引用本文

杜飞, 金野, 刘鹏, 唐降龙. 一种大气湍流环境下的运动目标自适应检测方法. 自动化学报, 2018, 44(9): 1590-1605. doi: 10.16383/j.aas.2018.c160677

DU Fei, JIN Ye, LIU Peng, TANG Xiang-Long. An Adaptive Method for Moving Object Detection in Atmospheric Turbulence Environment. ACTA AUTOMATICA SINICA, 2018, 44(9): 1590-1605. doi: 10.16383/j.aas.2018.c160677

http://www.aas.net.cn/cn/article/doi/10.16383/j.aas.2018.c160677

关键词

大气湍流，运动目标检测，分层次决策，自适应检测 

摘要

在远距离成像过程中，图像序列受到湍流的影响会出现像素点亮度的随机起伏、闪烁和图像中物体的位置漂移，这使得传统的背景建模方法在湍流环境下难以准确检测运动目标.针对图像受到湍流影响在不同区域表现出的不同性质，提出分层次决策判别方法.首先，用高斯模型建模背景平坦区域，用双高斯模型建模背景中的物体边缘区域，设定判别式对每个像素点进行判别，并在线更新模型参数；然后，针对由于湍流影响出现的亮度突变点建立自适应判别模型，结合前一层次的判别结果，构造判别条件消除亮度突变点，分割得到目标点；最后，通过连通区域约束得到目标区域.实验结果表明，本文方法在不同湍流强度下对不同数量和不同运动方向的目标取得了良好的检测效果.

文章导读

目标检测是目标跟踪、目标动作行为识别等图像序列数据应用的首要问题.由于在图像序列处理的初始阶段, 目标距离远, 传感器在物方探测分辨率低, 再加上环境不确定因素, 目标检测问题成为一个较难处理的问题.

背景减除是目前主流的运动目标检测方法, 其思想是利用历史数据建立背景模型, 然后将当前帧与背景模型进行比较, 根据两者相似度来区分背景区域和目标区域[1].背景模型是背景减除的关键, 其不仅要有利于目标检测, 而且要描述背景的动态变化.忽视背景的影响通常会出现很多误检区域, 造成虚警; 而对背景过多的关注常常过滤掉许多目标区域, 造成漏警.虚警和漏警是相互矛盾的.

传统的背景建模可以分为基于像素和基于区域的方法.

基于像素的方法以每一个像素为处理单元, 对每一个像素进行目标和背景划分.高斯分布模型[2]和混合高斯分布模型[3]分别用高斯分布和多个高斯分布加权来描述每个像素点颜色值的分布情况. W4方法[4]采用中值、最小值、最大值等统计量来描述背景亮度的变化范围.码本模型[5]为每个像素创建一个由多个码字组成的码本.许多非参数化方法利用历史像素进行核密度估计[6-7], 通过最大化后验概率来进行目标检测. ViBe方法[8]为每个像素点维护一个样本集, 通过比较当前像素与样本集的相似程度来检测目标.子空间模型[9]利用主成分分析(Principle component analysis, PCA)对连续多帧图像进行特征分解, 计算主成分特征向量组成特征矩阵作为背景模型.

基于区域的方法主要考虑图像中相邻像素点之间的相互关系, 描述一个区域的特征. Heikkilä等[10]将每个像素点邻域的局部二值模式(Local binary patterns, LBP)特征直方图作为该点的纹理模式, 利用基于LBP纹理匹配的方式来进行背景建模. Javed等[11]采用多层建模的方式, 分别在像素层、区域层和帧层进行建模并进行信息融合得到目标区域. Mason等[12]通过获取区域颜色直方图和边缘直方图来进行块匹配的方式检测目标.

最近几年有很多新的前景检测方法被提出. Noh等[13]提出多线索背景减除法利用多种类型的信号, 如像素纹理、像素颜色值等来进行背景建模和前景检测. St-Charles在ViBe[8]方法上进行了改进, 提出了SuBSENSE[14]方法, 利用局部二值相似模式(Local binary similarity patterns, LBSP)作为额外的特征, 并且对阈值设置和背景模型的更新策略做了改进. St-Charles还提出了PAWCS[15]方法, 由多种特征结合成背景字(Background word), 通过比较特征和背景字来划分前景和背景.

图像或图像序列提供的直接信息是关于场景的辐射能量分布和场景中的物体几何位置关系.大气湍流导致这两种信息发生退化.大气湍流是大气的一种运动形式.大气的温度、湿度、压强、风速等因素影响大气湍流的强度.大气湍流导致大气密度随时间和空间位置随机变化, 进而引起光在大气中传输折射率的随机变化.大气湍流对成像的影响直观地表现为目标或背景在图像上的亮度闪烁、边缘模糊和位置漂移[16-18].这些现象在远距离成像时表现得更加明显.对于远距离成像目标检测问题, 目标运动与大气湍流引起的背景漂移混合在一起, 使准确地检测目标变得十分困难[19].传统的方法不能建立准确的背景模型.

本文针对大气湍流对成像过程造成退化的特点, 将图像序列中每一帧图像分成背景平坦区域、背景中物体边缘区域、亮度突变点和目标区域, 提出分层次决策判别方法, 对大气湍流条件下拍摄的图像序列中运动目标进行检测.首先对背景平坦区域用高斯分布建模, 对背景中物体边缘区域用双高斯分布建模, 并且在目标检测过程中在线更新模型参数, 对大气湍流导致的随机变化的动态背景进行准确描述.然后提出了自适应判别方法, 结合前两个模型对像素点邻域内像素点的检测结果建立判别依据, 区分亮度突变像素点和目标区域像素点.最后用连通域约束得到目标在每一帧中的位置.本文方法反映了大气湍流造成了观测图像序列退化的机理.实验结果表明, 在存在亮度起伏和亮度突变的情况下, 本文方法可靠地分离了目标运动和大气湍流引起的位置漂移, 实现了大气湍流环境中的运动目标检测.

图 1  大气湍流中分层次运动目标检测框架

图 2  不同大气湍流强度的图像序列中不同像素点随时间变化的亮度变化曲线图和分布直方图

图 3  背景中物体边缘一点的直方图

本文针对图像中不同区域受到大气湍流影响表现出的性质不同, 将图像划分为目标区域和三个不同的背景区域, 分别对背景平坦区域、背景中目标边缘区域和亮度突变点建立高斯模型、双高斯模型和自适应判别模型, 在线更新模型参数, 分层次进行判别, 从而达到区分目标和背景的目的.由于本文方法有效地描述了大气湍流对图像不同区域的作用机理, 不需要对目标运动速度、方向和目标被连续检测的帧数进行限制, 有效地达到了虚警和漏警的平衡, 有广泛的适应性.实验结果表明, 本文方法在不同大气湍流强度、不同目标数量以及不同目标运动方向等多种情况下都有较好的目标检测性能.

作者简介

杜飞

哈尔滨工业大学计算机科学与技术学院博士研究生.2015年获得哈尔滨工业大学计算机科学与技术学士学位.主要研究方向为模式识别, 机器学习.E-mail:feiaxyt@163.com

金野  

哈尔滨工业大学计算机科学与技术学院讲师.2008年获得哈尔滨工业大学计算机科学与技术博士学位.主要研究方向为图像处理, 模式识别.E-mail:jinye@hit.edu.cn

唐降龙  

哈尔滨工业大学计算机科学与技术学院教授.1995年获得哈尔滨工业大学计算机应用技术博士学位.主要研究方向为模式识别, 图像处理, 机器学习.E-mail:tangxl@hit.edu.cn

刘鹏  

哈尔滨工业大学计算机科学与技术学院副教授.2007年获得哈尔滨工业大学微电子与固体电子学博士学位.主要研究方向为图像处理, 视频分析, 模式识别, 超大规模集成电路设计.本文通信作者.E-mail:pengliu@hit.edu.cn