- 相關(guān)推薦
基于雙目計算機視覺(jué)的自適應識別算法及其監控應用
摘要：雙目計算機視覺(jué)是利用仿生學(xué)原理,通過(guò)標定后的雙攝像頭來(lái)得到同步曝光圖像,然后計算獲取的2維圖像像素點(diǎn)的第3維深度信息。為了對不同環(huán)境場(chǎng)景進(jìn)行監控提出了一種新的基于雙目計算機視覺(jué)的自適應識別算法。該算法首先利用像素點(diǎn)的深度信息對場(chǎng)景進(jìn)行識別判斷,然后采用統計的方法為場(chǎng)景建模,并通過(guò)時(shí)間濾波克服光照漸變,以及通過(guò)深度算法特性克服光照突變。與單攝像頭監控系統相比,利用該算法實(shí)現的視頻監控原型系統,可應用于更多場(chǎng)合,并利用深度信息設置報警級別,來(lái)降低誤檢率。
關(guān)鍵詞：雙目計算機視覺(jué) 深度信息 自適應 光照變化 視頻監控
1、引 言
面對日益復雜的社會(huì )和政治環(huán)境,國家安全、社會(huì )安全、個(gè)人人生安全和財產(chǎn)安全等都面臨著(zhù)不同程度的威脅,都需要各種安全保護措施,在眾多場(chǎng)所建立切實(shí)有效的安保措施,成為一個(gè)迫切的課題。本文提出了一種基于雙目計算機視覺(jué)的自適應識別算法,將該算法應用于現有的監控系統,并賦予監控終端智能性,不僅使其脫離人而具有獨立智能、自主判斷的能力,而且使得視頻監控系統在安防方面的作用大大提高。
在現有的背景建模方法中,大多對于背景象素點(diǎn)的亮度值,例如最小亮度值、最大亮度值和最大亮度差值[ 1 ] ,或是對顏色信息進(jìn)行建模[ 2 ] 。對于背景的更新,一般使用自適應濾波器對像素的統計特性進(jìn)行遞歸更新,為了考慮到噪聲的影響,文獻[ 3 ]提出了Kalman濾波器的方法,該文認為系統的最優(yōu)信息可通過(guò)估計獲得�？紤]到環(huán)境的動(dòng)態(tài)緩慢改變,文獻[ 4 ]利用統計模型給背景建模,即由一個(gè)時(shí)域濾波器保留著(zhù)一個(gè)序列均值和一個(gè)標準偏差,并通過(guò)濾波過(guò)程統計值隨時(shí)間改變來(lái)反映環(huán)境的動(dòng)態(tài)特性。另外有一些方法解決了光照漸變等影響[ 5～7 ] ,但計算較復雜。
2、雙目計算機視覺(jué)深度算法
基于實(shí)際應用考慮,攝像頭的數量關(guān)系著(zhù)成本和計算量,所以選擇支持雙攝像頭(雙目視覺(jué))的算法是最合適的。在支持雙目視覺(jué)的算法中,Princeton NEC research institute 基于最大流算法(maximum2flow)的計算機視覺(jué)算法( Stereo2MF)在深度效果平滑性上做得較好[ 8, 9 ] ,適用于監控區域深度計算的應用背景。但原有算法所需的計算量和計算過(guò)程中的暫存數據量是較大的,雖然支持計算量的削減,但只是機械地在一塊區域中選擇中心點(diǎn)來(lái)進(jìn)行計算,這樣計算的結果會(huì )因選擇的機械性,而出現大量的“偽點(diǎn)”,這些偽點(diǎn)錯誤地表現了該區域的平均深度信息。本文采用統計平均值選取計算點(diǎn),通過(guò)距離因子的Gauss分布將塊內其他點(diǎn)的值融合計算,從而使得計算出的值較準確的代表了這一塊內的大致深度分布。
m, n分別是圖像的長(cháng)和寬所包含的像素點(diǎn)個(gè)數,M、N 表示像素點(diǎn)的橫縱坐標, .d 是塊內深度統計平均值, dM, N為計算點(diǎn)的深度值, q為距離因子, dB是計算所得的塊深度代表值。圖1為改進(jìn)后雙目視覺(jué)深度算法與原算法識別效果比較。由圖1可以明顯看出,修改后的算法效果在細節表現、平滑性、偽點(diǎn)減少上均有明顯改善,而且深度計算精確度能夠完全滿(mǎn)足視頻
圖1 改進(jìn)后雙目視覺(jué)深度算法與原算法識別效果比較Fig. 1Effect comparison after algorithm modification
度計算精確度能夠完全滿(mǎn)足視頻監控應用的需要。
3、自適應識別算法
對于一個(gè)固定的場(chǎng)景,場(chǎng)景各像素點(diǎn)的深度值是符合一個(gè)隨機概率分布。以某一均值為基線(xiàn),在其附近做不超過(guò)某一偏差的隨機振蕩,這種情況下的場(chǎng)景稱(chēng)之為背景。而場(chǎng)景環(huán)境往往是動(dòng)態(tài)變化的,如環(huán)境自然光的緩變,燈光的突然熄滅或點(diǎn)亮,以及運動(dòng)對象的出現、運動(dòng)和消失等。如果能識別出場(chǎng)景中的動(dòng)態(tài)變化,就能自適應的更新背景值,將光照的改變融合到背景值中。本文采取了用統計模型的方式給每個(gè)像素點(diǎn)建模,而以像素點(diǎn)變化的分布情況來(lái)確定光照突變引起的深度突變,并結合深度計算本身特性,解決光照緩變突變引起的誤判問(wèn)題,以及判別場(chǎng)景中對象的主次性。
3. 1 背景象素點(diǎn)的深度值建模
由于雙目計算機視覺(jué)算法得到的深度值,已經(jīng)是塊融合的,可以根據精度要求,來(lái)加大塊面積, 減少數據量。本文獲得的數據量只有原像素點(diǎn)的( k, l分別是塊的長(cháng)和寬所包含的像素點(diǎn)個(gè)數) 。以統計的方法給每個(gè)像素點(diǎn)的深度值建模, 設為第u幀圖像的某個(gè)像素點(diǎn)的深度值, 其中u代表第u幀圖像, i, j分別代表像素點(diǎn)的橫坐標和縱坐標。由一個(gè)時(shí)間濾波器來(lái)保持該像素點(diǎn)深度值的序列均值和時(shí)間偏差
其中,α是一個(gè)可調增益參數, 其與采樣頻率有關(guān)。通過(guò)濾波過(guò)程,來(lái)得到每個(gè)像素點(diǎn)的深度值基于時(shí)間的統計特性,由于這些統計特性反映了環(huán)境的動(dòng)態(tài)特性,據此可以了解到是環(huán)境的光照發(fā)生了突變,還是有運動(dòng)對象的運動(dòng)。
3. 2 背景更新與場(chǎng)景識別
通過(guò)上述濾波過(guò)程,就可以將光照緩變融入到背景中去,實(shí)現背景的自適應更新。而對于光照突變,此時(shí)幾乎所有的象素點(diǎn)的亮度值會(huì )同時(shí)增大或減小,但根據最大流算法的特性,同方向的變化對流量差不會(huì )引起太大變化, 而對深度計算結果只會(huì )引起較小的同方向變化。這種全局的等量變化, 可以認為是光照突變引起的。
其中, a、b和c是3個(gè)可調節系數,他們的取值可依據場(chǎng)景的情況及檢測光照突變的速度與誤差來(lái)進(jìn)行選取。s, t分別是深度圖像的長(cháng)和寬所包含的像素點(diǎn)個(gè)數。Q是符合式( 9)的像素點(diǎn)個(gè)數。一旦檢測到環(huán)境光照發(fā)生了突變, 就把背景點(diǎn)像素的深度序列均值,全部以當前幀像素點(diǎn)的深度值的測量
值代替,而j以0取代,從而實(shí)現背景的及時(shí)更新。
如果式(10)式(12)中任意一個(gè)不成立的話(huà),則認為像素塊深度值的變化并非由光照突變引起, 而是場(chǎng)景中有運動(dòng)對象出現。
4、算法分析與實(shí)驗
4. 1 算法復雜度
對于光照突變檢測,若有突變的話(huà),則會(huì )立即檢測出來(lái),當有運動(dòng)對象出現時(shí), 并且式( 10)式( 12)都接近滿(mǎn)足時(shí),處理會(huì )較慢,因為需要處理突變檢測和運動(dòng)對象兩個(gè)過(guò)程。當b取25% s ×t時(shí)的處理速度與變化點(diǎn)比例關(guān)系如圖2所示。
相對于一般的光強、灰度的識別檢測算法,本算法的優(yōu)勢在于不僅可以利用深度特性更容易地檢測到光照的漸變與突變, 而且可以判斷出現的多個(gè)運動(dòng)對象的主次性。
4. 2 算法誤檢率
由于光照直接對于像素點(diǎn)的光強、灰度等產(chǎn)生影響,所以深度算法的噪聲容限更大,這樣可降低了誤檢率,多組實(shí)驗后得到的誤檢率對比圖如圖3所示。但是由于深度算法本身對于反光或者陰暗面會(huì )產(chǎn)生偽點(diǎn),所以,某些時(shí)候由于光照突變中光源的位置變化而會(huì )誤檢為運動(dòng)對象,為此算法還需進(jìn)一步改進(jìn)能判別偽點(diǎn)的出現, 除去它在光照突變檢測中的影響。另外,公式中可調系數a, b, c的選取也會(huì )對不同場(chǎng)景產(chǎn)生影響。
筆者在實(shí)驗室環(huán)境下做了不同光照角度、不同環(huán)境光強度、不同運動(dòng)物體的多組實(shí)驗,發(fā)現在反光面或是陰暗面較多的情況下,光照突變檢測不是很靈敏,而且會(huì )出錯,但是在增加系數a, c的值后, 誤檢率有所降低(如圖3所示) 。
5、基于算法的監控系統
我們利用該算法實(shí)現了視頻監控原型系統。計算機視覺(jué)算法對于攝像頭的同步曝光要求很高,所以本系統終端用一塊單獨的MCU (micro control unit)控制同步曝光。核心算法用DSP處理。系統結構如圖4所示。實(shí)際系統原型圖如圖5所示。
6、結 論
利用深度信息做智能場(chǎng)景識別,是一種新的嘗試,有其優(yōu)勢。將這種方法應用到智能視頻監控中,能起到很好的效果,克服了其他方法較難處理的光照漸變和突變等問(wèn)題。對比單攝像頭監控系統,該系統可應用于更多場(chǎng)合。后續研發(fā)準備在系統上加上更多功能,以適用于更多的環(huán)境,并與其他保安類(lèi)監控系統互聯(lián),以組成一整套功能強大、達到國內外一流水平的安防系統。
參考文獻( References)
1Ude A, Riley M. Prediction of body configurations and appearance for model-based estimation of articulated human motions [A ]. In: IEEE SMC’99 Conference Proceeding [ C ] , Tokyo, Japan, 1999: 687～691.
2Ricquebourg Y, Bouthemy P. Real-time tracking of moving persons by exp loiting spatio2tempp ral image slices[ J ]. IEEE Transactions on Pattern Analysis andMachine Intelligence, 2000, 22 (8) : 797～808.
3Tsap L V, Goldof D B, Sarkar S. Nonrigid motion analysis based on dynamic refinement of finite elementmodelsp [ J ]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000, 22 ( 5 ) : 526～543.
4Haritaoglu I, Harwood D, Davis L. A real time system for detecting and tracking peop le [ A ]. In: Third International Conference on Automatic Face and Gesture[ C ] , Nara, Japan, Ap ril 1998.
5Wren C, AzarbayejaniA, Darrell T. Real-time tracking of the human body [ J ]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 1997, 19 (7) : 780～785.
6Ridder C, Munkelt O, Kirchner H. Adap tive background estimation and foreground detection using Kalman filtering[A ]. In: Proceedings International Conference. Recent Advances in Mechatronics, ICRAM’95, Istanbul, Turkey, 1995: 193～199.
7Fujiyoshi H, Lip ton A J. Real-time human motion analysis by image skeletonization[A ]. In: Proceedings of theWorkshop on App lication of ComputerVision, Freiburg, Germany, October 1998.
8Sebastien Roy, Ingemar J Cox. A maximum-flow formulation of the n-camera stereo correspondence p roblem [ A ]. In: International Conference on Computer Vision ( ICCV’98 ) [ C ] , Bombay, India, January 1998: 492～499.
9Cox I J, Hingorani S, Maggs B M. A maximum likelihood stereo algorithm[ J ]. Computer Vision and Image Understanding, 1996, 63 (3) : 542～567.
【基于雙目計算機視覺(jué)的自適應識別算法及其監控應用】相關(guān)文章：
雙目立體視覺(jué)技術(shù)的實(shí)現及其進(jìn)展03-18
基于GPRS網(wǎng)絡(luò )的圖像傳輸自適應算法及實(shí)現03-07
基于DCT變換域自適應水印算法的研究03-07
基于計算機視覺(jué)的虛實(shí)場(chǎng)景合成方法研究與應用03-02
基于大氣物理模型的快速視覺(jué)優(yōu)化去霧算法03-17