基于GC―ACM红外前景目标提取算法研究.docVIP

基于GC―ACM红外前景目标提取算法研究 　　摘要：针对混合高斯模型（GMM）在室外复杂背景下提取红外前景目标时目标破碎等缺点，本文提出了一种结合GMM与图割-主动轮廓模型（GC-ACM）红外前景目标提取算法。首先基于GMM检测目标可能存在的较大感兴趣区域（ROI），其次在ROI上基于GC-ACM做局部分割，最后基于形态学填充目标轮廓并进一步分割目标。实验表明算法较GMM方法可以有效地提取目标，具有一定的实时性和鲁棒性。 　　关键词：红外目标提取 GMM GC-ACM 区域填充 　　中图分类号：TP391.4 文献标识码：A 文章编号：1007-9416（2016）03-0000-00 　　随着红外成像设备性价比的提升，红外视频监控系统越来越多地应用到实际，室外复杂背景下的目标检测是视频监控的重要任务。Stauffer[1]等人首次提出的GMM以其适用于缓慢周期性变化的背景而广泛应用于多种背景的目标检测中。 　　为了提升性能，Zoran[2]通过调整高斯分布的个数和学习率，提高了算法的适应能力，但对于速度快、体积大的目标检测效果 　　不好；Kaewtrakulpong P[3]等人对GMM进行改进，使用两个阶段的学习方案对参数进行更新，但由于检测阶段的更新速度较小且恒定，模型不能很好地适应背景变化；曾垂力[4]结合GMM与基于水平集双模快速分割（LSBS）在光照较暗的情况下仍可较准确地分割出目标，提高精确度，但实时性一般。 　　红外图像因其固有的低信噪比、低对比度、模糊等缺点，加之周围相似热辐射量物体的干扰，加大了目标检测的难度，若单纯应用GMM则会带来“虚影”、空洞及目标破碎等问题。本文提出了一种新的结合GC-ACM 与GMM的目标提取算法，有效地解决了虚假目标干扰、目标破碎等问题，并在一定程度上提升了实时性。 　　1 基于经典GMM的前景目标提取 　　经典GMM对图像每个像素定义K（3～5）个带权值的高斯分布，用叠加来描述每个像素在时间上的分布，并判断新来帧的像素与K个高斯分布的契合程度来决定像素属于前景还是背景。 　　基于GMM的运动目标检测过程主要有：（1）匹配的判断；（2）模型参数更新；（3）背景提取与前景分割。 　　虽然GMM较好地实现了目标检测，但因其处理过程复杂、计算量大等问题涌现了很多改进算法[5，6，7]，主要包括改进初始化背景帧、动态高斯分布个数、图像分块等。但改进后应用于红外运动目标检测仍存在一些问题：虚假点目标多、真实目标破碎、难以理解等。为了提取更清晰、效果更佳的目标，本文引入GC-ACM方法。 　　2 GC-ACM分割算法及其改进 　　2.1 GC-ACM结合的图像分割算法 　　GC和ACM均是现阶段最有效的图像分割方法之一[8]。ACM主要是通过像蛇爬行一样不断改变封闭曲线的形状来逼近目标轮廓。文献[9]提出具有区域力的测地ACM能量函数如下： 　　（1） 　　其中，C是演化曲线，和分别是曲线内外区域的灰度均值。 　　GC是一种通过最小化能量函数来解决离散标签问题的有效方法[10]，因其有效的计算及全局最优等优点，一些学者将其用于优化ACM[8]。根据GC理论得到（1）式的离散形式[8]如（2）式所示。但该方法存在两个问题：（1）只能实现全局分割，然而实际中有时会用到局部分割；（2）平衡边缘与区域项的归一化参数严重影响分割结果。 　　（2） 　　文献[8]针对上述两个问题提出了一种NGC-ACM模型。该模型提出了一种不带归一化参数的新能量函数，并且模型可供选择局部或全局分割，其能量函数描述如下： 　　（3） 　　其中，与（2）式相同，cs和ct由文献[8]的（4）式得到。 　　按文献[8]的方法通过建立特定的图来实现局部或全局分割，并将该方法应用于复杂背景下的红外前景目标提取时发现存在如下问题： 　　（1）局部分割时，初始轮廓位置严重影响分割结果。初始轮廓位于目标附近或包围目标，分割结果较好；反之则找不到目标。 　　（2）全局分割时虽然可以找到目标的位置，但是周围很多热辐射源的干扰导致虚假目标特别多，剔除它们需要更多的处理步骤。繁杂的处理提高了计算量，影响实时性。 　　（3）文献[8]给出的示例较本文的复杂背景红外图像来说相对简单，只包括几个几何图形或明显有灰度差异的医学图像，易于分割。若将同样的方法用于复杂背景的红外图像，则适应性有待考究。 　　2.2 改进的GC-ACM 　　鉴于以上问题，本文考虑做如下改进： 　　（1）离散能量函数的简化。测地GC-ACM可以避免GC-ACM法分割出小目标[11]，对于复杂背景，将有很多虚假小目标，且计算量较大。现考虑（3）式中边界能量函数简化为 　　（4） 　　其中表示轮廓的内部，p，q是互为邻