南京邮电大学学报自然科学版
主办单位:江苏省教育厅
国际刊号:1673-5439
国内刊号:32-1772/TN
学术数据库优秀期刊 《中文科技期刊数据库》来源期刊
       首 页   |   期刊介绍   |   新闻公告   |   征稿要求   |   期刊订阅   |   留言板   |   联系我们   
  本站业务
  在线期刊
      最新录用
      期刊简明目录
      本刊论文精选
      过刊浏览
      论文下载排行
      论文点击排行
      
 

访问统计

访问总数:11214 人次
 
    本刊论文
基于改进蜂群算法的视频目标检测方法

 摘 要:本文提出一种基于改进蜂群算法的视频目标检测方法,首先对两幅图像进行优化获得最大互信息值,进而获得最佳空间匹配参数,最后通过三帧差分法检测出目标。该算法相对传统算法,能够抑制背景残留噪声,而且不需要对图像进行预处理、特征选取以及背景更新,降低了算法复杂度。通过与传统蜂群算法的结果对比,证明了改进算法的有效性和可靠性。 
中国论文网 http://www.xzbu.com/8/view-6988796.htm
  关键词:视频检测;蜂群算法;互信息 
  中图分类号:TP391 文献标识码:A 
  Abstract:Here,a video object detection method based on an improved bee colony algorithm is presented.First,the maximum mutual information values of two images are obtained through optimization.Then,the best spatial matching parameters are acquired,and finally the target is detected through the three frame difference method.Compared to the traditional algorithm,the proposed algorithm can restrain the residual background noise,and does not require the image pre-processing,feature selection and background updating,which reduce the complexity of the algorithm.Compared with the results based on the traditional bee colony algorithm,the effectiveness and reliability of the improved algorithm are demonstrated. 
  Keywords:video detection;bee colony algorithm;mutual information 
  1 引言(Introduction) 
  近年来,科学技术的不断发展以及人民生活水平的不断提高使人类对生活质量和本身的安全性保证需求愈来愈高。视频监控由于能形象、直观地表示信息而被应用于大部分公共场所。相比较传统的视频监控,高端化的视频监控系统可通过计算机视觉、图像处理等技术提取出人们感兴趣的目标信息图像,然后对其进行检测、跟踪、分类以及行为理解和描述等过程来判别监控画面中的情况,代表了未来视频监控产业的发展趋势。视频监控系统的关键技术主要有四个方面:目标的检测,目标的跟踪,目标的分类,行为的理解与描述。 
  视频目标检测在人机交互、视频监控、交通视频、视频会议、客流量统计等许多方面都有非常重要的应用,是当今计算机视觉领域的研究热点与难点之一。传统的检测算法[1]如背景差分法、相邻帧差法、光流场法等已相对成熟,但存在不足:背景差分法对光线等外在因素的变化过于敏感,帧差法检测目标的完整性较差,光流场法的计算比较复杂且容易被外界噪声干扰。因此,学者们提出了许多改进算法,如背景移动补偿算法[2]、帧间差法与背景差分相结合的算法[3]等。 
  2 互相关信息(Mutual information) 
  互相关信息是一种具有测量图像间的统计相关性作用的信息理论概念。它代表图像间的重合区域,重合区域越多,互相关信息越大。当两幅图像在几何上完全重合时的互相关信息是最大的,称为最大互信息。 
  假设有两个随机变量A和B,灰度值范围为0―255,和分别是它们各自的概率密度函数,表示它们之间的相关密度函数。那么随机变量A和B的互相关信息表示如下: 
  由于联合熵的值取决于边缘熵与变换函数,因此需要找出最优变换函数对图像进行配准,以让联合熵最小,则此时的互相关信息为最大互信息。因为互相关信息是关于图像全部像素的,所以带来的计算量较大。小波变换为一种拥有多分辨率的时间――尺度分析方法,本文结合小波分解的方法,对配准图像进行小波变换,主要包括平移和旋转,因此,通过对小波变换函数中平移和旋转参数的最优化以获得最大互信息。 
  3 改进蜂群算法(Improved bee colony algorithm) 
  所谓人工蜂群算法就是对蜜蜂行为加以模拟而提出的一种优化算法。蜂群中出现群体智慧的最小搜索模型主要包括四个基本的组成要素:食物源、引领蜂、侦查蜂与跟随蜂。 
  在蜂群算法中,优化问题的一个可能解就是一个食物源的位置,解的质量(适应度)就是食物源的花蜜数目。详细过程如下:起先,生成具有个解(食物源)的初始种,其中的各个解――是一个维数为D(待优化参数的数目)的向量;其次,所有的食物源都要被蜜蜂进行反复(次数为MCN)搜寻:对应的食物源(解)先被引领蜂在邻域作一次搜寻,通过对比搜寻前后两个食物源的花蜜数目后,选取适应度相对高即花蜜数目大的食物源(解)来采蜜;结束搜寻以后,所有的引领蜂将食物源上花蜜数目的信息传递给跟随蜂,跟随蜂通过获得的信息按照一定的概率选取食物源,即花蜜越多的食物源被选择的可能性越大。而后,跟随蜂为了选取更好的解也作一次与引领蜂相同的邻域搜寻。 
  其中,,,以上和都是随机选择的,并且。在-1和1之间。 
  在蜂群算法中,通过次循环之后得不到改善的解要被丢弃,这里的“”便是算法中的一个关键的控制参数。假设是被丢弃的解,侦查蜂可以随机生成一个新解对进行代替。 
  以上表述可以看出,蜂群算法中的三个控制参数――食物源的数目、引领蜂的数目、跟随蜂的数目(SN)是相等的。以上整个算法的核心包括三个部分:(1)引领蜂:邻域搜索;(2)跟随蜂:将搜寻范围缩小后对邻域作搜寻;(3)侦查蜂:随机搜索。   因为蜜蜂随机选择邻域个体,并且未考虑食物源之间的内部联系,致使收敛速度较为缓慢。为了提高收敛性能,提出改进蜂群算法,将式(4)变化为 
  式中,―遗忘因子,代表搜寻其它食物源时对当前食物源的记忆强度,并且为了使蜜蜂充分的利用邻域个体的搜索信息从而更好地寻找到全局的最优点,在下一食物源的搜索过程中遗忘因子会动态调整;―邻域因子,确定信息共享的强度是根据邻域个体食物源的优劣来进行的,在搜索后期为了使蜜蜂具有较强的全局寻优能力,邻域因子进行动态变化。为常量,以1为分界线,当食物源质量比蜜蜂当前食物源质量劣时取<1,当邻域个体食物源质量优于蜜蜂当前食物源质量时取>1,从而让蜜蜂可以向高质量的食物源移动。 
  邻域因子、遗忘因子中的参数、随搜索进程动态变化如下: 
  式中,iter代表搜索步数;、、与都是常量,取值在[0.1,1.5],且、。为了使蜜蜂迅速向最优食物源区域移动,遗忘因子中的参数随搜索进程从逐渐下降至,取值范围在[0.8,1];随着搜索的进行,邻域因子中的参数从逐渐上升到,代表逐渐增大邻域个体与当前蜜蜂的信息共享强度,β取值范围在[1,1.2]。 
  4 三帧差分法(Three frame difference method) 
  三帧差分法把相邻三帧图像当作一组进行差分,可以将实际运动目标的轮廓完整的检测出来,具体算法如下: 
  (1)读取图像序列中的三帧图像、、,依次计算出相连两帧图像的绝对差值灰度图、,设置阈值T对差值图像进行二值化,提取运动目标区域如下: 
  (2)通过逻辑“与”运算提取和的交集,获取运动目标: 
  5 计算分析(Calculation and analysis) 
  5.1 基于改进蜂群算法的视频目标检测算法流程 
  (1)首先通过小波变换将图像映射到小波域。 
  (2)利用式(1)作为衡量标准进行基于互相关信息的图像配准计算。 
  (3)采用改进的蜂群算法优化两幅图像间的互信息值,此算法通过迭代后将获得最优的小波变换平移参数与旋转参数。 
  (4)最终依靠三帧差分法实现对图像中运动目标的增测,使用矩形框将目标进行标记,完成目标检测。 
  5.2 结果与分析 
  图1和图2分别为基于蜂群算法和改进蜂群算法的视频目标检测结果。从中可看出,基于蜂群算法检测到的目标范围过大,而基于改进蜂群算法检测出的目标范围更加精确,也更能够反映出真实情况。 
  6 结论(Conclusion) 
  本文在基于互相关信息进行目标检测的基础上,利用改进的蜂群算法对两幅图像间的互相关信息进行优化,得到最大互信息值,进而获得最佳空间匹配参数并完成对图像的空间配准,最后通过三帧差分法检测出目标。通过与传统蜂群算法的结果对比,证明了改进算法的有效性和可靠性。 
  参考文献(References) 
  [1] 万缨,韩毅,卢汉清.运动目标检测算法的探讨[J].计算机仿真,2006,23(10):221-226. 
  [2] 於时才,吴键.运动背景下的运动目标检测方法[J].计算机仿真,2011,28(2):292-294. 
  [3] 朱明旱,罗大庸,曹倩霞.帧间差分与背景差分相融合的运动目标检测算法[J].计算机测量与控制,2005,13(3):215-217. 
  [4] Teodorovi'c,Dell Orco.Bee colony optimization-a cooperative learning approach to complex transportation problems[M].In Proceedings of the 10th Ewgt Meeting,Poznan,13-16 September 2005. 
  作者简介: 
  仲 跃(1960-),男,硕士,高级工程师.研究领域:水利信息系统应用开发. 
  杨 劲(1986-),男,硕士,工程师.研究领域:计算机图形学和图像处理. 
  顾 京(1985-),男,硕士,工程师.研究领域:信息系统建模与仿真. 
  张 俊(1972-),男,学士,高级工程师.研究领域:水利信息化. 
  汪 超(1989-),男,硕士,实验师.研究领域:优化设计方法.

特别说明:本站仅协助已授权的杂志社进行在线杂志订阅,非《南京邮电大学学报自然科学版》杂志官网,直投的朋友请联系杂志社。

版权所有 © 2009-2021《南京邮电大学学报自然科学版》编辑部  (权威发表网)   苏ICP备12048821号-1   --