水面漂浮物智能监控技术.docVIP

PAGE PAGE 1 水面漂浮物智能监控技术 　　摘要：智能监控技术是对场景进行实时监测、自动分析和处理的技术。水面漂浮物智能监控系统的分析过程由目标检测、识别和分类、视频内容分析等几个基本环节组成，其中视频内容分析主要针对识别出来的目标进行决策。 　　关键词：智能监控；目标检测；水污染 　　中图分类号：TP393文献标识码：A文章编号2013）004015003 　　基金项目：贵州省教育厅自然科学基金项目（2011）；毕节学院科学研究基金项目 　　作者简介：左建军（1976-），男，贵州民族大学硕士研究生，毕节学院数学与计算机科学学院讲师，研究方向为计算机视觉、模式识别技术；吴有富（1966-），男，博士，贵州民族大学教授，研究方向为计算机视觉、模式识别技术。 　　0引言 　　目前，随着工业化、农业化及城镇化建设步伐加速，人为因素对环境造成严重污染，在湖泊、河流、水库及水厂等水面上出现大量漂浮物，这些漂浮物含有大量对人体有害的物质。水污染已经严重破换生态环境，直接威胁人类生存和发展，因此，为了人类的可持续发展，必须解决水污染问题，必须从污染物的排放进行控制。于是，对水面漂浮物的视觉监控成为了一个迫切需要解决的课题。对水面（特别是饮用水源、水库、河流等）的监控主要是通过安排专人监看来实现的。这需要投入大量的人力物力资源。为了解决这些问题，有一些场景中也使用了摄像机进行实时监控，但是依然需要人坚守在终端设备旁，这种做法还是需要大量的人工辅助工作，而且无法实时、准确地对监控情况做出反应。 　　为满足实际应用的需要，针对人工监控出现的各种弊端，需要研究对水面的智能化监控，即在不需要人为干预的情况下对监控场景进行自动分析，及时做出反应。水面漂浮物的智能监控技术是智能视觉监控中的重要内容之一，涉及图像处理、图像分析、机器视觉、模式识别、人工智能等众多研究领域，是一个跨学科的综合问题。首先要对监控画面进行技术处理，提高图像质量，然后检测场景中出现的目标，并进行识别和分类，进而采取措施对其进行自动清理。 　　1国内外研究概况 　　智能监控是对场景进行实时监测，对场景进行自动分析和处理的技术。智能视觉监控越来越受到国内外很多学者和生产商的密切关注。国际权威期刊“InternationalJournalofComputerVision”、国际著名期刊“IEEETrans.onPatternAnalysisandMachineIntelligence”、国际核心期刊“ComputerVisionandImageUnderstanding”、IEEE最高级别的综合期刊“ProceedingsoftheIEEE”分别出版视觉监控的专辑。世界各国的大学、科研院所都纷纷进行了大量的研究，如美国Berkeley大学（Beymeretal，1997）、Minnesota大学（Christopheretal，1994a，b），英国oxford大学（Michaeletal，1999）、Reading大学（Tanetal，2000），德国Karsruhe大学（Kolleretal，1994，1993，1991），日本东京大学（Shunsuke，2005，2001）等，学者们提出了多种解决方案。这些研究成果大多转化成了产品，比如有Minnesota大学的Autoscpoe系统、法国国家运输与安全研究院的研究成果转化的Citilog系统等。 　　在国内，中科院自动化所（楼建光等，2003，2002；Tan，2000，1998）、香港大学（Yung，1998）、浙江大学（刘光耀，2005）、上海交通大学（毛燕芬，2005）等单位也陆续开展了这方面的研究工作，中国科学技术大学也在这方面进行了研究（刘勃等，2005a，b，2004，2003）。相比国外而言，国内这方面的研究虽然起步较晚，但发展迅速。 　　水面漂浮物的智能监控是智能视觉监控中的重要内容之一。国际上近20年在视觉监控及相关领域内做出了比较突出的贡献。基于漂浮物的图像分割算法大致可分为： 　　（1）背景减除。背景减除法首先是建立背景图像，即建立不含目标（漂浮物）时的图像，然后将监控场景中的当前图像与之差，对差图像进行阈值化，分割出只含有目标区域的图像，但对于监控场景的变化非常敏感，比如晴天和阴天的变化；暴雨过后山洪爆发，水面颜色骤变为黄色，因此，建立好的背景模型的研究，减少动态场景变化对准确分割的影响是目前研究的一大难点。Haritaoglu等利用最小、最大强度值和最大时间差分值来为场景中每个像素进行统计建模，并且进行周期性的背景更新。McKenna等利用像素色彩和梯度信息相结合的自适应背景模型来解决影子和不可靠色彩线索对于分割的影响。Stauffer和Grims