一种基于小波分析的codeword算法改进.docVIP

一种基于小波分析的codeword算法改进 　　摘 要：本文分析了基于codeword的行为检测算法，阐述了该算法的优劣，并在此算法的基础上提出了一种改进算法，对改进算法的实现和优势进行了阐述。 　　关键词：行为检测 codeword 前景分离 　　中图分类号：TH391 文献标识码：A 文章编号：1672-3791（2014）06（a）-0016-02 　　行为检测系统得到越来越广泛的应用，其系统的有效性在一定程度上依赖于获取的图像信息，也就是对运动目标的检测，可以理解为前背景分离，是指针对在背景不变的情况下，把监控场景中运动的物体从背景里提炼出来作为前景。本文对基于codeword建模的检测算法进行了分析，但该算法在前背景分离的完整性、精确性、实时性、对噪音和阴影的消除、抗光照变化、抗背景扰动（树叶摇摆、运动物体的短暂停留等等）等方面有一定的局限，基于此，我们提出一种改进算法，力求尽可能完美地检测出运动物体。 　　1 运动目标检测 　　1.1 简介 　　一般来讲，大多数的运动目标检测算法可分为三大部分：建立背景模型、通过各帧与背景模型的差异分离出前景、以及更新背景模型。在这个过程中使用不同的方法就构成了各种前背景分离算法。 　　codeword模型是一种非常优秀的前背景分离算法，它是针对混合高斯模型的缺点而提出来的。混合高斯模型对背景的快速变化适应性差，不能敏锐地检测出不明显的或者突然出现的运动物体，为了解决这些问题，有人提出了codeword模型。 　　1.2 codeword模型的建立 　　codeword算法用一个相对较长的观测期来建立背景模型，给每一个像素都建立一个codeword，在观测期中采集的样本根据其颜色和亮度被集群到不同的codeword里面。我们用来表示一个像素点的训练序列，它由N个GRB向量组成：={x1，x2，…，xN}；用={c1，c2，…，cL}来表示有L个codeword的codebook。对于每一个codeword ci，i=1…L，都由一个GRB向量vi=（Rˉi，Gˉi，Bˉi）和一个元组auxi=〈i，i，fi，λi，pi，qi〉组成，元组auxi中各个元素的定义如下： 　　，为被集群到这个codeword中的所有像素中的最小和最大亮度值；f为该codeword被访问的频率；λ为训练期内该codeword最长未被访问的时间，记作MNRL（maximum negative run-length）；p，q为该codeword第一次和最后一次被访问的时间。 　　（1）L←0，←Φ（空集）。 　　（2）for t=1…N。 　　①xt=（R，G，B），I2←R2+G2+B2 　　②根据条件（a）、（b）在={ci|1≤i≤L}内寻找匹配xt的codeword cm 　　（a）colordist（xt，vm）≤ε1 　　（b）brightness（I，〈m，m〉） = true 　　③如果=Φ，或者匹配不成功，则L ← L+1。创建一个新的codeword cL 　　VL←（R，G，B） 　　auxL←〈I，I，1，t-1，t，t〉 　　④否则更新所匹配的codeword cm 　　Vm=（R-m，G-m，B-m），auxm=〈m，m，fm，λm，pm，qm〉 　　Vm←（fm R-m+R/fm+1，fm Gˉm+G/fm+1，fm B-m+B/fm+1 ） 　　auxm←〈min{I，m}，max{I，m}，fm+1，max{λm，t-qm}，pm，t〉 　　end 　　对每一个codeword ci，i=1，…，L，重设λi←max{λi，N ? qi}。 　　codeword算法满足许多测评标准，前景分离的精确性、对背景扰动的适应性、抗光照变化等等，但是codeword算法最大的缺陷是实时性差，运行速度太慢。针对这个缺点，本文对原始的codeword作了少许改动（见图1、图2）。 　　2 改进算法的提出和实现 　　2.1 改进算法的基本思想 　　从运行结果可以看到，codeword算法虽然有较强的抗干扰能力，对阴影的变换也能有效防范，灰度图能准确有效的反应实际图像场景。但其本身也有缺陷，缺陷主要是实时性差，运行速度较慢。 　　针对这个缺点，本文对原始的codeword作了改进。改进思想如下：原始的codeword算法以像素点的方式处理，每个像素都有一个codeword，改进后的算法以块的方式处理，把原算法中每四个像素点当作一个块来处理，也就是原算法中的四个codeword变成了改进算法中的一个新的codeword（块），之后对块进行检测识别。 　　2.2 改进算法的实现 　　结合经典codeword模型，本文提出的改