视频监控中运动目标自动提取技术.docVIP

视频监控中运动目标自动提取技术 　　【摘 要】本文分析了运动目标检测面临的一些问题，并针对这些问题提出了一种基于背景减法的检测算法，对监控场景进行无约束学习，迅速建立多个可靠的背景模型，在运动目标检测过程中根据场景的变化进行实时背景动态更新，同时利用图像腐蚀和图像膨胀算法对二值图像进行后处理，消除阴影，最终得到较为理想的运动目标。 　　【关键词】运动目标检测；背景减法；动态更新；消除阴影 　　1 背景及意义 　　随着计算机技术、通信技术、图像处理技术的不断发展，视觉跟踪目前已成为热点研究问题，对于运动目标的检测与识别[1-3]是其中的难点和重点。 　　运动目标检测是将被监视目标从背景中分离出来，是运动图像分析、智能监控、可视人机交互中的重要处理步骤，通过运动检测可以得到图像中的运动信息，提取序列图像中的运动人物或目标并对目标进行初步定位，简化了后续的运动跟踪、识别、分析的难度。它对于视频图像分析有着重要的意义，运动目标检测在很多领域都有非常重要的作用，在运动目标跟踪中，它是运动目标跟踪的基础和前提；此外，运动目标检测在模式识别、计算机视觉等领域也得到了广泛的应用。对今后在计算机视觉领域的学习研究都有着重要及深远意义。 　　2 背景模型及获取 　　本文针对的主要是单高斯背景模型。这里，我们只详细地描述一个象素的背景模型，对于所有其它象素，背景模型都是相类似的。一个背景象素通过一个均值为μ，标准差为σ的高斯分布模型化。另外，本文的背景提取方法对多高斯背景模型（如周期性运动的背景）也有较好的处理能力。 　　背景图像的颜色空间也是背景特征的一部分，通常的颜色空间有RGB颜色空间、HSV颜色空间、YUV颜色空间等。不同的颜色空间用不同的方式描述图像象素。理论上讲，当描述象素的时候，颜色空间通常采用RGB，因为RGB值是大多数帧提供者愿意提供的。然而，RGB颜色空间对于颜色感知来说表现得不尽如人意，因为通过在RGB颜色空间中两颜色间计算得到的距离并不能反映它们之间感知的相似度。 　　一种可以把象素度量的亮度信息和色度信息清楚分开的颜色模型（颜色空间）允许我们在考虑亮度信息的同时考虑色度信息。在Pfinder系统中采用了YUV颜色空间，其中Y代表亮度，U和V代表色度，相似的，HSV颜色空间中，V代表亮度，而H和S代表色度，然而，基于R，G，B的线性组合的色度描述子空间UV没有发散状的HS描述子空间直观。在本文的实现中，图象中的象素值是由HSV三值混合而成。每一个背景象素p（x，y）的分布是一个由H（x，y），S（x，y），V（x，y）构成的三维向量。采用HSV颜色空间虽然增加了计算量，但是，对于现在的计算能力来说，通过增加这些复杂度来得到更好的处理结果是值得的。 　　现有的背景模型获取方法大都需要在场景中没有运动目标的情况下进行，但是在实际应用中，有时无法满足这种要求。也有一些算法允许有目标的情况下进行背景提取，但提取的背景与待测图像背景出入较大，差图干扰大，不利于目标提取和后续的处理。本文提出的背景模型提取方法，能够有效地解决这些矛盾。 　　观察视频画面中某一像素点，可以得出这样的结论：只有在前景运动目标通过该点时，它的颜色空间各分量值才发生大的变化。以亮度值为例，对该像素点的亮度值进行统计，在一段时间内，亮度值主要集中在很小的一个或几个区域（本文主要只考虑两个区域，即周期性背景的情况）中，因此，可以用其中一个区域内的平均值或者待测图像作为该点的初始背景值。具体来说，将亮度区间分成k个小区间，分别为H1， H2，…， Hi，…，Hk，先输入并存储m帧视频图像，分别为Mn（x，y），Mn+1（x，y），…，Mn+m（x，y），同时输入待测图像Mn（x，y），对前m帧视频图像的每个象素点进行分析，看该象素点有多少次落入区间Hi，然后进行统计，得出落入点最多的区间Hmax和次多的区间Hmax’（考虑次多区间主要是解决周期性背景干扰的问题）。然后和待测图像Mn（x，y）进行比较，如果待测图像在该象素点上落入Hmax或Hmax’，则该点的背景值选待测图像值（得到最接近待测图像背景的值），否则，如果绝对值|Hmax-Hmax’|小于￡（￡为设定的阀值），则该点的背景值选Hmax、和Hmax’的总平均值（估计该点为前景点，取总平均值可以将误差减到最小）；如果绝对|Hmax一Hmxa’|大于￡，则认为该点不是周期性背景，背景值取Hmax的平均值。所有的象素点都分析完后，得到完整的背景模型Bn（x，y）。 　　3 背景减除法进行目标检测 　　背景减除法[10]是采用图像序列中的当前帧和背景参考模型的差值运算来检测运动目标，它可以看作一种特殊的帧差法，即将相邻的前一帧用背景模型替换。背景减除法的具体介绍如下： 　　设t时刻