CN102867308A - 一种电脑输出视频图像变化检测的方法 - Google Patents

Abstract

本发明涉及一种电脑输出视频图像变化检测的方法，属于视频处理技术领域。本发明提供一种电脑输出视频图像变化检测的方法，其能够实现视频图像中微小变化的实时检测。

Description

一种电脑输出视频图像变化检测的方法

技术领域

本发明涉及一种电脑输出视频图像变化检测的方法，属于视频处理技术领域。

背景技术

随着多媒体技术的发展，视频和图像处理技术的应用日趋广泛，而运动变化检测技术就是其中重要的一个研究方向。该技术旨在借助参考图像来判断当前图像是否存在运动变化，某些应用需要进一步检测运动变化的具体区域。该技术的应用十分广泛，比如利用变化检测技术对同一地域不同时期的遥感图像中定量分析和确定地表变化过程，来更新地理数据、评估灾难、检测土地利用情况等；比如在安防领域，可以通过对监控视频的变化检测来判断是否有非法入侵者闯入等。

视频图像的运动变化检测对算法的实时性要求较高，同时视频中对象运动（如视频场景变化、微小的人为变化等）或噪声都会引起视频图像像素值的改变。其中，对象运动引起的变化是结构性的，而噪声引起的变化是非结构性的。噪声一般来源于相机、量化、传输等，可认为是高斯噪声，并且为加性噪声，这些噪声对我们做出的判断会有很大的影响，需要将这些影响降低到最小。对于可能存在的微小的人为变化（如电脑桌面图像中的指针移动），需要较高的检测精度。总之，应用于视频图像运动变化检测的算法在保证实时性的基础上，既要抑制噪声对视频变化判断的干扰，又要保持微小变化的侦测灵敏度。

在申请于2011年1月18日，公开于2011年5月18日，公开号为CN102063722A的专利中，申请人公开了一种基于主成份广义逆变换的图像变化检测方案。该方案通过对待检测图像重新组织数据后进行两个特征空间中的变换，在变换后的特征空间中进行更新波段差分处理以获取变化成分，再通过自动阈值确定方法来提取变化区域，实现变化检测。该方案利用基于PCA（主成份分析）变换的变化检测是在主成份广义逆变换后的特征空间里对图像进行差分检测，从而有效地抑制了噪声，在图像受噪声干扰严重，图像变形扭曲，分辨率过低等情况下很好的检测效果。该方案的确可以很好地抑制噪声干扰，克服图像扭曲及分辨率较低等不利因素对变化检测的影响，但其采用的主成份分析(PCA)变换算法计算量较大，会产生较大的系统时延。

在公开于2010年1月5日，公开号为US7643703B2的美国专利中，申请人公开了一种图像变化检测系统设计方案。该方案中，首先载入原图像和目标图像，再将两幅图像变为二值化的边缘图像（在边缘图像中，每个像素标注为边缘或者非边缘），清楚地描述图像中各对象的轮廓，然后将两幅边缘图像进行比对，以此来判断两幅图像是否存在变化部分。该方案对物体轮廓较清晰图像的变化检测效果较好。该方案对边缘模糊的图像或是颜色对比度较低的图像的变化检测效果较差,另外，该方案对整张图像直接进行操作，对细小变化的漏检概率较大。

在北京理工大学学报第27卷第11期，文章编号为1001-0645（2007）11-0998-03的文章中作者提出了一种基于相关系数的图像变化检测方案。该方案基于两幅图像之间的相关系数越小，相似度越低的原理，先将参考图像和输入图像转换成灰度图像，然后对相关系数公式进行简化和迭代运算，并利用简化的相关系数公式计算参考图像和输入图像之间的相关系数，得到相关系数矩阵，通过对相关系数矩阵的分析，判断两幅图像是否有变化。该方案对含有较小噪声的图像可以得到比较准确的结果，但当噪声较大时，图像之间的相似性就会减弱，相关系数减小，即使图像没有发生变化，也会被误判为有变化。

此外，当分块相对较大时，微小的物体运动反映在相关系数上有可能相等，该方案无法判定此类变化，导致检测无变化。

综上所述，现有视频变化检测方案都有一定局限性，特别是针对视频图像中微小变化的实时检测应用，性能不佳。

发明内容

为了克服上述的不足，本发明提供一种电脑输出视频图像变化检测的方法，其能够实现视频图像中微小变化的实时检测。

本发明实现的技术方案如下：

第一步：彩色图像转成灰度图像，所述彩色图像转成灰度图像方法如下：

y＝0.114*b+0.587*g+0.299*r，

所所y为灰度值，y的范围是0≤y≤255；所述b为彩色图像的蓝色分量，b的范围是0≤b≤255；所述g为绿色分量，g的范围是0≤g≤255；所述r为红色分量，r的范围是0≤r≤255；

第二步：把第一步得到的灰度图像通过均值滤波器滤波，所述滤波器为

$f(i,j)=\frac{1}{W^2}\underset{m=i}{\overset{i+W-1}{\mathrm{\Σ}}}\underset{n=j}{\overset{j+W-1}{\mathrm{\Σ}}}f(m,n),$

其中i的取值范围为大于等于零、小于等于图像的宽度W，j的取值范围为大于等于零、小于等于图像的高度W。均值滤波器的窗口大小为W×W个像素，W取值范围为3～9，在本发明中W为4；本发明采用均值滤波快速算法，在W＝4，即窗口为4×4像素时，具体实现如下：首先算出灰度图像中每一列4个像素和，得到一个一维数组，元素个数为列数，然后将前4个值相加再除以16，即得到第一个像素的均值滤波结果，接着把求得的和加上第5个值再减去第一个值，再除以16，即为第二个像素的均值滤波结果，依此类推，即得到第一行所有像素的均值滤波结果，接着为了计算第二行像素的滤波结果，先将之前所得的一维数组的值更新，更新方法是一维数组的第一个元素加上第一列第5个像素减去第一列第一个元素，一维数组的第二个元素加上第二列第5个像素减去第二列第一个元素，依此类推，即可更新该一维数组，再按照之前的方法，即可求出第二行的滤波结果，依此类推，即可求出整张图片的均值滤波结果。

所述在均值滤波中加入了韧性估计，设X_i（i＝0,1,...,N-1），X_i是独立同分布的观测序列，N取值范围为9~81，本发明中N取值为16；分布函数F(x)=(1-α)G(x)+αH(x)，其中，G(x)为已知图像序列分布函数，由每帧图像序列而定，如瑞利分布 $G\left(x\right)=\left\{\begin{array}{cc}\frac{x}{{\mathrm{\μ}}^2}{e}^{-\frac{x^2}{2{\mathrm{\μ}}^2}}& x>0\\ 0& x\≤0\end{array}\right.,$ 其中μ为用于确定G(x)均值的正实数。H(x)为任意分布函数，如高斯分布，0≤α≤1为常数。为了计算X_i的均值m(x)，可构造代价函数其中m(x)为均值估计，σ(x)为均方差估计，ψ(x)是要适当选择的函数，例如取ψ(x)=|x|，则

可解出m(x)，与对X_i进行中值滤波的结果相同。

由于H(x)未知，故F(x)也未知，但可知道m(x)、σ(x)的结果与ψ(x)及F(x)有关，对所有的F(x)进行考量，一定存在一个分布F₀(x)，其估计出来的方差

最大。而我们可通过选择ψ(x)使得

最小，来控制σ(x)的可能最大值。

第三步：分块：将滤波后的图像进行分块判断是否变化，每一块大小为8×8像素，以提高图像变化检测的敏感性和实时性。

第四步：求帧差：将上述待判断帧的块图像减去参考帧的对应块图像，若对应点像素值差值的绝对值小于5，则将该点的像素值置为0。

第五步：求均值与方差：计算上述通过帧差处理后的图像块的均值和方差。

所述均值计算方法如下：

${\stackrel{\‾}{f}}_{\mathrm{dif}}=\frac{1}{N}\underset{(x,y)\∈W(x,y)}{\mathrm{\Σ}}{f}_{\mathrm{dif}}(x,y),$

所述方差计算方法如下：

$s=\sqrt{\frac{1}{N-1}\underset{(x,y)\∈W(x,y)}{\mathrm{\Σ}}{(f_{\mathrm{dif}}(x,y)-{\stackrel{\‾}{f}}_{\mathrm{dif}})}^2},$

第六步：求t值：根据上一步计算块图像的均值和方差，通过t分布来检验该图像块是否发生变化，从而判断整张图像是否发生变化。

所述t值计算方法如下：

$t=\frac{{\stackrel{\‾}{f}}_{\mathrm{dif}}}{(s/\sqrt{N})},$

第七步：判断：若|t|<2.575,则认为当前帧与参考帧的对应块相同，否则认为发生变化。只要有一对块被认为不同，则认为两张图片存在变化，即用当前帧的灰度图像替代参考帧，并输出该变化视频帧；若所有块都被检测为相同，则认为两张图片无变化，不输出该视频帧。在该技术中，用根据周围像素均值与方差特性进行假设检测的一点像素变化情况代替一像素块的变化，这样做既保证检测的准确性，又提高了变化检测的执行效率和实时性。

附图说明

图1是本发明原理框图。

图2是本发明程序流程图。

具体实施方式

本发明整体上分为三个模块，如图1所示。

(1)模块1：彩色转灰度

由于彩色图像的R、G、B三个分量具有很强的相关性，故需要将彩色图像转成灰度图像，

y＝0.114*b+0.587*g+0.299*r，

其中，y为灰度值（0≤y≤255），b、g、r为彩色图像的蓝色分量（0≤b≤255）、绿色分量（0≤g≤255）和红色分量（0≤r≤255）。

(2)模块2：均值滤波

为了减少噪声的干扰，对其进行均值滤波，参照式(2.2)。

$f(i,j)=\frac{1}{W^2}\underset{m=i}{\overset{i+W-1}{\mathrm{\&Sigma;}}}\underset{n=j}{\overset{j+W-1}{\mathrm{\&Sigma;}}}f(m,n),$

其中i的取值范围为大于等于零、小于等于图像的宽度W，j的取值范围为大于等于零、小于等于图像的高度W。本发明中窗口大小为W×W像素，通常情况下，W取值为3~9，在本发明中W取值为4。

此外，该技术在均值滤波中加入了韧性估计，以抑制脉冲噪声对变化检测的影响，其具体原理如下：

设X_i,i=0,1,...,N-1是独立同分布的观测序列，N取值范围为9~81，本发明中N取值为16，分布函数F(x)=(1-α)G(x)+αH(x)，其中，G(x)为已知图像序列分布函数（由每帧图像序列而定），H(x)为任意分布函数（如高斯分布），0≤α≤1为常数。为了计算Xi的均值m(x)，可构造代价函数其中m(x)为均值估计，σ(x)为均方差估计，ψ(x)是要适当选择的函数，例如取ψ(x)=|x|，则 $J\left[m\left(x\right)\right]=\underset{i=0}{\overset{N-1}{\mathrm{\&Sigma;}}}\left|\frac{X_i-m\left(x\right)}{\mathrm{\&sigma;}\left(x\right)}\right|,$ $\frac{\&PartialD;J\left[m\left(x\right)\right]}{\&PartialD;m\left(x\right)}=\underset{i=0}{\overset{N-1}{\mathrm{\&Sigma;}}}\frac{-1}{\mathrm{\&sigma;}\left(x\right)}\&CenterDot;\mathrm{sign}\left[\frac{X_i-m\left(x\right)}{\mathrm{\&sigma;}\left(x\right)}\right]=0,$ 可解出m(x)即为X_i中值滤波的结果。

由于H(x)未知，故F(x)也未知，但可知道m(x)、σ(x)的结果与ψ(x)及F(x)有关，对所有的F(x)进行考量，一定存在一个分布F₀(x)，其估计出来的方差

最大。而我们可通过选择ψ(x)使得

最小，来控制σ(x)的可能最大值。

1964年P.J.Huber首先使用该思想给出Robust估值结果：当G(x)为正态分布，H(x)为任意对称分布时，有

$\frac{d{\mathrm{\&psi;}}_0\left(x\right)}{\mathrm{dx}}=\left\{\begin{array}{cc}x,& \left|x\right|<C_H\\ C_H\mathrm{sign}\left(x\right),& \left|x\right|\&GreaterEqual;C_H\end{array}\right.$

即

${\mathrm{\&psi;}}_0\left(x\right)=\left\{\begin{array}{cc}\frac{x^2}{2},& \left|x\right|<C_H\\ C_H\&CenterDot;\left|x\right|,& \left|x\right|\&GreaterEqual;C_H\end{array}\right.$

其中C_H满足

$\frac{1}{1-\mathrm{\&alpha;}}={\&Integral;}_{-C_H}^{C_H}\frac{1}{\sqrt{2\mathrm{\&pi;}}}{e}^{-\frac{x^2}{2}}\mathrm{dx}+\frac{2e^{-\frac{C_H^2}{2}}}{\sqrt{2\mathrm{\&pi;}}}\&CenterDot;\frac{1}{C_H}.$

(3)模块3：假设检验

假设检验我们采用t-分布，根据假设检验相关的理论，若X满足高斯分布，则其满足

图像中的噪声一般为均值为0的高斯噪声，假设两张图片相同（都含有高斯噪声），经过之前两步处理，再把两张图片相减，所得数据也满足高斯分布，因此式

成立。接下来选取一个阈值，若按照式所得的结果的绝对值小于该阈值，则认为两张图片相同，否则认为不同。所述 $\stackrel{\&OverBar;}{X}=\frac{1}{n}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{X}_i,$ $S^2=\frac{1}{n-1}\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{(X_i-\stackrel{\&OverBar;}{X})}^2.$

本发明程序流程如图2所示：过程如下：

(1)彩色图像转灰度图像：

y＝0.114*b+0.587*g+0.299*r，

其中，y为灰度值（0≤y≤255），b、g、r为彩色图像的蓝色分量（0≤b≤255）、绿色分量（0≤g≤255）和红色分量（0≤r≤255）。

(2)均值滤波：

$f(i,j)=\frac{1}{W^2}\underset{m=i}{\overset{i+W-1}{\mathrm{\&Sigma;}}}\underset{n=j}{\overset{j+W-1}{\mathrm{\&Sigma;}}}f(m,n),$

其中i的取值范围为大于等于零、小于等于图像的宽度W，j的取值范围为大于等于零、小于等于图像的高度W。本发明中窗口大小为W×W像素，通常情况下，W取值为3~9，在本发明中W取值为4。

在本发明中采用快速算法，在W＝4，即窗口为4×4像素时，具体实现如下：首先算出灰度图像中每一列4个像素和，得到一个一维数组，元素个数为列数，然后将前4个值相加再除以16，即得到第一个像素的均值滤波结果，接着把求得的和加上第5个值再减去第一个值，再除以16，即为第二个像素的均值滤波结果，依此类推，即得到第一行所有像素的均值滤波结果，接着为了计算第二行像素的滤波结果，先将之前所得的一维数组的值更新，更新方法是一维数组的第一个元素加上第一列第5个像素减去第一列第一个元素，一维数组的第二个元素加上第二列第5个像素减去第二列第一个元素，依此类推，即可更新该一维数组，再按照之前的方法，即可求出第二行的滤波结果，依此类推，即可求出整张图片的均值滤波结果。

(3)分块：每一块的大小为8×8像素。

(4)求帧差：将当前帧的某一块减去参考帧的对应块，若两者差值的绝对值小于5，则置为0。

(5)求均值与方差：求均值按照下式，

${\stackrel{\&OverBar;}{f}}_{\mathrm{dif}}=\frac{1}{N}\underset{(x,y)\&Element;W(x,y)}{\mathrm{\&Sigma;}}{f}_{\mathrm{dif}}(x,y)$

求方差按照下式

$s=\sqrt{\frac{1}{N-1}\underset{(x,y)\&Element;W(x,y)}{\mathrm{\&Sigma;}}{(f_{\mathrm{dif}}(x,y)-{\stackrel{\&OverBar;}{f}}_{\mathrm{dif}})}^2}$

(6)求t值：按照下式计算t的值。

$t=\frac{{\stackrel{\&OverBar;}{f}}_{\mathrm{dif}}}{(s/\sqrt{N})}$

(7)判断：若|t|<2.575,则认为当前帧与参考帧的对应块相同，否则认为发生变化。只要有一对块被认为不同，则认为两张图片存在变化，即用当前帧的灰度图像替代参考帧，并输出该变化视频帧；若所有块都被检测为相同，则认为两张图片无变化，不输出该视频帧。在该技术中，用根据周围像素均值与方差特性进行假设检测的一点像素变化情况代替一像素块的变化，这样做既保证检测的准确性，又提高了变化检测的执行效率和实时性。

Claims (1)

1.一种电脑输出视频图像变化检测的方法，其特征在于：

第一步：彩色图像转成灰度图像，所述彩色图像转成灰度图像方法如下：

y＝0.114*b+0.587*g+0.299*r，

所述y为灰度值，y的范围是0≤y≤255；所述b为彩色图像的蓝色分量，b的范围是0≤b≤255；所述g为绿色分量，g的范围是0≤g≤255；所述r为红色分量，r的范围是0≤r≤255；

第二步：把第一步得到的灰度图像通过均值滤波器滤波，所述滤波器为

$f(i,j)=\frac{1}{W^2}\underset{m=i}{\overset{i+W-1}{\mathrm{\&Sigma;}}}\underset{n=j}{\overset{j+W-1}{\mathrm{\&Sigma;}}}f(m,n),$

其中i的取值范围为大于等于零、小于等于图像的宽度W，j的取值范围为大于等于零、小于等于图像的高度W，均值滤波器的窗口大小为W×W个像素，W＝4，即窗口为4×4像素时，具体实现如下：首先算出灰度图像中每一列4个像素和，得到一个一维数组，元素个数为列数，然后将前4个值相加再除以16，即得到第一个像素的均值滤波结果，接着把求得的和加上第5个值再减去第一个值，再除以16，即为第二个像素的均值滤波结果，依此类推，即得到第一行所有像素的均值滤波结果，接着为了计算第二行像素的滤波结果，先将之前所得的一维数组的值更新，更新方法是一维数组的第一个元素加上第一列第5个像素减去第一列第一个元素，一维数组的第二个元素加上第二列第5个像素减去第二列第一个元素，依此类推，即可更新该一维数组，再按照之前的方法，即可求出第二行的滤波结果，依此类推，即可求出整张图片的均值滤波结果；

所述在均值滤波中加入了韧性估计，设X_i（i＝0,1,...,N-1）是独立同分布的观测序列，N取值范围为9~81，分布函数F(x)=(1-α)G(x)+αH(x)，其中，G(x)为已知图像序列分布函数，由每帧图像序列而定；H(x)为任意分布函数，0≤α≤1为常数，为了计算X_i的均值m(x)，可构造代价函数J

其中m(x)为均值估计，σ(x)为均方差估计，ψ(x)是要适当选择的函数，例如取ψ(x)=|x|，则 $J\left[m\left(x\right)\right]=\underset{i=0}{\overset{N-1}{\mathrm{\&Sigma;}}}\left|\frac{X_i-m\left(x\right)}{\mathrm{\&sigma;}\left(x\right)}\right|,$ $\frac{\&PartialD;J\left[m\left(x\right)\right]}{\&PartialD;m\left(x\right)}=\underset{i=0}{\overset{N-1}{\mathrm{\&Sigma;}}}\frac{-1}{\mathrm{\&sigma;}\left(x\right)}\&CenterDot;\mathrm{sign}\left[\frac{X_i-m\left(x\right)}{\mathrm{\&sigma;}\left(x\right)}\right]=0,$ 可解出m(x)，与对X_i进行中值滤波的结果相同；

第三步：分块：将滤波后的图像进行分块判断是否变化，每一块大小为8×8像素，以提高图像变化检测的敏感性和实时性；

第四步：求帧差：将上述待判断帧的块图像减去参考帧的对应块图像，若对应点像素值差值的绝对值小于5，则将该点的像素值置为0；

第五步：求均值与方差：计算上述通过帧差处理后的图像块的均值和方差。

所述均值计算方法如下：

${\stackrel{\&OverBar;}{f}}_{\mathrm{dif}}=\frac{1}{N}\underset{(x,y)\&Element;W(x,y)}{\mathrm{\&Sigma;}}{f}_{\mathrm{dif}}(x,y),$

所述方差计算方法如下：

$s=\sqrt{\frac{1}{N-1}\underset{(x,y)\&Element;W(x,y)}{\mathrm{\&Sigma;}}{(f_{\mathrm{dif}}(x,y)-{\stackrel{\&OverBar;}{f}}_{\mathrm{dif}})}^2},$

第六步：求t值：根据上一步计算块图像的均值和方差，通过t分布来检验该图像块是否发生变化，从而判断整张图像是否发生变化；

所述t值计算方法如下：

$t=\frac{{\stackrel{\&OverBar;}{f}}_{\mathrm{dif}}}{(s/\sqrt{N})};$

第七步：判断：若|t|<2.575,则认为当前帧与参考帧的对应块相同，否则认为发生变化。只要有一对块被认为不同，则认为两张图片存在变化，即用当前帧的灰度图像替代参考帧，并输出该变化视频帧；若所有块都被检测为相同，则认为两张图片无变化，不输出该视频帧。

Images