一種基于混態(tài)高斯mrf模型的噴墨印花織物運動目標檢測方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及噴墨印花織物缺陷檢測領(lǐng)域，具體是一種噴墨印花織物的運動目標檢 測方法。
【背景技術(shù)】
[0002] 噴墨印花織物是一種采用高密度數(shù)碼噴墨印花成型的織物類型，它攝棄了傳統(tǒng)印 花制版的復(fù)雜環(huán)節(jié)，通過控制染料噴嘴的開關(guān)，并由噴嘴將染料在織物上噴繪而成，極大提 高了織物畫面的精細度和色彩豐富程度。噴墨印花織物的紋理層次豐富、質(zhì)地細膩逼真， 足可表現(xiàn)油畫、山水畫等逼真畫面和紋理效果，已被廣泛應(yīng)用于云錦、絲網(wǎng)等高端紡織產(chǎn)品 中。由于噴墨印花紋理是由噴嘴將染料在織物上噴繪而成，通常具有復(fù)雜的細微油墨組織 結(jié)構(gòu)，組織結(jié)構(gòu)的好壞是獲得精細花紋的先決條件，它將直接影響噴墨印花面料的質(zhì)量。
[0003] 為了確保噴嘴的實時噴墨印花繪制效果，需要對包含噴墨印花缺陷的織物織造視 頻進行監(jiān)控。噴墨印花織物缺陷監(jiān)控已在噴墨印花織物的工業(yè)檢測與質(zhì)量控制中得到廣泛 應(yīng)用，成為保證噴墨印花織物產(chǎn)品質(zhì)量的重要方法之一。缺陷監(jiān)控主要涉及對噴墨印花視 頻中的峽序列進行分析處理，其中最為關(guān)鍵的任務(wù)是缺陷檢測，缺陷檢測是視頻監(jiān)控中的 核也技術(shù)，檢測結(jié)果的精確性將直接影響后續(xù)缺陷監(jiān)測分析（如缺陷跟蹤和分類等）。
[0004] 噴墨印花織物缺陷檢測可在不需要人為干預(yù)的情況下，利用缺陷目標在視頻場景 中所表現(xiàn)出的運動特性在時空域方面上的差異，將缺陷目標表征為運動目標，采用時空域 聯(lián)合的運動目標檢測方法把運動目標從視頻場景中提取出來，然后根據(jù)運動目標確定缺陷 目標的形狀和位置等信息，從而實現(xiàn)缺陷異常情況的自動檢測和報警。
[0005] 目前采用時空域聯(lián)合的運動目標檢測方法主要有H種：
[0006] (1)峽間差分法。峽間差分法通過對序列圖像中的相鄰兩峽圖像實施相減操作，并 經(jīng)過闊值化處理來提取運動目標區(qū)域，該方法實施簡單，速度快，易于硬件實現(xiàn)，且對光線 的變化不是非常敏感。但是峽間差分法依賴于運動目標的運動速度，速度過快或過慢都很 難獲得運動目標的完整輪廓，很容易產(chǎn)生拖影或空洞現(xiàn)象。
[0007] (2)光流法。光流法對視頻峽序列的運動場進行估計，將相似的運動矢量合并形成 運動目標，但其計算復(fù)雜度高，難W實現(xiàn)實時處理。此外，由于受到現(xiàn)實噴墨印花作業(yè)環(huán)境 中噪聲、不規(guī)則和不均勻的光照、陰影及背景擾動等影響，使得該方法要完成精確且魯棒的 運動目標檢測工作十分困難。
[0008] (3)背景消除法。背景消除法的主要思想是構(gòu)建背景模型，并通過比較輸入峽和背 景模型來檢測運動目標。近年來，背景消除法作為運動目標檢測方法中的熱點，國內(nèi)外學者 對其進行了深入研究。由于背景消除法可直接給出運動目標的位置、大小、形狀等信息，且 不受目標運動速度的限制，因此是實現(xiàn)運動目標實時檢測和提取的首選方法。
[0009] 當背景模型已知的情況，背景消除法是一種相當有效的運動目標檢測方法。但該 方法在面臨視頻場景中的背景圖像發(fā)生動態(tài)變化時，不能達到很好的效果，主要難點包括 背景模型的構(gòu)建和更新。為了解決背景消除法在背景模型構(gòu)建和更新時的困難，國內(nèi)外許 多學者對背景模型進行深入研究。
[0010] 目前，背景消除法中采用的背景模型主要分為兩類：
[0011] (1)基于像素的背景模型：文獻[1]D. Lee, "Effective gaussian mixture learning for video background subtraction'，，IEEE Transactions on Pattern Analysis and Machine Intelligence, vol.27, no. 5, pp. 827-832, 2005 中采用自適應(yīng) 混合高斯模型實現(xiàn)時空域背景建模，但在噪聲環(huán)境下效果不理想。文獻巧]朱碧婷， 鄭世寶基于高斯混合模型的空間域背景分離法及陰影消除法"，中國圖象圖形學 報，13 (10) : 1906-1909, 2008中采用高斯混合模型實現(xiàn)空域背景分離和陰影消除，但對 時域場景動態(tài)變化的處理能力很弱。文獻巧化.K.化ti，P.K. Sa，B.Ma化i，"Intensity range based background subtraction for effective object detection'，，IEEE Signal Processing Letters, vol. 20, no. 8, pp. 759-762, 2013中采用設(shè)置背景像素點灰度范圍的 約束策略，提高了背景模型對場景動態(tài)變化的適應(yīng)能力，但對噪聲比較敏感。
[0012] 由于基于像素的背景模型要求背景中的每個像素都是獨立的，雖然能有效提取 運動目標的外形，但是其獲得的檢測結(jié)果與場景中的背景圖像相關(guān)度很高，當背景圖像發(fā) 生動態(tài)變化時，檢測結(jié)果就不理想，同時該方法對噪聲的抑制能力較弱，因此不適合在含噪 的、動態(tài)可變場景下的噴墨印花織物運動目標檢測。
[0013] (2)基于區(qū)域的背景模型：該模型能夠充分利用峽間（時域）和峽內(nèi)（空域） 圖像中相鄰像素點之間的相互關(guān)系，因此對于噪聲和動態(tài)可變場景等情況的處理效果要 優(yōu)于基于像素的背景模型。由于馬爾可夫隨機場（Markov Random Field, MR巧能夠很 好地表征同一區(qū)域內(nèi)相鄰像素點之間的鄰域關(guān)系，因此許多學者采用MRF作為基于區(qū) 域的背景模型。文獻[4]E.Y.Kim,S.H.Park, "Automatic video se卵entation using genetic algorithms", Pattern Recognition Letters, vol. 27, no. 11, pp. 1252-1265, 2006 中利用MRF實現(xiàn)對運動目標的時空分割，有效地保留了目標的邊緣信息。文獻[5] S. S. Huang, L. C. Fu, P. Y. Hsiao, ''Region-level motion-based background modeling and subtraction using MRFs'，，IEEE Transactions on Image Processing, vol. 16, no .5, pp: 1446-1456, 2007中利用時空域的馬爾可夫特征來提高點灰度的時變相關(guān)統(tǒng)計效 果，抑制運動檢測時的噪聲干擾。文獻[6]J.Shen,W. Yang,Z.Lu,et al, "Information integration for accurate foreground segmentation in complex scenes'，，lET Image Processing, vol. 6, no. 5, pp. 596-605, 2012中將形狀先驗信息引入MRF背景模型，有效提 高運動目標的檢測精度。
[0014] 然而，直接利用基于MRF背景模型的背景消除法對噴墨印花織物運動目標進行檢 測時存在較大不足：1)噴墨印花織物的紋理背景復(fù)雜且富于變化，現(xiàn)有MRF背景模型對復(fù) 雜紋理的運動特征表征能力較弱，抗擾動能力較差。2)現(xiàn)有MRF背景模型在執(zhí)行運動目標 檢測時，需要保持背景模型恒定，無法同步執(zhí)行背景重構(gòu)，缺乏對背景模型的動態(tài)更新，從 而影響后續(xù)運動目標檢測的精度。由于背景模型在重構(gòu)時的更新計算開銷很大，無法滿足 實時檢測的需求，使其在噴墨印花織物的運動目標檢測應(yīng)用中受到限制。

【發(fā)明內(nèi)容】

[0015] 本發(fā)明為解決現(xiàn)有技術(shù)所存在的缺陷，將"運動紋理"特征融入背景消除法的背景 建模中，并建立能夠同時包含兩種狀態(tài)類型（運動狀態(tài)和背景狀態(tài)）的混態(tài)高斯MRF模型， 提出一種基于混態(tài)高斯MRF模型的噴墨印花織物運動目標檢測方法。該方法不僅能夠有效 解決背景消除法中背景重構(gòu)的困難，實現(xiàn)背景動態(tài)更新，而且能夠提高對復(fù)雜紋理背景的 表征能力和運動目標的檢測精度，從而有效實現(xiàn)噴墨印花織物運動目標檢測，且對噪聲有 很好的穩(wěn)健性。
[0016] 本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：
[0017] 一種基于混態(tài)高斯MRF模型的噴墨印花織物運動目標檢測方法，包括W下步驟：
[0018] 步驟①；輸入觀測視頻I，置時間序標t = 1，背景重構(gòu)圖11。= I 1，格點序標i = 0， 視頻峽總數(shù)M = 100,單巾貞中格點總數(shù)N = 80X80 = 6400,迭代誤差闊值n = 0. 01，迭代 序標k = 1，全局能量值6。= 0,噪聲闊值W = 0. 1，權(quán)值參數(shù)0=1，目=8，y=4,方 差A(yù) = 1.5,平滑比例參數(shù)a = 0.7;
[001引步驟②遺i = i+1，計算E(xJl，iVi)在格點i處的能量值化V; |/，",_|)的迭代優(yōu) 化解X,*，并根據(jù)"格點狀態(tài)判定"策略，生成格點i的混態(tài)高斯MRF狀態(tài)值X;;
[0020] 步驟③：如果= /，則標記運動目標檢測圖nit在格點i處的值為1，并保持背景重 構(gòu)值不變，即置二;否則更新背景，置背景重構(gòu)值;
[0021] 步驟④：如果KN，轉(zhuǎn)至步驟②，繼續(xù)生成下個格點的狀態(tài)值；否則，利用所有格點 的狀態(tài)值生成混態(tài)高斯MRF狀態(tài)集?^,=林(|/ = 1，...，^!*，轉(zhuǎn)至步驟@;
[00過步驟⑥：利用Xt計算E (X 111，Ut_i)，置全局能量值Ek= E (X 111，Ut_i)，并將能量變化 值A(chǔ)E = Ek-Ek_i作為ICM迭代優(yōu)化的終止判斷依據(jù)；
[002引步驟⑧：如果A E< n，則ICM迭代優(yōu)化的收斂過程完成，轉(zhuǎn)至步驟⑦；否則置k = k+1，i = 0,并轉(zhuǎn)至步驟②，繼續(xù)執(zhí)行下一次ICM迭代優(yōu)化；
[0024] 步驟⑦：利用最優(yōu)估計值Xt，輸出t時刻的運動目標檢測圖mt和背景重構(gòu)圖U t; [00巧]步驟⑨：置t = t+1，如果t《M，則置k = l，i = 0,轉(zhuǎn)至步驟②，繼續(xù)執(zhí)行下一峽 檢測；否則，完成所有峽檢測，結(jié)束。
[0026] 所述的步驟①中，I = (It|t = 1，...，M}是所有時刻的峽圖像集合，它是一個峽圖 像序列，其中，It= |i = 1，...，N}是t時刻的峽圖像，它是所有格點在t時刻的亮 度值集合，li (t)是格點i在t時刻的亮度值。
[0027] 所述的步驟①中，u= (Utlt = 是所有時刻的背景重構(gòu)圖集合，其中，