CN103500454A - 一种抖动视频运动目标提取方法 - Google Patents

Abstract

本发明涉及视频处理技术领域；尤其是一种在视频抖动背景下进行运动目标提取的抖动视频运动目标提取方法。首先对视频帧图像进行尺度变换；然后对尺度变换后的低分辨率图像建立多维高斯背景模型，采用高斯nσ准则粗提取运动前景目标；再采用形态学处理和颜色聚类精确提取运行目标；整个过程不需要额外的计算图像特征、补偿向量。本发明不仅有效的检测出视频抖动背景下运动的目标，而且避免了图像特征提取、特征匹配、运动矢量计算等步骤，很大程度上简化了视频抖动情况下目标提取的过程。可以应用于抖动视频的运动目标提取。

Description

一种抖动视频运动目标提取方法

技术领域

本发明涉及视频处理技术领域；尤其是一种在视频抖动背景下进行运动目标提取的抖动视频运动目标提取方法。

背景技术

随着手持设备越来越风靡流行，针对移动摄像头的视频应用像得越来越多，是否能在摄像头无意识抖动情况下鲁棒的提取视频运动目标成为近来的研究热点。视频的抖动背景是由摄像头的运动引起的，摄像头的有意识抖动属于主观运动，即在一段时间内向同一个方向运行，具有平滑的特性。这种情况下目前采用的是电子稳像技术，并取得了较好的效果。而摄像头的无意识抖动，具有高频以及随机的特性，在视频处理中作为一种噪声存在。如拍摄者的手臂无意识的抖动情况，这种抖动对目标检测以及后续处理带来了很大的干扰。因此，在目标检测中要进行去除；但是目前流行的防止抖动算法基本都基于传统的电子稳像技术。该技术自身存在较多的问题，比如前景运行物体会对背景特征提取产生检测上的误差。由于背景特征是抖动向量计算的基础，因此前景运动物体会在一定程度上严重的干扰视频稳像精度。另外，当主观运动较大，抖动位移较小时，相邻视频帧之间的夹角不能反映往复运动，算法因此也会无法检测出抖动。

稳像算法需要计算运行补偿向量，而运动补偿向量的计算又依赖于特征匹配。有效的特征匹配位移还需要提取有效的图像特征；而目前常见的提取图像特征的算法不但复杂度较高，而且精度也偏低。因此在电子稳像的基础上再提取运动目标不管是算法的复杂度还是检测精度都受到了极大的挑战。

发明内容

本发明解决的技术问题在于提供一种抖动视频运动目标提取方法，基于图像尺度变换理论，对摄像头无意识抖动情况下拍摄视频的运动目标进行提取，在保证目标提取有效性的前提下很大程度上简化无意识抖动背景下视频运动目标提取的过程。

本发明解决上述技术问题的技术方案是：

首先对视频帧图像进行尺度变换；然后对尺度变换后的低分辨率图像建立多维高斯背景模型，采用高斯nσ准则粗提取运动前景目标；再采用形态学处理和颜色聚类精确提取运行目标；整个过程不需要额外的计算图像特征、补偿向量。

将视频读入计算机后，经过高斯卷积核实现对视频帧图像的二维图像的尺度变换中，定义：

L(x,y,σ)=G(x,y,σ)*I(x,y)

其中，L(x,y,σ)为经尺度变换后的图像，I(x,y)为视频源图像，G(x,y,σ)为实现尺度变换的可变高斯函数，并定义：

$G(x,y,\mathrm{\σ})=\frac{1}{2\mathrm{\π}{\mathrm{\σ}}^2}{e}^{-(x^2+y^2)/\left(2{\mathrm{\σ}}^2\right)}$

r为模糊半径(r²=x²+y²)，σ为正态分布的标准偏差。

对经过尺度变换后的视频帧图像采用高斯nσ准则进行混合高斯背景建模，然后进行前景粗提取的方法是定义：

$|{\stackrel{\&RightArrow;}{x}}_t-{\stackrel{\&RightArrow;}{\mathrm{\&mu;}}}_i|<n{\mathrm{\&sigma;}}_i$

其中，为像素点(x₀,y₀)在t时刻的像素值，

和σ_i分别为第i个高斯分布的均值和标准差，n取3；超过nσ值的像素被认为前景，否则被认为背景像素。

对粗提取的目标前景进行形态学处理，包括膨胀、腐蚀和孔洞填充；其次采用K均值颜色聚类算法对所得前景图像进行聚类，首先初始化K=1，继而通过计算类内方差决定是否需要增加K值，并最终将前景图分割为K个图层；在聚类分割得到的每个图层中通过比较该图层的聚类中心与形态学处理后掩膜图像对应区域的颜色分析结果确定该图层是否为前景图层；如果在K类中有若干个类(图层)被判为前景，则将该若干个类全部合并到同一个前景图层中，最终迭代合并的前景图层即为最终的前景目标。

本发明的有益效果是：经过尺度变换、高斯建模过程的前景粗提取和生态学处理、颜色聚类的前景精提取过程，该发明不仅有效的检测出视频抖动背景下运动的目标，而且与目前基于稳像的技术相比，该发明避免图像特征提取、特征匹配、运动矢量计算等步骤，很大程度上简化了视频抖动情况下目标提取的过程。

附图说明

下面结合附图对本发明进一步说明：

附图是本发明区域加权分布对抖动消减的示意图；

具体实施方式

本发明本发明首先对视频帧图像进行尺度变换，然后对尺度变换后的低分辨率图像建立多维高斯背景模型，高斯nσ准则被用于粗提取运动前景目标，形态学处理和颜色聚类用于精确提取运行目标，整个过程不需要额外的进行计算图像特征、补偿向量等。

本发明的方法通过如下具体步骤进行实现：

(1)尺度变换

首先读入视频，并对视频帧图像的二维图像的尺度变换，定义如下：

L(x,y,σ)=G(x,y,σ)*I(x,y)

其中，L(x,y,σ)为经尺度变换后的图像，I(x,y)为视频源图像，G(x,y,σ)为实现尺度变换的可变高斯函数，定义如下：

$G(x,y,\mathrm{\&sigma;})=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}^2}{e}^{-(x^2+y^2)/\left(2{\mathrm{\&sigma;}}^2\right)}$

r为模糊半径(r²=x²+y²)，σ为正态分布的标准偏差，二者共同决定对图像的模糊程度。

(2)高斯建模

采用高斯nσ准则进行混合高斯背景建模，然后进行前景粗提取，方法如下：

$|{\stackrel{\&RightArrow;}{x}}_t-{\stackrel{\&RightArrow;}{\mathrm{\&mu;}}}_i|<n{\mathrm{\&sigma;}}_i$

其中，

为像素点(x₀,y₀)在t时刻的像素值，

和σ_i分别为第i个高斯分布的均值和标准差，n取3。超过nσ值的像素被认为前景，否则被认为背景像素。

(3)前景目标精分割

首先采用形态学处理方法，包括膨胀、腐蚀和孔洞填充，对上述步骤所得图像进行处理。其次采用K均值颜色聚类算法对所得前景图像进行聚类。首先初始化K=1，继而通过计算类内方差决定是否需要增加K值，并最终将前景图分割为K个图层。在聚类分割得到的每个图层中通过比较该图层的聚类中心与形态学处理后掩膜图像对应区域的颜色分析结果确定该图层是否为前景图层，如果在K类中有若干个类(图层)被判为前景，则将该若干个类全部合并到同一个前景图层中，最终迭代合并的前景图层即为最终的前景目标。

结合附图具体说明如下：

1、对视频帧图像经过高斯卷积核实现的尺度变换，每个像素的新值都由该像素周围某领域所有像素的加权平均得到。而对于像素亮度值符合混合高斯分布性质的原始像素(x₀,y₀)，(x₀,y₁)，…(x_m,y_n)而言，由高斯特性知，其加权平均不改变分布特性。故对于不同尺度图像L(x,y,σ)，经加权计算后的像素值仍符合混合高斯分布特性，此时对于尺度图像L(x,y,σ)中位于(x₀,y₀)的像素符合原图I(x,y)中对应(x₀,y₀)位置某领域范围全部像素高斯加权分布模型。因此，领域加权分布减弱了单一像素无规则抖动的几率，使得尺度变换后的像素分布变得稳定。抖动消减示意图如附图所示，其中，假设中间的灰色星形图形为拍摄物体，由于手持摄像头无意识的抖动，假设同一个屏幕坐标像素在连续的3帧分别位于实际拍摄位置A，B，C处，即图中三个圆的圆心(也是随机晃动位置)，若摄像头固定，此屏幕像素将始终对应于星形图形的中心，由于三个假设点处于不同位置，因此此时三个位置点有各自的混合高斯分布，其结果必导致同一个屏幕坐标像素由于抖动的原因形成了额外的三个高斯分布，在实际抖动情形中，该屏幕点可能位于星形中心附近的任意位置，使得同一屏幕点有不确定的任意高斯分布，从而使得高斯背景模型在此种摄像头抖动环境下失败。此时在对星形图进行尺度变换后的变换图中，同一屏幕点对应在A，B，C处的高斯分布由其领域所有像素加权得到，领域半径即为图中圆半径，该加权使得在拍摄位置A，B，C处有公共像素集，所以在独立位置A，B，C处的像素的分布具有一定相似性，此时若加权半径越大，公共集就越大，A，B，C处的分布差异性就越小，最终在位置A，B，C处的像素可近似符合同一参数的分布，从而消除抖动的影响。

2、采用高斯nσ准则进行混合高斯背景建模，然后进行前景粗提取，方法如下：

$|{\stackrel{\&RightArrow;}{x}}_t-{\stackrel{\&RightArrow;}{\mathrm{\&mu;}}}_i|<n{\mathrm{\&sigma;}}_i$

其中，

为像素点(x₀,y₀)在t时刻的像素值，

和σ_i分别为第i个高斯分布的均值和标准差，n取3。由于nσ的作用，像素允许在此范围内波动，不超过nσ值的像素均认为是背景像素，误判的像素通过后期图像处理进行恢复，所以允许一定的抖动噪声存在。

Claims (5)

1.一种基于尺度变换的抖动视频运动目标提取方法，其特征在于：首先对视频帧图像进行尺度变换；然后对尺度变换后的低分辨率图像建立多维高斯背景模型，采用高斯nσ准则粗提取运动前景目标；再采用形态学处理和颜色聚类精确提取运行目标；整个过程不需要额外的计算图像特征、补偿向量。

2.根据权利要求1所述的抖动视频运动目标提取方法，其特征在于：将视频读入计算机后，经过高斯卷积核实现对视频帧图像的二维图像的尺度变换中，定义：

L(x,y,σ)=G(x,y,σ)*I(x,y)

其中，L(x,y,σ)为经尺度变换后的图像，I(x,y)为视频源图像，G(x,y,σ)为实现尺度变换的可变高斯函数，并定义：

$G(x,y,\mathrm{\&sigma;})=\frac{1}{2\mathrm{\&pi;}{\mathrm{\&sigma;}}^2}{e}^{-(x^2+y^2)/\left(2{\mathrm{\&sigma;}}^2\right)}$

r为模糊半径(r²=x²+y²)，σ为正态分布的标准偏差。

3.根据权利要求1或2所述的抖动视频运动目标提取方法，其特征在于：对经过尺度变换后的视频帧图像采用高斯nσ准则进行混合高斯背景建模，然后进行前景粗提取的方法是定义：

$|{\stackrel{\&RightArrow;}{x}}_t-{\stackrel{\&RightArrow;}{\mathrm{\&mu;}}}_i|<{\mathrm{n\&sigma;}}_i$

其中，

为像素点(x₀,y₀)在t时刻的像素值，

和σ_i分别为第i个高斯分布的均值和标准差，n取3；超过nσ值的像素被认为前景，否则被认为背景像素。

4.根据权利要求1或2所述的抖动视频运动目标提取方法，其特征在于：对粗提取的目标前景进行形态学处理，包括膨胀、腐蚀和孔洞填充；其次采用K均值颜色聚类算法对所得前景图像进行聚类，首先初始化K=1，继而通过计算类内方差决定是否需要增加K值，并最终将前景图分割为K个图层；在聚类分割得到的每个图层中通过比较该图层的聚类中心与形态学处理后掩膜图像对应区域的颜色分析结果确定该图层是否为前景图层；如果在K类中有若干个类(图层)被判为前景，则将该若干个类全部合并到同一个前景图层中，最终迭代合并的前景图层即为最终的前景目标。

5.根据权利要求3所述的抖动视频运动目标提取方法，其特征在于：对粗提取的目标前景进行形态学处理，包括膨胀、腐蚀和孔洞填充；其次采用K均值颜色聚类算法对所得前景图像进行聚类，首先初始化K=1，继而通过计算类内方差决定是否需要增加K值，并最终将前景图分割为K个图层；在聚类分割得到的每个图层中通过比较该图层的聚类中心与形态学处理后掩膜图像对应区域的颜色分析结果确定该图层是否为前景图层；如果在K类中有若干个类(图层)被判为前景，则将该若干个类全部合并到同一个前景图层中，最终迭代合并的前景图层即为最终的前景目标。

Images