一种基于像素归属的背景重构算法.docxVIP

一种基于像素归属的背景重构算法 在计算机视觉系统中，检测和分割运动目标是一个非常重要的问题。它主要用于视频监控、交通监控、图像压缩和其他应用。在进行运动检测时，通常当摄像头处于静态状态并聚焦时，摄像头的距离是固定的。在这种情况下，图像的背景区域通常有三种方法进行运动检测：光流法、相邻噪声法和背景差法。 光流法在不需要背景区域的任何先验知识条件下就能够实现对运动目标的检测和跟踪,还可以应用于摄像机运动的情况.但是,光流法的计算量非常大,而且对噪声比较敏感,对硬件要求比较高.相邻帧差法能够适应环境的动态变化,实现实时的运动检测,但分割出的运动目标不完整.文献对相邻帧差法进行了改进,利用相邻3帧图像先差分再求和,获得比相邻帧差法更好的运动分割结果,但运动目标在很多情况下仍不完整.背景差法[6,7,8,9,10,11,12,13,14,15,16,17,18,19,20,21,22,23]通过当前帧减去背景参考帧,然后对所得图像选择合适的阈值二值化以后,就得到完整的运动目标是一种最为简单和有效的方法,完全克服了相邻帧差法的缺点. 本文重点讨论背景差法.第1节简要介绍背景差法的难点问题,即背景图像的重构与更新,并回顾目前解决这一问题的主要方法.第2节提出本文的背景重构算法,给出算法步骤、背景图像的更新策略以及对运动目标的检测和分割.第3节给出利用本文的算法所得到的实验结果,并与几种经典的背景重构算法进行比较.第4节对本文的算法所涉及的两个问题进行讨论.第5节给出结论和进一步的工作. 1 混合模型的建立 背景差法最简单的实现方法是预先选取不含前景运动目标的背景图像,然后将当前帧与该背景图像相减但背景往往会发生变化,如室内环境中的光照变化;在室外环境中,一天不同时刻光线和阴影的变化、不同季节的变化、背景中景物的改变和摄像机位置的偏移等,此时,背景图像必须能够自适应地更新.针对这一问题,一种经典的方法是时间平均法(time-averaged background image,简称TABI),即对一段时间中的图像序列求和再平均,获得一帧近似的背景图像,但这种方法容易将前景运动目标混入到背景图像当中,产生混合现象(blending)近年来,人们对如何实现背景图像的自适应更新进行了大量研究,这些方法可以分为两类:第1类是建立背景模型并采用自适应方法对模型参数进行调整,从而获得新的背景图像[6,7,8,9,10,11,12,13,14];第2类是从过去的一组观测图像中按照一定的假设选择像素灰度构成当前的背景图像. 在第1类方法中,Ridder等人对背景图像中的每个像素进行Kalman滤波,使系统在光线发生变化时也能够工作.Friedman和Russell将像素的灰度值看作是3个高斯分布的加权,这3个高斯分布分别对应于背景、前景和阴影,同时采用EM算法获得模型参数.由于背景往往比较复杂,对背景像素仅用一个高斯分布表示是不够的,Stauffer和Grimson对此进行了改进,采用K个高斯分布(K取3～5)的混合模型表示背景像素的分布规律.KaewTraKulPong和Bowden详细分析了文献中方法的缺点,即需要大量的运算时间和不能检测运动阴影,提出一种改进的自适应混合模型以降低运算量,实现运动阴影检测.Elgammal等人认为,文献中的方法只采用很少几种高斯分布的混合模型表示背景像素的分布规律很不准确,但增加高斯分布的个数又会降低运动检测的灵敏性,同时增加运算量,因此提出一种无参数的核密度估计算法,提高了运动检测的灵敏性,但运算量仍很大.Magee注意到文献中只对背景建立了多个高斯分布的混合模型,并未对前景建立,因此建立了多个前景模型与文献中方法相结合,实现了更为有效的运动检测.Pfinder采用的背景模型是对每个像素建立一个高斯分布,在不含前景的室内环境中进行初始化之后,实现了室内环境中对一个人的运动检测和跟踪.Wallflower从图像的像素级、区域级和帧级特征对背景图像进行重构,并采用Wiener滤波实现背景的自适应更新.上述方法都需要进行模型初始化(在文献中称为bootstrapping),通常假定在初始化阶段,背景图像中不含有运动前景,这种假设在实际的公共场合很难满足;其次,所建立的模型很难充分表示实际的背景图像使运动前景很容易混入背景图像当中,产生混合现象. 在第2类方法中,最早的工作是由Long和Yang进行的.他们提出了一种自适应平滑算法,认为在一段图像序列中,像素点处于稳定状态最长的灰度值是背景像素灰度值,但如果前景运动目标运动较慢或者在一段时间内暂时处于静止状态时,稳定状态最长的灰度值往往是前景目标,此时就会产生错误结果.Gutchess等人对此进行了改进,在算法中引入了光流场计算,把由运动目标产生的稳定状态最长的灰度值去掉,从而