基于帧亮度补偿和融合校园夜间视频增强算法.docVIP

基于帧亮度补偿和融合校园夜间视频增强算法 　　【摘 要】 本文研究了夜间校园视频的增强算法，采用帧亮度的补偿和融合算法。具体作法如下：（1）利用不同时间段白天帧与当前夜间帧背景亮度的比例，采取亮度参数调整的补偿方式对当前夜间视频背景进行补偿;（2）提出一种基于运动物体移动区域融合和差分的算法，对视频中的运动物体进行增强。本文基于亮度融合补偿的算法，较原始校园夜间视频，亮度、对比度和熵都得到了增强。 　　【关键词】 视频增强 亮度融合补偿 校园夜间视频 　　1 引言 　　校园夜间视频监控可以预防、控制和减少校园意外事故发生，校园夜间视频的增强技术变得越来越重要。目前校园夜间视频增强的问题还需要解决[1]：视频帧融合过程中的夜间背景和亮度估计问题、增强后夜间视频图像的颜色漂移问题等。传统的算法是融合白天的亮度信息增强视频帧，Yamasaki等[2]提出“Denighting”对夜间视频帧采用白天的亮度信息融合到夜间视频帧里，存在的问题是增强后的结果中静态亮度信息丢失。文献[3]的算法把运动物体区域和背景区域进行分开处理，增强的结果能很好解决文献[2]的问题，但是不能对运动物体本身增强，因此不能突出运动物体本身。 　　本文对校园的夜间视频的增强从提高对比度和亮度信息，同时不损失运动物体的细节信息着手。考虑到校园摄像头是固定的，对每一个摄像头，夜间所采集的视频和白天所采集的视频的背景是完全一样的，因此本文用白天的视频实现亮度补偿。对于校园夜间视频的运动物体，当背景进行亮度增强后，容易产生颜色失调和不合理的情况，为了增强运动物体的清晰度和协调性，本文提出一种基于运动物体区域内亮度比例平均的算法，对于运动物体的边界协调使用了高斯低通滤波器来平滑处理。 　　2 视频增强算法 　　2.1 夜间视频背景增强 　　提取夜间视频的亮度是困难的，特别是当夜间视频具有低对比度和噪声时。在算法里使用Lab颜色空间提取亮度。 首先将输入夜间视频帧的RGB颜色空间转换到Lab颜色空间，得到Lab空间的灰度图和颜色。然后夜间视频每帧的灰度图像使用Retinex理论分解为亮度图像和反射图像。同样将同一摄像头的白天视频也转换到Lab颜色空间，将白天的每帧同样使用Retinex理论分解为亮度图像和反射图像。然后，通过白天背景的亮度图像补偿到夜间亮度图像，最后增强的视频图像通过增强夜间亮度，夜间的反色度及夜间的颜色重构。 　　为了更好增强视频的视觉质量，本文中得亮度补偿的算法满足下面的条件：（1）对于白天亮度大于夜间亮度的区域，使用白天的亮度信息补偿到夜间的亮度;（2）对于夜间视频帧的亮度大于相应的白天亮度的区域（主要是灯光区域），这个区域采取较少的增强亮度。 　　2.2 夜间视频中得运动物体增强 　　对于校园的夜间视频，人体和车辆往往在黑暗中运动，黑暗中运动物体提取不容易。本文先对夜间视频进行传统视频增强处理，以便提取运动物体，然后使用高斯混合模型提取运动物体区域。运动物体的提取有很多算法，本文使用的运动物体提取算法主要分为三个基本步骤：（1）提取运动物体区域;（2）将提取的运动物体区域转化为二进制图像;（3）最后使用数学形态学方法对二值图像进行腐蚀、膨胀、种子填充等后续处理，最终获得运动物体区域的二值图像。 　　运动物体区域的白天背景亮度与夜间背景亮度的比率应该是一致，同时运动物体的区域也应该得到相应的增强，为了阻止运动物体区域的不一致的比率问题导致的混淆模式，我们对运动物体区域采用比率平均的算法。表示运动物体区域的比率平均，最后亮度补偿的图像通过如下方式进行： 　　 （1） 　　这里使用了差分图像法，方法分为三个部分即背景评估、背景更新、帧差。常用的背景估计模型有图像平均模型、选择性背景更新模型、高斯分布模型等。 　　3 实验结果及分析 　　本文提出利用白天背景亮度来补偿夜间视频帧的算法，通过不同的夜间监控视频对本文算法进行验证。本文算法增强结果具有很好的亮度及视觉效果，为了更好的表明本算法的效果，也比较其它算法，图1显示比较的实验结果，比较的算法包括文献[4]算法以及本文算法。使用文献[4]的基于转换系数的融合方法，增强的结果通过Contourlet逆置变换得到，明显增强的亮度信息不够亮。 　　为了更好评估本文算法，在本节使用了几个客观的视频帧评价方式，主要包括：均值，标准差及熵进行评估等。表1给出不同视频帧增强算法及本文算法的视频帧亮度，对比度及信息量的结果。根据表1的对比数据，可以观察到：①本文算法的像素均值是最大，表示增强后的亮度得到较大提升;②在对比度方面，由于本文算法嵌入了亮度信息，增加了灰度的动态范围，与传统的增强算法相比较，弥补了传统增强过程中易过度增强亮度的缺陷。③在信息熵评估方面，原始视频帧的值最小，细