王樹奇 劉貝 鄒斐

摘要：由于礦井下光線不足，照度低且粉塵大，造成監(jiān)控視頻圖像存在昏暗和模糊問題，利用小波變換獲取視頻畫面中的不同頻率分量信息，首先對(duì)低頻分量采用暗原色先驗(yàn)進(jìn)行去霧處理，然后用閾值濾波對(duì)高頻分量進(jìn)行消噪，將處理以后的低頻分量和高頻分量進(jìn)行融合，重構(gòu)小波函數(shù)，實(shí)現(xiàn)圖像的增強(qiáng)。仿真實(shí)驗(yàn)結(jié)果表明所提算法能提高圖像對(duì)比度，增強(qiáng)圖像細(xì)節(jié)信息，淡化濃霧、抑制噪聲等方面有較好的效果。在礦井運(yùn)動(dòng)目標(biāo)檢測(cè)中，為了改善傳統(tǒng)混合高斯模型像素點(diǎn)不能精確匹配及參數(shù)迭代速度慢的問題，采用三幀差分法融合混合高斯背景模型，融合后的算法有效消除了背景更新不及時(shí)而導(dǎo)致的畫面鬼影現(xiàn)象，而且運(yùn)算速度得到明顯提升，實(shí)現(xiàn)了運(yùn)動(dòng)目標(biāo)實(shí)時(shí)追蹤的需求。仿真實(shí)驗(yàn)結(jié)果表明所提算法相對(duì)傳統(tǒng)混合高斯模型算法不僅能夠快速的檢測(cè)出運(yùn)動(dòng)目標(biāo)，而且檢測(cè)圖像邊緣細(xì)節(jié)信息更加清晰，并且能夠解決物體遮擋等問題，為礦井視頻信息處理和人員安全監(jiān)測(cè)奠定了良好的基礎(chǔ)。

關(guān)鍵詞：圖像處理;小波變換;混合高斯模型;三幀差分法;運(yùn)動(dòng)目標(biāo)檢測(cè)

中圖分類號(hào)：TP 391.4文獻(xiàn)標(biāo)志碼：A

DOI：10.13800/j.cnki.xakjdxxb.2019.0223文章編號(hào)：1672-9315（2019）02-0347-07

0引言

為了對(duì)煤礦井下安全生產(chǎn)人員進(jìn)行有效檢測(cè)與追蹤，必須克服礦井下光線不足，照度低且粉塵大對(duì)監(jiān)控圖像的影響問題，因此低照度圖像的增強(qiáng)至關(guān)重要。本文研究的圖像增強(qiáng)算法和目標(biāo)檢測(cè)算法是在煤礦井下的環(huán)境中實(shí)現(xiàn)的。傳統(tǒng)的圖像增強(qiáng)方法[1]有頻域和空域增強(qiáng)兩種，主要方法有小波變換、Contourlet[2]變換等。高銀等提出了基于四階偏微分方程（PDE）模型的暗原色理論霧天圖像增強(qiáng)算法研究，這種模型在圖像增強(qiáng)的整體和細(xì)節(jié)方面效果較好[3]。LiYing等提出了一個(gè)參數(shù)化的新閾值函數(shù)，，新閾值函數(shù)提高了去噪信號(hào)的信噪比，減小了均方誤差，能夠?qū)崿F(xiàn)對(duì)噪聲的邊緣抑制并且增加邊緣信息[4]。趙鴻圖等提出一種基于三次樣條插值的改進(jìn)去噪算法，解決了交替投影法存在的計(jì)算量大和收斂速度慢問題[5]。夏欣雨等對(duì)模糊熵理論和小波分解進(jìn)行了研究，把原始圖像通過小波分解為高、低頻分量，對(duì)高低頻分量采用不同的算法處理進(jìn)行圖像增強(qiáng)[6]，但是此類算法在特定礦井環(huán)境中增強(qiáng)圖像效果不明顯。因此提出一種基于小波變換和暗原色先驗(yàn)去霧相融合的算法，不僅能解決光照不均，提高圖像對(duì)比度，而且有效抑制圖像噪聲，增強(qiáng)了圖像細(xì)節(jié)，突出運(yùn)動(dòng)目標(biāo)的邊緣信息保持能力。

運(yùn)動(dòng)目標(biāo)檢測(cè)是將運(yùn)動(dòng)目標(biāo)從靜態(tài)背景中分離出來的技術(shù)，是進(jìn)行視頻分析最關(guān)鍵的一步。目前運(yùn)動(dòng)目標(biāo)檢測(cè)算法主要有光流場(chǎng)法[7-8]、背景減除法[9-10]和幀間差分法[11-13]等，田小平等人在通過幀間差分法視頻圖像中檢測(cè)得到運(yùn)動(dòng)目標(biāo)，并對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行了分類[14];李曉瑜和馬大中針對(duì)光照突變產(chǎn)生的鬼影現(xiàn)象，采用三幀差分法融合高斯模型進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)[15];施龍超等人針對(duì)基于卡爾曼濾波的背景差分算法存在背景更新不自適應(yīng)，對(duì)光照變化、物體移入移出敏感等問題，提出了一種改進(jìn)的以分類分塊為核心的背景差分算法[16]。Ridder與Munkelt、Kirchner根據(jù)不同場(chǎng)景下光照強(qiáng)度的變化，提出了基于卡爾曼濾波的背景模型，提高了運(yùn)動(dòng)目標(biāo)的檢測(cè)效果[17];黃大衛(wèi)提出一種基于分塊模型更新的單高斯背景建模方法[18];張燕平等人引入了分塊建模的思想，提高了目標(biāo)檢測(cè)的速率[19];汪成亮等人通過減少了偵測(cè)掃描區(qū)域，并提出一種PCAHOG描述子，從而提升了人體檢測(cè)速度[20];習(xí)通針對(duì)計(jì)算圖像中特定像素點(diǎn)的光流矢量，提出一種基于稀疏光流的目標(biāo)檢測(cè)算法[21]。實(shí)際場(chǎng)景中光流場(chǎng)檢測(cè)效果會(huì)受遮擋、多光源、透明性和噪聲等干擾因素影響，并且該方法計(jì)算量大;背景減除法會(huì)因背景的更新導(dǎo)致算法的復(fù)雜性增加，實(shí)時(shí)性變差;幀間差分法原理簡(jiǎn)單，魯棒性好，但是容易產(chǎn)生“空洞”。由于煤礦生產(chǎn)環(huán)境特殊，不僅井下燈光昏暗，而且具有粉塵，導(dǎo)致圖像中的運(yùn)動(dòng)目標(biāo)模糊和邊界不明顯等問題，漏檢和誤檢率較高，為了避免產(chǎn)生"空洞"現(xiàn)象并且提取清晰的運(yùn)動(dòng)目標(biāo)輪廓，提出了一種基于混合高斯模型和三幀差分法的運(yùn)動(dòng)目標(biāo)檢測(cè)方法，不僅可以消除因?yàn)楸尘案虏患皶r(shí)造成的圖像鬼影和空洞，而且能夠較好的保留被檢測(cè)目標(biāo)的邊緣輪廓。

1基于小波變換的礦井圖像增強(qiáng)算法

一幅圖像經(jīng)過小波分解后，低頻分量代表對(duì)人體視覺成像影響較大的細(xì)節(jié)信息，高頻分量則包含著圖像邊緣信息和噪聲，通過暗原色先驗(yàn)知識(shí)對(duì)經(jīng)過小波分解后的低頻分量進(jìn)行去霧處理，并對(duì)高頻分量用半軟閾值濾波法進(jìn)行消噪，對(duì)兩個(gè)處理以后的分量進(jìn)行融合，實(shí)現(xiàn)增強(qiáng)后的圖像重構(gòu)。

1.1圖像增強(qiáng)的算法步驟

圖像增強(qiáng)的算法步驟如下

1）輸入煤礦井下低照度圖像f（x，y）;

2）對(duì)f（x，y）進(jìn)行小波分解，獲得低頻分量c1;

3）使用暗原色先驗(yàn)去霧算法對(duì)c1進(jìn)行去霧處理，得處理后的分量c3;

4）對(duì)低照度圖像f（x，y）小波分解得到的高頻分量c2采用半軟閥值法進(jìn)行消噪，得到處理后的分量c4;

5）融合分量c4和分量c3重構(gòu)圖像。

1.2圖像增強(qiáng)的算法流程圖

基于小波變換的礦井圖像增強(qiáng)算法流程如圖1所示。

傳統(tǒng)的高斯背景模型的更新速率是統(tǒng)一的，因此背景模型不能得到及時(shí)的更新，從而造成實(shí)際場(chǎng)景未能實(shí)時(shí)變化，也就是說真實(shí)的場(chǎng)景不能被表示，導(dǎo)致無法達(dá)到安全生產(chǎn)視頻監(jiān)控的要求。所以實(shí)際操作時(shí)需要根據(jù)圖像不同的塊特點(diǎn)選擇相應(yīng)的速率值。通常在初始化時(shí)取一個(gè)較大的T值來確定B值，對(duì)于單模態(tài)區(qū)域，使B=1更新速率θ賦值一個(gè)較小的值;對(duì)于多模態(tài)區(qū)域，通常B滿足1

對(duì)于監(jiān)控視頻場(chǎng)景中存在長(zhǎng)期靜止的物體，如果發(fā)生突然運(yùn)動(dòng)，采用混合高斯模型對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)則容易出現(xiàn)檢測(cè)錯(cuò)誤，此外運(yùn)動(dòng)物體的陰影區(qū)域也很難建模，存在檢測(cè)精度達(dá)不到要求的問題。三幀差分法則克服了該缺點(diǎn)，對(duì)運(yùn)動(dòng)物體進(jìn)行建模時(shí)具有較好的效果，整個(gè)運(yùn)動(dòng)目標(biāo)的檢測(cè)精度和效率獲得極大提高。

改進(jìn)的混合高斯背景模型融入了三幀差分法的原理，首先對(duì)視頻序列進(jìn)行三幀差分，兩兩計(jì)算差分得到差分圖像，然后對(duì)得到的圖像采用改進(jìn)的混合高斯背景建模法分別進(jìn)行處理，將獲得的含有目標(biāo)的2個(gè)差分圖像進(jìn)行邏輯與運(yùn)算，最后經(jīng)過形態(tài)學(xué)處理，對(duì)其進(jìn)行去除噪聲和填充“空洞”，從而提取出礦井下的人員目標(biāo)。

4仿真結(jié)果與分析

通過VS2013與OpenCv2.4.9從主觀和客觀2個(gè)方面對(duì)改進(jìn)算法進(jìn)行仿真實(shí)驗(yàn)，計(jì)算機(jī)主頻和內(nèi)存分別為3 GHz和3 GB，礦井視頻圖像增強(qiáng)仿真結(jié)果如圖4，圖5（a）～（b）所示，礦井視頻運(yùn)動(dòng)目標(biāo)檢測(cè)仿真結(jié)果如圖6（a）～（c）所示。

圖4（b）和圖5（b）中圖像的亮度明顯提升，圖像的紋理和邊緣更加清晰，行人的輪廓和支護(hù)的形狀更易分辨，不僅實(shí)現(xiàn)了圖像的消噪處理，而且增強(qiáng)了圖像的細(xì)節(jié)信息，而融合的暗原色先驗(yàn)算法也獲得除塵去霧的預(yù)期，為目標(biāo)檢測(cè)奠定了堅(jiān)實(shí)的基礎(chǔ)。

圖6（a）中的檢測(cè)結(jié)果邊界不完整而且存在嚴(yán)重的鬼影，圖6（b）中改進(jìn)的高斯背景建模方法性能有所改善，可是依然存在鬼影的現(xiàn)象，通過對(duì)視頻幀圖像進(jìn)行分塊處理來進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，并改進(jìn)了更新速率，運(yùn)算量大幅度降低。文中改進(jìn)的高斯背景建模融合三幀差分法檢測(cè)結(jié)果如圖6（c）所示，運(yùn)動(dòng)目標(biāo)輪廓清晰，完整性好，有效地消除了高斯背景模型更新不及時(shí)所產(chǎn)生的鬼影現(xiàn)象，完整的保留了其檢測(cè)的目標(biāo)輪廓。

表1為高斯混合模型和改進(jìn)的高斯混合模型的誤檢率和漏檢率，可見文中算法對(duì)礦井環(huán)境下運(yùn)動(dòng)目標(biāo)檢測(cè)精確度顯著提升，對(duì)于誤檢和漏檢視頻信息進(jìn)行分析，原因是在視頻監(jiān)控中長(zhǎng)期靜止不動(dòng)的目標(biāo)，突然發(fā)生運(yùn)動(dòng)，則會(huì)導(dǎo)致混合高斯背景模型無法及時(shí)對(duì)背景進(jìn)行更新而造成的。

5結(jié)論

1）小波分解與暗原色先驗(yàn)去霧相融合的算法能夠有效去除圖像噪聲，淡化濃霧、提高圖像對(duì)比度以及解決光照不均等問題。改進(jìn)的高斯背景模型融入三幀差分法，消除了高斯背景模型由于背景更新不及時(shí)而產(chǎn)生的鬼影現(xiàn)象，算法的運(yùn)算量降低，運(yùn)算速度有效提升，達(dá)到煤礦安全生產(chǎn)監(jiān)控目標(biāo)識(shí)別的實(shí)時(shí)性要求;

2）三幀差分法能準(zhǔn)確迅速的定位運(yùn)動(dòng)目標(biāo)，將混合高斯背景模型與三幀差分法相融合能克服漏檢和誤檢等問題，利用混合高斯背景模型獲得背景模板，處理中將當(dāng)前幀圖像中的背景進(jìn)行消除，然后選取合適的閾值，獲得了能夠抑制運(yùn)動(dòng)目標(biāo)陰影的前景圖像，算法檢測(cè)的運(yùn)動(dòng)目標(biāo)輪廓比較完整，能夠?qū)⒈尘昂湍繕?biāo)完整的區(qū)分出來，為煤礦安全生產(chǎn)奠定良好的基礎(chǔ)。

參考文獻(xiàn)（References）：

[1]李利華，欒曉峰.基于空域、頻域和時(shí)間域的復(fù)合圖像增強(qiáng)方法[J].醫(yī)療裝備，2018，31（1）：45-46.

LI Lihua，LUAN Xiaofeng.Composite image enhancement method based on airspace，frequency domain and time domain[J].Medical Equipment，2018，31（1）：45-46.

[2]趙翱東，奚茂龍，葉茜.基于奇異值分解和非下采樣Contourlet變換的紅外圖像增強(qiáng)新算法[J].山東農(nóng)業(yè)大學(xué)學(xué)報(bào)，2018，49（5）：852-855.

ZHAO Aodong，XI Maolong，YE Qian.A new infrared image enhancement algorithm based on singular value decomposition and? nonsubsampled contourlet transform[J].Journal of Shandong Agricultural University，2018，49（5）：852-855.

[3]高銀，云利軍，石俊生.基于四階PDE模型的暗原色理論霧天圖像增強(qiáng)算法[J].南京理工大學(xué)學(xué)報(bào)，2015，39（5）：544-549.

GAO Yin，YUN Lijun，SHI Junsheng.A fogday image enhancement algorithm based on fourthorder PDE model for dark primary color theory[J].Journal of Nanjing University of Science and Technology，2015，39（5）：544-549.

[4]盧光森，李瑩，馬敏.基于新閾值函數(shù)的小波閾值去噪算法[J].傳感器與微系統(tǒng)，2017，36（12）：141-144.

LU Guangsen，LI Ying，MA Min.Wavelet threshold denoising algorithm based on new threshold function[J].Transducer and Microsystem，2017，36（12）：141-144.

[5]趙洪圖，劉云.基于三次樣條插值的小波模極大值去噪算法[J].計(jì)算機(jī)工程與設(shè)計(jì)，2014，35（8）：2965-2968.

ZHAO Hongtu，LIU Yun.A wavelet modulus maximum denoising algorithm based on cubic spline interpolation[J].Computer Engineering and Design，2014，35（8）：2965-2968.

[6]夏欣雨，朱春梅，吳國新.融合小波變換和模糊集的東巴古籍圖像增強(qiáng)算法[J].北京信息科技大學(xué)學(xué)報(bào)，2018，33（3）：47-51，56.

XIA Xinyu，ZHU Chunmei，WU Guoxin.Image enhancement algorithm of Dongba ancient books based on wavelet transform and fuzzy set[J].Journal of Beijing Information Science and Technology University，2018，33（3）：47-51，56.

[7]于雯越，安博文，趙明.基于光流法與RPCA的紅外運(yùn)動(dòng)目標(biāo)檢測(cè)[J].現(xiàn)代計(jì)算機(jī)，2018（23）：66-71.

YU Wenyue，AN Bowen，ZHAO Ming.Infrared moving target detection based on optical flow method and RPCA[J].Modern Computer，2018（23）：66-71.

[8]范長(zhǎng)軍，文凌艷，毛泉涌，等.結(jié)合單高斯與光流法的無人機(jī)運(yùn)行目標(biāo)檢測(cè)[J].計(jì)算機(jī)系統(tǒng)應(yīng)用，2019，28（2）：184-189.

FAN Changjun，WEN Lingyan，MAO Quanyong，et al.UAV moving target detection based on single Gauss and optical flow method[J].Computer System Application，2019，28（2）：184-189.

[9]伍健榮，杜向龍，劉海濤.一種改進(jìn)的基于卡爾曼濾波的自適應(yīng)背景建模算法[J].傳感器與微系統(tǒng)技術(shù)，2012，31（1）：52-54，58.

WU Jianrong，DU Xianglong，LIU Haitao.An improved adaptive background modeling algorithm based on Kalman filter[J].Transducer & Micro System Technologies，2012，31（1）：52-54，58.

[10]Thierry Bouwmans，Caroline Silva，Cristina Marghes，et al.On the role and the importance of features for background modeling and foreground detection[J].Computer Science Review，2018，28：26-91.

[11]嚴(yán)麗羅，韓林萬，李夏雪.基于混合背景減法和幀差的自適應(yīng)運(yùn)動(dòng)車輛檢測(cè)算法[J].應(yīng)用力學(xué)與材料，2014，3468（644-650）：930-933.

YAN Liluo，HAN Linwan，LI Xiaxue.Adaptive moving vehicle detection algorithm based on hybrid background subtraction and frame difference[J].Applied Mechanics and Materials，2014，3468（644-650）： 930-933.

[12]Ramya P，Rajeswari R.A modified frame difference method using correlation coefficient for background subtraction[J].Procedia Computer Science，2016，93：478-485.

[13]LU Guiliang，ZHOU Yu，YU Yaodeng.A novel approach for foreign substances detection in injection using clustering and frame difference[J].Sensors，2011，11（10）：9121-9135.

[14]田小平，喬森，吳成茂.一種改進(jìn)的圖像模糊對(duì)比度增強(qiáng)算法[J].西安郵電學(xué)院學(xué)報(bào)，2017，22（3）：50-54.

TIAN Xiaoping，QIAO Sen，WU Chengmao.An improved algorithm for image fuzzy contrast enhancement[J].Journal of Xi’an University of Posts & Telecommunications，2017，22（3）：50-54.

[15]李曉瑜，馬大中，付英杰.基于三幀差分混合高斯背景模型運(yùn)動(dòng)目標(biāo)檢測(cè)[J].吉林大學(xué)學(xué)報(bào)，2018，36（4）：414-422.

LI Xiaoyu，MA Dazhong，F(xiàn)U Yingjie.Moving target detection based on threeframe differential mixed Gaussian background model[J].Journal of Jilin University，2018，36（4）：414-422.

[16]施龍超，安玉磊，蘇秉華，等.一種改進(jìn)的基于卡爾曼濾波的背景差分算法[J].激光與光電子學(xué)進(jìn)展，2018，55（8）：216-222.

SHI Longchao，AN Yulei，SU Binghua，et al.An improved background difference algorithm based on Kalman filter[J].Laser & Optoelectronics Progress，2018，55（8）：216-222.

[17]Christ of Ridder，Olaf Munkelt，Harald Kirchner.基于卡爾曼濾波的自適應(yīng)背景估計(jì)與前景檢測(cè)[C]//最近關(guān)于機(jī)電一體化進(jìn)展的國際會(huì)議記錄，2015：193-199.

Christ of Ridder，Olaf Munkelt，Harald Kirchner.Adaptive background estimation and foreground detection using KalmanFiltering[C]//Proceedings of International Conference on recent Advances in Mechatronics，2015：193-199.

[18]黃大衛(wèi)，胡文翔，吳小培，等.改進(jìn)單高斯模型的視頻前景提取與破碎目標(biāo)合并算法[J].信號(hào)處理，2015，31（3）：299-307.

HUANG Dawei，HU Wenxiang，WU Xiaopei，et al.Video foreground extraction and fragmentation target merging algorithm for improved single Gaussian model[J].Signal Processing，2015，31（3）：299-307.

[19]張燕平，白云球，趙勇，等.應(yīng)用改進(jìn)混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)[J].計(jì)算機(jī)工程與應(yīng)用，2010，46（34）：155-157，223.

ZHANG Yanping，BAI Yunqiu，ZHAO Yong，et al.Moving object detection using improved Gaussian model[J].Computer Engineering and Applications，2010，46（34）：155-157，223.

[20]汪成亮，周佳，黃晟.基于高斯混合模型與PCAHOG的快速運(yùn)動(dòng)人體檢測(cè)[J].計(jì)算機(jī)應(yīng)用研究，2012，29（6）：2156-2160.

WANG Chengliang，ZHOU Jia，HUANG Sheng.Fast moving human detection based on Gaussian mixture model and PCAHOG[J].Application Research of Computers，2012，29（6）：2156-2160.

[21]習(xí)通.基于稀疏光流檢測(cè)的目標(biāo)跟蹤方法研究[J].科技風(fēng)，2018（6）：207.

XI Tong.Research on target tracking method based on sparse optical flow detection[J].Science and Technology，2018（6）：207.

[22]周莉鴻.改進(jìn)的混合高斯模型運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].電子科技，2017，30（7）：21-24.

ZHOU Lihong.Improved hybrid Gaussian model moving target detection algorithm[J].Electronic Technology，2017，30（7）：21-24.