背景建模（精选7篇）
背景建模 篇1
由于背景图像的动态变化,如天气、光照、阴影及混乱干扰等的影响,使得运动检测成为一项相当困难的工作。运动检测的方法主要有背景减除、帧差法和光流等方法。光流法运算公式复杂,计算量大,不适合于实时性要求很高的场合。帧差法虽然满足实时性的要求,但很难完整地分割出运动对象,不利于进一步的对象分析与识别。背景减除是目前运动分割中最常用的一种方法,他是利用当前图像与背景图像的差分来检测出运动区域的一种技术。本文主要研究利用背景建模来实现对运动物体的检测。
背景减法实现最简单,并且能够完整地分割出运动对象,对背景已知的应用情况,背景减法是一种有效的运动对象检测算法。
一个有效的动态目标检测算法应能克服以下几种在实际应用中常常存在的问题:
1)背景的扰动:背景中可以含有轻微扰动的对象,如树枝、树叶的摇动,扰动部分不应该被看作是前景运动目标;
2)背景的更新:由于光照或其它条件的变化会使背景图像发生变化,需要及时对背景模型进行更新,以适应这种变化;
3)外界光线的变化:一天中不同时间段光线、天气等的变化以及室内开灯、关灯等都会对检测结果产生影响;
4)阴影的影响:通常前景目标的阴影也被检测为运动目标的一部分,这样将影响对运动目标的进一步处理和分析。
1 非参数模型
非参数[1]是Ahmed Elgammal等人提出来的,该背景模型把图像序列的对应像素点看成是一个统计过程,且他的灰度值的分布可能是变化的,分布函数的概率密度可用非参数的方法估计出来,然后再和阈值比较,以此确定是否运动点。假如对图像序列中某对应的像素点连续采样N次,其灰度依次为x1,x2,…xn,则基本的数学模型如下:
其中,N为采样次数,xi为采样灰度值,xj为当前帧对应的灰度值,K为核函数,可认为其符合正态分布N(0,∑),假设不同的颜色分量之间是独立的,则∑可简化为:
其中σi2(i=1,2,3)为每个颜色分量对应的核带宽,最后概率密度函数可近似为:
其中d为颜色分量的个数。
由于外部环境的变化,已建立好的背景模型需要适时地更新。非参数模型采用2种更新模式:
1)选择性更新,即只把属于背景点的像素点更新到背景模型。
2)非选择性更新,即不经过判断直接将当前的像素点更新到背景模型当中。
两种更新模式更新时,均采用先进先出的策略,即将最先存入缓存的采样帧去除,而将最新的采样帧更新到模型之中。如果采用选择性更新模式,则判断出当前帧的对应像素的概率值大于阈值T,则该像素点认为是背景点;相反,若概率值小于阈值T,则被认为是运动点。
经大量实验发现,非参数模型能够较敏感地检测出运动物体,亦能较完整地分割出运动对象,但其需事先存入N帧图像用来判决像素点和进行背景更新,严重制约了检测速度,一般很难达到实时性要求。
2 单高斯背景模型建立与更新
单高斯模型最初由Wren等人在文献[2]中提出。在该模型中,把背景模型中的每一个像素点都看成是一个高斯分布,由参数u(期望)和σ2(方差)来确定。随着环境的变化,对高斯模型适时地进行更新,以期得到更为准确地背景模型。事先在背景无运动物体的时候,连续采样N帧,由式(4)、(5)即可得到相应高斯模型的参数u(期望)和σ2(方差);
其中ui,t为点i在第t副图像中的灰度值。这样,所有的点(ui,σi2)就构成了初始的背景模型。
前景点和背景点的判决由式(6)决定:
其中I(i)为当前帧的第i个像素点的灰度值。当满足条件(6)时,该点为背景点,否则为前景点。
当该像素点判为前景点时,背景模型对应点的高斯模型的参数u和σi2爆出不变;当判为背景点时,模型参数由式(7)和(8)来完成。
其中,ui(t+1)和σi2(t+1分别是t+1时刻的模型参数值,ui(t)和σi2分别为t时刻第i个像素点的参数值,li(t)为t时刻当前帧第i个像素点的灰度值。参数α由式(9)来确定。
其中,β为学习率,为一个常数,N为高斯分布的概率密度函数。
经实验可知,在室内或不是很复杂的室外背景下,单高斯模型亦能得到很好的效果,处理速度快,分割对象比较完整,虽有时出现个别“黑洞”,但分割后的图像基本能够满足要求。但实验发现,当背景比较复杂时,如树叶摇晃时,噪声增多,背景将变得不稳定,这时用单高斯模型就不可以呢。
3 混合高斯背景模型建立与更新
近年来,在复杂背景建模方面,混合高斯模型成为了一种很受欢迎的方法。最初,该模型是由Stauffer等人在文献[3-5]中提出来的。和单高斯模型为每一个像素建立一个高斯模型不同,该方法为每一个像素建立K个高斯模型,一般K取3-7个,这样使模型克服外界环境影响(典型的如树叶摇晃等)成为可能。
这里,采用混合高斯分布描述背景模型。设用来描述每个像素点(u,v)颜色的高斯分布共K个,K的值通常取3~7个。则像素z(u,v)的概率函数可用式(10)表示。
其中:ωj,uv为t时刻第j个高斯分布在混合模型中所占的权值,K为高斯模型的个数,N为高斯模型的密度函数,μj,uv、∑j,uv分别为第j个高斯分布的均值和协方差矩阵。
建立混合高斯模型,首先要解决的一个问题就是,如何利用这N个采样点估计出ωj,uv、μj,uv、∑j,uv这些参数。参数确定了,对应的混合高斯模型也就建立起来了。
通常,确定这些参数的方法有两种:EM(Expectation-Maximization)算法和K-均值算法。EM算法是确定混合高斯模型参数的常用方法,利用采样值,通过迭代之后,最终可将混合高斯模型的参数同时确定出来[5]。考虑到模型要为每一个像素建立一个混合高斯模型,故本文采用实时性较好的K-均值法来确定模型的参数[6]。
初始化模型:将采到的第一帧图象的每个象素的灰度作为均值,再赋以较大的方差和较小的权重。
模型学习(确定参数):将当前帧的对应象素的灰度值与已有的k个模型作比较,若有|z-μj,uv|<2.5σ,该点属于背景,否则属于前景。训练得到的这K个模型,并不是全部代表背景模型,背景图像库中某些图像的有些像素点并不能真正地代表背景,用这类像素建立的高斯分布模型应该被去除。假设运动目标及噪声在场景区域中不会长时间停留在某一位置上。这样噪声和运动目标相对应的高斯模型的权值和优先级非常小。文献[6]中提到一个阈值M来分离出背景模型。将背景模型按照优先级高低次序排列,前B个分布作为背景模型,B的定义如下:
M是预先定义的阈值,它表示能真正反映背景的数据占总数据的最小比重。如果M取的比较小,就是个单高斯模分布的背景模型;M取的比较大,就是混合高斯分布的背景模型,适用于背景较复杂的情形。
基于颜色背景模型的更新就是更新其模型参数,包括高斯分布自身的参数和各高斯分布的权重。
(1)权重的更新
α是学习率,如果α取的比较小,适应环境变化的能力就低,能适应缓慢的环境变化,或者说,只要给足够的时间,该模型终究能适应环境的变化;如果α取的比较大,适应环境变化能力强,但容易受噪声影响,不够稳定。
(2)均值和方差的更新
对于未匹配的高斯分布,不予更新,对于匹配的第j个高斯分布如下。
混合高斯模型在室外的较复杂的环境中进行运动物体的检测取得了较好的效果,可以较好地抑制由于树叶轻微摇晃、旗帜摆动等外界环境对背景模型的影响。通过实验可以发现,该模型不但对目标较大的运动物体能较好地检测,而且对目标较小的行人也能完整地分割。
4 目标检测与实验结果
经实验发现,基于颜色的混合高斯模型能够适应背景场景轻微扰动、克服噪声和实时更新的、鲁棒的目标检测算法,通过利用分水岭算法提取的目标轮廓的融合,可以完全克服光线强度突变的影响,高效准确检测出运动目标[7]。但还不能消除阴影,这给后续跟踪和识别带来了较大的影响。文献[8]介绍了利用灰度信号去除影子这方面的工作,有效去除了阴影。
如图1所示,(a)待检测的图像。(b)基于混合高斯背景模型分割结果,可以看到包括阴影部分。(c)检测出的阴影部分。(d)去除了阴影部分,得到了理想的目标检测结果。
5 结束语
由于运动图像的目标检测在科学技术研究和工程应用上有着广阔的应用前景而且还可为其他科学研究提供有效的手段和工具,因此各国科学家和工程技术人员都在广泛而深入的研究该项技术,但是在运动图象目标的检测过程中,由于系统和传感器的固有噪声,目标周围背景的干扰,这些干扰的结果造成目标象素可能误判为背景象素,而背景象素可能误判为目标象素,从而引起目标区域质心的计算误差,给运动目标的正确检测带来了极大困难,如何建立对于各种复杂环境的动态变化均具有自适应性的背景模型仍是广大科研工作者日后研究的焦点问题,相信随着科学技术的进步,一定能够实现在各种复杂条件下的运动图像的精确检测。
摘要：介绍了在视觉监控领域经常用到的几种基于自适应背景模型的经典方法,如非参数模型、单高斯模型和混合高斯模型等。通过试验,比较了上述方法在检测过程中的优势和不足之处,以其在工程实践中有一定的参考作用。
关键词：运动目标检测,背景建模,混合高斯模型
参考文献
[1]Elganmmal A,Harwood D,Davis L.Non-parametric Model for Background Subtraction[C].Proceeding of the6th European Conference on Computer Vision,2000:751-767.
[2]Wren C,Azarbayejani A,Darrell T,et al.Real-time Tracking of the Human Body.IEEE Transactions on Pattern Anaysis and Machine In-tellidence,1997,19(7):780-785.
[3]X.Gao,T.Boult,F.Coetzee,and V.Ramesh,Error analysis of background adaption[A].in proc.IEEE Conf.on computer vision and Pattern Recognition[C].Hilton Head,SC,2000.503-510.
[4]C.Stauffer,W.E.L.Grimson.Learning Patterns of Activity Using Real-Time Tracking[J].IEEE Trans.PAMI,2000,2(8):747-757.
[5]C.Stauffer and W.E.L Grimson.Adaptive background mixture models for real-time Tracking[A].In CVPR’99[C].1999.246-252.
[6]方帅,薛方正,徐新和.基于背静建模的动态目标检测算法的研究与仿真[J].系统仿真学报,2005.17(1)159-161,165.
[7]王宏群,方帅,高明.基于抑制光强变化影响的运动目标检测[A].第十四届图象图形学学术会议论文集,2008,5,360-361.
[8]付萍,方帅,徐新和,薛定宇.视频监控系统中运动目标检测的阴影去除方法[A].计算机工程,2007.5(10)22-2.
背景建模 篇2
[摘 要]依据创新教育背景下对高校人才培养的要求及传统数学教育存在的问题，指出数学建模对学生创新能力培养的重要性。以延安大学为例，按照“分层次、分模块”模式组织教学和竞赛指导，按照课程教学与学科竞赛、数学类专业与计算机类专业、两个竞赛与毕业论文及大创项目、精品网站与数模协会及第二课堂等“四融合”的方式进行学生创新意识和创新能力培养，收到良好效果。
[关键词]数学建模课程教学 数学建模竞赛 创新能力培养 改革举措
[中图分类号] G642.0 [文献标识码] A [文章编号] 2095-3437（2015）09-0111-02
创新是社会发展的动力和源泉，没有创新就没有发展。加强素质教育，培养创新人才，是我国高等教育面临的紧迫任务。[1]高等学校的大学生是国家科技发展的主力军，大学生的创新能力决定着国家未来的科技创新能力。数学建模课程教学与竞赛的广泛开展对高等学校大学生的创新能力培养具有十分重要的作用。延安大学作为一所地方高校，在近几年数学建模课程教学与实践中，按照面向21世纪人才培养要求和我校学生的实际，进行了一系列卓有成效的探索和改革，学生的创新意识和创新能力得到大幅度提升。
一、更新教育理念，充分认识数学建模对学生综合素质和创新能力培养的重要性
数学作为一门基础学科，它涉及的领域相当广泛，如经济、计算机及软件、管理、国防等，虽然数学在高校教育教学中的地位不断提高，人们对其认识也不断加深。但是，人们对数学类课程、数学学科在创新型人才培养中的重要性的认识仍不够深入，在教学内容、教学方法、教学手段、评价措施等诸多方面，仍然沿用传统数学类课程的教学模式和思维方式，导致高校人才培养与创新教育背景下的人才培养需求完全脱节。21世纪的高等教育在高度信息化的时代培养具有创新能力的高科技人才，数学是一门必备的技术。因此，在数学建模课程教学与实践过程中，必须转变传统数学类课程的教育教学理念，不能将其简单地当作工具和方法，而要将其当作是一门技术，而且是一门普遍适用的高新技术，在保证打牢基础的同时，力求培养学生的应用意识与应用能力、创新意识与创新能力，真正实现培养高素质创新人才的目的。
二、数学建模课程教学的改革与实践
（一）分层次、分模块实施数学建模课程教学和竞赛指导。一是在数学建模专业课、专业选修课、公共选修课教学中按照知识点及教师研究方向，将课程内容分为两个层次九个模块。第一层次包括数学软件、初等模型、优化模型、数学规划模型、微分方程模型五个模块；第二层次包括离散模型、概率模型、统计回归模型、数值计算与算法设计四个模块。第一层次针对公共选修课教学，第一层次+第二层次针对专业课和专业选修课教学。具体措施为：由数学建模课程教学团队集体制订课程教学大纲和实施计划，每位教师按照课程教学大纲和实施计划主讲自己所从事的方向模块，在保证课程教学内容完整性和系统性的同时，根据学生知识层次，充分发挥每位教师的专业优势，有效地提升了课程教学质量。二是在大学数学课程教学中，按知识点将数学建模思想融入其中，在激发学生学习数学兴趣的同时，强化学生的数学应用能力培养。三是在校内数学建模竞赛中，按照“建模知识+专题讲座+模拟+竞赛”的模式组织校内建模竞赛，主要以数学建模的基本思路、基本方法、基本技能为内容，使学生对数学建模有更加深入的感知和认识，在激发学生学习数学兴趣和积极性的同时，培养学生的科研意识和创新意识。四是在全国数学建模竞赛中，按照“集训+软件应用+旧题新做+模拟选拔+强化训练”的模式组织全国建模竞赛，主要以培养学生的洞察力、联想力、创新能力、团队协作精神和吃苦精神为内容，使学生的创新意识、团队协作精神得到良好培养。
（二）建立数学建模精品课程网站，为数学建模爱好者搭建学习交流平台。网站将数学建模课程教学与数模竞赛有机地融合，为学生全方位了解、学习和掌握数学建模的相关知识、相关技能开辟第二条通道。网站包括：课程介绍（课程描述、教学内容、教学大纲、建设规划）、教学团队（整体情况、课程负责人、主讲教师）、教学资源（教学安排、多媒体课件、授课录像、电子教案、课程作业、课程习题、模拟试卷、参考资源）、实验教学（实验任务、实验大纲、实验指导、课程设计、实验作品、实验报告）、教学研究（教学方法、教学改革、教学课题、教学论文、学生评教）、教学成果（教学成果奖、获教学奖项、人才培养成果、教材建设）、在线学习（在线交流、在线自测）、成绩考核（平时成绩、作业成绩、实验成绩）、下载专区（教学软件、常用工具）、数模协会（协会简介、协会章程、通知公告、新闻动态、竞赛获奖、优秀论文、往届赛题、模拟赛题、校内竞赛、新手入门）等，这些内容几乎囊括了数学建模教育教学活动的所有内容，学生通过网络资料学习就可以全面了解数学建模的相关知识与技能。
（三）改革课程考核方式，使课程教学与竞赛有机融合。课程考核方式从一定意义上说是引导学生进行课程学习的风向标。[2]在近几年的课程教学改革中，我们针对数学建模的课程特点，以培养学生创新能力为着力点，增加对学生灵活运用所学知识解决实际问题能力的考查，加大对实践能力的考核比重。具体措施为：专业课和专业选修课考核按照“常规教学+全国竞赛”的方式进行考核，即常规教学[平时（15%）+作业（10%）+小组汇报（15%）+实验（20%）]+全国竞赛[集训（10%）+旧题新做（10%）+模拟（10%）+选拔（5%）+竞赛（5%）]；公选课考核按照“常规教学+校内竞赛”的方式进行考核，即常规教学[平时（15%）+作业（10%）+小组汇报（15%）+实验（20%）]+校内竞赛[专题讲座（10%）+模拟（20%）+竞赛（10%）]。通过这一方式，课程教学效果得到很大的提高，同时极大地调动了学生参与竞赛的积极性。
（四）专业相互融合，取长补短，充分发挥学生各自的专业优势。数学与计算机科学学院现有数学与应用数学、信息与计算科学、计算机科学与技术、软件工程四个专业，其中两个为数学类专业，两个为计算机类专业。在课程教学中针对两个专业的长处和不足，按照专业结对子、学生结对子的模式组织教学和小组讨论，强化计算机类专业学生的数学应用能力培养，强化数学类专业学生的计算机软件应用能力培养；在竞赛组队中，每队均配备至少1名计算机类专业学生和1名数学类专业学生。充分发挥各自的优势，取长补短，使学生的综合能力得到有效提升。
（五）精心组织校内建模竞赛，使更多的学生从中受益。我校从2009年起已连续举办6届校内数学建模竞赛，竞赛规模从起初不到150人发展到2014年的2000多人。在此期间，为了使更多的学生受益，学校先后出台了延安大学校内建模竞赛章程、为竞赛学生计创新学分、给参加竞赛学生一定的补助、给予竞赛获奖学生和指导教师重奖、给指导学生获奖的教师职称晋升加分等激励机制，同时学校每年拿出10万元左右的竞赛资金资助该赛事。这些举措有效地调动了指导教师和参赛学生的积极性，截止2014年，共有来自8个院系35个专业的8000多名学生参加了校内数学建模竞赛，学校因出色的组织工作而被陕西省教育厅4次授予优秀组织工作先进单位。
（六）延伸数学建模竞赛效能，不断提高学生创新能力。每年全国大学生数学建模竞赛和校内数学建模竞赛试题都是从实际生活中提取出的问题。因此，指导教师在指导学生毕业论文（设计）和大学生创新训练项目时，从往届赛题或模拟试题中选择一些题目，将其进行适当的延伸作为学生毕业论文（设计）和大学生创新训练项目选题。通过这一方式，进一步培养学生的创新思维和创新意识，为学生今后从事科学研究奠定了基础。
（七）成立数模协会，开辟第二课堂，延伸数学建模教育。数学建模课程具有内容多、涉及面广、信息量大等特点，但是由于课堂教学时数少，学生思考、消化、吸收时间相对匮乏，为此学院以全国大学生数学竞赛和全国大学生数学建模竞赛为抓手，指导学生自主成立了数模协会。通过数模协会让学生充分利用课余时间，积极组织开辟第二课堂，使学生有更多的机会接触现实生活中的数学问题，了解数学知识背景，并充分地认识到在生活周围时刻都存在着数学问题，养成自觉地用数学的思想、观点和方法去观察事物、解释现象、分析问题的习惯，培养自我探索、自我思考、自我创新和自我表现的创新素质，形成独立自主的创新精神，进而使学生的学习充满乐趣与激情，最大限度地发挥学生的创造力。
数学建模课程是一门面向全校理、工、经、管、教各学科专业大学生开设的理论与实践相结合的基础课程，主要以学生洞察能力、创新能力、数学语言翻译能力、抽象能力、文字表达能力、综合分析能力、思辨能力、使用当代科技最新成果的能力、计算机编程能力、数学软件应用能力、团队协作精神和组织协调能力等综合素质培养为目标，以数学建模课程教学、数学建模竞赛、第二课堂、毕业论文（设计）、大学生创新训练项目等为手段，通过“分层次、分模块、四融合”的教学模式的有效实施，在提高我校学生解决在理、工、经、管、教等学科专业领域遇到的数学建模问题的能力的同时，为我校高素质应用型人才培养做出贡献。
[ 注 释 ]
[1] 熊志平.《数学建模》课程教学的几点思考[J].教育教学论坛，2014（26）.
[2] 李冬梅，陈东彦，宋显华.基于创新人才培养的数学建模考核方法探析[J].黑龙江教育（高教研究与评估），2014（7）.
基于像素的背景建模方法综述 篇3
运动目标检测是视频处理技术的重要问题之一,是解决计算机视觉问题的基础。因此剔除时间和空间上冗余信息,对背景和目标进行有效地分割是运动目标检测研究的重点。学者们根据应用场合、方法、技术路线等方面提出了不同的运动目标检测方法,主要有背景减法、帧差法、光流法、均值漂移法、最小化能量法、结合滤波技术的方法、基于学习的方法、小波变化法、分形编码法等。这些方法中背景减法、时间差、光流法能够在固定摄像机情况下自动提取背景目标[1],因而应用比较广泛。帧差法适应环境变化的能力较强,但在运动目标纹理均匀或缓慢运动时,很难提取所有运动目标像素点,容易造成运动物体透明现象;光流法计算复杂,抗噪性能差;背景减法计算量小、抗噪能力强、精度高,所以是目前使用较普遍的方法。
在实际场景中情况比较复杂,外界天气、光线、道路背景运动物体、影子树枝等变化无常,给运动目标的检测带来极大困难。为了提高背景减法提取运动目标的准确性,背景模型成为影响目标监测和跟踪性能的关键问题。在近些年的研究中,学者们研究了许多背景建模方法,这些方法主要是从像素和像素区域两个方面对背景建模:基于像素的背景模型中每个像素是独立的,这种方法的优点是能提取运动目标的外形,缺点是分割结果与背景和场景相关;像素区域建模的优点是图像的局部变化和动态背景的影响较小,不能得到精确的目标形状。
本文从是否需要为背景评估保留缓存,是否需要用每一个输入的帧来更新背景模型两个方面,将现有的基于像素背景建模方法分为递归和非递归[2,3]两类,并逐一对它们的算法进行分析。
1 背景建模方法
1.1 非递归背景建模方法
非递归建模方法通过开辟内存来存储大量过去时刻的图像序列,并根据这些连续图像对应像素的变化预计背景模型。这种方法能防止单帧图像的干扰,但占内存较大。
1.1.1 中值、均值模型
中值[4]、均值滤波法是背景建模方法中较简单的建模方法。它们的基本思想是将连续采集到的L帧序列图像存储到缓冲区中,对这L帧图像中对应像素求均值或中值,用其均值或中值图像作为下一帧图像的背景模型。
上式分别是像素中值和均值的建模方法。It(x,y)表示t时刻点(x,y)处像素灰度值,Bt(x,y)表示均值法和中值法在该点的背景建模值,median为取中值函数。相比均值法计算简单的特点,中值法能更好地保持图像边缘的平滑。但由于中值法注重滤波窗口数据的次序而忽略了输入数据的时间,因此会产生边缘抖动,并滤掉部分重要细节。为了解决这些问题,提出了多级中值滤波算法和自适应中值滤波算法等改进方法。
1.1.2 帧间差分模型
帧间差分法能弥补均值法中动态前景对背景模型的影响。它将图像序列中相邻两帧进行相减,对得到的差进行阈值化来提取动态前景,在此基础上出现如三帧差分法[5]等多种改进方法。基于帧间差分思想的算法计算简单、计算量小、对光线变化不敏感,且容易造成实体内部空洞。另外差分间隔根据运动目标的速度选择,如果选择不当会影响背景提取精确度。
1.1.3 W4模型
W4[6]构建了人们运动的动态模型来表示他们在哪里(Where),在什么时间(When)做什么(What),并且对追踪对象外形建模,通过视频图像中的偶然事件识别追踪对象身份,也就是明确了谁(Who)的问题,这就是W4名字的来源。W4建模的基本思想是:背景场景通过训练图像序列中同一像素的最大值、最小值,和相邻连续帧中同一像素的差分来判断前景像素。具体算法如下。
{x1,x2,…,xL}是L帧图像序列中某像素的集合;σ(x)和λ(x)为像素x在训练序列中的标准差和中值;像素x的初始背景模型为[m(x),n(x),d(x)],m(x),n(x),d(x)表示像素的最小值、最大值和像素差的最大值。
dμ为d(x)的中值,k为阈值常数。如果|xt-n(x)|>kdμ或|xt-m(x)|>kdμ,则xt为前景像素,反之为背景像素。
W4主要应用在单色视频,特别是应用在夜间或其他低亮度水平的情况,这些情况下能有效检测前景区域,但是计算量比较大。后来研究者对背景像素的分割和更新方法进行了改进[7],使得在相同条件获得了更好的效果。
1.1.4 线性预测模型
线性预测滤波是在美国科学家Wiener和前苏联科学家等人的研究基础上提出的。它的基本思想是根据图像序列中以前帧中的像素值预测下一帧图像中像素值,通过对像素预测值和真实值的偏差来判断该点为背景还是前景,如果当前像素明显偏离预计值,则认为该当前像素是前景,否则为背景。在这里用维纳滤波[8]来进行说明。给定一个像素,它下一时刻的值通过下式预测
式中:It为t帧时某像素的预测值;It-i为t帧之前各帧的像素值;ai为预测系数。通过L帧对当前帧进行预测,其均方误差为
式中,ai由In样本方差计算。根据均方误差E[et2]的大小判断像素为前景或背景。维纳滤波对图像周期性变化能很好的判断,并实时对背景更新,对突然变化不能精确检测。从理论上说,维纳滤波的最大缺点是必须用到无限过去的数据,不适用于实时处理。
1.1.5 非参数核密度估计
核密度估计[9,10](KDE)方法是基于像素颜色空间的非参数背景建模方法。它的基本思想是由序列图像像素的采样样本估计背景像素的概率密度函数,从判断当前像素概率值是否属于背景的概率,来判断属于前景还是背景。
具体算法如下:{x1,x2,…,xL}是L帧图像序列中某像素的集合,根据该像素集合提出像素强度估计的概率密度函数P(x),xt为在t时刻强度的估计值为
式中,K是服从正态分布N(0,σ2)的函数,σ为该核函数的带宽。所以就有
如果假设在不同的颜色通道有不同的核带宽,密度估计变为
如果估计结果小于阈值则为前景,反之则为背景。带宽,m是连续对|xi-xi-1|的中值。
核密度估计虽然能有效地抑制动态阴影,但是需要存储大量背景样本,且计算时间复杂度相当高。另外,选择合适的核带宽比较难。
在该方法的基础上,学者们提出了具有数据依赖性带宽的密度估计方法,通过核对动态场景进行背景建模,并提出一种基于前景背景差分的自适应核估计方法,在前景背景颜色相同情况下能有效进行区分。另外基于动态图像梯度特点的核密度估计模型除了能抑制视频彩色图像的阴影外,还能有效地抑制反射图像扩散。
1.1.6 统计直方图
统计直方图是通过统计像素灰度变化的方法来检测背景。基本思想是先统计一段时间内L帧图像中每个像素在不同灰度出现的次数,像素在某灰度值出现次数最多的,判断为背景本身的灰度值。
L帧的统计直方图算法:k为像素x在第i帧的灰度值,pk(x)表示像素x在连续的L帧中灰度值为k的次数(k=0,1,…,255;i=1,2,…,L)。像素x的背景值为max(pk(x))。
该算法抗干扰性好,通常情况下提取的背景较好,但运算量大、提取背景速度慢。随着统计的图像序列增加,提取背景的效果越来越不明显。文献[11]通过对图像像素的统计直方图划分区域,根据当前像素值所在的直方图区域判定前景和背景,该方法提取的背景较稳定,提取的背景接近真实的背景。
1.2 递归背景建模方法
和非递归相反,递归需要的存储空间相对少很多。根据当前帧中的像素递归地更新背景模型,这样就导致建模过程中很久以前帧的错误对背景模型造成长时间的影响。因此,大部分递归背景建模方法中都使用权重去除以前的帧造成的错误反馈。
1.2.1 近似中值滤波
中值滤波方法在背景建模中应用成功之后,Mc Farlane和Schofield[12]提出一种简单的递归技术来估计中值。该方法的基本思想是:如果输入像素值大于估计值则中值估计会逐次递增,反之则会逐次减小。这种估计一般会收敛到一个值,一半的输入像素值大于或小于这个值,也就是中值。近似中值滤波只需要存储一个参考图像,计算简单。但是它逐渐适应背景变化,需要采集大量连续帧才能适应变化的背景区域。
1.2.2 单高斯模型
单高斯模型适用于图像背景比较单一、直方图显示出单峰的情况。单高斯模型的思想是把图像的像素值看成是前景高斯分布和背景高斯分布的混合。当某点像素的分布与前景高斯分布匹配,那么该像素就属于前景,否则属于背景。
具体算法如下[13]:假设图像中每个像素的颜色都是独立的,对于图像中任意像素点(x,y),设它在L帧的像素值分别为I0,I1,I2,…,IL-1,且服从一维正态分布N(μ,σ2),μ为L帧图像训练样本在像素点(x,y)的均值,σ2为其方差。
P(I)是像素点(x,y)颜色的概率。如果P(I)≤Threshold(Threshold为概率阈值),(x,y)为前景像素,否则(x,y)为背景像素。阈值可以根据经验或通过实验确定。单高斯模型计算速度快、准确度较高,能较好地处理背景干扰。但是对于突变的背景和前景不能进行有效的处理。还有作者[14]针对红外图像的特点对单高斯分布背景提取方法进行改进,该算法中由于综合考虑像素的灰度值,有效地提高了背景建模精确度。
1.2.3 混合高斯模型
为了克服单高斯模型对复杂场景背景更新的滞后性,混合高斯模型对其进行延伸,用多个高斯分布平滑地模拟像素的变化情况,目前在语音、图像等方面都应用比较普及。
混合高斯模型基本思想是使用多个高斯分布表示序列图像中每个像素点的特征,如果当前帧中的某像素的特征与高斯分布相匹配,则被判定为背景像素,否则为前景像素。
任意像素点(x,y)的像素值在时间上的变化用k(一般是3~5)个高斯分布进行建模,该像素的概率分布为
式中:ωt,i为第i个高斯分布的权重,并且有;η为其概率密度函数;Ii为像素值;μt,i为其均值;Σt,i为其协方差。其中
为了减少计算量,提高算法的实时性,一般假设每帧视频图像中像素色彩通道相互独立,那么上式中协方差矩阵估计为:Σt,i=σt2,iIt。
在混合高斯分布中,各高斯分布根据权重的差异具有不同的优先级,并按照优先级的降序排列。根据检测像素是否属于阈值范围内的分布来判定该像素是背景还是前景。如果像素的分布不符合任何高斯分布,那么重新设计一个权重较小和方差较大的高斯分布,代替优先级最小的高斯分布,并重新对所有高斯分布进行权重归一化处理。
混合高斯分布对于处理复杂、缓慢变化的背景有较好效果,但是对处理变化剧烈的场景时效果不理想,并且计算复杂度较大。为了提高混合高斯分布在背景提取的有效性,研究者们也根据各自的应用不断进行改进,如将颜色、边缘和纹理等视觉特征集合起来进行背景建模的混合高斯背景模型。为每个像素建立多个高斯分布[15],每个高斯模型按权重排序,通过学习背景环境实时更新的模型等。
1.2.4 卡尔曼模型
卡尔曼滤波是线性预测背景建模中较典型的方法,在实际应用中已有多种不同版本。但基本思想是一致的:将背景图像序列中像素点变化用信号处理系统描述,根据时变随机信号的统计特性,采用线性最小均方误差作为最优化准则,对随机信号的过去、当前或未来值作尽可能接近真值的估计,估计值为
设It为当前时刻某像素的值,为其估计值,I't为其时间导数,为其时间导数的估计值,则t时刻的估计值为
式中:常量矩阵A描述背景的动态,在文献[16]中;H是测量矩阵,且H=[1 0];Kalman增益矩阵。当像素的实际值和估计值大于等于阈值时,It-1为1,;否则It-1为0,。α,β为不同情况下的增益因子。
当运动目标速度较慢时,卡尔曼滤波检测出的运动目标有拖影现象,但是能适应光照等动态背景变化较快的情况。鉴于这种情况学者们对卡尔曼模型不断进行改进,用像素一维Kalman滤波跟踪的摄像机中每个像素的强度,并提出自适应Kalman滤波背景减法。
1.2.5 码本模型
码本是基于像素颜色的背景建模法,它的建模思想是:根据图像序列中的每个像素的颜色距离和亮度,用量化技术建立一个码本,这个码本可以是不同长度码元。在检测时,用当前像素的码本与建立的码本进行比较,如果当前像素码本落在任何原来的某个码本范围内,则为背景。否则为前景。
在下面的算法[17]中以彩色图像建模,在灰度图象中应用只需要对颜色值做简单的改动。
X={x1,x2,x3,…,xL}为L个序列图像中某个像素点的集合,C={c1,c2,…,ci}为由i个码元组成的像素码本,每个码本的码长不一定相同。每个码元ci(i=1,2,…,N)由一个RGB向量和一个6元组组成,其中:I^,Iˇ分别表示所有采样像素亮度的最大和最小值;f为码元出现的频率;λ为训练期间码元没有出现的最大时间间隔;p,q分别表示码元建立时间和最后一次被访问的时间。采样初期使码元长度为0,码本为空。在训练时间内对一个像素进行采样:如果码本中没有码元,当前像素就被确认为码元,该像素的亮度为码元的亮度;如果码本中存在码元,就用新样本像素与码本中每个码元的参数进行比较,如果匹配,就用当前像素参数更新该码元值,否则将当前像素添加到码本中。
码本方法适用于有移动背景、光线变化等的复杂场景中。和其他建模算法比较,码本建模有相对较好的特性。并且提出从多层codebook建模、像素块建模、根据颜色纹理等背景建模方法。
2 背景建模方法比较
以上的背景建模方法是在摄像头固定的情况下,通过对单个像素建模来提取背景的。这些方法对于有噪声、光照、天气等因素影响的复杂背景情况下敏感度不同,在处理过程中的计算速度、需要的存储容量和最终提取背景的精确度都不尽相同。一般情况下,精确度表示有效提取背景的程度;存储容量直接影响到计算速度,而计算速度关系到背景提取的实时性,也就是对背景变化的敏感性的要求。所以内存、速度、精确度直接关系到背景建模方法性能的好坏。因此本文从背景建模方法的空间复杂度(内存)、时间复杂度(速度)和精确度3个指标对基于像素级的背景建模方法进行比较[18],最终比较结果如表1所示。
由表1可以看出,这些方法虽然都有缺点,但是在不同应用场景可以选择不同的方法。比如帧差法,虽然精度不高,但是如果能得到背景的图像,并且背景受外界影响较小,这种方法就简单实用。
3 总结与展望
基于背景减法的背景模型只是视频图像处理的一个预处理,而不是最终目标。一个好的目标检测系统应该解决许多问题,如运动物体、阴影、逐渐或突然改变光线、树枝的摆动、遮挡等。但这些问题不可能同时得到解决,因为它们的差别在于处理过程中对运动的前景和背景理解,如果不知道处理的目的和最终要求,解决这样的问题几乎是不可能的。另外,在某一特定过程中,并不一定会遇到所有上面提到的问题。没有一个背景建模方法是绝对完美的,但一个好的思路将会给背景建模提供很多的帮助。当在特定的应用场合对前景像素进行提前分析,明确要检测前景的哪部分、检测的目的是什么,那么算法的设计者就应该把所有注意力放在已经分析好的、需要检测识别的部分,而不应该是对每个像素都做统一处理。
从近几年提出的背景模型建模方法可以看出,背景建模方法是沿着以下3方面发展:1)在原有典型方法的基础上,结合多种方法,互相弥补其在背景提取过程中的不足;2)冲破典型方法局限于计算机视觉的某一方面的禁锢,向多视觉特点的背景模型发展;3)在背景模型中将时间和空间综合考虑,从时间、梯度、多层等多方面改进。
背景建模 篇4
1 系统装置
系统的设计具有一定的创新性,适合于室内及室外光线变化率不强烈的环境。硬件装置具有体积小、结构简单、易于安装等特点,使用灵敏度高、抗强光、体积小的CCD摄像头,CPU为Intel Pentium 4,内存1 GB,硬盘80GB的计算机(或笔记本电脑)。CCD摄像头与计算机相连,固定在观察者位置即可。系统装置图如图1所示。
2 算法
2.1 帧差法与背景更新相结合算法分析
帧差法是一种在实际应用中经常使用的运动目标检测方法。该方法算法简单,运算速度快,非常适合实时性检测要求较高的场合。但帧差法对于图像的噪声(电子噪声、颗粒噪声等)及摄像机的抖动比较敏感,个别像素可能因此而剧烈变化从而造成误判的发生。另外,如果移动物体移动速度过慢,有可能检测不到移动物体。
背景减除法的关键在于如何准确地提取出背景,并且当背景发生改变时,能及时地更新背景,其优势在于对移动目标的准确判断。但是背景更新是一个学习的过程,有时间延迟,另外,由于学习过程中包含移动物体信息,经常有“拖尾”现象发生,影响结果的精度。如何去除“拖尾”现象,李宏研[5]等提出一种相关矩阵判别法,但是运算较复杂;陈利平[6]等提出多帧加权的方法,运算也较复杂,结果对环境的依赖较大。本文提出一种帧差法与反馈背景更新结合算法,试图缓解“拖尾”现象。
帧差法如式(1)、式(2)所示:
式(1)中fk(x,y)是灰度图像序列中第k帧的位置为(x,y)的像素灰度值。f(k,k-1)(x,y)是经过帧差法得到的二值图像中位置为(x,y)的像素值。TH1是阈值,用来判断相邻两帧相减后的(x,y)位置的像素是否在移动物体上。如果相邻两帧相减后得到的(x,y)位置像素灰度值大于TH1,说明该像素点在移动物体上,将f(k,k-1)(x,y)置1;反之则说明该像素点不在移动物体上,则将f(k,k-1)(x,y)置0。式(2)中df(k)(x,y)是f(k,k-1)(x,y)和f(k+1,k)(x,y)相与后的结果,用来最终判断移动物体的位置。
比较常见的背景建模方法是迭代法,这种建模算法是单高斯建模的一种近似算法,具有较好的实时性特性,其算法如式(3)所示:
式(3)中,fk(x,y)是灰度图像序列中第k帧的位置为(x,y)的像素灰度值。Bk(x,y)是灰度图像序列中第k帧的位置为(x,y)的背景图像的像素灰度值。α称为背景更新系数,它反映了当前图像帧对背景的影响程度:α选取越大,则当前图像帧对背景更新所作的贡献越大。一般来说,α选择在0～0.1范围内。本文中α的值选择为0.08。
得到背景Bk后,就可以检测出运动目标。算法如式(4)所示。
式(4)中,db(k)(x,y)是通过背景减除法得到的运动目标形状的二值图像。TH2是阈值,用来判断背景减除后得到的灰度图像中(x,y)位置像素点的灰度值是否在移动物体上。如果背景减除后得到(x,y)的位置像素灰度值大于TH2,则说明该像素点在移动物体上,将db(k)(x,y)置1;反之则说明该像素点不在移动物体上,将db(k)(x,y)置0。
这种算法在移动物体慢速移动时,也能够准确地检测出移动物体,这种特性可以弥补帧差法移动物体检测的缺陷。但是从Bk算法可以看出,整个学习的过程是一个累加过程,在这个过程中,当有移动物体在当前帧中产生时,这个移动物体同样被学习进Bk中,这就是“拖尾”现象产生的原因。
通过对式(3)分析可以看出“拖尾”现象的产生是因为当前帧中的移动物体和背景图像同样被学习,从而把移动物体的信息添加到背景建模中去。可以在式(3)中加入适当判定条件,以达到控制背景学习的目的。式(3)是本文提出的对迭代法背景建模的改进算法:
其中,p1为帧差法df(k)(x,y)中移动物体像素占整个图像像素的比值,TH3为阈值;p2为背景减除法db(k)(x,y)中移动物体像素占整个图像像素的比值,TH4为阈值。当当前帧中有移动物体产生时,p1、p2大于0,p1小于p2;当当前帧中移动物体移动速度过慢时,p1远小于p2;当整个图像发生强烈光照变化或抖动时,p1、p2趋近于1,之后p1迅速减小到趋于0,p2仍趋于1。该算法中判定条件p1≥TH3用来判定当图像发生强烈光照变化或抖动时的学习回归,而判定条件TH4≥p2≥TH5则用来判断有移动物体时不学习的情况:
(1)初始化fk(x,y)和Bk(x,y),分别为第一帧图像;
(2)式(1)、(2)得到dfk(x,y),计算p1;
(3)式(5)、(4)得到dbk(x,y),计算p2;
(4)用步骤(1)、(2)得到的p1、p2值判定式(5);
(5)判断是否满足终止条件,若满足则停止计算,否则转到步骤(1)。
TH1的值一般为20～30之间。TH2的值与TH1相同。由于p1的作用是判定学习回归,所以TH3的值不宜过大,一般在0.01～0.05之间。TH4的作用是抑制图像强烈变化时的无用更新,一般在0.5～0.7之间。TH5的作用是判定移动物体响应程度,一般在0.05～0.1之间。
2.2 程序可扩展性算法分析
对于不同的移动物体检测算法,其对系统提供的时序帧要求也不同,比如上文提到的帧差法,有二帧差法、三帧差法、四帧差法;对于背景建模算法,迭代法只要求当前帧,反馈背景更新算法则要求有当前帧和前一帧图像,参考文献[6]中提到的多帧加权算法要求至少有包括当前帧在内的之前5帧图像,这就需要系统提供足够的基础数据。而对于实时系统而言,为了保证系统的可持续性和实时性,通常只将当前帧保存在内存中,这就限制了其他算法在该系统上的应用。为了保持系统的可持续性并保证多种算法可以在一个系统中运行,本系统采用了时序调用的方法,将当前帧以及之前一段时间内的所有时序帧可控地保存在硬盘上,以备其他算法调用,并始终维持这一状态,以保持系统的可持续性。
本系统中采用Ontimer()方法实时采集视频帧,并在采集当前帧后把它保存到硬盘上,通过累加计数的方式控制保存帧的个数。当保存帧数超过某个控制值时,从之前的第一帧开始依时间顺序删除前面的帧,并持续下去,这样在系统运行的整个过程中始终有一定数量的帧可供调用。当系统结束运行时,用OnCancel()方法将这些中间变量删除。对于用户而言,保存帧后删除帧的动作是不可见的,但用户在系统运行过程中可以调用控制值以内的任意帧。
(1)判断保存路径是否存在,如果存在则保存帧,否则创建保存路径;
(2)用capFileSaveDIB()方法保存帧并计数;
(3)判断帧的数量,如果大于10(可根据需要改变),则删除第一帧;
(4)判断终止条件是否满足,满足则删除所有帧,删除当前目录,否则返回第(2)步。
2.3 算法流程
本文算法流程图如图2和图3所示。
3 程序测试及结果分析
3.1 帧差法与背景更新相结合算法的具体实现和效果
在系统测试过程中,设置4个窗口,分别为左上原始视频,右上背景减除法,左下迭代法背景更新算法,右下本文提出算法的运行效果,可以看出,新背景更新算法抑制了“拖尾”现象。演示效果如图4所示。
图5是一段内背景累加算法和本文算法产生的背景的灰度变化图。从图中可以看出,新算法的背景稳定性优于传统的背景累加算法,这也是“拖尾”现象得到抑制的原因。
3.2 扩展帧保存算法的测试
本算法主要实现保存实时帧到硬盘上,并保持一定的数量持续更新实时帧,当系统结束运行后,删除这些实时帧,并删除保存位置的文件夹。
当系统运行后,在D盘位置会新建一个名为pic的文件夹,实时帧就保存在这个文件夹里。系统结束后,帧和目录同时被删除。
本文介绍了一种新型的移动物体检测及背景更新系统。该系统采用一种新型帧差法和反馈背景更新相结合的算法作为背景更新算法,并在系统中对时序帧的生成和调用方法进行了改进。实验结果表明,该算法能够有效去除“拖尾”效应,并且该系统的实时帧保存算法能够有效地适应大多数算法在该系统上的应用。该系统没有对视频进行前期处理,下一步将主要研究视频的前期处理工作,以达到提高精度的目的。
参考文献
[1]COLLINS R T,LIPTON A J.A system for video survei-llance and monitoring:VSAM find report[R].Carnegie MellonUniversity:Technical Report,2000.
[2]HARITAOGLU I,HARWOOD D,DAVIS L.W4:real-timesurveillance of people and their activities[J].IEEE TransPattern Analysis and Machine Intelligence,2000,22(8):809-830.
[3]项昀.基于移动检测的运动物体识别技术的研究[D].北京:北京交通大学,2007.
[4]于立男.基于ARM平台的单摄像头运动目标检测与跟踪系统[D].大连:大连理工大学,2010.
[5]李宏研.改进的移动目标检测算法及其实现[J].计算机工程,2011,37(4):195-197.
背景建模 篇5
目标检测的关键技术在于背景建模与前景提取, 常用的传统检测方法有均值法, 直方图法等, 这类算法运算量小, 但是提取效果较差, 随着计算机技术的发展, 出现了较为复杂的算法, 但计算复杂, 不能满足监控系统实时性要求。帧差法对相邻两帧的图像进行差分, 并设定一个阈值, 认为差分结果大于阈值的像素点就是运动目标, 但这种方法不适用于缓慢移动的物体。背景差分法是运动目标检测方法中应用较多的算法, 通过当前帧图像与背景参考模型差分来检测运动区域, 能够完整地提取运动目标, 其中最具代表性的是单高斯模型和在其基础上发展而来的混合高斯模型, 它们都是基于概率分布的算法, 根据高斯概率密度函数的参数不同, 每一个高斯模型可以看作一种类别, 输入一个样本, 就可以通过概率密度函数计算其值, 再通过设定的阈值判断该样本是否属于已建立的高斯模型。混合高斯模型有多个模型, 相比单高斯模型只能适用于简单背景建模的情形, 混合高斯模型能将对象进行更精密的划分, 能够适用于复杂对象的建模和目标检测, 提出了一种基于自适应混合高斯模型的时空背景建模算法, 融合了像素在时空域上的分布信息, 采用四个高斯函数的混合模型, 来拟合差异图的概率分布图, 并将其应用到孔径雷达图像的变化检测中。但是由于混合高斯模型用于目标检测时需要建立多个模型, 会造成算法复杂度较大, 而且针对不太复杂的背景能很好的检测出运动的目标, 所以简单目标检测中多采用单高斯模型算法。笔者针对正常运动的目标和缓慢运动目标建立了快更新高斯模型和慢更新高斯模型, 根据运动情况选择匹配模型和对模型参数的更新策略, 综合运用两种模型检测目标, 最后通过实验验证, 并与传统算法比较, 实验结果证明了该算法的有效性和实用性。
1 系统描述
单高斯模型建模是较常用的基于概率分布的图像处理背景提取方法, 假定一帧图像中个像素点的分布不是相互独立的并且服从一维正态分布, 模型为每一个色点的颜色分布建立单个的高斯分布模型, 即
式 (1) 中Xn表示第n帧图像的灰度值矩阵, 即像素矩阵, 其大小与当前帧图像大小相同, 矩阵中每个元素相互独立且其分布服从高斯分布, N (Xn, µn, σn) 是高斯概率密度函数:
式 (2) 中µn和σn2表示当前帧高斯分布的均值和方差, 对第一帧图像得到其高斯概率密度函数的阶段即为对单高斯模型的初始化阶段, 当输入一帧新的图像时, 将该帧图像的像素矩阵Xn+1各元素与高斯分布比较, 若 (D一般取2到3之间) , 则认为该点Xn+1 (i, j) 服从高斯分布称该输入样本点与当前高斯模型匹配, 否则为前景点。
2 双模型融合的高斯背景模型
双模型为慢更新模型和快更新模型, 本文中的更新是指对高斯模型参数的更新。称nQ是第n帧图像的快更新模型, 模型参数随每一帧图像的更新而更新, 每一帧图像都要与快更新模型匹配, 该模型为主匹配模型。称Sn是第n帧图像的慢更新模型, 只有当检测到物体有缓慢移动趋势时才与当前帧图像匹配, 主要用于存储若干帧前的模型状态, 该模型为辅助匹配模型。
双模型融合的高斯背景建模对系统建立了两个高斯模型nQ和Sn, 快更新模型用于满足系统对实时性和快速性的要求, 慢更新模型用于实现系统对缓慢移动目标的检测能力, 根据不同情况选择一个模型或将两个模型融合, 使系统能快速、实时检测到长时间静止或缓慢移动的目标, 总体框图如图1所示。
快更新和慢更新融合的高斯模型可以概括为:每一周期开始输入新一帧图像时, 图像中各像素点优先使用快更新模型匹配, 根据匹配结果确定该像素点是否属于前景点, 出现如下两种情形时需要考虑使用慢更新模型匹配。
与相邻帧相比, 当前帧图像检测到的前景点重心在半径为阈值r的圆形区域内波动;
当前帧图像使用快更新模型匹配未检测到前景点而前一帧图像检测到前景点。
情形 (1) 表示相邻帧检测到的前景运动趋势不明显, 此时认为该帧时目标在做缓慢运动或静止, 由于快更新模型更新率的存在, 检测缓慢运动目标时可能会出现目标提取不完整的情况, 需要调用慢更新模型辅助匹配。情形 (2) 出现的原因有可能快更新模型匹配出现异常情况, 此时调用慢更新模型作为冗余匹配模型, 用于确定或排除异常情形的出现。
匹配完成后根据当前帧状态矩阵的状态参数flag1和flag2确定该帧背景模型, 状态矩阵Mn=[1 1]时, 表示匹配过程中同时调用了快更新模型和慢更新模型, 此时需要将两模型融合后输出前景快慢更新融合的高斯模型建模, 如果与当前帧 (第N帧) 匹配的快更新模型输出前景空间矩阵记作nF, 慢更新模型输出前景空间记作F'n, 则实际检测输出的前景空间矩阵Fcn为:
3 双模型新融合的高斯背景建模算法描述
根据以上模型分析, 双模型融合的高斯背景建模算法流程图如图3所示, 算法描述如下:
STEP1.模型初始化, 对每一个像素点分别建立快更新和慢更新两个高斯模型, 并使用第一帧图像初始化这两个模型。
STEP2.将新一帧 (第N帧) 图像各像各素点参数与快更新高斯模型匹配, 更新前景点空间nF, 该矩阵为非零矩阵时表示使用快更新模型匹配当前帧能检测到前景点, 则转到STEP3, 当nF为零矩阵时转到STEP4。
STEP3.判断该帧图像前一帧 (第N-1帧) 图像中是否检测到前景点, 若有则转至STEP3.1, 否则转STEP3.2。
STEP3.1.在相同坐标系内计算第N帧图像前景点矩阵中心nP与N-1帧前景点矩阵中心Pn-1的距离nD (即目标运动距离) , 若该距离小于阈值r, 则用慢更新模型匹配该帧图像各像素点, 更新慢更新模型的前景点矩阵nF', 再将快慢更新模型对应的两前景矩阵融合以更新当前帧前景空间, 然后转至执行STEP6;否则表示两帧图像之间模型变化不大, 快更新模型仍能满足提取目标的要求, 直接执行STEP6。
STEP3.2.使用N-1帧图像参数更新慢更新高斯模型参数, 转至执行STEP6。
STEP4.判断第N-1帧有无前景, 如果检测到有前景点存在, 则用慢更新模型与该帧各像素点匹配, 否则转至执行STEP6。
STEP5.根据上一帧匹配结果判断慢更新模型匹配时是否存在前景点, 若存在则用当前慢更新模型更新快更新模型参数。
STEP6.采用形态学滤波对处理后的图像做滤波处理, 滤去噪声点的干扰。
STEP7.输出处理后的图像, 并输入下一帧图像 (第N+1帧) , 开始新的周期。
4 实验仿真与结果
为了验证快慢更新融合的高斯背景建模算法的有效性, 选取了一组视频序列在MATLAB R2012b平台上进行两组实验验证, 第一组实验分别使用上文提出的双模型融合背景建模方法和传统单高斯建模方法对背景中正常运动的目标进行检测, 检测结果如图2所示, 第二组实验对背景中缓慢运动的目标进行检测, 并将两种方法的结果对比, 如图3所示, 第三组实验在模型初始化后模拟目标绝对静止的状态, 并对绝对静止的目标进行匹配提取。
为了提高对比的准确性, 两种模型初始化时均选取相同的初始参数和更新率, 同时为减少噪声点对结果的影响, 采用腐蚀算法对每帧图像处理后的结果滤波。
上图中可以看出, 使用双模型高斯背景建模方法检测正常运动的目标时, 其检测结果与传统单高斯模型检测结果没有太大差距, 说明本文提出的算法对正常情况是适用的。
从上图的对比结果中可以清晰的看出, 双模型融合的背景建模同样适用于对缓慢运动目标的检测, 且检测效果较好。
5 结语
笔者提出了一种双模型融合的高斯背景建模方法, 将主匹配模型与辅助匹配模型结合, 能根据当前帧检测效果区分当前运动目标的运动状态 (正常运动或缓慢运动) , 并根据运动状态灵活选择匹配模型, 与传统单高斯背景建模算法的对比试验表明, 双模型融合的算法更具有通用性, 不仅适用于对正常运动目标的检测, 还能有效的检测到长时间静止或缓慢移动的目标, 此外, 笔者提出的方法也能适用于背景简单变化的场景的建模。
参考文献
[1]李海霞, 范红.基于背景差法的几种背景建模方法的研究[J].工业控制计算机, 2012, 25 (7) :62-64.
[2]杨臖, 史忠科.基于改进单高斯模型法的交通背景提取[J].光子学报, 2009, 38 (5) :4.
[3]王孝艳, 张艳珠, 董慧颖, 等.运动目标检测的三帧差法算法研究[J].沈阳理工大学学报, 2012, 30 (6) :82-85.
背景建模 篇6
1 战场电磁环境组成
战场电磁环境是指在一定的战场空间内对作战有影响的电磁环境, 是在一定的战场空间内对作战有影响的电磁活动和现象的总和, 其内涵包括:战场电磁环境是战场环境的重要组成部分;战场电磁环境表现为一定战场空间内各种电磁信号的总体状态;战场电磁环境涉及的电磁活动内容广泛;战场电磁环境趋于复杂多变;战场电磁环境对战争进程和结局有重要的影响。
战场电磁环境的辐射源可分成人为电磁辐射源和自然电磁辐射源。人为电磁辐射是构成战场电磁环境的主要因素, 包括有意辐射和无意辐射。有意电磁辐射就是为了特定的目的, 使用专门的设备, 通过人工控制有意向空中特定区域辐射电磁信号。有意辐射源包括电子干扰系统、雷达系统、通信系统、光电设备、制导设备、导航系统、敌我识别系统、测控系统、部分新概念武器 (高功率微波武器、电磁脉冲武器等) 、广播电视系统等。无意电磁辐射是电子设备在工作时不希望形成的电磁辐射, 是无意且没有任何目的性的。自然电磁辐射是指来自于自然界的辐射源产生的电磁辐射, 主要包括静电、雷电和地磁场等自然辐射。
电磁环境要素是对构成电磁环境的各种因素的一种描述。战场电磁环境相对复杂, 其构成要素包括:敌我双方的电子对抗、各种用频装备的自扰互扰、民用电子设备的辐射以及自然电磁现象等, 其中各类武器装备的有意电磁辐射直接影响作战双方的战斗局势。因此, 对战场电磁环境的研究主要针对这类人为的有用电磁信息和有针对性的电磁干扰。以雷达、通信及其干扰装备为代表的军用电子信息装备所形成的信号环境已成为战场电磁环境中最为重要的构成要素。
2 飞机突防作战战场复杂电磁环境特点
实施空中突防作战时防御方的指挥控制系统和防空预警系统等将全面启动, 同时为了保证突防编队能够顺利实施作战行动, 攻击方的指挥控制系统和支援干扰系统等都必须采取相应的措施进行配合, 从而导致战场空间充斥着各种雷达、通信及干扰信号, 使得该区域在空域、时域、频域上分布的电磁信号数量繁多、样式复杂、密集重叠、动态多变, 形成了极其复杂的电磁环境[1]。
2.1 复杂性
战场环境中, 交战双方的电子信息装备分布于战场的不同地理位置, 装备平台遍布于陆地、海上、空中乃至太空等多维空间, 涉及无线电通信、指挥、雷达、制导、导航、声呐等各种电子信息装备设备, 产生的电磁环境信号样式纷繁复杂、用途多样, 范围遍及整个电磁频谱空间。
2.2 密集性
在一定的空域、时域、频域上大量电子设备同时集中使用, 工作频率非常集中, 导致作战区域内的电磁信号高度密集。据资料统计, 海湾战争中, 美军在短时间、小空域内开设了2 500多个通信枢纽, 电台开机1.62万部, 使用频率3.5万个[2]。未来战争中信号密度将会更大, 预计2010年以后, 雷达侦查接收机的信号密度可以达到每秒几百万到上千万脉冲[3]。
2.3 实时性
战场环境中, 交战双方为了实现有效的侦察、定位、干扰和防止反辐射武器的攻击, 必将不断使用新体制雷达和频繁更换的干扰样式。为了保持通信联络的畅通和作战指挥的不间断, 必将不断使用新体制电台和新的通信频率, 致使战场电磁环境随电磁频谱领域斗争态势的不断变化而变化, 时而持续连贯, 时而集中突发, 每时每刻都在更新。
2.4 两面性
当攻击方制造电磁环境, 并影响和制约防御方的同时, 也可能会影响和干扰到自己, 因而对作战行动和效果有着正反两个方面的决定性影响。比如攻击方某部雷达装备发射干扰信号时, 不仅会影响防御方电子信息装备的作战效能, 同时也会干扰己方电磁信息获取的途径, 增加攻击方装备面临的无意干扰信号密度, 这里不仅包括干扰信号本身, 还包括由该探测信号产生的各种散射杂波, 在一定程度上降低己方相同或相邻波段电子信息装备的性能。
2.5 对抗性
为了准确掌握防御方的作战行动, 交战双方将加强对电子设备的侦察监视, 并对指挥、通信、雷达等系统实施软硬打击, 使得侦察与反侦察、干扰与反干扰、压制与反压制摧毁与反摧毁的斗争将十分激烈电子信息系统将工作在激烈对抗的电磁环境中, 对抗双方将根据各自的对抗背景选择装备的工作状态和工作样式[4]。
由于飞机突防作战的上述电磁环境特点, 使得对电磁环境的恰当描述已成为相当复杂的课题, 很难得出针对各种信号都兼容、一致性较好的描述方式。
3 飞机突防作战战场复杂电磁环境建模
国内对于电磁环境模型的建立方法主要有:基于电磁场数值计算方法的电磁环境建模;基于空间物理理论的电磁环境建模;基于电磁场理论的电磁环境建模;基于地理信息影响的电磁环境建模;基于特定电子信息装备的电磁环境建模等。考虑计算机运算速度的限制, 在此采用信号描述字的方法, 基于地理信息系统, 通过建立功能级电磁信号传输环境, 实现空间电磁环境的描述和仿真建模。
3.1 模型组成
全部模型组如图1所示。根据电磁环境的分析结果, 结合装备实际位置情况建立相关的详细模型。其中, 信号模型按照信号样式建模, 天线扫描模型按照扫描样式建模, 多径效应模型根据实际战情设计结果考虑是否应用。
按照突防时飞机的飞行高度和采用战术的不同, 可以分为各种不同的突防方式。按高度划分, 飞机的突防方式可以分为中空突防、高空突防、低空突防。现代战争中, 飞机突防经常采用的突防航线为低空、超低空突防, 并且编队作战。基于这种考虑, 模型中遮挡模型和绕射模型在保证电磁环境仿真逼真度方面起着重要的作用[5]。
3.2 信号环境描述字建模方法
仿真系统采用威胁信号环境参数法描述作战空域内的电磁环境, 以信号环境参数 (EVW) 作为信号仿真的基本模型。仿真中, 根据预先装订的威胁信号参数得到突防空域内雷达和通信装备的信号环境描述字参数。雷达脉冲信号用脉冲描述字 (PDW) 表示[6], 通信及其他样式雷达信号统一用信号描述字 (SDW) 表示。干扰信号中噪声信号使用统计信息形成噪声描述字 (NDW) , 欺骗干扰信号样式与有用信号相近, 也采用PDW或者SDW表示。
3.2.1 雷达脉冲信号环境建模方法
PDW主要包括威胁信号的以下参数:脉冲前沿到达时间 (TOA) 、脉冲载频 (RF) 、脉冲功率密度 (PR) 、相位 (PH) 、脉冲到达角 (AOA) 等。雷达威胁信号环境仿真就是在这6个参数的基础上, 再加上对威胁雷达辐射源和突防飞机空间位置参数的考虑而对雷达威胁信号环境所作的仿真。
3.2.2 噪声信号环境建模方法
NDW主要包括噪声信号的噪声分布类型、均值、方差、形状参数等参数。运用零记忆非线性变换方法 (ZMNL) 随机生成噪声信号序列, 对带宽内噪声频谱序列进行预存。突防航线上各点的噪声威胁环境, 根据各个干扰装备对在该点形成的有效噪声功率谱进行合成。
3.2.3 通信及其他样式雷达信号环境建模方法
SDW主要包括威胁信号的以下参数:信号瞬时载频 (CF) 、瞬时频率 (F) 、平均带宽 (MBW) 、平均时宽 (MTW) 、数字信号传输数率 (DBR) 、带内功率密度序列 (PDSS) 、带内频谱序列等 (FSS) 等[7]。为了提高仿真速度, PDSS和FSS可以根据信号样式进行预先存储。仿真中根据序列指针和频谱搬移量, 具体确定瞬时信号谱分布序列, 并根据传播路径损耗进行能量衰减计算, 以空间位置作为单元记录威胁信号环境。
4 模型库设计
4.1 库表组成及分类
仿真模型库根据功能分为雷达脉冲信号、雷达连续波信号、通信数字信号、通信模拟信号、天线扫描、天线方向图、环境参数、多径效应、遮挡、坐标变换等部分[8,9], 分别存储相关信息。仿真进程根据参战电子信息装备性能特点和位置分布参数, 以及战情气象等信息, 确定模型选择和模型参数[10]。表1以雷达装备为例, 列出了主要库表目录。
限于篇幅, 表1中仅列出了表单中的总表, 按照模型复杂程度, 表中1～5及9项分别包含若干子表。
4.2 实体关系设计
电子信息装备主要根据信号参数代码、天线扫描样式代码、天线方向图代码进行装配, 根据传播模型代码进行信号传播处理, 在环境参考点装配成PDW或者SDW描述字, 存入仿真结果库。
雷达模型实体关系如图2所示。信号参数[9]代码包括各种样式的脉冲信号和连续波信号。方向图和扫描样式也分为多种, 每种样式分别由主键识别。装备标识代码具有可继承性, 用来区分不同雷达装备的信息。损耗、坐标变换和遮挡模型在仿真进程中按实际路径计算, 为并列关系, 这里不予图示。
5 结语
在信息化条件下, 空中战场的电磁环境随武器装备的不断改进和更新换代呈现越来越复杂的趋势。充分认识和了解复杂战场电磁环境对作战行动的影响, 合理运用攻击方的电子信息武器系统以夺取制电磁权并保持空中优势, 是顺利实施空中突防作战, 乃至夺取战场主动权的前提和基础。电磁环境的仿真建模工作作为电磁环境预测技术的一部分, 是一项基础性、关键性技术, 具有非常重要的军事应用价值, 对进一步提高电子信息装备在未来复杂电磁环境中的作战效能具有重大的意义。
摘要：针对飞机突防作战的战术背景, 提出了信号环境描述字建模方法, 详述了该方法用于雷达及雷达干扰、通信及通信干扰信号环境建模的过程;分别选择不同参数形成PDW和SDW描述字, 对空中突防作战背景下的电磁环境威胁信号进行了描述;详细设计了模型库的库表结构, 并举例设计了模型实体关系, 为后续仿真工作的开展提供了详实的依据。
关键词：飞机突防,电磁环境,建模方法,数据库
参考文献
[1]高岩, 于博.复杂电磁环境特性[J].四川兵工学报, 2008, 29 (1) :19-21.
[2]周辉.战场复杂电磁环境分析与应对策略[J].装备指挥技术学院学报, 2007, 18 (6) :60-61.
[3]夏军成, 戴春华.海战场负责电磁环境对舰载雷达侦察机的影响及措施分析[J].舰船电子对抗, 2008, 31 (1) :6-7.
[4]王兴华, 雷文太.空中战场复杂电磁环境分析[J].装备环境工程, 2009, 6 (2) :93-97.
[5]叶文, 朱爱红, 刘博, 等.飞机低空突防技术研究[J].电光与控制, 2007, 14 (4) :87-91.
[6]张志敏, 刘磷.雷达电磁环境仿真分析[J].舰船电子对抗, 2008, 31 (2) :60-63.
[7]杨萃.复杂通信电磁环境构建方法初探[J].通信对抗, 2008 (2) :13-16.
[8]赵健, 张智, 李帅.雷达电磁环境仿真研究[J].舰船电子对抗, 2009, 32 (5) :71-74.
[9]程健庆, 余云智.信息化战场条件下复杂电磁环境仿真建模技术[J].舰船电子工程, 2008 (8) :57-60.
背景建模 篇7
面向大气背景测量试验的卫星主要用于测试红外相机的性能,大气背景测量试验主要完成对不同波段、不同区域、不同季节、不同观测角、不同气象条件和不同时相下对地球大气背景的多谱段红外辐射特性进行测量,积累红外波段地球大气背景特性数据。面向大气背景测量试验的卫星为中低轨观测卫星,具有试验项目多、任务复杂、星地协同配合要求高、试验难度大以及携带相机具有高像元辨率、高辐射测量精度、单星全球覆盖、信息量丰富等特点。如何调度面向大气背景测量试验的卫星有限的资源以完成尽可能多的任务是一项重要而棘手的难题。现针对此类卫星的背景测量任务规划问题及方法展开研究。
卫星任务规划作为任务规划一般理论与卫星应用技术相结合的专门研究方向,在最近十几年中遵循观测目标和需求的复杂化、观测资源和手段的多样化、规划调度模式、模型和算法智能化、动态化的轨迹发展。[1,2]面向大气背景测量试验的卫星规划问题的研究工作起步较晚,目前仅有美国和俄罗斯等少数国家的研究机构进行过研究。
现通过长短期任务规划相结合的规划方式,长期任务规划主要完成中低纬和高纬背景测量任务及其他周期性任务,短期任务规划主要是输出卫星在短期规划周期内的实际成像计划。在短期滚动任务规划中引入模型控制预测机制,通过卫星轨道预测模型和任务规划模型之间的相互作用,建立一种在线动态滚动式的求解框架。
1 面向大气背景测量试验的卫星任务规划问题
面向大气背景测量试验的卫星任务规划问题就是在多遥感器、多个成像需求的情况下,研究如何生成一个满意的卫星任务规划方案,合理分配卫星资源以完成更多的成像任务,充分发挥成像卫星系统的能力。
1.1 问题输入
面向大气背景测量试验的卫星主要完成用户提出的观测试验需求,包括规划周期、目标任务、卫星平台及遥感器参数等信息。这些要素构成了面向大气背景测量试验的卫星任务规划问题的基本对象。
1.2 问题输出
面向大气背景测量试验的卫星任务规划问题的输出有观测活动编号、载荷开关机时间、跟踪指向序列、试验模式、相机参数等。根据输出结果即可生成卫星上注指令,控制卫星执行相关任务。
1.3 优化目标
与卫星观测相关的规划问题,其优化目标可以有不同的形式,具体决定于卫星使用部门的偏好。针对面向大气背景测量试验的卫星对背景测量目标观测来说,卫星资源规划的优化目标是在完成观测任务对区域目标覆盖率与优先级综合收益最大的情况下,满足用户对负载均衡的要求。
1.4 约束条件
面向大气背景测量试验的卫星进行观测时必须满足一定的约束条件。
1.4.1 遥感器能力
在面向大气背景测量试验的卫星任务规划问题中,真正完成观测任务的是星载遥感器而不是卫星本身,在同一时刻只能执行一项观测任务。
1.4.2 观测时间窗口
卫星高速运行于近地轨道,当地面目标对应的观测场景位于扫描带范围内时卫星才能执行观测任务,使目标得以成像。
1.4.3 存储容量
星载存储器具有一定的存储容量限制。当存储的观测数据达到存储容量时,必须先将存储数据回传至地面站,然后卫星才能执行后续观测。
2 基于MPC的面向大气背景测量试验的卫星任务规划模型
模型预测控制MPC(Model Predictive Control),也称为滚动时域控制(Receding Horizon Control, 简称RHC),是一类基于模型预测控制算法的集合,包括工业过程中常用的动态矩阵控制、模型算法控制及广义预测控制等[3]。MPC是一种基于模型和基于优化的控制,模型预测、滚动优化和反馈校正三大优化原理[4,5],将MPC从单纯地解决控制问题推广到基于优化的广义控制问题。为了解决问题方便,面向大气背景测量试验的卫星任务规划问题可以更加确切的描述为:给定长期任务时域要求[StartTime,EndTime],在此期间有分解的若干个短期任务,按顺序的开始时间为t1,t2,…,tn-1,tn,tn+1,…,tN,其中tn∈[StartTime,EndTime],n=1,2,…,N,表示在长期任务时域[StartTime,EndTime]内共有N次短期任务,也就是存在N个决策时刻点,在具有轨道预测及用户对历史成像数据评估反馈的条件下,需要制定在这些决策时刻点卫星的观测计划,实现对大气背景的最佳观测。
由于单星完成大面积区域目标观测的困难、卫星轨道不能长期精确预测及遥感器性能受限,卫星对移动目标搜索在线任务规划问题是传统的全局规划方法无法解决的。因此在借鉴MPC思想的基础上,把成熟的预测控制原理应用于动态不确定环境下多星滚动规划问题的求解,采用多次在线滚动局部优化代替一次性的全局优化。
结合MPC的思想和多星对移动目标搜索任务规划问题的特点,构建如图1所示的面向大气背景测量试验的卫星任务规划求解框架。
2.1 滚动规划窗口
针对所研究的问题在先于短期滚动规划进行的长期任务规划中可以确定达到用户满意的任务完成率的规划周期T,将该长期规划周期T划分为若干个连续的短期任务规划。短期任务滚动规划窗口大小的确定取决于轨道预测精确度的时效性,即在根据最新的遥测数据得到的轨道根数,以及轨道预测模型的输入,得出的预测结果在多大的时间长度内是相对较为精确的,该周期的确定需要用户根据任务划分结果和影像数据管理模块中比较预测结果与实际轨道根数之间的偏差大小来确定。
图2描述了面向大气背景测量试验的卫星短期任务滚动规划窗口的场景,假设卫星完成一轨的运行时间均为tOrbit在长期任务时域要求卫星完成超过kl+2次的轨道圈次运行,时刻点分别为t1,t2,t3,…,tkl+2…。图中可以看到除了窗口PWk外每个滚动规划窗口是以提供该窗口轨道预测输入的轨道根数的时刻点tPk为开始至卫星完成(k+1)l个轨道圈次的运行时间为止,这也是滚动规划窗口的时域特性,其中窗口PWk由于不能保证每次长期规划周期都能平均分解,最后一个窗口时间是不确定的。某个长期规划分解后的第一个滚动规划窗口PW0是以距离时刻点t0最近的卫星轨道根数为基础的。
2.2 任务规划模型
为了便于表达,设定一下变量:
Targets={target1,target2,…,targetj},1≤j≤AlTargets是需要被观测的区域目标集合,j是区域目标编号,AlTargets是待观测的区域目标总数;
AlTasksj是区域目标j动态分解的单景任务数;
Select
LPj:区域目标j的动态调整后的优先级;
arcTask
SelectWin
在获得卫星轨道预测模型、定义卫星规划滚动窗口和收益函数的基础上,可以对面向大气背景测量试验的卫星短期滚动任务规划模型进行阐述。
基于滚动窗口的面向大气背景测量试验的卫星短期滚动任务规划的流程如下:
Step1:当规划系统获取第n-1个滚动规划窗口内的距离第n个窗口最近的圈次内的实际轨道根数后,按照短期滚动规划周期等时间信息建立滚动规划窗口PWn≤n,l,Pron,sTimen,eTimen>,其中sTimen为上述实际轨道根数对应的时刻点,eTimen为第n*l个轨道圈次完成的时刻点。
Step2:将获取的位于第n-1个滚动规划窗口内sTimen时刻的卫星轨道根数作为轨道预测模型的输入,对时间区间<sTimen,eTimen>卫星运行轨道进行预测,依据预测结果建立滚动规划窗口PWn的局部优化问题Pron={tp|sTimen≤tp≤eTimen}。并根据预测结果对区域目标进行动态分解成单景任务,并获得卫星观测单景任务的时间窗口,设置或调整区域目标任务优先级。其中分解的单景任务优先级为所在区域目标任务的优先级。
Step3: 采用覆盖率和优先级综合收益最大以及卫星负载均衡等两级优化目标建立局部优化问题Pron={tp|sTimen≤tp≤eTimen}的任务规划模型为
由于卫星短期滚动任务规划的结果是卫星的具体成像计划,所以卫星短期滚动规划模型中除了考虑长期规划模型中提出的约束之外还应该考虑以下约束:
只能在0时刻和上述确定的时刻点进行遥测数据下传活动后才能激活滚动窗口,产生局部优化问题,因此约束
n=0,1,2,…,N-1。
每次规划的时间窗口只能是背激活的滚动窗口Pron={tp|sTimen≤tp≤eTimen},即以此确定规划的起止时间。
卫星存储约束:
Step4:针对滚动窗口Pron={tp|sTimen≤tp≤eTimen}内的问题模型进行求解,获取卫星及遥感器的最佳搜索行动,并上传指令控制卫星执行。
Step5:当n=N-1时规划结束。
3 面向大气背景测量试验的卫星任务规划求解算法
卫星观测调度为NP-hard问题[6],变量规模巨大,采用精确算法难于求解。卫星对点目标的调度中,多采用启发式算法[7,8,9]、智能优化算法求解,禁忌搜索算法被证明求解较大规模的卫星规划问题较为理想。
3.1 邻域设计
设计了两种邻域结构。
3.1.1 邻域
插入邻域的功能是将尚未安排的观测活动(对单景任务的可见窗口)插入到当前解中某个观测活动之后。
3.1.2 替换邻域
替换邻域包括两种方式的替换,一是将尚未安排的收益较高的观测活动来替换当前解活动序列中的某个已安排的收益较低的活动,二是删除已安排的某活动来增大其他尚未安排的活动的机会。
3.2 禁忌列表
选用移动操作作为禁忌对象,禁止搜索过程在一定的迭代次数内重复前面达到局部最优的状态。
3.3 特赦规则
在本文所设计的禁忌搜索过程中,采用了两种特赦规则:① 如果某个当前处于禁忌状态的解优于当前解,那么可以接受向该禁忌解的移动;② 如果候选解集中全部候选解都被禁忌时,而①的规则又无法使程序继续下去,此时从候选解集中选一个质量最好的解禁。
3.4 候选解的接受准则
在禁忌搜索的每一步迭代过程中,都需要比较候选解集中全部候选解的质量,并且接受的都是候选解集中满足特赦规则的最佳候选解或是非禁忌的最佳候选解。
3.5 终止规则
设计的禁忌搜索过程采用了两条规则来判断搜索是否应该终止:① 判断当前解的邻域是否不包含任何可行的候选解,若是,则停止搜索过程;② 判断目前迭代次数是否大于最大迭代次数限制,如大于,则终止禁忌搜索过程。
3.6 最优解信息保留
由于禁忌搜索会接受比当前解质量较差的候选解,在整个搜索过程中解的质量并不是稳定上升的,且采用此算法希望得到一系列满足第一级优化目标(综合收益最大)的解,再从这些在第一级优化目标收益差异不大的解中选取满足第二级优化目标的解作为最优解。
3.7 算法流程
4 仿真实验
由于禁忌搜索局部搜索算法在理论上很难证明解的最优性,采用了实际中广泛采用的大规模计算分析法,在搜索初始时设置一个Δλ值,表示各个相邻两次搜索得出局部最优解第一级优化目标收益的差值比例,通过设置不同的Δλ值对算法对模型的适应性和求解效果进行分析。
4.1 计算实例的主要参数
区域目标与长期任务规划算法实例中保持一致。动态调整后对应的优先级分别为5和7。卫星轨道根数数据在卫星历史轨道数据中随机选择。规划周期依据实际情况及应用经验,为达到轨道预测精度与规划规模控制的要求,短期任务规划的周期选择为7天。Δλ值分别选择5%、10%、15%、20%和25%等五个最优覆盖率与优先级收益差异比例。禁忌搜索算法迭代总数上限为2000次。其他卫星资源等约束依据实际情况进行设置。
4.2 计算结果
每个Δλ值运算十次,最后取各Δλ值运算结果的均值作为用户最终选择的评价基础。
不同Δλ对覆盖率及优先级综合收益的综合影响如图4分析所示。
不同Δλ值对综合收益的影响来说是随机的,这种随机性取决于禁忌搜索算法的随机性,与Δλ值的选取没有决定性的关系。
不同Δλ对负载均衡指标优化目标的综合影响如图5分析所示。
由图5可以看出,随着Δλ的增加,负载均衡指标先是迅速减小,在Δλ增加到15%之后负载均衡指标减小的趋势变缓,增加到25%之后负载均衡指标在减小的总体趋势下,曲线趋于平缓。说明Δλ值的选择对负载均衡指标的影响还是十分大的,Δλ值的增加使得最优解列表中保存迭代过程中的最优解值范围变大,使得负载均衡指标的降低空间也变大,使得达到第二级优化目标要求的可能性增加。
5 结束语
数学模型是求解面向大气背景测量试验的卫星任务规划问题的基础,论文分析了面向大气背景测量试验的卫星的观测特点,在分析任务规划的系统性和时效性、实际约束及输入输出分析的基础上,采用长短期任务规划相结合的规划方式解决面向大气背景测量试验的卫星任务规划问题。建立了基于模型预测控制(MPC)的短期滚动规划模型。
鉴于问题的复杂程度,本文采用了分级优化策略,设计了禁忌搜索求解算法,并对算法的性能进行了分析。应用实例表明,所给出的方法能够得到满意的任务规划方案,据有很强的实用价值。
参考文献
[1]邢立宁,陈英武.任务规划系统研究综述.火力与指挥控制,2006;31(4):241—244
[2]徐一帆.天基海洋移动目标监视的联合调度问题研究.长沙:国防科学技术大学,2009
[3]白国庆.区域普查试验卫星任务规划方法与应用研究.长沙:国防科学技术大学,2011
[4]席裕庚.动态不确定环境下广义控制问题的预测控制.控制理论与应用,2000;17(5):665—670
[5]徐祖华.模型预测控制理论及应用研究.浙江大学,2004
[6] Bensana E,Verfaillie G,Bataillie N,et al.Exact&INEXACTmethods for daily management of earth observation satellite.Proceed-ings of the 4th International Symposium on Space Mission Operationsand Ground Data Systems,Germany:European Space Agency,1996:507—514
[7] Cohen R.Automated spacecraft scheduling-the ASTER example.Ground system architectures workshop.Technical Report20060030755,USA:Nasa Center,Jet Propulsion Laboratory,2002
[8]徐雪仁,宫鹏,黄学智,等.资源卫星(可见光)遥感数据获取任务调度优化算法研究.遥感学报,2007;11(1):109—114