基于空间颜色信息的背景减除：EHDM和EFDM的效果比较分析

© 2014 S.Manipriya等人。由Elsevier B.V.出版。信息工程研究院负责评选和同行评议可在www.sciencedirect.com在线获取ScienceDirectIERI Procedia 10（2014）63 - 692014未来信息工程基于空间颜色信息的背景减除S.Manipriyaa，C.Malab， *，Samson Mathewca，b印度泰米尔纳德邦Tiruchirappalli国家理工学院计算机科学与工程系，邮编：620c印度泰米尔纳德邦Tiruchirappalli国家理工学院土木工程系摘要对象检测是视频监控等应用中的主要但重要的一步， 室外环境的视频受光照和天气变化的影响。背景减法是在这种情况下经常使用的方法。为了提高室外环境下目标检测的实时性和计算效率，本文提出了基于空间颜色信息的扩展帧差分法（EFDM）和扩展直方图差分法（EHDM）。的影响对不同空间颜色信息的提取方法进行了比较和分析。分析中使用的空间信息包括RGB、HSV、CIELab、CIELuv、YCrCb颜色模型。实验结果表明，EHDM和EFDM在HSV空间颜色信息下具有更好的效果。© 2014由Elsevier B.V.发布 这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/3.0/）。信息工程研究院负责评选和同行评议关键词：空间颜色信息;背景差;帧间差分;直方图差分;1. 介绍通过任何视频的帧检测对象及其特征是任何基于图像的应用中的主要任务，所述基于图像的应用诸如视觉监视、手势人机接口、视频编辑、运动捕捉、医学和气象应用等，[12]第10条。为了理解这些高级应用，必须理解基本的计算机视觉任务，例如运动检测，跟踪目标，标记部件，以及解释人或物体之间的交互。近几年来， 解决这些计算机视觉问题的最先进的技术。* 通讯作者。电子邮件地址：mala@nitt.edu2212-6678 © 2014由Elsevier B. V.发布 这是一篇基于CC BY-NC-ND许可证的开放获取文章（http://creativecommons.org/licenses/by-nc-nd/3.0/）。信息工程研究所负责的选择和同行评审64S. Manipriya等人/ IERI Procedia 10（2014）63考虑到来自俯瞰室外环境中的交通的固定摄像机的视频序列，对象检测算法应该适应于一天中不同时间的各种照明水平，处理修改图像内容的不利天气条件[10，11]。使用不同的相机也会影响颜色值。物体的进一步移动会导致颜色模糊。背景减法（BS）多年来一直在许多计算机视觉系统中用作目标检测和跟踪的初始预处理步骤[12]。现有算法的结果相当好;此外，其中许多算法是实时运行的[1-5]，但容易受到全局和局部照明变化的影响，例如阴影和前灯眩光。这些导致后续过程，例如跟踪、识别等，失败检测的准确性和效率显然对这些任务至关重要有几种BS技术适合不同的场景，每种都有自己的缺点[6]。BS的帧差分方法与两个图像的像素到像素比较被提出用于检测对象[1-4]。Muhammad Nawaz等人，[5]和Michel Mason等人，[7]考虑了使用基于区域的方法的BS的直方图相关操作。能够检测图像中的物体的阴影也是非常有用的许多应用，特别是在阴影检测。先进的BS技术还可以帮助检测和消除图像中物体的阴影[10]。大多数应用需要在室外环境中的BS，例如车辆检测、行人检测、运动检测等， 在这样的应用中，需要优先考虑由于环境因素而在图像中引起的照明变化。Bo Yang等人[11]提出了一种坚持照明变化的BS。除了BS之外，还有其他使用图像的空间或频率信息的对象检测技术[14]。各种方法已经在其对象检测算法中使用颜色信息[7-9]。本文的其余部分组织如下：现有的BS算法在第2节中讨论。第3节给出了所提出的扩展方法。第四节给出了空间颜色信息的性能分析，最后在第五节给出了结论。2. 用于目标检测的任何视频都是一系列连续的图像或帧，从中可以检测到视频中的对象。 BS是在任何图像或图像片段（感兴趣区域）中遵循的常用目标检测技术。运动检测可以通过将一帧作为背景并将后续帧与之进行比较来实现。这个过程称为背景减除（BS）[1-2]。一般来说，任何两个图像的相减涉及识别其强度水平的变化或变化的技术。用于相减的来自视频的两个图像被定义为背景和前景图像。背景图像是包括静态场景的参考图像，包括任何类型的移动对象的前景图像与该参考图像进行比较。BS的合成图像称为差异图像 图像（DI）。2.1 基于帧间差分法的空间背景减除任何图像的空间信息包括存储在每个像素的三个不同分量（颜色通道）中的颜色信息，其被解释为某些颜色空间中的坐标。BS [1-6]的大多数现有方法将背景和前景图像的该空间颜色信息转换为0-255强度等级的灰度图像或具有两个强度等级的二进制图像[1-6]。基于像素的BS [1，2，6]的现有FDM被修改并在等式（1）中给出：（一）ሻ ȁǡ ሺሻǡ ሺȁሻǡ ሺ其中S（i，j）表示图像的第i行和第j列处的DI的像素强度。B（i，j）和F（i，j）分别表示背景和前景图像的第i行和第j列的像素强度分辨率。DI-“S”具有等于背景和前景图像中的像素强度的差的2.2 基于直方图差分法的空间背景减除S. Manipriya等人/ IERI Procedia 10（2014）6365为了查看和分析图像的对象内容，识别并绘制具有相似强度的像素的数量。该图表示针对图像的特定区域呈现的空间信息的直方图。任何直方图[15]的等式由等式（2）第1002章：（2）其中Iq表示第q个强度，并且nq表示具有第q强度等级的像素的数量与FDM类似，颜色信息丢失，处理是在二进制或灰度级信息上完成的[5，7]。前景中的对象可以通过将图像分割成矩阵来检测。图像的分割部分的尺寸与检测到的对象的精度成反比。使用等式（2），基于直方图的差分BS [1，2]被适配并定义为：ͳǡ‹ˆหǡǡሺሻሺǡ ሺሻ ǡǡ ሺሻ ሻͲǡ（三）日本语简体中文繁体中文한국어其中Ds（HB，s（Iq），HF，s（Iq））是具有阈值Th（H）的第q个强度和第s个片段的背景直方图（HB，s（Iq））和前景直方图（HF，s（Iq））的DI的布尔值。通过将等式（3）中的欧几里得距离度量[12]作为等式（4）中给出的Ds来计算差分图像Ss上述方法的主要缺点是丢失了具有大部分显著特征的空间颜色信息和不断变化的光照值。为了克服这个缺点，本文提出了新的方法，以提高性能，准确性，效率和保留空间颜色信息的现有BS技术。此外，还比较分析了RGB（红、绿、蓝分量）、HSV（色调、饱和度、明度）、CIE Lab、CIELuv（亮度和颜色分量）、YCrCb（亮度、蓝差和红差色度分量）等不同空间颜色信息的影响。3. 目标检测中的空间颜色信息传统的方法[1-6]将多个强度水平的空间域知识压制到单个水平，导致重要信息的丢失其他方法包括频率透视[14]在其检测对象，如边缘检测[14]。所提出的技术包括BS的空间颜色信息，因为它们在使检测技术鲁棒性方面表现出剧烈的变化。每个空间颜色信息模型包括至少三个分量，每个分量描述图像的内容。在第3.1节和第3.23.1. 扩展帧间差分法为了提高目标检测的准确性和降低计算复杂度，将图像的空间颜色信息转换为其他颜色信息。背景和前景图像的第k颜色分量的像素强度由B k（i，j）和F k（i，j）表示。公式（1）中的FDM修改为：第1章”第3节（5）其中Sk（i，j）是每个k个单独空间颜色分量的DI。背景和前景图像的单个第k个颜色分量被分别减去并存储在Sk中。在EFDM中，最终DI的像素强度使用单独的空间颜色DI-“S k”来计算该像素强度被估计为k个空间颜色分量的像素强度的平均值。66S. Manipriya等人/ IERI Procedia 10（2014）63ͳ图像的扩展背景减除（EBS）是采用所提出的EFDM的结果图像，并且从公式化的等式（6）ሻǡሺ3.2. 扩展直方图差分法͵ͳሻǡ ሺ- （六）基于像素强度计算来自等式（2）的直方图。将颜色信息包括到直方图在检测对象方面具有增强的和附加的优点。具有颜色信息的直方图示出了在图像中的照明变化或任何其他可变性期间像素强度的主要变化。对于背景和前景分割图像，识别使用等式（3）从分割区域的颜色信息获取的各个颜色分量。这些单独的直方图用于BS。其中1 k= 3（7）”””其中HB，k，s（I（q）），HF，k，s（I（q））和n（q）分别表示背景、前景区域和第s个分割区域的第k个分量的第q个 EBS for the提出了使用等式（3）、（7）和（8）的直方图差分方法（EHDM），ǡ ሺǡǡ ሺሻ ǡǡ ǡ ሺሻሻͳǡ‹ˆ หǡǡሺሻ（九）ͲǡDk，s（HB，k，s（Iq），HF，k（Iq））表示第k个分量、第q个强度和第s个分割区域的背景直方图（HB，k，s（Iq））和前景直方图（HF，k，s（Iq））对于每个分割的区域，DI-（十）图像的EBS是采用所提出的EHDM的结果图像，并且由下式给出：（十一）ሻǡሺ͵ڀሻǡሺ等式（11）通过对每个k个差分二进制像素强度Sk（i，j）值使用逻辑AND运算来计算最终二进制DIEHDM通过提高待检测对象的准确性来克服HDM。4. 空间颜色信息及其性能分析以RGB、HSV、CIE LAB、CIE LUV和YCrCb等颜色模型形式的空间颜色信息被用于评价它们在EFDM和EHDM中的性能。用于分析和评估的具有室外环境中的照明变化的图像的样本集是来自交通监视摄像机的图像。原始背景和前景监视图像分别如图1（a）和（b）所示。图像被转换为不同的颜色模型，并使用OpenCV库进行分析EFDM的结果在图3（a-d）中示出，其对应于不同的颜色模型。图5. (a-d)显示了EHDM的结果以及背景和前景图像的直方图，其中Th（H）为128并且具有64 x 64的片段。从图3和图5中可以明显看出，与图2和图4的用于对象检测的FDM和HDM相比，所提出的方法EFDM和EHDM检测到更多的像素，这些像素表现出像素强度的甚至微小的变化σS. Manipriya等人/ IERI Procedia 10（2014）6367图7(a)RGB图像(b)HSV图像(a)灰度图像(a)RGB图像(c)CIE实验室图像(d)CIE Luv图像(b)二值图像(c)CIE实验室图像(a) 背景图像（b）前景图像（a）灰度图像（b）二值图像图1.背景和前景图2.使用FDM的BS的所获取的结果基于待检测的对象中的像素的数量针对颜色模型的分类进行评估和比较。图6（a）示出了FDM中的二进制和灰度颜色模型的性能。图6（b）示出了用于所提出的EFDM的RGB、HSV、LAB、LUV、YCrCb中的颜色模型的性能评估。它也被观察到，HSV颜色模型优于所有其他空间颜色模型的建议EFDM。由于照明可变性，HSV颜色分量对图像中的甚至微小的变化都很敏感，这在图3和图4的测试图像中是明显的。四、(b) HSV图像图3.使用EFDM的差分图像图4. 差分（d）CIE Luv图像使用HDM的如图7所示，二进制和灰色分量示出了HDM中FDM的类似结果。与EFDM类似，对EHDM的对象的检测和未检测区域的不同空间信息进行分析。图8中示出了曲线图。(a)和（b）中的至少一种。20000灰色二进制20000RGB实验室YCrCbHSVLuv0.1灰色二进制100001000000聚合像素强度017131713聚合像素强度未检出区域检出区域（a）使用FDM的灰度和二值图像（b）使用空间颜色信息。检测性能评价EFDM和使用HDM的见图6。绩效评价检测到的像素数检测到的像素数标准化编号像素68S. Manipriya等人/ IERI Procedia 10（2014）63(b)D色I见图8。性能评估图9.EFDM和EHDM基于针对室外环境中的照明变化检测到的像素的数量来比较EFDM、FDM、EHDM和HDM的有效性，并且结果在图9中示出。基于检测到的对象的像素数和像素强度，图9（a）和（b）示出了与图像的正常灰度信息相比，具有HSV空间信息的EFDM和EHDM以增强的方式检测前景图像中的对象。5. 结论在任何基于图像的应用中的主要任务是使用BS识别感兴趣的对象。大多数现有的方法减少了急剧变化的空间颜色强度的像素的处理，导致信息的丢失。本文提出的方法，即扩展帧差分法（EFDM）和扩展直方图差分法（EHDM），通过考虑空间颜色信息克服了这一缺点。实验结果表明，基于可接受的目标像素数，本文提出的方法比现有的方法更好地提高了目标的检测能力。HSV颜色模型比RGB、CIE LAB、CIE LUV、YCrCb颜色模型具有更好的性能。引用[1] Y. Benezeth P.M，. Jodoin B埃米尔·H劳伦特·C.罗森伯常用背景减除算法的回顾与评价。模式识别国际会议，第1 -4页，2008年。[2] Mohamad Hoseyn Sigari、Naser Mozayani和Hamid Reza Pourreza。模糊移动平均和模糊背景减法：概念和应用。IJCSNS International Journal of Computer Science and Network Security，VOL.8 No.2，February 2008.[3] 张海英和吴坤。一种基于三帧差分和背景差分的车辆检测算法。第五届计算智能与设计国际研讨会，2012年，第148 - 151页。[4] Shahrizat Shaik Mohamed、Nooritawati Md Tahir和Ramli Adnan。用于目标检测的背景建模和背景减除性能。第六届信号处理及其应用国际学术讨论会（CSPA），第1 -6页，2010年。[5] Muhammad Nawaz，John Cosmas，Awais Adnan，Muhammad Inam Ul Haq and Eman Alazawi. 基于直方图的背景减除法的前景检测。IEEE宽带多媒体系统和广播国际研讨会（BMSB），第1 -5页，2013年。[6] Amali Therese Jenifa.，Akila.和Kavitha.V. Rapid Background Subtraction from Video Sequences. 国际计算机、电子和电气技术会议（ICCEET），pp。1077 - 1086，2012。未检出区域0.120000检测到的区域0.980.07RGBHSVLABLUVYCrCb1EHDM中的HSV灰色HDM0.940.04100000.90.50.860.01-0.02空间信息00空间信息(a)使用EHDM信息的空间颜色信息的空间检测区域的未检测区域1聚合Pi7像素强度13（a）EFDM和FDM未检出区域 检测到的区域（b）EFDM和FDM归一化像素归一化像素检测到的像素数归一化像素S. Manipriya等人/ IERI Procedia 10（2014）6369[7] 米歇尔·梅森和佐兰·杜里奇使用直方图检测和跟踪彩色视频中的对象。IEEE Transaction onApplied Imagery Pattern Recognition，2001。[8] 罗杰波，克兰德尔。基于空间-颜色联合概率函数的彩色目标检测IEEE图像处理学报，第1443 -1453页，2006年。[9] P. P'erez ， C. Hue ， J. Vermaak ， and M. 黑 帮 基 于 颜 色 的 概 率 跟 踪 。 Springer-Verlag BerlinHeidelberg，ECCV 2002，LNCS 2350，pp. 661[10] Chulhee Lee，Sangwook Lee，Jiheon Ok和Jaeho Lee。基于光照不变测度的背景减除阴影算法。第四届智能系统、建模与仿真国际会议，2013年，第237 -239页。[11] 杨波、郭云龙、明阳阳、门爱东。连续快速变化光照下的一种有效背景减除方法。第二届未来网络国际会议，第16 -19页，2010年。[12] Jun-Wei Hsieh，Shih-Hao Yu，Yung-Sheng Chen，and Wen-Fong Hu. 用于车辆跟踪和分类的自动交通监控系统 IEEE Transactions on Intelligent Transportation Systems，Vol.7，No.2，175-187，2006。[13]Hafner，J，Sawhney，H.S.，Equitz和W.供稿：Flickner，M. 二次型距离函数的高效颜色直方图索引。模式分析与机器智能学报，1995年12月17日，第7期，第729[14] Ahmed Elgammal，Ramani Duraiswami，Davids Harwood，and Larry s.戴维斯基于非参数核密度估计的背景和前景建模。IEEE会议录，第90卷，第7期，2002年7月。[15] 拉斐尔角Gonzalez和Richard E.伍兹.数字图像处理（第三版）. Pearson International Edition，2009.