基于图像分割改进背景建模探究

《基于图像分割改进背景建模探究》由会员上传分享，免费在线阅读，更多相关内容在学术论文-天天文库。

1、基于图像分割改进背景建模探究　　摘要针对vibe背景建模方法没有参考区域级信息的问题，提出一种应用图像分割改进的背景建模算法。首先应用基于图论的图像分割算法对每一帧图像进行图像分割，构建区域信息，并通过区域信息构建背景模型并进行实时更新。经实验结果证明，该算法较好的解决了背景建模的提取、更新、背景扰动等问题。关键词背景建模；vibe；图像分割；目标检测中图分类号：TP391文献标识码：A文章编号：1671-7597（2013）20-0060-02背景减除法是目前最常用的目标检测方法。国内外学者提出了各种办法建立有效的背景模型，如Stauffer等

2、人提出的混合高斯模型（GMM）、Barnich等人提出的vibe背景建模算法等。但是上述算法都是像素级背景建模，并没有将图像中区域的信息加入到背景建模中，使得背景模型容易受到背景扰动、噪声和环境光照影响。6本文以vibe算法为蓝本，对其进行改进，以基于图论的图像分割算法对图像进行预处理，构建区域信息，将其嵌入vibe背景提取与更新过程中，并结合区域内模型信息和区域间信息对vibe得到的前景检测结果进行矫正，从而得到最终的检测结果。实验结果证明，该方法对室内外多种环境都可以取得较好的结果。1Vibe算法Vibe算法根据图像像素的空间一致性，使用视频

3、中第一帧来初始化背景模型。其基本原理是：在ViBe模型中，背景模型为每个背景点存储了一个样本集，然后将每一个新的像素值和样本集进行比较来判断是否属于背景点。具体的讲，我们记Pt（x）为当前帧中x点处的像素值；M（x）={p1，p2，……pN}为（i，j）处的背景样本集（样本集大小为N）；SR（Pt（x））为以Pt（x）为中心半径为R的球形区域。用U来表示球体SR（Pt（x））与背景样本集M（x）的交集。如果交集中样本点数大于一个给定的阈值#min，那么就认为x点属于背景点。2基于图像分割的改进Vibe背景建模算法对于背景扰动、噪声和光照等影响有自

4、己的局限性。因此，本文提出一种结合图像分割的改进的区域级背景建模方法，使其能够较好的处理上述问题。2.1图像帧的预处理在本文提出的算法中，首先对于每一帧图像，运用Felzenszwalb等人于2004年提出了基于图论的图像分割算法对图像进行分割，得到像素值相似的区域。对于分割出来的某一块区域A，算出其区域内的像素值均值。6为了将区域信息加入到每个像素中，对于该区域内每一个点，更新其像素值为其本身像素值和区域像素均值的加权和，即为下式：（1）最终通过这个新的像素值来进行模型的创建、分类和更新。2.2图像区域的分类在构建了每个像素的样本空间之后，我们

5、对于新的一帧进行如下操作。1）对于某一像素x与其样本比较得到最小差距和第二小差距：和。2）我们假设每个区域内的像素值分布符合正态分布，则某像素值在所在的区域出现的概率由正态分布函数决定，此即为该像素在区域内所占的权重：（2）为了便于计算，我们设每个区域的标准差为。3）根据每个像素相应权重我们可以得到某一区域的整体差值加权和。4）利用上一步计算出区域差值对区域进行分类。如果整体差值小于，则判定该区域为背景区域。如果整体差值大于，则判定该区域为前景区域。如果某一区域符合上式前两条规则，该区域内所有的像素点都会被分类为背景点或者前景点。对于值在之间的区

6、域，用原本的vibe像素级判定6规则代替区域级的分类，即实现了粗粒度与细粒度的切换。2.3区域间的修正为了进一步消除背景扰动和前景中孔洞对于前景检测的影响，本文算法加入了区域间修正机制。首先统计图像中区域A的相邻区域内的前景像素数量和背景像素数量，记作和。对于任一前景区域，若满足：（3）则认为该区域周围绝大部分都为背景区域，则修正该区域也为背景区域。同样的，对于任一背景区域，若满足：（4）则认为该区域周围绝大部分都为前景区域，则判定该区域也为前景区域。3实验结果及分析本文实验都是在运行VS2010的PC机上完成，实验环境为opencv2.3。供测

7、试的视频图像序列帧数为30帧/秒，分辨率为320240和160128。为了说明本文算法性能，针对码本算法、混合高斯模型、vibe算法和本文算法进行了对比分析，如图1。6从图1中我们可以看出，对于会议室视频序列，码本模型容易受到背景中晃动的窗帘干扰，混合高斯模型对于移动缓慢的物体容易因为吸收过快而造成前景目标中的空洞。本文算法受背景扰动的干扰最小，且前景目标较完整。河边序列中，码本模型能提取较完整目标，但易受到背景扰动的湖面干扰，混合高斯模型和vibe算法都无法提取脚部与草丛相近的部分，本文算法能提取较完整目标。交通序列中，前三种算法均很难提取完整

8、的汽车，且vibe模型很容易形成ghost区域。校园场景中混合高斯模型对于移动缓慢的汽车提取不完全，而其他三种算法都能提取比较完整的汽车