1、基于机器视觉的智能安全头盔的研究与基于机器视觉的智能安全头盔的研究与实现实现 李向民 刘帅康 高程赟 摘 要：该文基于机器视觉的智能安全头盔，使用 OpenCV 计算机视觉库，采用混合高斯模型的方法，即在初始化每个像素点时采用邻域特性与中值滤波相结合的方法，用来获取更接近实际的初始背景。对采集到的图像数据进行图像识别，实现对图像的实时处理。关键词：智能安全头盔;机器视觉;高斯模型 中图分类号：TP23 文献标志码：A 0 前言 近年来，基于视频的交通流量检测系统已成为智能交通系统的重要工具，因此移动目标检测已成为当今最重要的问题。在该文中，基于机器视觉的智能安全头盔中使用的相机处于对车辆静止的
2、状态。摄像机检测车辆后方的移动目标，因此属于静态视频检测。由研究发现，视频图像的每个像素的颜色分布是随机且独立的。根据一般统计理论，高斯分布函数可以表示时间轴上每个像素的颜色分布。由于测试图像序列中的多峰背景扰动问题，该文决定通过建立混合高斯模型来检测运动目标。1 硬件系统结构 该文所设计的基于机器视觉的智能安全头盔由控制器、供电模块、陀螺仪模块、超声波测距模块、喇叭、摄像头、舵机控制器、无线传输模块和耳麦等模块组成。2 混合高斯模型 2.1 高斯滤波 高斯滤波主要用于平滑信号，是一种基于信号的滤波器。通常，图像中的噪声处于低能量部分，图像数据中的能量被变换，低能量部分被去除，因此图像中的噪声
3、也被删除。2.2 混合高斯滤波 混合高斯模型是对高斯模型进行简单扩展，通过求解 2 个高斯模型，并通过一定的权重将 2 个高斯模型融合成一个模型，即最终的混合高斯模型。该混合高斯模型能够产生这样的样本。假设该混合高斯模型是由 k 个高斯模型组成（即数据包括 k 个类），则该混合高斯滤波的概率密度函数如下：是第 k 个高斯模型的概率密度函数，x 代表高斯混合模型参数，N 代表高斯混合概率，uk 表前 k 个类模型的均值，可以看成选定第 k 个模型后，该模型产生的概率;p（k）=k 是第 k 个高斯模型的权重，称作选择第 k 个模型的先验概率，且满足下面公式。3 研究及实现 3.1 对图像背景建立
4、高斯模型 从当前视频帧中提取该帧的前景，其主要的目的是使背景更加接近于当前视频帧中的背景。也就是说，使用当前帧和视频序列中的当前背景帧的加权平均来更新背景。混合高斯模型使用 k（k 一般取值为 35）个高斯模型来表征研究的图像中各个像素点的特征，在新的一帧图像得到之后更新为混合高斯模型，用当前图像中的每一个像素点依次与混合高斯模型进行匹配，如果成功，那这一点被确定为背景点，否则它就是前景点。由于该文的研究是对运动目标的背景提取从而进行建立模型，因此有必要实时更新高斯模型中的方差和平均参数。为了提高该模型的学习能力，改进的方法使用不同的学习率来更新均值和方差。为了提高繁忙场景中大型缓慢移动目标的
5、检测效果，引入加权平均的概念来建立背景图像并且实时更新。3.2 项目的实现 3.2.1 实现思路 实时运动检测和跟踪技术是一种多学科技术，集成了嵌入式系统、图像处理、计算机视觉和网络传输。该文中的运动检测是检测实时采集的图像信息，提取有效信息，采用混合高斯模型，识别目标参数特征，将噪声进行过滤并锁定目标，跟踪目标的运动轨迹以及使用 PID 算法进行目标的位置修正等一系列的操作。该文是基于灵活并且计算功能多样的 Raspberry Pi，在 OpenCv 框架下移植适当的算法。3.2.2 核心算法 3.2.2.1 混合高斯模型算法 3.3 路况信息监测结果 图 1 为采用混合高斯模型的实验效果图
6、，可以看出图 1 中车辆道路的监控显示结果很好。4 结语 该文对机器视觉系统在智能安全头盔的研究与实现的应用进行了分析，采用混合高斯模型的方法，实现对图像的实时处理。该系统具备良好的自适应能力，能实现道路预警、行车记录、自动求助、智能语音识别等功能。说明机器视觉在智能出行上得到了有效应用。参考文献 1Gary Bradski，Adr ian Kaebler.Learning OpenCVM.北京：东南大学出版社，2009.2常晓夫，张文生，董维山.基于多种类视觉特征的混合高斯背景模型J.中國图象图形学报，2011（5）：829-834.3陈胜勇，刘盛.基于 OpenCV 的计算机视觉技术实现M.北京：科学出版社，2008.4毛星云，冷雪飞.OpenCv3 编程入门M.北京：电子工业出版社，2015.5韩宇，张磊，吴泽民，等.基于嵌入式树莓派和 OpenCV 的运动检测与跟踪系统J.电视技术，2017，41（2）：6-10.
