隨著機器視覺技術的發展，其應用受到越來越多的關注,如研究人員應用計算機視覺技術對蘋果[1]、葡萄[2]、西紅柿等蔬菜[3]水果進行檢測和分類，對棒材、煙支等靜態目標進行檢測與計數。而用于對行人[4-6]、車輛等動態目標的檢測方法主要有幀差法、背景減法、光流法。其中幀差法是基于多幀圖像的相關性而提出的方法，通過將相鄰兩幀或者多幀的灰度值做差，當差值很小時，則標記為背景，反之，則被認為是運動目標，該方法具有算法簡單、對光照與環境變化具有適應性等特點。背景減法將序列圖像當前幀與背景圖像做差，當差值很小時，被認為是背景區域，相反則被標記為目標區域。背景差分可以通過背景建模的方式提高對環境變化的適應能力，常見的建模方法有中值、均值濾波法、單高斯模型背景更新[7]、混合高斯模型法更新、碼書背景建模等。

    本文首先以傳送帶上運動的物料袋為研究對象，針對幀差法和背景減法在性能上互補[8]的特點，提出了一種融合五幀差分與高斯模型的運動物料袋快速檢測方法。首先以傳送帶和物料袋為研究對象，采用改進的五幀差分法提取目標區域，以減小環境光照的影響；同時以物料袋為研究對象,利用單高斯模型進行背景的更新，將中間幀圖像與背景圖像做差，得到目標區域，通過運動策略分析,最后將兩個目標區域進行形態學“與”運算，從而消除了傳送帶在物料袋檢測過程中的影響。
1 改進的五幀差分算法
    設Fk(x,y)、Fk+1(x,y)分別表示第k幀和k+1幀的圖像，Hk(x,y)為差分結果，即：
    
    (2)為了補償背景更新對其他圖像幀的影響，采用圖像加運算的補償方法，當幀數滿足((k-1)%5==0)||((k+1)%5==0)時,保存該圖像幀，再對該幀相鄰幀圖像進行加運算, 其中NumFrm=k，NumFrm為幀數，最后得到前景圖像。
3 物料袋檢測算法及描述
    首先從視頻流中獲取五幀視頻，判斷中間幀是否滿足上述條件，然后利用改進的五幀差分算法提取初步的物料袋圖像；同時對獲取的中間幀進行單高斯模型背景更新，再用背景減法獲得物料袋圖像，針對幀差法和背景差法互補的特點，最后獲取物料袋前景圖像。
    由于存在時間間隔與延遲，從而使某些幀信息丟失。為此，本文對該視頻幀進行了統計分析,如圖1所示。結果顯示,當幀數滿足((nFrmNum-1)%5==0)||((nFrmNum+1)%5==0)時，檢測到較為完整的物料袋，而相鄰幀圖像出現了局部空洞圖像,如圖1(d)所示。針對非剛體物料袋表面絕大部分具有相似性的特點，本文通過完整物料袋圖像的表面圖像來補償相鄰幀不完整的圖像,最終得到了完整的物料袋目標圖像,如圖1(e)所示。

4 實驗結果及分析
    實驗所采用的視頻來源于成都某食品公司的倉庫，視頻中的物料袋為玉米袋，視頻內容為玉米袋裝車時在傳送帶上的運動情況，視頻中包含了本文研究所包含的各種影響因素，具體包括：運動的人、光線的變化(明暗變化)、復雜的背景等。實驗中計算機的配置：CPU為Pentium T4400，主頻2.21 GHz，內存2.00 GB；硬盤空間320 GB。實驗中視頻格式為AVI，分別采用單包、連包情況下的3段視頻進行試驗，視頻設為I、II、III，時長分別為1′17"、46"、1′5"。其中單高斯模型的更新系數為a=0.05。
    圖2所示為采用視頻I，并對傳統的混合高斯模型(GMM)、單高斯模型(SGM)、五幀差分法(FFD)、以及本文算法(Proposed Algorithm)進行對比研究的結果,其中圖2(a)、圖2(b)、圖2(c)分別表示對視頻第459幀、第732幀、第895幀的原始幀 (Original Frame) 圖像及其檢測效果。結果顯示,雖然各種算法針對的運動物體的檢測條件不同，而當選擇傳送帶跟物料袋為整體研究對象時，本文算法具有非常明顯的優勢。視頻中人體局部在運動，并且光照在時明時暗的變化條件下，對檢測結果影響不大。圖中第459幀中的光線較其他幀圖像強,第895幀光線變暗。

    圖3所示為采用視頻II和視頻III對橫向連包和縱向連包情況下的物料袋檢測結果。圖4所示為前景圖像中白色區域的面積隨時間的變化關系，P(t)表示前景圖像中像素點的實時分布概率。結果顯示，圖4(a)對橫向連包的檢測結果比較明顯，曲線與橫坐標所圍的面積約為單包時的2倍。視頻III中，由于受傳送袋上散落玉米粒的影響，在66.7 ms~133.3 ms時間段內出現了兩個峰值，圖4(b)中連包時峰值與相鄰極小值所圍的面積約為單包的2倍。

    本文對傳送帶上運動的物料袋進行了研究，針對幀差法與背景減法互補的特點，提出了一種運動物料袋快速檢測方法。該方法對環境變化有較好的魯棒性，實驗結果得到了較好的檢測效果，因此可以應用于基于計算機視覺技術的物料袋在線檢測、統計等相關研究與應用中。但是，當傳送帶發生劇烈晃動時，本文方法檢測效果不太理想，檢測結果會出現局部面積較小的空洞。
參考文獻
[1] 趙延軍,徐麗明.基于機器視覺的蘋果果袋檢測方法[J].中國農業大學學報,2006,11(1):87-90.
[2] 陳英,廖濤,林初靠,等.基于計算機視覺的葡萄檢測分級系統[J].農業機械學報,2010,42(3):169-172.
[3] 丁筠,殷涌光. 蔬菜中大腸桿菌的機器視覺快速檢測[J].農業機械學報,2012,43(2):134-139.
[4] 陳浩,王景中,姚光明.基于類園分割的棒材計數圖像識別[J].工程圖學學報,2004(4):89-103.
[5] 李衡宇,何小海,吳煒,等.基于計算機視覺的公交車人流統計系統[J]. 四川大學學報(自然科學版),2007,44(4):825-830.
[6] 章東平,童超,蘆亞飛.基于粒子視頻的高密度人群主流運動檢測[J].電子技術應用,2012,38(4):123-125.
[7] WREN C R, AZARBAYEJANI A J, DARRELL T J, et al. Pfinder: real-time tracking of the human body[C].Photonics East′95. International Society for Optics and Photonics, 1996.
[8] 郝毫剛,陳家琪,遠博,等.基于五幀差分和背景差分的運動目標檢測算法[J].計算機工程,2012,38(4):146-148.
[9] 王耀明,董建萍,嚴煒,等.圖像閾值分割的統計迭代算法[J].桂林電子科技大學學報,2000, 20(2):6-7.