一种基于曝光补偿与颜色信息融合背景减除法.docVIP

一种基于曝光补偿与颜色信息融合的背景减除法 　　以高斯模型为基础，提出了抑制噪声影响的模型更新参数设置条件。结合摄像系统的工作原理，提出了针对摄像系统曝光波动以及环境光照变化的亮度补偿办法。通过对RGB三个颜色通道的分割结果进行逻辑运算，将颜色信息融合使用于前景图像的分割。从实验情况看，本文提出的办法收到了一定的改善效果。 　　【关键词】背景减除法 噪声 颜色融合 曝光补偿 　　背景减除法是一种常用的运动目标检测方法，分两个步骤：一是背景建模，二是当前帧与背景差分，设置合适的容差阈值，获得运动目标的前景二值图。这种方法原理简单，在一些场合使用取得了不错的检出效果，但当运动目标的灰度与背景较为接近时，常因前景与背景的像素值差异未超过阈值而检出不足，前景图像丢失较多。然而通过降低阈值来提高检出度，却受到了容差效果的制约。这是由于当前帧图像和背景模型均与实际情况存在误差，为防止当前帧中的背景部分被误检出，阈值往往需要大于当前帧中的背景部分与背景模型对应部分的最大可能差异，也就是大于双方误差幅度之和，这就限制了阈值的下调空间。为改善背景减除法的效果，多年来人们开展了很多研究。从传统的滑动窗口平均法、设置学习速度的强制更新法、排除前景影响的异步更新法等整体性的建模和更新方法，到各种逐像素的建模与更新方法，对模型的描述细度已达到像素级，模型精度在逐步提高。比如Stauffer和Grimson提出的混合高斯模型（Mixture of Gaussian），在单高斯模型的基础上，使用多个高斯峰来表征背景的微小变化，在对噪声进行适当容错的同时，较好地适应了环境中树叶摇动等类的微小波动，效果较为突出；Tuzel等采用递归贝叶斯学习方法估计每个高斯峰的均值和方差分布，使得各像素所需高斯峰的数量分配趋于合理；Kim H等使用广义高斯函数对混合高斯模型进行改进，也收到了一定的效果。此外，使用核密度模型估计背景模式的分量、使用运动模型估计像素的变化等方法，均在某些方面取得了一定的效果。但所有这些方法对像素的考察往往使用单特征，比如亮度等。这就使得前景与背景在像素值差异较小时难以区别。近年来，多特征的研究逐步进入人们视野，比如LBP，像素梯度，纹理等局部结构特征，但这些特征极易受噪声的影响，相对脆弱。于是颜色信息作为一种鲁棒性较强的图像特征越来越得到人们的重视。比如，强振平等使用颜色和纹理信息构建背景模型，通过双层判断来检测运动目标；邓宇等使用颜色信息，结合梯度特征，构造能量函数，用图切割区别前景与背景，收到了较好的效果。 　　视频图像的精度是运动目标检测的重要基础，而摄像系统则是视频图像的精度保证。实际上摄像系统对图像精度的影响不仅表现在我们最关注的图像噪声上，还表现在其内参数的频繁波动上，比如，Aptina公司图像传感器的增益级别普遍多达128级，这使其在环境变化或拍摄对象变化的过程中常处于波动之中。正是由于摄像系统内参数的经常性波动，才使得背景模型与当前帧之间产生脱节，形成误差。 　　基于以上考虑，本文提出一种基于亮度补偿与颜色信息融合的背景减除法。 　　1 背景模型的建立与更新 　　上面我们通过模型更新参数的控制有效地消除了噪声对模型像素值精度的影响，较高精度地获得了背景模型自身的期望值B0（=B）。但是从组成上看，B0=aib0i并不完全等同于当前帧中背景像素的期望值f0（不被遮拦时），只有在整个有效窗口期K内以及当前帧的曝光水平和光照水平稳定不变，使得b0i=b0j=f0（i，j=1，2，…k）时，才有 B0=aib0i=f0。而实际情况中，由于摄像系统自动增益反馈，自动白平衡反馈，自动曝光的频繁动作以及光照变化的存在，条件b0i=b0j=f0（i，j=1，2，…k）往往不能成立，这种情况下，即使克服了噪声的影响高精度地获得了B0（=B），仍无法消除背景模型值B与当前帧中背景像素的期望值f0之间的差异，从而在使用背景减除法时不得不设置更大的容差阈值来容纳这种差异，这对前景目标的分割是不利的，尤其是在前景与背景像素直接近时。另外，在存在前景遮拦的时候，被遮拦点的背景模型的有效窗口位置也不同，其模型值没有反映该点后续可能存在的由光照变化及曝光波动等引起的变化，因此，相对于该点如果不被遮拦，也会产生额外的差异。下面我们根据摄像系统的工作原理，具体分析上述差异的产生，并提出相应的补偿修正方法。 　　3 曝光水平波动及光照变化条件下背景模型更新方式的修正 　　摄像系统的曝光水平波动来源于自动增益反馈，自动白平衡反馈和自动曝光的频繁动作。考虑摄像头中像素值f与像素受到光照强度E的关系。 　　摄像系统工作时，由于自动增益和自动白平衡反馈的作用，增益系数G会随光照变化和前景目标的出现或运动频繁调整，形成曝光水平波动。由于白平衡的调整会使RG