基于纹理及统计特征的视频背景提取

。 只要提取到准确背景 ， 通过 与
背景做差即可提取出运动目标 。 简单方法是使用 固定背景 ， 但由于 光 照 条 件 和 场 景 中 物 体 的 不 断 变化 ， 背 景 无 法 用 单 一 模 型 描 述， 因 此， 作为参考 帧的背景图像需要不断更新 。 通过计算序列视频 帧图像的算术平均值或者指数平均值可以实时生 成背景图像 。 在 基 于 平 均 值 的 背 景 更 新 方 法 中 ， 通过将前一参考背景帧逐帧与当前实际帧做平均 值而动态生成新的背景参考帧 。 如果取前一参考 背景帧与当前实 际 帧 的 加 权 平 均 值 ， 则称当前背 景参考 帧 是 通 过 指 数 更 新 生 成 的 。 在 这 类 方 法 中， 隐含了一个前提 ， 即视频图像像素的变化应服 从单一的零均值高斯分布 。 该前提在大多数情况 下是满足的 ， 但在某些情况下 ， 如有路面因雨或雪 产生近似镜面反射 ， 树叶等阴影的摇曳 ， 或在光线 如云层快速运动 ， 凌晨或黄昏 ） 时， 此 变化速度快 （ 时该前提需要做 进 一 步 扩 展 ， 像素变化可建模为 近似服 从 混 合 高 斯 分 布 模 型 （ 。该方法最 Ｍ ｏ Ｇ） 初在文献 ［ ］ 中提出 ， 但Ｓ １ ｔ ａ ｕ ｆ ｆ ｅ ｒ和 Ｇ ｒ ｉ ｍ ｓ ｏ ｎ 对该 同时对算法实现以及后续的分 方法进行了扩展 ，
基于纹理及统计特征的视频背景提取
姜永林 ， 屈桢深 ， 王常虹
（ 哈尔滨工业大学 空间控制与惯性技术研究中心 ， 黑龙江 哈尔滨 １ ５ ０ ０ ０ １）
摘要 ： 提出基于纹理特征及统计学模型的背景提取方法来完成背景的稳健提取和实 时 更 新 。 根 据 灰 度 基元共生矩阵建 进一步基于混合高斯分布模型进行背景像素判别和 立图像的纹理特征描述并据此初步判断某一区域是否有运 动 目 标 ， 背景提取 ， 最后应用多分辨率计算方法 提 高 算 法 实 现 效 率 。 实 验 结 果 表 明 ， 该方法能够更好地适应光照条件的不同变 化， 特别适用于交通视频监控时图像亮度变化和路口交通繁 忙 的 实 际 情 况 ， 能够准确地获取背景 图 像， 计算时间仅为原 来的 １ ／ 从而满足了背景提取算法在复杂环境下的稳健性和实时自适应更新的要求 。 ４， 关 键 词： 背景提取 ； 纹理特征 ； 混合高斯分布 ； 多分辨率计算 中图分类号 ： Ｔ Ｐ ３ ９ １． ４ 文献标识码 ： Ａ
犞 犻 犱 犲 狅犫 犪 犮 犽 狉 狅 狌 狀 犱犲 狓 狋 狉 犪 犮 狋 犻 狅 狀 犵 犫 犪 狊 犲 犱狅 狀狋 犲 狓 狋 狌 狉 犪 犾 犪 狀 犱狊 狋 犪 狋 犻 狊 狋 犻 犮 犪 犾 犳 犲 犪 狋 狌 狉 犲 狊
Ｊ Ｉ ＡＮＧ Ｙ ｏ ｎ ｌ ｉ ｎ，ＱＵ Ｚ ｈ ｅ ｎ ｓ ｈ ｅ ｎ，ＷＡＮＧ Ｃ ｈ ａ ｎ ｈ ｏ ｎ ｇ ｇ ｇ （ 犚 犲 狊 犲 犪 狉 犮 犺犆 犲 狀 狋 犲 狉狅 犪 犮 犲犆 狅 狀 狋 狉 狅 犾 犪 狀 犱犐 狀 犲 狉 狋 犻 犪 犾犜 犲 犮 犺 狀 狅 犾 狅 犳犛 狆 犵 狔， ， 犎 犪 狉 犫 犻 狀 犐 狀 狊 狋 犻 狋 狌 狋 犲 狅 犲 犮 犺 狀 狅 犾 狅 犎 犪 狉 犫 犻 狀１ ５ ０ ０ ０ １ 犆 犺 犻 狀 犪） 犳犜 犵 狔， ：Ａｎ 犃 犫 狊 狋 狉 犪 犮 狋 ｅ ｗｂ ａ ｃ ｋ ｒ ｏ ｕ ｎ ｄ ｉ ｍ ａ ｅ ｅ ｘ ｔ ｒ ａ ｃ ｔｍ ｅ ｔ ｈ ｏ ｄ ｉ ｓｐ ｕ ｔ ｆ ｏ ｒ ｗ ａ ｒ ｄｂ ａ ｓ ｅ ｄｏ ｎ ｔ ｅ ｘ ｔ ｕ ｒ ａ ｌ ａ ｎ ｄｓ ｔ ａ ｔ ｉ ｓ ｔ ｉ ｃ ａ ｌ ｆ ｅ ａ ｇ ｇ ｔ ｕ ｒ ｅ ｓａ ｎ ｄｔ ｈ ｅ ｔ ｅ ｘ ｔ ｕ ｒ ａ ｌ ｄ ｅ ｓ ｃ ｒ ｉ ｔ ｉ ｏ ｎｏ ｆ ｔ ｈ ｅ ｉ ｍ ａ ｅ ｉ ｓｅ ｓ ｔ ａ ｂ ｌ ｉ ｓ ｈ ｅ ｄｗ ｉ ｔ ｈｇ ｒ ａ ｓ ｃ ａ ｌ ｅ ｒ ｉ ｍ ｉ ｔ ｉ ｖ ｅｃ ｏ ｏ ｃ ｃ ｕ ｒ ｅ ｎ ｃ ｅｍ ａ ｐ ｇ ｙ ｐ ｔ ｒ ｉ ｘ． Ｔ ｈ ｅ ｔ ｅ ｘ ｔ ｕ ｒ ａ ｌ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｉ ｓｕ ｓ ｅ ｄ ｔ ｏ ｒ ｏ ｕ ｈ ｌ ｖ ａ ｌ ｕ ａ ｔ ｅ ｔ ｈ ｅｐ ｒ ｅ ｓ ｅ ｎ ｃ ｅｏ ｆｍ ｏ ｖ ｉ ｎ ｔ ａ ｒ ｅ ｔ ｓ ｉ ｎａ ｒ ｅ ｉ ｏ ｎ． Ｔ ｈ ｅ ｎ ｇ ｙｅ ｇ ｇ ｇ ， ｂ ａ ｃ ｋ ｒ ｏ ｕ ｎ ｄｐ ｉ ｘ ｅ ｌ ｓａ ｒ ｅｄ ｅ ｔ ｅ ｒ ｍ ｉ ｎ ｅ ｄａ ｃ ｃ ｏ ｒ ｄ ｉ ｎ ｏｔ ｈ ｅｍ ｉ ｘ ｅ ｄＧ ａ ｕ ｓ ｓ ｉ ａ ｎｄ ｉ ｓ ｔ ｒ ｉ ｂ ｕ ｔ ｉ ｏ ｎｍ ｏ ｄ ｅ ｌ ａ ｎ ｄｔ ｈ ｅｂ ａ ｃ ｋ ｇ ｇｔ ， ｒ ｏ ｕ ｎ ｄｏ ｆｖ ｉ ｄ ｅ ｏｓ ｅ ｕ ｅ ｎ ｃ ｅ ｉ ｓｅ ｘ ｔ ｒ ａ ｃ ｔ ｅ ｄ ． Ｆ ｉ ｎ ａ ｌ ｌ ｔ ｈ ｅｍ ｕ ｌ ｔ ｉ ｒ ｅ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎｍ ｅ ｔ ｈ ｏ ｄｉ ｓ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｄｔ ｏｉ ｍ ｒ ｏ ｖ ｅ ｇ ｑ ｙ ｐ ｔ ｈ ｅ ｃ ｏ ｍ ｕ ｔ ａ ｔ ｉ ｏ ｎ ａ ｌ ｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ ｃ ． Ｔ ｈ ｅｅ ｘ ｅ ｒ ｉ ｍ ｅ ｎ ｔ ａ ｌ ｒ ｅ ｓ ｕ ｌ ｔ ｓ ｓ ｈ ｏ ｗｔ ｈ ａ ｔ ｔ ｈ ｅｐ ｒ ｏ ｏ ｓ ｅ ｄｍ ｅ ｔ ｈ ｏ ｄｃ ａ ｎａ ｌ ｌ ｏ ｗｖ ａ ｒ ｉ ｐ ｙ ｐ ｐ ， ｏ ｕ ｓｃ ｈ ａ ｎ ｅ ｓｏ ｆｌ ｉ ｈ ｔ ｉ ｎ ｏ ｎ ｄ ｉ ｔ ｉ ｏ ｎ ｓ ａ ｎ ｄｃ ａ ｎｅ ｘ ｔ ｒ ａ ｃ ｔｅ ｘ ａ ｃ ｔｂ ａ ｃ ｋ ｒ ｏ ｕ ｎ ｄｓ ｃ ｅ ｎ ｅ ｓｅ ｖ ｅ ｎｉ ｎｖ ｅ ｈ ｉ ｃ ｌ ｅ ａ ｃ ｋ ｅ ｄ ｇ ｇ ｇｃ ｇ ｐ ／ ， ４ｔ ｈ ａ ｔ ｏ ｆ ｏ ｒ ｉ ｉ ｎ ａ ｌｍ ｅ ｔ ｈ ｏ ｄ ． Ｔ ｈ ｅ ｒ ｅ ｆ ｏ ｒ ｅ ｔ ｈ ｅｍ ｅ ｔ ｈ ｃ ｒ ｏ ｓ ｓ ｒ ｏ ａ ｄ ． Ｔ ｈ ｅ ｃ ｏ ｍ ｕ ｔ ａ ｔ ｉ ｏ ｎｐ ｅ ｒ ｉ ｏ ｄｏ ｆ ｔ ｈ ｅｍ ｅ ｔ ｈ ｏ ｄ ｉ ｓ １ ｇ ｐ ｏ ｄｃ ａ ｎｂ ｅ ｔ ｔ ｅ ｒ ｓ ａ ｔ ｉ ｓ ｆ ｔ ｈ ｅ ｒ ｅ ｕ ｉ ｒ ｅ ｍ ｅ ｎ ｔ ｓｏ ｆｂ ａ ｃ ｋ ｒ ｏ ｕ ｎ ｄｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎａ ｌ ｏ ｒ ｉ ｔ ｈ ｍｆ ｏ ｒ ａ ｒ ｏ ｂ ｕ ｓ ｔ ａ ｎ ｄａ ｎａ ｄ ａ ｔ ｉ ｖ ｅ ｙ ｑ ｇ ｇ ｐ ｕ ｄ ａ ｔ ｉ ｎ ｉ ｎｃ ｏ ｍ ｌ ｅ ｘｅ ｎ ｖ ｉ ｒ ｏ ｎ ｍ ｅ ｎ ｔ ． ｐ ｇ ｐ ： ； ；ｍ 犓 犲 狅 狉 犱 狊 ｂ ａ ｃ ｋ ｒ ｏ ｕ ｎ ｄｅ ｘ ｔ ｒ ａ ｃ ｔ ｉ ｏ ｎ ｔ ｅ ｘ ｔ ｕ ｒ ａ ｌｆ ｅ ａ ｔ ｕ ｒ ｅ ｉ ｘ ｅ ｄＧ ａ ｕ ｓ ｓ ｉ ａ ｎｄ ｉ ｓ ｔ ｒ ｉ ｂ ｕ ｔ ｉ ｏ ｎ；ｍ ｕ ｌ ｔ ｉ ｒ ｅ ｓ ｏ ｌ ｕ ｔ ｉ ｏ ｎ ｇ 狔狑 ｃ ｏ ｍ ｕ ｔ ａ ｔ ｉ ｏ ｎ ｐ
２］ 割、 分类等步骤进行了详细讨论 ［ ， 因而得到广 泛
２ 影像检测系统的构成及其工作原理
背景可视为“ 样 从人的视 觉 感 受 特 征 考 虑 ， 式” 保持不变的图像区域 ， 而当该区域有运动目标 （ 前景 ） 通过时 ， 则 样 式 不 断 变 化， 因 此， 可以引入 纹理特征进行背景判别 。 纹理是图 像 自 身 的 一 类 特 征 ， 不 受 平 移， 旋
１ ０ １ ２］ 放缩 等 变 换 影 响 ［ ， 同时对亮度变化不敏 转， １ ３］ 感， 因而与特 征 点 等 ［ 相 比 具 有 更 好 的 稳 定 性。
纹 理 描 述 包 括 统 计 特 征、 结 构 特 征 和 频 谱 特 征。 用二维统计特征 描 述 图 像 灰 度 分 布 信 息 ， 最常用 及 的方 法 是 使 用 共 生 矩 阵 （ ｃ ｏ ｏ ｃ ｃ ｕ ｒ ｒ ｅ ｎ ｃ ｅｍ ａ ｔ ｒ ｉ ｘ） 在此基础上计算的纹理特征 。 结构特征描述了纹 通过构造不同的基元结构去 理构成的基元信 息 ，
认可 ， 该类方 法 也 成 为 背 景 提 取 的 主 流 方 法 。 后 续研究在算法实 时 实 现 、 车辆被遮挡情况及目标 分割方面进 行 了 进 一 步 改 进 和 优 化
［ ３ ７］
Βιβλιοθήκη Baidu
。与文献
［ ］ 结果参照比较表明 ， 这些方法具有更好的算法 ２ 可靠性与实现效率 。 对于混合高斯噪声分布的参 数估计 ， 一种有效 的 方 法 就 是 采 用 期 望 最 大 化 算 ， 并根据视频处理的特点推导得到迭代 法（ ＥＭ） 算法 。 使用此类 算 法 通 过 背 景 自 适 应 更 新 ， 可得 到较准确的 监 控 背 景 。 其 缺 点 是 ， 由于方法基于 像素的统计特征 ， 因而对光线快速变化和前景遮 挡时间较长的繁 忙 交 通 路 口 无 法 获 取 准 确 背 景 。 同时 ， 需对每个像 素 均 使 用 Ｍ 计算 ｏ Ｇ 模 型 描 述， 时间较长 ， 不利于实时实现 。 本文提出一 种 背 景 检 测 与 自 动 更 新 方 法 ， 使 用图像纹理分析 的 方 法 ， 根据图像中某一区域有 运动目标通过时 纹 理 特 征 发 生 变 化 的 特 点 ， 检测 区域中的背景像素 ； 同时 ， 与基于统计学背景模型
修订日期 ： ２ ０ ０ ７ ０ ９ ２ ４； ２ ０ ０ ７ １ ０ ２ ９． 收稿日期 ： 航天科技创新基金资助项目 基金项目 ：
第１期
等： 基于纹理及统计特征的视频背景提取 姜永林 ，
１ ７ ３
的方法相结合 ， 在实际监控条件下正确对背景进
１ 引 言
摄像机位置通常固定 ， 此 在视频监控应用中 ， 这使得背景提取算法 时场景中的背景 保 持 恒 定 ， 具有重要意义
［ ］ １ ９
行提取和更新 。 该方法将多分辨率算法引入背景 以 提 高 计 算 效 率。文 中 主 要 讨 论 图像更新过 程 ， 了图像纹理特征及基于灰度 基元共生矩阵的特 然后 研 究 了 多 分 辨 率 算 法 的 实 现 及 基 征量描述 ， 于Ｍ ｏ Ｇ 模型 的 在 线 参 数 估 计 和 背 景 提 取 算 法 ， 并给出算法 步 骤 。 最 后 ， 通过实验结果验证了方 法进行背景提取的准确性和相对于一般方法的优 点。
∑犖
， 犻 犼
４
（ ） １ 其中 犖４（ ， 表示像素 （ ， 的四邻域 。 为使基元 犻 犻 犼） 犼） 值对应图像与原图像灰度级一致 ， 将矩求均值 ： １ ， （ ） 犖４（ 犻 ２ 犼）， ４∑ ， 犻 犼 在此基础 上 ， 可定义灰度 基 元 共 生 矩 阵 犆， ， 犕（ 犻 犼）＝ 它由图像中像素的灰度值分布和每个像素的基元 值分布共同决定 。 矩阵中的 元 素 犆（ 为灰度 狀， 犿） 基元值等于 犿 的点对数量 ， 或记为如下 值等于狀、 形式 ：
第１ ６卷 第１期 ２ ０ ０ ８年１月
Ｏ ｔ ｉ ｃ ｓａ ｎ ｄＰ ｒ ｅ ｃ ｉ ｓ ｉ ｏ ｎＥ ｎ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｐ ｇ ｇ ａ ｎ ． ２ ０ ０ ８ Ｊ
光学 精密工程
Ｖ ｏ ｌ ． １ ６ Ｎ ｏ ． １
文章编号 １ ） ０ ０ ４ ９ ２ ４ Ｘ（ ２ ０ ０ ８ ０ １ ０ １ ７ ２ ０ ６
］ １ ０ 基 元 共 生 矩 阵［ ， 将图像 描述纹 理 。 采 用 灰 度
的统计和结构特 征 相 综 合 ， 可以更好地识别背景 和运动区域 。 基元共生矩阵 ２． １ 灰度 可以通过基元矩阵描述图像纹理的结构 。 选 邻域基元结构 ， 基元值为每个像素的４邻域 取４ 像素灰度对该像素的矩 ： ， 犕（ 犻 犼）＝ （ ， 犻 犼）＝