亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        基于HSV顏色空間的自適應(yīng)性運動目標(biāo)檢測

        2015-10-28 09:02:25高曉旭馮國瑞
        電視技術(shù) 2015年10期
        關(guān)鍵詞:陰影光照背景

        高曉旭,馮國瑞

        (上海大學(xué)通信與信息工程學(xué)院,上海200444)

        基于HSV顏色空間的自適應(yīng)性運動目標(biāo)檢測

        高曉旭,馮國瑞

        (上海大學(xué)通信與信息工程學(xué)院,上海200444)

        格拉斯曼尼(Grassmannian)算法是一種可以由高度不完整信息追蹤子空間的在線學(xué)習(xí)算法,它在視頻運動目標(biāo)跟蹤時具有魯棒性和低復(fù)雜度等優(yōu)點,可以應(yīng)用在視頻前景與背景的實時分離的情況。針對格拉斯曼尼算法在前景分離中,面對室內(nèi)全局光線突變會產(chǎn)生大量噪聲的問題,提出了一種優(yōu)化的預(yù)處理方法。通過HSV色彩空間變換對視頻進(jìn)行陰影檢測,根據(jù)閾值判斷光線變化情況并自適應(yīng)調(diào)整前景內(nèi)容,最終實現(xiàn)在光照變化情況下的運動目標(biāo)檢測,并有效去除了原格拉斯曼尼算法在光線突變會產(chǎn)生的大量噪聲,提高了對光照變化的魯棒性。

        前景提?。还庹兆兓?;HSV顏色空間;GRASTA

        【本文獻(xiàn)信息】高曉旭,馮國瑞.基于HSV顏色空間的自適應(yīng)性運動目標(biāo)檢測[J].電視技術(shù),2015,39(10).

        近年來,智能視頻監(jiān)控一直是備受人們關(guān)注的研究領(lǐng)域,它主要包括目標(biāo)檢測、分類、跟蹤[1]等多個研究方向。在處理視覺信息中,人們往往對動態(tài)信息更感興趣,因此,運動目標(biāo)檢測是一個非常有發(fā)展空間的研究方向,在道路交通、安全管理等均有涉及。目前運動目標(biāo)檢測方法主要有光流法[2]、幀間差分法[3-4]、三幀差分法[5]和背景差分法[6],其中背景差分法是當(dāng)前的研究熱點,它采用圖像序列中的當(dāng)前幀和背景參考模型比較來檢測運動目標(biāo)。目前已經(jīng)提出了很多背景建模的方法,如Stauffer等人[7-8]提出的混合高斯模型得到廣泛應(yīng)用,但此方法易受到光照變化影響,且復(fù)雜度較高。He等人[9]提出的格拉斯曼尼魯棒自適應(yīng)子空間追蹤算法(GRASTA)可以有效建立背景模型并根據(jù)每一幀進(jìn)行背景模型更新,但此方法在受到室內(nèi)光照突變時會產(chǎn)生大量噪聲,在視覺上產(chǎn)生干擾。

        針對上述不足,本文對GRASTA背景建模學(xué)習(xí)方法進(jìn)行深入研究,提出一種嵌入HSV色彩空間的運動目標(biāo)檢測方法,增強(qiáng)光照變化情況下的檢測性能。本方法利用陰影的色度、飽和度、亮度信息來檢測陰影,并自適應(yīng)改變前景內(nèi)容,從而對不同光照條件目標(biāo)檢測具有一定的魯棒性。實驗結(jié)果表明,由于加入HSV處理,在速度上比初始GRASTA算法略慢,但在光照部分的性能有較大幅度提升。

        1 GRASTA算法

        最基本的背景建模法[6]是根據(jù)過去所有幀取平均值作為背景模型。由于運動目標(biāo)屬性比背景屬性變化快,因此可用特殊方法去檢測運動目標(biāo)。GRASTA在此基礎(chǔ)上引入了低秩矩陣分解。低維子空間能完成數(shù)據(jù)建模和數(shù)據(jù)分析,可應(yīng)用在背景減法、目標(biāo)跟蹤中。GRASTA基本原理假設(shè)一個只有靜態(tài)背景的視頻,當(dāng)一幀圖像的所有列向量合并成一個新的列向量時,多幀圖像的變化特征可由維數(shù)為d的低秩矩陣表征。圖1是GRASTA算法流程圖。

        圖1 GRASTA流程圖

        設(shè)第t幀圖像進(jìn)行灰度變換之后由如下模型構(gòu)成[9]

        式中:P是原始圖像;B為訓(xùn)練后的背景模型;ω是d×1向量;δ是n×1稀疏外圍向量,即前景部分;ξ是n×1零均高斯白噪聲向量;n為圖像總像素數(shù)目。

        式中:l1最小化問題是經(jīng)典的最小絕對偏差問題,此算法運用Boyd[11]提出的基于交替方向乘子算法(ADMM)的快速求解方法。根據(jù)文獻(xiàn)[11],引入稀疏外部矩陣δ∈?||Ωt來重寫式(2)右邊

        此方程的拉格朗日形式是

        式中:y∈?||Ωt是對偶向量。

        2 算法的改進(jìn)

        2.1HSV陰影檢測

        傳統(tǒng)陰影檢測法是基于陰影屬性,即利用HSV的三元素:色調(diào)(Hue)、飽和度(Saturation)、亮度(Value)。在檢測圖像陰影區(qū)域時,若一個像素被陰影覆蓋,它的亮度分量會發(fā)生較大的變化。而飽和度分量和色相分量具有比較低的值,與背景不會有太大變化。具體判斷如下[12-13]

        式中:α和β是亮度的閾值;TS和TH分別是飽和度和色相的閾值;V(i,j)是像素的亮度分量;S(i,j)是像素的飽和度分量;H(i,j)是像素的色相分量;W(i,j)是陰影檢測分布圖。

        本文陰影檢測法基于最大類間方差法(Otsu)[14],即把圖像灰度數(shù)按灰度級分成前景和背景兩部分。兩部分之間灰度值差異最大,每個部分之間灰度值差異最小。通過方差的計算尋找一個合適的灰度級別去劃分。本文前景部分即傳統(tǒng)陰影檢測法的陰影區(qū)域W(i,j)=1,背景部分即非陰影區(qū)域W(i,j)=0。對圖像P,設(shè)τ為陰影和非陰影分割閾值,陰影區(qū)域占圖像比例為θ0,平均灰度為η0;非陰影區(qū)域占圖像比例為θ1,平均灰度為η1。圖像的總平均灰度η為

        從最小灰度值到最大灰度值遍歷τ,若τ使得式(7)中g(shù)最大時,τ即為最佳分割閾值。

        圖2a和2b為視頻LOBBY中光照情況不同的兩幀的陰影檢測結(jié)果,白色部分即為陰影部分。圖2b有一個關(guān)燈的動作,因此陰影部分相對于圖2a有很大的變化。

        2.2自適應(yīng)前景提取

        根據(jù)2.1節(jié),用HSV色彩空間可檢測出圖像的陰影部分。當(dāng)算法檢測出燈光突變的瞬間,實時調(diào)整前景的內(nèi)容。首先讀取視頻第1幀圖像,用HSV檢測圖像陰影分布情況。第1幀的陰影分布圖即作為陰影初始值BW1。為了提升程序運行速度,之后每隔10幀對當(dāng)前圖像重新檢測陰影分布,記作BW2。根據(jù)以下規(guī)則判斷是否有光照突變

        圖2 HSV陰影檢測結(jié)果

        式中:BW是當(dāng)前陰影分布與初始陰影分布的差。統(tǒng)計BW非0像素的個數(shù),即當(dāng)前陰影分布與初始陰影分布不同的像素數(shù)。當(dāng)像素總和大于某一個閾值時,此幀有全局光照[12]變化,即LIGHT=1。若小于閾值,則此幀沒有全局光照變化,即LIGHT=0。通常情況下,室內(nèi)燈光變化會讓圖像的大部分像素點亮度發(fā)生變化,而人走動僅讓小部分像素點亮度發(fā)生變化。TH是判斷是否有全局光照的閾值。先對視頻的所有BW進(jìn)行統(tǒng)計,之后可根據(jù)統(tǒng)計來設(shè)定閾值TH。

        假設(shè)第10n幀被檢測到有明顯的光照變化,同時此幀也是第一次被檢測到有光照變化。那么,從第10n幀開始的50幀以內(nèi)前景直接設(shè)為全零矩陣。一般情況下,50幀左右可以完成燈光瞬間從暗到明(或相反)的過程。不同場合可有不同的設(shè)定。當(dāng)?shù)谝淮螜z測到有明顯光照變化后,陰影分布初始值更新為第10n幀的陰影分布,即BW1=BW2。之后圖像的陰影分布就與更新后的陰影分布對比。依此類推,這樣可以適用于光照亮暗變化交替的場景。

        3 實驗結(jié)果

        本文的實驗對象包括兩個室內(nèi)光照條件均有突變且有人物走動的視頻以及它們部分幀的手工標(biāo)定值。按照上文所描述的方法,測試視頻包括LOBBY和HOME。LOBBY的分辨率為160×128,HOME視頻分辨率為240×135。

        LOBBY一共有1 546幀彩色圖像,特征為兩人在室內(nèi)大廳里走動,人消失時室內(nèi)有兩次全局光照變化。LOBBY在第344幀之前都沒有運動目標(biāo),背景保持不變。第450幀有關(guān)燈動作,室內(nèi)光照變化明顯。第1 100幀有開燈動作,室內(nèi)光照再次有明顯變化。HOME一共有469幀彩色圖像,特征為一人在室內(nèi)客廳走動,人消失時室內(nèi)有一次全局光照變化。HOME在第115幀之前沒有運動目標(biāo),背景保持不變。第345幀有關(guān)燈動作,室內(nèi)光照變化明顯。

        首先確定判斷光照突變的閾值,以LOBBY為例,事先統(tǒng)計BW的分布情況。圖3所示是第10n幀BW2分別與第1幀BW1作差得到的BW走勢圖??梢钥闯觯诘?50幀左右BW非零像素數(shù)有明顯的上升,而在第1 100幀左右BW非零像素數(shù)又有明顯的下降。這說明,第450幀和第1 100幀是跳變點。閾值可設(shè)置為2 000左右。

        圖4是視頻LOBBY的檢測結(jié)果。圖4a是第435幀原圖,此幀室內(nèi)光線開始有變化,圖4b和圖4d是對于第435幀兩種算法前景的提取結(jié)果。圖4f是第450幀原圖,此幀檢測到有明顯全局光線變化,圖4g和圖4i是對于第450幀兩種算法前景提取結(jié)果??梢钥闯?,本文算法能夠在光線開始變化時就產(chǎn)生去噪效果,白色噪點數(shù)量明顯減少。當(dāng)檢測到大范圍光線突變時,去噪效果更加明顯,白色噪點完全消失。同時,提取的背景也與原圖更加接近。

        圖3 LOBBY的BW分布情況

        圖4 LOBBY檢測結(jié)果

        在有人走動的情況下,前景提取的效果和原始GRASTA效果相同。為了顯示出提取的準(zhǔn)確性,圖5a和5b是視頻LOBBY的受試者工作特征曲線(ROC)。對比可見,ROC曲線前后變化不大,錯誤率較低。圖5c和5d是運動目標(biāo)檢測圖,此方法能很好地把運動的人當(dāng)作前景提取出來。

        b ROC曲線(無HSV)

        圖5 LOBBY的ROC曲線和運動目標(biāo)檢測

        對于HOME視頻,由于是在面積較小的客廳進(jìn)行拍攝,并且燈光的強(qiáng)度很強(qiáng)。因此燈光輻射的比例相對于LOBBY要大很多。用同樣的分布統(tǒng)計方法,設(shè)定的判定閾值是9 000。圖6是視頻HOME的檢測結(jié)果,圖6b和6d是對于第430幀兩種算法前景的提取結(jié)果。與LOBBY相似,本文算法能有效去除因大范圍光線突變產(chǎn)生的噪聲,特別是背景顏色較深的區(qū)域,提高了檢測性能。

        圖6 HOME檢測結(jié)果

        4 總結(jié)

        本文在格拉斯曼算法的基礎(chǔ)上加入HSV的陰影檢測技術(shù),排除了全局光照突變情況下的干擾,具有高效性和魯棒性。用當(dāng)前幀陰影分布與初始幀陰影分布差值作為特征,通過統(tǒng)計差異值判斷光照變化情況。當(dāng)檢測到光照變化時,改變前景值,同時更新陰影分布初始值。實驗結(jié)果表明,相比于初始GRASTA算法,運算復(fù)雜度上稍有增加,但性能上可以有效去除光照突變產(chǎn)生的噪聲并準(zhǔn)確提取運動目標(biāo)。

        [1]蔡榮太,吳元昊,王明佳,等.視頻目標(biāo)跟蹤算法綜述[J].電視技術(shù),2010,34(12):135-142.

        [2]BARON J,F(xiàn)LEET D,BEAUCHEMIN S.Performance of optical flow techniques[J].International Journal of Computer Vision,1994,12(1):42-77.

        [3]ANDERSON C,BURT P,WAALS G.Change detection and tracking using pyramid transformation techniques[C]//Proc.Intelligent Robots and Computer Vision.Cambridge,MA,Engl:SPIE Press,1985:72-78.

        [4]李波,姚春蓮,李煒,等.利用相鄰幀和背景信息的運動對象檢測[J].電子學(xué)報,2008,36(11):2154-2159.

        [5]白曉方,楊衛(wèi),陳佩珩.一種改進(jìn)的運動目標(biāo)檢測與跟蹤方法[J].電視技術(shù),2014,38(1):180-183.

        [6]丁忠校.視頻監(jiān)控圖像的運動目標(biāo)檢測方法綜述[J].電視技術(shù),2008,32(5):72-75.

        [7]STAUFFER C,GRIMSON W.Adaptive background mixture models for real time tracking[C]//Proc.IEEE Conference on Computer Vision and Pattern Recognition.Fort Collins,CO:IEEE Press,1999:246-252.

        [8]張恒,胡文龍,丁赤飚.一種自適應(yīng)學(xué)習(xí)的混合高斯模型視頻目標(biāo)檢測算法[J].中國圖象圖形學(xué)報,2010,15(4):631-636.[9]HE J,BALZANO L,SZLAM A.Incremental gradient on the Grassmannian for online foreground and background separation in subsampled video[C]//Proc.IEEE Conference on Computer Vision and Pattern Recognition.Providence,RI:IEEE Press,2012:1568-1575.

        [10]BALZANO L,NOWAK R,RECHT B.Online identification and tracking of subspaces from highly incomplete information[C]// Proc.48th Annual Allerton Conference on Communication,Control,and Computing.Allerton,IL:IEEE Press,2010:704-711.

        [11]BOYD S,PARIKH N,CHU E,et al.Distributed optimization and statistical learning via the alternating direction method of multipliers[J].Foundations and Trends in Machine Learning,2011,3(1):1-123.

        [12]朱明旱,羅大庸.基于幀間差分背景模型的運動物體檢測與跟蹤[J].計算機(jī)測量與控制,2006,14(8):1004-1006.

        [13]高嵐,董慧穎,蘭利寶.自適應(yīng)背景下運動目標(biāo)陰影檢測算法研究[J].現(xiàn)代電子技術(shù),2008,269(6):59-61.

        [14]景曉軍,蔡安妮,孫景鰲.一種基于二維最大類間方差的圖像分割算法[J].通信學(xué)報,2001,22(4):71-76.

        Adaptive Moving Objects Detection and Tracking Based on HSV Color Space

        GAO Xiaoxu,F(xiàn)ENG Guorui
        (School of Communication and Information Engineering,Shanghai University,Shanghai 200444,China)

        Grassmannian robust adaptive subspace tracking algorithm is a low-complexity and robust online algorithm for tracking subspaces from highly incomplete information.It can solve the problems of real-time separation of background from foreground in videos.In this paper,an improved pre-processing method is proposed,which can deal with the noise when indoor illumination has great changes.The new method includes a shadow detection based on HSV color space and observation of illumination changes.The foreground can be changed adaptively according to a threshold.Finally,moving objects can be tracked and noise caused by sudden illumination changes can be eliminated.The new algorithm becomes more robust to illumination changes.

        separation of background from foreground;illumination change;HSV color space;GRASTA

        TP277;TP391.41

        A

        10.16280/j.videoe.2015.10.001

        許盈

        2014-07-18

        國家自然科學(xué)基金項目(61373151);上海市自然科學(xué)基金項目(13ZR1415000)

        猜你喜歡
        陰影光照背景
        節(jié)能環(huán)保 光照萬家(公益宣傳)
        “新四化”背景下汽車NVH的發(fā)展趨勢
        節(jié)能環(huán)保光照萬家(公益宣傳)
        《論持久戰(zhàn)》的寫作背景
        你來了,草就沒有了陰影
        文苑(2020年11期)2020-11-19 11:45:11
        中國詩歌(2019年6期)2019-11-15 00:26:47
        春光照瑤鄉(xiāng)
        讓光“驅(qū)走”陰影
        晚清外語翻譯人才培養(yǎng)的背景
        陰影魔怪
        真实人与人性恔配视频| 国产偷拍盗摄一区二区| 欧美在线播放一区二区| 日本一区二区三本视频在线观看| 色婷婷久久综合中文蜜桃| 免费视频无打码一区二区三区 | 女人被躁到高潮嗷嗷叫| 国内精品国产三级国产| 爱情岛论坛亚洲永久入口口| 中日av乱码一区二区三区乱码| 亚洲日本三级| 婷婷开心五月综合基地| 中文字幕女优av在线| 国产亚洲2021成人乱码| 欧美精品久久久久久久久| 日韩av在线不卡一二三区| 国内自拍色第一页第二页| 亚洲av高清在线一区二区三区| 99久久免费国产精品2017| 日韩av他人妻中文字幕| 国产亚洲视频在线播放| 亚洲av之男人的天堂网站| 2021国产最新无码视频| 激情视频在线观看国产中文| 国产精品狼人久久影院软件介绍 | 国产一区二区三区乱码| 99视频这里有精品| 久久五月精品中文字幕| 久久久久久人妻无码| 天美传媒精品1区2区3区| 无码伊人66久久大杳蕉网站谷歌| 国产亚洲一二三区精品| 内射合集对白在线| 成人区视频| 久久亚洲av熟女国产| 婷婷综合另类小说色区| 富婆如狼似虎找黑人老外| 国产人成在线免费视频| 黄片大全视频在线播放| 蜜臀久久99精品久久久久久小说| 麻豆国产成人AV网|