复杂条件下摄像视频前景提取技术的研究.docVIP

复杂条件下摄像视频前景提取技术的研究 　　摘要：本文提出了摄像视频在复杂条件下,如复杂背景、光线剧烈变化等条件下,通过高斯背影建模、基于区域生长的前景提取、YUV空间阴影消除算法、基于亮度自适应的光线调节等技术,精确高效的提取出视频前景Mask方法,并给出了与新背景无缝融合的方法。实验结果表明,该方法可以有效的在各种摄像头环境下进行精确的前景提取。 　　关键词：前景提取 背景建模 阴影消除 　　 　　在当今信息化时代,越来越多的各种新技术被广泛地应用于网络视频资源制作领域。前景提取抠像技术是计算机视频图像处理中一个应用广泛的研究课题,其具体目标是在视频或图像中分离出与场景背景不同的区域或由边缘点组成的闭合曲线围成的区域。在一些简单的应用中,如在纯蓝色背景下的电视节目的录制,演员穿着与背景完全不同的服装情况下,分割比较容易。但在室外视频监控、无定制背景的室内复杂条件下,该问题并没有很好的解决。现有的算法很难适应多种变化环境,而且抗噪声能力不足。同时,对于目前大量应用于家庭上网娱乐的普通摄像头,由于视频质量有限,现有算法并不具有很好的鲁棒性。而且,受制于计算机的CPU处理性能,很难在实时状态下处理采集到视频的前景提取工作。在网络视频直播或视频聊天等环镜中,就需要一种高效、高质量的前景提取方法。 　　本文跟据网络摄像头的特性,提出了一种通过高斯背影建模、基于区域生长的前景提取、YUV空间阴影消除算法、基于亮度自适应的光线调节等方法,精确高效的提取出视频前景Mask的方法,并给出了与新背景无缝融合的方法。实验结果表明,该方法可以有效的在实时摄像头环境下进行精确的前景提取。 　　1、背景建模方法 　　在网络视频直播或视频聊天类应用场景中,摄像头通常是固定的,所以可以采用背景相减的方法完成对视频序列中的运动前景物体的检测。背景相减法的基本思路是实时采集的视频帧中减去预先采集好的参考背景图像。这个参考背景图像是通过训练和学习视频序列而获得的背景模型。 　　在本文中,采用单高斯模型方法进行背景建模。在本文应用场景中,进行背景建模时,需要前景人物事先离开摄像头拍摄范围,此时场景中像素值在视频序列中服从高斯分布[1]。针对每个固定的像素（Px,P y）,计算n帧训练图像序列中该像素值的n个样本的均值I和方差e,用以唯一确定该高斯模型[2]。采集到的视频帧与该背景相减后的值与阈值比较,跟据｜It-I｜3e就可以判断该像素是前景或是背景。图(1)为经过训练后的均值图像。 　　图(1) 经过训练后的均值图像 图(2) 前景物体进入场景后图像 　　经过RGB三通道相减后,可得到前景和背景的帧差图像。从图中我们可看出,本方法除了进入场景的前景人物外,部分背景也产生了较大的帧差。同时,前景部分由于有与背景接近的颜色也有部分像素帧差很小。 　　也就是说,利用简单的帧差阈值法,无法很好分割帧差图像得到前景图像的Mask,而且容易在前景图像中产生空洞现像。因此,在背景建模的基础上,本文采用了一种基于区域生长的前景提取方法来进行精确的前景提取。 　　2、基于区域生长的前景提取方法 　　区域生长法是一种根据事先定义的准则将像素或子区域聚合成更大区域的过程。基本方法是以一组“种子”开始,将与种子性质相似的的相邻像素附加到生长区域的每个种子上。区域生长的另一个问题是用公式描述一个终止规则。基本上,在没有像素满足加入某个区域的条件时,区域生长就会停止[3]。 　　2.1 种子生长的基本规则 　　在进行区域生长运算之前,首先需确定种子生长的规则。本文选定从视频边缘均匀选16个点做为背景区域的种子,经实验分析,种子生长在同时符合以下条件时,判定为背景,可得到最优结果: 　　(pDiffY[yy*nSaveWidth+xx]threshold*0.9) 　　(pDiffR[yy*nSaveWidth+xx]threshold) 　　(pDiffG[yy*nSaveWidth+xx]threshold*1.1) 　　(pDiffB[yy*nSaveWidth+xx]threshold*1.1) 　　（其中,pDiffY为YUV颜色空间帧差图像的Y分量pDiffR,pDiffG,pDiffB分别为RGB颜色空间帧差图像的R、G、B分量,yy为纵坐标,xx为横坐标,nSaveWidth为每行的像素数,””为计算机语言中表示“与”的符号）。 　　经过研究分析发现,相对于其他像素,前景边缘像素需要更敏感的生长条件从而使得边缘部分的分割更为精确,因此,在当前像素为前景边缘时,需要降生长的阈值降低。前景边缘的提取方法为,视频源边缘减去原背景的边缘。 　　前景边缘像素生长阈值为: 　　if (pEdgesMask[yy*nSaveWidth+xx]