多攝像機下模糊圖像細節特征目標快速檢測研究

胡明合

摘 ?要： 人工檢測方法只收集了模糊目標相關信息以及模糊背景分析結果，導致圖像細節特征檢測效果較差。為了解決該問題，提出多攝像機下模糊圖像細節特征目標快速檢測方法。根據多攝像機下模糊圖像監控工作流程，對現有攝像機資源進行分配，并對統一目標進行識別與檢測。提取模糊圖像細節特征，衡量邊緣圖像相似情況，通過搜索目標圖像與待匹配圖像之間的匹配度量，計算倒角距離最小值。使用矩形窗口定義局部邊緣特征，并對其進行采集與處理，由此生成視野分界線，在多攝像機固定情況下對目標進行檢測。通過實驗對比結果可知，該方法比人工方法檢測效率要高，最大相差70%，為攝像機準確檢測出模糊圖像特征提供支持。

關鍵詞： 模糊目標識別; 多攝像機攝影; 細節特征提取; 快速檢測; 相似度衡量; 圖像匹配

中圖分類號： TN911.73?34; TP391 ? ? ? ? ? ? ? ? ?文獻標識碼： A ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2019）13?0076?05

Target fast detection according to detail features of blurred

images taken by multiple cameras

HU Minghe

（College of Computer Science and Technology， Shangqiu University， Shangqiu 476000， China）

Abstract： The manual detection method only collects the relevant information of blurred objects and analysis results of blurred background， which leads to a poor detection effect of image detail features. Therefore， the target fast detection according to detail features of blurred images taken by multiple cameras is studied. According to the blurred image monitoring workflow of multi?camera photography， the existing camera resources are allocated， and the unified target is identified and detected. The detail features of blurred images are extracted to measure the similarity of target edges in image. The matching measurement between target image and image under matching is searched to calculate the minimum distance of chamfer. The local edge features are defined by means of rectangular window， captured and processed to generate the visual field demarcation line. After that， the target is detected while multiple cameras are fixed. The experimental results show that the detection effect of the proposed method is 70% higher than that of manual method， and the method provides the support for the camera to detect the features of blurred image accurately.

Keywords： blurred target identification; multi?camera photography; detail feature extraction; fast detection; similarity measurement; image matching

0 ?引 ?言

在監控系統中，需要攝像機俯仰運動和平視運動來擴大監控范圍，隨著運動目標的快速移動進行主動跟蹤，因此研究多攝像機下模糊目標檢測具有必要性。智能監控系統一般采用PC主機作為圖像處理平臺，以圖像采集器為主要處理前端，由此可構成一個完整的、集視頻圖像處理為一體的智能分析模式。多攝像機視頻監控系統的出現，有效拓展了傳統單一視頻監控范圍，也極大地開闊了視頻監控系統應用領域。目前，智能視頻監控系統不僅應用在安全領域，也應用在許多非安全領域，其廣闊的應用前景推動了智能視頻監控技術圖像特征檢測的快速發展，為模糊目標快速檢測提供支持手段[1]。

針對傳統目標檢測方法只收集了模糊目標相關信息以及模糊背景分析結果，并將此轉交給人工進行處理，通過人工處理而獲取的檢測結果誤差較大，基于此，本文提出基于局部邊緣細節特征快速目標檢測[2]。在多攝像機智能視覺監控研究方向中，提高視頻監控系統的智能分析精準度，改善傳統檢測誤差大的缺陷，在保持良好監控性能的前提下，快速檢測出模糊圖像的細節特征。

1 ?多攝像機下運動圖像監控流程

多攝像機監控是以圖像處理器為前端，構成一個集圖像分析、處理與細節檢測為一體的智能系統。該系統由集中式結構和分布式結構共同組成，在集中式結構中，各個攝像機采集到的圖像數據將集中傳送到中心服務器之中，并由該服務器進行跟蹤與檢測[3]。因此，需對多攝像機下模糊圖像監控工作流程進行研究。多攝像機下模糊圖像監控工作流程如圖1所示。

圖1 ?多攝像機下模糊圖像監控工作流程示意圖

由圖1可知，該攝像機視頻監控系統可實現模糊圖像采集、目標分類與跟蹤、多攝像機間相互協作。由各個攝像機前端對模糊場景進行圖像采集，獲取多個攝像機可監視范圍內場景，并對視頻圖像進行分幀[4]。利用圖像某種特征，將目標圖像從當前視頻圖像中分離出來，并提取有關細節特征，供后續處理[5]。通過分析目標圖像細節特征進行目標檢測，使模糊前景與背景相互分離，獲取圖像運動區域。多攝像機間的相互協作可對現有攝像機資源進行分配，并對統一目標進行識別與檢測[6]。

2 ?圖像細節特征目標檢測研究

多攝像機檢測過程中，需先對單個攝像機輸入視頻序列進行處理，不同攝像機通過目標檢測算法可獲取攝像機中的圖像細節特征，為后續目標匹配提供數據。針對多攝像機之間的信息融合，需通過不同匹配準則，對不同攝像機中的圖像進行匹配，識別相同目標，對所有監控信息進行持續跟蹤，實現對模糊圖像細節特征快速檢測[7]。

2.1 ?圖像細節特征目標提取過程分析

模糊圖像細節特征快速檢測是根據模糊圖像信息將目標從模糊場景中提取出來的，是目標跟蹤、識別、分類與檢測等一系列后續處理的基礎。依據目標模糊信息，即圖像與背景差異在時間軸上的變化，可檢測出圖像中的模糊區域[8]。模糊圖像細節特征提取過程如圖2所示。

圖2 ?模糊圖像細節特征提取過程

由圖2可知，多攝像機情況下，對感興趣模糊圖像的前景與背景進行區分，根據圖像序列變化不同，圖像檢測通常可分為兩種，一種是靜態背景檢測，另一種是動態背景檢測[9]。充分考慮圖像局部邊緣分界線，快速提取模糊圖像細節特征。

2.2 ?基于局部邊緣細節特征快速目標檢測

2.2.1 ?倒角匹配度量

倒角距離用來衡量兩個邊緣圖像的相似情況，目標圖像與待匹配圖像之間的匹配是通過搜索它們之間的倒角距離最小值來實現的，主要步驟如下：

1） 計算待匹配圖像倒角距離。

2） 將模板疊加在距離圖像上，模板與待匹配圖像的倒角距離計算公式為：

式中：[m]表示目標圖像邊緣數量;[dn]表示目標疊加處的距離值。

3） 將模板圖像在距離圖上平移，獲取模板圖像在待匹配圖像上的倒角距離值，倒角距離值最小的位置向量即為最佳匹配點。在多攝像機應用條件下，通過判斷最佳匹配點的值是否小于設定閾值來實現圖像匹配[10]。

2.2.2 ?基于倒角距離局部邊緣特征采集與處理

使用矩形窗口定義局部邊緣特征，即為[f1=a，b，c，d]，每個局部邊緣[f]由2個模糊位置參數[a，b]和2個模糊尺度參數[c，d]表示。其中，[c，d]分別表示矩形窗口的寬和高。定義在圖像上的倒角距離局部邊緣特征[f2]的計算公式如下：

圖3 ?積分圖像值

圖3中陰影部分所有像素值之和即為積分圖像值。一旦建立了積分圖像，那么任何參數局部邊緣特征值只需通過查表和簡單計算就可獲取。

采用機器學習法構建目標圖像，其局部邊緣特征的參數可通過機器學習來確定，不同取值組成將生成圖像模型局部邊緣特征。局部邊緣特征處理示意圖如圖4所示。

圖4 ?局部邊緣特征處理示意圖

由圖4可知，為了減少備選特征數目，應限定邊緣片段長與寬之比，獲取備選邊緣片段。

2.2.3 ?視野分界線生成

根據采集到的局部邊緣特征和投影不變量特征，生成視野分界線，具體步驟如圖5所示。

圖5 ?視野分界線生成流程示意圖

具體生成流程如下所示：

1） 從積分圖像值中提取有重疊區域的背景圖像特征點，并進行初步匹配;

2） 去除誤匹配點;

3） 選擇6對正確匹配點，使用各個點坐標計算投影變量;

4） 根據背景圖像邊界點獲取圖像模糊重疊區域面積。

2.2.4 ?基于視野分界線目標檢測算法

在多攝像機固定情況下，通過上述步驟生成視野分界線之后，該分界線就不會發生變化，為此，基于視野分界線目標匹配算法主要研究思路如下所示：

1） 判斷目標圖像是否進入到兩個攝像機之間重疊區域。如果攝像機[T1]中檢測到模糊目標圖像A時，需記錄目標A的坐標位置[（x2，y2）]。假設攝像機[T2]在攝像機[T1]中的視野分界線可表示為[l21：Ax+By+c=0]，那么模糊圖像在攝像機[T2]視野范圍內可見性為：

[E=Ax1+By1+c>0，圖像在T2視野內可見=0，圖像在視野分界線上<0，圖像在T2視野內不可見] （4）

由式（4）判斷出目標A在攝像機[T2]中可見，則說明該目標已經在這兩個攝像機視野范圍內。

2） 當判斷目標圖像到兩個攝像機視野重疊區域時，需先提取其在攝像機[T1]中的位置[（x1，y1）]，使用投影變量計算其在攝像機[T2]中的位置[（xn，yn）];檢測另一個攝像機[T2]中出現的重疊區域內所有細節特征，利用該特征計算目標位置[（xn，yn）]到投影點的距離，具體計算公式如下：

由式（5）可得到目標位置到投影點的距離，如果該距離小于既定閾值，并且距離最短，即為檢測獲取的模糊細節特征。

3 ?實 ?驗

針對多攝像機下模糊圖像細節特征目標快速檢測，采用局部邊緣特征目標檢測方法可改善傳統人工方法檢測效果差的問題，為了證實這一點，進行實驗驗證。

3.1 ?實驗場景設置

在不同場景中，對目標圖像放大和縮小兩種實際情況進行跟蹤，為實驗提供具體場景。在實驗場景中，選定目標圖像為監控視頻中的圖像，由于多個攝像機是固定的，目標相對攝像機是由遠及近或由近及遠的變化，使得目標在圖像上的成像越來越小或越來越大，如圖6所示。

圖6 ?模糊圖像縮小或放大情況下跟蹤結果

3.2 ?實驗結果與分析

在跟蹤過程中，保證目標圖像方框尺度不變，在放大10%，縮小10%的情況下，模糊圖像相似度比較如圖7所示。

圖7 ?圖像縮小或放大情況下相似度比較

由圖7可知，最佳相似度折線在跟蹤過程中選擇目標縮小情況較多，也就是當前圖像變化趨勢是由大到小變化的，與實際處理情況一致。

根據上述模糊圖像縮小或放大情況下相似度對比結果，分別將傳統人工檢測方法和細節特征目標檢測方法的檢測效率進行對比分析，結果如圖8所示。由圖8可得兩種方法的檢測效率比較如表1所示。

根據上述實驗內容，可得出如下實驗結論：

1） 當時間為5 min，10 min，15 min，20 min，25 min，30 min，35 min時，采用傳統人工方法的A種特征檢測效率比多攝像機目標檢測方法的A種特征檢測效率低45%，27%，44%，38%，61%，43%，57%;

2） 當時間為5 min，10 min，15 min，20 min，25 min，30 min，35 min時，采用傳統人工方法的B種特征檢測效率比多攝像機目標檢測方法的B種特征檢測效率低50%，48%，40%，40%，70%，53%，55%。

圖8 ?兩種方法目標檢測對比結果

表1 ?兩種方法檢測效率比較

因此，采用多攝像機目標檢測方法比傳統人工檢測方法的檢測效果要好。采用多攝像機下模糊圖像細節特征目標快速檢測方法可改善傳統人工方法檢測效率低的問題。

4 ?結 ?語

由于單個攝像機視野有限，因此大范圍場景就要使用多個攝像機進行監控，本文充分考慮多攝像機目標匹配廣闊的應用前景，研究多攝像機目標檢測方法。采用局部邊緣特征目標檢測方法可改善傳統人工方法檢測效率低的問題。通過實驗結果可知，該方法最高檢測效率為92%，實現了特征點之間的快速匹配。

本文雖然對于視頻監控中的目標檢測問題進行了一定研究，但是受到時間以及實驗條件的限制，很多檢測過程還不夠深入，仍存在許多問題需要研究。因此，在以后的工作中，需對目標背景和基于視野分界線目標匹配進行分析，從而可以更好地實現監控系統的實時性。

參考文獻

[1] 李保華.基于ARM?Linux機器視覺的圖像特征點快速檢測方法[J].微電子學與計算機，2017，34（10）：115?118.

LI Baohua. The method based on ARM?Linux machine vision for rapid detection of image feature points [J]. Microelectronics & computer， 2017， 34（10）： 115?118.

[2] 蘇昂，張躍強，楊夏，等.航拍圖像車輛檢測中的圓形濾波器HOG特征快速計算[J].國防科技大學學報，2017，39（1）：137?141.

SU Ang， ZHANG Yueqiang， YANG Xia， et al. Fast circle filter HOG for car detection from aerial images [J]. Journal of National University of Defense Technology， 2017， 39（1）： 137?141.

[3] 陶衛平.低分辨率圖像目標特征實時增強方法仿真[J].計算機仿真，2017，34（10）：208?212.

TAO Weiping. Simulation of low?resolution image target feature real?time enhancement method [J]. Computer simulation， 2017， 34（10）： 208?212.

[4] 李文娟，趙和平，龐波.基于頻譜分布量化分析的星載人工目標快速檢測方法[J].現代電子技術，2017，40（20）：139?142.

LI Wenjuan， ZHAO Heping， PANG Bo. Method of satellite?borne man?made target fast detection based on quantitative analysis of spectrum distribution [J]. Modern electronics technique， 2017， 40（20）： 139?142.

[5] 熊偉，徐永力，崔亞奇，等.高分辨率合成孔徑雷達圖像艦船目標幾何特征提取方法[J].光子學報，2018，47（1）：49?58.

XIONG Wei， XU Yongli， CUI Yaqi， et al. Geometric feature extraction of ship in high?resolution synthetic aperture radar images [J]. Acta photonica sinica， 2018， 47（1）： 49?58.

[6] 劉峰，沈同圣，郭少軍，等.基于特征級融合的多波段艦船目標識別方法[J].光譜學與光譜分析，2017，37（6）：1934?1940.

LIU Feng， SHEN Tongsheng， GUO Shaojun， et al. Multi?spectral ship target recognition based on feature level fusion [J]. Spectroscopy and spectral analysis， 2017， 37（6）： 1934?1940.

[7] 杜馨瑜，戴鵬，李穎，等.基于深度學習的鐵道塞釘自動檢測算法[J].中國鐵道科學，2017，38（3）：89?96.

DU Xinyu， DAI Peng， LI Ying， et al. Automatic detection algorithm for rail plug based on deep learning [J]. China railway science， 2017， 38（3）： 89?96.

[8] 黃偉，嚴小樂，沈秋，等.二值化特征在快速艦船目標預選中的應用[J].光學技術，2017，43（5）：445?449.

HUANG Wei， YAN Xiaole， SHEN Qiu， et al. Improved binarized normed gradients for fast ship target pre?detection [J]. Optical technique， 2017， 43（5）： 445?449.

[9] 吳喆，曾接賢，高琪琪.顯著圖和多特征結合的遙感圖像飛機目標識別[J].中國圖象圖形學報，2017，22（4）：532?541.

WU Zhe， ?ZENG Jiexian， ?GAO Qiqi. Aircraft target recognition in remote sensing images based on saliency images and multi?feature combination [J]. Journal of image and graphics， 2017， 22（4）： 532?541.

[10] 曾慶化，潘鵬舉，劉建業，等.慣性信息輔助的大視角目標快速精確定位[J].航空學報，2017，38（8）：188?200.

ZENG Qinghua， PAN Pengju， LIU Jianye， et al. Fast and accurate target positioning with large viewpoint based on inertial navigation system information [J]. Acta aeronautica et astronautica sinica， 2017， 38（8）： 188?200.