CN101216940A - 基于小波多尺度变换视频前景运动对象分割方法 - Google Patents

Abstract

本发明涉及一种视频运动对象分割方法。它是根据小波变换在时域和频域均具有局部化特征，抑制干扰，提取局部信息；基于背景差分，利用小波多尺度特征，对差分图像进行小波多尺度变换；根据运动前景对象具有高的幅度变化，提取视频图像中前景运动对象信息。本发明方法不需要有关场景学习训练、手工校正或人为判断及假设等信息，可在多种条件下，实现视频运动对象分割。

Description

基于小波多尺度变换视频前景运动对象分割方法

技术领域

本发明涉及一种视频运动前景对象分割方法，用于视频数字图像分析与目标提取。属于智能信息处理技术领域。

背景技术

视频运动前景对象分割，是在给定的二维连续图像序列中，发现运动前景目标，并从视频场景中分割出运动目标。准确的视频运动前景对象分割，是物体跟踪、分类、识别和运动参数提取的基础。在视频监视、自动导航、多媒体标准应用及模式识别等领域，具有重要的实用意义和价值。

虽然人眼可以很容易地识别出视频运动前景对象，但对计算机而言，适合于通用视频序列的全自动视频分割和提取，目前仍是一个难题。首先，视频运动前景对象本身多种多样，缺乏独一无二的定义。其次，同一视频场景，不同的应用，所感兴趣的视频对象不同。

现有的视频运动前景对象分割方法主要有：基于背景建模、基于帧间差和基于光流场的分割方法。基于背景建模方法，对环境变化敏感，需背景估计与更新。基于帧间差分割方法，对动态场景变化敏感，不易将运动目标完全分割出，易在目标内部产生孔洞。基于光流场方法，计算量大，运算复杂，需特定的硬件支持以实现实时处理。

发明内容

本发明的目的，在于针对现有视频前景运动对象分割方法需要场景学习训练、手工校正或人为判断及先验假设等信息，以及对动态场景变化敏感、噪声干扰大、运算复杂，提供一种基于小波多尺度变换视频前景运动对象分割方法，可在多种条件下，实现视频运动前景对象分割。

为实现这样的目的，本发明的构思是：根据二维图像I(x，y)在尺度2^j和k方向上的小波变换：

$W_{2^j}^{k}f(x,y)=I*{\mathrm{\ψ}}_{2^j}^k(x,y),k=\mathrm{1,2}$

则在x，y方向上的小波函数可表示为：

${\mathrm{\ψ}}^1(x,y)=\frac{\∂\mathrm{\θ}(x,y)}{\∂x}$

${\mathrm{\ψ}}^2(x,y)=\frac{\∂\mathrm{\θ}(x,y)}{\∂y}$

式中，θ(x，y)为平滑滤波函数。

由此可确定图像I(x，y)经函数θ(x，y)平滑滤波后，在不同尺度下的小波变换为：

${\▿}_{2^j}I(x,y)=(W_{2^j}^{1}I(x,y),W_{2^j}^{2}I(x,y))=\frac{1}{2^{2^j}}\▿I*{\mathrm{\θ}}_{2^j}(x,y)$

若梯度幅度M_2jI沿下列梯度方向达到局部极大，则图像中该点(x，y)为多尺度边缘点

$A_{2^j}I(x,y)=\arctan \left[\frac{W_{2^j}^{2}I(x,y)}{W_{2^j}^{1}I(x,y)}\right]$

据此，可确定不同尺度下的边缘点。由于噪声对尺度变化敏感，因此，采用上述寻求局部幅度极大值，不能有效压制噪声。为有效克服这一影响，通过寻求梯度幅度高于某阈值方法，替代寻求局部幅度极大值，确定不同尺度的边缘点。

$E=\sqrt{{(I\⊗h)}^2+{(I\⊗v)}^2}>=T$

其中，h，v分别为水平、垂直方向上的滤波算子，T为阈值，为卷积算子。

根据上述的发明构思，本发明采用下述技术方案：

一种基于小波多尺度变换视频前景运动对象分割方法，其特征在于根据小波变换在时域和频域均具有局部化特征，抑制干扰，提取局部信息；基于背景差分，利用小波多尺度特征，对差分图像进行小波多尺度变换；根据运动前景对象具有高的幅度变化，提取视频图像中前景运动对象信息；具体步骤如下：

1.背景差分：当前帧图像I₁(x，y)与背景图像I₂(x，y)相减，得到差分图像D(x，y)：

D(x，y)＝I₁(x，y)-I₂(x，y)；

2.差分图像多尺度小波变换：

$E=\sqrt{{(D\⊗h)}^2+{(D\⊗v)}^2};$

其中，D为差分图像，h，v分别为水平、垂直方向上的滤波算子，为卷积；

3.前景运动对象区域的确定：确定差分图像多尺度小波变换E的阈值T，将E值高于T的所有像素组成的区域，确定为视频运动前景对象区域。

本发明与现有技术相比较，具有如下显而易见的突出实质性特点和显著优点：

本发明方法运算简便、灵活，容易实现，解决了数字视频图像中运动前景对象分割需要有关场景学习训练、手工校正或人为判断及假设等信息，提高了视频运动前景对象分割的鲁棒性，可适应多种条件下的视频运动对象分割。

附图说明

图1是本发明一个实施例的视频原始背景图像。

图2是本发明一个实施例的视频原始当前帧图像。

图3是图2示例中分割出的二值运动前景区域图像。

图4是图2示例中分割出的运动前景区域图像。

具体实施方式

本发明的一个具体实施例是：本例的视频原始背景图像如图1所示，当前帧图像如图2所示。对图2与图1所示的图像进行差分，对所得差分图像进行小波多尺度变换，根据运动前景对象具有明显高的幅度变化，进行运动前景对象区域分割，具体步骤如下：

(1)背景差分：当前帧图像I₁(x，y)与背景图像I₂(x，y)相减，得到差分图像D(x，y)。

D(x，y)＝I₁(x，y)-I₂(x，y)

(2)差分图像多尺度小波变换：

$E=\sqrt{{(D\⊗h)}^2+{(D\⊗v)}^2}$

其中，D为差分图像，h，v分别为水平、垂直方向上的滤波算子，为卷积。

(3)前景运动对象区域的确定：确定差分图像多尺度小波变换E的阈值T，将E值高于T的所有像素组成的区域，确定为视频前景运动区域。

图3为经上述所得到的二值运动前景对象区域，图4为分割出的运动前景对象图像。

Claims (1)

1.一种基于小波多尺度变换视频前景运动对象分割方法，其特征在于根据小波变换在时域和频域均具有局部化特征，抑制干扰，提取局部信息；基于背景差分，利用小波多尺度特征，对差分图像进行小波多尺度变换；根据运动前景对象具有高的幅度变化，提取视频图像中前景运动对象信息；具体步骤如下：

1)背景差分：当前帧图像I₁(x，y)与背景图像I₂(x，y)相减，得到差分图像D(x，y)：

D(x，y)＝I₁(x，y)-I₂(x，y)；

2)差分图像多尺度小波变换：

$E=\sqrt{{(D\⊗h)}^2+{(D\⊗v)}^2};$

其中，D为差分图像，h，v分别为水平、垂直方向上的滤波算子，为卷积；

3)前景运动对象区域的确定：确定差分图像多尺度小波变换E的阈值T，将E值高于T的所有像素组成的区域，确定为视频前景运动区域。

Images