一种快速运动目标的背景提取算法

收稿日期:2003209208;修返日期:2003210224

一种快速运动目标的背景提取算法

袁基炜,史忠科

(西北工业大学自动控制系,陕西西安710072)

摘　要:提出了一种快速运动目标的背景自动提取算法。该算法先对固定场景下获取的当前帧进行帧差分的二值化处理,然后对该二值化图像进行形态学膨胀、重建及腐蚀,最后根据形态学操作后的二值图像用当前帧对背景进行更新,这样经过数十帧的迭代,便可提取出背景。试验结果表明,用该算法提取背景不但效果好,而且提取速度也快。

关键词:帧差分;形态学;背景提取

中图法分类号:TP391 文献标识码:A 文章编号:100123695(2004)0820128202

An Algorithm of Automatic Background Extraction of

Target Based on Fast Motion

YUAN Ji 2wei ,SHI Zhong 2ke

(Dept.of A utomatic Cont rol ,Northwestern Polytechnical U niversity ,Xi ’an S hanxi 710072,Chi na )

Abstract :This paper presents an algorithm of automatic background extraction of target based on fast motion.At first ,the

frame difference of the current frame under a fixed scene is binarized ,and the binary image of the frame difference is operated by consecutive morphological dilation ,reconstruction and erosion ,then the current frame updates the background according to the binary image processed by morphology.The background can be extracted after dozens of iterative operations of the subsequent frames.The experiments show that the algorithm can extract background effectively and quickly.K ey w ords :Frame Difference ;Morphology ;Background Extraction

1　概述

随着计算机多媒体技术的迅猛发展,视频处理技术在ITS (Intelligent Transportation System )中得以广泛应用。车流量检测、高速公路监控等都引入了数字视频技术,其中视频分割技术在智能交通系统中的应用成为数字视频技术的一个研究热点,而基于背景差分(背景和当前帧的差分)的分割方法是视频分割的研究重点。在固定场景下,即摄像头和监视场景间无相对运动时,背景提取是基于背景差分的视频分割方法的一个基本环节,常用的办法是手动给出,这种办法需要人观察到没有前景目标时启动相机获取背景。这种背景的提取方法显然增加了人力、物力的需求,而且在高速公路等交通场景中难以用人为的方法获取背景。因此,自动提取运动目标的背景已成为视频分割所需解决的前期问题。只有实现背景的自动提取,才能使整个图像处理过程实现自动化。Surendra Gupte 等人

[1]

提出了一种固定场景下快速运动目标的背景自动提取算法,该算法是以帧差分为基础,而帧差分存在着容易把帧差分中纹理相似的前景交叠区域误作背景[2]

提取的不足。本文对该算法进行了改进,并提出了一种基于数学形态学的背景自动提取算法。

2　Surendra 算法

Surendra 算法提取背景的思想为:通过当前帧帧差分的二

值图找到运动区域,对运动区域内的背景保持不变,而非运动区域的背景则用当前帧进行更新,经过一定时间的迭代便可提取出背景。其步骤如下:

(1)把第一帧图像I 0作为原始背景B 0。(2)令迭代参数i =1。

(3)求当前帧帧差分的二值图像BW i 。

BW i =

1　if abs (I i -I i -1)≥T 0　if abs (I i -I i -1)

(1)

其中,I i ,I i -1分别为当前帧和上一帧图像,abs (I i -I i -1)为连续

两帧差分的模值图像(帧差分),T 为帧差分图像灰度直方图中最大峰值右边1/10最大峰值处所对应的灰度级。

(4)由二值图像BW i 更新背景B i 。

B i (x ,y )=

B i -1(x ,y ) if BW i (x ,y )=1

αI i +(1-α)B i -1(x ,y )if BW i (x ,y )=0

(2)

其中,B i (x ,y ),BW i (x ,y )分别为背景图像和二值图像在坐标位

置(x ,y )处的值,更新速度系数α值取为0.1。

(5)i =i +1,返回到步骤(3),进行迭代,当迭代到一定步

数,便可结束迭代,并把此时的B i 视为提取的背景。

3　本文算法

由于Surendra 算法并没有对帧差分本身进一步处理,该算法存在着易把纹理相似的前景交叠区域作为背景提取的不足。具体表现为:当连续两帧间有纹理相似的前景交叠部分时,该交叠部分在Surendra 算法的二值图像BW i 中是被白色区域包围的黑色区域(有缺口的可能性),如图1所示。本文算法对二

?821?计算机应用研究2004年

值图像BW i 进行连续的形态学膨胀、重建及腐蚀处理,使得二值图像中白色区域包围的黑色区域被填充为白色区域,从而消除了Surendra 算法易把纹理相似的前景交叠区域作为背景提

取的不足,图1(b )、图2(b )、图3(b )是该算法分别对图1(a )、图2(a )、图3(a )进行形态学滤波的结果

。

本文算法具体步骤如下:

(1)～(3)同Surendra 算法。

(4)对二值图像进行膨胀操作和补1操作,把被白色区域

包围的存在缺口的黑色区域的缺口用白色像素点包围起来,即把BW i 变为二值图像DBW i 。膨胀的区域和补1的位置根据相机的位置而定。本文中获取视频序列的相机位于后高方,因此一方面只对BW i 的中下部进行膨胀,另一方面要对BW i 的最左边、最右边的列的下部和最下边一行补1,因车辆是从下边和左、右边沿进入的,因此下边沿和下部的左、右角若存在纹理相似的前景交叠区域时,下边沿或下部的左、右角存在着缺

口,如图3(a )所示。经过膨胀和补1操作,就可把含有缺口的黑色区域用白色区域包围起来,把BW i 变为DBW i 。

(5)通过对DBW i 进行形态学重建,使被白色区域包围的黑色区域用1填充,使其变为连通的白色区域,即DBW i 被变换为二值图像FBW i 。DBW i 中的所有0值区域可分为两类:与图像边沿的0值像素按四连通相连的黑色区域,被白色区域(八连通)包围的黑色区域(四连通)。只要把DBW i 中第二类黑色区域变为白色区域,即可消除纹理相似的前景交叠区域对背景提取的影响。[3]可表示为

ρI (J )=∪I k

J ∩I k

≠Φ(3)

其中,I k (k =1,2,3,…

)为二值图像I 的各连通体,每个连通体即为一个连接区域,J 为标志图像,且为二值图像。ρI (J )是掩

膜图像I ,根据标志图像J 所重建的图像。P I (J )也就是二值图像I 的所有连通体中,对应位置至少包含标志图像J 的一个标

志像素(值为1)的那些连通体的并集。

本文中,把二值图像DBW i 的背景作为操作目标,黑色连通体主要由与图像边沿的黑色像素相连的黑色连接区域(四连通)和被白色区域(八连通)包围的黑色区域构成。通过对DBW i 重建,找到与图像边沿的黑色像素相连的黑色连接区域,再通过逻辑操作找到被白色区域(八连通)包围的黑色连通区域,从而把该部分像素置1,就消除了Surendra 算法易把纹理相似的前景交叠区域作为背景提取的不足。具体步骤如下:

①初始化一个和DBW i 同样维数且像素值全为0的二值图像I M ,找出二值图像DBW i 四周的四条边中像素值为0的位置,并把I M 中的这些位置处的元素置1。

②对二值图像DBW i 进行重建:

RBW i =ρDBW i

(I M )

(4)

重建后,对应于DBW i 中与图像边沿的黑色像素相连的黑色连接区域的所有位置上,RBW i 的像素值被置1,RBW i 中的其他位置处像素值为0。

③对DBW i 和RBW i 进行逻辑操作:

FBW i =DBW i ∪(DBW i ∪RBW i )

(5)

即对DBW i 和RBW i 的并运算结果进行补运算,再把该补运算和DBW i 进行并运算。

(6)对FBW i 进行腐蚀,得到二值图像EBW i ,腐蚀区域同膨胀的操作区域。

(7)由二值图像EBW i ,更新背景B i :

B i (x ,y )=

B i -1(x ,y ) if EBW i (x ,y )=1

αI i +(1-α)B i -1(x ,y )if EBW i (x ,y )=0

(6)

α值取为0.5

(8)同Surendra 算法步骤(5)。

4　实验结果及分析

下面给出了一些用上述两种算法对视频序列进行背景提取的实验结果。一方面通过对比可以发现,由于Surendra 算法不能消除纹理相似的前景交叠区域对背景的影响,只要在迭代过程中存在纹理相似的前景交叠区域,背景提取就会受到该交叠区域的污染;尤其在迭代后期,若出现这种交叠区域,就不可能提取出好的背景,而本文算法不存在该问题。图4(e )说明了该问题,当原算法(Surendra 算法)迭代到31帧时,这时出现了一辆强纹理白车,相邻帧出现了白色交叠区域,在第32,33帧的帧差分二值图中表现为白色连通区域包围的黑色区域,如图3(a )、图1(a )所示,因此提取背景的下部出现了浅白色区域,如图4(e )所示,而图4(f )无此问题,因此,该算法效果要好于Surendra 算法。另一方面,本文算法提取背景的速度也比

Surendra 算法快。本文算法的每帧处理时间在31ms ～63ms 之

间(硬件环境:128MB 内存,Pentium41.7GHz 计算机;软件环境:C ++Builder 6.0和Windows 2000;每帧大小为240×320),虽然帧处理时间较Surendra 算法有所增加,但由于Surendra 算法不能消除前景交叠区域的影响,所以Surendra 算法提取背景时,前提条件是相邻帧的前景交叠越少越好,其视频序列的帧速不能太高,本文算法完全可以满足帧速需要。另外,为了减小纹理相似的前景交叠区域的影响

,Surendra 算法的背景更新速度系数α只能取较小值(0.1),因此背景提取时间较长,而本算法由于去除了纹理相似的前景交叠区域的影响,式(6)中α就可取较大值(本例取0.5),显然减小了提取时间。由图5(a )～图5(e )可看出,以图5为原始背景,该算法只需30帧就可提取出背景,原算法却至少需80帧。大量的提取背景试验都显示出了本文算法较Surendra 算法能更快、更好地提取出背景。

5　结论

本文提出的固定场景下的快速运动目标的背景自动提取算法,由于消除了帧差分方法容易把纹理相似的(下转第150页)

?

921?第8期　袁基炜等:一种快速运动目标的背景提取算法　

时,工作流机根据过程模型寻找可以进入就绪状态的活动(候选活动)。对于每个候选活动,工作流机请求RAS 进行资源选择。

(3)规则解释。RAS 从过程模型中获得活动的资源指派

规则,并提交给指派规则解释器链进行处理。指派规则将在指派规则解释器链中顺序传递,直到遇到能够对它进行解释的指派规则解释器。解释器通过各个接口收集相关的属性,计算出满足要求的资源ID 。

(4)结果返回。指派结果一方面作为工作项返回到工作流机,一方面作为过程状态的一部分保存在历史指派数据中。

3.3　实现机制

资源指派系统通常实现为工作流机的一个子系统。它也可以实现为一个独立的系统,这样就能为多个WfMS 提供资源指派功能。OM G 的资源指派接口(RAI )体现了这一思想[5]。在原型系统中我们采用了第一种方法,因此它可以直接访问过程模型和过程实例状态信息。这里主要讨论规则解释器链和资源管理服务访问技术。

(1)规则解释器链

规则解释器链为系统提供了一种灵活的扩充机制,使之可以通过“插接”新的模块来增加对不同的资源类型和资源管理方法的支持。用户在配置文件中指定规则解释器的名字,系统将在运行期自动载入这些规则解释器。多个规则解释器通过规则解释器链包装起来,向外部提供一个简单、统一的访问接口。其UML 类图如图4所示,其中RAHRRuleProcessor 用来处理与人力资源相关的指派规则,而RAWHRuleProcessor 用来处理与仓库资源相关的指派规则,两者都是继承自抽象基类

RABaseRuleProcessor 的具体类。

图4　规则解释器链

具体类的载入由一个专门的工厂类来处理,它负责完成从名字(由配置文件给出)到类实例的转换。Java 语言对这种转换提供了比较直接的支持,例如下面的代码动态地载入一个指派规则解释器:

Class cls =Class.forName (

”workflow.core.RAWHRuleProcessor ”

);RABaseRuleProcessor rp =

(RABaseRuleProcessor )(cls.newInstance ());

(2)资源管理服务访问机制

由于不同企业和系统所采用的资源元模型不尽相同,因此我们将资源管理功能独立出来,作为一种服务在WfMS 外部

实现。这样,用户就可以扩充或切换企业的资源模型而不对过程模型产生影响,大大降低了过程模型和资源模型的耦合度。同时,WfMS 也能够与其他企业应用共享同一个资源模型,避免了信息孤岛带来的各种问题。

为了屏蔽资源管理的具体细节,资源管理服务访问接口必须具有足够的灵活性。一种常用的实现方法是采用某种资源指派语言来对资源进行查询和选择,查询语句可以嵌入到资源指派规则中,或者直接作为资源指派规则。

资源指派语言的表达能力是一种实现上的权衡。表达能力越高,WfMS 处理资源指派逻辑的能力就越强,因而可以提高应用开发的效率和速度。但是,过于复杂的资源指派语言一方面提高了WfMS 的复杂性,另一方面也会增加开发人员学习和使用的难度。

我们采用了一种折中的方法,将资源元模型转换为关系数据库模型,这样就可以直接利用SQL 语言作为资源指派语言,并通过一个外部的服务代理来完成最终的资源查询操作;另一方面,由于允许插入新的指派规则解释器,从而使系统具有了更大的扩充潜力和可适应性。

4　结束语

在工作流管理系统中,资源指派是一项重要的功能。本文对资源指派规则的表达机制进行了分析,并在此基础上研究开发了一个基于指派规则和资源管理服务的资源指派原型系统,它较好地考虑了系统的可扩充性,并可以方便地实现资源模型的共享。参考文献:

[1]

S Jablonski ,C Bubler.Workflow Management Modeling Concepts ,Architecture and Implementation [M ].International Thomson Com 2puter Press ,1996.[2]Workflow Management Coalition.The Workflow Reference Model [EB/OL ].Document Number TC0021003,1995201219.

[3]

Workflow Management Coalition.Workflow Process Definition In 2terface 2XML Process Definition Language (XPDL )[EB/OL ].WfMC 2TC 21025,version 1.0Beta ,2002.

[4]Workflow Management Coalition.Workflow Handbook[M ].L Fish 2

er ,ed.,Future Strategies Inc.,2001.[5]

Object Management Group.Workflow Resource Assignment Inter 2faces (RAI )Request for Proposal[EB/OL ].OM G Document bom/,2000201203.

作者简介:

陈大峰,男,湖南湘阴人,研究生,研究方向为分布计算及过程管理;吴泉源,男,教授,博士生导师,研究方向为人工智能、分布计算环境及网络安全;刘必欣,女,博士生,研究方向为分布计算及过程管理。

(上接第129页)前景交叠区域作为背景提取的不足,因此用本

文算法提取背景不但背景提取的效果好,而且背景提取的速度也快。参考文献:

[1]

Surendra Gupte ,et al.Detection and Classification of Vehicles [J ].IEEE Transactions on Intelligent Transportation Systems ,2002,(3):372471

[2]W Liu ,J Zhang.Image Sequence Segmentation Using Curve Evolu 2

tion and Improved Background Subtraction [C ].Proceedings of SPIE ,2001.127.

[3]Luc Vincent.Morphological Grayscale Reconstruction in Image Anal 2

ysis :Applications and Efficient Algorithms [J ].IEEE Transactions on Image Processing ,1993,(2):1762201.

作者简介:

袁基炜(19762),男,博士研究生,主要研究方向为计算机视觉、图像处理、自动化仪表等;史忠科(19562),男,教授,博士生导师,主要研究方向为鲁棒控制、交通规划、智能控制等。

?051?计算机应用研究2004年