基于背景建模與特征匹配的工業煙塵圖像分割方法*

王文哲, 劉 輝, 王 彬, 王 瑞, 代照坤

(1.昆明理工大學 信息工程與自動化學院，云南 昆明 650500；2.昆明理工大學 津橋學院,云南 昆明 650051)

0 引 言

如何對煙塵進行有效圖像分割為當前研究的重要環節。近幾年,基于圖像的識別方法，在類似于火焰識別[1]、車牌識別、煙霧識別[2]等方面均得到了較好的應用效果。Calderara S等人[3]提出了一種快速的、抗干擾能力強的煙塵視頻檢測算法，但背景差分會出現煙塵區域空洞現象；Hsu Yen-Chia 等人[4]提出了一種基于邊緣和紋理分割算法來檢測煙塵，但有一些局限性，在閾值的選擇中需要進一步優化；褚益[5]提出了一種基于改進的貝葉斯決策理論最小誤差閾值煙塵圖像分割算法，改善了傳統閾值分割煙塵圖像方法的不足，但其在監測過程中未考慮到風速對煙塵區域分割結果的影響。因此，現有方法中在抗干擾能力和適應能力方面有待提高。

本文采用基于背景建模與特征匹配相結合的圖像分割方法，獲取準確的背景圖像，去除干擾，分割出煙塵區域。

1 煙塵分割方法的處理流程

本文方法主要分為背景建模及更新策略、差分累積、形態學處理與特征匹配等步驟。方法整體流程如圖1所示。

圖1 本文方法流程

1)建立適應當前場景下的背景模型并對背景進行實時更新，構造出準確的背景圖像;

2)差分累積，通過差分累積出煙塵動態區域；

3)運用形態學的方法，填充煙塵孔洞區域，得到粗分割的煙塵區域，進行特征匹配,去除干擾區域，得到細分割煙塵區域。

2 煙塵圖像分割算法

2.1 背景建模及更新策略

在工業煙塵視頻圖像中，背景中存在運動的云且大小不斷變化,也經常會有類似于鳥等外部物體闖入視頻圖像，針對這些外部因素的干擾，本文采用了一種基于閾值的背景更新模型。

首先選取視頻的第一幀為背景幀，且需將彩色圖像轉換為灰度圖像，背景更新如下

Bt=ωBt-1(x,y)+(1-ω)ft(x,y)，0≤ω≤1

(1)

式中ω為可調節閾值；Bt(x,y) 為當前背景圖像，Bt-1(x,y) 為前一幀背景圖像；ft(x,y)為當前幀視頻圖像。

2.2 差分累積煙塵運動區域

將當前圖像幀分別與背景幀進行差分，得到煙塵動態區域進行累積，得到相對完整的動態區域部分，再通過累積求平均值去除突然闖入視頻的干擾物，進行第一次去干擾。

由于煙塵運動緩慢，通過反復實驗，本文每隔5幀，提取為當前幀運動圖像，再將其轉換為灰度圖像。由式(2)獲得當前運動區域差分圖像

pt(x,y)=|ft(x,y)-Bt(x,y)|

(2)

式中pt(x,y)為t時刻差分出的運動區域像素值；ft(x,y)為當前幀圖像；Bt(x,y)為背景圖像。

通過差分運算，可以得到前后2幀煙塵變化區域，但無法得出前后2幀重合的煙塵區域，因此，通過式(3)進行差分累積，將一定時間內的運動區域像素點進行累加，可以得到相對完整的運動區域

(3)

(4)

通過此方法，達到去除突然闖入干擾物的目的，得到相對準確且完整的煙塵區域圖像,記為p?t(x,y)。

2.3 填充煙塵孔洞

圖2 煙塵孔洞填充

2.4 特征匹配

采用特征匹配的方法，去除干擾，較低噪聲，準確的分割出煙塵區域部分。采用式(5)累加背景圖像

(5)

(6)

通過當前幀圖像與平均背景圖像差值，設置閾值，去除干擾區域，消除噪聲，提高分割的準確性。

(7)

由式(7)得到完整的煙塵分割區域Ct(x,y)，在本文分割圖像中，用黑色表示非煙塵區域，灰度圖像為分割出的煙塵區域。

3 實驗與分析

實驗計算機型號為HP ProDesk 600 SFF，配置為CPU 3.30 GHz、內存8 GB，實驗環境為MATLAB R2016a。實驗所用視頻圖像來源于某鋼鐵公司煙塵監測點的視頻圖像數據，共計20 h長煙塵視頻，15 GB容量。

采用本文方法，對實際鋼廠煙塵視頻進行測試，通過反復實驗，不斷優化算法結構，修正算法閾值，記錄實驗結果。

3.1 特征匹配參數實驗

粗分割的煙塵區域如圖3(a)所示。在特征匹配的過程中，設定特征匹配參數，實現較好的細分割。

圖3 不同特征匹配參數煙塵分割效果比較

通過多次實驗，從圖3可以看出，圖3(c)～圖3(e)去除干擾能力較弱，誤將云檢測為煙，圖(b)能夠完整去除干擾，得到完整的煙塵分割區域，因此，當β=10 時，分割效果最好。由此可以看出，本文特征匹配的方法，可以有效去除云以及其他運動干擾物的影響，亦能適應煙塵的不規則運動，得到完整的煙塵區域。

3.2 與傳統方法對比實驗

如圖4所示，通過對比，可以看出，本文方法具有以下優勢：1)能夠相對完整從背景中分割運動的煙塵區域；2)在復雜場景環境的干擾下，具有較好的抗干擾能力；3)較少出現錯檢、漏檢等問題，效果優于傳統方法。

圖4 不同分割方法比較

3.3 抗干擾實驗

如圖5所示，第150幀，突然有飛鳥闖入到視頻中，第179幀飛出，通過采用本文方法進行分割，從圖5(c)可以看出，分割出的煙塵區域相對完整且去除了突然闖入運動干擾物的影響，說明了本文方法具有一定的抗干擾能力。

3.4 不同場景分割效果實驗

為了檢測本文方法對不同場景的適用能力，針對采集的不同場景下的煙塵視頻，采用本文方法 ，進行實驗測試，如圖6所示?？梢钥闯?，在3個不同場景下，本文方法能夠完整分割出煙塵區域，具有一定的適應能力。

圖6 不同場景下實驗

4 結 論

1)采用求像素點的平均灰度值的方法和特征匹配的方法，提升了抗干擾能力；

2)通過建立背景更新模型，提升了場景的適應能力；

3)采用形態學填充孔洞的方法，使分割出的煙塵區域具有一定的完整性。

本文方法具有較好的實用性。