第26卷第1期, 2013年1月 宁波大学学报(理工版) 首届中国高校优秀科技期刊奖
Vol.26 No.1, Jan. 2013 JOURNAL OF NINGBO UNIVERSITY ( NSEE ) 浙江省优秀科技期刊一等奖
一种融合纹理和颜色信息的背景建模方法
王吉文
1,2
, 何加铭
1,2*
(1.宁波大学 通信技术研究所, 浙江 宁波 315211; 2.浙江省移动网应用技术重点实验室, 浙江 宁波 315211)
摘要: 鉴于目前视频序列的运动目标检测常使用背景差分法, 但其受光照变化以及阴影影响, 不
能准确区分出运动物体的特点, 因此提出一种新的背景建模算法. 该算法融合纹理信息和颜色
信息建立背景模型, 其中的纹理信息采用LBP 算子进行描述. 为更好地描述纹理信息, 进一步改
进了基本的LBP 算子, 并同时引入抗噪因子增强抗噪声影响. 实验证明, 提出的算法在大多数情
况下都取得良好的效果.
关键词: 运动目标检测; 背景差分; 背景建模; 纹理信息; 局部二值模式; 抗噪因子
中图分类号: TP391.4 文献标志码: A 文章编号: 1001-5132(2013)01-0043-05
运动目标检测在视频监控、智能交通等领域都
有着广泛的应用. 背景差分法凭借对硬件要求低、
算法设计相对简单、效果良好等优点, 成为了运动
目标检测的重要方法. 背景差分就是将背景从视
频图像中除去, 提取运动目标. 但由于背景模型受
到自然环境等因素影响, 使得背景建模是一个长
期而艰难的研究课题.
背景的描述通常分成两类: 一类是采用颜色
等图像像素信息来描述背景, 另一类是采用纹理
等图像结构信息来描述背景. 第一类算法以高斯
模型
[1]
为代表, 对所有像素点都使用高斯模型, 共
同组成背景模型. 由于高斯模型无法解决风吹动
树叶、光照的变化等外界干扰, Grimson
[2]
提出了混
合高斯模型(Mixture of Gaussian, MOG), 建立多个
模型来描述背景, 因此对这些问题的解决有一定
的效果. MOG 也是目前使用最广泛的算法, 但对
该算法的改进
[3-4]
也一直进行着. 这类算法对于大
多数情况甚至包括光照渐变具备很好的效果, 但
对于阴影的处理却表现得不尽人意. 另一类算法
以纹理信息建立背景模型为代表, 其中最著名的
算法是 Heikkila 等人
[5]
提出统计某个区域内的基本
LBP (Local Binary Pattern, 局部二值模式)纹理得
到 LBP 纹理直方图, 并利用其直方图建立的背景
模型. 由于纹理信息几乎不受光照变化及阴影的
影响, 使得纹理建模, 特别是LBP 纹理模型深受研
究者
[6-7]
的喜爱. 此类算法在绝大多情况下都有很
好的效果, 但对于区域纹理特征不丰富的情况下,
表现也不尽人意. 如再天空、海洋等区域纹理特征
不丰富的情况, 就无法区分前景与背景, 此时判断
得出的背景就往往出现空洞等情况.
通过分析两类算法的优缺点后可知, 若将两
者融合, 即融合颜色信息与纹理信息描述背景信
息, 似乎可以得到很好的背景模型. 近年来, 对融
合颜色与纹理信息描述背景的算法
[8]
, 在一定程度
上改善了单一模型无法解决的问题, 但在如何更
好地结合两者, 却成为了亟待解决的问题. 目前大
多数的融合算法都采用联合参数
[9-11]
方法, 但比较
生硬结合, 不能很好解决这个问题.
笔者采用的融合算法区别于通过联合参数进
行融合的方法, 采用纹理筛选, 再结合颜色信息建
立背景模型的融合方法, 算法简单, 效果也有明显
改进.
1 背景模型描述
1.1
LBP 纹理特征
LBP 是一种灰度变化描述算子
[5]
, 该算子通过
收稿日期: 2012−10−08. 宁波大学学报(理工版)网址: http://nbdxlg.paperopen.com/
基金项目: 国家科技重大专项(2011ZX03002-004-02); 浙江省移动网络应用技术联合重点实验室项目(2010E10005).
第一作者: 王吉文(1987-), 男, 福建南平人, 在读硕士研究生, 主要研究方向: 系统集成与智能控制. E-mail: boot.bin@163.com
*通信作者: 何加铭(1949-), 男, 浙江杭州人, 博士/教授, 主要研究方向: 系统集成与智能控制. E-mail: hejiaming@nbu.edu.cn