檢測系統(tǒng)論文：紅外圖像的車底藏人檢測系統(tǒng)設(shè)計范文

本站小編為你精心準備了檢測系統(tǒng)論文：紅外圖像的車底藏人檢測系統(tǒng)設(shè)計參考范文，愿這些范文能點燃您思維的火花，激發(fā)您的寫作靈感。歡迎深入閱讀并收藏。

作者：許金金王敏吳偉交   單位：華中科技大學控制科學與工程系

系統(tǒng)概述

待檢測車輛需要經(jīng)過檢測通道，如圖1所示。將紅外攝像頭放置于通道中間，獲得車底部熱感應(yīng)圖像。為了獲取較廣的視角以及較小形變的圖像，紅外攝像頭安放的仰角為40°。由于監(jiān)控室與檢測通道的距離較遠，且通道數(shù)較多，因此需要通過光端機將所獲取的視頻傳輸給監(jiān)控室控制臺PC機。檢測軟件根據(jù)本文提出的檢測算法對捕獲到的圖像進行分析，若判斷車輛底部藏人則向系統(tǒng)發(fā)出報警信號，以便其通過控制安全桿做出相應(yīng)攔截措施。視頻傳輸示意圖，如圖2所示。

軟件設(shè)計

軟件設(shè)計采取的基本實現(xiàn)策略是先定位后檢測。首先進行運動車輛檢測，其次根據(jù)車輛的自身特征，定位可疑目標在車輛底部可能的藏匿部位。當區(qū)域定位完成后，對該區(qū)域進行感興趣區(qū)域（RegionOfInterest，ROI）的選取。最后對ROI進行檢測，判斷是否藏人。檢測系統(tǒng)流程圖如圖3所示。通過對車輛的掃描檢測過程，查出藏匿于車底的可疑目標，實現(xiàn)自動檢測。

1圖像去噪

圖像去噪是圖像預處理的一個環(huán)節(jié)，也是整個圖像預處理中的關(guān)鍵一步。在對運動車輛定位的過程中，針對車輛與環(huán)境對比度大、信息豐富，受噪聲影響較小等特點，只需對圖像采用常規(guī)的均值濾波進行處理。而在檢測目標時，為了在去除噪聲的同時，最大程度的保存目標的邊緣信息，采用了基于開關(guān)控制的組合濾波。濾波器的基本思路是將圖像劃分為三類區(qū)域：孤立噪聲點區(qū)、平坦區(qū)和邊緣信息區(qū)。其主要處理原則為：孤立噪聲點區(qū)的灰度與其鄰域往往有較大的差異，可按照椒鹽噪聲進行處理，選用中值濾波器；平坦區(qū)往往包含高斯噪聲，可采用加權(quán)均值濾波器加以消除；邊緣信息區(qū)包含了圖像的細節(jié)信息，應(yīng)作為保留區(qū)域不做處理。將處理后的三個區(qū)域加以合成，即得到了去噪后的圖像。

濾波器性能的關(guān)鍵在于分類開關(guān)的設(shè)計，借用順序統(tǒng)計濾波的思路，將濾波器設(shè)計成N×N的掩模算子，N為奇數(shù)，使該掩模在整個圖像上滑動，對它所覆蓋的圖像中的像素點xi進行排序，得到序列x（1），x（2）……x（N^2），利用排序結(jié)果設(shè)計下面的分類規(guī)則：a、b為排序后的位置偏移量，Ta和Tb為閾值。基于開關(guān)控制的組合濾波算法就包括這么幾個步驟：（1）對掩模覆蓋的圖像像素點進行排序；（2）利用分類規(guī)則進行三個區(qū)域劃分；（3）對孤立噪聲點區(qū)進行中值濾波，對平坦區(qū)進行均值濾波；（4）將處理后的區(qū)域合成，得到去噪圖像。

2車輛檢測及目標區(qū)域的定位

2.1運動車輛檢測

對于實時性要求較高的場合，運動目標的檢測一般用背景差分法和幀間差分法。背景差分法是利用序列中當前幀圖像與背景圖像的差分來消除背景、提取運動目標區(qū)域的一種技術(shù)。背景差分法可根據(jù)實際情況設(shè)定差分閾值，所得到的結(jié)果直接反映了運動目標的大小、形狀和位置，可以得到比較精確的運動目標信息，但該方法應(yīng)用于紅外目標檢測時易受環(huán)境溫度、天氣等外界條件變化的影響。幀間差分法是利用視頻序列中連續(xù)的兩幀或多幀圖像的差異來檢測和提取運動目標。該方法對場景的變化不太敏感，適用于動態(tài)環(huán)境，穩(wěn)定性好。不足之處是：1）無法抽取完整的運動目標，僅能得到運動目標的邊界；2）運動目標提取效果依賴于幀間時間間隔的合理選擇。本文針對待檢測目標所處背景在短時間內(nèi)為靜態(tài)背景，而較長時間內(nèi)背景會發(fā)生動態(tài)變化的特點，并結(jié)合兩種方法的優(yōu)點，設(shè)計出改進的背景差分法。算法原理圖如下：其中F(K)為當前幀，B為通過隔幀幀差法求得的當前背景圖像，D為差分結(jié)果圖，R為二值化圖像。

該算法繼承了幀間差分法對場景變化不太敏感的優(yōu)點，能準確更新背景差分法所需要的當前背景圖，進而提取出完整的運動目標。下面是采用基本背景差分法和改進后背景差分法，在不同時候背景更新保存的背景圖片。基本背景差分法在系統(tǒng)長時間運行之后，會出現(xiàn)背景更新出錯，檢測流程紊亂，從而產(chǎn)生檢測系統(tǒng)失效現(xiàn)象。而采用改進的背景差分法，即使是經(jīng)過長時間運行，系統(tǒng)也能確保背景更新的準確。

2.2目標區(qū)域定位

由于運動車輛特性已知，在其運動的過程中，可以通過對目標局部圖像進行特征提取，定位可疑區(qū)域。目標的一般特征包括點、邊緣、區(qū)域和輪廓。點特征對圖像的分辨率、旋轉(zhuǎn)、平移、光照變化等有很好的適應(yīng)性，常用的點特征描述算子如SIFT、SURF等都具有很高的精度，但這些算法復雜度高，難以滿足實時檢測的要求，并且紅外圖像特征點往往較少，采用點描述算子并不能達到令人滿意的效果。因此本文根據(jù)實際目標的特性，采用了對線、面特征進行描述的方法來標注運動車輛。運動的車輛受車底傳動抽、燃燒室以及空間限制，目標一般躲藏于車廂后輪位置。

為了準確定位目標區(qū)域，目標區(qū)域進入視場之前的運動車輛局部特征需要重點描述。車廂底部進入攝像頭視場時如圖6(a)所示。為了提取車輛的直線特征，需要對車底圖像進行邊緣提取。常見的邊緣檢測算子有：Laplace、Sobel以及Canny等。由于Laplace算子常常會產(chǎn)生雙邊界，而Sobel算子又往往會形成不閉合區(qū)域，對后面直線檢測都會產(chǎn)生不利的影響。

Canny算子克服了上述算子的缺陷，能夠盡可能多的標識出圖像中的實際邊緣，并且能夠?qū)⑤^小的間斷點進行連接，因此能夠形成較為完整的邊界線。Canny算子是最優(yōu)的階梯型邊緣檢測算法，本文采用選用Canny算子進行圖像的邊緣檢測。邊緣檢測結(jié)果如圖6(b)所示，較為明顯且具有特征不變性的為直線邊緣。當可能藏人的區(qū)域進入攝像頭視場時，車底圖像的直線特征隨之消失（如圖6(c)），因此可以利用圖像的直線特征來定位后輪檢測區(qū)域。Hough變換檢測直線是較為理想的直線檢測方法，由PaulHough于1962年提出。經(jīng)過Hough變換后，根據(jù)已知的目標直線位置、角度、長度，選取符合條件的直線。圖6(b)、(c)中白色粗線為所檢測出的目標直線。

受環(huán)境因素的影響，車底直線特征可能并不明顯，因此單一的直線特征提取難以滿足檢測精度要求，如圖7所示情況。實驗發(fā)現(xiàn)車底面特征不易受到周圍環(huán)境、溫度的影響，因此可以進行面特征提取。選定區(qū)域為圖6(b)中虛線框內(nèi)，滿足要求的特征為梯度小于一定閾值，即具有平滑特征，判斷方法是計數(shù)虛線框內(nèi)邊緣點數(shù)，判斷其是否小于給定閾值。采用Sobel內(nèi)核計算圖像差分其中src為輸入圖像，dst為輸出圖像，xorder為x方向的差分階數(shù)，yorder為y方向的差分階數(shù)。

由于當車底藏人時，其進入攝像頭視場會阻斷車底原有的平滑特征如圖6(d)，因此當平滑特征消失時，這時判斷是否符合定位位置特征，若符合即可進行定位檢測；若車底沒有藏人時，車底平滑特征會持續(xù)到車尾部位才結(jié)束，這時只需判斷到達車尾就可以結(jié)束檢測流程。

實驗表明，基于這種車箱底部中間區(qū)域光滑特征去定位檢測對環(huán)境適應(yīng)能力強，而基于兩側(cè)直線特征定位的方法又能夠比較準確的定位到目標區(qū)域。綜合上述兩種思路，設(shè)計出的定位流程如下圖8所示：應(yīng)用中是否滿足直線以及平滑特征是通過檢測連續(xù)多幀圖像來實現(xiàn)的，這樣可以盡量減少偶然因素導致的定位失敗。

3藏人的檢測

3.1基于高亮度特征的ROI的選取

如圖9為定位之后的待檢測目標圖。為了排除車底本身熱源的干擾（如車輪）縮小檢測范圍，必須對原圖進行ROI的選取。行進過程中的車輪一般在紅外圖像中會呈現(xiàn)高亮度特征。基于此特征，從圖片左右兩側(cè)分別搜索列像素平均灰度值最高的部分（最可能為車輪內(nèi)鋼圈），加上一定偏移量即可求出ROI左邊界位置（PositionofLeft，PL）。ROI下邊界線也采用同樣的方法，上邊界采用默認值。當車輪不明顯時采用默認感興趣區(qū)域即可下面圖9為采用固定ROI選取和基于高亮度特征的ROI提取結(jié)果對比。實驗表明，這種基于具體特征的感興趣區(qū)域提取方法，對于車輪出現(xiàn)的偏差具有良好的適應(yīng)性，即使車輛行駛時發(fā)生較大的偏移也能做出正確的ROI選取。

3.2目標的檢測

對于已知形狀、外貌以及姿態(tài)等特征目標檢測采用特征匹配、直方圖反向投影等方法都能取得較為理想的效果。但對于躲藏姿勢未知并且本身形狀較為模糊的紅外目標，采用匹配的方式效果并不明顯。

紅外目標與目標區(qū)域的周圍存在一定的灰度差異，改變了原有區(qū)域梯度小、較為平滑的特征。針對這種改變采用評價函數(shù)f(x,y)對目標區(qū)域進行評估，若達到一定的閾值，即可預判車底藏人。評價函數(shù)依據(jù)不同區(qū)域可疑信息權(quán)重不一樣而選定(ROI內(nèi)中間部位權(quán)重較高、四周權(quán)重較低)，表示如下其中T為警戒閾值，Warnflag為預警標志。具體檢測步驟如下：

1)對原圖的感興趣區(qū)域進行組合濾波處理；

2)對感興趣區(qū)域進行邊緣梯度檢測(圖10)；

3)采用評價函數(shù)對目標區(qū)域進行評分并判斷是否超過給定閾值；

4)重復步驟1-3，若連續(xù)三幀超出閾值則發(fā)出報警指令，否則表示無人。對應(yīng)的報警截圖如圖11所示

實驗結(jié)果

為了驗證系統(tǒng)工作的穩(wěn)定性以及算法的可靠性，在不同的貨檢口岸、時間段、天氣條件進行了多次實驗。測試結(jié)果如下。結(jié)果表明，在不同月份檢測誤報率十分低，漏報率也能滿足相應(yīng)指標。設(shè)計出的車底藏人自動檢測系統(tǒng)有很高的實用價值，達到了預期的目標，說明了這套檢測系統(tǒng)的可靠性和準確性。軟件界面如圖12所示。

結(jié)束語

紅外成像技術(shù)以其獨特的優(yōu)勢，被越來越廣泛應(yīng)用于軍事、安防監(jiān)控等多領(lǐng)域。與常規(guī)的紅外運動目標的檢測與跟蹤不同，本文通過合理改進以及組合傳統(tǒng)經(jīng)典算法如組合濾波、改進背景差分以及根據(jù)線面特征定位等，針對車底藏人這一特定環(huán)境設(shè)計出了一種智能車底藏人檢測系統(tǒng)。這種隱蔽性更強的紅外目標檢測將會是紅外檢測技術(shù)又一個應(yīng)用研究的方向。隨著嵌入式處理速度和存儲性能的發(fā)展，類似的檢測系統(tǒng)檢測性能以及實用性將會更進一步提高，必然也會得以推廣和應(yīng)用。