基于灰度区间统计背景自适应更新算法.docVIP

基于灰度区间统计背景自适应更新算法 　　摘 要：视频中运动目标检测与提取是计算机自动识别技术的重要环节，如何快速且准确的提取运动目标是研究热点。目前通常使用背景差分算法来进行运动目标检测，而背景差分的关键在于背景提取的好坏和阈值设定上，并且为达到实时检测的目的，背景还要能够适应光照的变化而进行实时更新。针对于传统的mode算法在背景提取时没有考虑到统计帧的背景灰度值是波动的情况，本文提出基于灰度区间统计的背景提取算法。算法是将0～255灰度范围进行区间划分，判断灰度值落在哪些区间并且统计区间的样本个数，然后对样本量最大的区间的样本求平均值，从而得到初始化的背景效果图，最后通过对样本数据进行离散分析来自适应更新背景。 　　关键词：背景差分 灰度区间 自适应更新 　　中图分类号：TP311 文献标识码：A 文章编号：1672-3791（2017）09（b）-0179-02 　　1 传统背景提取算法 　　传统的背景提取算法总的来说有两类：一类是时域滤波[2]，另一类是基于直方图统计分析的方法。前者是通过建立背景模型而获取背景，建立模型的方法由概率密度函数和估计方法的不同而不同，如单高斯模型和混合高斯模型[4]。单高斯模型适用于静态的背景提取，无法获取动态变化的背景。在场景比较复杂的情况下，通常要利用多个高斯分布来描述真实场景，即是混合高斯模型，混合高斯算法适用于背景变化小而快的运动目标检测，但是它同样也有缺点，比如对外界光照强度突然变化时比较敏感；对大而慢的目标检测效果理想。 　　第二类是基于直方图统计分析的方法，这类方法包括统计中值法、统计平均法以及mode算法[3]等。这些算法的原理都是基于概率统计的方法，利用的是运动目标在多帧图像内某点像素出现概率比较小的条件下而初始化背景。算法简单描述：获取N帧图像，将N帧图像在点（x，y）位置处的灰度值存入到数组Arayy当中。统计中值法是对数组Arayy进行排序继而求得数组内数据的中值，中值即为（x，y）出的背景灰度值；统计平均法是求取数组内数据的平均值，平均值即为当前背景灰度值；mode算法和?y计中值法类似，但是它求取的是数组内数据的众数，将众数看作为背景灰度值。 　　从算法描述中可以看出统计平均法是将运动目标所在位置的像素值看作为噪声，对多帧像素进行求和平均的方法来消除噪声，这种算法优点是简单易懂，但是受到了前景噪声的干扰，有时背景提取的效果不理想。mode算法和中值算法在一定程度上可以消除的前景噪声的干扰，但是mode算法没有考虑到背景灰度值在统计时间段内因光照变化而引起的波动现象。利用mode算法提取的背景，对图像序列在A点灰度值而进行的统计（A点是获取背景结果中出现残影的某一点）。从可以看到A点在0～15帧灰度值比较稳定，在15～100帧波动比较明显，用mode算法最后得到的背景灰度值为38，与实际背景灰度值不符。基于此本文提出了基于区间统计的背景自适应算法。 　　2 新的背景提取算法 　　2.1 算法流程图 　　算法流程图如图1所示。 　　2.2 算法描述 　　本文针对传统的mode算法的不足之处，提出了将灰度范围进行区间划分的背景自适应更新算法。算法主要分为三个模块：首先是灰度区间划分，然后是初始化背景，最后进行背景自适应更新。 　　模块一：灰度区间划分。 　　为了解决背景像素点的灰度值在一定时间内出现的波动，我们把灰度值范围进行更小的区间划分。数字图像的灰度值大小范围是在0～255之间，将这个区间划分成若干个相同大小的小区间，设置小区间长度为L，L是2的倍数且小于256，那么小区间个数为256L。所有小区间数学表示如下： 　　其中N的大小为。 　　模块二：初始化背景。 　　读取n帧视频图像序列，记为（），将第帧图像在位置处的灰度值命名为，同时定义二维数组Array[i][j]，它是用来存储落入各个区间的数据，i的值为，落入区间像素个数记为，其初始值都为0，j是存储落入各个区间的像素灰度值，初始化背景过程如下： 　　判断当时，将灰度值存入到对应区间的二维数组Array[i][j]中，并且像素个数加1，而后对所有区间的像素个数求取众数，即 　　计算N_s对应区间所有灰度值的平均值，平均值即为背景灰度值，其中数组下标i等于s。 　　模块三：背景自适应更新。 　　通过对数据的离散程度进行分析来确定如何对背景进行更新，离散程度大受到前景干扰就比较强，反之干扰就比较弱。通常用方差衡量数据的离散程度，考虑到方差计算量比较大，本文使用数据和均值差值的绝对值并求和来代替方差。其算法步骤如下： 　　再次获取n帧图像，分别计算前后n帧图像在（x，y）处所有灰度值的均值。即 　　其中是新获取n帧图像的第j帧在（x，y）位置处的灰度值。计算前后n帧