《電子技術(shù)應(yīng)用》
您所在的位置:首頁 > 顯示光電 > 設(shè)計(jì)應(yīng)用 > 彩色視頻運(yùn)動(dòng)目標(biāo)自適應(yīng)在線聚類提取算法
彩色視頻運(yùn)動(dòng)目標(biāo)自適應(yīng)在線聚類提取算法
來源:電子技術(shù)應(yīng)用2014年第5期
劉國(guó)棟, 范九倫
(西安郵電大學(xué) 通信與信息工程學(xué)院,陜西 西安710061)
摘要: 針對(duì)彩色視頻圖像序列的運(yùn)動(dòng)目標(biāo)提取問題, 提出一種彩色視頻運(yùn)動(dòng)目標(biāo)自適應(yīng)在線聚類提取算法。首先給出一種改進(jìn)的基于HSI空間歐氏距離的色差度量方法;然后提出一種閾值自適應(yīng)的在線聚類彩色背景重構(gòu)算法,并對(duì)重構(gòu)的彩色背景進(jìn)行客觀評(píng)價(jià);最后運(yùn)用背景減除法提取出運(yùn)動(dòng)目標(biāo)。
中圖分類號(hào): TP391.4
文獻(xiàn)標(biāo)識(shí)碼: A
文章編號(hào): 0258-7998(2014)05-0132-04
Colorized video moving objects extracting algorithm via adaptive on-line cluster
Liu Guodong, Fan Jiulun
School of Communication & Information Engineering, Xi′an University of Posts & Telecommunications,Xi′an 710061, China
Abstract: In this paper, for the colorized video moving objects extracting problem, a colorized video moving objects extracting algorithm via adaptive on-line cluster is proposed. Firstly, this paper gives an improved color-difference measurement method based on the Euclidean distance metric in HSI color space. Then, it proposes a threshold adaptive on-line clustering colorized background reconstruction algorithm, and evaluate the reconstructed colorized background objectively. Finally, the background subtraction method is used to extract moving colorized objects.
Key words : color-difference measurement; on-line clustering; background reconstruction; background subtraction; moving objects extraction

    視頻圖像運(yùn)動(dòng)目標(biāo)提取應(yīng)用非常廣泛。目前運(yùn)動(dòng)目標(biāo)提取的方法大致可分為:光流法、幀差法、背景差分法[1]等。近年來,為了有效提取視頻圖像運(yùn)動(dòng)目標(biāo),學(xué)者們又提出了許多可行方法,這些方法主要分為兩大類: (1)建立背景模型[2-3],并采用自適應(yīng)方法對(duì)模型參數(shù)進(jìn)行調(diào)整,從而獲得新的背景圖像;(2)重構(gòu)背景圖像,包括典型的像素聚類法[4]、時(shí)間平均法等。參考文獻(xiàn)[5]假設(shè)背景在圖像序列中總是被經(jīng)常觀察到,提出把出現(xiàn)頻率最高的亮度值作為背景亮度值。在此基礎(chǔ)上,參考文獻(xiàn)[6]給出基于在線聚類背景重構(gòu)算法。參考文獻(xiàn)[7]針對(duì)聚類中需要人工設(shè)定閾值的缺點(diǎn), 提出一種自適應(yīng)在線聚類的背景提取方法。參考文獻(xiàn)[8]針對(duì)參考文獻(xiàn)[7]中設(shè)置的自適應(yīng)閾值α存在隨著聚類過程會(huì)越來越大的問題,通過比例系數(shù)β對(duì)閾值α進(jìn)行修正。本文通過對(duì)參考文獻(xiàn)[7]和參考文獻(xiàn)[8]中閾值α設(shè)置方法的進(jìn)一步分析,針對(duì)其存在的問題做了有效改進(jìn),提高了背景重構(gòu)算法的效率。針對(duì)彩色視頻圖像,結(jié)合HSI色彩空間加權(quán)歐氏距離和背景減除法,提出一種彩色視頻運(yùn)動(dòng)目標(biāo)自適應(yīng)在線聚類提取算法。
1 數(shù)據(jù)預(yù)處理
    通過離散小波變換(DWT)對(duì)數(shù)據(jù)進(jìn)行預(yù)處理,以提高算法效率。輸入圖像數(shù)據(jù)經(jīng)過一級(jí)二維離散小波變換后被分解成近似分量LL(低頻部分)、水平方向細(xì)節(jié)分量HL(次低頻部分)、垂直方向細(xì)節(jié)分量LH(次高頻部分)、對(duì)角方向細(xì)節(jié)分量HH(高頻部分)。圖像的主要信息大多集中在低頻部分,而高頻部分的有用信息較弱,對(duì)人眼視覺影響較小,且噪聲也大多集中在高頻部分。因此,通過數(shù)據(jù)量只有總量1/4的低頻分量LL來提取目標(biāo),不但提高了處理速度,而且抑制了噪聲。
2 基于色差聚類的背景重構(gòu)
2.1 灰度圖像背景重構(gòu)及閾值設(shè)置[6-9]

    灰度圖像聚類法背景重構(gòu)思想為: 首先將輸入的第一幀中的像素灰度值作為第一個(gè)類,當(dāng)新的數(shù)據(jù)到來時(shí)與該類中的首元素相比較,如果該數(shù)據(jù)與首元素灰度差的絕對(duì)值≤α,則將元素放入該類; 否則,把該元素放入新類中。為了使基于色差聚類中的參數(shù)α具有自適應(yīng)性,參考文獻(xiàn)[7]將閾值設(shè)置為:



4 實(shí)驗(yàn)結(jié)果及分析
    實(shí)驗(yàn)是在Matlab R2010a開發(fā)環(huán)境下進(jìn)行測(cè)試。本文實(shí)驗(yàn)中的理想目標(biāo)提取圖像均是用Photoshop CS5軟件手動(dòng)提取的。
   視頻1為PETS2000測(cè)試視頻,實(shí)驗(yàn)結(jié)果如圖1和表1所示,本文從視頻的1 300幀開始,以3幀為周期抽取100幀作為訓(xùn)練序,手動(dòng)提取第2 580幀作為理想背景。本文所選取的訓(xùn)練序列中包含了兩輛汽車倒車時(shí)的迂回運(yùn)動(dòng)和多目標(biāo)運(yùn)動(dòng)的情況。
   視頻2為高速公路隧道監(jiān)控視頻,實(shí)驗(yàn)結(jié)果如圖2和表2所示,本文從視頻的10幀開始,以3幀為周期抽取60幀作為訓(xùn)練序,手動(dòng)提取第10幀作為理想背景。本視頻中由于汽車的燈光對(duì)路面的照射引起了環(huán)境變化。但由實(shí)驗(yàn)結(jié)果可見,本文算法還是能比較準(zhǔn)確地重構(gòu)背景。

 

 

    視頻3為Hall(CIF)視頻,實(shí)驗(yàn)結(jié)果如圖3和表3所示,本文從視頻的第1幀開始,以3幀為周期抽取100幀作為訓(xùn)練序列,手動(dòng)提取第3幀作為理想背景。原視頻前130幀箱子在手上隨運(yùn)動(dòng)目標(biāo)移動(dòng),從第130幀開始,箱子被放下。參考文獻(xiàn)[8]算法將箱子處理成了背景,本文算法僅將箱子的小部分處理成了背景。

    本文3組實(shí)驗(yàn)分別考慮了目標(biāo)迂回運(yùn)動(dòng)、多目標(biāo)運(yùn)動(dòng)、環(huán)境變化以及不滿足背景在視頻序列中以較高頻率出現(xiàn)假設(shè)等情況下,分別用本文算法和參考文獻(xiàn)[8]算法進(jìn)行了仿真。
參考文獻(xiàn)
[1] BARNICH O, Van DROOGENBROECK M.ViBe: a universal background subtraction algorithm for video sequence[J].IEEE Trans. on Image Processing, 2011,20(6):1709-1724.
[2] HASSANPOUR H, SEDIGHI M. MANASHTY A R. Video frame′s background modeling: reviewing the techniques[J]. Journal of Signal and Information Processing, 2011,2(2):72-78.
[3] 潘欣艷, 徐榮青, 崔媛媛,等. 邊緣檢測(cè)與混合高斯模型相融合的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].微型機(jī)與應(yīng)用,2011,30(23):43-50.
[4] 鄭錦, 李波. 面向室外視頻監(jiān)控的背景重構(gòu)算法[J].電子學(xué)報(bào),2009,37(8):1854-1859.
[5] 侯志強(qiáng), 韓崇昭.基于像素灰度歸類的背景重構(gòu)算法[J].軟件學(xué)報(bào),2005,16(9):1568-1576.
[6] 肖梅, 韓崇昭. 基于在線聚類的背景減法[J].模式識(shí)別與人工智能, 2007,20(1):35-41.
[7] 夏潔,吳健,陳建明.基于自適應(yīng)在線聚類的背景提取[J].計(jì)算機(jī)工程,2011,37(3):169-171.
[8] 任應(yīng)軍,范九倫.基于 DWT 的自適應(yīng)在線聚類運(yùn)動(dòng)目標(biāo)提取方法[J].計(jì)算機(jī)應(yīng)用研究, 2012,29(9):3561-3564.
[9] 任應(yīng)軍, 范九倫. 一種DWT與背景重構(gòu)相結(jié)合的運(yùn)動(dòng)目分割方法[J].計(jì)算機(jī)科學(xué), 2012,39(10):290-293.
[10] GONZALEZ R C,WOODS R E. Digital image processing[M]. MATLAB Edition, Chinese, Beijing: Publishing House of Electronics Industry, 2005.

此內(nèi)容為AET網(wǎng)站原創(chuàng),未經(jīng)授權(quán)禁止轉(zhuǎn)載。