复杂背景中视频图像目标的检测.pdfVIP

维普资讯 2001年 n 月 内蒙古大学学报(自然科学版) 第32卷第6期 ActaScientiarumNaturatiumUniversitatisNeiMongo[ N0v． 200l V0l_32 N0．6 文章编号-1∞O一1638(2001)06—0670—05 复杂背景中视频图像 目标的检测’ 刘永信 ，‘魏 平 ，侯朝桢 ，李春贵 (I．北京理工大学 自动控制系，北京 100081；2．北京理工大学 生产技术研究所，北京 100081) 摘要 ：研究带有运动景物的复杂背景中视频图像运动目标的检测 用图像差分法提取运动目 标信息；针对运动景物在差分图像中产生强脉冲干扰的特点，提出K邻域 自适应滤坡算法 采 用二维墒准则选择最佳二值化阈值 ；最后用图像形态学运算处理 目标的分割碎块．文中给出了 实验结果 ． 关键词}运动目标检测；复杂背景 图像滤波；图像形态学 中囝分类号：TP751 文献标识码：A 引 言 视频图像研究中涉及到的复杂背景大致可分三种情况： 1)背景固定，背景灰度变化范围大，灰度分布非均匀，存在灰度跃变，背景灰度值可能出现在 目 标灰度的两侧．关于这种情况的处理已有文献报道了多种处理方法 “． 2)背景中灰度非均匀分布，而且背景整体有移动．在这种情况需要对非均匀灰度作处理，还要对 背景作匹配．对这种情况也有文献报道 ’”． 3)背景中景物并非完成静止，存在一些运动的自然景物 (如在风中摇摆的树木，蒿草等)．在这种 情况下背景灰度呈非均匀分布，背景灰度还随时问有不规则变化．见图1A，行人与周围的树木以及树 木阴影的灰度十分接近，而树枝、树叶还随风飘动．关于在这种条件下的视频图像 目标检测问题很少 见有报道． 本文主要是研究在第三种情况下采集的视频图像序列的目标检测问题．景物运动造成背景光线 的变化所产生的噪声既含有满足高斯分布的白噪声，又含有很强的脉冲噪声．针对这种情况，本文提 出了K邻域 自适应滤波 (Kneighborhoodadaptivefilter)方法 (简称 KNA滤波)滤除噪声干扰 ，然后 用二维熵准则最佳门限实现图像二值化，晟后用图像形态学处理 目标的分割碎块并完成动 目标的检 测．文中给出了算法及实验结果． 1 估计 目标初始区域 常见的运动 目标区估计方法主要有匹配法，差分法和傅立叶法三种，考虑到 目标跟踪系统的实时 性要求，选用的算法的计算量应尽可能小，本文的估计算法选用了只有加减运算的差分法，即用当前 帻场景和背景帧提取 目标区盈 ，j，) R^(，j，)一 f(r，j，)}／(，)一 厂口(，j，)，(，j，)∈^) (1) 式中M 是图像中的总像素．对于所提取的目标区，由于透过树叶缝隙光线的变化，不但使得差分后在 · 收稿 日期 2001—07—06 作者简介 ：刘永信，男(i95s～)，副教授，博士生 维普资讯 第 6期 刘永信等 复杂背景中视频图像 目标的检测 背景区产生很大噪声信号，而且目标也被分割为几个区域，产生分割碎块．由(1)式可知，差分法认为 当前场景与背景灰度变化大的像素点为运动目标点，由于树叶摆动造成光线变化对应的像素点也符 合上述条件，因此也会被提取，这种现象导致 目标区R。(z，)与实际 目标差别很大，从而需要做必要 的预处理． 2 算 法 2．1 K邻域自适应滤波 (KNA滤波) 在本文研究的问题中，由于背景灰度分布随时间变化，使得差分图像的信噪比更低，常规的滤波 方法不能有效地处理这种情况．本文提出基于Weiner滤波 “的KNA滤波方法，增强处理脉冲噪声 的功能，实验结果表明很好地解决了这个问题． 设 为原图像R。 ，)中像素(，)的m× 局部邻域 (m、一般取奇数)，其局部均值 、均方偏 差