视频中前景提取技术的探究(2)

神经网络通过不断的学习来判断一个像素点是属 于前景还是背景[20,21]。 频域背景建模：背景模型通过卷积中的参数来进行模型，比如利用离散小波变化[22]中的参数进行模型。 背景估计：背景建模通过滤波器进行大概。如果的当前图像中的某个像素与预测的背景值偏出啊较远，则被认定为前景点。滤波器的选用可以让，Kalman 滤波器[24]， Tchebychev 滤波器[25]。有时也可以选择Wiener 滤波器[23]。 所有这种所有的那些背景模型技术都涉及至了下面的科技点：背景模型，背景初始 和背景更新，前景评估，特征点大小的选用（像素，块，聚类），特征类别的选取（颜 色特性，边缘特征，运动特点，纹理特性）。在判定一个背景检测技术的鲁棒性时通常 考虑下面的状况：噪声，相机移动，时间，光暗，虚假前景，移动背景，阴影等等。这 些原因都会对前途检测带来巨大的妨碍。而前景评估中更主要的难点则来自于： 移动背景：移动背景通常存在于户外的画面，如图1-1 显示了 中更常见的状况：摄像机抖动，树叶晃动视频前景提取，水波和海面。第一行显示了原图像，而第二行则显示了通 过MOG[16]检测的结果，可以看见在结果中存在了巨大的误检。

图1-1 移动场景中借助MOG 进行前景提取的结果 万方数据 上海交通大学硕论文 第一章 绪论 光暗变化：光暗变化通常存在于室内以及户性最为广泛而且有效的是基于概率统 计模型，其近期的技术方法可以分为以下几类： 最早通过概率模型来进行背景建模的方式是假定某个像素点在过去的像素值可以借助单个高斯模型分布来插值(single Gaussian,SG)。但是一个单一的模型在移动场 景中（如存在摇晃的树叶，水纹等等）则难以很好的表征背景像素点的特点。因此， 之后的文献强调了一种MOG，即高斯混合模型[14]来进行背景的建模，该模型通过 建立不同的几个高斯分布来进行背景像素值的插值。MOG 模型有下述特点:在运行 过程中 MOG 不需要存储过多的输入数据，多个高斯分布也可比较好的规避多背景 环境跟渐变的光照变化。

但是它同时也带给了下面的弊端：其高斯分布的数目应该 在试验之前确定；初始化的条件规定较高，即图片中不能存在过多的前景目标，背 万方数据 上海交通大学硕论文 第一章 绪论 景环境较稳定；真实环境中的像素值分布可能是不按照正太分布的。并且提高了鲁棒性的同时，这个建模的更主要难题在于：背景差异经常的状况下，仅仅通过几个 （3-5）高斯模型来进行背景拟合还是不够准确，使得结果中误检的前景点过多。对 于MOG 人们也做了许多的优化，将其改进可以分为以下几类： 模型外部的优化：这一类改进方式着眼于概率建模或是时空的约束。比如[27]提出了依据场景不同自动确认 MOG 中的高斯分布个数。另一些文献对 MOG 模型初始化进行改进[28]，使其可以适应图像中存在前景的状况。文献[29,30]则选用了块像素来取代了单个像素以超过更好的鲁棒性。对于特性类型，[31] 采用了不同的像素信息来替代RGB，[32,33]采取了边缘特征，[34]采取了纹理特 征，[35]采取了空间特征，[36]采取了运动特征。[37,38]则将亮度、像素值、邻 域信息综合考量来替代了RGB 信息。 模型内部改进：另外一类方法则是运用内部的科技方式来提高其测试效果。

[39]采取了马尔科夫随机场，[40]采取多层技术，[41,42]采取多图层技术，[43,44] 采取多个背景模型技术，[45,46,47]采取图像分割，[48,49]采取跟踪反馈，[50,51] 采取后期处理技术。 减少计算复杂度：之前的建模优化都是着眼于提升前景评估结果，但是也有一些文献则强调了提高MOG 计算复杂度的方式。[52,53]采取了区域特征，[54]采取 了自适应速率，[55,56]采取了切换背景模型技术，[57,58,59,60]采取了空间中的 采样技术，[61,62,63]采取了软件加速科技。 加强前景评估结果：这一类文献通过分割方式对测试结果进行强化处理。文献[64]采取概率背景扰动技术，[65]采取基于颜色的分割，[66]采取区域运动信息的检 测，[67,68]采取块匹配，[69]采取分析模型，[70,71]采取连续帧差方法。 之后文献中既强调了一种无参数，基于样本的背景提取技术KDE[12]，核密度估计。 KDE 通过像素点在今天时间的样本来进行今后时刻的恐怕，但是KDE 的时效性较差。 在[72]中强调了一种SL-PCA 的技术，即子空间主成分分析。它借助计算输入图像跟 重建图像之间差别来进行前景分割。

也有非常多的文献对于 KDE 技术强调了优化， 可以归类为： 万方数据 上海交通大学硕论文 第一章 绪论 模型内部改进：[73]通过改变核函数进行改进。在建模训练方面，[74,75]采取多元化的采样技术。[76]采取了递归方式来降低计算时间。[17]根据特性选择的不 同进行了具体非常。 模型内部改进：[78]采用了马尔可夫随机场，[79]采取了分级策略，[80]采取了分割的方式进行改进。 取连续帧差，[82]采取PCA子空间学习模式。 第二类技术借助支持向量机模型来进行预测。[83]使用了SVM算法来初始化室外场 景中的背景。[84,85]在交通视频中存在光照变化的状况下使用了SVR 算法来进行背 景模型。[86]采用了SVDD 来进行移面中的背景模型。 第三类技术综合了第一代技术包括SGG[87] ，MOGG[88] ，SL-ICA[89,90] SL-INMF[91],SL-IRT[92]。SGG对单高斯分布的条件进行了松弛，相较于原来的 SG 在阴影和光照变化方备更好的鲁棒性。MOGG 则多用于移动背景画面中进行建 模。而SL 技术则针对光照变化有着很好的鲁棒性。

以上所表述的科技都是基于固定摄像的视频，尽管我们可以将其采用至移动摄像的 视频中，但是鉴于其技术局限性，所取得的前景提取结果通常能够满足我们的规定。因 此，随着移动拍摄设备在近些年来的普及，人们更多的起初研究移动摄像器材录制的视 频中的前景提取。 文献[93]提出了基于自身运动补偿的科技。这一类补偿技术一般采取的是单 应矩阵以及是2D 仿射变换来补偿因移动所带给的误差，同时也综合了许多特色 的固定前景提取技术。但是这一类科技常常受限于的移动，相机的运动只能是旋 转，拉近拉远，其拍摄的中心点如果移动了的话就能够运用这一类补偿方式。 针对摄像机拍摄中心点存在移动的状况，文献[9,25,36]采取了平面加视差的建模来 进行前景提取，首先借助连续几帧建立单要矩阵，之后再借助一定的方式缓解因相机旋 转，拉近拉远甚至校正所造成的偏差。残余的像素点则属于前景或者视差像素。这些文 献都设想在画面只存在一个主平面，以此来恐怕单要矩阵，因此这一类科技方式在航空 图像中采用非常广泛。 万方数据 上海交通大学硕论文 第一章 绪论 另一种技术则是基于多层技术模型[33,28,15,35]，这一类建模将画面进行分块，并且基于一些运动相似性将画面进行分块。

[37]采用了一种基于多层的科技来进行前景提 取，但是在存在视差的状况下，它的提取结果就非常不理想。文献[30,3,13,32]则基于 运动的几何相似性来将像素移动轨迹进行分类。。 [98]提出了一种基于显著性特征点的运动轨迹跟 MRF-MAP 模型的前景提取方式， 该办法不需要对场景进行改造，也不需要中心固定，但是其建模采用的摄像机的 仿射变换模型而不是更为精确的角度变换模型。 1.3 本文的研究内容 本文以视频中前景目标的提取为探究内容，在探讨了不同的科技方式，之后将难题 分为两个方面：第一个问题是固定摄像机拍摄视频中的前景提取，第二个问题是移动摄 像机拍摄视频中的前景提取。对于这两个问题，本文都在科技方式上面进行了突破，并 且用VS2008 集合OPENCV 库进行了程序上的演示与仿真，达到了良好的测试结果。 本文的详细结构如下： 第一章绪论具体介绍了形势提取技术在现在环境中的探究意义，并且详细论述和分 析了的近来研究现状，为论文的以后几章打下基础。 第二章提出了一种在固定拍摄视频中的前景提取算法，该算法从这几年兴起 的ViBe 算法中取得了灵感，对于ViBe 检测结果中存在的相同像素点难以分辨和针对背 景中存在往复运动鲁棒性较差等弊端进行了讨论，提出的新算法针对视频中存在色彩相 近像素点跟诸如树叶，水纹等现象都有着很好的减缓作用。 第三章提出了一种在移动拍摄视频中的前景提取算法，该算法引入了光流作 为基本特点。光流可以较好的针对图像内像素的运动信息进行表征。而移动摄像视频中

本文来自电脑杂谈，转载请注明本文网址：
http://www.pc-fly.com/a/bofangqi/article-140836-2.html