基于時間域算法的紅外視頻目標提取

席二輝，劉衛光

（中原工學院，鄭州 450007）

隨著紅外技術的發展和應用，提取紅外視頻目標引起了高度關注，但由于紅外成像器件及熱輻射環境的影響，獲取的圖像質量差，導致供提取目標所用的信息少.因而，如何對紅外視頻目標進行提取，就變成了一個重要問題.

傳統的圖像提取算法有差分法[1]、光流法[2]和混合高斯建模算法[3].其中，差分法對時間控制要求嚴格，難以有效地提取目標;光流法極大地增加了計算復雜度;高斯建模法得到了廣泛應用，但隨著定義高斯個數的增多，復雜度也隨之增大，并要預先估計分布.近幾年，關于紅外分割的方法有不少人研究，例如：李欣，趙亦工等人提出了基于復雜度的自適應門限弱小目標檢測方法[4];代中華，孫韶媛等人提出了一種車載紅外視頻彩色化算法[5].針對傳統算法不能在紅外環境下有效地分割出運動目標的問題，本文提出了基于時間域的紅外視頻運動目標提取算法，實現了紅外視頻運動目標的分割.

1 傳統目標提取算法存在的問題

傳統的圖像分割算法，廣泛地采用高斯建模方法.單高斯背景建模[6]適用于簡單的背景，用單高斯p（xt，ut，∑t）表示每個像素點的顏色分布，算法復雜度不高、易實現，但不適合用于復雜多變的場景.

混合高斯算法的出現克服了單高斯算法的不足，給視頻圖像中每個像素定義k個狀態，隨著k值的增大，應對復雜背景的能力增強，由此增大了時間復雜度和算法復雜度.混合高斯公式表示為：

不論單高斯建模還是多高斯建模，均要提前估計分布，這也給高斯建模的應用帶來了局限性.

2 基于時間域的目標提取算法

2.1 基本原理

首先讀取視頻文件，獲取每幀圖像的灰度值;然后根據紅外視頻運動目標的軌跡，合理地對視頻序列按時間域進行劃分，并對每幀圖像的灰度值以對數形式重置，即log10（image），其中image代表每幀圖像的灰度值，用于降低算法的計算量;求出每個時間域圖像的均值和方差并進行組合;最后根據組合的均值和方差對原始圖像進行極大似然估計，生成紅外視頻分割結果.

2.2 各個時間域均值和方差的求取

在實驗中，紅外視頻目標的運動軌跡是一個不規則的橢圓，以 x軸的正方向為起點，經過第4、3、2、1象限重新回到了起始位置，如圖1和圖2所示.根據目標的運動軌跡把視頻序列劃分為4個象限即4個時間域，在圖1中有2個坐標系：o-xy和o-mnt.o-mnt坐標系表示視頻中的序列圖像，o-mn表示視頻中的一幅圖像，m表示圖像的行，n表示圖像的列，t表示時間軸;o-xy坐標系表示一個空的圖像框，但經過對均值和方差求取組合后，就成為一幅不含運動目標的背景圖像.在求取均值和方差時，o-mnt坐標系中的圖像映射到o-xy坐標系，可以認為在o-xy坐標系的每個時間域內都有部分序列圖像，如圖3所示（省略號代表沒有展現出的序列圖像）.由于目標的不規則運動軌跡，各個區域劃分的幀數也有所不同，在實驗過程中，以第4、3、2、1區域為順序包含的幀數分別為20幀、30幀、30幀、40幀，占用的時間域依次為t0-t1，t1-t2，t2-t3，t3-t4.

幀數劃分完成以后，求取各個時間域的均值和方差，如在圖1中，第4區域的均值和方差求取范圍是第1幀至第20幀.均值和方差的數學表達式為：

式中：i代表區域序號;Vi代表第i區域某個像素的每幀序列和;Fi代表劃分到第i區域的幀數，或第i區域的幀數和;SQi代表每個區域內各個幀數相應像素的平方和.

經過對每個時間域均值和方差的求取，構造一個與視頻中每幀圖像尺寸等同的背景圖像框，原始視頻尺寸為：m=512，n=640.合并均值和方差時，如在圖1中，是把第4區域從第1幀到第20幀圖像的均值和方差組合到生成的背景圖像框中的第2區域.由于在第4象限中目標的運動軌跡基本在第4區域，在 t0、t1、t2、t3時刻以及間隔較小的時間內，即區域的交界處，存在運動目標占2個區域的位置，即第20、50、80、120幀以及附近幀數目標都會占2個區域的位置;隨著時間的變化，目標移入一個區域，但每隔一個區域，在此時間域是沒有目標存在的，只有背景，如圖1中間隔線箭頭指向所示;第3、2、1區域中的均值和方差依次被組合到第1、4、3區域中，生成的背景圖像如圖4所示，背景里面的不規則帶狀橢圓就是目標的運動軌跡.

圖4 背景圖像

對算法作進一步改進，如圖2所示，在o-xy坐標系上添加了直線h1和h2.h1是第1、3象限的角平分線，將第1 、3象限依次分為第1 、2、5、6區域;h2是第2、4象限的角平分線，將第2、4象限依次分為第3、4、7、8區域.每個區域在圖2中的相應時間域都包含有部分序列圖像，第 8、7、6、5、4、3、2、1 區域依次包含的幀數為10 幀 、10 幀 、15 幀 、15 幀 、15 幀 、15 幀 、20 幀 、20幀 .分別求取每個區域的均值和方差，組合均值和方差時，如圖 2 中虛線箭頭指向所示 ，第 6 、5、4 、3、2 、1、8 、7 區域的均值和方差依次被隔一個區域調到第 8、7、6、5、4、3、2、1區域，這些區域的序列圖像所占用的時間域分別為t0-t01，t01-t1，t1-t12，t12-t2，t2-t23，t23-t3，t3-t34，t34-t4，組合后便可生成一幅沒有目標的背景圖像.

紅外技術是通過場景的熱輻射獲取圖像的.只要溫度大于絕對零度的物體，都可以成為輻射源.受熱輻射以及紅外探測器的影響，視頻中圖像對比度差別較大，在部分圖像（如圖3所示）中基本上看不到目標物，這也是造成紅外圖像不易分割的原因.

2.3 依據時間域的提取步驟

獲取視頻背景圖像后，便可運用組合后的均值和方差提取視頻.在此用到極大似然估計[7]，設i1，i2，…，in是總體i的一個樣本，那么樣本的聯合密度為f（i1，i2，…，in;θ），當給出樣本 i1 ，i2 ，…，in時 ，定義似然函數：

式中：L（θ）是θ的函數，表示參數θ將以多大可能產生樣本值i1，i2，…，in.極大似然估計是用使L（θ）達到最大的值?θ估計θ，表達式為：

視頻提取步驟如下：

第一步：導入某一幀的每個像素的灰度值，并對其灰度值進行極大似然運算，以及似然運算后的二值操作.

第二步：對二值變換后的圖像進行開運算[8].開運算可以使圖像的輪廓變得光滑.開運算表達式為：

式中：A表示經過似然運算后的二值圖像;B表示對A進行腐蝕及膨脹操作的結構元素.可以看出，開運算就是先用B對A進行腐蝕操作，再用B對腐蝕后的結果進行膨脹操作.

第三步：對開運算后的二值圖像進行填充以及去除較小區域的修正操作，然后，轉到第一步，讀取下一幀圖像的數據.

3 實驗結果與分析

本文實驗是通過MATLAB編程實現的.圖5所示的圖像是視頻中的部分原始圖像.圖6、圖7顯示了和圖5部分原始圖像相對應的利用4區域提取算法、8區域提取算法獲取的結果.定義似然運算后像素值的門限值T為8×10-10，如果T＜8×10-10，就認為此像素點是前景點，否則認為它是背景點，由此獲得一幅二值圖像.然后用結構元素[1]對二值圖像進行開運算，并對開運算后的二值圖像進行標記，求取圖像中每個白色區域的面積.如果白色區域的面積小于400，就認為這個白色區域是背景，那么白色區域的面積等于0，否則白色區域為前景，由此提取每幀圖像的運動目標.

經過原始圖像與提取圖像的比較，說明本算法能夠較好地應用于紅外視頻的分割;4區域提取算法生成的結果有目標信息缺失及誤分割現象，8區域提取算法可以較好地消除這種現象.

圖7 視頻中部分幀的8區域提取算法提取結果

4 結 語

本文提出了基于時間域的紅外視頻目標提取算法，根據紅外目標的運動軌跡，合理地進行區域劃分，并將所求的均值、方差合并生成背景圖像，然后利用極大似然估計，在紅外環境下可以有效地提取出目標.經過比較，利用8區域算法可以更好地提取目標，消除4區域算法所產生的信息缺失以及誤分割現象.

[1]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，2005，13（3）：215-217.

[2]李金宗，原磊，李冬冬.一種基于特征光流檢測的運動目標跟蹤方法[J].系統工程與電子技術，2004，27（3）：422-426.

[3]李新仕，王天江，劉芳.基于高斯混合模型的視頻運動對象自動分割算法[J].計算機科學，2009，36（1）：205-207.

[4]李欣，趙亦工，郭偉，基于復雜度的自適應門限弱小目標檢測方法[J].光子學報，2009，38（8）：2145-2149.

[5]代中華，孫韶媛，許真，等.一種車載紅外視頻彩色化算法[J].紅外技術，2010，32（10）：595-599.

[6]羅小蘭.視頻跟蹤中的背景建模[D].長沙：國防科學技術大學，2007：6-8.

[7]李念偉，王鳳英.概率論與數理統計[M].北京：化學工業出版社，2010：116-119.

[8]岡薩雷斯.數字圖像處理[M].阮秋琦，阮宇智譯.北京：電子工業出版社，2008：423-431.