管紅梅+郭銳強(qiáng)

摘 要：在我們采集的視頻數(shù)據(jù)中，絕大多數(shù)監(jiān)控場(chǎng)景是靜止的，在有動(dòng)態(tài)對(duì)象的情況下，運(yùn)動(dòng)圖像只占所采集數(shù)據(jù)的20%左右。如果進(jìn)行監(jiān)控視頻的實(shí)時(shí)傳輸，就會(huì)造成不必要的資源浪費(fèi)。由于監(jiān)控的背景基本不變，所以主要是提取動(dòng)態(tài)對(duì)象，對(duì)動(dòng)態(tài)對(duì)象進(jìn)行單獨(dú)編碼并傳輸，用計(jì)算機(jī)對(duì)動(dòng)態(tài)對(duì)象和背景圖像進(jìn)行融合，還原實(shí)時(shí)的監(jiān)控場(chǎng)景。提出一種VOP方法應(yīng)用在MPEG-4中，使其具有基于內(nèi)容的功能。

關(guān)鍵詞：圖像 動(dòng)態(tài)捕獲算法 研究

中圖分類(lèi)號(hào)：TP391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2017）01（b）-0219-02

1 算法實(shí)現(xiàn)

廣義Hausdorff距離使自動(dòng)獲取對(duì)象的模型能夠與后續(xù)幀進(jìn)行很好地匹配，然后利用一種新的刷新技術(shù)，對(duì)每幀進(jìn)行刷新以適應(yīng)圖像形狀的旋轉(zhuǎn)和變化，并運(yùn)用一種新的濾波技術(shù)濾除靜止背景，最后提取出VOP作為MPEM的輸入。

1.1 Hausdorff對(duì)象跟蹤

算法的核心是Hausdorff對(duì)象跟蹤，它的應(yīng)用可以在視頻的整個(gè)序列中建立一種對(duì)象時(shí)間的相關(guān)性。這種相關(guān)性對(duì)于以?xún)?nèi)容為功能是很重要的，雖然檢測(cè)的對(duì)象在任何時(shí)間停止任意時(shí)長(zhǎng)，這種算法也能夠保證對(duì)目標(biāo)的跟蹤。

如果采用Hausdorff距離用來(lái)實(shí)現(xiàn)后續(xù)幀與對(duì)象模型的匹配，就要先對(duì)對(duì)象的邊界進(jìn)行圖形建模。我們都知道亮度的變化對(duì)灰度圖像有很大的影響，一般我們不用它來(lái)做對(duì)象或模塊的匹配。在一位邊界圖像中對(duì)象邊界不能限制模型的邊界點(diǎn)，獲取邊界圖像我們采用CW操作。

當(dāng)我們得到了邊界圖像的二值模型，用后續(xù)幀與它進(jìn)行匹配。想要的得到一個(gè)可靠的匹配方法，這個(gè)匹配方法需要能夠檢測(cè)出旋轉(zhuǎn)、變化的對(duì)象和形狀在進(jìn)行變換。這樣由后續(xù)幀和模型進(jìn)行匹配來(lái)獲取新位置的方法不再適用，這種匹配方法數(shù)據(jù)多計(jì)算量極大。所以，我們采用Hausdorff距離來(lái)獲取后續(xù)幀和視頻對(duì)象模型之間的最佳匹配。

1.2 初始化動(dòng)態(tài)對(duì)象

采用Hausdorff距離的方法來(lái)得到對(duì)象模型，用來(lái)匹配與后續(xù)幀，就應(yīng)對(duì)運(yùn)動(dòng)進(jìn)行初始化。由于對(duì)象的初始位置是未知的，為了進(jìn)行動(dòng)態(tài)對(duì)象分割，必須走出動(dòng)態(tài)對(duì)象的初始位置。對(duì)于非靜止背景或用運(yùn)動(dòng)攝像機(jī)獲取的場(chǎng)景，經(jīng)常要進(jìn)行全局的運(yùn)動(dòng)補(bǔ)償。

1.3 模型刷新

一個(gè)跟蹤對(duì)象在視頻中形狀會(huì)發(fā)生變化，所以我們建立的模型在每一幀都會(huì)進(jìn)行刷新。在運(yùn)動(dòng)攝像機(jī)的場(chǎng)景或具有雜亂背景的情況下很難實(shí)現(xiàn)。有時(shí)對(duì)象的一部分比對(duì)象的其余部分變化的快。這就需要一種新的刷新技術(shù)，一個(gè)成分負(fù)責(zé)運(yùn)動(dòng)快的部分，一個(gè)成分慢運(yùn)動(dòng)部分，結(jié)合這兩個(gè)成分就構(gòu)成一種新的刷新算法。

1.4 濾除靜止的雜亂背景

如果邊界圖像的所有像素都屬于對(duì)象，那對(duì)象跟蹤的獲取就相對(duì)比較容易，但實(shí)際的很多序列中包含有雜亂的背景，因此有必要在模型匹配和刷新之前先濾除這些雜亂的背景。否則，如果背景邊界點(diǎn)與模型相當(dāng)近的話(huà)，模型刷新時(shí)可能會(huì)選出這些背景邊界點(diǎn)。

1.5 VOP的提取

VOP的提取步驟為：（1）利用Hausdorff距離自動(dòng)獲取對(duì)象模型再與后續(xù)幀進(jìn)行匹配；（2）初始化動(dòng)態(tài)對(duì)象；（3）對(duì)每幀內(nèi)圖像進(jìn)行刷新；（4）濾除靜止背景。

2 實(shí)驗(yàn)演示與討論

以辦公桌監(jiān)控為例，來(lái)驗(yàn)證這種算法的有效性。監(jiān)控對(duì)象為一個(gè)辦公桌，茶杯作為動(dòng)態(tài)物體，當(dāng)它進(jìn)入監(jiān)控范圍，計(jì)算機(jī)系統(tǒng)馬上就會(huì)識(shí)別。若果移動(dòng)茶杯，跟蹤符號(hào)自動(dòng)追蹤。當(dāng)捕獲目標(biāo)后就可以通過(guò)圖像對(duì)比提取出背景圖像，然后對(duì)背景圖像進(jìn)行單獨(dú)編碼操作，如果能使傳輸速度達(dá)到3fps，就可以應(yīng)用到監(jiān)控中（如圖1、圖2）。

3 實(shí)驗(yàn)結(jié)果列表如下

用實(shí)驗(yàn)驗(yàn)證動(dòng)態(tài)捕獲在視頻壓縮中的效果，分別對(duì)playground（運(yùn)動(dòng)場(chǎng)）、crossroad（十字路口）、desk（辦公桌）和market（市場(chǎng)）各畫(huà)面進(jìn)行處理，比較處理前后的數(shù)據(jù)可以驗(yàn)證該算法的性能。視頻畫(huà)面的大小為4CIF，實(shí)驗(yàn)結(jié)果如表1、表2所示。

經(jīng)過(guò)動(dòng)態(tài)捕獲處理之后，視頻數(shù)據(jù)量都減少了很多。壓縮之后數(shù)據(jù)量為：27.83M，可以算出壓縮比為（27.83/88.88）×100%=31.31%。從壓縮比看出來(lái)，動(dòng)態(tài)捕獲對(duì)視頻壓縮有明顯的效果。

廣義Hausdorff距離能夠解決個(gè)別點(diǎn)遠(yuǎn)離中心導(dǎo)致Hausdorff距離變大的問(wèn)題。采用抽樣的方法抽取其中的一些值，其它點(diǎn)不會(huì)增大Hausdorff距離。在處理形狀變化或部分遮擋的對(duì)象時(shí)能夠應(yīng)用這種特性，利用Hausdoffe距離能夠得到精確的匹配。新方法結(jié)合了快速和緩慢運(yùn)動(dòng)的兩個(gè)成分，刷新每一幀就能夠解決圖像形狀的變化和旋轉(zhuǎn)產(chǎn)生的問(wèn)題。對(duì)邊界像素進(jìn)行計(jì)數(shù)的濾波技術(shù)對(duì)噪聲不敏感，更重要的是即使對(duì)象停止運(yùn)動(dòng)任意長(zhǎng)時(shí)間它也起作用，簡(jiǎn)單差值法與這種方法性能要相差很多。

參考文獻(xiàn)

[1] 呂金剛，吳斌，劉恒，等.一種快速魯棒的動(dòng)態(tài)入手跟蹤方法[J].微型機(jī)與應(yīng)用，2012，31（1）：33-36.

[2] 郭銳強(qiáng).具有記憶功能的機(jī)器人[J].電子制作，2010（9）：19-20.

[3] 尹春霞，徐德，羅楊宇，等.一種魯棒的自適應(yīng)帶寬跟蹤方法[J].控制與決策，2013，28（11）：1723-1728.

[4] 權(quán)偉，陳錦雄，余南陽(yáng).在線學(xué)習(xí)多重檢測(cè)的可視對(duì)象跟蹤方法[J].電子學(xué)報(bào)，2014，42（5）：875-882.