郭春鳳，莊展梁，葉文森

（1.福建師范大學(xué)福清分校 電子與信息工程學(xué)院，福建 福州 350300；2.泉州經(jīng)濟(jì)技術(shù)開發(fā)區(qū)實驗學(xué)校，福建 泉州 362000）

近年來，隨著信息技術(shù)的迅猛發(fā)展，視頻中的前景提取技術(shù)被廣泛應(yīng)用于人類生活和工作的各個領(lǐng)域，例如道路交通監(jiān)控、三維立體建模、醫(yī)學(xué)圖像的分析、軍事目標(biāo)檢測與識別等.而紋理是人類視覺系統(tǒng)中對物體表面的一種感知形式，是一種非常重要的視覺線索，是各種圖像普遍存在又較難描述的特征[1].紋理特征能夠反應(yīng)物體表面的粗糙度、方向性和規(guī)則性[2].本文中，筆者從紋理特征入手，提取前景目標(biāo).是否能成功獲取紋理特征，將影響到后續(xù)的前景提取效果.

目前，國內(nèi)外提取紋理特征的方法主要有4類：統(tǒng)計法、結(jié)構(gòu)法、模型法、信號處理法[3].傳統(tǒng)統(tǒng)計法的灰度共生矩陣計算量大，并且在目標(biāo)與背景相近時提取效果不是很好；而基于結(jié)構(gòu)的紋理特征提取法具有計算量小、特征維度低、支持旋轉(zhuǎn)不變性等優(yōu)點[4].本文將傳統(tǒng)統(tǒng)計法的灰度共生矩陣算法與結(jié)構(gòu)法進(jìn)行相互結(jié)合，通過對8鄰域的基元陣進(jìn)行擴(kuò)充，提出20鄰域灰度-基元共生矩陣，并只取熵作為其特征統(tǒng)計量.這不僅在很大程度上減小了計算量，而且簡化了計算過程的復(fù)雜性，使表達(dá)更加準(zhǔn)確，提取效果顯著提高.

1 基于傳統(tǒng)統(tǒng)計法的紋理特征

Haralick[5]等人首次提出了灰度共生矩陣，其思想是利用圖像的空間內(nèi)相隔一定距離的2個像素間的灰度關(guān)系，通過統(tǒng)計灰度的空間相關(guān)性來描述紋理特征[6].

灰度共生矩陣是對圖像上保持某種距離的2個像素分別具有某灰度的狀況進(jìn)行統(tǒng)計得到的[7]，它不同于灰度直方圖只反映單個像素的灰度分布概況，而是描述了成對像素的灰度組合分布.

灰度共生矩陣可用如下矩陣表示：

式（1）中：i,j分別為2個像素的灰度；L為圖像的灰度級數(shù)；φ為2個像素間的位置關(guān)系，用δ=(Δx,Δy)表示，即2個像素在x和y方向上的距離分別為Δx,Δy.不同的δ決定了2個像素間的距離和方向，一般取0，45,90,135°這4個方向.

當(dāng)2個像素間位置關(guān)系δ選定后，就生成距離為δ下的灰度共生矩陣pδ,即

共生矩陣中元素表示一種灰度組合下出現(xiàn)的次數(shù).如元素pδ=(1,0)表示了圖像上位置關(guān)系為δ的2個像素灰度分別為1和0的情況出現(xiàn)的次數(shù).顯然不同的位置關(guān)系（距離或方向），元素值就不同.

2 基于傳統(tǒng)結(jié)構(gòu)法的紋理特征

結(jié)構(gòu)分析方法的主要目標(biāo)是找出紋理基元，在紋理基元所構(gòu)成的結(jié)構(gòu)上探索紋理規(guī)律.紋理基元的提取過程并不容易，在不考慮邊界像素的情況下，每個圖像中的每個像素都有4鄰域和8鄰域.通過每個像素的4鄰域或8鄰域都能計算出基元陣，在基元陣的基礎(chǔ)上可以計算圖像的其他紋理特征量，從而進(jìn)行圖像的紋理分析.

2.1 傳統(tǒng)紋理基元陣

基元陣由基元值構(gòu)成，所謂的基元值是以鄰域像素對該像素的矩來度量[8].假設(shè)有1幅圖像f(i,j),i=0,1,2,…,Lx-1；j=0,1,2.…,Ly-1,在不考慮邊界像素的情況下，計算每個像素的4鄰域像素灰度對該像素的矩[8]：

計算每個像素的8鄰域像素灰度對該像素的矩[9]：

其中INT為取整操作.

矩值m(i,j)作為最小紋理基元的特征值，可以得到基元陣的表達(dá)式如下：

2.2 本文擴(kuò)充8鄰域基元陣

本文對8鄰域的基元矩陣進(jìn)行擴(kuò)充，將其擴(kuò)充為20鄰域的基元矩陣，如圖1和圖2所示的簡單基元結(jié)構(gòu)示意圖.

圖1 8鄰域基元陣

圖2 本文提出的20鄰域基元矩陣

本文取20鄰域點對中心點的矩值計算公式為

在陷入黑暗前，我最后望了一眼布滿枯黃的荷塘。那些枯黃的荷葉在湖面上像是一只只垂死老人的手，血色盡失，筋脈分明。

3 基于20鄰域灰度-基元共生矩陣的前景提取

3.1 灰度-基元共生矩陣

本文提出的20鄰域灰度-基元共生矩陣GP(|i,j d,θ),由灰度共生矩陣和本文提出的20鄰域基元陣共同構(gòu)建，i=0,1,2,…,L1；j=0,1,2,…,L2.其中L1為灰度共生矩陣的最大灰度值，L2為20鄰域基元陣中的最大基元值.GP矩陣的大小由灰度共生矩陣和20鄰域基元陣決定，即(L1+1)×(L2+1),此值往往較大.

為減少計算量，在創(chuàng)建灰度基元共生矩陣之前，需先壓縮量化為N級，N一般取8，16，32，64，128，256[10].本文取N=16.

矩陣中的元素GP(i,j|d,θ)為θ方向上距離為d的灰度值為i、基元值為j的點對數(shù)量.例如GP(1 ,2 |1,0°)=5,即表示在某幅圖像的灰度-基元共生矩陣中，在0°方向（水平方向）上相距1個像素，灰度值為1(i=1),基元值為2(j=2)的點對數(shù)是5.

3.2 特征向量

定義灰度-基元共生矩陣后,將傳統(tǒng)的特征量熵引進(jìn)灰度-基元共生矩陣的特征計算，建立圖像的紋理特征.

熵

熵是圖像所具有的信息量的度量,紋理信息也屬于圖像信息[11].若圖像沒有任何紋理，則熵值幾乎為零.若細(xì)紋理多，則熵值較大；圖像越平滑,熵越小.

3.3 本文算法步驟及流程

本文將8鄰域基元陣擴(kuò)充為20鄰域基元陣.通過將灰度共生矩陣和20鄰域基元陣的結(jié)合，提出20鄰域灰度-基元共生矩陣，其對視頻中前景提取的思路如下：

1)從第1幀開始，逐幀讀取視頻的每一幀，并將其彩色圖像轉(zhuǎn)換成灰度圖像.直至第100幀，作為背景訓(xùn)練.

2)計算每幀灰度圖像各個點的20鄰域灰度-基元共生矩陣，并依此計算各像素點的熵值B,保存100幀背景訓(xùn)練的各像素點的熵值數(shù)據(jù).

3)讀取t時刻（t＞100幀）的圖像，計算每個像素點的20鄰域灰度-基元共生矩陣，并依此計算每個像素點在該時刻的熵值Pt.

4)將t時刻的熵值Pt和背景數(shù)據(jù)中的熵值B進(jìn)行判斷分析，若P包含在[Bmin,Bmax]之間，則說明該點為背景點，否則為前景點.

5)對圖像進(jìn)行去噪處理，優(yōu)化前景目標(biāo).

6)t=t+1,讀取t+1時刻的圖像，返回步驟3）進(jìn)行操作.

為驗證本文算法的有效性，筆者進(jìn)行了仿真實驗，并將傳統(tǒng)的灰度共生矩陣算法與本文算法所提取的效果進(jìn)行比對.

3.4 實驗結(jié)果對比分析

本文的實驗是在基于Windows 10.1和MATLAB 2015b的平臺上進(jìn)行和操作完成的，測試所用的視頻采集來自某十字路口的交通監(jiān)控視頻圖像序列，視頻攝像機(jī)安裝固定.將本文算法與傳統(tǒng)的灰度共生矩陣算法進(jìn)行仿真測試，對比結(jié)果如圖3所示.

圖3 不同算法對視頻中運動物體進(jìn)行提取的效果比對

表1 不同算法的前景提取所耗費的時間

圖3為本文算法和傳統(tǒng)的灰度共生矩陣算法對視頻中運動物體進(jìn)行提取的效果比對圖.其中：圖3a、3d、3g為原始視頻經(jīng)灰度轉(zhuǎn)換化后的灰度圖像；圖3b、3e、3h為用傳統(tǒng)的灰度共生矩陣算法對視頻中前景進(jìn)行提取的提取效果圖；圖3c、3f、3k為采用本文提出的灰度-基元共生矩陣算法進(jìn)行視頻中前景提取的效果圖.表1為本文算法和傳統(tǒng)灰度共生矩陣算法的前景提取所耗費的時間數(shù)據(jù).

依據(jù)圖3比對可發(fā)現(xiàn)，相比于傳統(tǒng)的灰度共生矩陣算法的提取效果，本文所提的20鄰域灰度-基元共生矩陣算法對前景的提取效果更佳.由于20鄰域灰度-基元共生矩陣具有特征維度低、支持旋轉(zhuǎn)不變性等優(yōu)點，其采集的數(shù)據(jù)是中心點周圍的20個點，比8鄰域的8個點更能體現(xiàn)中心像素點的性質(zhì)，因此不會出現(xiàn)對個別運動物體（尤其是目標(biāo)與背景顏色相近時）漏檢的情況，也不會出現(xiàn)對單個完整的運動物體提取不全的情況.本實驗結(jié)果表明，相對于傳統(tǒng)算法，本文的方法能夠更好地對視頻中的運動物體進(jìn)行提取.

依據(jù)表1數(shù)據(jù)可知，本文算法每幀前景提取的平均時間為5.801 s.雖高于傳統(tǒng)算法所耗費的時間，但由于其具有較好的提取效果，且CPU 5.801s耗時不算高，因而更有應(yīng)用價值.若對實時性有較高需求，可換用GPU進(jìn)行計算，可再減少本文算法的耗時，以便于更好應(yīng)用.

因此，綜上所述，本文的方法能比傳統(tǒng)算法更好地對視頻中的運動物體進(jìn)行提取.

4 總結(jié)

本文中，筆者通過紋理特征研究了前景提取的問題，提出了基于20鄰域灰度-基元共生矩陣的新算法.該算法是在傳統(tǒng)統(tǒng)計法的灰度共生矩陣的基礎(chǔ)上，與結(jié)構(gòu)法的基元陣結(jié)合，是對8鄰域基元陣的一種擴(kuò)充.通過使用紋理特征量熵并分析熵值的變化情況，對視頻中的前景和背景進(jìn)行判斷.實驗結(jié)果表明，與傳統(tǒng)的灰度共生矩陣方法相比，本文提出的方法能夠更好地對視頻中的運動物體進(jìn)行提取,具有一定的工程應(yīng)用價值.