剖析彩色視頻運動目標(biāo)自適應(yīng)在線聚類提取算法

視頻圖像運動目標(biāo)提取應(yīng)用非常廣泛。目前運動目標(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動目標(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)方法對模型參數(shù)進行調(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］、時間平均法等。參考文獻［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［6］給出基于在線聚類的背景重構(gòu)算法。參考文獻［7］針對聚類中需要人工設(shè)定閾值的缺點， 提出一種自適應(yīng)在線聚類的背景提取方法。

參考文獻［8］針對參考文獻［7］中設(shè)置的自適應(yīng)閾值α存在隨著聚類過程會越來越大的問題，通過比例系數(shù)β對閾值α進行修正。本文通過對參考文獻［7］和參考文獻［8］中閾值α設(shè)置方法的進一步分析，針對其存在的問題做了有效改進，提高了背景重構(gòu)算法的效率。針對彩色視頻圖像，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動目標(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）對數(shù)據(jù)進行預(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類，當(dāng)新的數(shù)據(jù)到來時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［7］將閾值設(shè)置為：

4 實驗結(jié)果及分析

實驗是在Matlab R2010a開發(fā)環(huán)境下進行測試。本文實驗中的理想目標(biāo)提取圖像均是用Photoshop CS5軟件手動提取的。

視頻1為PETS2000測試視頻，實驗結(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的迂回運動和多目標(biāo)運動的情況。

視頻2為高速公路隧道監(jiān)控視頻，實驗結(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，手動提取第10幀作為理想背景。本視頻中由于汽車的燈光對路面的照射引起了環(huán)境變化。但由實驗結(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，實驗結(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，手動提取第3幀作為理想背景。原視頻前130幀箱子在手上隨運動目標(biāo)移動，從第130幀開始，箱子被放下。參考文獻［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組實驗分別考慮了目標(biāo)迂回運動、多目標(biāo)運動、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［8］算法進行了仿真。

參考文獻

［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。 邊緣檢測與混合高斯模型相融合的運動目標(biāo)檢測算法［J］。微型機與應(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，2009，37（8）：1854-1859.

［5］ 侯志強， 韓崇昭?；谙袼鼗叶葰w類的背景重構(gòu)算法［J］。軟件學(xué)報，2005，16（9）：1568-1576.

［6］ 肖梅， 韓崇昭。 基于在線聚類的背景減法［J］。模式識別與人工智能， 2007，20（1）：35-41.

［7］ 夏潔，吳健，陳建明?；谧赃m應(yīng)在線聚類的背景提?。跩］。計算機工程，2011，37（3）：169-171.

［8］ 任應(yīng)軍，范九倫?；?DWT 的自適應(yīng)在線聚類運動目標(biāo)提取方法［J］。計算機應(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)合的運動目分割方法［J］。計算機科學(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.

編輯：jq