数字视频处理论文

数字视频处理论文分割视频序列中行人的方法综述为了检测行人的任务，人们通常需在执行具体的行人检测算法前对目标图像进行一些有效的预处理。

视频图像预处理可以去除或减少视频图像中的噪声和杂波，提高传输给主处理器的图像质量和信噪比，减少需处理的数据量。

一般的图像预处理思路可归纳为：通过对原始视频图像进行某些操作，如从空间域或频率域进行某种变换或计算，增强图像中潜在的行人目标，抑制图像中的背景杂波和噪声，提高目标的检测概率，降低虚警概率，从而改善系统的总体性能。

现已提出了多种目标图像预处理方法，且这些方法是各具特点的。

如在空间域中有：高通模板滤波、中值滤波、数学形态学滤波和局部标准差滤波等；在频率域中有：理想高通滤波、Butterworth高通滤波、高斯高通滤波和小波模预处理方法等。

1 视频序列图像的目标检测算法从历史上来看，各国研究人员都提出了多种检测算法并获得应用，这些方法的分类也相互不同。

首先最简单的分类，考虑到检测算法中使用到的被测图像序列帧的数目，可分为单帧检测算法和多帧检测算法；然后考虑到检测算法执行时被测目标的状态，可分为运动目标检测和静止目标检测；最后，可根据整个系统运行时检测过程与跟踪过程的前后顺序可以分为“先检测后跟踪”算法（即DBT 算法，Detect Before Track）和“先跟踪后检测”算法（即TBD算法，Track Before Detect）。

“先检测后跟踪”（DBT，Detect Before Track）算法，主要有自适应运动检测方法、差分法、小波变换方法和光流法等，主要是先利用目标的像素检测出目标，然后计算得到目标的运动轨迹；“先跟踪后检测”（TBD，Track Before Detect）算法，主要有多级假设检测的方法、动态规划方法和基于高阶相关的方法等，主要是先进行一次扫描后，并将结果存储，然后对假设轨迹包含的点做相关的处理，使得没有信息损失，经过一段时间，得到检测结果与目标轨迹。

根据目前公开发表的文献中介绍，此处我们将目标检测算法分为“先检测后跟踪（DBT）”类检测算法和“先跟踪后检测（TBD）”类检测算法两大类来研究。

1.1 典型的DBT目标检测算法经典的DBT目标检测算法较为清晰分解了单帧目标初检测和多帧目标确定这两项任务，所以从宏观上说，将不同的图像预处理及单帧目标分割算法与不同的多帧目标运动轨迹确定算法组合起来，就可以构成适合于不同具体研究对象的DBT目标检测算法。

目标单帧初检测（图像分割）图像在去除背景干扰后，接下来的任务是从含白噪声的图像中分割出可能的目标像素点。

清华大学的章毓晋教授结合算法实现的原理和方式将图像分割技术划分为：（1）并行边界分割技术，实现的方法有：1）微分算子边缘检测；2）边缘拟合；3）基于哈夫变换的边缘检测；4）利用切线信息的亚像素目标边缘检测。

（2）串行边界分割技术，实现的方法有：1）边界跟踪；2）曲线拟合；3）状态空间搜索；4）动态规划。

（3）并行区域分割技术，实现的方法有：1）基于像素值的阈值分割；2）基于区域性质的阈值分割；3）基于坐标位置的阈值分割；4）特征空间聚类；5）连通区域标记。

（4）串行区域分割技术，实现的方法有：1）区域增长；2）分裂合并；3）松弛迭代法。

（5）结合特定理论工具的分割技术，实现的方法有：1）基于形态学的分割方法，如边缘的形态检测，区域的形态提取，水线区域分割等；2）借助统计模式识别方法的分割方法，如基于特征统计的分割，最大化后验概率的贝叶斯统计方法；3）利用神经网络的分割方法；4）基于信息论的分割方法，如交叉熵分割函数，类内最小交叉熵阈值化分割，类间最大交叉熵阈值化分割；5）基于模糊集合和逻辑的分割技术：类间最大模糊散度阈值化分割，类内最小模糊散度阈值化分割，模糊 C 一均值聚类分割；6）基于小波分析和变换的分割技术，如多尺度边缘检测，多分辨率阈值选取等；7）利用遗传算法的分割技术，如基于阈值曲面的二维遗传算法，基于模糊隶属度曲面的二维遗传算法。

下面选取主要的基于单帧红外图像的图像分割方法说明如下：（1） 阈值法依据分割阈值将目标从背景中分割出来，通常是成像跟踪算法中必须首先解决的一个重要环节，它包括阈值计算和目标分割两个过程。

能否有效地提取出目标，问题的关键是寻找一个合理的阈值。

阈值的选取有固定阈值和自适应阈值两种方法，阈值法又可以分为全局阈值法和局部阈值法。

①全局阈值法：经滤波后的背景噪声近似看作是高斯白噪声，可使用全局门限分割算法。

设输入图像为),,(k j i f H ，门限处理后的图像为),,(g k j i ，令门限为Th(k)，则有：)(),,()(),,(0),,(),,(k Th k j i f k Th k j i f k j i f k j i g H H H <≥⎩⎨⎧= 式中，Th(k)是随序列图像的变化而自适应改变的。

即：)var()()(k k mean k Th ⨯+=λ 其中，λ为加权值，λ的选择范围为3一5，mean(k)、var(k)分别表示第k 帧经抑制背景起伏后的图像灰度均值和方差，设输入图像的大小为N 1×N 2，则图像均值和方差可表示为：∑∑-=-=⨯=10102112)],,([1)(NiN j H k j i f N N k mean ∑∑-=-=-⨯=101022112)](),,([1)(v NiN j H k mean k j i f N N k ar 经过上述的阈值处理以后，得到一个去除背景干扰和弱噪声的目标图像，这时，可能除了目标，还有强噪声点。

②局部阈值法：设f (i,j)周围的3×3方阵中灰度值为E=∑ ∑ f (i,j)，经过3x3的高通滤波后，该点灰度值变为),(ˆj i f，则： )10(0),(ˆ0),(ˆ0),(ˆ),(<∂<≤∂->∂-⎩⎨⎧=E j i f E j i f j i f j i f 此方法的关键是∂值的确定，提出了一种自适应确定方法，即∂=|均值一标准方差| /标准方差。

通过将高通滤波后的目标与它周围的背景作自适应门限比较可以很好地分割出点目标，这样既可以解决由单纯的自适应门限造成的预选点过多，又可解决单纯的高通滤波，当目标出现在强噪声下分割不出来的弊病。

（2） 最大距离法直方图分割法中的最大距离法是一种简单有效的图像分割方法。

它的基本思想是：在直方图取值范围内，任一灰度级可将直方图分为左右两部分，如果这两部分的灰度均值与总体的灰度均值相距最大，则该灰度级就取为分割门限。

假设红外图像总的灰度级为L ，在l 灰度级处有n l 个像点，则总的像点数为∑==Ll ln N 1，令l 灰度级处的概率P l 接近于频率，则N n p l l /=。

在任一灰度级l '处将直方图分割成左、右两部分，于是我们有：左边部分：}2,1{0l C '⋅⋅⋅⋅⋅⋅=，；右边部分：}2,1{1L l l C ⋅⋅⋅⋅⋅⋅+'+'=，，它们发生的概率0P 和1P 分别为： ∑'=='l l lP l P 10)(∑+'=='L l l l P l P 11)( 因为总体灰度均值μ为： ∑∑∑+'='==''+''==L l l l l l l Ll l l p P l l P l p P l l P lP 1111001)()()()(μ所以若令 ∑'='='l l i l P P l l 100)()(μ (1) ∑+'='='L l l i l P P l l 111)()(μ (2) 则它们分别是集合0C 和集合1C 的灰度均值，于是有：)()()()(1100l l P l l P ''+''=μμμ (3) 进一步，令 ∑'=='l l l lP l 1)(λ (4)则(1)式可化为)()()(00l P l l ''='λμ (5) 考虑到∑∑∑+'='===-='-L l l l l l l L l l lP lP lP l 111)(λμ,所以式(2)可表示为：)]([)(1)(11l l P l '-'='λμμ (6) 由(3)、(4、(5)和(6)式可以看出，对于0一L 灰度级之间的任一灰度级l '，可以计算出 0μ、1μ和μ。

现在，定义一个均值距离测度)(l D '为0μ至μ和1μ至μ距离的加权之和，即： 211200])()[(])()[()(μμμμ-''+-''='l l P l l P l D (7) 将(5)和(6)式代入(7)式中，并考虑到1)()(10='+'l P l P ，则(7)式可简化为： )](1)[()]()([)(0020l P l P l P l l D '-''-'='μλ 分割的准则是使)(l D '为最大值的灰度级l '作为图像分割的门限值。

图像中凡是灰度值小于分割门限的像点，均认为是背景中的点，并加以滤除。

反之，则认为是潜在目标区域中的点，予以保留。

（3） 类间方差法类间方差门限法是OTSUR 从最小二乘法的原理推导而来的，他认为将图像分割后的类内方差应该具有最小值，类间方差应该具有最大值。

设门限t 将C 分为两组，}2,1{0t C ⋅⋅⋅⋅⋅⋅=，；}2,1{1L t t C ⋅⋅⋅⋅⋅⋅++=， 0C 产生的概率为：)(10t WP W ti i ==∑=1C 产生的概率为：)(1111t W P W L t i i -==∑-+= 0C 产生的概率为：)()(000t W t U W P i U t i i =⨯=∑= 1C 产生的概率为：)(1)(1111t W t U U W P i U L t i i --=⨯=∑-+= 其中∑-=⨯=11L i i P i U 为整幅图像的灰度平均值，∑=⨯=t i i P i t U 1)(是门限值为t 时的灰度平均值，所以全部采样灰度的平均值为：1100U W U W U += 类间方差定义为： 2112002)()(U U W U U W -+-=δ 最佳门限值： )(max 2t Arg T δ=（4） 基于局部熵的图像分割熵是信息论中事件出现概率的不确定性的量度，它能有效反映事件包含的信息，用图像熵值作目标分割是一种有效的手段。