周紅志

(阜陽師范學院 信息工程學院，安徽 阜陽 236041)

單通道模式下的陰影壓制方案設計

周紅志

(阜陽師范學院 信息工程學院，安徽 阜陽 236041)

在各種復雜場景中，獲得前景運動對象或者運動對象運動區(qū)域成為視頻處理的必要過程，為解決前景對象的完整性問題，提出了一種快速而穩(wěn)健的運動背景分割算法。該算法首先對視頻圖像進行預處理，然后將預處理后的三通道圖像分成單通道HSV圖像，并分別進行混合高斯建模，在此區(qū)域內進行陰影檢測與去除，以得到較好的完整性，結合幀間差進行實時更新，實驗結果以及與目前具有相關代表性方法的對比結果表明，所提出的算法具有良好的有效性和可靠性。

混合高斯；單通道；HSV；幀間差

0 引言

隨著信息技術與多媒體的發(fā)展，移動對象的檢測與識別已成為當前比較熱門的研究課題。其中,運動對象分割的完整性以及實時性對后期的檢測跟蹤具有至關重要的作用。

陰影壓制，也叫陰影抑制，因光線、障礙物擺動等造成的陰影無法在對運動對象檢測時實現(xiàn)完全分離，所以需要對陰影進行壓制[1,2]。解決上述問題比較傳統(tǒng)的方法有時間差分[3]、背景減除[4]、光流法[5]。這些傳統(tǒng)的方法經過改進后依然在使用，現(xiàn)常用的方法有單高斯模型、混合高斯模型和編碼本算法(codebook)。單高斯分布進行背景更新的模型適用于較長時間內光照強度無明顯變化，同時檢測期間運動前景在背景中的陰影較小的情況，它對光照強度的變化比較敏感，且具有較大的虛警率?；旌细咚鼓Ｐ蚚6]在建立背景模型時，能魯棒地克服光照變化、樹枝搖動等造成的影響，但該方法需要對圖像每個像素進行統(tǒng)計分析，計算復雜度較大，實時性不理想，而且對運動物體長期靜止時檢測失效。編碼算法[7-8]將背景像素值抽樣量化成碼本，代表壓縮的背景模型，在移動場景和光照變化的場景中具有較好的魯棒性，而且提取的前景相對比較完整，但是這種方法需要對視頻進行背景學習，不能實時地對背景進行建模。

上述各種背景分割方法，在完整性、實時性以及陰影壓制等方面都有些欠缺。本文利用單通道進行高斯混合建模，根據顏色空間有效地壓制陰影，然后利用幀間差分進行實時自動更新，得到較完整的運動前景。通過實驗與具有相關代表性的方法對比，論證了本文所提出的方法具有良好的通用性，并且在兼顧提高前景檢測效率的前提下，能得到更為完整的運動前景。

1 陰影壓制方案

目前常用的的顏色模型有RGB、YcbCr和HSV。這三種可以互相轉換的色彩空間有各自的特點，而陰影壓制則是利用色度與亮度信息，HSV空間和YcbCr空間可以實現(xiàn)色度與亮度分離。

在HSV模型中的顏色參數分別是：色調(H)、純度(S)、明度(y)，并且這三個分量是正交的，與RGB顏色空間相比,和人的視覺顏色模型更加接近，因其在體現(xiàn)顏色亮度信息上更加直觀，所以可以很好地量化運動目標與陰影的差別[9]。

HSV空間的優(yōu)點[10]有： HSV顏色模型中的三個坐標是獨立的，并且是一個均勻的顏色空間，采用線性的標尺，彩色之間感覺上的距離與HSV顏色模型坐標上點的歐幾里德距離成正比。在一定的亮度條件下,同一物體在陰影區(qū)和不在陰影區(qū)的色相是近似一致的，飽和度則通常會變小。陰影主要使該區(qū)域內色彩的明暗發(fā)生變化，所以采用HSV顏色空間可以得到較好的效果。

本文首先將采集的圖像數據預處理，然后轉化到HSV空間，接著對其三個通道分別進行混合高斯建模，得到背景幀，利用色彩空間進行陰影壓制。為了克服高斯的不完整及對運動物體靜止時間過長而更新慢的缺點，結合背景差分進行相與，最后對得到的圖像進行形態(tài)學操作以及連通域的篩選填充。

2 運動背景分割算法

2.1 圖像序列預處理

由于個別攝像機得到的視頻序列分辨率較大，對于此類圖像進行合理采樣，便于提高處理效率，同時為了消除圖像中噪聲等不必要的信息干擾因素，得到精確有效的圖像特征，需要對圖像進行前期處理以去除噪聲。具體的去除噪聲方案見文獻[11]中的小波抑噪預處理方法。

2.2 單通道混合高斯建模

2.2.1 混合高斯建模

建模的基本思想是從當前幀中提取前景，其目的是使背景更接近當前視頻幀的背景。即利用當前幀和視頻序列中的當前背景幀進行加權平均來更新背景，但是由于光照突變以及其他外界環(huán)境的影響，一般的建模后的背景并非十分干凈清晰，而高斯混合模型是最為成功的方法之一。

混合高斯模型[11]為圖像的每一個像素點定義K個高斯分布模型，以描述像素點的狀態(tài)。K的取值由像素點的峰值分布來決定，一般取3～5之間[12]。在前景檢測過程中，如果圖像像素點與K個高斯模型中的一個相匹配，則像素點歸類為背景點，相反，則被認為是前景點。假設視頻序列中某像素點的像素值為：{X1、X2、…、Xt}，那么像素值Xt的概率就可以用K的高斯方程來表示。

(1)

η(Xt,μi,tσi,t)=

(2)

如果Xt+1的像素值滿足任意一個高斯分布，則被歸類為背景像素，否則為前景像素，并相應地更新高斯分布參數。

由于我們是對運動目標的背景提取建模，因此需要對高斯模型中方差和均值兩個參數實時更新。為提高模型的學習能力，改進方法對均值和方差的更新采用不同的學習率；為提高在繁忙的場景下，大而慢的運動目標的檢測效果，引入權值均值的概念，建立背景圖像并實時更新，然后結合權值、權值均值和背景圖像對像素點進行前景和背景的分類。

2.2.2 單通道的建模

盡管在常見的高斯混合模型的實踐應用中，其是在RGB空間中完成建模與陰影分離[13-14]，但是RGB顏色空間在對運動目標的識別實踐中其效果一直不夠穩(wěn)定，在實時性和穩(wěn)健性上始終不能盡如人意[15]，同時又考慮到具有HSV三通道的原始圖像直接建模會耗費大量時間，但是如果直接對某一個單通道圖像建模，處理效率則會大大提高，為實時性處理提供了條件。

通過RGB與HSV之間的轉換公式(3)可知，

H1=

(3)

此時得到的HSV單通道圖像經過混合高斯建模得到HSV各個單通道圖的背景和前景圖像。

2.3 陰影壓制

上一小節(jié)的方法在得到前景的同時也得到各個通道的背景，利用陰影的色彩特征來檢測陰影對不同場景及光照條件有較強的魯棒性。HSV色彩空間，是由RGB色彩空間線性或非線性變化得到的。當一個像素點被陰影覆蓋時，其色調(H)變暗，飽和度值(S)變化不大，亮度值(V)變小，也即H，S，V三個分量對陰影的作用是不同的。采用HSV色彩空間進行陰影的壓制，利用文獻中基于HSV色彩空間壓制方案進行處理，具體見公式(4)。

三分量陰影表示S(x,y)H、S(x,y)S、S(x,y)V分別為：

(4)

(5)

(6)

其中，Diff(x,y)=

Ik(x,y)和Bk(x,y)分別表示第k幀輸入圖像和第k幀時刻計算得到的背景模型，坐標為(x,y)的像素值。采用式(3)、(4)、(5)對HSV三通道分別進行陰影檢測后，將所得結果相與，即為檢測到的陰影區(qū)域，然后將其從前景運動對象中去除。實驗效果見圖1，這里為了證明基于HSV陰影壓制方案的效果，將其與形態(tài)學抑制方案[16]做了對比。

(a)原圖

(b)陰影效果壓制圖

(c)沒有采取壓制措施的效果圖

圖1 陰影壓制效果比較圖

從圖1可以看出，沒有使用陰影壓制方案的方法，其運動目標沒有實現(xiàn)與陰影的完全分離。

2.4 背景差分

由于前景對象的運動是在一定范圍內的，圖像的幀之間會有明顯的變化，根據對象的這種運動特點，可以利用幀間變化信息來檢測運動對象。通過壓制后的單通道圖像與其背景進行自適應差分得到前景，然后利用形態(tài)學操作對圖像進行內部孔洞填充和邊緣平滑處理，得到比較好的分割效果。本文的實現(xiàn)過程主要采用了文獻中的背景差分方案[17-18]。

3 實驗及結果分析

為了驗證本文提出方法的有效性和準確性，本實驗在VS2010編譯環(huán)境，選擇配置為CPU-IntelCOREi7，主頻2.8GHz，內存為4G的PC機，對不同光照條件和環(huán)境下的運動對象視頻進行了仿真實驗(本文的陰影壓制程序流程圖如圖2所示)。為驗證所提算法的有效性和魯棒性，以及運動前景分割的效果。采用了公共測試視頻圖像庫CVRR的測試視頻，對提出的方法進行了檢驗。被選作實驗的視頻,背景環(huán)境相對復雜，并且有前景物體的移入與移出導致背景隨即發(fā)生變化，因而有“鬼影”的出現(xiàn)可能,更能體現(xiàn)本算法的魯棒性。

圖2 陰影壓制程序流程圖

測試結果如圖3所示。

在評估前景目標檢測算法的性能上，實驗主要從算法的耗時性和前景對象提取的完整性兩個方面分別與改進的自適應混合高斯前景檢測方法[19]、基于背景差分的核密度估計前景檢測方法[20]和基于統(tǒng)計模型的前景陰影消除方法[21]進行了對比。

校園視頻

(a)原圖 (b)前景

走廊視頻

(a)原圖 (b)前景

跑步視頻

(a)原圖 (b)前景

圖3 不同視頻的運動背景分割

為評價前景對象提取完整度，采用人工手動提取視頻前景對象值，并進行正確檢測率和錯誤檢測率的對比。

TPR=TP/(TP+FN)

FPR=FP/(TP+FP)

(7)

其中，TPR表示在運動對象區(qū)域內像素的正確檢測率，TP表示在運動對象區(qū)域內正確檢測到運動目標的像素個數，F(xiàn)N為在運動對象區(qū)域內漏檢的像素個數，F(xiàn)PR表示在運動對象區(qū)域外錯檢為目標的錯誤檢測率，F(xiàn)P為錯誤檢測為運動對象的像素個數。所提出的方法與混合高斯背景建模、編碼本背景建模方法和基于統(tǒng)計模型的前景陰影消除方法的實驗比較結果如表1所示。

表1 不同方法實驗結果比較

由表1可見，自適應的混合高斯模型雖能達到較高的正確像素檢測率，但運動對象的錯檢率較高；核密度前景檢測方法能夠較好地抑制運動對象外的像素干擾，但在對象完整度上較差；所提出的方法通過混合高斯模型與陰影壓制方法，實時地提取出較完整的前景對象，且對噪聲、環(huán)境變化以及陰影的干擾等方面都能起到良好的抑制效果；基于統(tǒng)計模型的前景陰影消除方法在整體性能上與本文所設計方案相比略有弱勢。

對于算法的效率，我們同樣利用一個實驗平臺，對上訴四種算法進行實驗，檢測時間利用公式(8)來對各算法進行對比：

(8)

表2 不同方法處理時間比較(ms)

從表2可以知道本算法平均處理時間比其他三種效率要顯著提高。通過對表1和表2的觀察，可以明顯得出本算法比其他三種算法在檢測精度上有了明顯的提高，并且本算法檢測前景完成性比其他算法有所改善。

4 結論

本文利用單通道進行高斯混合建模，根據顏色空間有效地壓制陰影，然后利用幀間差分進行實時自動更新。經過實驗驗證本算法具有良好的適用性，其精確度、完整性和處理時間都能達到較好的效果。在與其他算法的比較中，本算法不管在實用性還是實時性上都具有一定的優(yōu)越性?？紤]到本文所設計的模型不適合在RGB顏色空間上直接使用，所以要想在實時性上繼續(xù)取得突破，就需要在RGB顏色空間單通道上探求色度和亮度的差異，為本文所設計的模型在RGB空間上直接使用創(chuàng)造條件。

[1] 姚志均,許毅平,魏蛟龍,等.視頻監(jiān)控系統(tǒng)中運動目標的檢測和陰影抑制[J].計算機工程與應用,2007, 43(21):232-234，238.

[2] 劉超,何明一,付勇.基于背景重建的運動目標檢測與陰影抑制[J].計算機工程與應用,2010,46(16):197-199，209.

[3]CHIENSY.Efficientmovingobjectsegmentationalgorithmusingbackgroundregistrationtechnique[J].IEEETransactiononCircuitsSystemVideoTechnology, 2002,12 (7):577-586.

[4] 田鵬輝,隋立春,程少輝.基于圖像融合的空間運動目標檢測算法[J].微電子學與計算機,2011,28(11):122-124,128.

[5] 李建,藍金輝,李杰.一種新型快速運動目標檢測算法[J].中南大學學報:自然科學版,2013,44(3):979-984.

[6] 劉靜,王玲.混合高斯模型背景法的一種改進算法[J].計算機工程與應用.2010，46(13):168-170.

[7] 彭琛琛,楊鼎才.基于H. 264_AVC視頻編碼技術的改進算法[J].計算機應用與軟件，2009,26(7):216-218.

[8]K.Kim,T.Chalidabhongse,D.Harwood,etal.Real-timeforeground-backgroundsegmentationusingcodebookmodel[J].Real-timeImagingInSpecialIssueonVideoObjectProcessing, 2005, 11(3): 167-256..

[9] 林慶,徐柱,王士同等.HSV自適應混合高斯模型的運動目標檢測[J].計算機科學,2010,37(10):254-256.

[10] 劉艷英,凌朝東.HSV空間的彩色多聚焦圖像融合[J].微型機與應用,2014,33(8):45-48.

[11] 劉艷林,馬苗,劉艷麗.基于改進人工魚群算法的含噪圖像分割方法[J].計算機工程與應用,2013,49(20):157-160.

[12] 廖玉忠,劉付顯.臨近空間雙基地雷達抗干擾能力分析[J].艦船電子對抗,2009,32(5):36-40.

[13] 陳振華,周銳銳,李光偉.一種改進的高斯混合背景模型算法及仿真[J].計算機仿真,2007,24(11):190-192.

[14] 李明,趙勛杰.改進的基于高斯混合模型的運動目標檢測算法[J].計算機工程與應用,2011,47(8):204-206.

[15] 李靜,車進, 朱金艷.基于顏色空間轉換的運動目標檢測與陰影去除[J].電視技術,2013,37(13):172-175.

[16] 阮秋琦.數字圖像處理(MATLAB版)[M].北京：電子工業(yè)出版社，2005.

[17] 吳晶.面向運動目標檢測的背景差分算法改進與實現(xiàn)[D].北京：北京郵電大學,2012.

[18] 盧章平,孔德飛,李小蕾等.背景差分與三幀差分結合的運動目標檢測算法[J].計算機測量與控制,2013,21(12):3315-3318.

[19] 李鴻生，薛月菊.改進的自適應混合高斯前景檢測方法[J].計算機應用, 2013,33(9): 2610-2613.

[20] 劉娣，高美鳳. 基于背景差分的核密度估計前景檢測方法[J].計算機工程與應用，2013,49(6):170-174.

[21] 楊志邦,徐成,周旭.一種基于統(tǒng)計模型的前景陰影消除算法[J].小型微型計算機系統(tǒng),2013(2):424-428.

(責任編輯：尹曉琦)

Scheme Design of Shadow Suppression of Single Channel Mode

ZHOU Hong-zhi

(College of Information Engineering, Fuyang Teachers' College, Fuyang Anhui 236041, China)

In a variety of complex scenes, obtaining the prospect moving objects or moving object motion becomes the necessary process of video processing region. In order to solve the integrity problem of the obtaining foreground object, a fast and robust sport background segmentation algorithm was proposed in the paper. Firstly, the algorithm pre-processed video images; secondly, it pre-treated the three-channel images into single channel HSV images, modelled via mix-Gaussian model separately, and carried out shadow detection and removal in this area to get a better integrity and achieve real-time update combined with inter-frame difference. By contrasting with current experiments and relevant representative methods, the good validity and reliability of proposed algorithm were demonstrated.

GMM; single channel; HSV; inter-frame difference

2014-11-29

安徽省自然科學研究項目(KJ2013B207);安徽省質量工程教學研究項目(2013jyxm555)

周紅志(1981-)，女，湖北荊州人，講師，碩士，主要從事無線傳感網、數據庫和圖形處理研究。

TP391

A

1009-7961(2015)03-0030-05