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，首先對低頻分量采用暗原色先驗進(jìn)行去霧處理，然后用閾值濾波對高頻分量進(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)驗結(jié)果表明所提算法能提高圖像對比度，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)動目標(biāo)檢測中，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)動目標(biāo)實(shí)時追蹤的需求。仿真實(shí)驗結(jié)果表明所提算法相對傳統(tǒng)混合高斯模型算法不僅能夠快速的檢測出運(yùn)動目標(biāo)，而且檢測圖像邊緣細(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)動目標(biāo)檢測

中圖分類號：TP 391.4文獻(xiàn)標(biāo)志碼：A

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

0引言

為了對煤礦井下安全生產(chǎn)人員進(jìn)行有效檢測與追蹤，必須克服礦井下光線不足，照度低且粉塵大對監(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等提出了一個參數(shù)化的新閾值函數(shù)，，新閾值函數(shù)提高了去噪信號的信噪比，減小了均方誤差，能夠?qū)崿F(xiàn)對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算量大和收斂速度慢問題[5]。夏欣雨等對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去霧相融合的算法，不僅能解決光照不均，提高圖像對比度，而且有效抑制圖像噪聲，增強(qiáng)了圖像細(xì)節(jié)，突出運(yùn)動目標(biāo)的邊緣信息保持能力。

運(yùn)動目標(biāo)檢測是將運(yùn)動目標(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)動目標(biāo)檢測算法主要有光流場法[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得到運(yùn)動目標(biāo)，并對運(yùn)動目標(biāo)進(jìn)行了分類[14];李曉瑜和馬大中針對光照突變產(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)動目標(biāo)檢測[15];施龍超等人針對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)動目標(biāo)的檢測效果[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)檢測的速率[19];汪成亮等人通過減少了偵測掃描區(qū)域，并提出一種PCAHOG描述子，從而提升了人體檢測速度[20];習(xí)通針對計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)檢測算法[21]。實(shí)際場景中光流場檢測效果會受遮擋、多光源、透明性和噪聲等干擾因素影響，并且該方法計算量大;背景減除法會因背景的更新導(dǎo)致算法的復(fù)雜性增加，實(shí)時性變差;幀間差分法原理簡單，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)動目標(biāo)檢測方法，不僅可以消除因為背景更新不及時造成的圖像鬼影和空洞，而且能夠較好的保留被檢測目標(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，通過暗原色先驗知識對經(jīng)過小波分解后的低頻分量進(jìn)行去霧處理，并對高頻分量用半軟閾值濾波法進(jìn)行消噪，對兩個處理以后的分量進(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）使用暗原色先驗去霧算法對c1進(jìn)行去霧處理，得處理后的分量c3;

4）對低照度圖像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的更新，從而造成實(shí)際場景未能實(shí)時變化，也就是說真實(shí)的場景不能被表示，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。通常在初始化時取一個較大的T值來確定B值，對于單模態(tài)區(qū)域，使B=1更新速率θ賦值一個較小的值;對于多模態(tài)區(qū)域，通常B滿足1

對于監(jiān)控視頻場景中存在長期靜止的物體，如果發(fā)生突然運(yùn)動，采用混合高斯模型對運(yùn)動目標(biāo)進(jìn)行檢測則容易出現(xiàn)檢測錯誤，此外運(yùn)動物體的陰影區(qū)域也很難建模，存在檢測精度達(dá)不到要求的問題。三幀差分法則克服了該缺點(diǎn)，對運(yùn)動物體進(jìn)行建模時具有較好的效果，整個運(yùn)動目標(biāo)的檢測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，首先對視頻序列進(jìn)行三幀差分，兩兩計算差分得到差分圖像，然后對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個方面對改進(jìn)算法進(jìn)行仿真實(shí)驗，計算機(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)動目標(biāo)檢測仿真結(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算法也獲得除塵去霧的預(yù)期，為目標(biāo)檢測奠定了堅實(shí)的基礎(chǔ)。

圖6（a）中的檢測結(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，通過對視頻幀圖像進(jìn)行分塊處理來進(jìn)行運(yùn)動目標(biāo)檢測，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結(jié)果如圖6（c）所示，運(yùn)動目標(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所產(chǎn)生的鬼影現(xiàn)象，完整的保留了其檢測的目標(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，可見文中算法對礦井環(huán)境下運(yùn)動目標(biāo)檢測精確度顯著提升，對于誤檢和漏檢視頻信息進(jìn)行分析，原因是在視頻監(jiān)控中長期靜止不動的目標(biāo)，突然發(fā)生運(yùn)動，則會導(dǎo)致混合高斯背景模型無法及時對背景進(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)識別的實(shí)時性要求;

2）三幀差分法能準(zhǔn)確迅速的定位運(yùn)動目標(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)動目標(biāo)陰影的前景圖像，算法檢測的運(yùn)動目標(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，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，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].計算機(jī)工程與設(shè)計，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，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)動目標(biāo)檢測[J].現(xiàn)代計算機(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[J].計算機(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)動車輛檢測算法[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)的圖像模糊對比度增強(qiáng)算法[J].西安郵電學(xué)院學(xué)報，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)動目標(biāo)檢測[J].吉林大學(xué)學(xué)報，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)背景估計與前景檢測[C]//最近關(guān)于機(jī)電一體化進(jìn)展的國際會議記錄，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)動目標(biāo)檢測[J].計算機(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)動人體檢測[J].計算機(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)動目標(biāo)檢測算法[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.