当前位置：文档之家 › 一种改进的背景差分模型视频图像分割方法

一种改进的背景差分模型视频图像分割方法

  • 格式：pdf
  • 大小：1.25 MB
  • 文档页数：3

下载文档原格式

  / 3

合集下载

引入差分图像具有多重特性的图像分割模型

引入差分图像具有多重特性的图像分割模型

引入差分图像具有多重特性的图像分割模型何玲娜;曹建伐;郑河荣【期刊名称】《计算机科学》【年(卷),期】2015(042)006【摘要】大多数经典活动轮廓模型只具有某些方面的优势,不能同时满足处理复杂图像的要求,对此提出一种具有多重分割特性的分割模型.模型通过引入差分图像,将差分图像的BGFRLS模型作为全局控制项,以保证模型能够最大限度地检测到所有的目标边缘;其次,将长度项设为局部项,使得分割进一步精确化,并将Li方法中的惩罚项加入到模型中,避免了重新初始化水平集函数,提高了分割效率;最后,模型在全局控制项和局部控制项之间引入了自适应权值,避免了过多的参数设置.通过上述方法使得模型具有如下优点:1)具有更强的全局分割性;2)可以分割灰度不均匀的图像,而且能够有效地检测出虚弱目标边缘;3)算法具有一定鲁棒性,能够克服一定噪声.实验表明,该模型在保证分割效率的前提下可以分割灰度不均匀的图像,而且能够有效检测出虚弱目标边缘,此外还具有更强的全局分割性,并能抵御一定噪声.【总页数】5页(P303-307)【作者】何玲娜;曹建伐;郑河荣【作者单位】浙江工业大学计算机科学与技术学院杭州310023;浙江省可视媒体智能处理技术研究重点实验室杭州310023;浙江工业大学计算机科学与技术学院杭州310023;浙江工业大学计算机科学与技术学院杭州310023;浙江省可视媒体智能处理技术研究重点实验室杭州310023【正文语种】中文【中图分类】TP301.6【相关文献】1.具有多指标柔性能量的Mumford-Shah模型图像分割 [J], 张建伟;孟祥瑞;罗嘉;夏德深2.一种改进的背景差分模型视频图像分割方法 [J], 陈文俊;张定会;王少宾3.一种具有边缘保持的多尺度马尔可夫随机场模型图像分割方法 [J], 孟月波;刘光辉;徐胜军;冯峰4.基于改进活动轮廓模型和视觉特性的图像分割方法 [J], 付荣; 冉杨鋆; 孙晓光; 孙虎元; 孙立娟5.基于改进活动轮廓模型和视觉特性的图像分割方法 [J], 付荣; 冉杨鋆; 孙晓光; 孙虎元; 孙立娟因版权原因，仅展示原文概要，查看原文内容请购买。

robustvideomatting算法

robustvideomatting算法

robustvideomatting算法RobustVideoMatting算法是一种用于视频抠像的深度学习算法。

它基于对视频序列中前景与背景之间交互的建模，并利用深度学习网络进行前景抠像。

下面给出RobustVideoMatting算法的原理、优点、用途，以及相应的应用场景。

一、算法原理：RobustVideoMatting算法基于深度卷积神经网络，而且采用了挖掘对象结构与纹理的策略。

该算法采用三个网络分别进行训练，分别是输入编码器、REFINE编码器与解码器。

输入编码器用于提取视频序列中的信息，REFINE编码器则用于进一步优化结果，并且解码器用于抠取前景。

当用户选择视频中的过程时，RobustVideoMatting算法对纹理进行建模并进行提取，然后把其转换成对前景的判断。

二、算法优点：1.该算法可通过深度学习网络进行前景抠像；2.该算法利用了交互建模，可以更准确地分离出前景与背景；3.该算法能处理复杂的光照问题，从而更好地区分前景与背景。

三、算法用途：1. 图像去背景处理：RobustVideoMatting算法可以从静态图像中将前景和背景分离出来，更好地处理图像的去背景问题；2. 视频抠像：RobustVideoMatting算法可以广泛用于视频抠像，例如自动驾驶的场景，车辆识别。

，等。

四、应用场景：1. 视频编辑：在电影、电视剧、广告等视频制作过程中，RobustVideoMatting算法的使用能够帮助编辑自动进行分离；2. 自动驾驶：RobustVideoMatting算法可以帮助汽车识别并追踪道路、车道标识等，提高自动驾驶的安全性能；3. 车辆识别：RobustVideoMatting算法可以利用视频流识别车辆的品牌、类型甚至是颜色，用于交通监控等领域。

总之，RobustVideoMatting算法是一种可以广泛应用于视频抠像、图像去背景处理以及自动驾驶等领域的深度学习算法，具有很高的实用性与准确性。

一种改进的基于背景差分的运动目标检测方法

一种改进的基于背景差分的运动目标检测方法

ｄｆｅ ｅ ｃ ｔ ｏ ｏ ｂｅ ｔｄ ｔｃｉｎ ｉ ｒｎ ｅｍｅｈ ｄ ｆｒｏ ｊｃ ｅｅ ｔｏ ．Ａｔｔ ｅｓ ｍｅｔｍｅｔ ｅｂ ｃ ｇ ｏ ｎ ｐ ａｉｇ ａｇ ｒｔ ｍ ｓｎ ｉｒ ｒｈｃ ｌｂ ｔｅ ｏｕ ｉｎｔ ｅ ｆ ｈ ａ ｉ ｈ ａ ｋ ｒ ｕ ｄ ｕ ｄ ｔ ｌｏ ｉ ｎ ｈ ｕ ｉｇ ｈｅ ａｃ ｉａ ｅｔ ｒｓ ｌ ｔ ｈ ｏ
“
ｓ ａ ” ｎ ｈ ａ ｇ — ｃ ｌ ｈ ｎ ｅ ｎ ｉ ｕ ｎ ｔｏ ｏ ｄ ｔ ｎ ， ｎ ｌ ｍｅ ｒ ａ ｄ ｔ ｅｌ ｒ ｅ ｓ ａｅｃ ａ ｇ ｓ ｉ ｌ ｍｉ ａ ｉｎ ｃ ｎ ｉ ｏ ｓ Ｆｉ ａ ｌ ｌ ｉ ｙ，ｔ ｅｐ ｐ ｒｐ ｏ ｏ ｅ ｉ ｌ ｌ ｏ ｉｈ ｔ ｏ ｖ ｈ ｒ ｂ ｅ ｈ ａ ｅ ｒ ｐ ｓ ｄ ａｓｍｐ ｅａ ｇ ｒｔ ｍ Ｏ ｓ ｌ ｅｔ ｅ ｐ ｏ ｌｍ
运 动 目标 检测就 是从整 幅场景 图像 中把感 兴趣 的 运 动 目标 检测 出来 。 是后续 的各种 高级 处理 ， 目标 它 如 跟踪、 目标分类 及行为 分析 的基石 ， 也是 视频监 控系统
动 等影 响较大并 且不能 很好地 解决 “ 拖影 ” 和背 景 区域
大 面积 变化等 问题 。 对 以上 问题 ， 针 本文 在对 图像 前期 和后 期 进行 处理 的基础 上对 背 景差 分 法 的关 键部 分 ：
ｐ ｘ ｌ ｎ ｅ ｓｔ ｌ ｓ ｉ ｃ ｔ ｎ ａ ｄ ｔ ｅ ｓｎ ｌ ｕ ｓａ ｄ ｌ ａ ｅ ａ ｋ ｒ ｕ ｄ ｒ ｃ ｎ ｔ ｕ ｔ ｎ ａ ｇ ｒｔ ｍ ，Ｔｈ ｎ ｕ ｅ ｈ ａ ｋ ｒ ｕ ｄ ｉ ｅ ｔ ｎ ｉ ｃａ ｓｆ ａ ｉ ｎ ｈ ｉ ｇ ｅ Ｇａ ｓ ｉｎ ｍｏ ｅ ｓ ｄ ｂ ｃ ｇ ｏ ｎ ｅ ｏ ｓ ｒ ｃ ｉ ｌｏ ｉｈ ｉ ｙ ｉ ｏ ｂ ｏ ｅ ｓｄ ｔ ｅｂ ｃ ｇ ｏ ｎ

一种自动分割视频对象的新方法

一种自动分割视频对象的新方法
象的运动； 最后根据跟踪更新出的视频对象二值边缘模板 ， 通过文中提 出的填充技术及模板轮廓修 正得到精确的视频对象模板提取 出视频对象。实验验证表 明， 该算法对 目标 的整体运动和局部形 变都有较 强 的适 应性 。 此外 ， 法还具 有简便 、 算 准确 性高 的特 点。
关键 词 ： 频对 象 ； 视 变化检 测 ；差 分边 缘 ；二值 边缘模板 中图分类号 ：Ｔ ３ １４ Ｐ ９． １ 文 献标识 码 ： Ａ 文章 编号 ：０９— ５６ ２０ ） ３— ０ １ ０ １０ ３ １ （０ ６ Ｏ ０ ６ — ４
且适用性广的方法Ｌ ， ４ 缺点是易受到噪声的干扰并且由于缺少空间边缘信息而使得对象边缘不准确。 Ｊ
本文提出一种利用边缘信息分割视频对象的新 方法。首先对相邻帧进行差分检测和边缘检测。其次通
过差分边缘、 当前帧边缘检测出视频对象的初始边缘模板， 并分为快变和慢变两部分进行跟踪和更新以适应
自 动视频对象的分割方法大致可分为光流法、 运动跟踪法和帧间差运动检测法… 。光流法 受到光流
可靠性的影响 ， 对噪声极为敏感 ， 计算复杂。运动跟踪法 的思想是根据视频对象 的先前状 态来估计它的
当前状 态 ， 征的选 取决 定其 准确性 和有效 性 。利用 帧间差 特征 的运动检 测 时空 法是一 种 简单 、 特 直接 、 快速 、
原始视频数据通常都包含很多与视频内容无关的噪声 ， 有的还存在摄像机运动而造成 的全局运动。因 此， 为了提高视频对象分割的效率和准确性 ， 首先对视频序列进行去噪和背景的运动估计 和补偿。本文用 中 值滤波器进行去噪， 因为中值滤波器可以保护图像边缘并且可以有效的去除噪声 。
对于背景存在全局运动的序列 ， 采用 ６ 参数的仿射变换模型补偿进行 。变换公式如下式所示。

一种基于Kalman滤波器的自适应背景建模改进算法

一种基于Kalman滤波器的自适应背景建模改进算法
５ ２
传感器与微系统 （ ｒｎｄ ｃｒ ｎ ｉｒ ｙｔ ｅｈ ｏ ｇ ｓ Ｔａｓｕｅ ａｄＭ ｃｏ ｓ ｍ Ｔｃ ｎｌ ｉ ） ｓ ｅ ｏｅ
２１ ０２年 第 ３ 卷 第 １期 １
一
种 基 于 Ｋａｍａ ｌ ｎ滤 波器 的 自适 应 背 景 建 模 改进 算 法
伍健 荣 杜 向龙 刘 海涛 ， ，
（ ． 国 科 学 院 上 海微 系统 与信 息技 术 研 究所 无 线 传 感 器 网络 与 通 信 重 点 实 验 室 。 海 ２ ０ ５ １中 上 ００ ０ ２ 无锡 物 联 网产 业 研 究 院 。 苏 无锡 ２４ ３ ） ． 江 １ １５
摘 要 ：基于传统 Ｋ ｌ ａ ａ ｎ滤波器理论的背景建模方法 ， ｍ 不能很好地解决 目标 缓慢 运动导致背景模型 出现 拖影 的问题 。针对该问题 ， 出了一种结合 Ｋ ｌ ａ 提 ａ ｎ滤波器理论与动态区域重构的 自适 应背景建模改进算 ｍ
ｄ ｐｙｔ ＝Ｉ ，， ） ； ｔ Ｉ （ ，， ） ｚ ｙｔ 一 （ ， ） ， ｃ （ ，
（） ７
式 中 ｃ ，， ） （ ｙ ｔ 为基 于 Ｋ ｌａ ａ ｎ滤波器背 景模型 估计 的前 ｍ
景标识 ， 为前景 因子 ， Ｏ ｔ 为背景 因子 ， （ 为前景分 割的 ｔ） 阈值 。Ｏ是在 ｄ ， ， ） ｈ ｔ） ／ （ Ｙ ｔ ＞Ｔ （ 的情况下 的 Ｋ ｌａ ａ ｎ增益 ， ｍ 决定 了当前 帧 图像 前 景 更 新 到背 景 模 型 的 速度 ； 是 在 ３ ／ ｄ ， ， ） ｈ ｔ） （ Ｙ ｔ ≤Ｔ （ 的情况下的 Ｋ ｌ ａ 增 益 ， ａｍ ｎ 决定 了当前 帧 图像背景更新到背景模 型的速 度。Ｏ与 的选择 决定 了背 ／ 景模型 的 自适应性 ， 了让运 动 区域 能够从 背景 中有效地 为 分割 出来 ， 必须足够小 ， 但如果太小会影 响背景模型 的环境 自适应性 ， 实验中一般设置 ／ 比 Ｏ大 １ ３ ／ 个数量级 。

视频监控系统中一种运动目标的检测方法

视频监控系统中一种运动目标的检测方法

运动 目标的检测是指从 序列 图像 中将运动 目标从背 究在背景静止情 况下 的目标检测。
景 图像 中分割出来 。运动 目标 的检测 和跟踪是计 算机视 觉研究的主要问题之一 ， 它融合 了 自动控制 、 图像处理 、 模
１ 运 动 目标 的检 测 技 术
运动 目标 的检 测过 程包 括运 动 目标检测 的 预处理 、
（ 台大 学 ， 东 烟 台 ２４０ ） 烟 山 ６０ ５
【 摘 要】提 出了一种基于 改进 的背景 差分 法 的运 动 目标检 测 和识 别 的方 法 ， 该算 法用 于 视 频监 控 系统 中运 动 目 检 测和 报 标 警 。双 阈值 法和 动态阈值法 有效地检测 出图像 中的运动 目标 。Ｍａｌ ． ｔ ｂ７０中对 算法进 行 了仿真 ， 验表 明， 方 法有 效去 除 了 ａ 实 该 运 动 目标 阴影及 背景噪声 ， 可准确地 检测 出运 动 目标 。 【 关键词】视频监控； 背景差分法； 运动 目 标检测； 迭代法 【 中图分类号】Ｔ ９９８Ｔ ３１４ Ｎ １． ；Ｐ９．１ 【 文献标 识码 】Ａ
邕雷 目酗目
ａ 平 均 法 ｂ 改 进 法 ｃ处 理 后 的 图像
稳健 Ｉ也 不好 。另一种 常见 的方法 就是对一 段时 间 内的 生
图 ２ 平 均 法 与 改进 法 的 比较
视 频图像 用累加求 平均值 的方法获得 背景 图像 。此方法 １４ 背景图像的更新 ． 虽 然计算 简单 ， 是很容 易 把前 景 目标 混 入到 背景 图像 但 监控视频 中的背景并 不是一成 不变 的。最 常见 的影
景 图像 的质量 。
中的新增物体当成运 动物体检测 出来 ， 或者是在运动实体
内部容易产生空洞现象 ， 以背景 图像需要更新 － 。 所 － ， 常用 的背景 图像 更新 方法 是 ： 隔一 段 时 间提取 新 每 的背景 图像 ， 新取 的图像可 以是连续帧的视频图像的平均 值， 新取图像 与之前 的背景 图像 按照 一定 的 比例综 合 ， 就

改进的背景差值法目标检测算法

ｔ ｅ ｍ ｏ ｔ ｏｍ ｍ ｏ ｌ ｕ ｅ ，ｈ ｍ ｏ ｔｄｉｅ ｔ ｎ ｓ ｐｌｓ．Ｂａｅ ｏ ｔ ｔａ ｉ ｏ ｌ ａ ｋｇ ｏ ｄ ｉ ｅ ｅ ｅ ａｕ ｅｈｏ ｔｉ ｐ ｐｅ ａ ｓ ｈ ｓ ｃ ｎｙ ｓ ｄ ｔ ｅ ｓ ｒ ｃ，ａ ｄ ｉ ｍ ｅｔ ｓｄ ｎ ｈｅ ｒ ｄｔ ｎａ ｂ ｃ ｒ ｕｎ ｄｆ ｒｎｃ ｖ ｌ ｅ ｍ ｔ ｄ，ｈｓ ａ ｒ ｍ ｋｅ ｉ
ａｉｔｃｇ １ ｔｒ ｔｏ ｈｎ ． ｌ ｉ ｏａｓ ａｇｅ ｕｔ ｅ ｓ
Ｋｅ ｏ ｄ ： ｏ ｉｇｏ ｊｃ ； ｔｒ ｇ ｂ ｃｇ ｏ ｎ ｉｅｅ ｃ ａ ｅｍｅ ｏ ； ｒ ｈ ｌｇ ； ｐ ｎ ａ ｏ ｔｍ ｙｗ ｒ ｓ ｍ ｖ ｂｅ ｔ ￣ ｅ ｎ ； ａｋ ｕ ｄ ｄ ｒｎ ｅ ｌ ｔ ｄ ｍｏｐ ｏｏ ｙ ｏ ｅ ｇ ｒ ｈ ｎ ｓ ｉ ｒ ｆ ｖｕ ｈ ｌ ｉ
的
１预 处 理
图 像 中 内在 噪 声 的 影 响 是 不 可 忽 略 的 ， 原 始 帧 由于 各 种 原 因 ， 可 避 免 的 而 不 会 叠 加 噪 声 ． 此 为 了增 强 图 像 的效 果 ． 一 步 应 该 是 对初 始 帧 进行 平 滑 滤 波 。中 因 第 值 滤波 口 基 于 排 序 统 计 理 论 的一 种 能 有 效 抑制 噪声 的非 线性 信 号 处 理 技 术 ， 】 是 由
Ａ ｂｓｒ ｃ ： ｒ ｔｄ ｔｃｉ ｎ ａ ｒ ｃ ｎ ｉ ａ ｍ ｐｏｔ ｎ ｅ ｅ ｒｈ ｆｅｄ ｏ ｏ ｐ ｅ ｉ ｏ ｓ ｃａｌ ｎ ｒ ａ—ｔｍ ｅ ｍ ｏ ｔ ｒｎｇ ａ ｕ ｖ ｉ— ｔ ａ ｔ Ｔａｇｅ ｅｅ ｔｏ ｎｄ ｔａ ｋｉｇ ｓ ｎ ｉ ｒａ ｔｒ ｓａ ｃ ｌ ｆｃ ｍ ｕｔｒ ｖｄｅ ，ｅｐｅ ｉｌ ｉ ｅ ｌ ｉ ｎｉｏ ｉ ｙ ｉ ｎｄ ｓｒ ｅｌ

改进的Unet型木材缺陷图像分割方法

改进的Unet型木材缺陷图像分割方法
严飞;章继鸿;姚宇晨;刘军
【期刊名称】《林业机械与木工设备》
【年(卷),期】2022(50)1
【摘要】卷积神经网络(Convolutional Neural Network,CNN)是深度学习的最重要的网络之一,基于CNN的语义分割是当前研究的热点之一,Unet是在FCN基础上发展而来的卷积神经网络模型。

针对木材缺陷图像分割问题,提出一种基于改进的Unet模型与像素阈值的木材缺陷图像分割方法。

首先,在Unet的基本网络结构上,对网络的层数、通道数进行修改;然后,利用Unet实现网络训练,获得结构参数,最后用训练好的网络对图像进行测试,获取特征通道灰度图,并利用OTSU阈值算法对灰度图进行分割。

结果表明,选择好的网络结构和阈值等参数,算法能够实现木材缺陷的图像分割,激活层通道灰度图分割效果优于卷积层。

【总页数】5页(P41-45)
【作者】严飞;章继鸿;姚宇晨;刘军
【作者单位】南京林业大学机械电子工程学院
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.改进的GrabCut算法木材表面缺陷图像分割试验
2.应用改进分水岭算法对木材表面缺陷图像分割试验
3.基于改进ResNet-UNet的立木图像分割方法
4.基于改
进ResNet-UNet的火焰图像分割方法5.基于改进Res-UNet网络的钢铁表面缺陷图像分割研究
因版权原因，仅展示原文概要，查看原文内容请购买。

背景差分法

背景差分法又称背景减法，背景差分法的原理是将当前帧与背景图像进行差分来得到运动目标区域，这种方法较帧差法能更好的识别和提取运动目标，是目前运动分割中最常用的一种方法。

但是需要构建一幅背景图像，这幅背景图像必须不含运动目标，并且应该能不断的更新来适应当前背景的变化，构建背景图像的方法有很多，比较常用的有基于单个高斯模型的背景构建，基于混合高斯模型的背景构建，基于中值滤波器的背景构造，基于卡尔曼滤波器的背景构造，基于核函数密度估计的背景模型构造。

背景差分法法是静止背景下运动目标识别和分割的另一种思路。

如不考虑噪音n(x ，y ，t)的影响，视频帧图像I(x ，y ，t)可以看作是由背景图像b(x ，y ，t)和运动目标m(x ，y ，t)组成：(,,)(,,)(,,)I x y t b x y t m x y t =+ （4-14）由式(4-14)可得运动目标m(x ，y ，t)：(,,)(,,)(,,)m x y t I x y t b x y t =- （4-15）而在实际中，由于噪音的影响，式(4-15)不能得到真正的运动目标，而是由运动目标区域和噪音组成的差分图像d(x ，y ，t)，即：(,,)(,,)(,,)(,,)d x y t I x y t b x y t n x y t =-+ （4-16）得到运动目标需要依据某一判断原则进一步处理，最常用的方法为阈值分割的方法：(,,)(,,)(,,)0(,,)I x y t d x y t T m x y t d x y t T ≥⎧=⎨<⎩ （4-17） 式中T 为一阈值，图4-1为背景差分法的流程图：图4-1 背景差分法的流程图背景差分法较帧差法更能准确地提取运动目标，帧差法如果不与其他方法进行结合只能提取运动变化区域(包括真正的运动目标、被覆盖和显露的背景)而不能直接提取运动目标。

然而，当我们运用背景减法时还要考虑很多问题：（1）要得到背景图像b(x ，y ，t)，最简单的方法就是将第一帧没有运动目标的图像帧作为背景图像。

背景差分法

背景差分法又称背景减法，背景差分法的原理是将当前帧与背景图像进行差分来得到运动目标区域，这种方法较帧差法能更好的识别和提取运动目标，是目前运动分割中最常用的一种方法。

但是需要构建一幅背景图像，这幅背景图像必须不含运动目标，并且应该能不断的更新来适应当前背景的变化，构建背景图像的方法有很多，比较常用的有基于单个高斯模型的背景构建，基于混合高斯模型的背景构建，基于中值滤波器的背景构造，基于卡尔曼滤波器的背景构造，基于核函数密度估计的背景模型构造。

背景差分法法是静止背景下运动目标识别和分割的另一种思路。

如不考虑噪音n(x ，y ，t)的影响，视频帧图像I(x ，y ，t)可以看作是由背景图像b(x ，y ，t)和运动目标m(x ，y ，t)组成：(,,)(,,)(,,)I x y t b x y t m x y t =+ （4-14）由式(4-14)可得运动目标m(x ，y ，t)：(,,)(,,)(,,)m x y t I x y t b x y t =- （4-15）而在实际中，由于噪音的影响，式(4-15)不能得到真正的运动目标，而是由运动目标区域和噪音组成的差分图像d(x ，y ，t)，即：(,,)(,,)(,,)(,,)d x y t I x y t b x y t n x y t =-+ （4-16）得到运动目标需要依据某一判断原则进一步处理，最常用的方法为阈值分割的方法：(,,)(,,)(,,)0(,,)I x y t d x y t T m x y t d x y t T ≥⎧=⎨<⎩ （4-17）式中T 为一阈值，图4-1为背景差分法的流程图：图4-1 背景差分法的流程图背景差分法较帧差法更能准确地提取运动目标，帧差法如果不与其他方法进行结合只能提取运动变化区域(包括真正的运动目标、被覆盖和显露的背景)而不能直接提取运动目标。

然而，当我们运用背景减法时还要考虑很多问题：（1）要得到背景图像b(x，y，t)，最简单的方法就是将第一帧没有运动目标的图像帧作为背景图像。

  1. 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
  2. 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
  3. 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
图像处理
文章编号 :1008-0570(2010)10-2-0206-02
《微计算机信息》 ( 的背景差分模型视频图像分割方法
An Improved Background Difference Model of Video Image Segmentation
技 术 创 新
Abstract: The paper has studied widespread -application of background difference method in traffic video, and analyzed the distribu tion characteristics of the background noise and the moving target gray value with traditional background of the video image difference model. As the traditional single-threshold segmentation of the background difference method exists some shortcomings, this paper pro posed a more rational background difference model: by processing each part of light and dark respectively and using the Otsu algo rithm to find out two optimal thresholds, to achieve a better video image segmentation. Keywords: Background model; Image segmentation; Vehicle detection
其中, λ 是当前图像在背景图像中的比例,从任意一帧图像 开始 , 经过 n 帧图像后 , 对于图像中任意像素点来说 , 运动目标 在该点持续出现的时间远小于背景像素所存在的时间 ,经过不 断地累加,运动目标点像素会被不断地稀释 ,经过一段时间后就 可以提取出较为纯净的道路背景图像来 ,这种方法任何时刻只 需保存一幅背景图像即可 ,因此所占用存储空间和运算量都很 小,并且能够自适应光照变化等影响 ,非常适合视频图像中的背 景提取。 2.4 试验结果及分析 本试验在 Visual C++6.0 环境下实现了对视频图像背景差 分模型的建立和图像分割试验, 图 3~6 显示了自适应背景更新 模型提取目标和背景的过程和效果, 其中图 3 为原始视频图像 序列第 128 帧。 图 4 是 λ=0.2 时提取到的道路背景,由拖影长度 可以看出 λ=0.2 时运动车辆的虚影在经过大约 14 帧的更新后 虚影基本消失,背景更新速度快 , 但保持时间短 , 背景不太稳定 , 提取的背景图像也不够纯净。 图 5 是 λ=0.05 时提取到的道路背 景,与图 4 相比车辆背景图像较为稳定,保持时间长,但更新速度 慢,虚影消失也很缓慢,实际中 λ 值需要根据需要合理选取。
2 背景差分模型
2.1 传统背景差模型 传统背景差分法主要应用于摄像机固定 、 背景图像相对静
陈文俊 : 硕士研究生
- 206 - 360元 / 年 邮局订阅号 ：82-946
您的论文得到两院院士关注
性, 如果能够分别将两个亮度不同的目标从背景噪声中区分开 来,分割效果会大大提高,这就需要分别找出噪声与左右侧目标 分布区域的两个阈值。 在多种阈值分割方法中,Otsu(最大类间方差)方法是分割质 量评估的最好的方法之一。 Otsu 方法是将类间方差最大的那个 阈值作为分离两类特征的最优阈值, 该方法的实质就是以目标 和背景两类特征之间的最大分离度为准则来优化阈值的。Otsu 算法思想可以推广出多种分割方式 ,类间最大方差,类内最小方 差及最大类间方差与最小类内方差比等是最常用的几种分割 方法 ,由于类内最小方差需要计算二次统计数据 ( 各类的方差 ), 而类间方差只需要计算一阶统计数据(各类均值),一定程度上简 化计算能够较快速地分割图像, 满足视频图像分割较高的实时 性要求,因此本文在此采用类间最大方差求取最佳阈值。
(4) 对于左侧 D (i, j ) , 设其最大灰度级为 km,pi 为灰度值为 i 的 像素数占所有D (i, j ) 像素数的比率,给定一个阈值 Th ’⊆ [1, k − 1], 将图像分成 C1,C2 两类 ,C1 的灰度级为 [0,1, … ,k], C2 的灰度级 为[k+1,…,km],则均值如下:
止的条件下 , 一帧图像作为背景图像 , 计算当前图像与背景图 像的绝对差 , 再通过设定好的单阈值进行二值化从而完成图像 分割 , 其主要的工作流程如图 1, 图中 F(i,j) 为当前帧 ,G(i,j) 为背 景图 。
分割方法如下: (1) (2) 传统视频分割方法认为背景差分图像 D(i,j)由背景噪声和运 动目标组成, 背景噪声的像素均值为 0, 并在多数情况下假设噪 声服从正态分布,运动目标像素远离噪声像素 ,因此可用背景噪 声的分布特征选取一个单阈值 Th 把目标从噪声中分离出来(公 式 2)。 从传统的背景差分法视频分割处理过程来看,这种视频分 割方法存在着这样几点不足:①在处理差分图像时,求取绝对值 的操作是把亮、 暗两种目标(这里亮、 暗指比背景亮和暗)混合处 理;②假定了亮暗目标是关于背景对称的。 然而实际中若某时间 段内白车出现的情况大大多于黑车时, 这种处理方式就显得不 尽合理,针对此问题,本文提出了改进的背景差分模型,利用 Otsu 算法分开确定背景图像左右两侧的阈值来实现对图像亮 、 暗两 部分单独分割,一定程度上解决传统单阈值分割的不足之处。 2.2 改进的背景差分模型 本质上讲, 背景差分图像的直方图体现了背景噪声和运动 目标的统计特性 , 如图 2 所示 (视频序列第 104 帧 ), 在视频图像 差分直方图中横坐标在零附近的区域主要体现背景噪声的统 计特性,直方图的左右两侧区域分别体现了暗、 亮目标的统计特 《现场总线技术应用 200 例》
1 引 言
目前随着我国 ITS 的随着我国 ITS 的快速发展, 基于视频 的交通信息的采集系统被广泛应用到智能交通系统中来, 然而 由于交通系统中视频图像信息的复杂性和多样性, 以及视频图 像处理方面对处理速度的特殊要求, 视频图像分割技术还并不 成熟和完善。 目前常用的视频图像分割方法主要有:基于卡尔曼 滤波的视频分割 、 基于概率统计的视频分割 、 基于背景差分的 视频分割以及基于差分和曲线变换的视频分割等方法。 基于卡尔曼滤波的视频分割方法分割效果不受运动目标 的速度和视频图像序列的采样速度的影响, 能自动适应光照变 化,分割效果好, 但该方法存在计算量大 、 速度慢等不足;基于概 率统计的视频分割对于场景中含有缓慢移动的物体和阴影的 交通图像序列有很好的分割作用, 同时它能够克服对阴影和缓 慢移动物体分割时容易产生误分的影响, 但这种方法是按照最 大期望算法更新混合高斯概率的分布参数, 从起始到能很好的 进行视频分割需要一段较长的时间, 同时该方法所用的启发式 标记的标准不是十分准确, 尤其是在强光的照明下难以产生良 好的分割效果; 基于差分和曲线变换的视频分割方法能够处理 序列中突然有运动目标停止的情况,并对背景自适应更新,但该 方法要求能提供初始背景且计算较为复杂。 与前面几种视频分 割方法相比,基于背景差分的视频分割由于运算量小 ,一直都受 到国内外专家学者所关注,很适合用于视频图像的快速分割。
∑ ip
=
∑p
=
,µ =
∑ ip
= + =
1− ∑ p
, µ = ∑ ip
=
(5)
图 7~9 是阈值分割对比试验, 试验测得对所拍摄到的视频 第 91 帧图像处理结果为图 8: 传统单阀值方式 Th=20, 图 9:双 从图 8 和图 9 的分割效果来看,由于 阀值方式 ThL=17,ThR=23。 运动目标像素相对于背景图像的亮暗分布的不对称性 , 传统背 景差分法采用单一阈值对明暗两侧进行统一阈值处理 , 分割效 果有限 , 而采用分开采用双阈值的效果优于单一阈值 , 图 10 是 相应的背景差分后的直方图。
µ =
其中 , µ 为 D (i, j ) 的灰度均值, µ µ 分别为类 C1、 C2 的 灰度均值,其类间方差可以表示如下:
σ = (∑ p )(u − u ) + (1 − ∑ p )(u − u )
= =
根据 Otsu 计算规则,最佳阈值时 Th = ArgMax{σ }
∈
由上面公式计算出左侧阈值 ThL=Th*。类似地可计算出右 侧阈值 ThR, 然后就可按下面规则分别对左右两侧图像 DL(i,j)、 DR(i,j)进行阈值分割: f ( i , j ) ≤ ThL f (i , j ) ≤ f (i , j ) > 0 f ( i , j ) ≤ ThR (8) 0 R (i , j ) =
其中 R(i,j)即是分割后的二值图像。 2.3 背景的更新问题 视频交通图像背景即使是静态的,由于光照强弱、 方向等因 素的影响,背景也会缓慢的发生变化,由于实际中要专门提取一 幅完整的背景图像在具体实现时并不可行,为了提取背景图像, 就需要从视频图像中滤除图像中的移动目标, 同时为了使背景 能够随光照变化具有自适应性, 还需要对背景图像不断进行更 新。本文采用下面自适应的方法: 《PLC 技术应用 200 例》
技 术 创 新
(6) (7)
3 结论
255
f (i , j )≤ f (i , j )> 0
f ( i , j ) ThL f ( i , j )| ThR
视频图像分割是计算机视觉研究中的一个十分重要的研 究领域,其中阈值化方法是一种实用而有效的分割方法 ,本文通 过对传统单一阈值的背景差分模型的改进,通过 Otsu 算法最大 分离度思想和选择运算量适量的分割算法, 求取背景差分图像 左、 右侧两个最佳分割阈值 ,实现了对视频图像中亮 、 暗像素的 分开处理,同时采用了一种简单快速的自适应背景更新模型 ,结 果表明该方法能够快速有效地提升了视频图像中运动目标与 背景分离效果。 参考文献 [1]章毓晋.图像分割[M].北京:科学出版社,2001:198-201 [2] 张玉姣 , 史忠科 . 车辆提取方法研究 [J]. 西北工业大学学报 , 2003,21(1):34-37 [3]史延科,史忠科.基于超级连通的图像分割方法及其应用[J],控 制与决策,2004,19(5):586-588 (下转第 180 页)