传统的农田果园防御鸟害的方法有很多弊端，难以做到有效防御。本文尝试将机器视觉引入到果园防鸟系统之中，通过检测视频图像来判断有无飞鸟入侵。并采用背景差分算法（Background Subtraction）分割移动目标以及运行期均值法（Running Average）算法更新背景。经过实验
1 引言
果农用果实套袋、架设防鸟网等传统方法，可以起到一定的驱赶效果。但是各有弊端，并且费时费工。套袋只能对葡萄、苹果、梨等有效果，对樱桃、蓝莓等不太适应。防鸟网既适用于大面积的果园，也适用于面积小的果园，但防鸟网平均每亩成本较大，而且使用寿命短，每年果子采收后必须收起来，比较费工。近来国内有些地方开始使用由农业部信息化中心专家研制的智能语音驱鸟器，对驱鸟有较好的效果。
本文尝试将机器视觉引入到果园防鸟系统之中，实现智能监控。机器视觉就是用各种成像系统代替视觉器官作为输入敏感手段，由计算机来代替大脑完成处理和解释。
运动目标检测的算法依照目标与摄像机之间的关系可以分为静态背景下运动检测和动态背景下运动检测，本文只讨论静态背景下运动检测。
2 程序设计与理论基础
程序设计流程如图1所示。
图1 程序设计流程
2.1 高斯滤波[1]
在图像处理中，通过高斯函数进行低通滤波去噪声具有重要的应用价值。虽然近年来发展了多种多样的噪声清除算法，但高斯滤波由于具有较好的平滑效果和灵活的滤波调节尺度，且通过快速傅里叶变换使得滤波效率很高，因此高斯函数滤波仍然应用在很多图像处理和模式识别中，且很多新的算法都将其作为经典的抑制噪声的算法来比较。高斯函数如下：
（1）2.2 数学形态学[2-4]
数学形态学是基于形状集合理论而提出的，其运算本质上是并行的，便于并行处理实现。用数学形态学算子对图像进行识别处理，不需计算每点的局部特征，方法简单速度快，且抗噪能力比较强，因而适合为运动图像序列中目标对象的后分割所采用。在数学形态学中有四个最基本的算子：腐蚀、膨胀、开和闭。
2.2.1 腐蚀和膨胀
腐蚀和膨胀是最基本的形态学运算，它们互为对偶运算。腐蚀具有收缩图像的作用，膨胀具有扩大图像的作用。设X和B为二维空间中的两个集合。对于二值图像，设X(b)表示平移b而得到的图像，即：
(Xb)={y|y=x+b, x∈b} （2）
则腐蚀和膨胀的定义分别为
腐蚀：
（3） 膨胀：
（4） 对于灰度图像，定义如下：
腐蚀：
（5） 膨胀：
（6） 其中Ω为结构元素B的支撑集。
2.2.2 开运算和闭运算
开和闭运算是基于腐蚀和膨胀运算基础上的。开定义为先腐蚀后膨胀，闭为先膨胀后腐蚀，即
开：
（7） 闭：
（8） 二值图像和灰度图像的开和闭运算过程相同。开运算有磨光凸向图像外部尖角的作用，闭运算有磨光凸向图像内部尖角作用，另外开闭运算也具有滤波性质。
2.3 运动目标检测
运动目标检测是整个智能监控果园防鸟系统的基础。静态背景下运动目标检测方法主要有三种，它们是：帧间差分法[5-7]、背景差分法[7]和光流法[8]。
光流法计算复杂，不适宜实时处理；帧间差分法是将连续两帧进行比较，从中提取出运动目标的信息，这种提取出运动目标的完整性较差，但对动态环境有较好的适应性；背景差分法能够较完整地提取目标点，但对场景的动态变化（如光照或外部条件引起的场景变化）较为敏感。
下面详细地介绍一下背景差分法。
2.3.1 背景差分法基本概念
背景差分法（Background Subtraction）采用当前图像与背景图像同位置像素亮度相减的方式进行前景目标检测。
2.3.2 背景差分法方法原理
定义输入图像序列为f1(x,y)，f2(x,y)，…，fn(x,y)，fk 、Bk分别代表当前视频帧和背景帧，则差分后图像可表示为：
（9） 式中，（x，y）为像素的空间坐标。对差分后图像进行阈值化处理即可得到前景目标处理后的结果图像为
（10） 式中TH为处理设定的阈值，即当差分图像中某一像素大于设定阈值时，则认为是前景像素，否则为背景像素。
该算法简单、易行、有效，能够较完整的提取目标点 但是对关照变化敏感，运动目标的阴影也常常被误检为目标，在实际应用中要考虑进行阴影剪除处理。
2.4 背景构建和更新
对于静态背景下的运动目标检测，获取背景图像最简单的方式是在没有运动物体的情况下拍摄背景图像或者从视频序列中选取不含前景目标的帧。但在实际中，背景往往会发生变化，如场景中光照的变化，背景中景物的变化和摄像机位置的偏移等，因此这种方法虽简单却不能用于长期和稍微复杂的场景。
背景重构的方法主要有统计平均法[9-10]和基于 RGB 颜色空间的运动目标检测算法，本文采用前者。
统计平均法通过对连续的图像序列进行统计平均来获得背景图像，即采用连续N帧图像累加求平均：
（11） 式中N为进行平均的图像的帧数，一般来讲，N越大越有利于得到一个更为接近实际背景的估计值。公式（11）可以等价成：
（12） 即新的背景可利用上一次估计值Bk-1 、当前帧fk 以及fk-N递推得到。这种更新方法在每次更新时考虑到利用当前帧中的背景新息而废弃了过时的旧信息，从而有利于背景自适应地跟随“新环境”的变化而变化。该方法简单容易实现，同时由于采用递推算法，因而时间开销小。该方法的缺点是需要保存已经采集到的 帧图像数据，增加了对存储空间的开销。
另一种背景更新方法称为运行期均值法（Running Average），其思想是通过引人学习率来体现背景图像对场景变化的响应。通常取0.05，而越低，前景变化对背景的影响越小。
（13） 上式表明在新一帧中，用背景像素更新原背景，而前景像素处背景则用原来值替代，式中 (x,y)为像素的空间位置，TH为划分背景与前景像素的阈值。
3 实验结果
以下是连续的3个AVI格式视频序列，处理后得到的背景图、前景图和目标轮廓图参见图2~图5。
图2 原视频序列
图3 背景图
图4 前景图
图5 跟踪目标轮廓图
4 结论
实验表明，该算法能有效检测到移动目标。如果视频背景变化很大，该算法会产生比较大的噪声，影响目标识别，但是通过检测RGB分量，对提高识别精度有一定的帮助。
参考文献
[1] 王文远. 基于图像信噪比选择优化高斯滤波尺度[J].电子与信息学报
[2] 章毓晋.图像处理工程上：图像和分析[M]，北京：清华大学出版社，1999
[3] 欧阳平，张玉方.形态学开闭运算在居民地边缘检测中的应用[J]. 测绘通报.2009
[4] 曹添.基于数学形态学的超声图像增强探析[J].技术与市场.2009
[5] Anderson C，Bert P，Vander Wal G. Change detection and tracking using pyramids transformation techniques[A]. In： Proceedings of SPIE Conference on Intelligent Robots and Computer Vision [C] Cambridge，MA，USA，1985，579：7 2-78
[6] Lipton A，Fujiyoshi H，Patil R. Moving target classification and tracking from real-time video[A]. In： Proceedings of IEEE Workshop on Applications of Computer Vision[C ]，Princeton，N J，US A，1998：8-14
[7] HARITAOGLU I，DAVIS LARRY S etal. W4 who? when? where? what? A real time system for detecting and tracking people[A].In： Proceedings of IEEE International Conference on Automatic Face and Geture Recognition. Nara，Japan，1998 [C]
[8] 计文平，郭宝龙，丁贵广.基于虚拟线圈的光流法车流量检测[J].计算机仿真.Vol.21，No.1，2004. 01：109-110
[9] Cutler R，Davis L.View-based detection [A].In： Proceedings of International Conference on Pattern Recognition[C]，Brisbane，Australia，1998：495-500
[10] Cucchiara R，Piccardi. M，Prati A. Detecting moving objects，ghosts，and shadows in video streams[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence，2003，25（10）：1337-1342
收稿日期：3 月 16 日 修改日期：4 月 25 日
作者简介：黄振（1983-），男，硕士，研究方向为图像视频处理与识别；李全（1958-），男，副教授，研究方向为电力拖动与智能控制理论。
(责任编辑：南粤论文中心)转贴于南粤论文中心: http://www.nylw.net(南粤论文中心__代写代发论文_毕业论文带写_广州职称论文代发_广州论文网）
顶一下
(0)
0%
踩一下
(0)
0%
版权声明：因本文均来自于网络，如果有版权方面侵犯,请及时联系本站删除.
