视频中运动目标阴影检测研究

发布时间：2019-11-15 08:23

【摘要】：随着社会经济和城市建设的快速发展，城市人口的急剧膨胀给社会治安带来了非常大的压力。近年来，随着数字图像处理技术的不断进步，智能视频监控系统越来越普及，它在建设智能城市、平安城市和智慧城市方面发挥着至关重要的作用。在计算机视觉领域，目标检测是智能视频监控系统的最核心部分，是视频场景分析、处理和行为理解等视频内容分析的基础。然而，由于视频监控场景的复杂性，使目标检测方法的研究仍然面临很多挑战。阴影是自然界中普遍存在的一种光学现象，也是一种常见的图像降质现象，具有与目标相似的两种视觉特性。一种是阴影与背景具有明显的差异性，另一种是阴影与目标具有相同的运动特性，这两种特性使得它很容易被误检测为目标。阴影的存在可能会造成目标粘连、目标形状扭曲，甚至目标丢失，致使目标检测的准确率降低，严重影响后续的视频内容分析。因此，阴影检测成为智能视频监控系统中的一个关键问题，具有重要的理论意义和广泛的应用价值。基于阴影的光学模型，本文围绕阴影检测问题展开深入研究，并提出了四种不同的运动阴影检测方法。通过在标准视频测试序列中的仿真实验以及与经典方法的对比，验证了本文方法的有效性和优越性。主要工作总结如下： 1.当目标与背景颜色相近时，目标常被误检测为阴影。为了克服单一类型颜色特征的不足，结合阴影与背景的纹理一致性，，提出了基于颜色和纹理相结合的运动阴影检测方法。首先，利用HSV颜色空间中的亮度和色度对前景区域进行检测；同时，使用局部二值模式（Local Binary Patterns，LBP）和局部方差（Local Variance）分别描述前景区域的纹理，并通过计算与背景的纹理相似度进行检测。然后，采用逻辑操作融合这两种结果，得到最终的检测结果。该方法同时考虑了阴影的颜色恒常性和纹理一致性，使这两类特征能够实现优势互补，取得了比较好的检测结果。 2.传统的多特征阴影检测方法中，大多是在串行模式下独立使用每个特征并通过与/非逻辑机制判断前景像素是否属于阴影。与这些方法不同，提出了基于多特征融合的运动阴影检测方法，它同时考虑了亮度、颜色和纹理特征在并行模式下的使用。除亮度特征外，首先，从多个颜色空间和多尺度图像中分别提取颜色特征，并利用多通道的信息熵和LBP描述纹理特征；然后，对各个特征进行归一化，并采用不同的决策级融合策略得到最终的特征图；最后，通过阈值法对特征图二值化，实现阴影与目标的分类。通过在不同视频序列中的大量实验表明，线性加权的融合策略达到了较高的准确率，而且优于经典的阴影检测方法。 3.为了克服基于像素的方法对噪声或不确定因素敏感的不足，提出了基于自适应区域分割的运动阴影检测方法。该方法分别利用两种自适应分割算法划分前景区域，一种是吸引力传播（Affinity Propagation，AP）算法；另一种是分水岭算法。前者将前景图像分成不重叠的小块，提取其颜色特征并使用AP实现分割；后者利用分水岭算法对前景图像的梯度图像进行分割，通过像素的梯度变化得到若干个子区域。然后，通过比较子区域的梯度变化、相邻帧以及当前帧与背景之间的子区域纹理相似度进行分类。该方法同时考虑了帧内和帧间的子区域纹理变化，探索的实现了时空特征的结合。大量的实验结果表明，自适应区域分割方法与规则分块方法相比，更能保持区域的特征一致性；与基于像素的方法相比，具有更好的鲁棒性。 4.现有的阴影检测方法中，许多都依赖于一些限制性的假设条件和场景的光照变化，甚至要求每个视频都要有一组固定的参数，然而这在复杂的监控场景中并不适用。针对此问题，提出了基于统计判别模型的运动阴影检测方法。首先，从人工标记的像素中提取不同类型的特征并组成特征向量作为原始样本，特征个数即样本的维数；然后，采用偏最小二乘（Partial Least Squares，PLS）对原始样本进行维数约简，同时使用Logistic判别（Logistic Discrimination，LD）分类，构建统计判别模型PLS-LD；最后，对输入的待检测像素，利用PLS-LD对其分类。该方法不依赖阈值，能够自动判断像素的类别。通过对不同视频序列的测试以及交叉训练测试，验证了该方法的有效性和泛化能力。
【图文】：

智能视频,组网设计,监控系统,视频监控

随着社会经济和城市建设的快速发展，城市人口的急剧膨胀给社会治安带来了非的压力。因此，视频监控系统便应运而生。近几年，随着计算机、互联网和芯片技发展，视频监控已经逐渐从 20 世纪 70 年代开始的模拟视频监控、20 世纪 90 年代字视频监控发展到目前的智能视频监控系统（Intelligent Video Surveillance，IVS）能视频监控系统对建设智能城市、平安城市和智慧城市具有至关重要的作用。视频监控技术的不断发展以及功能的不断完善，使其在政府机关、金融机构、军路交通运输、国防、航空航天以及住宅小区安全防范等领域发挥着越来越大的作着数字化视频监控系统的普及，监控点不断增多，视频数据量也随之增加，而随之的大量视频监控数据对用户造成了困扰。一方面，需要大量的人力实时的对视频监进行监控，避免发生事故后无法及时报警。这不仅耗费了大量的人力资源，而且经时间的监控，人对视频监视器的专注度就会降低，这样难免会发生误报甚至是漏报况。另一方面，需要增加场地建设视频监控中心，而且日常电能的消耗使视频监控成为用户的重要负担。因此，数字化、网络化以及智能化是视频监控发展的必然趋为 eSpace 智能视频监控系统[2]的典型组网设计如下图 1.1 所示。

原始视频,目标检测,检测结果,智能视频

如图1.2(c)所示。 (a) (b) (c)图 1.2 目标检测结果，第一行是原始视频帧，第二行是对应的检测结果从计算机视觉角度分析，由于运动阴影与视频场景中的背景具有明显的差异性，同时又与运动目标具有相同的运动特性，因此，运动阴影通常会被误检测为运动目标，将会影响运动目标的定位、跟踪和识别等，进而严重影响智能视频监控中的视频场景分析和行为理解等视频内容分析。可见，运动阴影检测是智能视频监控系统中一个不可避免的关键问题。近年来，运动阴影检测已经逐渐成为计算机视觉领域研究的热点问题，而且得到了国内外许多专家和学者的广泛关注。有效的运动阴影检测能够提高复杂视频监控场景中运动目标检测的准确率，对智能视频监控系统中视频场景的分析、处理和理解等起到了
【学位授予单位】：东北师范大学
【学位级别】：博士
【学位授予年份】：2014
【分类号】：TN948.6

【参考文献】