《電子技術(shù)應(yīng)用》
您所在的位置：首頁 > 測試測量 > 設(shè)計應(yīng)用 > 融合五幀差分與高斯模型的運動物料袋檢測
融合五幀差分與高斯模型的運動物料袋檢測
來源：電子技術(shù)應(yīng)用2013年第10期
賈 偉， 黃小天， 謝 椿， 王正勇
四川大學 電子信息學院圖像信息研究所，四川 成都 610064
摘要： 提出了一種快速檢測方法。以動態(tài)傳送帶與物料袋為研究對象，用改進的五幀差分法提取運動物料袋圖像，同時以中間幀圖像為參照進行單高斯背景更新；采用中間幀圖像與背景圖像做差，將得到的前景圖像與幀差法得到的運動圖像進行形態(tài)學“與”運算；當幀數(shù)滿足給定條件時，表明該幀為完整物料袋圖像，保存幀圖像，并對不滿足該條件的相鄰幀圖像通過加運算補償。實驗結(jié)果表明，該方法可以得到準確、快速的檢測結(jié)果，并且對環(huán)境變化具有較強的魯棒性。
中圖分類號： TP391
文獻標識碼： A
文章編號： 0258-7998(2013)10-0139-04
Moving material bag detection method of a fused five frame difference and Gaussian model
Jia Wei, Huang Xiaotian, Xie Chun, Wang Zhengyong
College of Electronics and Information Engineering, Sichuan University, Chengdu 610064, China
Abstract： The article proposes a rapid detection method. Firstly, the article takes the dynamic conveyor belt and the plastic bags as the research object，uses the improved five-difference method to extract the images of moving material bags，At the same time,it takes the intermediate frame picture as a reference to update background；Then using the difference between the middle frame image and the background image，and makes morphological and operation between the foreground image and the moving image obtained by frame difference method;When the number of frames meets special condition,it shows that the frame includes complete image information of material bag, and saves the frame image, continues to detect;Oppositly, then compensate the adjacent frames which is not satisfied the condition by add operation. the experimental results shows that the method is accurate and fast, and has a strong robustness to environmental change.
Key words : five frame difference method; single Gaussian model; morphological operation; material detection

    隨著機器視覺技術(shù)的發(fā)展，其應(yīng)用受到越來越多的關(guān)注,如研究人員應(yīng)用計算機視覺技術(shù)對蘋果[1]、葡萄[2]、西紅柿等蔬菜[3]水果進行檢測和分類，對棒材、煙支等靜態(tài)目標進行檢測與計數(shù)。而用于對行人[4-6]、車輛等動態(tài)目標的檢測方法主要有幀差法、背景減法、光流法。其中幀差法是基于多幀圖像的相關(guān)性而提出的方法，通過將相鄰兩幀或者多幀的灰度值做差，當差值很小時，則標記為背景，反之，則被認為是運動目標，該方法具有算法簡單、對光照與環(huán)境變化具有適應(yīng)性等特點。背景減法將序列圖像當前幀與背景圖像做差，當差值很小時，被認為是背景區(qū)域，相反則被標記為目標區(qū)域。背景差分可以通過背景建模的方式提高對環(huán)境變化的適應(yīng)能力，常見的建模方法有中值、均值濾波法、單高斯模型背景更新[7]、混合高斯模型法更新、碼書背景建模等。

    本文首先以傳送帶上運動的物料袋為研究對象，針對幀差法和背景減法在性能上互補[8]的特點，提出了一種融合五幀差分與高斯模型的運動物料袋快速檢測方法。首先以傳送帶和物料袋為研究對象，采用改進的五幀差分法提取目標區(qū)域，以減小環(huán)境光照的影響；同時以物料袋為研究對象,利用單高斯模型進行背景的更新，將中間幀圖像與背景圖像做差，得到目標區(qū)域，通過運動策略分析,最后將兩個目標區(qū)域進行形態(tài)學“與”運算，從而消除了傳送帶在物料袋檢測過程中的影響。
1 改進的五幀差分算法
    設(shè)Fk(x,y)、Fk+1(x,y)分別表示第k幀和k+1幀的圖像，Hk(x,y)為差分結(jié)果，即：
    
    (2)為了補償背景更新對其他圖像幀的影響，采用圖像加運算的補償方法，當幀數(shù)滿足((k-1)%5==0)||((k+1)%5==0)時,保存該圖像幀，再對該幀相鄰幀圖像進行加運算, 其中NumFrm=k，NumFrm為幀數(shù)，最后得到前景圖像。
3 物料袋檢測算法及描述
    首先從視頻流中獲取五幀視頻，判斷中間幀是否滿足上述條件，然后利用改進的五幀差分算法提取初步的物料袋圖像；同時對獲取的中間幀進行單高斯模型背景更新，再用背景減法獲得物料袋圖像，針對幀差法和背景差法互補的特點，最后獲取物料袋前景圖像。
    由于存在時間間隔與延遲，從而使某些幀信息丟失。為此，本文對該視頻幀進行了統(tǒng)計分析,如圖1所示。結(jié)果顯示,當幀數(shù)滿足((nFrmNum-1)%5==0)||((nFrmNum+1)%5==0)時，檢測到較為完整的物料袋，而相鄰幀圖像出現(xiàn)了局部空洞圖像,如圖1(d)所示。針對非剛體物料袋表面絕大部分具有相似性的特點，本文通過完整物料袋圖像的表面圖像來補償相鄰幀不完整的圖像,最終得到了完整的物料袋目標圖像,如圖1(e)所示。

 

 

4 實驗結(jié)果及分析
    實驗所采用的視頻來源于成都某食品公司的倉庫，視頻中的物料袋為玉米袋，視頻內(nèi)容為玉米袋裝車時在傳送帶上的運動情況，視頻中包含了本文研究所包含的各種影響因素，具體包括：運動的人、光線的變化(明暗變化)、復(fù)雜的背景等。實驗中計算機的配置：CPU為Pentium T4400，主頻2.21 GHz，內(nèi)存2.00 GB；硬盤空間320 GB。實驗中視頻格式為AVI，分別采用單包、連包情況下的3段視頻進行試驗，視頻設(shè)為I、II、III，時長分別為1′17"、46"、1′5"。其中單高斯模型的更新系數(shù)為a=0.05。
    圖2所示為采用視頻I，并對傳統(tǒng)的混合高斯模型(GMM)、單高斯模型(SGM)、五幀差分法(FFD)、以及本文算法(Proposed Algorithm)進行對比研究的結(jié)果,其中圖2(a)、圖2(b)、圖2(c)分別表示對視頻第459幀、第732幀、第895幀的原始幀 (Original Frame) 圖像及其檢測效果。結(jié)果顯示,雖然各種算法針對的運動物體的檢測條件不同，而當選擇傳送帶跟物料袋為整體研究對象時，本文算法具有非常明顯的優(yōu)勢。視頻中人體局部在運動，并且光照在時明時暗的變化條件下，對檢測結(jié)果影響不大。圖中第459幀中的光線較其他幀圖像強,第895幀光線變暗。

    圖3所示為采用視頻II和視頻III對橫向連包和縱向連包情況下的物料袋檢測結(jié)果。圖4所示為前景圖像中白色區(qū)域的面積隨時間的變化關(guān)系，P(t)表示前景圖像中像素點的實時分布概率。結(jié)果顯示，圖4(a)對橫向連包的檢測結(jié)果比較明顯，曲線與橫坐標所圍的面積約為單包時的2倍。視頻III中，由于受傳送袋上散落玉米粒的影響，在66.7 ms~133.3 ms時間段內(nèi)出現(xiàn)了兩個峰值，圖4(b)中連包時峰值與相鄰極小值所圍的面積約為單包的2倍。

    本文對傳送帶上運動的物料袋進行了研究，針對幀差法與背景減法互補的特點，提出了一種運動物料袋快速檢測方法。該方法對環(huán)境變化有較好的魯棒性，實驗結(jié)果得到了較好的檢測效果，因此可以應(yīng)用于基于計算機視覺技術(shù)的物料袋在線檢測、統(tǒng)計等相關(guān)研究與應(yīng)用中。但是，當傳送帶發(fā)生劇烈晃動時，本文方法檢測效果不太理想，檢測結(jié)果會出現(xiàn)局部面積較小的空洞。
參考文獻
[1] 趙延軍,徐麗明.基于機器視覺的蘋果果袋檢測方法[J].中國農(nóng)業(yè)大學學報,2006,11(1):87-90.
[2] 陳英,廖濤,林初靠,等.基于計算機視覺的葡萄檢測分級系統(tǒng)[J].農(nóng)業(yè)機械學報,2010,42(3):169-172.
[3] 丁筠,殷涌光. 蔬菜中大腸桿菌的機器視覺快速檢測[J].農(nóng)業(yè)機械學報,2012,43(2):134-139.
[4] 陳浩,王景中,姚光明.基于類園分割的棒材計數(shù)圖像識別[J].工程圖學學報,2004(4):89-103.
[5] 李衡宇,何小海,吳煒,等.基于計算機視覺的公交車人流統(tǒng)計系統(tǒng)[J]. 四川大學學報(自然科學版),2007,44(4):825-830.
[6] 章東平,童超,蘆亞飛.基于粒子視頻的高密度人群主流運動檢測[J].電子技術(shù)應(yīng)用,2012,38(4):123-125.
[7] WREN C R, AZARBAYEJANI A J, DARRELL T J, et al. Pfinder: real-time tracking of the human body[C].Photonics East′95. International Society for Optics and Photonics, 1996.
[8] 郝毫剛,陳家琪,遠博,等.基于五幀差分和背景差分的運動目標檢測算法[J].計算機工程,2012,38(4):146-148.
[9] 王耀明,董建萍,嚴煒,等.圖像閾值分割的統(tǒng)計迭代算法[J].桂林電子科技大學學報,2000, 20(2):6-7.

此內(nèi)容為AET網(wǎng)站原創(chuàng)，未經(jīng)授權(quán)禁止轉(zhuǎn)載。