李向民 劉帥康 高程赟

摘? 要：該文基于機(jī)器視覺(jué)的智能安全頭盔，使用OpenCV計(jì)算機(jī)視覺(jué)庫(kù)，采用混合高斯模型的方法，即在初始化每個(gè)像素點(diǎn)時(shí)采用鄰域特性與中值濾波相結(jié)合的方法，用來(lái)獲取更接近實(shí)際的初始背景。對(duì)采集到的圖像數(shù)據(jù)進(jìn)行圖像識(shí)別，實(shí)現(xiàn)對(duì)圖像的實(shí)時(shí)處理。

關(guān)鍵詞：智能安全頭盔;機(jī)器視覺(jué);高斯模型

中圖分類(lèi)號(hào)： TP23? ? ? ? 文獻(xiàn)標(biāo)志碼：A

0 前言

近年來(lái)，基于視頻的交通流量檢測(cè)系統(tǒng)已成為智能交通系統(tǒng)的重要工具，因此移動(dòng)目標(biāo)檢測(cè)已成為當(dāng)今最重要的問(wèn)題。在該文中，基于機(jī)器視覺(jué)的智能安全頭盔中使用的相機(jī)處于對(duì)車(chē)輛靜止的狀態(tài)。攝像機(jī)檢測(cè)車(chē)輛后方的移動(dòng)目標(biāo)，因此屬于靜態(tài)視頻檢測(cè)。由研究發(fā)現(xiàn)，視頻圖像的每個(gè)像素的顏色分布是隨機(jī)且獨(dú)立的。根據(jù)一般統(tǒng)計(jì)理論，高斯分布函數(shù)可以表示時(shí)間軸上每個(gè)像素的顏色分布。由于測(cè)試圖像序列中的多峰背景擾動(dòng)問(wèn)題，該文決定通過(guò)建立混合高斯模型來(lái)檢測(cè)運(yùn)動(dòng)目標(biāo)。

1 硬件系統(tǒng)結(jié)構(gòu)

該文所設(shè)計(jì)的基于機(jī)器視覺(jué)的智能安全頭盔由控制器、供電模塊、陀螺儀模塊、超聲波測(cè)距模塊、喇叭、攝像頭、舵機(jī)控制器、無(wú)線(xiàn)傳輸模塊和耳麥等模塊組成。

2 混合高斯模型

2.1 高斯濾波

高斯濾波主要用于平滑信號(hào)，是一種基于信號(hào)的濾波器。通常，圖像中的噪聲處于低能量部分，圖像數(shù)據(jù)中的能量被變換，低能量部分被去除，因此圖像中的噪聲也被刪除。

2.2 混合高斯濾波

混合高斯模型是對(duì)高斯模型進(jìn)行簡(jiǎn)單擴(kuò)展，通過(guò)求解2個(gè)高斯模型，并通過(guò)一定的權(quán)重將2個(gè)高斯模型融合成一個(gè)模型，即最終的混合高斯模型。該混合高斯模型能夠產(chǎn)生這樣的樣本。

假設(shè)該混合高斯模型是由k個(gè)高斯模型組成（即數(shù)據(jù)包括k個(gè)類(lèi)），則該混合高斯濾波的概率密度函數(shù)如下：

是第k個(gè)高斯模型的概率密度函數(shù)，x代表高斯混合模型參數(shù)，N代表高斯混合概率，uk表前k個(gè)類(lèi)模型的均值，可以看成選定第k個(gè)模型后，該模型產(chǎn)生的概率; p（k）=πk是第k個(gè)高斯模型的權(quán)重，稱(chēng)作選擇第k個(gè)模型的先驗(yàn)概率，且滿(mǎn)足下面公式。

3 研究及實(shí)現(xiàn)

3.1 對(duì)圖像背景建立高斯模型

從當(dāng)前視頻幀中提取該幀的前景，其主要的目的是使背景更加接近于當(dāng)前視頻幀中的背景。也就是說(shuō)，使用當(dāng)前幀和視頻序列中的當(dāng)前背景幀的加權(quán)平均來(lái)更新背景?；旌细咚鼓Ｐ褪褂胟（k一般取值為3～5）個(gè)高斯模型來(lái)表征研究的圖像中各個(gè)像素點(diǎn)的特征，在新的一幀圖像得到之后更新為混合高斯模型， 用當(dāng)前圖像中的每一個(gè)像素點(diǎn)依次與混合高斯模型進(jìn)行匹配，如果成功，那這一點(diǎn)被確定為背景點(diǎn)，否則它就是前景點(diǎn) 。由于該文的研究是對(duì)運(yùn)動(dòng)目標(biāo)的背景提取從而進(jìn)行建立模型，因此有必要實(shí)時(shí)更新高斯模型中的方差和平均參數(shù)。為了提高該模型的學(xué)習(xí)能力，改進(jìn)的方法使用不同的學(xué)習(xí)率來(lái)更新均值和方差。為了提高繁忙場(chǎng)景中大型緩慢移動(dòng)目標(biāo)的檢測(cè)效果，引入加權(quán)平均的概念來(lái)建立背景圖像并且實(shí)時(shí)更新。

3.2 項(xiàng)目的實(shí)現(xiàn)

3.2.1 實(shí)現(xiàn)思路

實(shí)時(shí)運(yùn)動(dòng)檢測(cè)和跟蹤技術(shù)是一種多學(xué)科技術(shù)，集成了嵌入式系統(tǒng)、圖像處理、計(jì)算機(jī)視覺(jué)和網(wǎng)絡(luò)傳輸。該文中的運(yùn)動(dòng)檢測(cè)是檢測(cè)實(shí)時(shí)采集的圖像信息，提取有效信息，采用混合高斯模型，識(shí)別目標(biāo)參數(shù)特征，將噪聲進(jìn)行過(guò)濾并鎖定目標(biāo)，跟蹤目標(biāo)的運(yùn)動(dòng)軌跡以及使用PID算法進(jìn)行目標(biāo)的位置修正等一系列的操作。該文是基于靈活并且計(jì)算功能多樣的Raspberry Pi，在OpenCv框架下移植適當(dāng)?shù)乃惴ā?/p>

3.2.2 核心算法

3.2.2.1 混合高斯模型算法

3.3 路況信息監(jiān)測(cè)結(jié)果

圖1為采用混合高斯模型的實(shí)驗(yàn)效果圖，可以看出圖1中車(chē)輛道路的監(jiān)控顯示結(jié)果很好。

4 結(jié)語(yǔ)

該文對(duì)機(jī)器視覺(jué)系統(tǒng)在智能安全頭盔的研究與實(shí)現(xiàn)的應(yīng)用進(jìn)行了分析 ，采用混合高斯模型的方法，實(shí)現(xiàn)對(duì)圖像的實(shí)時(shí)處理。該系統(tǒng)具備良好的自適應(yīng)能力，能實(shí)現(xiàn)道路預(yù)警、行車(chē)記錄、自動(dòng)求助、智能語(yǔ)音識(shí)別等功能。說(shuō)明機(jī)器視覺(jué)在智能出行上得到了有效應(yīng)用。

參考文獻(xiàn)

[1]Gary Bradski，Adr ian Kaebler.Learning OpenCV[M].北京：東南大學(xué)出版社，2009.

[2]常曉夫，張文生，董維山.基于多種類(lèi)視覺(jué)特征的混合高斯背景模型[J].中國(guó)圖象圖形學(xué)報(bào)，2011（5）：829-834.

[3]陳勝勇，劉盛.基于OpenCV 的計(jì)算機(jī)視覺(jué)技術(shù)實(shí)現(xiàn)[M].北京：科學(xué)出版社，2008.

[4]毛星云，冷雪飛.OpenCv3編程入門(mén)[M].北京：電子工業(yè)出版社，2015.

[5]韓宇，張磊，吳澤民，等.基于嵌入式樹(shù)莓派和OpenCV的運(yùn)動(dòng)檢測(cè)與跟蹤系統(tǒng)[J].電視技術(shù)，2017，41（2）：6-10.