondynamic background regions and then KDE was used to segment foreground for the dynamic background region. A new method of determining dynamic threshold was proposed when segmenting foreground region. Mean absolute deviation over the sample and sample variance were combined to compute the bandwidth. And the strategy of combining regular update with realtime update was used to renew the second background model. Random selection strategy instead of First In First Out (FIFO) mode was applied when replacing samples of the second background m名门棋牌odel. In the simulation experiments, the average timeconsuming of per frame image is reduced by 94.18% and 15.38% and moving objects are more complete when comparing the improved KDE with the KDE and Background Subtraction Kernel Density Estimation (BSKDE) respectively. The experimental results show that the proposed algorithm can detect foreground in the field of CBM extraction accurately and meet the realtime requirement in the standard definition video surveillance system basically.

Key words: Coal Bed Methane (CBM) extraction; reciprocating interference; Kernel Density Estimation (KDE); dynamic threshold; bandwidth; update background

0 引言

煤层气是一种清洁能源[1]。开采现场多位于山区、田野等地且处于无人值守状态,目前主要靠人工方式巡检,不能实时了解现场情况,因此在财产安全上存在重大隐患。设计一种无线远程监控系统可以节省人力物力且安全可靠,而目标检测算法优劣关系到系统性能的好坏。将准确、快速的目标检测算法应用于煤层气开采现场可以对目标闯入、火灾和机器倒塌等情况立即报警,通过第三代移动通讯(3rdGeneration, 3G)络将包含异常情况的图片上传监控中心。

目前,静态场景下的目标检测算法有多种。背景差分法(Background Subtraction, BS)[2]是一种广泛运用的前景分割方法,通过计算当前帧与背景图像之差来取得前景区域,处理速度很快,但对复杂场景中干扰抑制能力不强,影响了准确度现金捕鱼
。Friedman等[3]和Colombari等[4]认为背景模型是高斯模型(Gaussian Model, GM),即把像素点背景模型看成是高斯散布,但现实场景包括多种噪声且环境复杂,单一高斯模型不能够准确表示每个像素的背景模型,因此,Stauffer等[5]提出了混合高斯模型(Gaussian Mixture Model, GMM)背景建模法,该模型下像素点背景模型由3到5个带有权重名门棋牌游戏注册的高斯模型表示,对外界环境有一定适应能力,但初始化时需假定模型参数,学习时间较长,计算量较大。为此,Suhr等[6]提出了改进GMM算法,该算法采取Bayer图象进行计算以提高算法速度,但现实中的图象收集模块不一定都能把图象转换为Bayer图象,如果用软件编程方式转换,也是很耗时的。针对本文所述的实际环境,抽水机往复运动及风吹草动等动态环境影响,背景较为复杂,如图1所示。目标检测算法要能够排除这些无关扰动,及时检测到运动目标、火灾和设备倒塌等情况。Elgammal等[7]提出的核密度估计(Kernel Density Estimation, KDE)背景建模法较为适合,因为它是基于样本驱动的无参数背景建模法,合理选取样本可以使像素点背景模型包含多种背景信息(如抽水机、远山、天空等),在数据上由样本估计出的总体散布比假定成高斯或混合高斯分布要更具说服力。但核密度法运算量大,实时性差[8],因此本文提出了一种改进的核密度估计前景检测算法。   1 核密度估计算法回顾

核密度估计背景建模法,是用来解决未知背景模型没法准确表示的问题,它是一种无参数的背景建模方法。一经提出便引发了许多学者兴趣。算法的核心思想以下。

3)背景更新。有盲目更新与选择性更新两种方式。盲目更新会使运动目标参加到背景更新过程中,带来检测不准确的问题,而选择性更新可能使误检一直存在。在更新方式上,采用先进先出(First In First Out, FIFO)方法,即新像素点加入到背景模型中,同时剔除模型中最早时刻的样本。

由KDE算法核心描写可以看出,这种方法充分考虑了先前时刻背景样本信息,可以适应复杂的背景环境,尤其是对本文中实际情况,抽水机往复运动干扰,运动轨迹上像素的背景模型可以包括抽水机在或不在此点处的信息,从而在下一刻区分前景时,不会将往复运动看成是运动前景。

2 算法改进

根据文献[7]可知,核密度算法运算量较大,所以很耗时。为此文献[8]提出了一种改进算法,运用递归的方式求取核密度估计以减少计算量和存储空间,这种方式化简式(3)时用泰勒展开,只保留了一次项,必然会降低精度。

实际上对每个像素点都经过核密度估计来区分前景是没有必要的,也是很耗时的。文献[10]提名门棋牌下载出了基于背景差分核密度估计(Background Subtraction Kernel Density Estimation, BSKDE)检测算法,很有实际意义。非动态背景区完全可以由背景差分法来过滤,因为这部分场景变化较小。对于动态背景区再由核密度估计来分割前景。但是,背景差分法也会存在运动目标检测不完整的情况,而且它对核密度估计中窗宽选取和阈值确定没有进行深入研究,背景更新方式上较KDE方法也没有改进。

因此,本文采用两种背景模型来逐步分割前景,即每个像素点包含两个背景模型,称为第一背景模型和第二背景模型,第一背景模型初始化为前M样本点的像素均值,第二背景模型初始化如前所述。背景差分法应用第一背景模型把图象分割成动态背景区域和非动态背景区域。在这一步为了保证运动目标区域的完整性,需要放宽判断动态背景区域的条件,这里采取的是三帧差算法和背景差分法结合,条件取或判断动态背景区域。通过这一步,能有效过滤非典型运动像素点,减少了计算量,同时,避免第二背景模型选择性更新由于误检带来的死锁。设想如果单一核密度背景模型,把某点背景误检为前景,由因而选择更新,这点处背景模型不会改变,则该点会被一直认为是前景点。但是本文采取了两个背景模型,第一背景模型通过背景差分就可以把该点判断为背景,使死锁解开。

核密度算法运用第二背景模型在动态背景区域分割前景。在前景分割时采取一种动态阈值,该动态阈值是由总体几率密度函数求出的,有较高的准确度和自适应能力,在包括复杂信息的像素点(如抽水机运动轨迹上的像素点)处也能准确识别运动前景。

在背景更新时,第一背景模型采取渐进式更新策略[11],第二背景模型更新采用定时更新与实时更新结合策略,即正常情况每隔一段时间更新一次背景,若发现运动目标,则立即更新背景。在替换背景模型样本时,用随机选择方法抽取样本,保证公平对待每一个样本。算法流程如图2所示。

2.1 窗宽选择

窗宽表示单个样本在以自己中心的多大范围内对整体几率密度有贡献,选择适合的窗宽很重要[12]。Elgammal等[7]提出了一种经典的求取窗宽的方法,即根据相邻样本点像素值的绝对差中位数(Median Absolute Deviation, MAD)m动态求取窗宽。用这种方法求取窗宽时需要对相邻样本点绝对差进行排序,明显是耗费时间的,而且没有充分利用每个样本点的贡献。鉴于此,可以综合所有相邻样本点像素值绝对差,即以所有绝对差均值代替绝对差中位数,计算公式为:

大多数情况下,像素点沿时间轴上的散布是正态分布,此时采取式(6)是窗宽的最优估计。如果像素沿时间轴分布不是正态分布,采取式(5)则适应性更强,因此,本文综名门棋牌注册合了以上两种方法,在算法初始化阶段,将像素点进行数理统计上的偏度和峰度检验,判断是不是符合高斯分布。当像素点沿时间轴的分布不是高斯分布时采用式(5)计算;否则采取式(6),这样增加了窗宽估计的准确性和鲁棒性。

2.2 前景目标检测

2.2.1 检测步骤

T为由噪声决定的阈值,T1代表三帧差法阈值。Ii(t)代表t时刻像素i取值,B1,i(t)代表第一背景模型相应的像素值,则辨别后,对Di(t+1)为0处的像素点设为区域BC1,是非动态背景区域。对Di(t+1)为1处的像素设为区域FC,是动态背景区域,这部分区域的确定是由背景差分和三帧差算法阈值条件取或决定的,如式(7)所示。因为三帧差算法包括了帧间差别信息,能够消除运动目标的“重影”,使运动目标轮廓清晰,也可以补充单纯采取背景差分时不全面的运动目标区域。动态背景区域包含两种情况:1)由抽水机往复运动或者风吹草动产生的运动背景设为区域BC2,此区域也应看做背景;2)前景运动目标设为区域FC′,这一区域是要分割的运动前景,因此,对于Di(t+1)为1的像素点要作进一步处理。应用核密度算法就可以将真正的运动前景区域FC′分出来,这一步就是运名门棋牌动前景的精提取。

对动态背景区域FC中的像素点由式(3)计算几率密度,得到概率密度后需要与一定的阈值比较来辨别前景点还是运动背景点,KDE算法和BSKDE算法所选取的阈值都是定阈值,即全局阈值。这种方法对复杂环境的适应能力不强,易造成误检。

针对本文的实际干扰:抽水机的往复运动和风吹草动等,应当使用一种动态阈值来检测前景点。考虑到窗宽与样本变化范围有关,即样本变化范围越大(如抽水机运动轨迹处的像素点,它们的样本变化范围较大),窗宽越大,此时计算出的概率密度偏小,所以阈值也应该获得小一些才不会造成误检。可见,窗宽与阈值是成负相干的。文献[13]提出了一种方法,认为阈值与窗宽成反比关系,式(5)本文的公式编号指代错误;另外,这段语句也不通顺,请对此处作相应调剂。文献[13]提出了一种动态阈值求取方法,将阈值看做窗宽的反比例函数,如式(8)所示。在实验比较中也给出了不错的效果。   BSKDE算法和本文算法相比KDE算法处理速度提高很多,但每帧处理时间差别较大。这是由于两种算法都经过了背景差分,只对动态背景区域FC进行了核密度估计,每帧的处理时间与动态背景区域占整幅图象区域比例有关。背景差分后的动态背景区域越大,则处理时间越长。煤层气开采现场视频帧中,没有前景目标情况下(第206帧和第354帧)处理时间明显少于有目标情况(第435帧和第551帧);HOUSE视频帧中,运动目标小(第177帧和第198帧)比运动目标大(第1046帧和第1059帧)处理时间要少。

而本文算法比较BSKDE算法处理速度上又有所提高,这是由于采用了定时更新与实时更新相结合的策略,定时间隔内只需计算核密度,节省了运算量;有前景目标时,实时更新作为补充,也只会在有运动目标的几帧上增加名门棋牌下载运算量。窗宽选择上综合了式(5)~(6)的优点,更新样本时用随机抽取代替先进先出,两者都减少了排序所耗费的时间。

测试发现,统计两段视频前1000帧算法处理时间,在运动目标出现时耗时增加,而在没有运动目标情况耗时只是在20ms左右。经过计算,平均每帧耗时分别为50.23ms和54.85ms,每秒能处理20帧左右。与前两种算法比较,平均耗时分别下降了94.18%和15.38%。鉴于本文算法终究应用到无线视频监控系统中兑换美元
,由于带宽限制所传输的图象为标清,每秒10帧左右的处理速度就能够满足现场需要。

4 结语

本文提出了一种改进的KDE目标检测算法,该算法采取两种背景模型,先用背景差分和三帧差算法辨别出动态背景区域,再用KDE分割前景。这样可以有效过滤非动态背景区域,减少核密度估计计算量,也能避免核密度算法选择性更新误检带来的死锁,同时,提出了一种基于总体概率密度函数的动态阈值求取方法,使得目标识别准确度提高;第二背景更新上采用定时更新与实时更新结合方法,在替换样本时用随机抽取代替先进先出策略,在保证准确度的情况下提高了算法速度。从现场视频和标准视频测试中可以看出,本文算法能够排除现场抽水机往复运动干扰和风吹草动等动态环境影响,并基本上满足标清视频的实时性要求,为下一步应用于视频监控系统打下了算法基础。

参考文献:

[1]CUI L, SUN J, HU Z, et al. Coal bed methane extraction significance and theory analysis [J]. Science and Technology Innovation Herald, 2009(22):.(崔璐,孙娇鹏,胡忠亚,等.煤层气开采意义及原理分析[J].科技创新导报,2009(22):.)

[2]ARSENEAU S, COOPERSTOCK J R. Realtime image segmentation for action recognition [C]// Proceedings of the 1999 IEEE Pacific Rim Conference on Communications, Computers and Signal Processing. Piscataway: IEEE, 1999: .

[3]FRIEDMAN N, RUSSELL S. Image segmentation in video sequences: a probabilistic approach [C]// Proceedings of the Thirteenth Conference on Uncertainty in Artificial Intelligence. Burlington: Morgan Kaufmann Publishers, 1997: .

[4]COLOMBARI A, FUSIELLO A, MURINO V. Segmentation and tracking of multiple video objects [J]. Pattern Recogni名门棋牌游戏注册tion, 2007, 40(4): .

[5]STAUFFER C, GRIMSON W E L. Adaptive background mixture models for realtime tracking [C]// Proceedings of the 1999 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway: IEEE, 1999: .

[6]SUHR J K, JUNG H G, LI G, et al. Mixture of Gaussiansbased background subtraction for Bayerpattern image sequences [J]. IEEE Transactions on Circuits and Systems for Video Technology, 2011, 21(3): .

[7]ELGAMMAL A, HARWOOD D, DAVIS L. Nonparametric model for background subtraction [C]// ECCV 2000: Proceedings of the 6th European Confe名门棋牌rence on Computer Vision, LNCS 1843. Berlin: Springer, 2000: .

[8]RAMEZANI R, ANGELOV P, ZHOU X. A fast approach to novelty detection in video streams using recursive density estimation [C]// IS08: Proceedings of the 4th International IEEE Conference on Intelligent Systems. Piscataway: IEEE, 2008: .   [9]ELGAMMAL A, DURAISWAMI R, HARWOOD D, et al. Background and foreground modeling using nonparametric kernel density estimation for visual surveillance [J]. Proceedings of the IEEE, 2002, 90(7): .

[10]LIU D, GAO M. Foreground object detection based on ba名门棋牌官ckground subtraction image kernel density estimation [J]. Computer Engineering and Applications, 2013, 49(6): .(刘娣,高美凤.基于背景差分的核密度估计前景检测方法[J].计算机工程与应用,2013,49(6):.)

[11]ZHOU E, LIU C, ZHANG L, et al. Foreground object detection based on time information window adaptive kernel density estimation [J]. Journal on Communications, 2011, 32(3): .(周恩策,刘纯平,张玲燕,等.基于时间窗的自适应核密度估计运动检测方法[J].通讯学报,2011,32(3):.)

[12]KATKOVNIL V, SHMULEVICH I. Nonparametric density estimation with adaptive varying window size [J]. Pattern Recognition Letters, 2002, 23(14): .

[13]LUO X. Background modeling in video tracking [D]. Changsha: National University of Defense Technology, 2007.(罗小兰.视频跟踪中的背景建模[D].长沙:国防科学技术大学,2007.)

[14]PICCARDI M. Backgr名门棋牌游戏ound subtraction techniques: a review [C]// Proceedi名门棋牌官ngs of the 2004 IEEE International Conference on Systems, Man and Cybernetics. Piscataway: IEEE, 2004: .

影像仪
推荐阅读
  • 个人房贷怎么查询
    个人房贷怎么查询

    个人房贷怎么查询 买车还是还房贷?问题详情:本人88年的,房贷35万元月供大概2700,目前准备要小孩,现手头有...[详细]

  • 买房广告中的低层
    买房广告中的低层

    买房广告中的低层 如何看待电影、电视剧中的广告植入?问题详情:影视剧和电影中的广告植入不在少数,或明显...[详细]

  • 贴墙纸有甲醛吗
    贴墙纸有甲醛吗

    贴墙纸有甲醛吗 新居装修后,担心有甲醛,请问会影响乳汁吗?问题详情:最近刚搬新家,虽然装修后有通风过几...[详细]

  • 信用卡可以买房买车吗
    信用卡可以买房买车吗

    信用卡可以买房买车吗 买车为何不能刷信用卡?问题详情:最近买车,手里有张10w额度的信用卡结果4s店说只能刷...[详细]

  • 海南买房分界线
    海南买房分界线

    海南买房分界线 海南买房买哪里最好?问题详情:想在海南买房给父母养老加投资,哪个城市升值空间大。或除了...[详细]

  • 上门量房出户型尺寸图_1
    上门量房出户型尺寸图_1

    上门量房出户型尺寸图 家电维修收上门费公道吗?问题详情:请问现在家电维修收上门费合理吗?家里电视坏了,...[详细]

图文聚焦