检测系统论文：红外图像的车底藏人检测系统设计范文

本站小编为你精心准备了检测系统论文：红外图像的车底藏人检测系统设计参考范文，愿这些范文能点燃您思维的火花，激发您的写作灵感。欢迎深入阅读并收藏。

作者：许金金王敏吴伟交   单位：华中科技大学控制科学与工程系

系统概述

待检测车辆需要经过检测通道，如图1所示。将红外摄像头放置于通道中间，获得车底部热感应图像。为了获取较广的视角以及较小形变的图像，红外摄像头安放的仰角为40°。由于监控室与检测通道的距离较远，且通道数较多，因此需要通过光端机将所获取的视频传输给监控室控制台PC机。检测软件根据本文提出的检测算法对捕获到的图像进行分析，若判断车辆底部藏人则向系统发出报警信号，以便其通过控制安全杆做出相应拦截措施。视频传输示意图，如图2所示。

软件设计

软件设计采取的基本实现策略是先定位后检测。首先进行运动车辆检测，其次根据车辆的自身特征，定位可疑目标在车辆底部可能的藏匿部位。当区域定位完成后，对该区域进行感兴趣区域（RegionOfInterest，ROI）的选取。最后对ROI进行检测，判断是否藏人。检测系统流程图如图3所示。通过对车辆的扫描检测过程，查出藏匿于车底的可疑目标，实现自动检测。

1图像去噪

图像去噪是图像预处理的一个环节，也是整个图像预处理中的关键一步。在对运动车辆定位的过程中，针对车辆与环境对比度大、信息丰富，受噪声影响较小等特点，只需对图像采用常规的均值滤波进行处理。而在检测目标时，为了在去除噪声的同时，最大程度的保存目标的边缘信息，采用了基于开关控制的组合滤波。滤波器的基本思路是将图像划分为三类区域：孤立噪声点区、平坦区和边缘信息区。其主要处理原则为：孤立噪声点区的灰度与其邻域往往有较大的差异，可按照椒盐噪声进行处理，选用中值滤波器；平坦区往往包含高斯噪声，可采用加权均值滤波器加以消除；边缘信息区包含了图像的细节信息，应作为保留区域不做处理。将处理后的三个区域加以合成，即得到了去噪后的图像。

滤波器性能的关键在于分类开关的设计，借用顺序统计滤波的思路，将滤波器设计成N×N的掩模算子，N为奇数，使该掩模在整个图像上滑动，对它所覆盖的图像中的像素点xi进行排序，得到序列x（1），x（2）……x（N^2），利用排序结果设计下面的分类规则：a、b为排序后的位置偏移量，Ta和Tb为阈值。基于开关控制的组合滤波算法就包括这么几个步骤：（1）对掩模覆盖的图像像素点进行排序；（2）利用分类规则进行三个区域划分；（3）对孤立噪声点区进行中值滤波，对平坦区进行均值滤波；（4）将处理后的区域合成，得到去噪图像。

2车辆检测及目标区域的定位

2.1运动车辆检测

对于实时性要求较高的场合，运动目标的检测一般用背景差分法和帧间差分法。背景差分法是利用序列中当前帧图像与背景图像的差分来消除背景、提取运动目标区域的一种技术。背景差分法可根据实际情况设定差分阈值，所得到的结果直接反映了运动目标的大小、形状和位置，可以得到比较精确的运动目标信息，但该方法应用于红外目标检测时易受环境温度、天气等外界条件变化的影响。帧间差分法是利用视频序列中连续的两帧或多帧图像的差异来检测和提取运动目标。该方法对场景的变化不太敏感，适用于动态环境，稳定性好。不足之处是：1）无法抽取完整的运动目标，仅能得到运动目标的边界；2）运动目标提取效果依赖于帧间时间间隔的合理选择。本文针对待检测目标所处背景在短时间内为静态背景，而较长时间内背景会发生动态变化的特点，并结合两种方法的优点，设计出改进的背景差分法。算法原理图如下：其中F(K)为当前帧，B为通过隔帧帧差法求得的当前背景图像，D为差分结果图，R为二值化图像。

该算法继承了帧间差分法对场景变化不太敏感的优点，能准确更新背景差分法所需要的当前背景图，进而提取出完整的运动目标。下面是采用基本背景差分法和改进后背景差分法，在不同时候背景更新保存的背景图片。基本背景差分法在系统长时间运行之后，会出现背景更新出错，检测流程紊乱，从而产生检测系统失效现象。而采用改进的背景差分法，即使是经过长时间运行，系统也能确保背景更新的准确。

2.2目标区域定位

由于运动车辆特性已知，在其运动的过程中，可以通过对目标局部图像进行特征提取，定位可疑区域。目标的一般特征包括点、边缘、区域和轮廓。点特征对图像的分辨率、旋转、平移、光照变化等有很好的适应性，常用的点特征描述算子如SIFT、SURF等都具有很高的精度，但这些算法复杂度高，难以满足实时检测的要求，并且红外图像特征点往往较少，采用点描述算子并不能达到令人满意的效果。因此本文根据实际目标的特性，采用了对线、面特征进行描述的方法来标注运动车辆。运动的车辆受车底传动抽、燃烧室以及空间限制，目标一般躲藏于车厢后轮位置。

为了准确定位目标区域，目标区域进入视场之前的运动车辆局部特征需要重点描述。车厢底部进入摄像头视场时如图6(a)所示。为了提取车辆的直线特征，需要对车底图像进行边缘提取。常见的边缘检测算子有：Laplace、Sobel以及Canny等。由于Laplace算子常常会产生双边界，而Sobel算子又往往会形成不闭合区域，对后面直线检测都会产生不利的影响。

Canny算子克服了上述算子的缺陷，能够尽可能多的标识出图像中的实际边缘，并且能够将较小的间断点进行连接，因此能够形成较为完整的边界线。Canny算子是最优的阶梯型边缘检测算法，本文采用选用Canny算子进行图像的边缘检测。边缘检测结果如图6(b)所示，较为明显且具有特征不变性的为直线边缘。当可能藏人的区域进入摄像头视场时，车底图像的直线特征随之消失（如图6(c)），因此可以利用图像的直线特征来定位后轮检测区域。Hough变换检测直线是较为理想的直线检测方法，由PaulHough于1962年提出。经过Hough变换后，根据已知的目标直线位置、角度、长度，选取符合条件的直线。图6(b)、(c)中白色粗线为所检测出的目标直线。

受环境因素的影响，车底直线特征可能并不明显，因此单一的直线特征提取难以满足检测精度要求，如图7所示情况。实验发现车底面特征不易受到周围环境、温度的影响，因此可以进行面特征提取。选定区域为图6(b)中虚线框内，满足要求的特征为梯度小于一定阈值，即具有平滑特征，判断方法是计数虚线框内边缘点数，判断其是否小于给定阈值。采用Sobel内核计算图像差分其中src为输入图像，dst为输出图像，xorder为x方向的差分阶数，yorder为y方向的差分阶数。

由于当车底藏人时，其进入摄像头视场会阻断车底原有的平滑特征如图6(d)，因此当平滑特征消失时，这时判断是否符合定位位置特征，若符合即可进行定位检测；若车底没有藏人时，车底平滑特征会持续到车尾部位才结束，这时只需判断到达车尾就可以结束检测流程。

实验表明，基于这种车箱底部中间区域光滑特征去定位检测对环境适应能力强，而基于两侧直线特征定位的方法又能够比较准确的定位到目标区域。综合上述两种思路，设计出的定位流程如下图8所示：应用中是否满足直线以及平滑特征是通过检测连续多帧图像来实现的，这样可以尽量减少偶然因素导致的定位失败。

3藏人的检测

3.1基于高亮度特征的ROI的选取

如图9为定位之后的待检测目标图。为了排除车底本身热源的干扰（如车轮）缩小检测范围，必须对原图进行ROI的选取。行进过程中的车轮一般在红外图像中会呈现高亮度特征。基于此特征，从图片左右两侧分别搜索列像素平均灰度值最高的部分（最可能为车轮内钢圈），加上一定偏移量即可求出ROI左边界位置（PositionofLeft，PL）。ROI下边界线也采用同样的方法，上边界采用默认值。当车轮不明显时采用默认感兴趣区域即可下面图9为采用固定ROI选取和基于高亮度特征的ROI提取结果对比。实验表明，这种基于具体特征的感兴趣区域提取方法，对于车轮出现的偏差具有良好的适应性，即使车辆行驶时发生较大的偏移也能做出正确的ROI选取。

3.2目标的检测

对于已知形状、外貌以及姿态等特征目标检测采用特征匹配、直方图反向投影等方法都能取得较为理想的效果。但对于躲藏姿势未知并且本身形状较为模糊的红外目标，采用匹配的方式效果并不明显。

红外目标与目标区域的周围存在一定的灰度差异，改变了原有区域梯度小、较为平滑的特征。针对这种改变采用评价函数f(x,y)对目标区域进行评估，若达到一定的阈值，即可预判车底藏人。评价函数依据不同区域可疑信息权重不一样而选定(ROI内中间部位权重较高、四周权重较低)，表示如下其中T为警戒阈值，Warnflag为预警标志。具体检测步骤如下：

1)对原图的感兴趣区域进行组合滤波处理；

2)对感兴趣区域进行边缘梯度检测(图10)；

3)采用评价函数对目标区域进行评分并判断是否超过给定阈值；

4)重复步骤1-3，若连续三帧超出阈值则发出报警指令，否则表示无人。对应的报警截图如图11所示

实验结果

为了验证系统工作的稳定性以及算法的可靠性，在不同的货检口岸、时间段、天气条件进行了多次实验。测试结果如下。结果表明，在不同月份检测误报率十分低，漏报率也能满足相应指标。设计出的车底藏人自动检测系统有很高的实用价值，达到了预期的目标，说明了这套检测系统的可靠性和准确性。软件界面如图12所示。

结束语

红外成像技术以其独特的优势，被越来越广泛应用于军事、安防监控等多领域。与常规的红外运动目标的检测与跟踪不同，本文通过合理改进以及组合传统经典算法如组合滤波、改进背景差分以及根据线面特征定位等，针对车底藏人这一特定环境设计出了一种智能车底藏人检测系统。这种隐蔽性更强的红外目标检测将会是红外检测技术又一个应用研究的方向。随着嵌入式处理速度和存储性能的发展，类似的检测系统检测性能以及实用性将会更进一步提高，必然也会得以推广和应用。