一种基于视频识别的钱塘江涌潮检测方法

曾旭，王瑞荣，王建中，薛安克

(杭州电子科技大学信号与控制研究所，浙江杭州310018)

0 引言

在世界上许多河口，由于特殊的地理结构从而形成了来势凶猛的涌潮，如杭州湾喇叭口地形所形成的天下奇观——钱江大潮。由于对江潮习性认识不足以及缺乏对涌潮到达沿江各危险点时间的准确预报，沿江人们的生产、生活带来一定的破坏性，常年发生人员伤亡等事件。目前国内外对基于视频识别相关技术的研究较为活跃，如在交通系统中对运动车辆的监控与检测，森林系统中对烟雾的探测与识别，室内系统中对人物的运动状态的模式识别等，但利用视频识别技术对涌潮系统进行自动监测与辨识的实施方案却报道不多，文献1提出了一种不同机制水文模型组合的水文预报方法，根据流域特性，配置包括物理概念模型和系统分析模型的水文预报模型，来达到预报预警效果，但是由于水文预报需要庞大的数据支持，使得整个预报模型很难控制，不能准确预测水文信息。通常对运动车辆和烟雾的检测采用光流场法，对人物的识别大多基于帧间差分法等等，而在潮水系统中，由于涌潮潮头声势巨大，在摄像头固定的情况下，岸边的物体不会对潮头识别产生干扰，且潮头目标较为明显，很容易与其他目标进行分离。故本文提出一种基于混合高斯背景建模的背景减除法，通过对当前视频图像序列和背景图像相减来产生差图像，从而提取涌潮潮头。与目前水文部门的预报相比，该方法方便易用，自动化程度高，鲁棒性强，能显著提高预报的实时性和准确度，为沿江生产作业和观潮提供了有力的预警安全保障。

1 混合高斯模型

背景模型有单模态和多模态两种模型，单模态模型在每个背景点上的颜色分布较为集中，利用单个概率分布模型就可以描述，多模态模型的分布则比较分散，需要多个分布模型来共同描述［2］。较常用的描述背景点颜色分布的概率模型有高斯分布(正态分布)，在复杂环境下，一般采用多模态的混合高斯背景模型进行建模。高斯模型认为，对于一个背景图像，其特定象素亮度的分布满足高斯分布。

混合高斯模型是一种多模态的背景模型，它的基本思想是:对每一个象素点，定义K个高斯分布来表示它的状态，K取值越大，单态模型的个数就越多，模型对场景的描述能力也就越强，但是相对应所需的处理时间也就越长［3］。因此，K值体现了象素值多峰分布的峰的个数，K值的选取依赖于象素值的分布情况。

在检测的过程中只要象素点符合K个表示背景的高斯分布中的任何一个，那么就认为该象素点是具有背景特征的象素点，也就是背景象素点;反之，该象素点则被判定为目标。象素It(x，y)的概率表示为:

式中，η(xt，μt，i，∑t，i)表示在点(x，y)处，t时刻的第i个高斯分布，其定义为:

式中，d表示RGB颜色空间的维数，wi，t、μi，t和∑i，t分别表示在t时刻第i个高斯分布的权值、均值和协方差矩阵。

混合高斯背景模型的建立算法包括:

(1)为每一个象素点建立混合高斯模型。设用来描述每个象素点特征的高斯分布共有K个，分别记为η(xt，μi，t，∑i，t)，i=1，2，…，K。各高斯分布的权值wt，i(∑wt，i=1)总是按照优先级pi=wt，i|Σt，i|－1/2从高到低的次序排序。若某一象素点的高斯分布权值满足wt，i＞TH，则认为该高斯分布拥有该象素点的背景特征，即该高斯分布为该象素点的背景分布，这里TH为权值阈值;

(2)将高斯分布按优先级从大到小与当前象素值xt逐一进行匹配验证，判断是否满足条件|μi，t－xi，t|＜，其中是一个阈值常量，若没有背景分布的高斯分布与xt匹配，则判定该点为前景，反之为背景;

(3)对高斯分布背景模型进行更新。在步骤2的基础上，若没有任何高斯分布与xt匹配，则去除优先级最低的一个高斯分布，创建一个新的高斯分布，并赋予较小的权值和较大的方差，同时对所有高斯分布的权值做归一化处理。

若第m个高斯分布与xt匹配，则对第i个高斯分布的权值作如下处理:

式中，β为权值的更新率，代表背景特征的稳定性。同时，将该高斯分布的其他参数更新为:

式中，α为背景的更新率，决定背景的更新速度。

2 目标检测方法

当前，目标检测较为常见的方法主要有以下几种:

(1)光流场法

光流是空间运动物体对观测面上的象素点运动产生的瞬时速度场，包含了物体表面结构

和动态行为的重要信息。一般情况下，光流由相机运动、场景中目标运动，或两者的运动产生。当场景中有独立的运动目标时，通过光流分析可以确定运动目标的数目、运动速度、目标距离和目标的表面结构;

(2)帧间差分法

帧间差分法是利用图像序列相邻两帧直接相减进行目标检测的方法，检测出的只是较

小时间间隔内的图像变化部分;

(3)背景减除法

背景减除即背景相减，即用当前帧图像和背景图像相减来产生差图像。直接相减所

得的差图像中既有正值的象素点，也可能出现负值的象素点，然后对其进行取绝对值操作。在获得差图像之后要用阈值来将图像二值化，从而得到二值化图像。它可以比较准确地提取运动目标，本文即通过混合高斯背景建模建立背景模型，通过当前帧与背景模型相减来达到提取江河涌潮的目的。

3 江河涌潮检测

本文通过摄像头采集江面实时视频信号，对视频帧进行处理，建立混合高斯背景模型，构建背景图像，通过当前帧图像与背景图像的对比，利用高斯模型对背景图像进行更新的同时，运用背景减除法提取出前景图像，再经过去噪处理后，得到涌潮信息。具体步骤包括:

(1)视频采集装置采集视频，将视频分解为序列图像，同时将图像转换为RGB图像;

(2)初始化背景模型，设均值μ为第一幅图像象素值，Σ=900。为每一个象素点建立3个高斯分布。分布1的权重为0.8，方差为900，均值为当前象素点的值;分布2的权重为0.1，方差为900，均值为0;分布3的权重为0.1，900，均值为0。将各高斯分布的权值wt，i按照优先级pi从高到低的次序排序。并计算权值是否满足wt，i＞TH，若满足，则认为该高斯分布为该象素点的背景分布，这里TH为0.025;

(3)将高斯分布按优先级从大到小与当前象素值xt逐一进行匹配验证，判断是否满足条件|μi，t－xi，t|＜，其中是一个阈值常量，若没有背景分布的高斯分布与xt匹配，则判定该点为前景，反之为背景。经反复实验，这里取20可达到最佳效果;

(4)在步骤3的基础上，若没有任何高斯分布与xt匹配，则去除优先级最低的一个高斯分布，创建一个新的高斯分布，权重为0.1，方差为900，均值为0，并对所有高斯分布的权值做归一化处理;若第m个高斯分布与匹配，则对第i个高斯分布的权值按式3进行处理，其中取β为0.73。同时，将该高斯分布的其他参数按照式4进行更新其中α为0.15;

(5)处理前景图像，减少噪声干扰。减噪方法采用基于数学形态学的腐蚀操作。腐蚀操作可以消除物体边界点，使目标缩小，消除小于结构元素的噪声点，具体方法为:用一个结构元素(一般是3×3的大小)扫描图像中的每一个象素，用结构元素中的每一个象素与其覆盖的象素做“与”操作，如果都为1，则该象素为1，否则为0;处理后的图像即为最终检测结果。

4 实验结果

本文以钱塘江实地采集的视频作为样本，对基于视频识别的江河涌潮方法进行验证，结果如图1，2所示。图1(a)、图2(a)为原始图像，图1(b)、图2(b)为采用混合高斯建模后的背景图像，图1(c)、图2(c)为检测出的涌潮灰度图像。图1和图2表明该方法可以很好的分离出背景和前景图像，从而检测出涌潮信息。

图1 钱塘江海宁盐官涌潮图像

图2 钱塘江九堡涌潮图像

5 结束语

本文介绍了混合高斯背景建模方法，并通过运动目标特征，采用背景减除法提取运动目标。同时，本文给出了基于视频技术的钱塘江涌潮检测方法，通过实地采集的视频作为样本进行江河涌潮的检测，具有较高的实际应用价值。

［1］李春红，王峰，张俊，等.一种不同机制水文模型组合的水文预报方法:中国.200910234628.7［P］.2010－11－03.

［2］王丽娟.基于OpenCV与混合高斯建模的运动目标检测［J］.电子测试，2009，(9):86－90.

［3］Zha Yufei，Bi Duyan.Adaptive learning algorithm based on mixture Gaussian background［J］.Journal of System Engineering and Electronics，2007，18(2):369－376.

［4］文灏，陈红涛.基于减背景与对称差分的运动目标检测［J］.微计算机信息，2007，23(25):99－101.

［5］Liu，Ai H Z，Xu G Y.Moving object detection and tracking based on background subtraction［J］.Information and Control，2002，31(4):315－319.