一种基于色差的运动目标前景提取方法

摘要

本发明公开了一种基于色差的运动目标前景提取方法，所述方法为使用亮度为依据提取运动物体所在的区域，之后对这些区域进一步筛选，将这些区域与先前建立的色差模型进行比对，只有该区域中与色差模型差值大于阈值的部分才被认作是前景，以此来消除阴影和光照对运动目标前景提取的影响。本发明可以在视频监控中，有效提取运动目标。

主权项

一种基于色差的运动目标前景提取方法，其特征在于，所述方法具体步骤为：步骤一：背景模型的建立：背景模型的建立首先需要设定一个序列阈值，当图像采集的帧数达到这个阈值时，使用前面的图像序列求平均，以此均值为依据建立亮度和色差模型；如公式(1)所示：$f^{\prime }(x,y)=\frac{\underset{i=1}{\overset{N}{\Sigma }}f(x,y)}{N}---\left(1\right)$其中，1≤x≤m,1≤y≤n，m和n是图像的宽和高，N是序列阈值；当f(x,y)是亮度信号时，建立的模型是亮度模型，当f(x,y)是色差信号时，建立的模型是色差模型；使用一个全局阈值来初始化方差模型；由于后续计算中，会频繁用到小数，而实现算法的DM64x+系列的DSP是定点DSP，所以在建立背景模型时，使用定点小数格式；步骤二：运动前景提取：使用采集到的一帧图像与步骤一得到的背景模型比对，当满足公式(2)时，认为像素点为前景；1.(f(x,y)‑B(x,y))²＞V′(x,y)2.(f(x,y)‑B(x,y))²＞V(x,y)             (2)其中B(x,y)是亮度背景模型，V(x,y)是初始化时的方差模型，V′(x,y)是经过模型更新后的方差模型；由于得到的结果是一幅二值图像，为了节省空间，以每个bit代表图像的一个像素；步骤三：背景模型更新：背景的实时更新，包括背景模型和方差模型的更新；背景实时更新依据公式(3)；B′(x,y)＝(1‑α)·B(x,y)+α·f(x,y)V′(x,y)＝(1‑α)·V(x,y)+α·(f(x,y)‑B′(x,y))²       (3)其中，B(x,y)是亮度背景模型，B′(x,y)是经过模型更新后的背景模型；V(x,y)是初始化时的方差模型，V′(x,y)是经过模型更新后的方差模型，f(x,y)是点(x,y)处的像素值,α是更新过程的权重系数；步骤四：阴影和光照抑制：实现提取算法的单片机是DSP，由于DSP的核心频率低于PC机的CPU，因此需要对经典的统计学背景提取进行适当改进，以符合DSP平台的需求；对经典的统计学背景提取方法进行了如下改进：将背景抽取出来的经过形态学运算后的前景进行统计，记录下每个独立前景区域的边界值；通过对背景提取后的结果进行联通域分析，来快速搜索独立前景区域的边界值；联通域分析需要经过以下几个步骤：a).将一帧图像从上到下，从左到右做两次扫描；在第一次扫描中，假设扫描到的第一个非背景点是A(i,j)，那么检查它的左边A(i‑1,j)和上边A(i,j‑1)的两个邻接像素点；b).如果A(i‑1,j)和A(i,j‑1)都未被标记，则给A(i,j)分配一个新标记符；c).如果A(i‑1,j)和A(i,j‑1)有一个被标记，则给A(i,j)同样的标记符；d).如果A(i‑1,j)和A(i,j‑1)都被标记，那么：如果两个标记符相同，则给A(i,j)同样的标记符，如果两个标记符不同，则将该点A(i,j)标记为其中一个标记符，同时记下两个标记符等价；e).用等价表中最低标记符取代等价表中的每个标记符，从而对属于同一联通区域而被标记为不同标记符的像素重新做标记；这时搜索每个单独的连通区域，确定出单独连通区域的上下左右边界，得到这些前景的边界之后，就可以确定与各个前景对应的矩形；再依据色差信号对每个矩形进行第二次背景抽取；按照连通区域提供的矩形边界，从一帧图像中提取出处于该矩形内的色差信号，包括Cb和Cr信号；将矩形内的Cb和Cr色差信号分别于与Cb和Cr色差背景模型相减；并与色差方差模型比较；如果该矩形内部像素点的色差信号满足公式(4)，则认为这些像素点是色差信号的前景；$\begin{array}{c}1.{\left(f_c\right(x,y)-B_c(x,y\left)\right)}^2>V_c^{\prime }(x,y)\\ 2.{\left(f_c\right(x,y)-B_c(x,y\left)\right)}^2>V_c(x,y)\end{array}---\left(4\right)$其中，f_c(x,y)是新一帧图像的色差信号，B_c(x,y)是色差背景模型，V′_c(x,y)是实时更新之后的色差方差模型，V_c(x,y)是初始色差方差模型；步骤五：色差模型更新：考虑到可能有物体进入视野长时间不动而成为新的背景，建立的色差模型也要实时更新，色差模型的更新遵循公式(5)；$\begin{array}{c}{B}_c^{\prime }(x,y)=(1-\beta )·B_c(x,y)+\beta ·f_c(x,y)\\ V_c^{\prime }(x,y)=(1-\beta )·V_c(x,y)+\beta ·{\left(f_c\right(x,y)-B_c^{\prime }(x,y\left)\right)}^2\end{array}---\left(5\right)$其中，B_c(x,y)是初始的色差背景模型，B′_c(x,y)是实时更新后的色差背景模型，f_c(x,y)是新一帧图像的色差信号，V_c(x,y)是初始的色差方差模型，V′_c(x,y)是实时更新后的色差方差模型；β是色差模型更新过程的权重系数；将公式(2)和公式(4)提取出来的结果进行整合，那些既满足公式(2)又满足公式(4)的像素点是真正的运动前景。