基于实时H.264码流时域滤波前景检测实现.docVIP

基于实时H.264码流时域滤波前景检测实现摘要：设计一个基于时域滤波的前景检测算法，实现实时系统中前景检测和图像去噪的功能。在时域中对每个点进行前景、背景分析，从而检测出所有的前景点，并且对生成的前景、背景二值图像进行分析，过滤由噪声引起的虚景，从而较好地检测出图像中的有效前景。这种算法具有较小的时间复杂度，可以较好地应用于实际的系统中。 关键词：前景检测；前景；背景；时域滤波 0 引言 近年来，随着电子技术的高速发展与电子产品成本的不断下降，越来越多的视频监控系统出现在日常的生活当中。随着摄像头的增多，由此而产生的视频数据急剧增加，而由传统的人工观看、鉴别视频的方式已不能满足要求，因此需要能智能分析视频的技术来弥补人工的不足。智能视频分析的第一步就是提取视频中人感兴趣的内容，一般人总是对运动的东西感兴趣，因此我们通常称运动的点为前景；静止的点为背景。前景检测是智能分析视频的第一步，直接决定着智能分析的准确度。 1 相关工作 目标检测是计算机视觉方面的一种探测技术，目前使用最多的是前景检测和背景检测。文献[1]提出的基于背景Codebook模型的前景检测算法，比传统的目标检测算法具有更高的精确度和鲁棒性，但是对于亮度突然剧烈的变化仍然不够理想；文献[2]提出的基于光照不变性颜色特征的多层前景检测算法，能够适应光照变化、背景运动等复杂环境，并能够有效处理虚假目标问题，但是用此算法得到的图像中，有个别图像前景的轮廓还不完整。特别是在前景的颜色和背景比较相似的情况下，前景容易出现断裂现象。 本文设计了通过时域滤波实现前景检测同时降低图像噪声的算法。该算法实现起来比较简单，不需要复杂的运算，而且图像比较连续。可以较好地应用于实际的系统中。算法主要包含前景点检测、时域滤波和前景分析三部分。前景点检测利用高斯模型检测每个点是前景或是背景，并生成前景、背景二值图像。时域滤波对背景点在时域进行高斯平滑滤波。抑制噪声并输出高质量图像。前景分析对前景、背景二值图像进行形态学处理和连通量分析，去除图像噪声输出前景、背景二值图像。考虑到算法的效果、内存的吞吐量和CPU的运算量。本文中处理的图像使用YUV420格式，主要对Y分量进行处理。 2 基于时域滤波的检测方案 为了便于表述和理解，我们先定义一些概念。F[0]：当前帧，F[1]：F[0]的前一帧，F[2]：F[1]的前一帧，F[n]：F[n-1]的前一帧，对当前帧之前的所有帧，称为参考帧。由此可以看到，帧标号越小就越接近当前帧。 2.1前景点检测 由单分布高斯背景模型可知，对于背景图像，特定像素亮度的分布满足高斯分布，即对于背景图像点[y，x]的亮度I（y，x）满足I（y，x）～N（u，o2）。因此对于给定点，如果exp（（I（y，x）-u）*（I（y，x）-u）/（o2））T，则可以认为I（y，x）为背景点，否则为前景点。更进一步，如果-o=1）。如果still_2×2大于T.STILL，则认为该块静止，即块中的所有点均为静止，否则该块运动，块中所有点运动，由此生成前景、背景二值图像。 为了提升运算效率可以考虑调整分块的大小（例如4×4），建议分块的大小不要超过8×8，分块过大容易导致误判。对于阈值T_SAD的选择，建议为块高×块宽×3。另外考虑到图像在低亮度和高亮度下噪声的大小有一定的差别。可以考虑在低亮度下增加T_SAD的值，在高亮度下减小T_SAD的值。高亮度和低亮度的区别可以由块中所有点Y的均值决定。对于参考帧周期m和参考帧数n的选择，建议设置为m=1，n=8。对于具体的系统需求（例如：运动物体允许停留的时间，由运动到静止切换的时间），可以适当调整m和n，优先考虑调整m。对于n，可以根据系统内存容量进行调整，建议不要小于4，过少的参考帧容易产生误判。对于阈值T_STILL的选择。建议为n/3，也可以根据系统需求稍作调整。 2.2时域滤波 在前景点检测过程中，对于每个2×2块，其对应的n个参考帧中SAD小于T_SAD的块可以得到。将这些块和当前块进行均值滤波，得到去噪后的图像。由于在前景点检测过程中，只使用Y分量，对于UV分量参考其对应的Y分量进行处理。 2.3前景分析 由前景点检测输出的前景由于受到噪声或是摄像机抖动的干扰容易出现误判，从而影响最终的效果，因此需要后继处理。首先对前景、背景二值图进行形态学处理，先腐蚀后膨胀，去除单点或小面积噪声的干扰。然后进行连通量分析，标定二值图像中所有连通的区域，计算出每个连通量的位置、面积、外包矩形。根据系统的需求和特性，可以删除不需要的连通量（例如根据面积、位置等）。根据连通量分析的结果，生成新的前景、背景二值图像。最后对二值图进行填洞处理，消除前景中的空洞，恢复完整的前景，输出最终的前