面向视频传感器网络的视频压缩方法设计.pdfVIP

计算机时代 2015年 第4期 ·7 · 出完整的运动 目标 ，运算复杂度不高，且实时性较好，是固定摄 进方法。绝对差值和是当前帧和参考背景中相应宏块内各个 像机下运动 目标检测最常用的方法。 像素点间的差值和，记为SAD，那么第i行第j列宏块的计算公 背景减除法的基本思想是将当前帧图像I(ij)与参考背景 式如下所示： 图像B(ij)对应像素点进行差分得到差分图像M(ij)。记阈值 ’5 15 为T，当差值大于T】时，则该点属于前景运动 目标 ，否则属于背 SAD(i，j)：EEIc(i+k，j+f)一R(i+k，j+f)I (5) k=0I．0 景区域，其数学描述为： 其中，c(i+k，j+k)和R(i+kj+k)分别表示当前帧和参考背景在该 宏块中第k行第z列像素点上的色度值。 M(i，j)={01：jIlt(i(i,，jj))-一BBt(i(i,，jj))Il (1) 一 般而言，最重要的像素点往往分布在宏块的边缘上m。 为了降低计算复杂度，增加检测可靠性，本文计算SAD 时仅选 背景减除法的困难点在于，背景可能是动态变化的，引起 取宏块边缘部分的像素点。如图2(a)所示，这些宏块分别标记 背景变化的原因包括背景自然景物的扰动、光照的变化和摄像 为l和0，所有标记为l的宏块组合成集合s。，所有标记为0的 机的轻微晃动等。因此，如何在背景存在变化的情况下，建立 宏块组合成集合s。，其中仅计算集合s中的宏块。而对于集合 起具有鲁棒性的背景模型是背景减除法的关键所在。 s中每一个宏块，如图2(b)所示，仅计算标记为a的像素点，进 3基于混合高斯的背景建模 一 步降低计算复杂度。 在众多背景建模方法中，混合高斯模型(GaussianMixture Model，GMM)~有效地对背景进行建模，并能随着背景的变化 而 自适应调整。因此，在背景减除法的运动 目标检测中经常采 用GMM为其背景建模。前期GMM通常采用EM算法估计混 合高斯模型参数 ，但由于EM算法固有的缺陷限制了其应用 ，目 前GMM基本采用在线K均值估计的统计建模方法 。本文采 用GRIMSON等人提出的混合高斯模型方法对颜色特征进行 建模，并针对其学习率 是固定的缺点进行改进。 该方法对每个像素点使用K个高斯分布来模拟像素的背 景值，t时刻将当前像素x与已排序好的混合高斯模型进行匹 配，匹配条件： Ixt—u_I1一 Do_I1—1 (2) 攫 矗 a a a a a 其中，D为参数(本文取2．5)，叮l_为标准差。如果匹配，则更新 a 矗 高斯混合模型。如果不匹配，则选取P= ／【 中最小值用一 矗 个新的均值为x的高斯模型代替，同时同一位置其余高斯模型 氛