基于背景差分的船舶運動檢測

王正輝 李文華 陳先國

摘要：針對在內河航道航行的船舶，由于船舶的航行速度和船舶自身運動帶來周圍水波紋擾動等相關因素，使得像混合高斯模型等一般的物體運動檢測算法不能很好的工作，由此提出了一種有效的背景建模策略，并通過最大類間方差法來消除水波紋等噪聲的干擾。實驗結果顯示，該方法可以實時工作，并取得較好的效果。

關鍵詞：背景建模;運動目標檢測;水波紋消除;噪聲;船舶

中圖分類號：TP391.41? ? ? 文獻標識碼：A

文章編號：1009-3044（2021）11-0229-02

Ship Motion Detection Based on Background-difference Method

WANG Zheng-hui1， LI Wen-hua1*， CHEN Xian-guo2

（1.Yangtze University， Jingzhou 434000， China; 2.Hubei Lanyu Navigation Mark Equipment CO.，LTD， Jingzhou 434000， China）

Abstract： For ships sailing in inland waterways， the general object motion detection algorithms such as Gaussian mixture model can't work well due to related factors such as the surrounding water ripple disturbance caused by the ship's sailing speed and the ship's own movement， so an effective background modeling strategy is proposed， and the interference of noise such as water ripples is eliminated by the maximum between-class variance method . Experimental results show that this method can work in real time and achieve better results.

Key words：background modeling; moving target detection; elimination of water ripple; noise; ship

1 引言

近年來，各地提出了智慧公交、智慧城市等概念，在航道建設方面，也提出了建設智慧航道的需求[1]，以此更加高效地管理和維護航道。智慧航道的建設不僅僅需要依靠船舶自身的AIS（Automatic Identification System）信息，同時還需要在航道上建立CCTV（Closed Circuit Television）監(jiān)控網絡，通過視頻監(jiān)控來監(jiān)測航道上船舶上下游的數(shù)量、噸位等數(shù)據(jù)。其中船舶運動檢測又是最為基礎的一項工作，如何有效的檢測船舶運動成為一項重要任務。

對于船舶監(jiān)控視頻的運動目標檢測，因攝像頭安裝位置和角度的不同，在運動檢測中會有不同的噪聲干擾。當攝像頭在橋頂部監(jiān)控船舶時，船運動產生的水泡和船體陰影是主要噪聲，而由于攝像頭距離的原因，樹葉的搖擺，水面的淺波紋等噪聲可以忽略不計。針對水泡和船體陰影的噪聲，騰飛[2]等人利用視覺注意機制生成顯著圖，對顯著圖進行自適應分割，然后與改進的混合高斯建模背景減除法進行融合，從而檢測船體。但由于混合高斯模型自身的原因，當船舶運動速度較慢時，船舶中部的像素值變化相對于穩(wěn)定，會被識別為背景，造成船體被分割開來，進而影響檢測。李雙雙[3]等人通過碼本模型和顯著性區(qū)域檢測相結合的算法生成顯著圖，通過Otsu（最大類間方差法）對顯著圖做二值化與碼本模型[4]進行運算來得出船舶目標，可以消除噪聲干擾，但由于運算量比較大，不能達到實時的效果。

針對這些問題，本文提出了一種簡易的背景建模方法，在背景變化不劇烈的情況下可以穩(wěn)定運行，不會造成誤差的累積。同時算法可以檢測到緩慢運動的船舶。對于噪聲，主要是船舶的水面陰影和船舶運動造成周圍水的波動。根據(jù)對這些噪聲的分析，發(fā)現(xiàn)可以通過最大類間方差法來去除。

2 背景建模

背景建模的主要目的是建立一個相對穩(wěn)定的背景圖像，然后使用背景差分[5]來檢測運動的物體。實際上，對于船舶監(jiān)控視頻來說，背景通常是大面積的水域，很少有其他干擾的物體，所以背景在大部分時間是不會有較大的變化，最大的變化來自天氣，光照。而這些變化一般并不是瞬間完成，除了極少數(shù)由于云層的運動導致陽光的忽亮忽暗可能會對背景產生較大的影響。

目前主流的背景建模的方法是混合高斯背景建模算法，混合高斯背景建模的理論基礎是每個像素的變化是符合高斯分析。如圖1，所以可以使用一個高斯分布來建立背景模型，但是考慮到其他各種情況，比如樹的搖擺，會產生各種不同的噪聲，實際情況采用來多個高斯分布來建立背景模型，這樣模型更具有魯棒性。但是對于河道監(jiān)控，大部分時候相機是對準水面，只有少部分岸邊景物在圖像邊緣，并不會對水域區(qū)域的背景產生影響，所以本文提出來一個水域面上背景建模的方法。

根據(jù)上面理論，每個像素在無運動物體干擾時，像素值的波動是符合高斯分布的，所以可以為每一個像素建立一個類似單高斯模型，均值自適應更新，保證能跟隨環(huán)境變化而更新背景，方差為人為設定。算法步驟如下：

假如有如下連續(xù)幀：

[I（x，y，1），I（x，y，2），...，I（x，y，n）]

（1）每個像素初始化學習率為0;

[A=0]

（2）默認第一幀為背景圖像;

[B（x，y）=I（x，y，1）]

（3）計算當前視頻幀與背景差的絕對值;

[C（x，y）=|B（x，y）-I（x，y，i）|]

（4）將C（x，y）中像素值代入以下函數(shù)計算出學習率;

[a=e-c220]

（5）更新背景。

[B（x，y）=（1-A）B（x，y）+AI（x，y，i）]

3 運動檢測

混合高斯背景建模融合了背景建模和運動檢測，模型會使用一小段時間的視頻幀進行訓練，每個像素會以權重的形式將幾個不同的高斯分布進行組合，當后續(xù)的像素值變化不在這幾個高斯分布時，就會被判斷成前景，從而可以檢測到移動的物體。但這樣并不能很好的檢測慢速較長物體，比如貨船。貨船一般從視頻下方出現(xiàn)，由于貨船的形狀和體積導致會在某一塊區(qū)域形成較為穩(wěn)定的像素值，而這塊區(qū)域往往會被錯誤地識別為背景，導致不能檢測整個船體。

在本文的背景建模中，像素值改變超過10的學習率幾乎為0，這表明這點像素值并不會進行更新，故當有運動物體經過時，此時存在物體的區(qū)域差值會較大，從而可以檢測到運動物體，但往往噪聲也會導致差值超過10，所以需要區(qū)分噪聲和運動物體。這里采用Otsu來將噪聲和運動物體分割開來。由于在水面上航行的船舶最大的噪聲是船體的陰影和船體產生的噪聲，而這兩者與船舶本身相比，差值會明顯小一些，從而可以找到一個閾值將噪聲和船體分割開來。算法步驟如下：

（1）初始化閾值T，將差值超過20的像素集分為運動物體像素和噪聲像素;

（2）分別計算運動物體像素的占總像素的比值p1和平均灰度值m1，噪聲像素占總像素的比值p2和平均灰度值m2;

（3）計算全局平均灰度值;

[m=p1×m1+p2×m2]

（4）計算類間方差;

[g=p1×m-m12+p2×m-m22]

（5）重復1-4直到找到使g最大的T值。

結果如下圖所示。

如圖2使用了Otsu來進行噪聲和船舶主體進行分割，可以把較為準確地分離船和噪聲，而圖3則沒有使用Otsu進行分割，包含了許多噪聲。

4 實驗結果

如圖所示，圖5為使用混合高斯背景建模算法進行運動目標的檢測，可以發(fā)現(xiàn)由于船舶形狀的特殊性，造成目標檢測時，船的主體被誤識別為背景，從而造成識別的目標四分五裂。圖6為本文算法所提取的運動目標，雖然船體沒有很完整的識別出來，但是仍能保證整個船體的識別和噪聲的去除。實驗結果表明，本文所提出的方法確實有效，并通過實驗可以在實時環(huán)境下運行。

5 結論

本文提出了一種簡易的背景建模算法和水波紋噪聲去除方法，針對緩慢變化的視頻幀背景可以有效進行更新，并可以準確提取出航道上緩慢運動的船舶，為后續(xù)獲取船舶更多數(shù)據(jù)打下基礎。但本文提出的背景建模算法還存在一定缺陷，沒有進行初始圖像的鬼影消除，這也是后續(xù)需要研究的內容。

參考文獻：

[1] 汪玚.更科學、更靈活、更安全、更智能 當“新基建”遇上航道：讓“智慧”盡其用[J].交通建設與管理，2020（2）：39-41.

[2] 滕飛，劉清，朱琳，等.波紋干擾抑制下內河CCTV系統(tǒng)運動船舶檢測[J].計算機仿真，2015，32（6）：247-250.

[3] 李雙雙，安居白，李春庚，等.基于背景差分和視覺顯著性的運動船舶檢測方法[J].物聯(lián)網技術，2018，8（1）：17-20.

[4] Kim K，Chalidabhongse T H，Harwood D，et al.Real-time foreground-background segmentation using codebook model[J].Real-Time Imaging，2005，11（3）：172-185.

[5] 張前，趙新雪.運動目標檢測方法綜述[J].電子世界，2019（4）：65.

【通聯(lián)編輯：梁書】