基于自动背景提取及Lab色彩空间运动目标检测.docVIP

基于自动背景提取及Lab色彩空间运动目标检测 　　摘 要：常用的几种背景提取算法在车流量较大的情况下提取的背景效果较差。在某些目标检测区域较少的场景中，若将所有像素进行检测，会浪费许多时间。针对这些问题，提出一种新的背景提取算法。先将视频帧进行分割，再对分割出的检测带依次?M行车辆存在检测，最终自动选取视频中没有车辆的车道块并将其拼接成完整背景帧，最后利用Lab空间色度与亮度相互独立的特性提取目标。该算法能够充分提取前景图像，不会丢失车辆目标。相比传统算法，该算法准确性较高。 　　关键词：背景建模；区域分割；Lab色彩空间；背景相减；形态学处理；运动目标检测 　　DOI：10.11907/rjdk.172791 　　中图分类号：TP317.4 　　文献标识码：A 文章编号：1672-7800（2018）005-0183-04 　　Abstract：The commonly-used background extraction methods may not bring about satisfactory effects in the case of heavy traffic， because a large amount of time is consumed when all of the pixels need to be detected， even though less object detection areas exist in images. To solve the problems，we propose a new background extraction method. Firstly， the video frames were divided into blocks. Secondly， vehicles were detected in those blocks through a series of processes. Then， frame lane blocks， with no vehicles detected， was selected automatically to constitute the complete background frame. Finally， objectives were extracted by using quality of independence of brightness and color in Lab color space. This method could fully extract foreground without losing vehicles and has higher accuracy comparing with other traditional methods. 　　Key Words：background modeling； region segmentation； Lab color space； background subtraction； morphological processing； moving object detection 　　0 引言 　　通过视频获取交通信息是计算机视觉领域的研究热点之一，有效的运动目标提取为后续的处理奠定了基础。运动目标检测方法有帧差法、光流法[1]、背景相减法[1-2]等。帧差法实时性较高，计算量小，但若目标运动缓慢，则易出现漏检现象。光流法准确性较高，但计算复杂，难以满足实时性。背景相减法因其计算量小、精度高，已成为运用较普遍的前景提取算法，常用的有多帧求平均法、统计直方图法[3]、混合高斯模型法[4-6]等。 　　背景相减法对运动目标进行检测步骤：①背景提取。稳定的背景能够大大减小运动区域检测的误差率，从而充分提取前景目标；②运动区域分割。通过设定好的阈值对待检测像素与背景点像素的差值分类，差值较大为运动目标，较小为背景；③前景目标检测。得到的运动区域往往不仅包含运动目标，还包含因光照不均等原因产生的图像噪声，因此要通过一定的形态学去噪，将非前景目标干扰部分去除，最终得到所需要的前景目标。 　　文献[7]对以背景相减法为基础的ViBe算法进行了改进，通过建立一个闪烁程度矩阵，对鬼影程度进行自适应判断，从而消除算法缺陷，使得检测率大幅度提升。文献[8]提出一种非参数的核密度估计方法，通过对每个像素点进行估计，计算其为背景像素的概率。但该算法计算量较大，占用时间较长。文献[9]提出一种color算法，将RGB空间中的像素以亮度失真和色度失真来分类，能有效将前景与阴影部分进行分离。由于RGB空间亮度、色度的非独立性导致阈值选取较难，本文通过