基于背景差法视频图像分割.docVIP

基于背景差法视频图像分割 　　摘要：本文运用背景差法来进行视频图像分割。利用一种背景更新的方法来获取背景图像，解决了手动和统计获得背景的方法对背景变化不具有自适应调节作用的缺点。然后将当前帧和背景作差，并对差值图像进行二值化以及形态学处理，使运动目标被很好地分割出来。 　　关键词：视频分割；背景差法；背景更新；背景提取 　　 　　1引言 　　 　　随着科技的发展，视频处理领域发展也越来越快。如今视频图像分割是视频处理领域中的一个重要组成部分。所谓视频图像分割，就是根据序列场景图像和运动物体图像的特征，将运动物体区域从场景中表示出来，从而达到分割运动物体图像的目的。 　　目前常用的运动物体分割方法有：光流法、帧差法、背景差法。其中背景差法是这三种方法中最直接、最简单的一种方法。这种方法是先要获得背景图像，然后再用背景图像和当前帧图像作差，一般情况下，由于运动物体在灰度上和背景灰度存在着很明显的差异，所以差值图像只在运动物体处有较大的灰度值。选取适当的阈值Q，差值图像的灰度值大于Q，就视为前景图像；灰度值小于Q，就是为背景点。 　　 　　2背景的提取 　　 　　运用背景差法来分割运动物体时，背景图像的获得很重要。通常使用的背景图像获取方法有三种：手动给出，统计方法和用背景更新算法来获得背景图像。在本文中我们用Surendra背景更新算法[3]来获得背景图像。 　　Surendra 背景更新算法能够自适应地获取背景图像。该算法提取背景的思想是通过当前帧帧差图像找到物体的运动区域，对运动区域内的背景保持不变，而非运动区域内的背景用当前帧进行替换更新，这样经过一段时间就可以提取出背景图像。其算法可以分成以下几个步骤： 　　（1）将第1帧图像I0作为初始背景B0。 　　（2）选取阈值Q，迭代次数m=1，最大迭代次数MAX＿STEPS。 　　（3）求当前帧的帧差分图像 　　 　　式中，Bi（x，y），Di为背景图像和差分二值图像在（x，y）的灰度值；Ii为输入的第i帧图像；?琢为迭代速度系数。 　　（5）迭代次数m=m+1，返回（3），当迭代次数m=MAX＿STEPS时结束迭代。此时Bi（x，y）可视为背景图像。 　　 　　3 阈值分割 　　 　　在用前面的方法获得背景图像以后，就可以运用背景相减来获得运动物体，也即用当前帧图像和背景图像相减来产生差图像。直接相减所得的差图像中既有正值的象素点，也可能出现负值的象素点。所以，我们可以采用取绝对值的方法解决。 　　在获得差图像之后要用阈值来将图像二值化，从而得到二值化图像。阈值分割基本思想是对一幅图像选定一个阈值后，所有灰度大于这个阈值的象素都被置为255（白色），而所有回的小于这个阈值的像素则都被置为0（黑色）。阈值分割中，阈值的选取很重要。在差分图像中大量存在的是具有较低灰度值的背景像素和具有较高灰度值的前景像素。如果阈值取得太低，往往将导致某些较低灰度值的背景像素也能够越过阈值而被判为前景像素，但是如果阈值取得过大，也将会导致本来属于前景的像素点被判为背景像素，使得前景出现丢失情况。因此，我们舍弃直接定阈值的方法，用迭代式的方法来进行阈值选择。 　　迭代式阈值选择方法的基本思想是：开始时选择一个阈值作为初始值。然后按某种策略不断地改进这一估计值，直到满足给定的准则为止。在迭代过程中，关键之处在于选择什么样的阈值改进策略。好的阈值改进策略应该具备两个特征：一是能够快速收敛，二是在每一个迭代过程中，新产生阈值优于上一次的阈值。下面介绍一种迭代式阈值选择算法，其具体步骤如下： 　　（1）选择图像灰度的中值作为初始阈值T0。 　　（2）利用阈值T把图像分割成两个区域--R1和R2，用下式计算区域R1和R2的灰度均值?滋1和?滋2： 　　 　　（3）计算出?滋1、?滋2后，用下式计算出新的阈值Ti+1： 　　 　　（4）重复步骤2~3，直到Ti=Ti+1，则所得即为阈值。 　　用上述方法获得阈值T后，就可以得到帧差二值图像。当前帧图像为Ii，背景图像为用前面方法所得到的B，则二值差分图像为 　　 　　这样，在差分二值图像的灰度值为255的象素点可视为前景的运动目标点。 　　 　　4 形态学处理 　　 　　在得到差分二值化图像的过程中，由于噪声的影响，会使一些本来属于背景的象素点被错误地检测为前景的运动目标，也会使前景的目标象素点被错误地检测为背景点。同时，由于背景物体的轻微扰动也会使这些背景点被错误地识别为运动目标点。这样就会使差分二值图像会出现一些孤立点和目标物内有空洞的问题。为了消除这些影响，需要对获得前景和背景的差分图像作一些处理，在此我们用形态学处理的方法。 　　数学形态学处理的基本运算有：膨胀（dilation