镁合金因具有密度小、比强度和比刚度高等优异的性能在汽车、通讯设备等领域得到日益广泛的应用^[1-2]，然而镁合金熔炼过程中含氢量是影响镁合金铸件成型后质量的主要因素^[3-6].目前，基于第一气泡法衍生的镁熔体快速定量测氢仪^[7]，依赖人的经验，测量结果不稳定，原因在于对第一气泡的识别存在超前或滞后的情况^[8].

近年来，镁熔液第一气泡算法被相继提出，如支持向量基法^[9]，改进背景预测和双层流水线的算法^[10]等，其中改进背景预测和双层流水线的算法首次实现了对镁熔液序列图像的检测，但检测到的目标点面积较小^[11]且实时性不高.本文在文献[10]中的背景预测模型基础上提出改进模型，并利用双层流水线算法结合改进模型对镁熔液序列图像进行检测，在背景抑制、检测到的目标点面积、算法实时性方面均取得了良好的效果.

支持域ROS (Region of Support)又称为邻域(Region)，支持域有3种基本形式，因果支持域、半因果支持域和非因果支持域，由于半因果支持域兼顾因果支持域弱小目标检测性能优异以及非因果支持域杂波抑制能力强两方面的优点^[12]，且预测窗口选取的背景点个数越多，计算量越大，不利于实时检测^[13].因此，本研究在半因果支持域的基础上设计了多种背景点个数较少的半因果支持域模型, 并对所有模型进行仿真实验，根据模型的背景抑制^[14]效果、算法实时性等方面综合比较，最终选择性能最优的改进半因果支持域模型.改进半因果支持域的背景预测模型为

式中：Y_am, n和Y_b(m, n)均为点(m, n)的预测背景灰度值，X₀(m+l, n+k)为原始图像的灰度值；W_j(l, k)为预测权系数；l, k为预测窗内像素坐标；R₁和R₂分别为水平方向上改进的半因果支持域，预测窗口大小为7×7，如图 1所示.

图 Figure1(Figure Figure1)

图 1 改进半因果支持域 Figure 1 Modified semi-causal support region

预测窗口大小选择7×7的原因是：仿真实验证明，预测窗口大小为5×5时，算法实时性好但检测不到目标；预测窗口大小为9×9时，算法虽然能检测到目标但实时性差；预测窗口大小为7×7时，算法既能检测到目标同时实时性较好.

最大化背景预测原理即将目标像素点周围背景的像素点以目标点像素点为中心划分为4个区域，并分别对目标点灰度值进行预测，进而取各个区域预测的灰度值的最大值作为最终的预测值，具有弱小目标检测性能强和噪声抑制效果佳的优势，本研究根据文献[10]提出的改进最大化模型, 结合改进半因果支持域模型采用的改进最大化模型为

式中：Y_a(m, n)为改进半因果支持域R₁预测的背景灰度值；Y_b(m, n)为改进半因果支持域R₂预测的背景灰度值；Y_max(m, n)为最终的预测值.

第一气泡实时检测算法流程如图 2所示，算法由3个步骤组成，分别如下.

图 Figure2(Figure Figure2)

图 2 第一气泡实时检测算法 Figure 2 Real-time detection algorithm for the first bubble

Step1:首先读入4帧连续的原始图像，然后采用改进半因果支持域的最大化背景预测模型对4帧连续的原始图像进行背景预测得到4帧背景预测图像；其次用4帧原始图像减去4帧背景预测图像得到4帧残差图像送入流水线管道1中，以上操作称为对图像的预处理；进而对预处理得到的4帧连续的残差图像作隔帧差分处理^[15]得到两帧图像；最后对隔帧差分后的两帧图像分别作阈值分割处理获取二值图像，并将这两帧二值图像送入流水线管道2中，这里阈值分割采用自适应阈值分割法，阈值T=mean+kσ，其中，mean为图像的均值，σ为图像的均方差，k为常数，通常取2~15，本研究k取12.

Step2:对step1中4帧连续的原始图像之后的第5帧图像进行预处理操作得到残差图像，将得到的残差图像送入流水线管道1中，经过帧移位操作后^[10]，流水线管道1中的4帧残差图得到更新，然后对第5帧图像作隔帧差分和阈值分割处理获得一帧二值图像，并将这帧二值图像送入流水线管道2中，同样进行帧移位操作，这样流水线管道2中的两帧图像得到更新.

Step3:对流水线管道2中不断更新的2帧二值图像作逻辑与运算以及形态学开运算^[16]去除比结构元素小的亮点，直到检测到目标，此处形态学开运算根据目标点的特性采用大小为1的扁平圆形结构元素.

本实验对第一气泡析出前后大小为420Pixel×398Piexl，速度为30帧每秒的90帧序列图像进行仿真实验.仿真环境：CPU为P6000，主频1.87 GHZ，内存3.00 GB，仿真软件为MATLAB7.11.图 3为摄像机采集的第一气泡开始析出后的原始图像，即90帧序列图像中的第80帧.图 4和图 5分别为文献[10]半因果支持域模型和本研究采用的改进半因果支持域模型对第一气泡析出后的单帧原始图像预处理后的三维残差图，可以看出，本研究背景预测模型预处理的残差图的背景被抵消的程度更高，背景抑制效果更好.

图 Figure3(Figure Figure3)

图 3 第一气泡析出后的原始图像 Figure 3 The original image of the first bubble

图 Figure4(Figure Figure4)

图 4 文献[10]预处理后的三维残差图 Figure 4 Three dimensional residual image by pretreatment in reference[10]

图 Figure5(Figure Figure5)

图 5 本研究预处理后的三维残差图 Figure 5 Three dimensional residual image by pretreatment in this research

将文献[10]背景预测模型和本研究改进背景预测模型的背景点个数以及两种预处理算法对第80帧图像预处理的时间进行对比，见表 1，表 1中的数据结果是10组仿真试验数据的平均值.

表1(Table 1)

表 1 两种算法的单帧图像检测性能对比 Table 1 Comparison of single frame image detection performance of the two algorithms 预处理算法 帧数 背景点个数 预处理时间/s 文献[10]算法 1 17 0.009 7 本研究算法 1 8 0.009 1

表 1 两种算法的单帧图像检测性能对比 Table 1 Comparison of single frame image detection performance of the two algorithms

表 1说明本研究采用的背景预测模型的预测窗口背景点个数比文献[10]背景预测的预测窗口背景点个数一半还少，因此，本研究改进算法运算量更少，对硬件资源的要求更低，同时表 1预处理时间也证实了本研究改进算法对单帧图像预处理速度更快，比文献[10]预处理算法预处理时间减少0.000 6 s.

将文献[10]中的算法和本研究算法用于对90帧序列图像的检测，检测结果分别如图 6和图 7所示.其中图 6(a)和(b)分别为文献[10]中算法对90帧序列图像检测时在第4帧和第76帧出现虚警的图像，图 6(c)和图 7分别为文献[10]中的算法和本研究算法检测到的第80帧出现镁熔液第一气泡目标的图像.

图 Figure6(Figure Figure6)

图 6 文献[10]中算法检测结果 Figure 6 Detection result of algorithm in reference[10]:(a) False alarm image of the fourth frame; (b) False alarm image of the seventy-sixth frame; (c) Target image of the eightieth frame

图 Figure7(Figure Figure7)

图 7 本研究算法检测到的第80帧目标图像 Figure 7 Target image of the eightieth frame detected by modified algorithm in this research

根据图 6和图 7的检测结果，将文献[10]中的算法与本研究算法对序列图像的检测性能进行对比，包括虚警^[17]个数，目标点面积，预处理时间和检测总时间.虚警个数是反映算法准确性的重要指标，虚警个数越少，算法准确性越高；目标点面积由目标点像素的个数来体现，目标点像素个数越多，则目标点面积越大，说明目标点在局域范围内对比度越高，越能真实的反映目标的形状和大小，便于观测；检测时间的长短体现了算法的实时检测性能，检测的时间越短，越有利于第一气泡的实时检测，对比结果见表 2，表 2中的数据结果也是10组仿真实验数据的平均值.

表1(Table 1)

表 2 两种算法的序列图像检测性能对比 Table 2 Comparison of sequence image detection performance of the two algorithms 预处理算法 序列图像算法 帧数 虚警 目标点面积 预处理时间/s 检测总时间/s 文献[10]算法 双层流水线 90 2 5 0.87 2.231 本研究算法 双层流水线 90 0 8 0.82 1.845

表 2 两种算法的序列图像检测性能对比 Table 2 Comparison of sequence image detection performance of the two algorithms

表 2表明, 文献[10]中算法虽然能从90帧序列图像中成功检测出第一气泡目标，但算法检测结果有两个虚警，虚警概率约为2.2%，而本研究算法不仅能成功检测出第一气泡，且检测结果无虚警，说明本研究改进算法准确性较高，抗干扰能力强.另外，本研究检测算法比文献[10]中的算法检测到的目标点个数多3个，且预处理时间和检测总时间分别减少0.05 s和0.386 s.

1) 改进了一种半因果支持域的背景预测模型，与改进前的背景预测模型相比，本研究背景预测模型在背景抑制效果上更具优势.

2) 提出的基于改进半因果支持域的弱小目标实时检测算法对90帧序列图像的检测结果与改进前算法相比，虚警概率为0，检测到的目标点面积增大60%，更便于观测目标，同时，预处理时间减少5.7%，算法检测总时间减少17.3%，实时检测性能更高.

3) 提出的基于改进半因果支持域的弱小目标实时检测算法不仅能够成功地检测出复杂背景下镁熔液第一气泡，且检测时间为1.845 s，小于改进前所需的2.231 s，更远远小于采集图像所用的3 s，达到了实时检测的要求.