一种自适应阈值的运动目标提取算法

万方数据

万方数据

・２３８２・计算机应用研究第２７卷

称为（Ｆ，Ｂ）的最大类间方根一算术均值距离（ｍａｘｃｌｕｓｔｅｒｓ’ｓｑｕａｒｅｒｏｏｔａｒｉｔｈｍｅｔｉｃｍｅａｎｄｉｖｅｇｅｎｃｅ，ＭＣＳＡＭ）。

２．２算法步骤

自适应阈值的运动目标提取算法的具体步骤如下：

ａ）初始化：Ｔｈｒｅｓｈｏｌｄ＝Ａｖｅ，Ｎｏ＝０，Ｎ１＝０，Ｇｍｙｏ＝０，Ｇｒａｙ。＝０，ＭＣＳＡＭ（Ｆ，Ｂ）＝０，Ｔｉｍｅｓ＝０（表示迭代次数）。

ｂ）如果Ｔｉｍｅｓ＜Ｔ（Ｔ为阈值调整次数，即最大迭代次数），Ｔｉｍｅｓ＋＋；否则，转步骤ｆ）。

ｃ）遍历图像，由上述定义分别计算Ⅳｏ，Ｎ。，Ｇｒａｙｏ，Ｇｒａｙ。。

ｄ）计算Ａｖｅｏ，ＡｖｅＩ，∞ｏ，∞１，Ａｖｅ，ＣＳＡＭ（Ｆｉ，Ｂ１）。

ｅ）如果ＭＣＳＡＭ（Ｆ，Ｂ）＜ＣＳＡＭ（ｆ，曰；），则令ＭＣＳＡＭ（Ｆ，Ｂ）＝ＣＳＡＭ（Ｆｉ，Ｂ；），Ｔｈｒｅｓｈｏｌｄ＝Ｔｈｒｅｓｈｏｌｄ＋Ｓｔｅｐ（Ｓｔｅｐ表示阈值调整步长），转步骤ｂ）；否则，不变，Ｔｈｒｅｓｈｏｌｄ＝Ｔｈｒｅｓｈｏｌｄ—Ｓｔｅｐ，转步骤ｂ）。

ｆ）此时的ＭＣＳＡＭ（，，鳓就是所要寻找的最佳阈值，算法结束。

将运动目标和背景作为两个聚类，把聚类问的方根一算术均值距离最大作为阈值选择的准则是本算法的核心。背景和运动目标之间的ＣＳＡＭ越大，说明构成图像的两部分差别越大，当部分目标错分为背景或者部分背景错分为目标时，都会导致两部分差别变小，使得ＣＳＡＭ值变小。因此，ＭＣＳＡＭ意味着错分的概率最小，该方法能保证运动目标提取的准确性。２．３阈值更新策略

本文的算法主要采用两种方法进行阈值更新。第一种是定时更新，即在规定时间段中（通常３—５ｍｉｎ），抽取１０张连续图像序列利用该算法计算下一时间段差分图像的分割阈值。这种方式适用于背景缓慢变化的情况，如一天当中太阳光照的缓慢变化。第二种方法¨２１是实时更新，若在当前帧图像与背景模型差分后所得差分图像中，∞。大于某一个阈值（通常取８０％），则认为整个背景发生了变化；若连续多帧图像中这一比值依然很大，则不仅更新背景模型，同时更新阈值Ｔｈｒｅｓｈ—ｏｌｄ。这种方式适用于背景发生突变时的情况，如室内突然开灯或关灯。此外，如果图像中某些固定区域（非整幅图像）在较长时间内一直保持变化状态，有两种情况：一种是该区域像素灰度均值平稳变化，则认为该处背景的实际状态发生了变化（如户外汽车的停泊和驶走），此时执行分割阈值更新操作；另一种情况是该区域像素灰度均值变化不平稳，则该处背景可能存在显示器屏幕一类的物品，此时标记该区域，只检测该区域以外的图像，进行阈值更新。

３实验结果

利用本文的算法对大量实际视频图像序列进行了运动目标提取的实验，并且在实验中总结了阈值调整次数Ｔｉｎ螂和阈值调整步长Ｓｔｅｐ的最优选择方法。

３．１阈值调整次数和阈值调整步长的确定

阈值调整次数和阈值调整步长为本算法中可调整的参数。对视频中图像序列计算分割阈值时，可通过改变阈值调整步长Ｓｔｅｐ和阈值调整次数Ｔｉｍ鹤的值，比较每帧图像的分割阈值。由实验统计数据可知：分割阈值准确度与阈值调整步长成反

比，与阈值调整次数成正比，即阈值调整步长Ｓｔｅｐ越小，阈值调整次数Ｔｉｍｅｓ越大，得到的分割阈值准确度越高，但同时也带来了巨大的计算量。因此，本文采用如下办法解决此问题：首先固定Ｔｉｍｅｓ值，选择阈值变化减缓时的最小Ｓｔｅｐ值；然后固定Ｓｔｅｐ，寻找阈值变化减缓时的最小Ｔｉｍｅｓ值；将选定的Ｓｔｅｐ作为阈值调整步长，Ｔｉｍｅｓ作为阈值调整次数。

３．２运动目标提取实验

利用本文算法对不同情况下的多组视频序列进行了运动目标提取实验，视频包括室内、室外、开关照明等场景，并将运动目标区域提取结果与基于背景差法的运动目标提取结果进行了比较。其中，后处理采用数学形态学的开运算。

实验１图３为摄像头获取的室内场景关灯条件下的视频序列，其中，（ａ１）（ａ２）（ａ３）分别是该图像序列中第５０、１１０和１５０帧图像；图３（ｃ）为利用本文算法分别对图１（ａ）中图像进行运动目标提取的结果，运动目标完整，且干扰噪声点较少；图３（ｂ）是利用普通背景差法进行运动目标提取的结果，可以看到除由于未进行阴影消除出现伪影外，效果与图３（ｃ）相差不多。

（ｃ）基于自适应闻值运动目标提取算法的提取结果

图３室内人侧面走过摄像头视频（关灯情况下）实验２图４为摄像头获取的室内场景突然开灯情况下的视频序列。其中，（ａ１）（ａ２）（ａ３）分别是该图像序列中第２５０、３１０和３５０帧图像；图４（ｂ）是利用背景差法进行运动目标提取的结果，可以看到，提取效果较差，这是由于照明环境的突然变化，使背景模型发生改变，而运动目标提取阈值固定不变所导致的结果；图４（Ｃ）是利用本文算法对运动区域提取阈值进行了自动调整，使得分割更灵活可行，因此，提取结果依然是运动目标完整，且干扰噪声点较少，从而验证了本算法对环境亮度突变的鲁棒性。

实验３图５为摄像头获取的室外场景视频序列，室外场景中通常存在一些微小的变化区域，如树叶的轻微摆动。由于本文算法后处理采用了数学形态学方法，可以有效去除这些微小变化引起的误检。但是，当背景中变动区域的运动幅度非常大，如狂风中摇摆的树木等，则该处理方法便无法完全去除变动区域的影响。

执行时间也是本算法的一个重要检测指标，本文使用１．８ＧＨｚＩｎｔｅｌＰｅｎｔｉｕｍ＠ＤＣＰＵ，５１２

ＭＢ内存的普通Ｐｃ机，图像分

万方数据

第６期孙明玉，等：一种自适应闽值的运动目标提取算法・２３８３・

辨率３２０ｘ２４０ｐｉｘｅｌｓ，所有实验的运动目标提取速度均大于２５ｆ西，满足实时处理要求。

４结束语

图５室外场景视频

随着机器视觉系统的应用越来越广泛，运动目标的枪测与提取问题成为研究热点。本文提出了一种白适应阈值的运动目标提取算法，该算法按照像素灰度值将图像划分为运动目标和背景区域两个聚类，利用聚类间的方根一算术均值最大作为选择分割阈值的准则，采用定时和实时两种阈值更新策略，从而实现了运动目标的准确完整提取，为进一步的目标识别或跟踪提供了有力保障。

参考文献：

［１］ＳＭＩＴＨＳＭ，ＢＲＡＤＹＪＭ．ＡＳＳＥＴ－２：ｒｅａｌ－ｔｉｍｅｍｏｔｉｏｎｓｅｇｍｅｎｔａｔｉｏｎａｎｄｓｈａｐｅｔｒａｃｋｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＰＡＭＩ，１９９５，１７（８）：８１４－８２０．

【２］ＭＥＩＥＲＴ，ＮＧＡＮＫＮ．Ａｕｔｏｍａｔｉｃｓｅｇｍｅｎｔａｔｉｏｎｏｆｍｏｖｉｎｇｏｂｊｅｃｔｓｆｏｒｖｉｄｅｏｏｂｊｅｃｔ

ｐｌａｎｅｇｅｎｅｒａｔｉｏｎ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｌｌＣｉｒｃｕｉｔｓａｎｄＳｙｓｔｅｍｓｆｏｒＶｉｄｅｏＴｅｃｈｎｏｌｏｇｙ，１９９８，８（５）：５２５・５３８．

［３］卓志敏，杨雷，杨萃元，等．一种复杂环境下的红外成像运动目标检测方法［Ｊ］．宇航学报。２００８，２９（１）：３３９－３４３．

［４］明英，蒋晶钰．基于Ｃａｕｃｈｙ分布的红外视频运动目标检测［Ｊ］．缸外与毫米波学报，２００８，２７（１）：６５－７１．

［５］ＳＴＡＵＦＦＥＲｃ，ＧＲＩＭＳＯＮＷＥＬ．Ａｄａｐｔｉｖｅｂａｃｋｇｒｏｕｎｄｍｉｘｔｕｒｅｍｏｄｅｌｓｆｏｒｒｅａｌ—ｔｉｍｅｔｒａｃｋｉｎｇ［Ｃ］／／ＰｒｏｃｏｆｔｈｅＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅ—ｔｙＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｃｏｇｎｉｔｉｏｎ．１９９９：２４６—２５２．

［６］ＢＡＳＨＡＲＡＴＡ，ＧＲＩＴＡＩＡ，ＳＨＡＨＭ．Ｌｅａｒｎｉｎｇｏｂｊｅｃｔｍｏｔｉｏｎｐａｔ・ｔｅｒｎｓｆｏｒａｎｏｍａｌｙｄｅｔｅｃｔｉｏｎａｎｄｉｍｐｒｏｖｅｄｏｂｊｅｃｔ［Ｃ］／／ＰｒｏｃｏｆＣＶＰＲ．２００８：ｌｔ８．

［７］ＫＯＲＮＰＲＯＢＳＴＰ，ＤＥＲＩＣＨＥＲ，ＡＵＢＥＲＴＧ．Ｉｍａｇｅｓｅｑｕｅｎｃｅａｒｉａ・ｌｙｓｉｓｖｉａｐａｒｔｉａｌｄｉｆｆｅｒｅｎｃｅｅｑｕａｔｉｏｎｓ［Ｊ］．ＪｏｕｒｎａｌｏｆＭａｔｈｅｍａｔｉｃａｌＩｍａｇｉｎｇａｎｄＶｉｓｉｏｎ，１９９９，”（１）：５—２６．

［８］张文涛，李晓峰，李在铭．高速密集视频目标场景下的运动分析［Ｊ］．电子学报，２０００，２８（１０）：１１４－１１７．

［９］岑峰，威飞虎，陈茂林．长期视频监控系统的多分布模型背景差方法［Ｊ］．红外与毫米波学报，２００２，２１（１）：５９—６３．

［１０］侯志强，韩崇昭．基于像素灰度归类的背景重构算法［Ｊ］．软件学报，２００５，１６（９）：１５６８－１５７６．

［１ｉ］ＭｒｌＴＡＬＡ，ＰＡＲＡＧＩＯＳＮ．Ｍｏｔｉｏｎ—ｂａｓｅｄｂａｃｋｇｒｏｕｎｄｓｕｂｔｒａｃｔｉｏｎｕｓｉｎｇａｄａｐｔｉｖｅ

ｋｅｒｎｅｌｄｅｎｓｉｔｙｅｓｔｉｍａｔｉｏｎ［Ｃ］／／Ｐｒｏｃｏｆｔｈｅ２００４ＩＥＥＥＣｏｍｐｕｔｅｒＳｏｃｉｅｔｙＣｏｎｆｅｒｅｎｃｅｏｎＣｏｍｐｕｔｅｒＶｉｓｉｏｎａｎｄＰａｔｔｅｒｎＲｅｅｏｇ－ｎｉｔｉｏｎ．２００４：３０２—３０９．

［１２］ＨＡＲＩＴＡＯＧＬＵＩ，ＨＡＲＷＯＯＤＤ，ＤＡＶＩＳＬ．Ｗ４：ｒｅａｌ—ｔｉｍｅｓｕｒｖｅｉｌ—ｌａｎｃｅｏｆｐｅｏｐｌｅａｎｄｔｈｅｉｒａｃｔｉｖｉｔｉｅｓ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＰＡＭＩ，２０００，２２（８）：８０９—８３０．

（上接第２３７９页）

参考文献：

［１］ＧＯＮＺＡＬＥＡＲＣ，ＷＯＯＤＳＲＥ．Ｄｉｇｔａｌｉｍａｇｅｐｒｏｃｅｓｓｉｎｇ［Ｍ］．ＮｅｗＹｏｒｋ：ＡｃａｄｅｍｉｃＰｒｅｓｓ，２０００．

［２］何坤，周激流．基于局部保边函数的低信噪比图像去噪［Ｊ］．四川大学学报：工程科学版，２００９，４１（２）：１７９－１８４．

［３］ＨＷＡＮＧＨ，ＨＡＤＡＤＡＤＲＡ．Ａｄａｐｔｉｖｅｍｅｄｉａｎｆｉｌｔｅｒｓｎｅｗａｌｇｏ－ｒｉｔｈｍｓａｎｄｒｅｓｕｌｔｓ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ，１９９５，４（４）：４９９—５０２．

［４］ＺＨＡＮＧＳｈｕ－ｑｕｎ，ＫＡＲＩＮＭＡ．Ａｈｉ．Ｓｔｉｍｐｕｌｓｅｄｅｔｅｃｔｏｒｆｏｒｓｗｉｔｃｈｉｎｇｍｅｄｉａｎｆｉｌｔｅｒ［Ｊ］．ＩＥＥＥＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇＬｅｔｔｅｒｓ，２００２。９（１１）：３６０，３６３．

［５］张旭明，徐滨士．去除脉冲噪声的自适应开关中值滤波［ｊ］．光电工程。２００６，３３（６）：７８・８３．

［６］ＣＨＥＮＴａｏ。ＷＵＨａｎｇ—ｒｅｎ．Ａｄａｐｔｉｖｅｉｍｐｕｌｓｅｄｅｔｅｃｔｉｏｎｕｓｉｎｇｃｅｎｔｅｒ．ｗｅｉｓｈｔｅｄｍｅｄｉａｎｆｉｌｔｅｒｓ［Ｊ］．ＩＥＥＥＳｉｇｎａｌＰｒｏｃｅｓｓｉｎｇＬｅｔｔｅｒｓ，

２００１，８（１）：１－３．

［７］ＲＡＦＡＥＬＣＧ，ＲＩＣＨＡＲＤＥＷ．数字图像处理［Ｍ］．２版．北京：电子工业出版社，２００７．

［８］陈守水，杨新．一种基于两阶段的脉冲噪声滤除算法［Ｊ］．信号处理，２００８，２４（４）：６２７・６３０．

［９］ＣＨＥＮＨＣ，ＷＡＮＧＷｅｎ－ｊｕｎ．Ｅｆｆｉｃｉｅｎｔｉｍｐｕｌｓｅｎｏｉｓｅｒｅｄｕｃｔｉｏｎｖｉａｌｏｃａｌｄｉｒｅｃｔｉｏｎａｌｇｒａｄｉｅｎｔｓａｎｄｆｕｚｚｙｌｏｇｉｃ［Ｊ］．ＦｕｚｚｙＳｅｔｓａｎｄＳｙｓ－ｔｏｍｓ，２００９，１６０（１３）：１８４１・１８５７．

［１０］ＶＩＬＬＥＤｖａｎｄｅ．ＮＡＣＨＴＥＧＡＥＬＭ．Ｎｏｉｓｅｒｅｄｕｃｔｉｏｎｂｙｆｕｚｚｙｉｍａｇｅｆｉｌｔｅｒｉｎｇ［Ｊ］．ＩＥＥＥＴｒａｎｓｏｎＦｕｚｚｙＳｙｓｔｅｍ，２００３，１１（４）：４２９．４３６．

［１１］ＳＣＨＵＬＴＥＳ，ＮＡＣＨＴＥＱＡＥＩ。Ｍ．Ａｆｕｚｚｙｉｍｐｕｌｓｅｎｏｉｓｅｄｅｔｅｃｔｉｏｎａｎｄｒｅｄｕｃｔｉｏｎｍｅｔｈｏｄ［Ｊ］．ＩＥＥＥＴｒａｎｓｏＲＩｍａｇｅＰｒｏｃｅｓｓｉｎｇ．２００５，１５（５）：１１５３—１１６２．

【１２］严琢．基于脉冲噪声检测的图像去噪研究［Ｄ］．南京：南京理工

大学，２００６．万方数据