本發(fā)明涉及圖像和視頻處理以及計(jì)算機(jī)視覺(jué)檢測(cè)技術(shù)，特別涉及運(yùn)動(dòng)船舶檢測(cè)中抑制船尾拖紋的算法，為一種抑制船尾拖紋的船舶顯著性視頻檢測(cè)方法。

背景技術(shù)：

我國(guó)東南沿海地區(qū)湖河交錯(cuò)，水運(yùn)也繼續(xù)成為大宗貨物的運(yùn)輸方式之一。水路運(yùn)輸具有運(yùn)輸量大、運(yùn)價(jià)低等優(yōu)點(diǎn)，運(yùn)價(jià)僅公路的1/10。但是水面不似黑色柏油路面，寬度不統(tǒng)一、沒(méi)有白色標(biāo)線規(guī)范；此外，船舶不似車(chē)輛，尺寸不規(guī)范，撞橋、擱淺時(shí)有發(fā)生。隨著視頻檢測(cè)技術(shù)的日漸成熟，船舶視頻自動(dòng)檢測(cè)成為智能視頻監(jiān)控系統(tǒng)中一個(gè)重要研究課題，在內(nèi)河河道的水運(yùn)管理中，可以有效減少人工視頻檢測(cè)的人力消耗。但是，河道上的船舶在行進(jìn)時(shí)，所產(chǎn)生的船尾拖紋與運(yùn)動(dòng)船舶有著相同的運(yùn)動(dòng)規(guī)律，導(dǎo)致船尾拖紋常常會(huì)被誤檢測(cè)為運(yùn)動(dòng)船舶的一部分，給船舶自動(dòng)檢測(cè)精度帶來(lái)很大誤差。因此，如何解決運(yùn)動(dòng)船舶的實(shí)際準(zhǔn)確尺寸顯得尤為重要，也是當(dāng)前研究的一大方向，對(duì)于船舶視頻監(jiān)測(cè)預(yù)警具有重要的實(shí)際應(yīng)用價(jià)值和重大經(jīng)濟(jì)價(jià)值。

目前，多數(shù)研究人員采用混合高斯背景減除算法(gmbsd，gaussianmixturebackgroundsubtractiondivision)對(duì)內(nèi)河航道中背景進(jìn)行建模，但是船尾拖紋與船舶的運(yùn)動(dòng)一致性，依然難以解決拖紋這一起伏背景的干擾。bao等提出的船舶檢測(cè)器算法(cfd，cabinfeaturedetector)通過(guò)訓(xùn)練船舶特征創(chuàng)建檢測(cè)器，能夠檢測(cè)出不同于訓(xùn)練樣本的目標(biāo)船舶，但是該檢測(cè)器完全依賴(lài)于訓(xùn)練集大小，工作量大，不具有適應(yīng)性。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是為了解決現(xiàn)有方法在運(yùn)動(dòng)船舶檢測(cè)中無(wú)法有效抑制船尾拖紋的問(wèn)題，以及在抑制拖紋的前提下又能否準(zhǔn)確檢測(cè)船體的尺寸。

本發(fā)明的技術(shù)方案為：一種抑制船尾拖紋的船舶顯著性視頻檢測(cè)方法，用直方圖對(duì)比度方法(hc)得到初步的hc顯著圖；將超像素分割算法與區(qū)域空間分布特征結(jié)合，得到內(nèi)河場(chǎng)景區(qū)域顯著圖，以該區(qū)域顯著圖初始化grabcut算法，用于提取運(yùn)動(dòng)船舶，具體包含兩個(gè)部分，內(nèi)河場(chǎng)景顯著圖計(jì)算部分和grabcut船舶提取部分，步驟如下：

步驟s1：對(duì)內(nèi)河船舶監(jiān)控視頻圖像幀，根據(jù)顏色對(duì)比度直方圖得到內(nèi)河場(chǎng)景初步的hc顯著圖；

步驟s2：將原始內(nèi)河船舶監(jiān)控視頻幀圖像進(jìn)行超像素分割成若干子區(qū)域，通過(guò)區(qū)域空間位置關(guān)系改進(jìn)步驟s1中得到的hc顯著圖，得到區(qū)域顯著圖：

s2.1)利用超像素分割方法將輸入的內(nèi)河視頻幀圖像分割成j個(gè)像素塊區(qū)域，得到超像素塊rj，j＝1,2,…,j，每個(gè)超像素塊內(nèi)的平均顯著性值表示為：

式中，n(rj)為超像素塊rj里所含有的像素總數(shù)，s(ik)為超像素塊rj內(nèi)第k個(gè)像素ik的顯著性值，像素ik的顯著性值由步驟s1的hc顯著圖得到；

s2.2)用每個(gè)超像素塊和其他超像素塊的空間關(guān)系權(quán)值來(lái)為此超像素塊定義新的顯著性值，超像素塊rj的顯著性值s(rj)為：

式中，ds(rj,ri)是超像素塊rj和ri的空間距離，i＝1,2,…,j，i≠j，所述空間距離定義為兩個(gè)區(qū)域重心的歐氏距離，σs²用于決定空間關(guān)系權(quán)值的強(qiáng)度，ws(rj)是超像素塊rj的空間關(guān)系權(quán)值，定義為：

dj是超像素塊rj中所有像素與視頻幀中心的平均距離；

得到各個(gè)超像素塊rj的顯著性值，即得到區(qū)域顯著圖；

步驟s3：通過(guò)步驟s2得到區(qū)域顯著圖初始化grabcut算法，用于提取船舶輪廓，grabcut算法的迭代分割過(guò)程中加入腐蝕膨脹操作來(lái)逼近目標(biāo)邊緣，從而提取運(yùn)動(dòng)船舶，實(shí)現(xiàn)對(duì)船舶的檢測(cè)；

其中步驟s1和步驟s2組成內(nèi)河場(chǎng)景顯著圖計(jì)算模塊，步驟s3為改進(jìn)的grabcut船舶提取模塊。

步驟s1具體為：

用直方圖對(duì)比度算法對(duì)內(nèi)河船舶監(jiān)控視頻幀圖像進(jìn)行初步顯著性分析，對(duì)顏色級(jí)數(shù)進(jìn)行量化和平滑處理，圖像i中每個(gè)像素的顯著性值用它本身的顏色與其他像素顏色的對(duì)比度來(lái)定義，則圖像中相同顏色的像素具有同樣的顯著性值，使具有相同顏色值cl的所有像素聚到一起，像素ip的顯著性值s(ip)即等于其顏色的顯著性值，每個(gè)顏色的顯著性值定義為：

式中，cl是像素ip的顏色值，n是整幅圖像中所有的顏色數(shù)目，fm是顏色值為cm的像素在圖像i中所占的概率，l≠m，d(cl,cm)表示不同顏色值之間的歐式距離；

由得到的各個(gè)顏色的顯著性值，得到hc顯著圖。

進(jìn)一步的，步驟s3具體為：

s3.1)對(duì)步驟s2得到的區(qū)域顯著性檢測(cè)結(jié)果，對(duì)其用固定閾值tf二值化得到的顯著圖來(lái)自動(dòng)提取前景和背景之間的框架：視頻幀內(nèi)所有像素的顯著性值大于tf所形成的部分連接起來(lái)，其中最大的連接區(qū)域設(shè)為初始候選區(qū)域，也就是前景船舶所在的可能區(qū)域，而其他區(qū)域定義為背景；

s3.2)在rgb色彩空間，用t維的混合高斯建立彩色圖像數(shù)據(jù)模型，創(chuàng)建吉布斯能量函數(shù)：

e(α,t,θ,z)＝u(α,t,θ,z)+v(α,z)(5)

式中,e是吉布斯能量，表示整個(gè)吉布斯能量函數(shù)的懲罰項(xiàng)，u表示由前景顏色gmm和背景顏色gmm產(chǎn)生的懲罰，v表示相鄰像素間的對(duì)比度差值。α表示不透明度，α＝0為背景，1為前景；θ為圖像前景和背景的高斯分布參數(shù)，z為圖像灰度直方圖數(shù)組，z＝z1，z2，……，zn。

式(5)受變量t影響，t＝1,2,3....,t，引入彩色數(shù)據(jù)模型后，混合高斯的參數(shù)模型為：

式中，w(α,t)為每個(gè)高斯分量的混合權(quán)值；μ(α,t)為每個(gè)高斯模型的均值；σ(α,t)為3x3的協(xié)方差矩陣；

所述混合高斯的參數(shù)模型迭代運(yùn)行，在每次迭代后，對(duì)當(dāng)前的分割結(jié)果進(jìn)行形態(tài)學(xué)操作得到一個(gè)新的迭代結(jié)果圖，用作下一次迭代的初始狀態(tài)，直到迭代過(guò)程收斂，膨脹后落在外面的區(qū)域設(shè)置為背景，腐蝕后包含在里面的區(qū)域設(shè)置為前景，其余為未知區(qū)域，所得到的前景即為運(yùn)動(dòng)船舶。

本發(fā)明的有益效果為：

為了對(duì)運(yùn)動(dòng)船舶準(zhǔn)確地分割并提取船舶目標(biāo)，本發(fā)明將超像素分割算法與區(qū)域空間分布特征結(jié)合，來(lái)改進(jìn)直方圖對(duì)比度方法(hc)得到的初步船舶hc顯著圖，進(jìn)而得到內(nèi)河場(chǎng)景區(qū)域顯著圖，為船舶分割的準(zhǔn)確性提供保證；

本發(fā)明改進(jìn)的grabcut船舶提取方法中，用區(qū)域顯著性檢測(cè)結(jié)果初始化grabcut圖像分割算法，避免了人工交互帶來(lái)的誤差以及不便性；迭代運(yùn)行以更新混合高斯模型的參數(shù)，使得更好分割船舶目標(biāo)。

本發(fā)明方法綜合考慮了顏色信息和空間信息，減少了對(duì)船舶細(xì)節(jié)的描述，增強(qiáng)了對(duì)船舶高層特征的應(yīng)用，通過(guò)直方圖對(duì)比度方法得到hc顯著圖，以超像素分割算法與區(qū)域空間分布特征結(jié)合進(jìn)一步改進(jìn)hc顯著圖，進(jìn)而得到區(qū)域顯著圖；將得到的區(qū)域顯著圖通過(guò)固定閾值二值化自動(dòng)提取前景與背景的框架，獲取船舶所在的可能候選區(qū)域，進(jìn)而將處理過(guò)的區(qū)域顯著圖來(lái)初始化grabcut算法，進(jìn)行多次迭代分割直至收斂，迭代分割過(guò)程中加入腐蝕膨脹操作來(lái)逼近目標(biāo)邊緣，從而有效地消除船尾拖紋和過(guò)分割的影響，并最終獲取完整的運(yùn)動(dòng)船舶，具備較好的魯棒性。

附圖說(shuō)明

圖1是本發(fā)明檢測(cè)方法框架圖。

圖2是改進(jìn)的grabcut算法提取船舶圖，其中(a)為grabcut初始化；(b)為一次迭代；(c)為二次迭代；(d)為最終分割圖；(e)為分割圖二值化。

圖3是本發(fā)明各步驟效果圖，(a)為輸入圖像；(b)為hc顯著圖；(c)為超像素分割圖；(d)為區(qū)域顯著圖；(e)為grabcut二值圖；(f)為船舶提取圖。

具體實(shí)施方式

本發(fā)明提出了一種抑制船尾拖紋的船舶顯著性視頻檢測(cè)方法，能夠有效抑制船尾拖紋，又能夠準(zhǔn)確分割出整個(gè)船體部分且避免了過(guò)分割，進(jìn)一步提升了船舶自動(dòng)檢測(cè)的尺寸精度。

下面結(jié)合附圖和實(shí)施例對(duì)于本發(fā)明進(jìn)行進(jìn)一步說(shuō)明。

本發(fā)明抑制船尾拖紋的船舶顯著性視頻檢測(cè)方法，如圖1所示，包括內(nèi)河場(chǎng)景顯著圖計(jì)算部分和grabcut船舶提取部分，步驟如下：

步驟s1：根據(jù)顏色對(duì)比度直方圖得到內(nèi)河場(chǎng)景的hc顯著圖；

1)用直方圖對(duì)比度算法(hc，histogram-basedcontrast)對(duì)內(nèi)河船舶監(jiān)控視頻圖像幀(如圖3(a))進(jìn)行初步顯著性分析，依據(jù)輸入圖像的顏色統(tǒng)計(jì)信息提出基于顏色直方圖對(duì)比度的像素級(jí)顯著圖計(jì)算方法，對(duì)顏色級(jí)數(shù)進(jìn)行量化和平滑處理，從而獲得hc顯著圖，如圖3(b)所示。

圖像i中每個(gè)像素的顯著性值是用它本身的顏色與其他像素顏色的對(duì)比度來(lái)定義的：

式中，d(ip,iq)是在lab顏色空間下像素ip和像素iq歐式距離度量，s(ip)是像素ip的顯著性值。

2)從式(1)可以看出，圖像中相同顏色的像素具有同樣的顯著性值，所以對(duì)式(1)進(jìn)行重排，使得具有相同顏色值cl的所有像素聚到一起，則每個(gè)顏色的顯著性值就可以重新定義為：

式中，cl是像素ip的顏色值，n是整幅圖像中所有的顏色數(shù)目，fm是顏色值為cm的像素在圖像i中所占的概率，l≠m，d(cl,cm)表示不同顏色值之間的歐式距離。

步驟s2：將原視頻幀圖像進(jìn)行超像素分割，分割成若干子區(qū)域，以區(qū)域空間位置關(guān)系改進(jìn)步驟s1中得到的hc顯著性檢測(cè)結(jié)果，進(jìn)而得到區(qū)域顯著圖，具體如下；

1)利用超像素分割(slic,simplelineariterativeclustering)將輸入的內(nèi)河視頻幀分割成j個(gè)超像素塊區(qū)域，即超像素塊，標(biāo)記為rj(j＝1,2,…,j)，如圖3(c)所示，那么超像素塊rj內(nèi)的平均顯著性值表示為：

式中，n(rj)為超像素塊rj里所含有的像素總數(shù)，s(ik)為超像素塊rj內(nèi)第k個(gè)像素ik顯著性值，像素ik的顯著性值由步驟s1的hc顯著圖得到。

2)用每個(gè)超像素塊和其他超像素塊的空間關(guān)系權(quán)值來(lái)為此超像素塊定義新的顯著性值,得到區(qū)域顯著圖，如圖3(d)所示。用空間分布特征來(lái)增加超像素塊的空間影響效果，較近的超像素塊增大影響，較遠(yuǎn)的超像素塊減小影響，則對(duì)任意的超像素塊rj定義顯著性值s(rj)為：

式中，ds(rj,ri)是超像素塊rj和ri的空間距離，該空間距離定義為兩個(gè)區(qū)域重心的歐氏距離。ws(rj)是超像素塊rj的權(quán)值類(lèi)似于中心偏移量，定義為：

式中，dj是超像素塊rj中所有像素與視頻幀中心的平均距離。因此，超像素塊rj鄰近視頻幀的中心，ws(rj)的值較高；rj是邊界區(qū)域離視頻幀中心較遠(yuǎn)，ws(rj)值就較小。σs²決定空間關(guān)系權(quán)值的強(qiáng)度，可根據(jù)實(shí)驗(yàn)自行設(shè)定。

步驟s3：通過(guò)步驟s2得到的區(qū)域顯著圖初始化grabcut算法，迭代分割過(guò)程中加入腐蝕膨脹操作來(lái)逼近目標(biāo)邊緣，從而提取運(yùn)動(dòng)船舶。

1)對(duì)步驟s2得到的區(qū)域顯著性檢測(cè)結(jié)果，對(duì)其用固定閾值tf二值化得到的顯著圖來(lái)自動(dòng)提取前景和背景之間的框架；視頻幀內(nèi)所有像素的顯著性值大于tf所形成的部分連接起來(lái)，其中最大的連接區(qū)域設(shè)為初始候選區(qū)域，也就是前景船舶所在的可能區(qū)域，而其他區(qū)域就定義為背景；

2)在rgb色彩空間，用t維的混合高斯(gmm)建立彩色圖像數(shù)據(jù)模型。為了方便處理，創(chuàng)建吉布斯能量函數(shù)：

e(α,t,θ,z)＝u(α,t,θ,z)+v(α,z)(6)

式中,e是吉布斯能量，表示整個(gè)吉布斯能量函數(shù)的懲罰項(xiàng)，u表示由前景顏色gmm和背景顏色gmm產(chǎn)生的懲罰，v表示相鄰像素間的對(duì)比度差值。α表示不透明度，α＝0為背景，1為前景；θ為圖像前景和背景的高斯分布參數(shù)，z為圖像灰度直方圖數(shù)組，z＝z1，z2，……，zn。

式(6)受變量t影響，t＝1,2,3....,t，引入彩色數(shù)據(jù)模型后，混合高斯的參數(shù)模型為：

式中，w(α,t)為每個(gè)高斯分量的混合權(quán)值；μ(α,t)為每個(gè)高斯模型的均值；σ(α,t)為3x3的協(xié)方差矩陣。

該參數(shù)模型迭代運(yùn)行，在每次迭代后，對(duì)當(dāng)前的分割結(jié)果進(jìn)行形態(tài)學(xué)操作得到一個(gè)新的迭代結(jié)果圖，用作下一次迭代的初始狀態(tài)，直到迭代過(guò)程收斂，如圖3(e)所示，膨脹后落在外面的區(qū)域設(shè)置為背景，腐蝕后包含在里面的區(qū)域設(shè)置為前景，其余為未知區(qū)域，在前景所在區(qū)域提取目標(biāo)即為運(yùn)動(dòng)船舶，如圖3(f)所示。改進(jìn)的grabcut算法提取船舶的整個(gè)過(guò)程如圖2(a)～(e)所示。