一种基于改进的Codebook前景检测的图像处理方法
【专利摘要】本发明公开了一种基于改进的Codebook前景检测的图像处理方法，其特征在于，包括步骤如下：将RGB颜色空间转换为YCbCr颜色空间；改进Codebook前景检测算法；应用改进的Codebook算法进行前景检测。采用本发明的方法能够很好地进行前景检测，区分前景与背景的同时，降低了光照变化对检测的影响，降低了内存的消耗，提高了性能。
【专利说明】
一种基于改进的God e book前景检测的图像处理方法
技术领域
[0001]本发明属于图像处理技术领域，具体指代一种基于改进的Codebook前景检测的图 像处理方法。
【背景技术】
[0002] 随着科学技术的快速发展，智能视频监控技术在各个领域得到越来越广泛的应 用。该技术涉及有运动检测、目标分类和识别、目标跟踪以及行为理解与描述等方面。其中， 目标检测是目标分类和识别等后续处理的前提，其结果的好坏将直接影响监控系统的有效 性，是智能监控系统的重要组成部分。
[0003] 当前，目标检测的方法很多，大多采用相邻帧差法、光流法、背景减法以及混合方 法，如将"自适应减法"与"相邻帧差法"相结合等。这些方法在一定程度上都能检测到运动 目标，将前景与背景进行分离。但是，在目标检测的过程中，由于环境光照的变化，运动物体 的阴影，运动速度，图像噪声等因素影响，会对前景和背景的检测识别造成干扰。有关前景 检测问题，国内外学者进行了大量的研究，以下各举一例予以说明。
[0004] 2008年，杨涛，李静等人提出了一种基于多层背景模型的前景检测算法。将背景分 为参考背景和动态背景两层，分别采用单高斯和混合高斯模型进行背景建模。在线检测时 采用动态背景提取变化前景，用动态背景与参考背景之间高斯分布的差异提取静止前景， 同时，通过逐层分析、比较输入像素与两层背景模型分布的相互关系，快速消除"鬼影"，降 低虚警。该多层背景模型具有良好的检测性能与实时性。但是在建模过程中，会消耗大量内 存，且时间复杂度较高，是需要改进和完善的地方。[杨涛李静等.一种基于多层背景模型的 前景检测算法[J].中国图象图形学报，2008,13(7): 1303-1308.]
[0005] 同年，Ko T，Soatto S等建立了一种背景模型分离算法。该算法分析图像随时间变 化的强度和图象颜色分布情况。图像分布的标志对于检测背景的运动并不敏感。与此同时， 在前景检测目标过程中，该方法比单独的像素统计方法具有更高的鲁棒性。该方法还支持 背景的缓慢更新，这在视频监控应用程序中至关重要。此外，该方法可以并行运行，使得该 方法可以很好地嵌入到处理程序中运行，且该方法的实施并不依赖于较高的采用率，而是 在光流与动态纹理识别的基础上自行调节采样频率;但该方法不能很好的处理光线变化对 检测结果的影响，需要进一步改进。[Ko T，Soatto S，Estrin D.Background subtraction on distributions . In: Proceedings of European conference on computer vision, Marseille, France,2008.p.276-89.]
[0006] Codebook是目前普遍采用的前景检测算法，它能够根据每个像素的时间序列模 型，较准确的进行前景检测，但是其内存消耗相当大。
【发明内容】
[0007]针对于上述现有技术的不足，本发明的目的在于提供一种基于改进的Codebook前 景检测的图像处理方法，以解决现有技术中在前景检测时，存在干扰因素的问题，采用本发 明的方法能够很好地进行前景检测，区分前景与背景的同时，降低了光照变化对检测的影 响，降低了内存的消耗，提高了性能。
[0008] 为达到上述目的，本发明的一种基于改进的Codebook前景检测的图像处理方法， 包括步骤如下：
[0009] 1)将RGB颜色空间转换为YCbCr颜色空间；
[00?0] 2)改进Codebook前景检测算法；
[0011 ] 3)应用改进的Codebook算法进行前景检测。
[0012]优选地，上述步骤1)中YCbCr颜色空间与RGB颜色空间存在一种线性变换关系转换 关系公式为：
(1)
[0014] 艮p:
[0015] Y = 〇. 257 X R+0.564 X G+0.098 X Β+16
[0016] Cb = -0.148 X R-0.291X G+0.439 X B+l28 (2)
[0017] Cr = 0.439 X R-0.368 X G-0.071X B+l28
[0018] 其中，Y为亮度，Cb为蓝色色度分量，Cr为红色色度分量，亮度分量Y与色度分量Cb、 Cr相互独立。
[0019]优选地，上述的对图像进行分段线性色彩变换具体包括:YCbCr是由RGB线性变化 得到的，其亮度分量并不完全独立于色度信息存在，颜色聚类区域随着Y的不同而呈分段线 性变化的趋势，在进行前景检测之前，需要对图像进行分段线性色彩变幻，如公式(3):
(3)
[0021] 其中，i=b或^(MY)为变换后的色彩分类;^]和^)是聚类区域的中轴线； % (η和％ 0-)为聚类区域宽度；ifc，为常量，％ = 46_97，= 23 ;Kl和Kh为常数，是非 线性分段变换的分段阈值，Ki=125，Kh=188;
[0022] 经过分段色彩变换后，将其投影到二维子空间，得到颜色聚类模型，对于色度分量 Cb和Cr，得到像素值的色差值向量γ = (Cb，Cr)，在二维的Cb-Cr子平面中判别前景的聚类 情况；
[0023]设X为单个像素的训练序列，它包含N个RGB向量，X={X1，X2, . . .，χΝ}，通过上述公 式（1)，将RGB向量转换成YCbCr向量Y，Y={yi，y2, . . .，yN} ;C为此像素含有L个码字的 Codebook，C = {ci，C2, ·· .cl}，每个码字 ci(i = l，2，...，L)包含一个 YCbCr 向量 Λ = % 和一个六元祖aUy ! = {Yl_，Yl繼，f !，λι，叫，m丨；其中，Yl_为码字的像素亮 度最小值、为码字的像素亮度最大值、h为码字出现的频数、Μ为码字的最大消极时间， 即训练期间码字被访问到的最大周期、πη为码字第一次被访问的时间、m为码字最后一次被 访问的时间。
[0024] 优选地，上述的马氏距离计算色度分量的色差值具体包括:在Codebook的训练过 程中，设YCbCr颜色空间中输入像素点，由于马氏距离不受量纲的影响，两点 之间的马氏距离与输入原始数据的测量单位无关，在总体样本的基础上，由协方差矩阵的 逆矩阵及样本均值来决定，马氏距离排除了变量之间相关性的干扰;因此，采用马氏距离方 法表示色度分量Cb和Cr间的色差值;计算公式如(4):
[0025] d(yt) = ( Τ?-μ)τ · Σ^( Tt-μ)(4)
[0026] 其中
为样本均值向量，
为样本的协方差矩 阵；γ t为当前输入像素点.ν, 的色度差向量，γ i为某一码字ci的色度差向量，Ν 为向量个数；
[0027] 在时刻t采样所得的码字为yt与当前码字元素作比较，确定哪个码字元素cm与之相 匹配，输入像素点_v,，其色度差向量*y t=(Cbt，Crt)和一个码字Cl，并且 = ft，其色度差向量为γ 1= (Ch，Cn)，采用颜色失真度与亮度作为选择标准;下 面给出定义，根据马氏距离有如下等式成立：
[0028] D( v,) -^(γΓ/?Υ·Σ'·(γ Γβ? (5)
[0029] D(yt)表示输入像素点色度差向量与样本均值向量间的马氏距离；
[0030] -Σ '·(；-//) (6)
[0031] D(Vl)表示某一码字色度差向量与样本均值向量间的马氏距离；
[0032] D(.y,,V.) = (7)
[0033] D(yt，Vi)表示两个色度差向量之间的马氏距离；
[0034] 则，颜色失真度δ可由下式计算得到：
(8) )
[0037]其中，Θ表示为输入向量在YCbCry颜色空间投影的夹角，q为向量投影长度；
[0038]亮度边界则定义为： ,. ..v I true if'Y^ < D(v. )< K,.,,
[0039] φ α〇) ν ' [false otherwise
[0040] 其中，Υ为像素亮度，分别为亮度最小值与最大值，[YlOT，Yhlgh]为该像素马 氏距离的稳定区间。
[0041] 优选地，上述的随机抛弃值方法筛选码字具体包括:假设当前训练图像I中某一像 素为K X，y )，同时记前景阈值的增长判定阈值为Bounds;
[0042] 步骤a:遍历每个CW，判断是否满足ILow彡1(1，7)彡1把811，若不满足，则进入步骤 b，若满足则进入步骤c;
[0043] 步骤b:创建新码字CWnew加入CB，赋I (x，y)值，判断是否满足：
[0044] I Low <-I(x,y)-Bounds
[0045] 若不满足则进入步骤c，若满足则进入步骤e;
[0046] 步骤c:更新该码字的t_last;
[0047] 步骤d:更新码字的学习上下界；
[0048] 步骤e:更新DB中每个CW的stale，当t = t+l则重复步骤a;
[0049] 其中，CW为码字，CW= {IHigh，ILow，max，min, t_last，stale} ;CWnew为新的码字；I (x，y)为像素值;CB为一个Codebook结构，CB= {CW1，CW2，· . . CWn，t};n为一个CB中所包含的 CW的数目，当n较小时，退化为简单背景，当n较大时可以对复杂背景进行建模;t为CB更新的 次数；IHigh为更新时的学习上界；ILow为更新时的学习下界;max为记录当前像素的最大 值;min为记录当前像素的最小值;t_last为上次更新的时间；stale为陈旧时间，用来删除 很少使用的CodeWord。
[0050] 优选地，上述步骤3)具体包括:使用已建立好的CB进行运动目标检测，记判断前景 的范围上下界为minMod和maxMod，对于当前待检测图像上的某一像素I(x，y)，遍历它对应 像素背景模型CB中的每一个码字CW，若存在一个CW，使得：
[0051] I (X, y) <max+maxMod,
[0052] 并且，I(x，y)>min_minMod，
[0053] 则I(x，y)被判断为背景，否则被判断为前景；
[0054] 在对CB更新的同时，需要对CB进行时间滤波，除掉被访问次数较少的CW;采用的方 法是随机抛弃值法，记录每一个CW第一次被访问的时间mi和最后一次被访问的时间m，计算 得出其被访问的时间段ti = m-mi，并计算其平均值；同时设定该时间段的最小阈值MINth和 最大阈值MAXth;更新时，计算被访问时间段的平均值avg t和抛弃概率p;采用指数加权平均 方法，计算公式如（11)、（12)所示：
[0055] avgt= (l-w)*avgt+w*t (11)
(12) L〇〇57J 其中，t为该码字被访问的时间长度，avgt为所有码字被访问时间长度的平均值，w 为计算式设定的权重值，pmax是最大抛弃概率；
[0058] 若avgt<MINth，保留；若MINth<avgt<MAXth，则计算概率p，并以此概率随机抛 弃;若avgt>MAXth，则全部抛弃。
[0059]本发明的有益效果：
[0060] 1、将GRB颜色空间转换为YCbCr颜色空间，使色度更加收敛，并且减少光线变化对 颜色的影响，具有良好的准确性与鲁棒性。
[0061] 2、采用马氏距离的方法表示色度分量Cb和Cr间的色度差，以排除变量之间相关性 的干扰；同时，定义颜色失真度与亮度作为寻找输入像素点中匹配码字的选择标准，对采样 所得码字进行匹配，从而对像素的码字进行更新。
[0062] 3、采用随机抛弃值的方法对码字进行筛选，以增强算法的自适应性，进而达到降 低内存消耗，提高算法运行效率的目的。
【附图说明】
[0063]图1为本发明的方法步骤流程图。
[0064]图2为像素的CB的更新算法流程图。
[0065]图3a为黑白图像45帧示意图。
[0066] 图3b为图3a检测图。
[0067]图3c为黑白图像65帧示意图。
[0068] 图3d为图3c检测图。
[0069 ] 图4a为红外图像45帧不意图。
[0070] 图4b为图4a的检测图。
[0071 ]图4c为红外图像50帧不意图。
[0072] 图4d为图4c的检测图。
[0073]图4e为红外图像55帧示意图。
[0074] 图4f为图4e的检测图。
[0075]图4g为红外图像60帧示意图。
[0076] 图4h为图4g的检测图。
【具体实施方式】
[0077]为了便于本领域技术人员的理解，下面结合实施例与附图对本发明作进一步的说 明，实施方式提及的内容并非对本发明的限定。
[0078]参照图1所示，本发明的一种基于改进的Codebook前景检测的图像处理方法，包括 步骤如下：
[0079] 步骤1:将RGB颜色空间转换为YCbCr颜色空间；
[0080]在RGB颜色空间中，R、G、B三个分量之间的相关性很高，这就会导致，对于同一颜色 属性，在不同光照条件下，R、G、B的值会很分散，会导致在识别某种特定颜色的过程中，很难 确定其阈值和其在颜色空间中的分布范围。所以为了避免此现象的发生，需要对RGB进行转 换。
[0081] YCbCr颜色空间由亮度Y，蓝色色度分量Cb和红色色度分量Cr组成，主要用于优化 彩色视频信号的传输，亮度分量Y与色度分量Cb、Cr相互独立，并且YCbCr颜色空间与RGB颜 色空间存在一种线性变换关系，其转换关系如公式(1)、（2)所示，由于在不同色度下，YCbCr 空间内亮度范围的变化量很大，而色度范围的变化量很小，这样会有利于光照变化图像的 处理，因此选择YCbCr颜色空间；
(1)
[0083] 即：
[0084] Y = 〇. 257 X R+0.564 X G+0.098 X Β+16
[0085] Cb = -0.148 X R-0.291 X G+0.439 X B+l 28 (2)
[0086] Cr = 0 · 439 X R-0 · 368 X G-0 · 071 X B+l 28
[0087] 其中，Y为亮度，Cb为蓝色色度分量，Cr为红色色度分量，亮度分量Y与色度分量Cb、 Cr相互独立。
[0088] 步骤2:改进Codebook前景检测算法
[0089] (l)C〇deb〇〇k算法的思想是分别对每个像素或一组像素确定一个时间序列模型， 根据每个像素的时间序列模型确定当前背景对应像素位置的值，能够很好地处理时间起 伏，从而可以适应在准周期运动的变化场景的背景。在构建背景时观察每个像素的值在一 定时间内的情况，得到时间一一像素值曲线，将之量化成码，是基于一段视频序列背景模型 的压缩形式。
[0090] Codebook算法的原理是为当前图像的每一个像素建立一个Codebook(CB)结构，而 每个Codebook结构又由多个Codeword (CW)组成。CB和CW的形式如下：
[0091] CB={Cffl,CW2,. . .Cffn,t}
[0092] Cff={IHigh,ILow,max,min,t_last,stale}
[0093] n:-个CB中所包含的CW的数目，当n较小时，退化为简单背景，当n较大时可以对复 杂背景进行建模；
[0094] t:CB更新的次数；
[0095] IHigh:更新时的学习上界；
[0096] ILow:更新时的学习下界；
[0097] max:记录当前像素的最大值；
[0098] min:记录当前像素的最小值；
[0099] t_last:上次更新的时间；
[0? 00 ] s ta 1 e :陈旧时间（记录该CW多久未被访问），用来删除很少使用的Codeword。
[0101] (2)设计码字更新算法，对码字进行更新
[0102] A、对图像进行分段线性色彩变换
[0103] 由于YCbCr是由RGB线性变化得到的，其亮度分量并不完全独立于色度信息存在， 颜色聚类区域随着Y的不同而呈分段线性变化的趋势。所以在进行前景检测之前，需要对图 像进行分段线性色彩变幻，如公式(3)所示：
(3) 123 其中，i = b或^CdY)为变换后的色彩分类;和^)是聚类区域的中轴线； ⑴和为聚类区域宽度；fFc.为常量，r Q =屬·97,奶^,6 = 23:Kl和Kh为常数，是非线 性分段变换的分段阈值，Ki = 125，Kh = 188; 2 经过分段色彩变换后，将其投影到二维子空间，得到颜色聚类模型，对于色度分量 Cb和Cr，得到像素值的色差值向量γ = (Cb，Cr)，在二维的Cb-Cr子平面中判别前景的聚类 情况。 3 设X为单个像素的训练序列，它包含N个RGB向量，X={X1，X2, . . .，χΝ}，通过公式 (1)，将RGB向量转换成YCbCr向量Y，Y={yi，y 2, . . .，yN} ;C为此像素含有L个码字的 Codebook，C = {ci，C2, ·· .cl}。每个码字 Ci(i = l，2, ...，L)包含一个 YCbCr 向量 = (?.，（);)和一个六元祖auyi = {Yimin，Yimax，fi，Ai，mi，m} 〇
[0108] ΥΛη:码字的像素亮度最小值；
[0109] Y/ax:码字的像素亮度最大值；
[0110] f1:码字出现的频数；
[0111] λ1:码字的最大消极时间，g卩训练期间码字被访问到的最大周期；
[0112] nu:码字第一次被访问的时间；
[0113] m:码字最后一次被访问的时间。
[0114] B、马氏距离计算色度分量的色差值
[0115] 在Codebook的训练过程中，设YCbCr颜色空间中输入像素点.y, 由于 马氏距离不受量纲的影响，两点之间的马氏距离与输入原始数据的测量单位无关，在总体 样本的基础上，由协方差矩阵的逆矩阵及样本均值来决定，关键是马氏距离排除了变量之 间相关性的干扰。因此，采用马氏距离方法表示色度分量Cb和Cr间的色差值，计算公式如 (4)所示：
[0116] d(yt) = ( Υ?-μ)τ · Σ_1(Τ?-μ) (4)
[0117] 其中：
；为样本均值向量，
为样本的协方差矩 阵；为当前输入像素点.y, 的色度差向量，γ:为某一码字(^的色度差向量，Ν \ j. 为向量个数。
[0118] 在时刻t采样所得的码字为yt与当前码字元素作比较，确定哪个码字元素cm与之相 匹配。输入像素点乃=(火<3乂>1，其色度差向量为γ t= (Cbt，Crt)和一个码字Ci，并且 ι/; ，其色度差向量为γ i=(cbi，Cri);采用颜色失真度与亮度作为选择标准;下 面给出定义：
[0119]根据马氏距离有如下等式成立：
[0120] (5)
[0121] D(yt)表示输入像素点色度差向量与样本均值向量间的马氏距离；
[0122] 〇(V,) = '-(77^ (0
[0123] D(Vl)表示某一码字色度差向量与样本均值向量间的马氏距离；
[0124] -/if ·Σ_?-(γ,-?ι) '、7)
[0125] D(yt，Vl)表示两个色度差向量之间的马氏距离；
[0126] 则，颜色失真度δ可由下式计算得到：
[0128] colordist {\\. K) = S = ^D2 (ι；,)-q' L 9、
[0129 ]其中，Θ表示为输入向量在YCbCry颜色空间投影的夹角，q为向量投影长度；
[0130]亮度边界则定义为：
[0131 ] brigiuncss{Y,(Yr，Y；r>) = ~ ' ~ <節 X ' [false otherwise
[0132] 其中，Y为像素亮度，分别为亮度最小值与最大值，[Yi?，Yhlgh]为该像素马 氏距离的稳定区间。
[0133] C、随机抛弃值方法筛选码字
[0134] 参照图2,假设当前训练图像I中某一像素为I(x，y)，同时记前景阈值的增长判定 阈值为Bounds;
[0135] 步骤a:遍历每个CW，判断是否满足ILow彡1(1，7)彡1把811，若不满足，则进入步骤 b，若满足则进入步骤c;
[0136] 步骤b:创建新码字CWnew加入CB，赋I (X，y)值，判断是否满足：
[0137] I Low <-I(x,y)-Bounds
[0138] 若不满足则进入步骤c，若满足则进入步骤e;
[0139] 步骤c:更新该码字的t_last;
[0140] 步骤d:更新码字的学习上下界；
[0141 ] 步骤e:更新DB中每个CW的stale，当t = t+l则重复步骤a;
[0142] 其中，CW为码字，CW= {IHigh，ILow，max，min, t_last，stale} ;CWnew为新的码字；I (x，y)为像素值;CB为一个Codebook结构，CB= {CW1，CW2，· . . CWn，t};n为一个CB中所包含的 CW的数目，当n较小时，退化为简单背景，当n较大时可以对复杂背景进行建模;t为CB更新的 次数；IHigh为更新时的学习上界；ILow为更新时的学习下界;max为记录当前像素的最大 值;min为记录当前像素的最小值;t_last为上次更新的时间；stale为陈旧时间，用来删除 很少使用的CodeWord。
[0143] 步骤3:应用改进的Codebook算法前景检测方法
[0144] 使用已建立好的CB进行运动目标检测，记判断前景的范围上下界为minMod和 maxMod，对于当前待检测图像上的某一像素I(x，y)，遍历它对应像素背景模型CB中的每一 个码字CW，若存在一个CW，使得：
[0145] I (X, y) <max+maxMod,
[0146] 并且，I(x，y)>min_minMod，
[0147] 则I(x，y)被判断为背景，否则被判断为前景。
[0148] 在对CB更新的同时，需要对CB进行时间滤波，其目的是除掉被访问次数较少的CW。 采用的方法是随机抛弃值法，记录每一个CW第一次被访问的时间nu和最后一次被访问的时 间m，计算得出其被访问的时间段ti = m-nii，并计算其平均值;同时设定该时间段的最小阈 值MINth和最大阈值MAXth。更新时，计算被访问时间段的平均值avgt和抛弃概率p;采用指 数加权平均方法，计算公式如（11 )、（ 12)所示：
[0149] avgt= (l-w)*avgt+w*t (11) (12)
[0151] 其中，t为该
码字被访问的时间长度，avgt为所有码字被访问时间长度的平均值，w 为计算式设定的权重值，p max是最大抛弃概率。
[0152] 若avgt<MINth，保留；若MINth<avgt<MAXth，则计算概率p，并以此概率随机抛 弃;若avgt>MAXth，则全部抛弃。采用这种方法，可以增强算法的自适应性。同时，降低内存 消耗，提高计算效率;因此，该方法具有更高的准确性和鲁棒性。
[0153] Codebook算法的主要步骤：
[0154] 1.令1^-〇1，￡：10(空集）；
[0155] II.for t = lto N do
[0156] i.yt=(Y,Cb,Cr) -//) 7 -Σ J ·(;,·,-//)；
[0157] ii .在集合C= {Ci | l$i彡L}中寻找与yt相匹配的码字cm，匹配条件如下：
[0158] (1)颜色失真度 colordisi^yi^VmXei， (13)
[0159] (2)亮度边界 iv妙她(卜1)
[0160] iii .如果C = 0或者没有找到匹配的码字，则L-L+1，创建一个新的码字cl :
[0161 ] vL-(Y，Cb，Cr)，auyL-〈I，I，1，t_l，t，t>
[0162] iv ·否则，更新匹配的码字Cm，包括：
[0163] 1% = (l；,C^",Cr"), , fm,λ",,mm
[0164] 将它们更新为：
[0166] ·0ψ," <- (min {Y, Y^'m}, max {Y, }, fm +1, max {ληι,?-ηηι j,
[0167] end for
[0168] III.对于每一个码字ci(i = l ,2, · · · ,L)，调整λ?，使λ?-ηκχ{λ?，（N-m+mi-l)}。
[0169] 举例说明：
[0170] 分别以黑白图像与红外图形为例，应用改进的Codebook算法对其进行前景检测， 观察并分析检测效果，以验证该方法的有效性与可行性。
[0171] (1)黑白图像
[0172] 在实验室中拍摄一段测试视频，视频分辨率为640*480,包括动态的手指运动。通 过对该视频进行测试，截取视频中的两帧进行前景检测。如图3a_图3d所示。
[0173] (2)红外图像
[0174] 从视频监控中截取4帧，显示一个行走的人。对该图像进行前景检测，观察并分析 检测结果。如图4a-图4h所示。
[0175] (3)结果分析
[0176] 首先，将检测结果与背景差分算法、混合高斯模型算法的检测结果进行对比。背景 差分法算法简单易于实现，能够比较快速但对光照、天气变化以及突发事件等外部动态场 景变化极其敏感，不能很好的适应变化场景;混合高斯模型算法可以解决像素多峰分布的 问题，同时克服了光照变化等造成的影响。但每个高斯模型对应着场景的一个状态，固定高 斯分布的个数会产生多余的高斯分布，造成系统资源的大量浪费。此外，该算法更新速度过 慢，不能实时的反应实际背景的变化，当静止的物体缓慢运动时会不断移出背景，检测结果 就会出现"鬼影"或者拖影。本发明的方法可以使得运动目标的提取不受背景、光线变化、阴 影、运动速度等因素的影响，更好地实现目标检测，此外，本发明的算法更新速度快，具有较 尚的运彳丁效率。
[0177] 其次，比较算法的运行效率。通过"平均每帧耗时"体现算法的运行时间，各算法的 运行时间如表1所示。
[0178] 表1平均每帧耗时
[0180] 通过观察表1可以得出，本发明的算法平均每帧耗时最小，算法的运行效率高，其 次是背景差分法，运行效率最差的是混合高斯法，很大程度上取决于该模型中高斯分布的 个数。
[0181] 本发明具体应用途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于 本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以作出若干改进，这 些改进也应视为本发明的保护范围。
【主权项】
1. 一种基于改进的Codebook前景检测的图像处理方法，其特征在于，包括步骤如下： 1) 将RGB颜色空间转换为YCb化颜色空间； 2) 改进Codebook前景检测算法； 3) 应用改进的Codebook算法进行前景检测。2. 根据权利要求1所述的基于改进的Codebook前景检测的图像处理方法，其特征在于， 上述步骤1)中YCb化颜色空间与RGB颜色空间存在一种线性变换关系转换关系公式为：其中，Y为亮度，Cb为蓝色色度分量，化为红色色度分量，亮度分量Y与色度分量化、化相 互独立。3. 根据权利要求1所述的基于改进的Codebook前景检测的图像处理方法，其特征在于， 上述步骤2)具体包括:对图像进行分段线性色彩变换；马氏距离计算色度分量的色差值;随 机抛弃值方法筛选码字。4. 根据权利要求3所述的基于改进的Codebook前景检测的图像处理方法，其特征在于， 上述的对图像进行分段线性色彩变换具体包括:Y饥Cr是由RGB线性变化得到的，其亮度分 量并不完全独立于色度信息存在，颜色聚类区域随着Y的不同而呈分段线性变化的趋势，在 进行前景检测之前，需要对图像进行分段线性色彩变幻，如公式(3):(3) 其中，i = b或r;Ci(Y)为变换后的色彩分类；5T巧和是聚类区域的中轴线； 听6 (巧和巧为聚类区域宽度;巧每为常量，昭6: =46.97，腮。& =23;Κι和Kh为常数，是非 线性分段变换的分段阔值，Κι = 125，Kh= 188; 经过分段色彩变换后，将其投影到二维子空间，得到颜色聚类模型，对于色度分量饥和 化，得到像素值的色差值向量丫 =(Cb，化），在二维的Cb-化子平面中判别前景的聚类情况； 设X为单个像素的训练序列，它包含N个RGB向量，X= {xi，X2, . . .，xn}，通过上述公式 (1)，将RGB向量转换成YCbCr向量Y，Y={yi，y2, . . .，yN} ;C为此像素含有L个码字的 Codebook，C = {ci,C2, .. .cl}，每个码字 Ci(i = l,2, ... ,L)包含一个 YCbCr 向量 义=朽·巧，巧)和一个六元祖日1^={￥1謂八严、，。，、迎1，化};其中^严哨码字的像素亮 度最小值、Υι"3Χ为码字的像素亮度最大值、fi为码字出现的频数、λι为码字的最大消极时间， 即训练期间码字被访问到的最大周期、m功码字第一次被访问的时间、m为码字最后一次被 访问的时间。5. 根据权利要求3所述的基于改进的Codebook前景检测的图像处理方法，其特征在于， 上述的马氏距离计算色度分量的色差值具体包括:在Codebook的训练过程中，设YCb化颜色 空间中输入像素点>',=?下，玩5^)，由于马氏距离不受量纲的影响，两点之间的马氏距离与 输入原始数据的测量单位无关，在总体样本的基础上，由协方差矩阵的逆矩阵及样本均值 来决定，马氏距离排除了变量之间相关性的干扰；因此，采用马氏距离方法表示色度分量化 和化间的色差值;计算公式如(4): d(yt) = ( 丫 t-y)T. 5：-1( 丫广μ) (4) 其中样本的协方差矩阵， 丫*为当前输入像素点^', =^^.^^；，污/)的色度差向量，丫l为某一码字Cl的色度差向量，N为向 量个数； 在时刻t采样所得的码字为yt与当前码字元素作比较，确定哪个码字元素 Cm与之相匹 配，输入像素点％=片.巧污），其色度差向量为丫 t=(Cbt，Crt)和一个码字Ci，并且 \ / 1/,-=1^民打^，巧)，其色度差向量为丫1=(况1，化1)，采用颜色失真度与亮度作为选择标准;下 面给出定义，根据马氏距离有如下等式成立：l·' D(yt，Vi)表示两个色度差向量之间的马氏距离； 贝1J，颜色失真度δ可由下式计算得到：其中，Θ表示为输入向量在YCb化y颜色空间投影的夹角，q为向量投影长度； 亮度边界则定义为：其中，Y为像素亮度，irh，；Cix分别为亮度最小值与最大值，[Yi?，化igh]为该像素马氏距 离的稳定区间。6. 根据权利要求3所述的基于改进的Codebook前景检测的图像处理方法，其特征在于， 上述的随机抛弃值方法筛选码字具体包括:假设当前训练图像I中某一像素为I(x，y)，同时 记前景阔值的增长判定阔值为Bounds; 步骤a:遍历每个CW，判断是否满足化〇*《1^，7)《^1旨}1，若不满足，则进入步骤13，若 满足则进入步骤C; 步骤b:创建新码字CWnew加入CB，赋I (X，y)值，判断是否满足： ILowC-I (X ,y )-Bounds 若不满足则进入步骤c，若满足则进入步骤e; 步骤C:更新该码字的t_last; 步骤d:更新码字的学习上下界； 步骤e:更新DB中每个CW的stale，当t = t+1则重复步骤a; 其中，〔胖为码字，〔胖={1化曲，化0*,111曰义,111；[]1,1：_1曰31：,31曰16};〔胖]16*为新的码字；1(又， y)为像素值;CB为一个Codebook结构，CB={CW1，CW2, .. .CWn，t};n为一个CB中所包含的CW 的数目，当η较小时，退化为简单背景，当η较大时可W对复杂背景进行建模;t为CB更新的次 数；I化曲为更新时的学习上界；ILow为更新时的学习下界;max为记录当前像素的最大值； min为记录当前像素的最小值;t_last为上次更新的时间；S化le为陈旧时间，用来删除很少 使用的Codeword。7.根据权利要求1所述的基于改进的Codebook前景检测的图像处理方法，其特征在于， 上述步骤3)具体包括:使用已建立好的CB进行运动目标检测，记判断前景的范围上下界为 min Mod和max Mod,对于当前待检测图像上的某一像素 I(x，y)，遍历它对应像素背景模型 CB中的每一个码字CW，若存在一个CW，使得： I(x,y)<max+max Mod, 并且，I(x，y)>min-min Mod， 则i(x，y)被判断为背景，否则被判断为前景； 在对CB更新的同时，需要对CB进行时间滤波，除掉被访问次数较少的CW;采用的方法是 随机抛弃值法，记录每一个CW第一次被访问的时间mi和最后一次被访问的时间m，计算得出 其被访问的时间段并计算其平均值;同时设定该时间段的最小阔值MINth和最大 阔值MAXth;更新时，计算被访问时间段的平均值avgt和抛弃概率P;采用指数加权平均方 法，计算公式如（11)、（12)所示：其中，t为该码字被访问的时间长度，avgt为所有码字被访问时间长度的平均值，W为计 算式设定的权重值，Pmax是最大抛弃概率； 若avgt<MWth，保留；若MI^h<avgt<MAXth，则计算概率P，并W此概率随机抛弃；若 avgt >MAXth，则全部抛弃。
【文档编号】G06T7/00GK106097366SQ201610452894
【公开日】2016年11月9日
【申请日】2016年6月21日
【发明人】周航, 邵荃, 蒋欣欣
【申请人】南京航空航天大学