一种基于高斯混合模型的水面漂浮物自动分割方法技术

本发明专利技术公开了一种基于高斯混合模型的水面漂浮物自动分割方法，可应用于水面目标的自动化监测和分割问题，本发明专利技术改进了基于传统GMM的背景更新方法，对于不同区域的背景模型采用不同的更新策略，从而生成一个更加稳定的背景，并使之适用于水面漂浮物的自动检测分割，同时本发明专利技术提出了在背景差分的基础上结合Graph Cuts图像分割方法，将差分结果作为Graph Cuts算法的输入，充分利用了漂浮物本身的颜色、灰度、纹理等信息，在原图上对水面漂浮物进行精确的分割提取。通过本方法进行水面漂浮物的智能化监测，能够有效地克服环境中光照、阴影及水面波纹扰动等影响，快速、准确地分割出水面上的漂浮物目标。

An automatic segmentation method of floating objects based on Gaussian mixture model

【技术实现步骤摘要】
一种基于高斯混合模型的水面漂浮物自动分割方法
本专利技术是一种视频监控中的前景目标分割方法，属于智能监控领域，具体涉及一种基于高斯混合模型的水面漂浮物自动分割方法。
技术介绍
目前，随着工业化步伐加速，人为因素对环境造成严重污染，在湖泊、河流及水库等水面上出现大量漂浮物。这些漂浮物含有大量对人体有害的物质，会严重破坏生态环境，不仅会对我们的生活品质和身体健康产生直接的威胁，对于区域经济的发展也会造成许多不利的影响。例如，许多旅游景区的水体景观开发受水体环境质量的直接影响，如果水面上漂浮着大量的垃圾，水体景观就会遭受很大程度地破坏，这将会直接影响到当地旅游业的发展。目前，对于水面环境的监控主要是依靠安排人工巡查来实现，这需要耗费大量的人力和物力资源，并且受到当地交通、天气、人员休假与工作时间等各种外界因素的影响，对水面漂浮物的智能化监控成为了一个迫切需要解决的课题。为了减少管理中投入的人力和物力，以及更加有效地进行清理，需要研究对水面区域的智能化监控，即在无需人为干预的情况下对监控场景进行自动分析，及时地做出应对措施。同时，漂浮物的实时检测是整个监控系统的底层技术，也是各种后续处理如漂浮物识别的支撑技术，漂浮物的检测效果对后续跟踪、识别、智能检索等影响巨大。因此，快速、准确地提取出水面的漂浮物就变得尤为关键。但是，目前提出的视频目标分割方法大多都是用于检测运动目标，对于漂浮物这种移动缓慢且可能长时间保持静止状态的前景目标，检测效果非常不理想。以静态湖面上的漂浮物为例，在漂浮物长时间静止在岸边的情况下，传统方法就会将其误识别为背景，导致监测失败。并且，在复杂动态环境中捕捉的背景图像会受到天气、光影变化等多方面的影响，再加上传统方法在提取前景目标时往往仅考虑了像素在时间维度上的特征差别，对视频图像空间信息利用率不高，且受监控场景中的光影变化干扰较大，普遍存在提取的目标不完整以及误识率高等缺点，很难达到满意的检测分割效果。高斯混合模型(GaussianMixtureModel,GMM)是一种用于前景目标检测的经典高效模型，它对图像中的每一个像素利用混合高斯分布来建模，并且利用在线估计来更新模型。由于该模型是基于背景样本的统计学特征，因此可以较为客观、科学地表征背景信息，能够从复杂的背景中快速、有效地分割出前景目标。其缺点是仅在时间尺度上对像素进行分类，常常会造成误判，对光照变化敏感且无法解决阴影问题。
技术实现思路
本专利技术所要解决的问题是对水面漂浮物进行精确的分割提取，针对水面漂浮物的运动特征，考虑到监控场景中光照变化的影响以及对视频图像中时空信息的充分利用，提出一种基于高斯混合模型的水面漂浮物自动分割方法。本专利技术为解决上述的问题提出以下解决方案：(1)首先，针对水面漂浮物的运动速度较慢且有较大概率长时间静止的特点，改进基于传统高斯混合模型的背景模型更新策略，以适应水面漂浮物的运动特征，构建稳定的背景模型，并使用高斯混合模型背景差分方法分割出粗略的前景目标。(2)然后在HSV色彩空间中使用光影判别函数去除初步分割结果中的光影像素点，并使用图像形态学操作，选择“diamond”为对应的结构元素(如图2所示)，对图像进行平滑处理，消除图像中的噪声(例如水面上的波纹等)。(3)最后，将S1中分离出的背景以及S2中处理过的前景作为GraphCuts算法的输入,为原图像建立无向图模型。使用最小割方法求取GraphCuts算法的最优解，充分利用图像本身的空间信息，优化水面漂浮物的分割结果。附图说明图1是本专利技术的方法流程图图2是本专利技术中使用的“diamond”结构元素图3是本专利技术中使用的HSV色彩空间模型具体实施方式本专利技术的具体步骤如下：步骤1：按照30帧每秒的采样速度，对视频序列中的帧图像进行读取。步骤2：对读取到的图像采用3*3的中值滤波进行预处理，消除图像中的斑点噪声和椒盐噪声。具体如式(1)所示：M(x,y)＝median{I(i,j)}(1)步骤3：判断是否已经存在背景模型，如果存在，跳转至步骤5；如背景模型不存在，则执行步骤4。步骤4：使用中值法进行混合高斯背景模型的初始化，得到一个不含前景信息的初始背景。一般来说50-100帧图像就能生成合适的背景。其中，高斯混合背景模型的初始参数μini和σini可由式(2)和式(3)所得μini＝median(x1,x2,…,xN)(2)σini＝mediani＝1,2,…,N(‖xi-μini‖)(3)步骤5：将当前帧的图像与背景模型进行比较，进行背景差分，得到较为粗略的前景目标。差分规则如式(4)所示：式(4)中，xt+1表示当前帧的像素值，μi,t为高斯模型的均值，σi,t为标准差，β表示常数，可以取值为2.5。步骤6：对于在步骤5中被判断为前景目标的像素点，在HSV颜色空间下，使用光影判别函数进行检测，判断其是否为光影像素点，若是，则在前景目标中去除。光影像素点的判别规则如下：其中，(h1,s1,v1)和(h2,s2,v2)分别表示当前帧和背景图像在HSV空间下某一对应点的像素值，L(x,y)表示光影像素点。步骤7：对背景模型进行更新。对于被检测为背景的像素点以及被判断为光影变化区域的像素点按正常的混合高斯模型背景更新策略分别对其均值、方差、权重进行更新，而对于前景区域的像素点则不予更新。步骤8：对步骤6得到的结果进行形态学腐蚀操作，选择“diamond”为对应的结构元素，解决水面波纹的干扰，消除前景中的斑点噪声，生成前景二值图像。步骤9：将二值图像中前景像素点根据空间距离特点合并成不同的区域，判断每个区域的面积，若小于阈值T则舍弃。若所有的区域都被舍弃，则转至步骤2继续执行，否则跳转至步骤10。步骤10：将步骤9的结果作为GraphCuts算法的输入，为原图像建立无向图模型，使用GraphCuts算法在原图上对漂浮物目标进行精确的分割提取。步骤11：在视频图像中标出漂浮物的轮廓，若监控活动停止则结束所有步骤，否则返回步骤2继续执行。本文档来自技高网...

【技术保护点】
1.一种基于高斯混合模型的水面漂浮物自动分割方法，其特征在于包含如下步骤：/nS1：通过改进高斯混合模型背景差分算法的背景更新策略，对水面漂浮物进行初步分割；/nS2：通过光影判别函数去除光影变化区域对检测目标的干扰；/nS3：结合Graph Cuts图像分割算法，优化分割结果。/n

【技术特征摘要】
1.一种基于高斯混合模型的水面漂浮物自动分割方法，其特征在于包含如下步骤：
S1：通过改进高斯混合模型背景差分算法的背景更新策略，对水面漂浮物进行初步分割；
S2：通过光影判别函数去除光影变化区域对检测目标的干扰；
S3：结合GraphCuts图像分割算法，优化分割结果。


2.根据权利要求1所述的基于高斯混合模型的水面漂浮物自动分割方法，其特征在于S1具体包括以下步骤：
a.针对水面漂浮物的运动速度较慢且有较大概率长时间静止的特点，改进传统高斯混合模型的背景模型更新策略，以适应水面漂浮物的运动特征，构建稳定的背景模型；
b.使用高斯混合模型背景差分方法分割出粗略的前景目标...

【专利技术属性】
技术研发人员：金仙力，牛培文，刘林峰，
申请(专利权)人：南京钰质智能科技有限公司，
类型：发明
国别省市：江苏;32