图像动态捕获算法的研究.docVIP

图像动态捕获算法的研究 　　摘 要：在我们采集的视频数据中，绝大多数监控场景是静止的，在有动态对象的情况下，运动图像只占所采集数据的20%左右。如果进行监控视频的实时传输，就会造成不必要的资源浪费。由于监控的背景基本不变，所以主要是提取动态对象，对动态对象进行单独编码并传输，用计算机对动态对象和背景图像进行融合，还原实时的监控场景。提出一种VOP方法应用在MPEG-4中，使其具有基于内容的功能。 　　关键词：图像 动态捕获算法 研究 　　中?D分类号：TP391 文献标识码：A 文章编号：1672-3791（2017）01（b）-0219-02 　　1 算法实现 　　广义Hausdorff距离使自动获取对象的模型能够与后续帧进行很好地匹配，然后利用一种新的刷新技术，对每帧进行刷新以适应图像形状的旋转和变化，并运用一种新的滤波技术滤除静止背景，最后提取出VOP作为MPEM的输入。 　　1.1 Hausdorff对象跟踪 　　算法的核心是Hausdorff对象跟踪，它的应用可以在视频的整个序列中建立一种对象时间的相关性。这种相关性对于以内容为功能是很重要的，虽然检测的对象在任何时间停止任意时长，这种算法也能够保证对目标的跟踪。 　　如果采用Hausdorff距离用来实现后续帧与对象模型的匹配，就要先对对象的边界进行图形建模。我们都知道亮度的变化对灰度图像有很大的影响，一般我们不用它来做对象或模块的匹配。在一位边界图像中对象边界不能限制模型的边界点，获取边界图像我们采用CW操作。 　　当我们得到了边界图像的二值模型，用后续帧与它进行匹配。想要的得到一个可靠的匹配方法，这个匹配方法需要能够检测出旋转、变化的对象和形状在进行变换。这样由后续帧和模型进行匹配来获取新位置的方法不再适用，这种匹配方法数据多计算量极大。所以，我们采用Hausdorff距离来获取后续帧和视频对象模型之间的最佳匹配。 　　1.2 初始化动态对象 　　采用Hausdorff距离的方法来得到对象模型，用来匹配与后续帧，就应对运动进行初始化。由于对象的初始位置是未知的，为了进行动态对象分割，必须走出动态对象的初始位置。对于非静止背景或用运动摄像机获取的场景，经常要进行全局的运动补偿。 　　1.3 模型刷新 　　一个跟踪对象在视频中形状会发生变化，所以我们建立的模型在每一帧都会进行刷新。在运动摄像机的场景或具有杂乱背景的情况下很难实现。有时对象的一部分比对象的其余部分变化的快。这就需要一种新的刷新技术，一个成分负责运动快的部分，一个成分慢运动部分，结合这两个成分就构成一种新的刷新算法。 　　1.4 滤除静止的杂乱背景 　　如果边界图像的所有像素都属于对象，那对象跟踪的获取就相对比较容易，但实际的很多序列中包含有杂乱的背景，因此有必要在模型匹配和刷新之前先滤除这些杂乱的背景。否则，如果背景边界点与模型相当近的话，模型刷新时可能会选出这些背景边界点。 　　1.5 VOP的提取 　　VOP的提取步骤为：（1）利用Hausdorff距离自动获取对象模型再与后续帧进行匹配；（2）初始化动态对象；（3）对每帧内图像进行刷新；（4）滤除静止背景。 　　2 实验演示与讨论 　　以办公桌监控为例，来验证这种算法的有效性。监控对象为一个办公桌，茶杯作为动态物体，当它进入监控范围，计算机系统马上就会识别。若果移动茶杯，跟踪符号自动追踪。当捕获目标后就可以通过图像对比提取出背景图像，然后对背景图像进行单独编码操作，如果能使传输速度达到3fps，就可以应用到监控中（如图1、图2）。 　　3 实验结果列表如下 　　用实验验证动态捕获在视频压缩中的效果，分别对playground（运动场）、crossroad（十字路口）、desk（办公桌）和market（市场）各画面进行处理，比较处理前后的数据可以验证该算法的性能。视频画面的大小为4CIF，实验结果如表1、表2所示。 　　经过动态捕获处理之后，视频数据量都减少了很多。压缩之后数据量为：27.83M，可以算出压缩比为（27.83/88.88）×100%=31.31%。从压缩比看出来，动态捕获对视频压缩有明显的效果。 　　广义Hausdorff距离能够解决个别点远离中心导致Hausdorff距离变大的问题。采用抽样的方法抽取其中的一些值，其它点不会增大Hausdorff距离。在处理形状变化或部分遮挡的对象时能够应用这种特性，利用Hausdoffe距离能够得到精确的匹配。新方法结合了快速和缓慢运动的两个成分，刷新每一帧就能够解决图像形状的变化和旋转产生的问题。对边界像素进行计数的滤波技术对噪声不敏感，更重要的是即使对象停止运动任意长时间它也起作用，简单差值法与这种方法性能要相差很多。 　　参考文献 　　[1