一种新的矿井监控视频增强目标检测算法

王树奇，刘 贝，邹 斐

（西安科技大学 通信与信息工程学院，陕西西安710054）

0 引 言

为了对煤矿井下安全生产人员进行有效检测与追踪，必须克服矿井下光线不足，照度低且粉尘大对监控图像的影响问题，因此低照度图像的增强至关重要。本文研究的图像增强算法和目标检测算法是在煤矿井下的环境中实现的。传统的图像增强方法［1］有频域和空域增强两种，主要方法有小波变换、Contourlet［2］变换等。高银等提出了基于四阶偏微分方程（PDE）模型的暗原色理论雾天图像增强算法研究，这种模型在图像增强的整体和细节方面效果较好［3］。LiYing等提出了一个参数化的新阈值函数，，新阈值函数提高了去噪信号的信噪比，减小了均方误差，能够实现对噪声的边缘抑制并且增加边缘信息［4］。赵鸿图等提出一种基于三次样条插值的改进去噪算法，解决了交替投影法存在的计算量大和收敛速度慢问题［5］。夏欣雨等对模糊熵理论和小波分解进行了研究，把原始图像通过小波分解为高、低频分量，对高低频分量采用不同的算法处理进行图像增强［6］，但是此类算法在特定矿井环境中增强图像效果不明显。因此提出一种基于小波变换和暗原色先验去雾相融合的算法，不仅能解决光照不均，提高图像对比度，而且有效抑制图像噪声，增强了图像细节，突出运动目标的边缘信息保持能力。

运动目标检测是将运动目标从静态背景中分离出来的技术，是进行视频分析最关键的一步。目前运动目标检测算法主要有光流场法［7-8］、背景减除法［9-10］和帧间差分法［11-13］等，田小平等人在通过帧间差分法视频图像中检测得到运动目标，并对运动目标进行了分类［14］；李晓瑜和马大中针对光照突变产生的鬼影现象，采用三帧差分法融合高斯模型进行运动目标检测［15］；施龙超等人针对基于卡尔曼滤波的背景差分算法存在背景更新不自适应，对光照变化、物体移入移出敏感等问题，提出了一种改进的以分类分块为核心的背景差分算法［16］。Ridder与 Munkelt、Kirchner根据不同场景下光照强度的变化，提出了基于卡尔曼滤波的背景模型，提高了运动目标的检测效果［17］；黄大卫提出一种基于分块模型更新的单高斯背景建模方法［18］；张燕平等人引入了分块建模的思想，提高了目标检测的速率［19］；汪成亮等人通过减少了侦测扫描区域，并提出一种PCA-HOG描述子，从而提升了人体检测速度［20］；习通针对计算图像中特定像素点的光流矢量，提出一种基于稀疏光流的目标检测算法［21］。实际场景中光流场检测效果会受遮挡、多光源、透明性和噪声等干扰因素影响，并且该方法计算量大；背景减除法会因背景的更新导致算法的复杂性增加，实时性变差；帧间差分法原理简单，鲁棒性好，但是容易产生“空洞”。由于煤矿生产环境特殊，不仅井下灯光昏暗，而且具有粉尘，导致图像中的运动目标模糊和边界不明显等问题，漏检和误检率较高，为了避免产生＂空洞＂现象并且提取清晰的运动目标轮廓，提出了一种基于混合高斯模型和三帧差分法的运动目标检测方法，不仅可以消除因为背景更新不及时造成的图像鬼影和空洞，而且能够较好的保留被检测目标的边缘轮廓。

1 基于小波变换的矿井图像增强算法

一幅图像经过小波分解后，低频分量代表对人体视觉成像影响较大的细节信息，高频分量则包含着图像边缘信息和噪声，通过暗原色先验知识对经过小波分解后的低频分量进行去雾处理，并对高频分量用半软阈值滤波法进行消噪，对两个处理以后的分量进行融合，实现增强后的图像重构。

1. 1 图像增强的算法步骤

图像增强的算法步骤如下

1）输入煤矿井下低照度图像 f（x，y）；

2）对 f（x，y）进行小波分解，获得低频分量 c1；

3）使用暗原色先验去雾算法对c1进行去雾处理，得处理后的分量c3；

4）对低照度图像f（x，y）小波分解得到的高频分量c2采用半软阀值法进行消噪，得到处理后的分量c4；

5）融合分量c4和分量c3重构图像。

1. 2 图像增强的算法流程图

基于小波变换的矿井图像增强算法流程如图1所示。

图1 基于小波变换的矿井图像增强算法流程Fig.1 Flow chart ofmine image enhancement algorithm based on wavelet transform

2 传统的运动目标检测算法

2. 1 混合高斯背景模型

单高斯模型对所有像素点颜色特征采用一个模板进行匹配，实时更新处理完的每一帧背景，与当前图像进行匹配，若匹配成功则为背景，匹配不成功则为前景［22］。自适应混合高斯模型适用于多种不同光照强度的场景，整个模型的抗干扰能力得到极大的提高。

在混合高斯模型中，对每一个像素点建立多个不同的高斯模型

式中 ωi，t为高斯模型的权值；K为高斯模型个数；K个权值的总和值为1；μi，t为i个高斯分布的均值；若假设每个像素点的RGB值是相互独立的，那么为 t时刻的第 i个高斯分布

n为xt的维数值。

混合高斯背景建模［17］分为如下几步

1）获取当前帧的像素值，用每个像素值与K个高斯背景模型进行匹配

K值的大小直接影响最终的处理效果，K值越大，需要运算的时间越长，所以在不同的运算场景中应选取合适的值，一般取值为［3，5］；

2）若满足式1），那么匹配成功，若不满足：①当k＜K时，增加一个新高斯分布；②当k=K时，用建立的新的高斯分布代替

3）原高斯背景模型中的均值和标准差不变，更新其它的高斯分布参数

θ为参数学习率，ε为学习速率并且0≤ε≤1. 匹配检验后，更新同个像素的各个高斯分布权重

建立混合高斯模型时，通常只用几个高斯分布表示背景，前景则由剩余的表示，因为背景存在持续的时间比前景久，所以在高斯混合模型中权重较大的分布表示背景部分。高斯模型建立完成后，每一个像素点都会按照优先级的顺序对φi，t进行降序排列，将其中的前B个高斯分布作为背景像素的描述方式为

用xi，t与B个高斯分布进行匹配，匹配成功为背景点，匹配不成功为前景点，通过这个流程能够实现对运动目标的检测。

2. 2 三帧差分法

三帧差分法是对相邻两帧差分法的改进，通过对三帧视频图像连续进行差分运算，避免了两帧差分法的弊端同时继承了两帧差分法优势，原理如图2所示。

图2 三帧差分法关系Fig.2 Three-frame differencemethod relationship

如图2，三帧差分法的关系，A，B，C分别为相邻的不同三帧图像，其中A图像表示前一帧图像，B图像表示当前帧图像，而C表示下一帧图像。把前一帧图像与当前帧图像进行异或运算，得到新的图像D；将B与C进行异或运算得到新图像E；最后将D与E进行与运算得到新图像F. 三帧差分法就是将当前帧图像与前一帧图像的不同差分运算得到新的帧图像，经过这样运算，可以得到更加清晰准确的运行目标轮廓。

假设三帧图像分别为 dk，d1k，d2k，将三帧不同的图像分别进行运算，具体运算方式如下

其中dk中像素值为255的是前景点，其余是背景点。因为图像的概率密度函数近似接近于高斯分布，所以其阈值的设定可以依据3α准则

α，μ分别为概率密度的均值和方差。像素领域的背景差分为

l1，l2为邻域半径，常取 1，2.

因此，通过将前一帧图像与当前帧图像和下一帧图像分别进行相应的差分运算得到新的差分图像后，然后进行阈值和形态学的处理得到二值化图像，将二值化图像也进行相应的逻辑运算从而判定分析检测到目标区域。

3 一种改进的井下视频运动目标检测算法

传统高斯背景模型是对每一个像素点进行多个高斯背景模型的建立，由于更新机制时间长，环境不同，场景也不停地变化，就会造成背景模型不能及时更新。并且煤矿井下视频图像颜色单一，目标与背景颜色不宜区分，因此在运动目标检测时背景无法及时的提取和更新，则导致最终的检测不准确。

为了解决这个问题，将每一帧视频图像连续分割成N*N的小块；然后用每一小块的像素均值分别来替代整块的像素值，在此技术上进行均值法建模，能够大幅提高程序处理速度，方法如下

取视频中任意点，将（xm，ym）在t时刻对视频按从上到下，从左到右的顺序分成N*N大小的方块。假设

其中 I（i，j，t）为 t时刻之前的像素值，改进后的公式为

同样对背景模型中匹配成功的高斯分布，其均值和方差也要进行更新

改进算法流程如图3所示。

图3 井下视频运动目标检测算法流程Fig.3 Flow chart ofmine videomoving target detection algorithm

传统的高斯背景模型的更新速率是统一的，因此背景模型不能得到及时的更新，从而造成实际场景未能实时变化，也就是说真实的场景不能被表示，导致无法达到安全生产视频监控的要求。所以实际操作时需要根据图像不同的块特点选择相应的速率值。通常在初始化时取一个较大的T值来确定B值，对于单模态区域，使B=1更新速率θ赋值一个较小的值；对于多模态区域，通常B满足1＜B≤k，更新速率θ赋值一个较大的值。

对于监控视频场景中存在长期静止的物体，如果发生突然运动，采用混合高斯模型对运动目标进行检测则容易出现检测错误，此外运动物体的阴影区域也很难建模，存在检测精度达不到要求的问题。三帧差分法则克服了该缺点，对运动物体进行建模时具有较好的效果，整个运动目标的检测精度和效率获得极大提高。

改进的混合高斯背景模型融入了三帧差分法的原理，首先对视频序列进行三帧差分，两两计算差分得到差分图像，然后对得到的图像采用改进的混合高斯背景建模法分别进行处理，将获得的含有目标的2个差分图像进行逻辑与运算，最后经过形态学处理，对其进行去除噪声和填充“空洞”，从而提取出矿井下的人员目标。

4 仿真结果与分析

通过VS2013与OpenCv2.4.9从主观和客观2个方面对改进算法进行仿真实验，计算机主频和内存分别为3 GHz和3 GB，矿井视频图像增强仿真结果如图4，图5（a）～（b）所示，矿井视频运动目标检测仿真结果如图6（a）～（c）所示。

图4 矿井视频图像增强仿真结果（一）Fig.4 Mine video image enhancement simulation results（一）

图5 矿井视频图像增强仿真结果（二）Fig.5 Mine video image enhancement simulation results（二）

图4（b）和图5（b）中图像的亮度明显提升，图像的纹理和边缘更加清晰，行人的轮廓和支护的形状更易分辨，不仅实现了图像的消噪处理，而且增强了图像的细节信息，而融合的暗原色先验算法也获得除尘去雾的预期，为目标检测奠定了坚实的基础。

图6 矿井视频运动目标检测仿真结果Fig.6 Simulation results ofmine videomoving target detection

图6（a）中的检测结果边界不完整而且存在严重的鬼影，图6（b）中改进的高斯背景建模方法性能有所改善，可是依然存在鬼影的现象，通过对视频帧图像进行分块处理来进行运动目标检测，并改进了更新速率，运算量大幅度降低。文中改进的高斯背景建模融合三帧差分法检测结果如图6（c）所示，运动目标轮廓清晰，完整性好，有效地消除了高斯背景模型更新不及时所产生的鬼影现象，完整的保留了其检测的目标轮廓。

表1为高斯混合模型和改进的高斯混合模型的误检率和漏检率，可见文中算法对矿井环境下运动目标检测精确度显著提升，对于误检和漏检视频信息进行分析，原因是在视频监控中长期静止不动的目标，突然发生运动，则会导致混合高斯背景模型无法及时对背景进行更新而造成的。

表1 3种算法的检测结果Table 1 Test results of the three algorithms

建议的煤矿井下运动目标检测算法，能达到106 ms/帧的检测效率，传统的不采用三帧差分法进行前景运动区域提取，其检测效率高达550 ms/帧，本文算法提高约5倍左右，可以确保煤矿井下视频实时监测需求。

5 结 论

1）小波分解与暗原色先验去雾相融合的算法能够有效去除图像噪声，淡化浓雾、提高图像对比度以及解决光照不均等问题。改进的高斯背景模型融入三帧差分法，消除了高斯背景模型由于背景更新不及时而产生的鬼影现象，算法的运算量降低，运算速度有效提升，达到煤矿安全生产监控目标识别的实时性要求；

2）三帧差分法能准确迅速的定位运动目标，将混合高斯背景模型与三帧差分法相融合能克服漏检和误检等问题，利用混合高斯背景模型获得背景模板，处理中将当前帧图像中的背景进行消除，然后选取合适的阈值，获得了能够抑制运动目标阴影的前景图像，算法检测的运动目标轮廓比较完整，能够将背景和目标完整的区分出来，为煤矿安全生产奠定良好的基础。