輪廓隨機序列模型及其分級檢測技術

摘要：研究了運動目標圖像隨機輪廓模型，它包含四特征模型和三參數非平穩隨機序列描述，進而擬訂了輪廓檢測定理；然后建立了輪廓分級檢測系統，根據輪廓分割了目標圖像。系統包含二階時差分變換、全域自學習的高信噪比輪廓點二元聚類檢測；中信噪比輪廓點自學習的局域檢測；在時空域基于封閉和Markov關聯準則的低信噪比輪廓點檢測。實驗仿真給出了良好的結果。

關鍵詞：運動目標； 輪廓隨機序列模型； 圖像分割

中圖分類號：TP391文獻標志碼：A

文章編號：1001－3695(2008)01－0292－02



運動目標的檢測與生成是模式識別、圖像處理、機器視覺及制導等領域的重要研究課題。在大量場合，如交通流量的監測、重要場所的保安、航空和軍用飛行器的制導、汽車的自動駕駛或輔助駕駛等，都需要準確地對運動目標進行提取和跟蹤。新的MPEG－4/7視頻編碼需要視頻圖像的內容分割，它們將視頻序列分解成視頻對象。運動目標是重要的視頻對象，因此運動對象的提取在視頻編碼與各類多媒體網絡應用中是關鍵技術之一。

運動目標檢測技術有多種，其中一大類是基于目標邊緣的算法[1~5]。本文的貢獻在于提出了運動目標圖像輪廓的非平穩隨機序列模型，給出了相應的識別檢測定理并建立了目標輪廓分級檢測系統，進而分割出運動目標。理論和實驗證明，所論技術是正確而有效的，有利于快速準確地檢測運動目標。

1輪廓高維非平穩隨機序列模型及其檢測定理

設f(x，y，k)表示一個視頻圖像序列。其中：(x，y)、k分別表示圖像空、時域參量。目標輪廓為目標外邊界的封閉曲線。在二維成像空間，圖像運動目標輪廓C具有下述特征：

a) 輪廓點的時、空鄰域平均灰度梯度，高于鄰近內點和外點的相應值。

b) 輪廓C為空間連續閉合曲線，可表示為帶空間位置參量的隨機有序點集。

c) 輪廓C各點鄰近空域信噪比，對輪廓點序號參量是非平穩的，通常近似為分段平穩。

d) 輪廓位置及灰度是時變的，可用輪廓的運動與輪廓點灰度的短時平穩性來描述。

4仿真實驗與結果分析

利用本文的方法對視頻圖像序列進行了運動目標的分割處理。圖4表示對標準視頻序列hall_monitor的處理結果。從結果看，本文的算法可以順利地分割出完整的運動目標。

本文建立了運動目標輪廓的非平穩隨機序列模型，提出了相應的輪廓檢測定理，并根據該模型與檢測定理設計了分級的輪廓檢測系統。首先通過二階差分變換與基于全局自適應閾值的二元聚類檢測算法提取輪廓高SNR段；然后由局域的自適應算法獲取輪廓中SNR段，低SNR段的獲取是在時空域基于輪廓的封閉準則和Markov關聯準則獲取的。實驗表明，本算法能夠快速準確地檢測出運動目標，實現視頻分割的目的。

參考文獻：

[1]BABU R V， RAMAKRISHNAN K R， SRINIVASAN S H. Video object segmentation: a compressed domain approach[J]. IEEE Trans on Circuits and Systems for Video Technology， 2004，14(4):462－474.

[2]KIM C， HWANG J N. Fast and automatic video object segmentation and tracking for content based applications[J]. IEEE Trans on Circuits and Systems for Video Technology， 2002，12(2):122 129.

[3]MEIER T， NGAN K N. Video segmentation for content based coding[J]. IEEE Trans on Circuits and Systems for Video Technology， 1999，9(8):1190 1203.

[4]朱輝，李在銘. 視頻序列中運動目標檢測技術[J]. 信號處理，2002，18(5):448－451.

[5]MOGHADDAMZADEH A， BOURBAKIS N. A fuzzy region growing approach for segmentation of color images[J]. Pattern Recognition， 1997，30(6):867－881.

[6]林通，石青云. 一種基于邊緣生長的灰度和彩色圖像分割方法[J]. 中國圖象圖形學報， 2000， 5A(11):911－915.

“本文中所涉及到的圖表、注解、公式等內容請以PDF格式閱讀原文”