基于贝叶斯框架的目标分割方法研究.docVIP

PAGE PAGE 1 基于贝叶斯框架的目标分割方法研究 　　摘要：运动目标的检测与分割是视频监控系统的基础，所分割出的目标的完整性对视频的后续处理如目标分类、跟踪及行为理解产生重要影响。实际场景通常很复杂包括静态的背景和动态的背景及运动目标。该文提出了基于贝叶斯框架的目标检测方法。首先求相邻两帧之差，通过自适应阈值把帧差图二值化为变化部分和静止部分。每个像素维护两个表分别对应静止和运运两种状态，表中表项记录像素最近最重要的概率信息，检索这些概率代入贝叶斯公式，求出当前帧像素点的最大后验概率，根据贝叶斯分类原则，对当前帧的像素进行分类。最后，对室内、室外拍摄的两个视频做实验进行验证，实验表明该方法在较复杂环境下，也具有较好的目标检测能力。 　　关键词：贝叶斯；目标分割； 　　中图分类号：TP18文献标识码：A文章编号：1009-3044（2013）04-0866-04 　　在视频流中检测和分割前景目标是后续处理如目标分类、目标跟踪和行为理解的基础。人脑智能所谓的前景通常是自已感兴趣的目标，其他场景成分一概归入背景。固定的摄像机，分割前景常用的方法有帧差法、背景减除法等，这些方法假设背景都是由静止的物体（其颜色或强度缓慢变化）构成。然而，当背景中含有目标物体的阴影如车影，运动物体如晃动的树枝，水波以及光照变化给前景目标的正确检测和分割带来挑挑战。当背景处于或场景缓慢变化时，单高斯就能较好的描述背景像素的噪声。对于周期运动的背景如摇动的树叶，像素在叶子和叶子后面的地面两种颜色为均值的分布中变化。像素呈现双峰状态。基于背景中可能有周期性动用的物体，近来，人们又提出了采用高斯混合模型（多个高斯的线性组合）来描述每个背景像素。高斯的权重、均值，方差迭代更新以适应环境的变化。但是，这些方法不能处理光线的缓慢的变化和突变。如从早到晚的光线变化和开关灯的全局背景光线的突变。此外，存在前景目标与背景的相互转换的情况如移动背景物体而产生的背景局部变化（如移动凳子）及开车停在停车位，车成为了背景物体。在某些情况下，背景像素可能有多种状态，因此，对于复杂的场景，背景的不同部分应用不同的特征来描述。 　　本文中采用基于贝叶斯框架目标检测方法。首先求相邻两帧之差，通过自适应阈值把帧差图二值化为变化部分和静止部分。每个像素维护两个表分别对应静止和运运两种状态，表中表项记录像素最近最重要的概率信息，检索这些概率代入贝叶斯公式，求出当前帧像素点的最大后验概率，根据贝叶斯分类原则，对当前帧的像素进行分类。 　　1贝叶斯分类 　　假设[vt]是序列图像中t时刻，[s=x，y]位置，像素的特征向量。由贝叶斯规则，[vt]的后验概率是 　　[PC|vt，s=Pvt|C，sPC|sPvt|s]（1） 　　式中的分母 　　[Pvt|s=Pvt|C，sPC|s]（2） 　　其中[C]为前景或背景，这是两类判别问题，由贝叶斯决策论，比较后验概率[Pb|vt，s]和[Pf|vt，s]的大小，如果满足 　　[Pb|vt，sPf|vt，s]（3） 　　则把[vt]分类为背景。将式（1）、（2）代入（3）中得 　　[2Pvt|b，sPb|sPvt|s]（4） 　　这个公式说明，我们只要知道了当前像素的三个概率：[Pb|s]，[Pvt|b，s]，[Pvt|s]就可以判定像素的类别。 　　2特征统计表示 　　背景通常被认为是没有出现感兴趣目标的场景，由无生命的物体组成，静止在原地不动，背景像素的状态稳定。而感兴趣目标经常在场景中移动。因此，所选取表达背景的特征，在像素s，特征向量会集中在一个特征直方图很少量直方块内。而前景的特征向量会分布在较宽的范围。这种意味着，选择好的特征，可以覆盖大部的特征向量（背景在s处的像素，在时间域上的直方图，少量的柱块，就能反映大部分的像素变化），比例为[M]，如[M1]=90%，[M2]=10%。设[Pvt|b，s，i=1，…，N1]，是[Pvt|b，s]的降序排列的前[N1]个概率值。[N1]是经验值，稳定的背景特征相对集中，[N1]取较小值，而对于变化较大的背景，取稍大的值。 　　[i=1N1Pvit|f，sM1]，[i=1N1Pvit|f，s 　　每个像素，在t时刻都维护着一个统计表[Ss，t，ivt]，记录[N2]（[N2N1]）个最重要的值的概率信息。表中的每个表项，由三项组成，这三项对就于（4）式中的三个概率。 　　[Ss，t，ivt]=（6） 　　此表由特征直方图的最重要的部分构成，表中的元素以[pt，iv]降序排列。同时[ps，tb=Pb|s]要据场景的变化，迭代更新。表中的前[N1]个元素足以覆盖背景特征向量绝大部分。所以在表的前[N1]个元素中有，[pt，iv≈pt，ivb]。 　　3特征选择 　　静态背景的像素，采用颜色的三