摄像机图像中伪装对象的检测方法综述

© 2013年。由爱思唯尔公司出版信息工程研究院负责评选和同行评议可在www.sciencedirect.comwww.sciencedirect.com上在线获取ScienceDirectIERI Procedia 4（2013）351 - 3572013年电子工程与计算机科学摄像图像Sujit K Singha，Chitra A Dhawaleb和Sanjay Misraca印度浦那洛纳瓦Sinhgad工商管理和计算机应用学院bP. R.波特学院C. 尼日利亚，奥塔，圣约大学，计算机和信息科学系摘要摄影是试图将前景对象的纹理隐藏到背景图像帧纹理中。照相机年龄检测方法或Decamberage方法基本上用于检测隐藏在背景图像中的前景对象。本文综述了不同应用领域的伪装检测方法。© 2013作者。由Elsevier B. V.在CC BY-NC-ND许可下开放获取。信息工程研究院负责评选和同行评议关键词：摄像机检测，摄像机拆除，目标检测方法1. 介绍伪装是一种试图将物体掩盖在背景图像框架中并与其背景相匹配的尝试（Ariel Tankus和Yehezkel2000）。伪装这个词来自动物王国的古代，在那些日子里，动物习惯于通过改变自己的身体模式，纹理，颜色来躲避捕食者。在战争中，伪装是军事人员将其隐藏在背景纹理中以使敌人无法识别的技术，而去伪装是将隐藏在图像纹理中的敌人暴露出来的技术。伪装的相关工作可以分为两个方面，第一伪装评估和设计，第二伪装检测。在这里，作者将讨论伪装检测。摄像机图像识别系统（CamerosageIdentificationSystem，简称Decamerosage）是将目标从背景中识别出来的一种方法，也就是将前景目标从摄像机图像中区分出来。在战场上识别敌人、在制造过程中检测产品缺陷、在物流过程中识别重复产品等方面，2212-6678 © 2013作者由Elsevier B. V.在CC BY-NC-ND许可下开放获取。信息工程研究所负责的选择和同行评审doi：10.1016/j.ieri.2013.11.050352Sujit K Singh等人/ IERI Procedia 4（2013）351如何从提供的背景中检测特定的纹理进行识别。在文献中已经提出了一些模型来识别伪装区域，然而，其中大多数通常考虑识别运动伪装-即检测在运动期间试图被伪装的对象-或者在静态图像中-与运动伪装问题相反-如果在监督环境中进行Decamberaging。2. 已定义的露营伪装一词来自法语“伪装者”，在英语中是隐藏的意思（Jiri F。Urbanek等人，因此，伪装老化被定义为掩盖前景的过程，使其看起来好像是背景（P. Sengottuvelan和Amitabh Wahi，2008）。在摄影艺术中，动物的自然色彩和人工渲染的形象都采用了隐蔽和朦胧的手法。自然和人工拍摄的图像被用于以下各种应用的研究：动物或昆虫的天然伪装，使动物和昆虫躲避捕食者图1。运动隐藏，是指将物体隐藏在视觉背景中。在视觉监控应用中，当运动目标的纹理和颜色与背景相同时，会产生图像失真。在人工迷彩中，纹理图案被用于战场上隐藏士兵和武器。意味首先从环境中评估伪装纹理，然后使用伪装纹理来设计衣服、武器等的着色。在图2中，一个士兵具有作为背景的紧密纹理外观。在物流过程中，重复产品与原件混淆，从而使重复产品与原件混在一起。套药中有一种药是重复的，但很难确定哪一种是重复的。这也是人工伪装的一个例子。伪装可能会出现在任何项目的制造时，任何小的缺陷伪装在后台。图123. 脱钙老化技术以下章节针对不同类型的应用总结了文献中的脱氨老化技术。1995年，Srinivasan Davey首次提出了运动伪装，允许一个移动的物体隐藏在任何其他移动的物体中。2003年，伦敦大学计算机科学系Andrew James Anderson提交的论文提供了作者所知的第一个人工运动伪装控制系统。运动伪装的基础是前景运动物体保持一条曲线，使其在被捕食者视网膜上的预期图像Sujit K Singh等人/ IERI Procedia 4（2013）351353不动点这就要求前景目标始终保持在猎物和背景运动目标的固定点之间，以便隐藏在背景中。（Anderson等人，2003年）。现将摄影机老化检测方法总结如下。3.1. Visual Cameroon Breaking（Ariel Tankus和Yehezkel，2000）有些动物能够改变自己的身体模式，以防止被捕食者发现。身体模式随着周围环境的变化是反阴影，这意味着，动物的身体是这样的，它的图像具有平面强度而不是凸强度，这说明一些捕食者具有凸强度功能来检测隐藏的物体，这种基于凸强度的视觉伪装破坏是由作者提出的。本文提出了一种基于Darg算子的伪装破坏算法，该算法可以有效地在凹、光滑凸三维物体等图像域中进行伪装破坏。该方法不能完全提取目标，必须确定一定的阈值，这可能会改变结果。本文还对Darg算子和基于边缘的检测算子进行了比较和说明，发现基于凸性的伪装检测算子优于基于边缘的检测算子。3.2. 基于纹理分割的滤波器响应和形状元素的多尺度聚集（Meirav Galun等人，（2003年）Meirav Galun等人提出了一种基于滤波响应和形状元素的多尺度聚集的图像纹理分割方法。纹理属性是在多个尺度上计算的，它们的特征被用来识别更大的纹理属性。此外，该过程识别纹理分量的形状，并通过它们的大小，纵横比，方向，亮度来区分它们，然后使用各种统计特征来区分不同的纹理。该方法可用于同一纹理段的识别和检索。问题是如何将各种统计特征混合到一个权重中。为了增强该方法，可以并入额外的统计数据。3.3. 共生矩阵和不变中心矩（Nagappa U。Bhajantri和P Nagabhusan，2006年）纳加帕大学Bhajantri等人已经描述了伪装缺陷识别，并且在图像的小块区域内使用基于共生矩阵的纹理提取。首先，他们将完整的图像帧划分为小的相等的不相交块，并为每个块计算K阶（10阶就足够了）的不变中心矩。最后利用聚类分析方法对图像中的遮挡部分进行定位，并利用分水岭分割技术进行识别。该方法在图像块附近存在遮挡部分且遮挡率不超过4%的情况下效果较好，但在输入图像帧中存在大量遮挡图像或正常纹理本身不规则的情况下效果不佳。此外，如果在一个图像帧中存在多于一种类型的缺陷，则也不能区分缺陷部分。3.4. 基于颜色和强度的图像分割检测（I.Huerta等人，（2007年）I. Huerta等人提出了基于图像颜色和强度特征的伪装检测方法。在这里，作者面临的问题伪装时，前景物体像素具有相同的强度作为背景对象，他们讨论了两种类型的伪装，即黑暗和光明。当像素强度较低并伪装成阴影时，会出现深色伪装。接下来，当前景像素强度比背景像素强度更亮时，出现354Sujit K Singh等人/ IERI Procedia 4（2013）351该方法利用颜色-强度模型中的归一化色度测度和归一化强度，实现前景检测，然后应用像素分类技术提取伪装部分。它不适合强烈的阴影和光线。它可以通过考虑图像的线索、角和边缘来增强。3.5. GLCM和树状图在伪装检测中的使用（P.Sengottuvelan等人，（2008年）P.Sengottuvelan等人在他们的研究论文中提出了一种从给定图像中检测隐藏部分并从背景图像帧中提取隐藏部分的方法。根据他们的观点，伪装破坏或去伪装是以无监督的方式进行的，无监督的含义是我们不知道图像中被伪装部分或正常背景特征的任何信息。首先将输入图像转换为灰度图像，然后将图像分成LXL等块，计算图像帧中每个块的灰度共生矩阵值，然后计算每个块的均值。最后对每个块的平均值绘制树状图，并将树状图中最大的单个块标记为相邻块的组合。这种方法对于含有强烈阴影效果的图像是不可行的。该方法识别伪装部位的成功率为70%。3.6. 用于背景观测的贝叶斯分类和高斯混合模型（Hongxing Guo等人，（2008年）在视觉监控应用中，郭红星等提出了一种利用贝叶斯分类和高斯混合模型进行背景观测的前景和背景分割方法，但由于伪装的存在，前景和背景分割的阈值选取非常困难。在视觉监视应用中，当前景目标的颜色特性与背景图像帧的颜色特性相似时，通常会出现伪装问题。因此，他们提出了通过对视频帧进行序列平均来减少背景图像帧中的方差的方法。通过这种方式，他们减少了伪装的可能性，但需要加强这项工作。3.7. 基于颜色、边缘和强度的背景减除（P.Siricharon等人，（2010年）P.Siricharon等人已经介绍了基于图像的颜色特征和边缘特征的背景减除方法。本文主要研究视觉监控中的前景与背景相减。当前景和背景的颜色相同时，就会产生伪装问题，为此，作者提出了一种基于颜色、边缘和亮度特征的伪装模型。该技术通过检测阴影图像和低对比度图像来区分前景和背景。该算法克服了P.Sengottuvelan提出的基于探索性图像分析的图像去噪方法中的阴影效应问题。3.8. HSV颜色和灰度共生矩阵纹理来识别图像中的物体（R。E. Ch.Kavitha等人，（2011年）Ch.Kavitha等人使用局部HSV（色调，饱和度，值）颜色模型和灰度共生矩阵纹理特征来识别图像中的隐藏对象。该算法首先将输入图像分割成大小相等的子块，然后计算子块的纹理特征和颜色特征。该方法利用累积直方图量化图像各子块的色调-饱和度-值（HSV）颜色空间来表示图像的颜色特征Sujit K Singh等人/ IERI Procedia 4（2013）351355利用查询子块与目标图像的集成匹配方案，形成二分图的邻接矩阵。该邻接矩阵用于基于图像最相似最高优先级的原则匹配查询子块图像和目标子块图像。这种颜色和纹理的组合可以用来识别伪装。3.9. 使用基于EM（期望最大化）框架的自上而下信息的对象检测（Zhou Liu等人，（2011年）Zhou Liu等人提出了一种新的前景目标检测方法，该方法通过综合图像的空间、自上而下、光谱特征，推广了期望最大化框架，用于基于背景的前景目标检测。该方法根据目标的状态，在目标模型中加入自顶向下的信息，建立期望最大化框架，构造前景模型。该前景模型可以提高伪装部分的检测。这种方法基本上是用于视觉监视应用，但他们也描述了如何处理伪装问题。所提出的方法的局限性是，如果对象形状的组件是模糊的，那么伪装检测可能是不准确的。3.10. 加权结构相似度（WSSIM），用于寻找Cameraage纹理（宋黎明和耿卫东，2010）宋黎明等在论文中提出了用加权结构相似度方法对环境进行评价，并根据评价结果设计伪装纹理。因此，本文讨论了利用加权结构相似度和自然图像特征来生成伪装图像，同样的方法也可以用于伪装纹理的识别。由于可以利用给定自然图像帧的平均亮度、标准差、相关性、熵等结构特征来检测伪装纹理。3.11. 基于3D凸度的伪装检测方法（Yuxin Pan等人，（2011年）潘宇新等描述了基于三维凸性的伪装检测方法，提出了利用Darg算子检测复杂背景下的伪装部分。该方法还存在一些问题需要解决，如在复杂背景下如何选择阈值来去除Darg算子带来的噪声。这种复杂的背景是平面图像、微小和局部凸元素的混合。3.12. 基于光流模型的运动伪装检测（尹建勤等，（2011年）尹建勤等讨论了以彩色为背景的运动前景目标检测，即运动目标隐藏在背景图像中。常用的目标运动检测算法如帧差法、高斯混合模型、码本模型等效果较好，但当运动目标图像与背景颜色相同时，这些算法不能正常工作。为此，提出了一种基于速度场特征的光流场模型来有效分割这种情况下的运动目标。这种方法的缺点是容易受噪声影响。356Sujit K Singh等人/ IERI Procedia 4（2013）3514. 讨论伪装术是从动物王国的古代使用时，捕食者隐藏自己在周围通过改变他们的身体纹理，然后，因此这个概念已被用于军事和许多领域和应用。在这项研究中，我们发现了两种不同类型的伪装，自然和人工伪装。自然伪装是自动生成的东西，如i）隐藏在背景中的老虎图像已被用于区分老虎和背景（P.Sengottuvelan等人，2008），ii）当新对象的像素的颜色元素与背景颜色元素如此接近时，也会出现伪装问题（Hongxing Guo等人，2008）。人工伪装是通过关键的纹理评估来设计的，如（Song Liming etal. 2010）和（Nagappa U. Bhajantri等人，2006年）。在纹理分析中，已经提出了许多从图像统计信息中提取特征的方法，如共生矩阵或空间频率域，但它们的工作都有局限性。k阶不变中心矩用于分析纹理特征，但如果有多种类型的伪装或伪装的部分更多，则不起作用（Nagappa U。Bhajantri等人，2006年）。使用灰度共生矩阵和统计平均值来提取纹理特征，如果背景均匀，则返回70%的准确度（P.Sengottuvelan等人，2008）。还介绍了基于颜色统计和边缘信息的被隐藏在背景和阴影中的运动目标的检测，该技术克服了Amitabh Wahi的论文Performance of Decamberaging Through Exploratory（P.Siricharon et al.2010）中的阴影效应问题。通过这种方式，我们已经看到了不同的技术来识别图像中的隐藏部分，所有这些技术都对找到隐藏部分有一定的约束。纹理分析在图像处理的许多应用中是有用的，用于图像的分类、分割、检测。因此，在这里，作者提出了纹理分析，揭示图像的隐藏部分，通过使用小波变换。小波变换的优点已经讨论了其他以前的方法可在文献中的纹理分析（S。Arivazhagan等人，2003年）。综上所述，图像增强和纹理分析技术可以提高伪装检测的效果。因此，我们已经在文献中看到，用于检测图像中的遮挡部分的技术根据其应用领域而变化。缺陷摄影图像的识别是一项繁琐的工作，国内外对自然和人工缺陷的识别工作做得很少。因此小波变换在纹理分析和图像识别中有很好的应用前景。5. 结论作为伪装检测领域的现有相关工作，我们已经找到了伪装这个词的起源以及它适用的不同领域，如视觉监视中的运动伪装，战场中隐藏敌人的识别，检测基本上无法识别的棉织物，木材，瓷砖图像中的伪装缺陷。在所有可用的技术中，它们要么是成本有效的，要么它们不能更有效地识别给定图像中的隐藏部分。因此，本文提出了一种基于小波共生特征的图像纹理伪装检测新方法。引用[1] Ariel Tankus和Yehezkel Yeshurun基于凸性的视觉相机破坏模式识别程序。第15届国际会议页码：454 - 457 vol.1 2000IEEE[2] 安德森，A. J. McOwan，P. W.掠食隐身行为的掠食运动模型。程序R. 2003 B，270，489-495。Sujit K Singh等人/ IERI Procedia 4（2013）351357[3] 纳加帕大学Bhajantri和P Nagabhusan计算机缺陷识别：一种新的方法第9届信息技术国际会议（ICIT'06）0-7695-2635-7/06 2006 IEEE。[4] I. Huerta，D.罗，M。Mozerov和J. Gonzalez基于颜色运动分割问题的因果关系改进背景减除IbPRIA '07模式识别和图像分析第三届伊比利亚会议论文集，第二部分第475 - 482页Springer-VerlagBerlin，海德堡2007年[5] P. Sengottuvelan，Amitabh Wahi，A. Shanmugam通过探索性图像分析的去掩蔽性能ICETET 2008IEEE。[6] P. Siricharon，S. Aramvith，T.H. Chalidabhongse和S. Siddhichai。基于颜色统计方法和边缘组合的室外人体分割978-1-4244-6878-2/10 2010 IEEE.[7] R. E. Ch.Kavitha，B.Prabhakara Rao，A.Govardhan一种基于图像子块颜色和纹理的高效图像检索方法国际工程科学与技术杂志（IJEST）ISSN：0975-5462第3卷第2期2011年[8] Zhou Liu，Kaiqi Huang and Tieniu Tan Foreground Object Detection Using Top-down InformationBased on EM Framework IEEE Transactions on Image Processing 2011.[9] Jiri F. 2010年第9届 WSEAS国际会议，电路，系统，电子学，控制信号处理的最新研究[10] 郭洪兴，窦亚玲，田婷，周静丽，余胜一种基于时间平均的多帧视频前景分割方法ICALIP 2008IEEE.[11] 李文，李文[12] 潘宇欣，陈益旺，付强，张平，徐欣基于三维凸性的摄像机目标检测方法研究现代应用科学2011年第5期第4期加拿大科学与教育[13] 宋黎明，耿卫东，基于WSSIM和自然图像特征多媒体技术的伪装纹理评价新方法，国际会议论文集，第1 - 4页，[14] 尹建勤尹彦斌韩文迪侯金平李基于光流的动态背景下具有摄像色彩的移动目标检测[15] S.阿里瓦扎甘和我。Ganesan纹理分割使用小波变换模式识别字母24（2003）3197-3203爱思唯尔。