一种改进的背景差分模型视频图像分割方法

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)