胡明合

摘 ?要： 人工檢測(cè)方法只收集了模糊目標(biāo)相關(guān)信息以及模糊背景分析結(jié)果，導(dǎo)致圖像細(xì)節(jié)特征檢測(cè)效果較差。為了解決該問題，提出多攝像機(jī)下模糊圖像細(xì)節(jié)特征目標(biāo)快速檢測(cè)方法。根據(jù)多攝像機(jī)下模糊圖像監(jiān)控工作流程，對(duì)現(xiàn)有攝像機(jī)資源進(jìn)行分配，并對(duì)統(tǒng)一目標(biāo)進(jìn)行識(shí)別與檢測(cè)。提取模糊圖像細(xì)節(jié)特征，衡量邊緣圖像相似情況，通過搜索目標(biāo)圖像與待匹配圖像之間的匹配度量，計(jì)算倒角距離最小值。使用矩形窗口定義局部邊緣特征，并對(duì)其進(jìn)行采集與處理，由此生成視野分界線，在多攝像機(jī)固定情況下對(duì)目標(biāo)進(jìn)行檢測(cè)。通過實(shí)驗(yàn)對(duì)比結(jié)果可知，該方法比人工方法檢測(cè)效率要高，最大相差70%，為攝像機(jī)準(zhǔn)確檢測(cè)出模糊圖像特征提供支持。

關(guān)鍵詞： 模糊目標(biāo)識(shí)別; 多攝像機(jī)攝影; 細(xì)節(jié)特征提取; 快速檢測(cè); 相似度衡量; 圖像匹配

中圖分類號(hào)： TN911.73?34; TP391 ? ? ? ? ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ? ? ? ? ? ? ? ? 文章編號(hào)： 1004?373X（2019）13?0076?05

Target fast detection according to detail features of blurred

images taken by multiple cameras

HU Minghe

（College of Computer Science and Technology， Shangqiu University， Shangqiu 476000， China）

Abstract： The manual detection method only collects the relevant information of blurred objects and analysis results of blurred background， which leads to a poor detection effect of image detail features. Therefore， the target fast detection according to detail features of blurred images taken by multiple cameras is studied. According to the blurred image monitoring workflow of multi?camera photography， the existing camera resources are allocated， and the unified target is identified and detected. The detail features of blurred images are extracted to measure the similarity of target edges in image. The matching measurement between target image and image under matching is searched to calculate the minimum distance of chamfer. The local edge features are defined by means of rectangular window， captured and processed to generate the visual field demarcation line. After that， the target is detected while multiple cameras are fixed. The experimental results show that the detection effect of the proposed method is 70% higher than that of manual method， and the method provides the support for the camera to detect the features of blurred image accurately.

Keywords： blurred target identification; multi?camera photography; detail feature extraction; fast detection; similarity measurement; image matching

0 ?引 ?言

在監(jiān)控系統(tǒng)中，需要攝像機(jī)俯仰運(yùn)動(dòng)和平視運(yùn)動(dòng)來擴(kuò)大監(jiān)控范圍，隨著運(yùn)動(dòng)目標(biāo)的快速移動(dòng)進(jìn)行主動(dòng)跟蹤，因此研究多攝像機(jī)下模糊目標(biāo)檢測(cè)具有必要性。智能監(jiān)控系統(tǒng)一般采用PC主機(jī)作為圖像處理平臺(tái)，以圖像采集器為主要處理前端，由此可構(gòu)成一個(gè)完整的、集視頻圖像處理為一體的智能分析模式。多攝像機(jī)視頻監(jiān)控系統(tǒng)的出現(xiàn)，有效拓展了傳統(tǒng)單一視頻監(jiān)控范圍，也極大地開闊了視頻監(jiān)控系統(tǒng)應(yīng)用領(lǐng)域。目前，智能視頻監(jiān)控系統(tǒng)不僅應(yīng)用在安全領(lǐng)域，也應(yīng)用在許多非安全領(lǐng)域，其廣闊的應(yīng)用前景推動(dòng)了智能視頻監(jiān)控技術(shù)圖像特征檢測(cè)的快速發(fā)展，為模糊目標(biāo)快速檢測(cè)提供支持手段[1]。

針對(duì)傳統(tǒng)目標(biāo)檢測(cè)方法只收集了模糊目標(biāo)相關(guān)信息以及模糊背景分析結(jié)果，并將此轉(zhuǎn)交給人工進(jìn)行處理，通過人工處理而獲取的檢測(cè)結(jié)果誤差較大，基于此，本文提出基于局部邊緣細(xì)節(jié)特征快速目標(biāo)檢測(cè)[2]。在多攝像機(jī)智能視覺監(jiān)控研究方向中，提高視頻監(jiān)控系統(tǒng)的智能分析精準(zhǔn)度，改善傳統(tǒng)檢測(cè)誤差大的缺陷，在保持良好監(jiān)控性能的前提下，快速檢測(cè)出模糊圖像的細(xì)節(jié)特征。

1 ?多攝像機(jī)下運(yùn)動(dòng)圖像監(jiān)控流程

多攝像機(jī)監(jiān)控是以圖像處理器為前端，構(gòu)成一個(gè)集圖像分析、處理與細(xì)節(jié)檢測(cè)為一體的智能系統(tǒng)。該系統(tǒng)由集中式結(jié)構(gòu)和分布式結(jié)構(gòu)共同組成，在集中式結(jié)構(gòu)中，各個(gè)攝像機(jī)采集到的圖像數(shù)據(jù)將集中傳送到中心服務(wù)器之中，并由該服務(wù)器進(jìn)行跟蹤與檢測(cè)[3]。因此，需對(duì)多攝像機(jī)下模糊圖像監(jiān)控工作流程進(jìn)行研究。多攝像機(jī)下模糊圖像監(jiān)控工作流程如圖1所示。

圖1 ?多攝像機(jī)下模糊圖像監(jiān)控工作流程示意圖

由圖1可知，該攝像機(jī)視頻監(jiān)控系統(tǒng)可實(shí)現(xiàn)模糊圖像采集、目標(biāo)分類與跟蹤、多攝像機(jī)間相互協(xié)作。由各個(gè)攝像機(jī)前端對(duì)模糊場(chǎng)景進(jìn)行圖像采集，獲取多個(gè)攝像機(jī)可監(jiān)視范圍內(nèi)場(chǎng)景，并對(duì)視頻圖像進(jìn)行分幀[4]。利用圖像某種特征，將目標(biāo)圖像從當(dāng)前視頻圖像中分離出來，并提取有關(guān)細(xì)節(jié)特征，供后續(xù)處理[5]。通過分析目標(biāo)圖像細(xì)節(jié)特征進(jìn)行目標(biāo)檢測(cè)，使模糊前景與背景相互分離，獲取圖像運(yùn)動(dòng)區(qū)域。多攝像機(jī)間的相互協(xié)作可對(duì)現(xiàn)有攝像機(jī)資源進(jìn)行分配，并對(duì)統(tǒng)一目標(biāo)進(jìn)行識(shí)別與檢測(cè)[6]。

2 ?圖像細(xì)節(jié)特征目標(biāo)檢測(cè)研究

多攝像機(jī)檢測(cè)過程中，需先對(duì)單個(gè)攝像機(jī)輸入視頻序列進(jìn)行處理，不同攝像機(jī)通過目標(biāo)檢測(cè)算法可獲取攝像機(jī)中的圖像細(xì)節(jié)特征，為后續(xù)目標(biāo)匹配提供數(shù)據(jù)。針對(duì)多攝像機(jī)之間的信息融合，需通過不同匹配準(zhǔn)則，對(duì)不同攝像機(jī)中的圖像進(jìn)行匹配，識(shí)別相同目標(biāo)，對(duì)所有監(jiān)控信息進(jìn)行持續(xù)跟蹤，實(shí)現(xiàn)對(duì)模糊圖像細(xì)節(jié)特征快速檢測(cè)[7]。

2.1 ?圖像細(xì)節(jié)特征目標(biāo)提取過程分析

模糊圖像細(xì)節(jié)特征快速檢測(cè)是根據(jù)模糊圖像信息將目標(biāo)從模糊場(chǎng)景中提取出來的，是目標(biāo)跟蹤、識(shí)別、分類與檢測(cè)等一系列后續(xù)處理的基礎(chǔ)。依據(jù)目標(biāo)模糊信息，即圖像與背景差異在時(shí)間軸上的變化，可檢測(cè)出圖像中的模糊區(qū)域[8]。模糊圖像細(xì)節(jié)特征提取過程如圖2所示。

圖2 ?模糊圖像細(xì)節(jié)特征提取過程

由圖2可知，多攝像機(jī)情況下，對(duì)感興趣模糊圖像的前景與背景進(jìn)行區(qū)分，根據(jù)圖像序列變化不同，圖像檢測(cè)通?？煞譃閮煞N，一種是靜態(tài)背景檢測(cè)，另一種是動(dòng)態(tài)背景檢測(cè)[9]。充分考慮圖像局部邊緣分界線，快速提取模糊圖像細(xì)節(jié)特征。

2.2 ?基于局部邊緣細(xì)節(jié)特征快速目標(biāo)檢測(cè)

2.2.1 ?倒角匹配度量

倒角距離用來衡量?jī)蓚€(gè)邊緣圖像的相似情況，目標(biāo)圖像與待匹配圖像之間的匹配是通過搜索它們之間的倒角距離最小值來實(shí)現(xiàn)的，主要步驟如下：

1） 計(jì)算待匹配圖像倒角距離。

2） 將模板疊加在距離圖像上，模板與待匹配圖像的倒角距離計(jì)算公式為：

式中：[m]表示目標(biāo)圖像邊緣數(shù)量;[dn]表示目標(biāo)疊加處的距離值。

3） 將模板圖像在距離圖上平移，獲取模板圖像在待匹配圖像上的倒角距離值，倒角距離值最小的位置向量即為最佳匹配點(diǎn)。在多攝像機(jī)應(yīng)用條件下，通過判斷最佳匹配點(diǎn)的值是否小于設(shè)定閾值來實(shí)現(xiàn)圖像匹配[10]。

2.2.2 ?基于倒角距離局部邊緣特征采集與處理

使用矩形窗口定義局部邊緣特征，即為[f1=a，b，c，d]，每個(gè)局部邊緣[f]由2個(gè)模糊位置參數(shù)[a，b]和2個(gè)模糊尺度參數(shù)[c，d]表示。其中，[c，d]分別表示矩形窗口的寬和高。定義在圖像上的倒角距離局部邊緣特征[f2]的計(jì)算公式如下：

圖3 ?積分圖像值

圖3中陰影部分所有像素值之和即為積分圖像值。一旦建立了積分圖像，那么任何參數(shù)局部邊緣特征值只需通過查表和簡(jiǎn)單計(jì)算就可獲取。

采用機(jī)器學(xué)習(xí)法構(gòu)建目標(biāo)圖像，其局部邊緣特征的參數(shù)可通過機(jī)器學(xué)習(xí)來確定，不同取值組成將生成圖像模型局部邊緣特征。局部邊緣特征處理示意圖如圖4所示。

圖4 ?局部邊緣特征處理示意圖

由圖4可知，為了減少備選特征數(shù)目，應(yīng)限定邊緣片段長(zhǎng)與寬之比，獲取備選邊緣片段。

2.2.3 ?視野分界線生成

根據(jù)采集到的局部邊緣特征和投影不變量特征，生成視野分界線，具體步驟如圖5所示。

圖5 ?視野分界線生成流程示意圖

具體生成流程如下所示：

1） 從積分圖像值中提取有重疊區(qū)域的背景圖像特征點(diǎn)，并進(jìn)行初步匹配;

2） 去除誤匹配點(diǎn);

3） 選擇6對(duì)正確匹配點(diǎn)，使用各個(gè)點(diǎn)坐標(biāo)計(jì)算投影變量;

4） 根據(jù)背景圖像邊界點(diǎn)獲取圖像模糊重疊區(qū)域面積。

2.2.4 ?基于視野分界線目標(biāo)檢測(cè)算法

在多攝像機(jī)固定情況下，通過上述步驟生成視野分界線之后，該分界線就不會(huì)發(fā)生變化，為此，基于視野分界線目標(biāo)匹配算法主要研究思路如下所示：

1） 判斷目標(biāo)圖像是否進(jìn)入到兩個(gè)攝像機(jī)之間重疊區(qū)域。如果攝像機(jī)[T1]中檢測(cè)到模糊目標(biāo)圖像A時(shí)，需記錄目標(biāo)A的坐標(biāo)位置[（x2，y2）]。假設(shè)攝像機(jī)[T2]在攝像機(jī)[T1]中的視野分界線可表示為[l21：Ax+By+c=0]，那么模糊圖像在攝像機(jī)[T2]視野范圍內(nèi)可見性為：

[E=Ax1+By1+c>0，圖像在T2視野內(nèi)可見=0，圖像在視野分界線上<0，圖像在T2視野內(nèi)不可見] （4）

由式（4）判斷出目標(biāo)A在攝像機(jī)[T2]中可見，則說明該目標(biāo)已經(jīng)在這兩個(gè)攝像機(jī)視野范圍內(nèi)。

2） 當(dāng)判斷目標(biāo)圖像到兩個(gè)攝像機(jī)視野重疊區(qū)域時(shí)，需先提取其在攝像機(jī)[T1]中的位置[（x1，y1）]，使用投影變量計(jì)算其在攝像機(jī)[T2]中的位置[（xn，yn）];檢測(cè)另一個(gè)攝像機(jī)[T2]中出現(xiàn)的重疊區(qū)域內(nèi)所有細(xì)節(jié)特征，利用該特征計(jì)算目標(biāo)位置[（xn，yn）]到投影點(diǎn)的距離，具體計(jì)算公式如下：

由式（5）可得到目標(biāo)位置到投影點(diǎn)的距離，如果該距離小于既定閾值，并且距離最短，即為檢測(cè)獲取的模糊細(xì)節(jié)特征。

3 ?實(shí) ?驗(yàn)

針對(duì)多攝像機(jī)下模糊圖像細(xì)節(jié)特征目標(biāo)快速檢測(cè)，采用局部邊緣特征目標(biāo)檢測(cè)方法可改善傳統(tǒng)人工方法檢測(cè)效果差的問題，為了證實(shí)這一點(diǎn)，進(jìn)行實(shí)驗(yàn)驗(yàn)證。

3.1 ?實(shí)驗(yàn)場(chǎng)景設(shè)置

在不同場(chǎng)景中，對(duì)目標(biāo)圖像放大和縮小兩種實(shí)際情況進(jìn)行跟蹤，為實(shí)驗(yàn)提供具體場(chǎng)景。在實(shí)驗(yàn)場(chǎng)景中，選定目標(biāo)圖像為監(jiān)控視頻中的圖像，由于多個(gè)攝像機(jī)是固定的，目標(biāo)相對(duì)攝像機(jī)是由遠(yuǎn)及近或由近及遠(yuǎn)的變化，使得目標(biāo)在圖像上的成像越來越小或越來越大，如圖6所示。

圖6 ?模糊圖像縮小或放大情況下跟蹤結(jié)果

3.2 ?實(shí)驗(yàn)結(jié)果與分析

在跟蹤過程中，保證目標(biāo)圖像方框尺度不變，在放大10%，縮小10%的情況下，模糊圖像相似度比較如圖7所示。

圖7 ?圖像縮小或放大情況下相似度比較

由圖7可知，最佳相似度折線在跟蹤過程中選擇目標(biāo)縮小情況較多，也就是當(dāng)前圖像變化趨勢(shì)是由大到小變化的，與實(shí)際處理情況一致。

根據(jù)上述模糊圖像縮小或放大情況下相似度對(duì)比結(jié)果，分別將傳統(tǒng)人工檢測(cè)方法和細(xì)節(jié)特征目標(biāo)檢測(cè)方法的檢測(cè)效率進(jìn)行對(duì)比分析，結(jié)果如圖8所示。由圖8可得兩種方法的檢測(cè)效率比較如表1所示。

根據(jù)上述實(shí)驗(yàn)內(nèi)容，可得出如下實(shí)驗(yàn)結(jié)論：

1） 當(dāng)時(shí)間為5 min，10 min，15 min，20 min，25 min，30 min，35 min時(shí)，采用傳統(tǒng)人工方法的A種特征檢測(cè)效率比多攝像機(jī)目標(biāo)檢測(cè)方法的A種特征檢測(cè)效率低45%，27%，44%，38%，61%，43%，57%;

2） 當(dāng)時(shí)間為5 min，10 min，15 min，20 min，25 min，30 min，35 min時(shí)，采用傳統(tǒng)人工方法的B種特征檢測(cè)效率比多攝像機(jī)目標(biāo)檢測(cè)方法的B種特征檢測(cè)效率低50%，48%，40%，40%，70%，53%，55%。

圖8 ?兩種方法目標(biāo)檢測(cè)對(duì)比結(jié)果

表1 ?兩種方法檢測(cè)效率比較

因此，采用多攝像機(jī)目標(biāo)檢測(cè)方法比傳統(tǒng)人工檢測(cè)方法的檢測(cè)效果要好。采用多攝像機(jī)下模糊圖像細(xì)節(jié)特征目標(biāo)快速檢測(cè)方法可改善傳統(tǒng)人工方法檢測(cè)效率低的問題。

4 ?結(jié) ?語

由于單個(gè)攝像機(jī)視野有限，因此大范圍場(chǎng)景就要使用多個(gè)攝像機(jī)進(jìn)行監(jiān)控，本文充分考慮多攝像機(jī)目標(biāo)匹配廣闊的應(yīng)用前景，研究多攝像機(jī)目標(biāo)檢測(cè)方法。采用局部邊緣特征目標(biāo)檢測(cè)方法可改善傳統(tǒng)人工方法檢測(cè)效率低的問題。通過實(shí)驗(yàn)結(jié)果可知，該方法最高檢測(cè)效率為92%，實(shí)現(xiàn)了特征點(diǎn)之間的快速匹配。

本文雖然對(duì)于視頻監(jiān)控中的目標(biāo)檢測(cè)問題進(jìn)行了一定研究，但是受到時(shí)間以及實(shí)驗(yàn)條件的限制，很多檢測(cè)過程還不夠深入，仍存在許多問題需要研究。因此，在以后的工作中，需對(duì)目標(biāo)背景和基于視野分界線目標(biāo)匹配進(jìn)行分析，從而可以更好地實(shí)現(xiàn)監(jiān)控系統(tǒng)的實(shí)時(shí)性。

參考文獻(xiàn)

[1] 李保華.基于ARM?Linux機(jī)器視覺的圖像特征點(diǎn)快速檢測(cè)方法[J].微電子學(xué)與計(jì)算機(jī)，2017，34（10）：115?118.

LI Baohua. The method based on ARM?Linux machine vision for rapid detection of image feature points [J]. Microelectronics & computer， 2017， 34（10）： 115?118.

[2] 蘇昂，張躍強(qiáng)，楊夏，等.航拍圖像車輛檢測(cè)中的圓形濾波器HOG特征快速計(jì)算[J].國(guó)防科技大學(xué)學(xué)報(bào)，2017，39（1）：137?141.

SU Ang， ZHANG Yueqiang， YANG Xia， et al. Fast circle filter HOG for car detection from aerial images [J]. Journal of National University of Defense Technology， 2017， 39（1）： 137?141.

[3] 陶衛(wèi)平.低分辨率圖像目標(biāo)特征實(shí)時(shí)增強(qiáng)方法仿真[J].計(jì)算機(jī)仿真，2017，34（10）：208?212.

TAO Weiping. Simulation of low?resolution image target feature real?time enhancement method [J]. Computer simulation， 2017， 34（10）： 208?212.

[4] 李文娟，趙和平，龐波.基于頻譜分布量化分析的星載人工目標(biāo)快速檢測(cè)方法[J].現(xiàn)代電子技術(shù)，2017，40（20）：139?142.

LI Wenjuan， ZHAO Heping， PANG Bo. Method of satellite?borne man?made target fast detection based on quantitative analysis of spectrum distribution [J]. Modern electronics technique， 2017， 40（20）： 139?142.

[5] 熊偉，徐永力，崔亞奇，等.高分辨率合成孔徑雷達(dá)圖像艦船目標(biāo)幾何特征提取方法[J].光子學(xué)報(bào)，2018，47（1）：49?58.

XIONG Wei， XU Yongli， CUI Yaqi， et al. Geometric feature extraction of ship in high?resolution synthetic aperture radar images [J]. Acta photonica sinica， 2018， 47（1）： 49?58.

[6] 劉峰，沈同圣，郭少軍，等.基于特征級(jí)融合的多波段艦船目標(biāo)識(shí)別方法[J].光譜學(xué)與光譜分析，2017，37（6）：1934?1940.

LIU Feng， SHEN Tongsheng， GUO Shaojun， et al. Multi?spectral ship target recognition based on feature level fusion [J]. Spectroscopy and spectral analysis， 2017， 37（6）： 1934?1940.

[7] 杜馨瑜，戴鵬，李穎，等.基于深度學(xué)習(xí)的鐵道塞釘自動(dòng)檢測(cè)算法[J].中國(guó)鐵道科學(xué)，2017，38（3）：89?96.

DU Xinyu， DAI Peng， LI Ying， et al. Automatic detection algorithm for rail plug based on deep learning [J]. China railway science， 2017， 38（3）： 89?96.

[8] 黃偉，嚴(yán)小樂，沈秋，等.二值化特征在快速艦船目標(biāo)預(yù)選中的應(yīng)用[J].光學(xué)技術(shù)，2017，43（5）：445?449.

HUANG Wei， YAN Xiaole， SHEN Qiu， et al. Improved binarized normed gradients for fast ship target pre?detection [J]. Optical technique， 2017， 43（5）： 445?449.

[9] 吳喆，曾接賢，高琪琪.顯著圖和多特征結(jié)合的遙感圖像飛機(jī)目標(biāo)識(shí)別[J].中國(guó)圖象圖形學(xué)報(bào)，2017，22（4）：532?541.

WU Zhe， ?ZENG Jiexian， ?GAO Qiqi. Aircraft target recognition in remote sensing images based on saliency images and multi?feature combination [J]. Journal of image and graphics， 2017， 22（4）： 532?541.

[10] 曾慶化，潘鵬舉，劉建業(yè)，等.慣性信息輔助的大視角目標(biāo)快速精確定位[J].航空學(xué)報(bào)，2017，38（8）：188?200.

ZENG Qinghua， PAN Pengju， LIU Jianye， et al. Fast and accurate target positioning with large viewpoint based on inertial navigation system information [J]. Acta aeronautica et astronautica sinica， 2017， 38（8）： 188?200.