本发明涉及一种内河航道水面船舶图像检测识别方法，属于图像处理技术领域。
背景技术：
随着内河运输的日益繁忙，船舶通过间隔短、过船量大、船舶识别困难。传统的图像识别手段或算法对水面波动、大范围船舶航迹影响的识别效率不高，消耗大量计算资源的同时无法保证足够高的识别准确度。在传统的运动物体背景识别技术中，各像素都是特定光照特定表面的结果，考虑到采样噪声，大多采用单高斯建模；为了适应光照的变化，也会对每像素进行自适应单高斯建模。不过，在实际中，有些像素的表面和光照都会发生改变，为了有效识别内河航道中的船舶，提出了一种内河航道水面船舶图像检测识别方法。
本发明能够利用现代化船闸已有的视频监控网络，船闸运行控制机柜等设施，获取船闸运行的各种动态图像，并通过建立高斯混合模型，进行图像识别，为图像动态边缘检测处理打下基础，从而实现代替人员查看和复核，能够辅助值守人员单人完成船舶的全程监控。
技术实现要素：
目的：为了克服现有技术中存在的不足，本发明提供一种内河航道水面船舶图像检测识别方法。
技术方案：为解决上述技术问题，本发明采用的技术方案为：
一种内河航道水面船舶图像检测识别方法，包括如下步骤：
步骤一：建立图像关于当前时刻的值为xt的混合高斯背景模型；
步骤二：新像素值xt+1与k个分布进行检查，并将混合高斯背景模型的参数进行更新；
步骤三：确定最佳描述背景；
步骤四：新像素值xt+1最佳描述背景进行匹配，从而区分前景或背景。
所述混合高斯背景模型为：
式中k为混合高斯分布的个数，ωj,t为像素在t时刻第jth个高斯分布的权值估计，即该高斯分量占的权重，η(xt,μj,t,σj,t)为高斯概率密度函数，其中，μj,t为像素在t时刻第jth个高斯分布均值，σj,t为像素在t时刻第jth个高斯分布协方差矩阵，xt为像素在t时刻的值。
所述高斯概率密度函数为：
所述步骤二包括如下步骤：
2.1：将新像素值xt+1与混合高斯背景模型k个分布进行检查，并进行匹配,如像素值小于高斯分布分布的标准差的2.5倍，则匹配，否则失配；
2.2：若k个分布与当前像素值失配，则μj,t、∑j,t保持不变；
2.3：若k个分布与当前像素值匹配，则按下式更新:
μj,t＝(1-ρ)μj,t-1+ρxt
σj,t＝(1-ρ)σj,t-1+ρ(xt-μj,t)t(xt-μj,t)
ρ＝αη(xt|μj,t-1,σj,t-1)
其中：α为学习率；
2.4：t+1时刻k个分布的权值，可按下式更新:
ωk,t+1＝(1-α)ωk,t+a·mk,t
式中α为学习率，若当前像素值与该模型匹配，则mk,t＝1，否则为mk,t＝0，调整后，重新对权值进行归一化。
所述步骤三包括如下步骤：
3.1：混合高斯背景模型更新后，按ωj/σj从大到小将每个像素高斯混合模型的k个高斯分布排序；
3.2：选上述序列中前b个高斯分布当作背景模型，按如下方式选出：
式中t为预定的阈值(0.5≤t≤1)。
所述步骤四包括如下步骤：
4.1：从新检验t+1时刻，每一个像素值xt+1与前b个高斯分布之一相匹配；
4.2：当满足|xt+1-μj,t|≤δ·σj,t，则该像素为背景点；
4.3：当不满足|xt+1-μj,t|≤δ·σj,t，则该像素为前景；所述δ可取2.5或3。
作为优选方案，所述k设置为3-5。
有益效果：本发明提供的内河航道水面船舶图像检测识别方法，通过建立高斯混合模型，设计出水面运动物体图像的识别技术，代替了人员查看和复核，能够辅助值守人员单人完成船舶的全程监控，并为获取船舶运行的相关数据打下良好的基础。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
如图1所示，内河航道水面船舶图像检测识别方法为：对于一个图像，将像素q(灰度图时为标量，彩色图时为矢量)在时间上的序列看作一个“像素过程”，在任何时刻t，对于像素q，{x,y}所了解的信息，是它的历史信息：
{x1,…,xt}＝{i(x,y,i)|1≤i≤t}
其中：i表示图像序列，x表示水平方向像素值，y表示垂直方向像素值，xt为像素在t时刻的值。
则该图像关于当前时刻的值为xt的混合高斯背景模型为:
式中k为混合高斯分布的个数，ωj,t为像素在t时刻第jth个高斯分布的权值估计，即该高斯分量占的权重，η(xt,μj,t,∑j,t)为高斯概率密度函数，其中，μj,t为像素在t时刻第jth个高斯分布均值，∑j,t为像素在t时刻第jth个高斯分布协方差矩阵。
高斯概率密度函数具体公式如下：
n为xt的维数，且
k为混合高斯的分布个数，取决于可用内存和计算能力。目前一般取3-5。另外，考虑到计算量，假定方差矩阵有着如下形式
即认为r，g，b分量值相互独立且方差相等。这个假设以精度下降为代价，避免了耗费大量的资源去计算矩阵的逆，自此便建立了gmm模型。
一个新像素值xt+1，一般来说可由模型中的一个主分量来表示，且该新值也被用来更新模型。
若像素过程可被认为是平稳过程，则可用来最大化观察数据概率的标准方法为最大期望法(expectationmaximization)。不幸的是，像素值随环境的变化而变化。故本发明利用近似法，该法的本质上是将每个新观察值当作一个尺寸为1的样本集，然后使用标准的学习规则来将新数据进行整合。
由于每个像素都有个gmm模型，所以对若干帧的最近数据实现精确的em算法非常耗时，故本发明使用在线k均值近似法(onlinekmeansapproximation)进行代替。将新值xt+1与k个分布进行检查，直至匹配成功。匹配定义为像素值小于高斯分布分布的标准差的2.5倍。该每个像素，每个分布都有一个门限的形式，对于图像上不同区域有着不同光照的情形极为有用。原因是位于暗处的物体的噪声通常要比亮处物体的要小。单一门限通常会导致当物体进入暗处时无法被检测到。
若k个分布与当前像素值失配，则μj,t、∑j,t保持不变。
若k个分布与当前像素值匹配，则按下式更新:
μj,t＝(1-ρ)μj,t-1+ρxt
σj,t＝(1-ρ)σj,t-1+ρ(xt-μj,t)t(xt-μj,t)
ρ＝αη(xt|μj,t-1,σj,t-1)
t+1时刻k个分布的权值，可按下式更新:
ωk,t+1＝(1-α)ωk,t+a·mk,t
式中α为学习率，若当前像素值与该模型匹配，则mk,t＝1，否则为mk,t＝0。调整后，重新对权值进行归一化。1/α定义了时间常量，该常量决定了分布参数的更新快慢。mk,t为后验概率均值(给定时刻1-t的观测值，该像素值与模型k匹配的后验概率)低通滤波的快速实现。等同于给过去像素值加指数窗的期望。
模型更新后，确定哪些高斯分布为最佳描述背景：将gmm模型，按ωj/σj从大到小将每个像素高斯混合模型的k个高斯分布排序，选上述序列中前b个高斯分布当作背景模型，按如下方式选出:
式中t为预定的阈值(0.5≤t≤1)。若t很小，则背景模型通常为单分布。若t较大，则可得到多分布。
现在，从新检验t+1时刻每一个像素值xt+1与前b个高斯分布的匹配关系，如果该像素值xt+1与前b个高斯分布之一匹配，当满足|xt+1-μj,t|≤δ·σj,t，则该像素为背景点；当不满足|xt+1-μj,t|≤δ·σj,t，则该像素为前景。δ可取2.5或3。
通过建立高斯混合模型，设计出水面运动物体图像的识别技术，代替了人员查看和复核，能够辅助值守人员单人完成船舶的全程监控，并为获取船舶运行的相关数据打下良好的基础。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。