剖析彩色视频运动目标自适应在线聚类提取算法

视频图像运动目标提取应用非常广泛。目前运动目标提取的方法大致可分为：光流法、帧差法、背景差分法［1］等。近年来，为了有效提取视频图像运动目标，学者们又提出了许多可行方法，这些方法主要分为两大类：

（1）建立背景模型［2-3］，并采用自适应方法对模型参数进行调整，从而获得新的背景图像；

（2）重构背景图像，包括典型的像素聚类法［4］、时间平均法等。参考文献［5］假设背景在图像序列中总是被经常观察到，提出把出现频率最高的亮度值作为背景亮度值。在此基础上，参考文献［6］给出基于在线聚类的背景重构算法。参考文献［7］针对聚类中需要人工设定阈值的缺点， 提出一种自适应在线聚类的背景提取方法。

参考文献［8］针对参考文献［7］中设置的自适应阈值α存在随着聚类过程会越来越大的问题，通过比例系数β对阈值α进行修正。本文通过对参考文献［7］和参考文献［8］中阈值α设置方法的进一步分析，针对其存在的问题做了有效改进，提高了背景重构算法的效率。针对彩色视频图像，结合HSI色彩空间加权欧氏距离和背景减除法，提出一种彩色视频运动目标自适应在线聚类提取算法。

1 数据预处理

通过离散小波变换（DWT）对数据进行预处理，以提高算法效率。输入图像数据经过一级二维离散小波变换后被分解成近似分量LL（低频部分）、水平方向细节分量HL（次低频部分）、垂直方向细节分量LH（次高频部分）、对角方向细节分量HH（高频部分）。图像的主要信息大多集中在低频部分，而高频部分的有用信息较弱，对人眼视觉影响较小，且噪声也大多集中在高频部分。因此，通过数据量只有总量1/4的低频分量LL来提取目标，不但提高了处理速度，而且抑制了噪声。

2 基于色差聚类的背景重构

2.1 灰度图像背景重构及阈值设置［6-9］

灰度图像聚类法背景重构思想为： 首先将输入的第一帧中的像素灰度值作为第一个类，当新的数据到来时与该类中的首元素相比较，如果该数据与首元素灰度差的绝对值≤α，则将元素放入该类; 否则，把该元素放入新类中。为了使基于色差聚类中的参数α具有自适应性，参考文献［7］将阈值设置为：

4 实验结果及分析

实验是在Matlab R2010a开发环境下进行测试。本文实验中的理想目标提取图像均是用Photoshop CS5软件手动提取的。

视频1为PETS2000测试视频，实验结果如图1和表1所示，本文从视频的1 300帧开始，以3帧为周期抽取100帧作为训练序，手动提取第2 580帧作为理想背景。本文所选取的训练序列中包含了两辆汽车倒车时的迂回运动和多目标运动的情况。

视频2为高速公路隧道监控视频，实验结果如图2和表2所示，本文从视频的10帧开始，以3帧为周期抽取60帧作为训练序，手动提取第10帧作为理想背景。本视频中由于汽车的灯光对路面的照射引起了环境变化。但由实验结果可见，本文算法还是能比较准确地重构背景。

视频3为Hall（CIF）视频，实验结果如图3和表3所示，本文从视频的第1帧开始，以3帧为周期抽取100帧作为训练序列，手动提取第3帧作为理想背景。原视频前130帧箱子在手上随运动目标移动，从第130帧开始，箱子被放下。参考文献［8］算法将箱子处理成了背景，本文算法仅将箱子的小部分处理成了背景。

本文3组实验分别考虑了目标迂回运动、多目标运动、环境变化以及不满足背景在视频序列中以较高频率出现假设等情况下，分别用本文算法和参考文献［8］算法进行了仿真。

参考文献

［1］ BARNICH O， Van DROOGENBROECK M.ViBe： a universal background subtraction algorithm for video sequence［J］.IEEE Trans. on Image Processing， 2011，20（6）：1709-1724．

［2］ HASSANPOUR H， SEDIGHI M. MANASHTY A R. Video frame′s background modeling： reviewing the techniques［J］。 Journal of Signal and Information Processing， 2011，2（2）：72-78．

［3］ 潘欣艳， 徐荣青， 崔媛媛，等。 边缘检测与混合高斯模型相融合的运动目标检测算法［J］。微型机与应用，2011，30（23）：43-50.

［4］ 郑锦， 李波。 面向室外视频监控的背景重构算法［J］。电子学报，2009，37（8）：1854-1859.

［5］ 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.

［6］ 肖梅， 韩崇昭。 基于在线聚类的背景减法［J］。模式识别与人工智能， 2007，20（1）：35-41.

［7］ 夏洁，吴健，陈建明。基于自适应在线聚类的背景提取［J］。计算机工程，2011，37（3）：169-171.

［8］ 任应军，范九伦。基于 DWT 的自适应在线聚类运动目标提取方法［J］。计算机应用研究， 2012，29（9）：3561-3564.

［9］ 任应军， 范九伦。 一种DWT与背景重构相结合的运动目分割方法［J］。计算机科学， 2012，39（10）：290-293.

［10］ GONZALEZ R C，WOODS R E. Digital image processing［M］。 MATLAB Edition， Chinese， Beijing： Publishing House of Electronics Industry， 2005.

编辑：jq