基于機器視覺的智能安全頭盔的研究與實現

李向民 劉帥康 高程赟

摘? 要：該文基于機器視覺的智能安全頭盔，使用OpenCV計算機視覺庫，采用混合高斯模型的方法，即在初始化每個像素點時采用鄰域特性與中值濾波相結合的方法，用來獲取更接近實際的初始背景。對采集到的圖像數據進行圖像識別，實現對圖像的實時處理。

關鍵詞：智能安全頭盔;機器視覺;高斯模型

中圖分類號： TP23? ? ? ? 文獻標志碼：A

0 前言

近年來，基于視頻的交通流量檢測系統已成為智能交通系統的重要工具，因此移動目標檢測已成為當今最重要的問題。在該文中，基于機器視覺的智能安全頭盔中使用的相機處于對車輛靜止的狀態。攝像機檢測車輛后方的移動目標，因此屬于靜態視頻檢測。由研究發現，視頻圖像的每個像素的顏色分布是隨機且獨立的。根據一般統計理論，高斯分布函數可以表示時間軸上每個像素的顏色分布。由于測試圖像序列中的多峰背景擾動問題，該文決定通過建立混合高斯模型來檢測運動目標。

1 硬件系統結構

該文所設計的基于機器視覺的智能安全頭盔由控制器、供電模塊、陀螺儀模塊、超聲波測距模塊、喇叭、攝像頭、舵機控制器、無線傳輸模塊和耳麥等模塊組成。

2 混合高斯模型

2.1 高斯濾波

高斯濾波主要用于平滑信號，是一種基于信號的濾波器。通常，圖像中的噪聲處于低能量部分，圖像數據中的能量被變換，低能量部分被去除，因此圖像中的噪聲也被刪除。

2.2 混合高斯濾波

混合高斯模型是對高斯模型進行簡單擴展，通過求解2個高斯模型，并通過一定的權重將2個高斯模型融合成一個模型，即最終的混合高斯模型。該混合高斯模型能夠產生這樣的樣本。

假設該混合高斯模型是由k個高斯模型組成（即數據包括k個類），則該混合高斯濾波的概率密度函數如下：

是第k個高斯模型的概率密度函數，x代表高斯混合模型參數，N代表高斯混合概率，uk表前k個類模型的均值，可以看成選定第k個模型后，該模型產生的概率; p（k）=πk是第k個高斯模型的權重，稱作選擇第k個模型的先驗概率，且滿足下面公式。

3 研究及實現

3.1 對圖像背景建立高斯模型

從當前視頻幀中提取該幀的前景，其主要的目的是使背景更加接近于當前視頻幀中的背景。也就是說，使用當前幀和視頻序列中的當前背景幀的加權平均來更新背景。混合高斯模型使用k（k一般取值為3～5）個高斯模型來表征研究的圖像中各個像素點的特征，在新的一幀圖像得到之后更新為混合高斯模型， 用當前圖像中的每一個像素點依次與混合高斯模型進行匹配，如果成功，那這一點被確定為背景點，否則它就是前景點 。由于該文的研究是對運動目標的背景提取從而進行建立模型，因此有必要實時更新高斯模型中的方差和平均參數。為了提高該模型的學習能力，改進的方法使用不同的學習率來更新均值和方差。為了提高繁忙場景中大型緩慢移動目標的檢測效果，引入加權平均的概念來建立背景圖像并且實時更新。

3.2 項目的實現

3.2.1 實現思路

實時運動檢測和跟蹤技術是一種多學科技術，集成了嵌入式系統、圖像處理、計算機視覺和網絡傳輸。該文中的運動檢測是檢測實時采集的圖像信息，提取有效信息，采用混合高斯模型，識別目標參數特征，將噪聲進行過濾并鎖定目標，跟蹤目標的運動軌跡以及使用PID算法進行目標的位置修正等一系列的操作。該文是基于靈活并且計算功能多樣的Raspberry Pi，在OpenCv框架下移植適當的算法。

3.2.2 核心算法

3.2.2.1 混合高斯模型算法

3.3 路況信息監測結果

圖1為采用混合高斯模型的實驗效果圖，可以看出圖1中車輛道路的監控顯示結果很好。

4 結語

該文對機器視覺系統在智能安全頭盔的研究與實現的應用進行了分析 ，采用混合高斯模型的方法，實現對圖像的實時處理。該系統具備良好的自適應能力，能實現道路預警、行車記錄、自動求助、智能語音識別等功能。說明機器視覺在智能出行上得到了有效應用。

參考文獻

[1]Gary Bradski，Adr ian Kaebler.Learning OpenCV[M].北京：東南大學出版社，2009.

[2]常曉夫，張文生，董維山.基于多種類視覺特征的混合高斯背景模型[J].中國圖象圖形學報，2011（5）：829-834.

[3]陳勝勇，劉盛.基于OpenCV 的計算機視覺技術實現[M].北京：科學出版社，2008.

[4]毛星云，冷雪飛.OpenCv3編程入門[M].北京：電子工業出版社，2015.

[5]韓宇，張磊，吳澤民，等.基于嵌入式樹莓派和OpenCV的運動檢測與跟蹤系統[J].電視技術，2017，41（2）：6-10.