基于對(duì)比度直方圖特征子空間聚類(lèi)的區(qū)域級(jí)背景減除方法

錢(qián)誠(chéng)

摘要：針對(duì)區(qū)域級(jí)背景減除問(wèn)題，提出一種基于圖像塊對(duì)比度直方圖特征的背景減除方法。對(duì)于已輸入的一段視頻，將每一幀視頻分割成圖像塊，并提取對(duì)比度直方圖特征。在該特征上通過(guò)自描述方式將前景作為噪聲誤差項(xiàng)與背景分離，隨后使用稀疏子空間聚類(lèi)方法構(gòu)建關(guān)于對(duì)比度直方圖特征的聚類(lèi)，而對(duì)于特征聚類(lèi)的主成分分析給出了關(guān)于背景特征的多個(gè)子空間，并以此作為區(qū)域級(jí)背景模型。在后續(xù)輸入視頻幀中提取對(duì)比度直方圖特征，將其投影到各子空間中計(jì)算重構(gòu)誤差，以此作為前背景的決策依據(jù)。實(shí)驗(yàn)結(jié)果表明，該方法能夠有效減除視頻中的背景。

關(guān)鍵詞關(guān)鍵詞：區(qū)域級(jí)背景減除；對(duì)比度直方圖特征；稀疏子空間聚類(lèi)

DOIDOI：10.11907/rjdk.161418

中圖分類(lèi)號(hào)：TP317.4文獻(xiàn)標(biāo)識(shí)碼：A文章編號(hào)文章編號(hào)：16727800（2016）007018402

0引言

視頻中的背景減除是許多視覺(jué)檢測(cè)技術(shù)中必不可少的環(huán)節(jié)，其在視頻監(jiān)控、異常事件檢測(cè)、工業(yè)零件識(shí)別等領(lǐng)域中有著廣泛應(yīng)用。背景減除方法的關(guān)鍵在于背景模型的魯棒性及自適應(yīng)性，但是受制于實(shí)際場(chǎng)景所存在的背景物體擾動(dòng)、光照變化、相機(jī)抖動(dòng)等因素，設(shè)計(jì)一個(gè)強(qiáng)魯棒的背景模型仍十分困難。

鑒于背景減除方法在視覺(jué)檢測(cè)技術(shù)應(yīng)用中的重要性，當(dāng)前已有大量背景模型被提出以試圖解決背景減除問(wèn)題[1]。根據(jù)建立背景模型所依賴(lài)的對(duì)象，背景減除大致上可以分為3類(lèi)：像素級(jí)背景減除方法、區(qū)域級(jí)背景減除方法以及幀級(jí)背景減除方法。像素級(jí)的背景減除方法往往試圖通過(guò)對(duì)單像素的灰度值建立統(tǒng)計(jì)模型來(lái)描述前景，Stauffer等[2]提出采用混合高斯模型描述像素灰度值變化。在區(qū)域級(jí)背景模型方面，Lin等[3]在多幀連續(xù)視頻中取相同空間位置的圖像區(qū)域提取時(shí)空三值模式特征，以此表征視頻幀的區(qū)域級(jí)背景變化，并在此基礎(chǔ)上實(shí)現(xiàn)背景減除。針對(duì)動(dòng)態(tài)背景，Monnet等[4]提出使用增量主成分在圖像區(qū)域特征上建立關(guān)于背景的子空間預(yù)測(cè)模型，并據(jù)此來(lái)判斷后續(xù)視頻幀中每個(gè)圖像區(qū)域是否為背景。Liu等[5]直接將采集到的視頻幀構(gòu)建矩陣，隨后通過(guò)對(duì)該矩陣施加低秩性約束來(lái)獲得背景圖像，該類(lèi)方法所構(gòu)建的背景模型為一類(lèi)典型的幀級(jí)模型。

對(duì)于像素級(jí)模型而言，其模型簡(jiǎn)單、處理速度快，但是這類(lèi)模型往往忽略了像素之間的聯(lián)系，背景減除結(jié)果容易產(chǎn)生噪點(diǎn)。區(qū)域級(jí)的背景模型側(cè)重于圖像局部特征的構(gòu)建和提取，能夠在一定程度上克服像素級(jí)噪點(diǎn)問(wèn)題。幀級(jí)背景模型則將整個(gè)視頻幀作為整體加以考慮，但是對(duì)于高動(dòng)態(tài)的背景適應(yīng)性較差。相比像素級(jí)模型和幀級(jí)模型，基于區(qū)域級(jí)模型的背景減除方法雖然無(wú)法提供像素級(jí)的背景減除精度，但是其能夠解決噪點(diǎn)問(wèn)題，對(duì)于動(dòng)態(tài)背景也具有較為穩(wěn)定的減除效果。此外，在運(yùn)動(dòng)檢測(cè)這類(lèi)著重于運(yùn)動(dòng)感知而不要求高精度背景減除結(jié)果的應(yīng)用中，區(qū)域級(jí)模型是較為合適的背景模型。針對(duì)區(qū)域級(jí)背景建模問(wèn)題，本文采用對(duì)比度直方圖作為圖像區(qū)域的特征[6]，在此基礎(chǔ)上利用稀疏子空間聚類(lèi)獲得特征的多子空間模型，以此作為背景模型，最后利用該模型完成視頻的區(qū)域級(jí)背景減除。

1區(qū)域級(jí)背景減除方法

1.1總體框架

本文提出的方法包含3個(gè)部分：特征提取部分、區(qū)域級(jí)背景建模部分及前背景決策部分。在特征提取部分，視頻幀被分割成圖像塊，在每一個(gè)圖像塊上提取對(duì)比度直方圖特征，將其輸入到背景建模部分。在背景建模部分，通過(guò)稀疏子空間聚類(lèi)完成圖像塊特征聚類(lèi)以及多個(gè)子空間的建立。最后，對(duì)于新輸入的視頻幀，將分割后的每個(gè)圖像塊特征投影到各子空間，并以此來(lái)判斷前背景。

1.2圖像塊對(duì)比度直方圖特征提取

在根據(jù)一段視頻序列構(gòu)建背景模型時(shí)，首先需要將視頻幀轉(zhuǎn)換為灰度圖像，然后進(jìn)行圖像塊的劃分以便于提取對(duì)比度直方圖特征。如圖1所示，對(duì)輸入的每一幀視頻圖像進(jìn)行網(wǎng)格化操作，將圖像分成8×8的圖像塊，以此形成圖像區(qū)域的基本組成單位。對(duì)于這些圖像塊，需要構(gòu)造、提取表征圖像塊的特征，在特征基礎(chǔ)上的分類(lèi)確定了這些圖像塊是否可歸類(lèi)為背景或者前景。

在每一塊圖像塊中，計(jì)算所有像素的平均灰度值。p=∑64i=1pi64 （1）式（1）中，pi為該圖像塊中每個(gè)像素的灰度值。圖像塊中每個(gè)像素灰度值都與灰度均值進(jìn)行比較，根據(jù)比較結(jié)果將像素分為兩個(gè)集合：正像素集P+和負(fù)像素集P-。pi≥，pi∈P+

pi<，pi∈P- （2）為了使對(duì)比度直方圖特征包含像素的空域關(guān)系，將圖像塊按圖1所示分成4個(gè)4×4區(qū)域，并分別計(jì)算各區(qū)域的正像素與負(fù)像素的均值，因此從每個(gè)圖像塊上可得一個(gè)8維的對(duì)比度直方圖特征向量x∈R8×1：x=p-1，p+1，p-2，p+2，p-3，p+3，p-4，p+4T（3）式（3）中，p-i、p+i分別表示第i區(qū)域的負(fù)像素及正像素的灰度均值。據(jù)此，可得整幅視頻幀上所有圖像塊的對(duì)比度直方圖特征，在此基礎(chǔ)上，可以構(gòu)造背景模型以及前背景的決策方法。

1.3多子空間背景模型

對(duì)于視頻幀上每個(gè)固定位置上的圖像塊，其隨著時(shí)間的推移形成了特征序列{x1，x2，…，xt}，因?yàn)檫@些特征可能描述了不同時(shí)間段內(nèi)不同的場(chǎng)景，所以可以假設(shè)其分布在多個(gè)子空間上。因此，采用稀疏子空間聚類(lèi)方法對(duì)特征序列進(jìn)行聚類(lèi)[7]，其中，特征矩陣進(jìn)一步分解為自描述項(xiàng)和噪聲誤差項(xiàng)，自描述項(xiàng)可以形成高度內(nèi)聚的特征聚類(lèi)，而噪聲誤差項(xiàng)可以用于解釋動(dòng)態(tài)前景變化，特征矩陣的分解過(guò)程如式（4）：minZ，EλZ1+EF，s.t. X=X·Z+E，diag（Z）=0（4）其中，X=[x1，x2，…，xt]為特征矩陣，Z是算子矩陣描述了特征之間的關(guān)系，E為噪聲誤差。令矩陣Z對(duì)角線diag（Z）=0可以去掉無(wú)意義的解。借助于增廣拉格朗日算法，對(duì)式（4）進(jìn)行迭代運(yùn)算可得算子矩陣Z，其確定了特征間的關(guān)系。由Z可進(jìn)一步獲得特征的關(guān)聯(lián)矩陣A，如式（5）。A=12（Z+ZT）（5）在A上進(jìn)行圖切計(jì)算可得特征的聚類(lèi)結(jié)果，在此基礎(chǔ)上針對(duì)每個(gè)特征的聚類(lèi)采用主成分分析方法構(gòu)建相應(yīng)的子空間，由此獲得相應(yīng)特征聚類(lèi)的主成分{U1，U2，…，UC}（其中，C表示類(lèi)的數(shù)量）。

1.4前背景決策

在視頻序列中，相比動(dòng)態(tài)變化的前景，背景變化相對(duì)較小，也更為穩(wěn)定。因此，在式（4）中，前景往往作為噪聲誤差項(xiàng)E先從圖像中分離出來(lái)，對(duì)比度直方圖特征的聚類(lèi)則描述了背景特征的分布情況。對(duì)于新輸入的圖像塊特征xt+1，將其映射到各個(gè)聚類(lèi)子空間中計(jì)算重構(gòu)誤差，由此可以判斷其是否歸屬于某類(lèi)背景?；诖耍氨尘皼Q策可由下式給出。xt+1-UiUTixt+1≤Ti，xt+1∈Background

xt+1-UiUTixt+1>Ti，otherwise，i=1，2，…，C（6）其中，Ti是第i個(gè)子空間的重構(gòu)誤差閾值。根據(jù)式（6），當(dāng)該特征在某個(gè)子空間的重構(gòu)誤差較小，可將其歸于某個(gè)背景類(lèi)。如果該特征在任意一子空間中投影的重構(gòu)誤差都超出閾值，則可將其判定為前景。

2實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文提出的背景減除方法，分別在3個(gè)視頻序列上進(jìn)行了背景減除實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果如圖2所示。在Bootstrap視頻序列中，運(yùn)動(dòng)人群形成了前景，本文方法能夠?qū)Φ匕濉⑶芭_(tái)等背景實(shí)施區(qū)域級(jí)的減除，同時(shí)盡可能地保留了運(yùn)動(dòng)人群的前景結(jié)果。在Campus視頻序列中，背景中的樹(shù)葉細(xì)微運(yùn)動(dòng)形成了背景噪聲，本文方法并沒(méi)有因?yàn)槭芷鋽_動(dòng)影響而產(chǎn)生背景噪點(diǎn)，仍然將樹(shù)葉這些存在微小擾動(dòng)的背景從視頻幀中剔除。在Curtain視頻序列中，白色運(yùn)動(dòng)窗簾形成了擾動(dòng)，本文方法通過(guò)多子空間可以較好地描述這類(lèi)大面積背景的周期變化，從而避免了運(yùn)動(dòng)窗簾被分類(lèi)為前景導(dǎo)致大面積背景減除誤差的產(chǎn)生。根據(jù)上述結(jié)果可知，本文算法的背景減除方法能夠區(qū)分前背景，此外，其能夠克服背景減除中常見(jiàn)的像素級(jí)噪點(diǎn)問(wèn)題。

3結(jié)語(yǔ)

本文提出了一種基于對(duì)比度直方圖特征子空間聚類(lèi)的區(qū)域級(jí)背景減除方法。通過(guò)圖像塊特征的稀疏子空間聚類(lèi)構(gòu)建了一組子空間作為背景模型，在此基礎(chǔ)上根據(jù)特征在子空間的重構(gòu)誤差判斷前背景，并最終實(shí)現(xiàn)了背景減除。在視頻上的背景減除實(shí)驗(yàn)證明了本文方法的有效性。

第7期 姬鶴鵬：小波框架下模糊圖像復(fù)原方法研究軟 件 導(dǎo) 刊2016年標(biāo)題