一種主動移動偵測布防方法
2009-01-01 00:00:00林鷹付洋竇潤亮
計算機應用研究 2009年5期
(1.重慶交通大學 管理學院 重慶 400074； 2.廣州大學 財務處，廣州 510006； 3.天津大學 管理學院 天津 300072)
摘 要：提出一種基于顏色與形狀特征的移動偵測區域主動布防方法。以實際監控場景中特殊區域的顏色特征為基礎，初步提取出含有噪聲的若干塊感興趣區域（ROI），然后分別與采用傅里葉描述子描述的幾何形狀庫進行邊界匹配，從而實現監控場景中偵測區域的自動布防。實驗結果表明，該方法具有高效率、低運算量及較強的抗干擾性、魯棒性。
關鍵詞：傅里葉描述子； 幾何特征； 顏色特征； 感興趣區域
中圖分類號：TP273+.5文獻標志碼：A
文章編號：1001-3695(2009)05-1974-03
Kind of active fortify method of moving object detection
LIN Ying1 FU Yang1，2 DOU Run-liang3
(1.School of Management Chongqing Jiaotong University Chongqing 400074 China; 2.Financial Department Guangzhou University，Guangzhou 510006 China; 3.School of Management Tianjin University，Tianjin 300072 China)
Abstract:This paper propoesd the new method of active organizing a supervised area based on color and geometric feature. By the basis of color feature in the real supervised scene in the first instanced extracted several regions of interest (ROI) with noise then matched with geometric shape by Fourier descriptors in the database sequentially achieved automatic organizing a supervised area. Experimental results prove that this method has low operation cost high efficiency accuracy and strong anti-jamming robustness.
Key words：Fourier descriptors(FD); geometric feature; color feature; regions of interest (ROI)
近年來隨著計算機信息技術、網絡技術的發展，全程數字化、網絡化的視頻監控系統優勢愈發明顯，其高度的開放性、集成和靈活性，為整個視頻監控產業的發展提供了更加廣闊的發展空間，而智能視頻監控則是網絡化視頻監控領域最前沿的應用模式之一。智能視頻監控以數字化、網絡化視頻監控為基礎，但又有別于一般的網絡化視頻監控，是一種更高端的視頻監控應用。智能視頻監控技術借助計算機強大的數據處理功能，對視頻畫面中的海量數據進行高速分析，過濾掉監管者不關心的信息，僅僅為監控者提供有用的關鍵信息。在視頻監控運動檢測布防應用方面，傳統的布防方法通過手動的方式，在監控視頻畫面上進行區域性的設置；然后按設定的像素宏塊大小來劃分整個選取檢測區域，按照逐點從左到右、從上到下的掃描規則對宏塊內的像素點進行差分運算并得到宏塊差分系數，對于整個選取檢測區域以設定的宏塊按相同的規則進行掃描；最后計算出整個區域的差分系數，并與定義的靈敏度進行比較作出相應的報警處理。該布防方式在實際的應用中不能滿足偵測區域自動選取及針對目標物體布防的智能化要求，且手動的方式無法滿足某些要求提供具體變化度量的應用，其僅僅提供的是變化與否的判斷。尤其是當監控場景復雜時，采取手動方式設置偵測區域時可能選取非移動偵測區域，從而增加系統之后運動檢測時的運算復雜度。針對上述運動檢測區域設置方式無法對偵測區域特征目標體進行有效的提取及運動檢測，本文提出由HSI空間顏色特征模型及采取由Zahn等人[1]提出的傅里葉描述子描述的幾何形狀庫邊界匹配相結合的一種主動智能移動偵測區域設置方法。該方法應用色彩空間的敏感性及采用由王濤等人[2，3]提出改進的具有旋轉、平移和尺度不變的歸一化傅里葉描述子對幾何形狀精確地描述。實驗證明，該方法能夠以最快和最佳的方式發出警報并提供有用信息，從而能夠更加有效地協助監控人員處理危機，并最大限度地降低誤報和漏報現象。
1 智能移動偵測區域設置
智能移動偵測區域的設置主要根據偵測區域的顏色特征及幾何形狀特征由計算機自動完成偵測區域的分割與標志。出于該目的，對包含有大量各式各樣景物信息的圖像進行分割成為關鍵的一步。該處理通常是為了進一步對圖像進行分析、識別、壓縮編碼等的主要預處理環節，其分割的準確性直接影響后續任務的有效性。圖像分割技術自提出以來由于受技術條件的制約，目前在圖像識別應用領域中主要采用灰度圖像的分割。但灰度圖像的缺點是亮度是惟一的可用信息。除亮度外人眼對顏色的感覺也是人的視覺中一個重要部分，而彩色圖像由于提供了比灰度圖更加豐富的信息，更能逼真地描述客觀世界。本文提出在HSI空間中以顏色特征為分割條件進行圖像的初步分解，并對分解結果與采用傅里葉描述子描述的幾何形狀庫進行邊界匹配來實現移動偵測區域的提取。該方法主要由以下兩個環節構成：
a)特征顏色區域的確定（HSI空間）[4]。由操作人員輸入特征顏色，首先將實景關鍵幀圖像轉換到色調子空間，提取特征顏色在HSI空間中H分量所在的范圍，在彩色圖像中初步確定若干ROI區域并進行編號。
b)特征區域的幾何形狀匹配。對初步確定的若干ROI區域進行二值化并采用Canny算子進行邊緣分割，應用傅里葉描述子描述各分割邊緣，將傅里葉描述子與傅里葉描述子描述的幾何形狀庫進行邊緣匹配。
1.1 特征顏色區域的確定（HSI空間）
根據監控現場偵測區域的特征顏色需要，通過對連續彩色視頻序列進行色調、飽和度和強度模型（HSI）空間[4]的色調子空間顏色轉換，初步確定顏色特征前景。在實際的圖像采集過程中，由監控器采集的圖像為RGB格式，所以首先需要由RGB空間轉換到HSI空間[4]。
首先進行歸一化：
r=R/255，b=B/255，g=G/255(1)
然后進行轉換：
H=90-arctan(F/3)×180/π+{0，g＞b;180，g＜b}(2)
I=(r+b+g)/3(3)
S=I-(min(r，g，b)/I)(4)
F=(2r-g-b)/(g-b)(5)
HSI彩色模型如圖1所示。
由圖1可知，可以根據監控的顏色前景模型的實際需要提取任意顏色區域。從而得到所需要的顏色前景模型區域。對自動分割出若干特征顏色的ROI區域進行二值化轉換并標記，然后采用雙閾值Canny邊緣檢測算子[5]檢測二值化ROI區域邊緣，雙閾值Canny邊緣檢測算子采用不同的閾值可保證檢測邊緣的連通性。一般情況下閾值較大則越易發生檢測邊緣不閉合。通過較小閾值檢測的邊緣對采用較大閾值檢測的邊緣進行修補，從而保證檢測邊緣閉合性及檢測邊緣的易識別性。具體過程如圖2所示。
1.2 特征區域的幾何形狀匹配
幾何形狀匹配是對圖像經過邊緣提取、分割后獲得若干分割區域圖像的空間分布關系的分析，借助關于已知幾何形狀的知識，對分割區域進行分析和理解。對這些區域形狀特征的提取是形狀分析的基礎。首先需要解決的問題是對分割處理后提取的幾何形狀進行描述。該描述方法既要滿足描述相同種類的形狀具有較大的相似性，而不相同種類的形狀則具有較大的相異性，又要滿足有平移、旋轉和縮放不變性。本文采用具有方向和起始點無關性的歸一化形狀傅里葉描述[6~8]來對邊緣圖像進行描述。
首先把提取的區域認為是復平面上的一個區域，縱坐標為虛軸，橫坐標為實軸，則區域邊界上的點(x，y)相當于復平面上的一個點(x+iy)，則邊界點序列可寫成如下復數列：
zj=xj+iyj； j=0，1，2，…，N-1(6)
傅里葉描述子(FDs)定義如下：
A(k)=1/N∑N-1j=0Zj exp(-i2πkj/N)
k=-N/2，…，-1，0，1，…，N/2-1(7)
逆變換為
Zj=∑N-1j=0A(k) exp(i2πkj/N)(8)
將傅里葉快速變換計算A(k)，然后進行傅里葉描述子歸一化：
NFD(k)=0k=1
A(k)/A(1) k=1，2，…，N/2
A(k+N)/A(1)k=-1，-2，…，-N/2+1(9)
A(0)是邊界曲線所圍區域的質心，其余的傅里葉系數都是復數。若將A(0)置為0，則傅里葉描述子就與位置無關。另一方面，除A(0)外，其余傅里葉系數中A(1)或A(-1)的模最大，因此，所有系數除以‖A(1)‖ (邊界點Z0，Z1，…，ZN-1必須是逆時針方向)或除以‖A(-1)‖ (邊界Z0，Z1，…，ZN-1必須是順時針方向)，則可將所有傅里葉系數歸一化到0~1，且與位置和大小無關。若所有系數除以A(1)或A(-1)，則傅里葉描述子還與方向和起始點無關。
定義如下的傅里葉描述項進行幾何形狀匹配：
FF=(∑N/2k=-N/2+1‖NFD(k)‖/｜k｜)/(∑N/2k=-N/2+1‖NFD(k)‖)(10)
在基于傅里葉描述子幾何形狀描述特征匹配結構中，圖像庫中的圖像經過形狀特征提取與描述模塊分析之后，得到歸一化的傅里葉描述子。這些歸一化的傅里葉描述子經過索引組織之后生成一個幾何形狀特征庫。通過提交，經過形狀特征提取與描述模塊分析，得到歸一化的傅里葉描述子FFi。FFi與幾何形狀特征庫的描述子FFq 進行相似性計算，計算的結果往往是一個反映FFi 與FFq之間距離的數值，這個數值的大小反映了待匹配圖像與被幾何形狀庫圖像之間的相似程度，如果不匹配則更新幾何形狀庫，最終完成匹配運算。
通過歸一化傅里葉描述子NFD(k)可以計算任意兩個形狀i與j間的相似程度，識別具有旋轉、平移和尺度不變性的物體形狀。由于傅里葉變換的各頻率分量互相正交，采用歐氏距離計算歸一化傅里葉描述子間的形狀差異，即
dist=∑Mk=2‖FFi(k)-FFq(k)‖2(11)
由于形狀的能量大多集中在低頻部分，傅里葉變換的高頻分量一般很小且容易受到高頻噪聲的干擾，一般只使用歸一化傅里葉描述子的低頻分量計算物體形狀的相似差異（根據經驗，一般取M=12）。 當dist = 0 時，兩個形狀完全相似；dist 越大，物體形狀的差異越大。具體匹配過程[6]如圖3所示。
2 實驗結果及分析
由于未進行壓縮的256色位BMP圖像的像素值與實際的數字圖像保持一致，適合進行數字化的圖像處理，本文實驗涉及的圖像均為未進行壓縮的256色位BMP圖像文件格式。運用本文采用的方法進行自動區域的選取，實景圖像中根據顏色及形狀所選取區域檢測的正確率達到100%，且沒有誤判的情況。使用本文提出的基于顏色及幾何形狀為基本特征的偵測區域自動布防方法，對一幅實景圖進行實驗，如圖4~8所示。
由以上實驗可以得到關于這種基于顏色及幾何形狀為基本特征的偵測區域自動布防方法的結論：
a）該方法采用了HSI顏色空間變換，利用H色調子空間進行顏色提取，使得在不同的燈光條件下都具有良好的魯棒性，并采用雙閾值Canny邊緣檢測算子進行ROI區域邊緣的提取，邊緣突出滿足實驗要求。
b）該方法運用ROI的概念，可適應監管過程中對于監控實時性的要求，快速地確定目標區域，為后期的移動偵測提供基礎。
c）采用具有相同種類的形狀具有較大的相似性，而不相同種類的形狀則具有較大的相異性的歸一化形狀傅里葉描述子來描述幾何形狀，在一定程度增強系統的應用范圍。
3 結束語
從上面的實驗可以看出，該方法以顏色特征與傅里葉描述子描述的幾何形狀特征作為判定偵測區域的基礎條件，具有高效率、低計算量及較強的抗干擾性、魯棒性的特點，為智能化移動偵測提供了一個全新的思路，彌補了傳統手動設置偵測區域增加額外運算復雜度的缺點。通過實驗證明該方法是可行的，也是有效的，但是對于不能簡單地用顏色與幾何形狀來區分的目標體易發生誤判現象，所以在對目標體的抽象描述方面仍需要進一步研究和探討。
參考文獻：
［1］ZAHN C T ROSKIES R Z. Fourier descriptors for plane closed curves [J].IEEE Trans on Computers，1972，C- 21(3): 269-281.
[2]王濤，劉文印，孫家廣，等.傅里葉描述子識別物體的形狀[J].計算機研究與發展，2002 39(12): 1715-1719.
[3]朱明旱，羅大庸，曹倩霞.幀間差分與背景差分相融合的運動目標檢測算法[J].計算機測量與控制，2005 16(3): 215-217.
[4]林鷹，付洋.散裝倉糧食數量識別關鍵——矩形標尺圖像識別[J].浙江大學學報，2007 41(40): 1643-1646.
[5]BARRON J FLEET D BEAUCHEMIN S.Performance of optical flow techniques[J].International Journal of Computer Vision，1994 12(1): 43-77.
[6]GAO J ZHOU MWANG H. A threshold and region growing combined method for filament disapearance area detection in solar images[C]//Proc of Conference on Information Sciences and Systems. 2001: 243-245.
[7]SHRIDHAR M BADRELDIN A. High accuracy character recognition algorithm using Fourier and topological descriptors[J].Pattern Re-cognition 198417(5):515-524.
[8]PERSOON E FU K S.Shape discrimination using Fourier descriptors[J].IEEE Trans on Pattern Analysis and Machine Intelligence 1986 8(3): 388-397.
