一种基于灰度相关性的背景更新算法.docVIP

PAGE PAGE 1 一种基于灰度相关性的背景更新算法 　　【摘要】视频运动目标检测常用的方法是背景差分法，而背景差分法的关键是如何从视频中建立背景模型。IIR滤波器背景更新算法是采用较多的一种背景更新算法，但仍存在一些不足，因此，本文提出了一种基于灰度相关性的背景更新算法，并使用差分图像像素均值法获取阈值对图像进行分割，用基于形态学及连通性分析法对检测目标进行后处理。实验结果表明：该算法能够实得到的背景帧较为理想，能对运动目标进行准确的检测，具有很好的鲁棒性。 　　【关键词】目标检测；IIR滤波；灰度相关；背景建模；背景更新 　　1.引言 　　背景差分法是视频运动目标检测中常用的方法，由于在检测速度和检测效果方面比较理想，从而备受关注[1]。由于很难从视频中直接获取没有运动目标的图像帧作为背景，因此背景差分法的难点在于建立理想的背景模型，以及背景的保持与更新[2，3]。ForestiG.L提出的IIR滤波器背景更新算法是一种采用较多的背景更新算法，该更新算法对存储空间要求不高，且吸收了实际场景变化信息，对光线变化有一定适应性，速度快，实时处理，因此实际系统中应用较多。但该算法更新的背景与真实的背景间存在误差，长时间累积可能使背景失效。 　　本文充分利用相邻帧间的灰度相关性，对IIR滤波器背景更新算法进行改进，提出了一种基于灰度相关性的背景更新算法，再用差分图像像素均值作为阈值分离目标与背景图像，然后用基于形态学及连通性分析法对检测目标进行后处理。实验结果表明：该算法能对运动目标进行准确的检测，具有很好的鲁棒性。 　　2.IIR滤波背景更新算法 　　IIR滤波背景更新算法的基本思想是通过引入学习率，将当前图像与背景图像进行加权相加，来体现场景变化对背景图像的响应[4]。背景计算如式1-1： 　　（1-1） 　　越大，当前帧It（x，y）对背景的影响越小，此时背景帧Bt（x，y）的影响主要来自于前一帧背景图像Bt-1（x，y），更新较慢；反之，当前帧It（x，y）对背景的影响较大，背景更新较快。因此，检测的实时性和准确性主要取决于的值。将式1-1展开得式1-2： 　　（1-2） 　　由于当前帧中包含了最新的场景信息，对背景更新的影响更大，而历史帧对当前背景更新的影响逐渐减小。因此，从式1-2可以看出，加权系数控制着背景更新的速度，算法对当前帧It（x，y）设置了更大的权值，而历史帧的权值则依次降低。由于现实应用环境的复杂性，一个固定的更新速度难以适用于实际情况。若值选取较小，对当前帧加权比例较大，背景更新速度较快，同时当前帧中运动前景得到加权，在更新的背景中容易留下运动目标的虚影；若值选取较大，对当前帧加权比例小，背景更新缓慢，不能及时跟踪当前帧中的光变，更新的背景与真实背景有一定误差，误差的长期累积，最终会导致更新的背景失效。 　　实验仿真结果如图1（b）。由于IIR滤波背景更新算法效果受限于加权系数，不能有效地滤除运动前景，跟踪环境中的光变。从实验结果可以看出检测结果中含有大量的噪声，且随背景光线复杂度的升高而增多。 　　3.基于灰度相关性的背景更新算法 　　视频图像最大的特点是它有丰富的原始数据，邻近帧间的强相关性以及时域上的动态时变模式等，在很大程度上使运动目标易于检测、分割。本文基于相邻帧间的灰度相关性，提出一种改进的IIR滤波背景更新算法进行[5]。算法如下： 　　步骤1：初始化。设背景帧B0（x，y）=I0（x，y），迭代次数m=1，最大迭代次数为视频总帧数。 　　步骤2：求取相邻帧间的灰度相关性。取（2n+1）×（2n+1）的像素点集构成窗口W，除去边缘的两行、两列，WIt（x，y）和WIt-1（x，y）分别表示相邻两帧窗口W的灰度，用相邻帧对应窗口图像像素间的最小均方误差表示其灰度相关性[6]，则相邻帧间的灰度相关性用式2-1表示： 　　（2-1） 　　步骤3：从左到右，至上而下依次扫描相邻两帧图像，得到帧间差分二值图像。 　　if（2-2） 　　步骤4：根据式2-2的结果更新背景图像 　　if（2-3） 　　步骤5：对上述过程进行迭代，视频中所有帧迭代结束后，此时的Bt（x，y）视为提取到的背景。 　　在MATLAB中进行仿真研究中发现，值和窗口大小很大程度地决定了背景建立时的速度和精度，本文兼顾检测的实时性和准确性，通过反复实验，Ta取多次有效试验的平均值，取0.997，窗口大小为5×5。实验表明，这种更新法能够很好地解决物体长时间停留对背景的影响，同时能够有效地降低噪声点的数量。实验仿真结果如图1（c）。 　　4.运动目标提取 　　由于图像中往往含有一定的噪声，直接求差分则受噪声影响比较大，因此在差分运算前先对图像进行滤波处理。本文首先采用自适应中值滤波法进行滤波处理，然后再将当前帧图像与背景更