视频中的运动目标分割与阴影消除.pptVIP

视频中的运动目标分割与阴影消除 高书 运动物体的视频分割与提取在视频监控、人机交互、娱乐动画、多媒体、通讯、军事以及体育等领域都有着极为广泛的应用前景。 运动目标分割方法 背景差分法 时域差分运动检测法 光流法 基于混合高斯模型和多尺度小波变换的运动前景分割 混合高斯模型运动检测 在视频序列中，假设某位置的像素点在各帧图像中的像素点的值分别为：{X1、X2、…、Xt}，根据这些像素值，用n(1≤n≤K)个高斯分布来描述该像素点的像素值分布情况。在时刻t，像素值X1属于背景的概率可以通过下面的式子得到： 适时对混合高斯背景模型进行更新，不但要对模型自身的参数进行更新，还要更新各分布的权值等。若第k个高斯分布与Xt匹配，则按照如下方式对模型中K个高斯分布的权值 进行调整： 其中a是权值更新率，如果被检测的像素值Xt与第k个高斯分布匹配，则Mk,t=1，而其它高斯分布对应的Mk,t=0。 背景模型中匹配成功的高斯分布，其均值和方差也要进行更新，方式如下： 设像素点m(x,y)的当前像素值为Xt，其前景判定式如下（Bt(x,y)=1时表示Xt属于前景像素点）： 其中， 为高斯更新判决参数。即在进行前景检测时，只要被检测的像素值和背景模型中前B个高斯分布的任意一个相匹配，则认为该像素点属于背景，否则认为它属于前景。只有当被检测的像素点的值和前B个高斯分布中的一个相匹配时才认为该像素点属于背景，这样可以避免新引入的高斯分布立即参与前景的判断。 缺点：采用上述方法，会将运动物体的阴影误检为前景区域提取出来。 原始图像 分割结果 由于运用混合高斯模型得到的前景图像，受到阴影的影响极为严重，因此，如何去除阴影对前景分割的影响十分必要。我们这里引用了多分辨率小波变换的特性。 相比于RGB颜色空间，HSV中3个分量之间的相关性要小很多，色彩分类简单自然。这些特点使得HSV颜色空间非常适合于借助人眼视觉系统来感知彩色特性的图像处理方法。 融合多尺度小波变换的运动前景分割 利用混合高斯模型得到最新的背景图像时后，将所得到的背景图像转化至HSV颜色空间，同时将当前帧也转化至HSV颜色空间。在V分量（亮度）和S分量（饱和度）两个通道上，将当前图像和背景图像进行差值运算，得到两个通道上的差值图像。在得到两个分量上的差值图之后，我们将利用多尺度小波变换，对其进行处理，从而得到两分量上的前景图。 (a)为S分量的效果图 (b)为V分量上的效果图 (c)为两图相与之后的效果图 这里，我们运用到了Sobel算子[21]，Sobel算子很容易在空间上实现，它利用像素点邻域的灰度加权算法，根据在边缘点处达到极值这一现象进行边缘的检测。定义卷子算子如下： 卷积算子为： 为验证所提算法的有效性和鲁棒性，以及运动前景分割的效果。本文采用了公共测试视频图像库中的测试视频，对提出的方法进行检验。被选作实验的视频，背景环境相对复杂，并且有前景物体的移入与移出导致背景随即发生变化，因而有鬼影的出现可能，更能体现本算法的鲁棒性。 实验结果图 (a)当前图像,(b)为高斯效果图,(c)为小波变换效果图,(d)所提文方法效果图 a b c d 结论 结合混合高斯模型和多尺度小波变换，提出了一种更为高效的运动前景分割方法，有效地消除了阴影与鬼影对前景分割所造成的影响。使用高斯混合模型得到运动背景和每一帧的前景图像，并且对每一帧的背景进行实时更新。将得到的背景帧和当前图像转化到HSV颜色空间，并且在H分量和S 分量上做差分运算得到两个分量上的差值图，经过多尺度小波变换，分别去除噪声和阴影的影响，将两分量得到的效果图相结合，得到多尺度小波变换 的最终效果，最后结合之前的高斯混合模型所得到的前景分割图像，得到最终的效果。通过实验对比，证实了本文所提方法有效、可行，且鲁棒性强。 谢谢