摘要介紹智能監(jiān)控系統(tǒng)中的圖像識別技術;利用蟻群算法進行圖像

1、摘  要:介紹智能監(jiān)控系統(tǒng)中的圖像識別技術;利用蟻群算法進行圖像分割，提取可疑區(qū)域，再運用人工智能中的基于缺省規(guī)則推理對可疑區(qū)域進行分別處理。運用這項技術對非法入侵對象進行識別，經(jīng)實驗驗證實用可靠，滿足實時性要求，能將報警信號和可疑區(qū)域圖像通過網(wǎng)絡傳送到報警中心。關鍵詞: 蟻群算法；圖像分割；圖像識別;人工智能；視頻監(jiān)控1 前言   現(xiàn)在，圖像處理技術在科學技術領域中的地位愈來愈重要；計算機通信技術和網(wǎng)絡技術的快速發(fā)展，使得應用圖像處理技術的智能監(jiān)控系統(tǒng)得到了飛速的發(fā)展。   該監(jiān)控系統(tǒng)利用蟻群 算法進行圖像分割，提取可疑區(qū)域，再運用人工智能中

2、的基于缺省規(guī)則推理對可疑區(qū)域進行分別處理。運用這項技術對非法入侵對象進行識別，經(jīng)實驗驗證實用可靠，滿足實時性要求。2 圖像分割圖像分割是自動目標識別的關鍵和首要步聚，其目的是將目標和背景分離，為計算機視覺的后續(xù)處理提供依據(jù)。通常圖像分割包括閾值法；邊緣檢測法；區(qū)域跟蹤法。本文用蟻群算法實現(xiàn)圖像分割，有利于后面的目標識別。2.1蟻群算法蟻群算法(ant colony algorithm , ACA) 是一種新型的模擬進化算法. 它是在對自然界中真實蟻群的集體行為的研究基礎上,由意大利學者M.Dorigo等人首先提出的。像螞蟻這類群居昆蟲雖然沒有視覺,卻能找到由蟻巢到食物源的最短路徑. 仿生學家經(jīng)

3、過大量細致觀察研究發(fā)現(xiàn),螞蟻個體之間通過一種稱之為外激素(pheromone) 的物質(zhì)進行信息傳遞,螞蟻在運動過程中,能夠在它所經(jīng)過的路徑上留下該物質(zhì),而且螞蟻在運動過程中能夠感知這種物質(zhì)的存在及其強度,并以此指導自己的運動方向,螞蟻傾向于朝著該物質(zhì)強度高的方向移動. 因此,由大量螞蟻組成的蟻群的集體行為便表現(xiàn)出一種信息正反饋現(xiàn)象:某一路徑上走過的螞蟻越多,則后來者選擇該路徑的概率就越大. 螞蟻個體之間就是通過這種信息的交流達到搜索食物的目的.蟻群算法模擬真實蟻群的協(xié)作過程,算法由許多螞蟻共同完成. 每只螞蟻在候選解的空間中獨立地搜索解,并在所尋得的解上留下一定的信息量.解的性能越好螞蟻留在其

4、上的信息量越大,信息量越大的解被選擇的可能性也越大. 在算法的最初階段所有解上的信息量是相同的,隨著算法的推進較優(yōu)解上的信息量增加,算法漸漸收斂. 蟻群算法已成功解決了一系列問題,如TSP 問題、分配問題、Job_shop 問題,所取得的結果無論是在解的質(zhì)量上,還是在收斂速度上都要優(yōu)于或至少等效于演化算法(EA) 、模擬退火算法( SA) 以及其他一些啟發(fā)式方法. 這些初步研究已顯示出蟻群算法在求解復雜組合優(yōu)化問題方面具有并行化、正反饋、魯棒性強等先天優(yōu)越性.該算法用于圖像分割的數(shù)學描述如下。2.2 圖像分割特征提取      一幅圖像中包括目

5、標、背景、邊界和噪聲等內(nèi)容，特征提取的目的是要找出體現(xiàn)這些內(nèi)容之間區(qū)別的特征量，對于后繼的分類過程至關重要。區(qū)別目標和背景的一個重要的特征是像素灰度，因此選用像素的灰度值作為聚類的一個特征。另外，邊界點或噪聲點往往是灰度發(fā)生突變的地方，而該點處的梯度體現(xiàn)出這種變化，是反映邊界點與背景或目標區(qū)域內(nèi)點區(qū)別的重要特征。最后，對于梯度值較高的邊界點和噪聲點，可以利用像素的 3×3 鄰域進行區(qū)分。在一幅圖像中，與區(qū)域內(nèi)點灰度值相近的3×3 鄰域的像素個數(shù)一般為 8，與邊界點灰度值相近的3×3鄰域像素個數(shù)一般大于或等于6，而對于噪聲點，該數(shù)值一般小于 4。鄰域特征的提取方法為

6、：將當前像素和鄰域像素的灰度差與灰度差閾值T作比較，小于該閾值的鄰域像素個數(shù)即所要提取的鄰域特征。T 的設置根據(jù)圖像的特點而變化，對于細節(jié)較多的圖像取值較大，平滑圖像取值較小，一般取值范圍為5090。    上述三個特征反映了目標、背景、邊界和噪聲的特點，這樣每只螞蟻成為一個以灰度（gray value）、梯度（gratitude）和鄰域（neighbor）為特征的三維向量。2.3 蟻群算法數(shù)學描述    給定原始圖像X ，將每個像素X（j=1,2N）看作一只螞蟻，則根據(jù)上述進行特征提取，每只螞蟻是以灰度、梯度和鄰域為特征的三維向量，

7、圖像分割就是這些具有不同特征的螞蟻搜索食物源的過程。任意像素Xi 到 Xj 的距離為     ，采用歐氏距離計算：                              (1)    其中 m為螞蟻的維數(shù)，這里 m為3，p 為加權因子，

8、根據(jù)像素各分量對聚類的影響程度設定。    設 r為聚類半徑，  為信息量，則：                                      (2)  &#

9、160; Xi選擇到 Xj 路徑的概率為  ：                            (3)    其中， 是啟發(fā)式引導函數(shù)，、 分別為像素聚類過程中所積累的信息以及啟發(fā)式引導函數(shù)對路徑選擇的影響因子。S= Xs|     

10、     ,s=1,2N為可行路徑集合。    隨著螞蟻的移動，各路徑上信息量發(fā)生變化，經(jīng)過一次循環(huán)，各路徑上信息量根據(jù)下式進行調(diào)整：                                 

11、         (4)    其中，  為信息量隨時間的衰減程度，  為本次循環(huán)中路徑信息量的增量。                              

12、0;               (5) 表示第k只螞蟻在本次循環(huán)中留在路徑中的信息量。3 監(jiān)控目標的智能識別在識別中,如果只用當前的圖像與參考圖像(無非法入侵對象時的背景圖像)進行比較,很難得到理想的效果。因為當前圖像與參考圖像比較之后只能得到物體的輪廓，輪廓在圖像處理中只能描述物體的外形，而單憑外形是很難對監(jiān)控目標作出正確判斷的，所以要采用序列圖像和一些經(jīng)驗性的缺省規(guī)則來加以判斷。系統(tǒng)程序流程圖如圖1所示.該程序流程圖采用2個規(guī)則粗略地判斷監(jiān)

13、控目標的屬性。（1）當前圖像與參考圖像的最大灰度差值小于閾值T1，則無目標。因為當前圖像有可能僅僅是由于環(huán)境的影響在參考圖像的基礎上而發(fā)生了微小變化，比如，當天氣的微小變化，參考圖像與當前圖像背景灰度就有變化，這時就需要把最大灰度差值過小的監(jiān)控目標視為干擾源。（2）當前圖像與參考圖像的最大灰度差值大于等于T1，則可能為非法入侵對象。31基于規(guī)則的非法入侵對象識別（1）根據(jù)窗口面積大小決定是否是可疑入侵對象。規(guī)則1：窗口面積大于面積閾值T1，則是可疑入侵對象面積是指窗口中1的個數(shù)。因為動態(tài)參考圖像、動態(tài)閾值都不能保證當前圖像和參考圖像的變化不大。（2）發(fā)現(xiàn)可疑亮區(qū)A后，再采集圖像，利用規(guī)則1，判

14、斷可疑亮區(qū)B。規(guī)則2：窗口重疊率大于80%，則不是可疑入侵對象。重疊率是指窗口B中1值點與窗口A中1值點重疊部分占A中1值點的比率.32 自動跟蹤     當監(jiān)控現(xiàn)場出現(xiàn)運動的人或者物體時，系統(tǒng)可以自動識別和響應，報警并記錄報警時間及錄制現(xiàn)場監(jiān)控的信息，當運動物體超出監(jiān)控范圍時，啟動攝像機云臺的動作，當監(jiān)控現(xiàn)場一定時間段里沒有運動目標出現(xiàn)時，云臺可以對攝像機的所有可見范圍進行掃描，當捕捉到運動目標時，實施對目標的跟蹤。 由于對運動物體的運動特征的檢測和目標的跟蹤是一個比較復雜的課題，在攝像機和運動物體同時運動時的圖像跟蹤涉及到攝像機的定標和圖像

15、的定位，在實際的應用中難以實現(xiàn)，本方案根據(jù)現(xiàn)場場景變化，在檢測物體運動時，攝像機相對靜止，采集到的圖像變化在充分考慮到干擾后，基本可以視為由于物體運動引起的條件，在云臺動作時，不進行圖像的處理，這里要求云臺具有快速的響應，避免跟蹤物體的丟失，采用的圖像跟蹤算法必須快速有效地控制云臺動作，使運動目標不會由于云臺的誤動作而丟失。筆者研制的系統(tǒng)采用模糊控制算法，通過運動目標的位置及其速度，得到云臺的運動方向和位移大小，經(jīng)過實踐證明，可以準確地完成跟蹤任務。4 實驗結果   看下面一組圖，第一次與第二次采集的圖像只是有一點挪動，兩次采集的圖像重疊率小于80%，系統(tǒng)就會報警，實驗圖例如下圖所示。