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

摘要：由于矿井下光线不足，照度低且粉尘大，造成监控视频图像存在昏暗和模糊问题，利用小波变换获取视频画面中的不同频率分量信息，首先对低频分量采用暗原色先验进行去雾处理，然后用阈值滤波对高频分量进行消噪，将处理以后的低频分量和高频分量进行融合，重构小波函数，实现图像的增强。仿真实验结果表明所提算法能提高图像对比度，增强图像细节信息，淡化浓雾、抑制噪声等方面有较好的效果。在矿井运动目标检测中，为了改善传统混合高斯模型像素点不能精确匹配及参数迭代速度慢的问题，采用三帧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时而导致的画面鬼影现象，而且运算速度得到明显提升，实现了运动目标实时追踪的需求。仿真实验结果表明所提算法相对传统混合高斯模型算法不仅能够快速的检测出运动目标，而且检测图像边缘细节信息更加清晰，并且能够解决物体遮挡等问题，为矿井视频信息处理和人员安全监测奠定了良好的基础。

关键词：图像处理;小波变换;混合高斯模型;三帧差分法;运动目标检测

中图分类号：TP 391.4文献标志码：A

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

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。

运动目标检测是将運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PCAHOG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。

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

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（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（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。

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。

参考文献（References）：

[1]李利华，栾晓峰.基于空域、频域和时间域的復合图像增强方法[J].医疗装备，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]赵翱东，奚茂龙，叶茜.基于奇异值分解和非下采样Contourlet变换的红外图像增强新算法[J].山东农业大学学报，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]高银，云利军，石俊生.基于四阶PDE模型的暗原色理论雾天图像增强算法[J].南京理工大学学报，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]卢光森，李莹，马敏.基于新阈值函数的小波阈值去噪算法[J].传感器与微系统，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]赵洪图，刘云.基于三次样条插值的小波模极大值去噪算法[J].计算机工程与设计，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，吴国新.融合小波变换和模糊集的东巴古籍图像增强算法[J].北京信息科技大学学报，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，赵明.基于光流法与RPCA的红外运动目标检测[J].现代计算机，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]范长军，文凌艳，毛泉涌，等.结合单高斯与光流法的无人机运行目标检测[J].计算机系统应用，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]伍健荣，杜向龙，刘海涛.一种改进的基于卡尔曼滤波的自适应背景建模算法[J].传感器与微系统技术，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]严丽罗，韩林万，李夏雪.基于混合背景减法和帧差的自适应运动车辆检测算法[J].应用力学与材料，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，吴成茂.一种改进的图像模糊对比度增强算法[J].西安邮电学院学报，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]李晓瑜，马大中，付英杰.基于三帧差分混合高斯背景模型运动目标检测[J].吉林大学学报，2018，36（4）：414-422.

LI Xiaoyu，MA Dazhong，FU Yingjie.Moving target detection based on threeframe differential mixed Gaussian background model[J].Journal of Jilin University，2018，36（4）：414-422.

[16]施龙超，安玉磊，苏秉华，等.一种改进的基于卡尔曼滤波的背景差分算法[J].激光与光电子学进展，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.基于卡尔曼滤波的自适应背景估计与前景检测[C]//最近关于机电一体化进展的国际会议记录，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]黄大卫，胡文翔，吴小培，等.改进单高斯模型的视频前景提取与破碎目标合并算法[J].信号处理，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]张燕平，白云球，赵勇，等.应用改进混合高斯模型的运动目标检测[J].计算机工程与应用，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.基于高斯混合模型与PCAHOG的快速运动人体检测[J].计算机应用研究，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]习通.基于稀疏光流检测的目标跟踪方法研究[J].科技风，2018（6）：207.

XI Tong.Research on target tracking method based on sparse optical flow detection[J].Science and Technology，2018（6）：207.

[22]周莉鸿.改进的混合高斯模型运动目标检测算法[J].电子科技，2017，30（7）：21-24.

ZHOU Lihong.Improved hybrid Gaussian model moving target detection algorithm[J].Electronic Technology，2017，30（7）：21-24.