一種基于GLCM的運動目標檢測新方法

姬麗娜，陳慶奎，趙永濤，劉伯成，陳圓金，高 倩

(1.上海理工大學(xué) a.光電與計算機工程學(xué)院,b.管理學(xué)院,上海 200093;2.陜西師范大學(xué) 計算機科學(xué)學(xué)院,西安 710100)

一種基于GLCM的運動目標檢測新方法

姬麗娜1a，陳慶奎1，趙永濤1a，劉伯成1，陳圓金1a，高 倩2

(1.上海理工大學(xué) a.光電與計算機工程學(xué)院,b.管理學(xué)院,上海 200093;2.陜西師范大學(xué) 計算機科學(xué)學(xué)院,西安 710100)

基于GMM(Gaussian Mixture Model,混合高斯模型)的物體識別基礎(chǔ)上，利用GLCM(Gray-level co-occurrence matrix,灰度共生矩陣)及基于GLCM提取的紋理特征來解決當前運動目標檢測所存在的問題，如動態(tài)場景的變化，光照突變及天氣變化等。GLCM在局部區(qū)域的往復(fù)運動具有相對不變性,因此利用這個特點對基于GMM檢測的前景進行再判斷以解決動態(tài)場景的問題,將檢測窗口中當前幀和前兩幀的GLCM特征值進行比較,如果其GLCM特征值的差值小于給定的閾值,那么可以判斷當前區(qū)域為背景,反之則為前景。圖像的紋理特征具有抗光照突變性,經(jīng)過分析其中的4個特征值并閾值化最終得到更加純凈的前景和更加準確的檢測結(jié)果。通過CPU/GPU(Central Process Unit/Graphic Processing Unit)協(xié)同并行計算大大加速了運動目標檢測過程。實驗證明這種新的檢測算法在檢測精度和處理速度上比其他算法有明顯改善。

灰度共生矩陣;運動目標檢測;紋理特征;混合高斯模型;協(xié)同計算

近幾年來,由于在軍事視覺制導(dǎo)、醫(yī)療診斷、視頻監(jiān)控、人類行為分析、機器人導(dǎo)航、異常檢測、視頻會議、智能交通等多個領(lǐng)域的應(yīng)用,運動目標檢測引起越來越廣泛的關(guān)注。運動目標檢測就是在指定區(qū)域能識別圖像的變化,檢測運動物體的存在。根據(jù)視覺平臺的運動情況,運動目標檢測又分為靜態(tài)背景下運動檢測和動態(tài)背景下運動檢測。本文主要考慮靜態(tài)背景的情況,即攝像頭固定為前提。此外,運動目標檢測是計算機視覺及視頻處理領(lǐng)域非常重要和有效的研究課題,因為它是許多復(fù)雜處理過程如視頻對象分類和視頻跟蹤活動中的關(guān)鍵環(huán)節(jié)。

然而運動目標檢測任務(wù)面臨著諸多挑戰(zhàn)如動態(tài)場景變化、光照變化、出現(xiàn)影子以及復(fù)雜背景下的偽裝色等問題。很多學(xué)者針對上述問題提出了很多不錯的算法。背景差分法已成為運動目標檢測中最常用的方法,它利用當前圖像與背景圖像的差分來檢測出運動區(qū)域的一種技術(shù)[1]。跟其他算法相比,該算法簡單易于實現(xiàn)、定位準確,然而在實際應(yīng)用中,對于動態(tài)場景的變化如光照和背景擾動等特別敏感。復(fù)雜場景中搖動的樹葉等變化會被檢測為前景,產(chǎn)生混亂的運動前景。而且室內(nèi)外監(jiān)控視頻中光線變化也會對檢測造成一定干擾,產(chǎn)生漏檢和虛警區(qū)域。背景差分法中最常用的描述場景背景點顏色分布的概率密度模型就是高斯分布。因此本文將基于GMM針對這兩個問題展開研究。

本文在基于GMM的物體識別基礎(chǔ)上,利用GLCM提取圖像紋理特征對檢測結(jié)果進行二次加工,以得到更加純凈的背景和更準確的結(jié)果,同時為了檢測速度在實時應(yīng)用系統(tǒng)中也是一個關(guān)鍵的因素,因此利用CPU/GPU協(xié)同并行計算,加快圖像處理速度。實驗證明本文提出的這種新的檢測算法在檢測精度和處理速度上都比其他算法有明顯改善。

1 相關(guān)工作

目前主要有三種常用的運動目標檢測方法:幀間差分法、背景差分法以及光流法。光流法采用了運動目標隨時間變化的光流特性,但是大多數(shù)的光流算法復(fù)雜度高,且抗噪性差[2]。文獻[3]提出幀間差分法,利用連續(xù)的圖像幀之間采用基于像素的高度差,并閾值化來提取出目標區(qū)域。時間差分法只對運動物體敏感,但復(fù)雜場景下的檢測效果較差。

很多學(xué)者致力于解決動態(tài)場景變化和光照變化,影子等問題。文獻[4]采用GMM與色度亮度比模型消除快速光照變化,但是在復(fù)雜背景如下雪、車窗玻璃反光、水坑或鏡面地區(qū)情況下,檢測結(jié)果不是很理想。文獻[5]用局部強度比消除影子然后利用GMM檢測目標,在光照變化下能成功檢測目標,但是當背景類似于前景或者前景類似于影子時,檢測性能明顯下降,且無法適應(yīng)連續(xù)的光照變化如燈開/關(guān)。文獻[6]解決了標準三幀差法的空洞現(xiàn)象和邊緣缺失問題,消除了鬼影,但是當在強光下檢測結(jié)果不理想。因此本文將基于上述討論中針對視頻中存在局部背景干擾運動和光照變化的問題展開研究。

紋理是圖像分析和分類中很重要的一種特征,它具有很強的抗光照突變特征和局部序列性等良好屬性[7],尤其適用復(fù)雜場景下進行目標的分類和檢索,因此本文利用GLCM的這一特性對檢測前景進行再判斷,將檢測窗口中當前幀和前兩幀的GLCM特征值進行比較,如果其GLCM特征值的差值小于給定的閾值,那么可以判斷當前區(qū)域為背景,反之則為前景,這樣二次加工后的算法在光照變化和場景變化情況下都能得到相對其他算法更加純凈的背景和更準確的結(jié)果。實驗中并行計算部分在GPU端實現(xiàn),串行部分在CPU端執(zhí)行,CPU和GPU協(xié)同計算大大提高了處理速度。

2 算法分析

背景模型是背景差分法分割運動前景的基礎(chǔ),背景模型主要有單模態(tài)和多模態(tài)兩種,前者在每個背景像素點上的顏色分布比較集中,可以用單分布概率模型來描述,后者的分布較分散,需用多分布概率模型來共同描述,在許多應(yīng)用場景,比如水面的波紋、搖擺的樹枝,飄揚的紅旗,監(jiān)視器屏幕等,像素點的值都呈現(xiàn)出多模態(tài)特性,最常用的描述場景背景點顏色分布的概率密度模型是高斯分布。常用的背景建模包括單高斯模型和GMM法,但是使用傳統(tǒng)的單高斯模型檢測的目標物體有拖尾和鬼影問題,此外在現(xiàn)實應(yīng)用場景像素點都呈現(xiàn)多模態(tài)特性[8],因此為了更好地改善背景差分法性能,本文采取在GMM進行物體識別的基礎(chǔ)上進行二次處理。

基于GMM的運動目標檢測算法采用多個高斯分布加權(quán)建模,能夠描述像素值分布的雙峰或多峰狀態(tài),而在實際應(yīng)用中,雖然GMM相對其他方法表現(xiàn)較好,但是并不適合于所有情況,例如搖擺的樹枝和光線變化等。而GLCM是反映圖像灰度關(guān)于方向和變化幅度和分析圖像局部模式和排列規(guī)則的不錯方法,因此作者認為計算圖像局部GLCM,復(fù)雜背景中的小幅度往復(fù)運動的物體的GLCM是幾乎不變的,那么我們可以通過閾值化將被誤檢測為前景的干擾運動置為背景。此外,由GLCM提取出來的紋理特征具有很強的抗光照突變特征和局部序列性,尤其適用復(fù)雜場景下的目標分類和檢索。因此為了使我們的算法對光線變化具有魯棒性,我們利用計算的GLCM提取出具有抗光照突變的紋理特征,通過分析紋理特征對檢測結(jié)果進一步優(yōu)化,以得到更精確的結(jié)果和更純凈的背景。

此外,另外一個值得討論的重要因素是圖像的處理速度,隨著圖像分辨率的增長,GLCM的計算復(fù)雜度會越來越大,假如計算N×N圖像的GLCM需要進行2N(N-1)+G×G次加法操作,其中G是圖像的最大灰度值。例如,在PeWium4工作頻率為2.4 GHz的硬件平臺下的計算大小為5 000×5 000圖像的灰度共生矩陣的時間為350 s[7],如何提高GLCM的計算速度,對圖像處理的實時性具有重要的意義。

基于GLCM和GMM的運動目標檢測算法流程大致如下。視頻傳感器獲取圖像后,第一步通過GMM進行背景建模,通過背景減除分割出前景圖像；第二步計算圖像的GLCM；第三步利用GLCM提取灰度圖像的四個局部特征量,用閾值化法剔除干擾獲取最終目標檢測結(jié)果。

2.1 利用GMM初步提取前景

基于GMM的前景提取算法包括4個核函數(shù)。首先為了降低圖像噪聲,對圖像進行平滑處理;其次我們在建立背景模型前先把輸入圖像灰度化從而節(jié)約存儲資源和加快計算速度;然后為每個像素建立K個模型,需要對背景模型進行初始化和不斷更新;最后提取前景圖像。

2.1.1 圖像平滑

若輸入的對象為寬度為width，高度為height的圖像,在GPU實現(xiàn)的平滑處理中,GPU啟動width×height個線程,每個線程處理一個像素點,用輸出像素點8領(lǐng)域窗口內(nèi)的像素均值代替輸出點像素值,如圖1所示。B通道的像素處理如圖2所示。其中

intx=blockDimx×blockIdxx+threadIdxx;inty=blockDimy×blockIdxy+threadIdxy.表示全局內(nèi)存中的線程坐標,G通道和R通道操作和上述原理相同,不再贅述。

圖1 平滑操作示例圖

圖2 B通道的像素處理部分核函數(shù)

2.1.2 圖像灰度化

對RGB圖像的灰度化就是對圖像的R，G，B三個分量進行加權(quán)平均得到最終的灰度值。本文使用的比較常見的基于OpenCV開放庫所采用的灰度權(quán)值的加權(quán)平均法,即:

Wgray=0.072 169B+0.715 160G+0.212 671R.

(1)

式中：Wgray表示灰度化后的像素值;B，G，R是源圖圖像的三通道像素值,在GPU實現(xiàn)的灰度化處理中,GPU啟動weight×height個線程,每個線程處理一個像素點,對源圖像中每個線程進行式(1)的操作,得到結(jié)果存到目標圖像的緩存中。

2.1.3 模型初始化和更新

接下來為灰度圖像中每一個像素背景建立的K個高斯分布,初始化時,將第一幀或最初幾幀圖像對應(yīng)像素點的平均值賦給每一個像素點的第一個高斯分布的均值,并賦予第一個高斯分布一個較大的方差和一個較大的權(quán)值,而將其他幾個高斯分布的權(quán)值和均值都初始化為零,而分布一個較大的方差。每讀入一幀新的圖像,使用這幅圖像的像素值更新原有的背景模型。對每一個像素點,如果它的當前像素值與某個高斯分布的均值之差的絕對值小于λ(2≤λ≤3)倍的標準差,則認為當前像素值和這個高斯分布相匹配,對與當前像素xi匹配的高斯分布的各參數(shù)進行更新以增加權(quán)重。如果K個高斯分布都不與當前幀像素匹配,則出現(xiàn)了新的分布,那么就用新的高斯分布替換權(quán)重最小的高斯分布,新的高斯分布的均值初始化為一個較大的標準差σ0和一個較小的權(quán)重w0,其余的高斯分布保持相同的均值和方差,并對其權(quán)重進行衰減化更新[9-10]。

2.1.4 前景提取

圖3 GMM算法

2.2 計算GLCM

2.2.1 概念

GLCM是基于在紋理中某一灰度級結(jié)構(gòu)重復(fù)出現(xiàn)的情況,定義為圖像中相距為δ=(Δx,Δy)的兩個灰度像素同時出現(xiàn)的聯(lián)合概率分布。它反映了圖像灰度關(guān)于方向和變化幅度等綜合信息,是分析圖像局部模式和排列規(guī)則的基礎(chǔ)。圖像的紋理越粗,共生矩陣的變化越慢,圖像的紋理越細,共生矩陣的變化越快[12]。對M×N大小的圖像I(x,y),如圖1所示,其灰度級為P(i,j|d,θ),GLCM為:

P(i,j|d,0)=#{(x1,y1),(x2,y2)∈M×N|I(x1,y1)=i,I(x2,y2)=j,|x1-x2|=0,|y1-y2|=d}

(2)

P(i,j|d,45)=#{(x1,y1),(x2,y2)∈M×N|I(x1,y1)=i,I(x2,y2)=j,|x1-x2|=d,|y1-y2|=-d}

(3)

P(i,j|d,90)=#{(x1,y1),(x2,y2)∈M×N|I(x1,y1)=i,I(x2,y2)=j,|x1-x2|=d,|y1-y2|=0}

(4)

P(i,j|d,135)=#{(x1,y1),(x2,y2)∈M×N|I(x1,y1)=i,I(x2,y2)=j,|x1-x2|=d,|y1-y2|=d}

(5)

式中:#{}表示從灰度級i到j(luò)灰度差為d的個數(shù);θ表示灰度變化的方向,θ有0°,45°,90°,135°四個方向。圖4說明了求圖像I的灰度共生矩陣的具體過程。

圖4 GLCM 示例圖

2.2.2 計算GLCM

前面通過GMM得到前景和背景分離的二值圖像,我們首先利用GLCM能夠表征圖像灰度關(guān)于方向和變化幅度的特征來改善動態(tài)場景的反復(fù)變化造成的把背景誤檢為前景的問題。

首先,GLCM計算對象為灰度圖像,可以把圖像看成是width×height的矩陣,在GPU端開啟width×height個線程,線程劃分如下:

dim3 block(8,8);

dim3 grid((width+blockx-1)/blockx,(height+blocky-1)/blocky).

首先為了便于得到后續(xù)的GLCM,對灰度圖像中每個浮點型像素值進行開方根處理以得到整型數(shù)據(jù)并存儲到dd-GrayData緩沖池中,然后對該整型矩陣中每個元素的0°，45°，90°，135°四個方向計算GLCM,其中0°方向的GLCM計算核函數(shù)如算法1所示,其他三個方向計算同理。

2.2.3 去除動態(tài)場景的干擾運動

對于上述操作中得到每個像素的GLCM,觀察和分析視頻圖像中局部動態(tài)場景的相鄰幀間的GLCM差值變化如算法2所示,可見動態(tài)場景中往復(fù)運動的圖像GLCM幾乎不變,因此我們設(shè)定一個閾值T,通過多次實驗發(fā)現(xiàn)T=5.03時效果較好,對于相鄰幀的局部區(qū)域的GLCM 變化在這個閾值內(nèi),我們認為它是背景。

算法1 計算水平方向GLCM核函數(shù)GrayMatrix-0INPUT:dd-GrayData,width,height,x,yOUTPUT:d-0-GrayMatrixFUNCTIONGrayMatrix-0() IFx>0&&x0&&y

算法2 GLCM閾值法去除動態(tài)背景INPUT:d-0-GrayMatrix、OUTPUT:f-0-GrayMatrixFUNCTIONremoveDynamic() ComputingVALUEt,VALUEt-1andVALUEt-2 IFd-0-GrayMatrix≥TTHEN ELSE LETf-0-GrayMatrixBE1; END LETf-0-GrayMatrixBE0; ENDIF RETURN;ENDFUNCTION

2.3 提取特征量

2.3.1 概念

為了增加對抗光照變化的魯棒性,接下來在上述得到的四個方向的GLCM基礎(chǔ)上提取具有抗光照突變性的紋理特征諸如角二階局矩、熵、對比度等14種基本特征量,由于特征量內(nèi)部相關(guān)性,實驗中只分析灰度共生矩陣中4種常用的統(tǒng)計量來表征圖像的紋理特征[12],下面分別將分別描述計算過程。

為了便于后續(xù)處理,在計算四個特征向量之前,先對前面提取的四個方向的GLCM進行歸一化處理,線程分布如下：

dim3 block1(MATRIXDIMENSION,MATRIXDIMENSION);

dim3 grid1(1,1);

其中MATRIXDIMENSION表示GLCM的維數(shù),本文GLCM是在灰度圖像上計算得到的因此維度為8維。

1) 能量:

(6)

能量通過GLCM元素值的平方和得到,是對圖像灰度分布均勻性的度量,如果GLCM以對角線區(qū)域為主要元素分布位置,說明圖像中位置接近的像素點其灰度值也接近。局部區(qū)域的圖像紋理均勻,突變很小,這時圖像的紋理細,能量較小。

2) 熵:

(7)

圖像的熵表示圖像所包含信息量的多少。熵值較大說明圖像中紋理較細,熵值較小說明圖像紋理信息較少。

3) 關(guān)聯(lián)性:

(8)

圖像的相關(guān)度表征GLCM元素在水平方向和垂直方向的相似程度,CON值反映了圖像中局部灰度相關(guān)性,如果GLCM中元素值均相等,CON值最大。

4) 對比度:

(9)

對比度指一幅圖像中明暗區(qū)域最亮的白和最暗的黑之間不同亮度層級的測量,差異范圍越大代表對比越大。圖像紋理溝紋越深,圖像越清晰,其對比度也越大。GLCM中遠離對角線的元素值越大,對比度值越大。

2.3.2 提取特征向量

提取GLCM水平方向上的上述四個紋理特征量核函數(shù)如算法3所示,其他三個方向的紋理特征提取同理。其中輸入f-0-GrayMatrix是前面歸一化GLCM函數(shù)的輸出,featureVector-0存儲水平方向的四個特征量。Entropy,eng,contrast,homogenity 分別表示熵、能量、對比度、關(guān)聯(lián)性4個特征量。

算法3 提取紋理特征INPUT:f-0-GrayMatrix,width,heightOUTPUT:TEXTUREFUNCTIONTextureComputing() IFenergy=(-pixel*log(pixel))THEN Compute f-0-GrayMatrixwith(5),forallx; ENDIF IFentropy=(-pixel*log(pixel))THEN Computef-0-GrayMatrixwith(6),forallx; ENDIF IFhomogenity=pixel/(1+(x-y)*(x-y))THEN Computef-0-GrayMatrixwith(7),forallx; ENDIF IFcontrast=(x-y)*(x-y)*pixelTHEN Computef-0-GrayMatrixwith(8),forallx; ENDIF RETURN; ENDFUNCTION

2.3.3 紋理特征值抗光照變化

根據(jù)上述所得紋理特征,根據(jù)所求得的能量、熵、關(guān)聯(lián)度、和對比度值,對于判斷該區(qū)域是否屬于前景從而適應(yīng)光照變化,光照變化不僅改變了圖像的灰度空間分布,而且促使圖像的紋理結(jié)構(gòu)也發(fā)生變化,具體表現(xiàn)在上述四種特征向量的變化中,因此我們通過閾值化在找出因光照變化而被誤檢的背景,具體執(zhí)行過程如算法4所示,其中threshold1和threshold2在試驗中利用試湊法得到分別為0.05和0.02。

算法4 紋理特征值適應(yīng)光照變化INPUT:energy,entropy,homogenity,contrastOUTPUT:OUTDATAFUNCTIONAnti-light() IFenergy>Threshold1&homogeneity>Threshold1THEN LETOUTDATABE1;ELSEIFentropy>Threshold2&contrast>Threshold2THEN LETOUTDATABE0; ENDIF ENDIF RETURN;ENDFUNCTION

3 實驗結(jié)果

3.1 實驗平臺及對象

圖5 不同測試場景下視頻截圖原圖

圖6 不同場景下運動目標檢測結(jié)果對比

本文實驗所采用的處理器為Intel(R) Core(TM)2 E8400,2核2線程,主頻為3.00 GHz,物理內(nèi)存為4 GB;顯卡采用NVIDIA GeForce GTX 670,頻率為1.06 GHz,1344 CUDA Cores;操作系統(tǒng)為Windows 7，64位旗艦版,CUDA版本為5.5。本文選用文獻[13]中的測試視頻數(shù)據(jù)集分別進行試驗,分別選擇了office,fall,PET2006,Pedestrians,tramStation和skating6個視頻數(shù)據(jù)集用以測試以下問題:動態(tài)場景變化;光照變化;天氣變化。另外測試時間沒有將數(shù)據(jù)在Host端和GPU端之間的內(nèi)存拷貝時間計算在內(nèi),因為這些操作是計算無關(guān)的。

3.2 實驗結(jié)果與分析

由于本文算法是基于GMM的改進算法,因此本文實驗對比選擇和測試視頻數(shù)據(jù)集的標準結(jié)果和GMM測試結(jié)果進行對比(如圖6所示)。圖5是選取的測試視頻數(shù)據(jù)集的部分實驗截圖,圖5-a與圖6-a行相對應(yīng)，圖5-b與圖6-b行相對應(yīng)，以此類推。首先,從圖中可以看出靜態(tài)場景下本文算法也能有很純凈的檢測背景,沒有任何噪聲干擾。其次,動態(tài)場景下GMM由于視頻中樹葉的劇烈晃動而導(dǎo)致檢測結(jié)果包含較多的虛警點,而本文算法幾乎沒有虛警點,因此GLCM很好的解決了動態(tài)背景干擾的問題。此外,在室內(nèi)外、白天、夜晚場景下,光線變化比較大,GMM均出現(xiàn)了很多誤檢情況,而本文算法表現(xiàn)良好,這說明本文算法對各種場景下的光照變化具有魯棒性。最后,本文算法在雨雪天氣下沒有虛警點,說明本文算法對天氣變化也有很好的處理能力。

圖7 GMM和文本算法不同分辨率視頻的執(zhí)行時間對比

此外為了分析本文算法在GPU上執(zhí)行的時間性能,GMM算法和本文算法在不同分辨率視頻上的執(zhí)行時間對比結(jié)果如圖7所示。可以看出本文算法執(zhí)行時間最短。圖8展示了本文算法在不同分辨率的視頻下測試的加速比對比SP(即，算法CPU和算法GPU平臺處理一幀圖像的平均時間之比),SP隨著分別的增加而增加,說明該算法在CUDA上的并行執(zhí)行能力也在不斷增加。實驗證明本文提出的這種新的檢測算法在檢測精度和處理速度上都比其他算法有明顯改善。

圖8 GLCM在不同分辨率視頻上執(zhí)行時間的加速比對比

4 總結(jié)與展望

本文提出了一種改善運動目標檢測效果的新方法,即利用圖像的GLCM特征對檢測的前景進行分析和研究,顯著改善了目標檢測的效果和提高了檢測精度,但也存在一些問題,對此還有很多方面需要廣大研究學(xué)者繼續(xù)研究探索。

目前紋理特征的提取主要針對灰度圖像,但隨著計算機計算能力的提高,基于彩色圖像的紋理提取技術(shù)應(yīng)當成為該領(lǐng)域研究的重點。本文實驗表明針對單一的GLCM特征的去干擾技術(shù)在對較大物體的不規(guī)則反復(fù)運動的檢測效果仍然不是很理想。

[1] Lipton A,Fujiyoshi H,Patil R S.Moving target classification and tracking from real-time video[C]∥IEEE.Proceedings of the Fourth IEEE Workshop on Applications of Computer Vision.Princeton:1998:8-14.

[2] Marko D,Michael Z.Performance of optical flow techniques on graphics hardware[C]∥IEEE.International Conference on Multimedia and Expo.Canada:Toronto,2006:241-244.

[3] Hu Weiming,Tan Tieniu,Wang Liang.A Survey on Visual Surveillance of Object Motion and Behaviors[J].IEEE Trans.on Systems,Man,and Cybernetics-Part C:Applications and Reviews,2004，34(3)：334-352.

[4] Jain R,Nagel H.On the Accumulative Difference Pictures for the Analysis of Real World Scene Sequences[J].IEEE Tran.on Pattern Anal.Mach.Intell,1979：206-221.

[5] Prem Kumar Bhaskar,Suet-Peng Yong.Image Processing Based Vehicle Detection and Tracking Method[C]∥IEEE.2014 Internetional Conference on Computer and Information Science.Malaysia:Kuala Lumpur,2014.

[6] Choi JinMin,Chang Hyungjin,Yoo Yungjun,et al.Robust moving object detection against fast illumination change[J].Computer Vision and Image Understanding,2012:179-193.

[7] 王典.基于混合光高斯的背景建模與陰影抑制算法研究[D].西安:西北工業(yè)大學(xué),2006.

[8] 鄭紅,李釗,李俊.灰度共生矩陣的快速實現(xiàn)和優(yōu)化方法研究[J].儀器儀表學(xué)報,2012,33(11):2509-2515.

[9] 劉貴喜,邵明禮,劉先紅，等.真實場景下視頻運動目標自動提取方法[J].光學(xué)學(xué)報,2006,26(8):1150-1155.

[10] Staulfer C,Grmson W.Adaptive background mixture models for real-time tracking[C]∥IEEE Computer Society.Proceeding of IEEE International Conference on Computer Vision and Pattern Recognition.Fort Colin,Colorado,USA,[S.l.],1999,2:246-252.

[11] 馬德智,李巴津,董志學(xué)，等.基于高斯混合模型的運動目標檢測方法研究[J].電子測量技術(shù),2013,36(10):47-50.

[12] 葛靜祥.圖像紋理特征提取及分類算法研究[D].天津:天津大學(xué),2010.

[13] Goyette N,Jodoin P M,Porikli F,et al.Changedetection.net:A new change detection benchmark dataset[C]∥IEEE.Proc.IEEE Workshop on Change Detection (CDW-2012) at CVPR-2012.Providence RI,2012:1-8.

(編輯：朱 倩)

A Novel Detection Method of Moving Object Based on GLCM

JI Lina1a,CHEN Qingkui1,ZHAO Yongtao1a,LIU Bocheng1,CHEN Yuanjin1a,GAO Qian2

(1.a.SchoolofOptical-ElectricalandComputerEngineering,b.BusinessSchoolUniversityofShanghaiforScienceandTechnology,Shanghai200093,China;2.SchoolofComputerScienceofShaanxiNormalUniversity,Xi’an710100，China)

For current moving object detection algorithms,therexist three main issues,including dynamic scene,sudden illumination changes,and bad weathers.These problems reduce the performance of video segmentation.The Gaussian Mixture Model algorithm is widely used currently.The improved moving object detection algorithm based on GLCM for video surveillance is presented in this paper.The proposed algorithm computes the Gray-level co-occurrence matrix (GLCM) to eliminate the effect of dynamic background by threshold firstly.Secondly,it extracts the texture which has the property of resisting sudden change in light according to the GLCM.Finally,cleaner foreground and more accurate results are obtained.What’s more,the algorithm runs efficiently through CPU/GPU collaborative computing in parallel.

GLCM; Moving Object Extraction; Texture; Gaussian Mixture Model; Collaborative Computing

1007-9432(2015)06-0719-08

2015-05-25

國家自然科學(xué)基金項目:面向?qū)崟r并發(fā)數(shù)據(jù)流的能耗優(yōu)化的GPU集群可靠處理機制研究(61572325)；高等學(xué)校博士學(xué)科點專項科研博導(dǎo)基金(20113120110008)；上海重點科技攻關(guān)項目(14511107902)；上海市工程中心建設(shè)項目(GCZX14014)；上海智能家居大規(guī)模物聯(lián)共性技術(shù)工程中心項目(GCZX14014)；上海市一流學(xué)科建設(shè)項目(XTKX2012)；滬江基金研究基地專項(C14001)資助

姬麗娜(1990-)，女，河南信陽人，碩士生，主要從事模式識別、并行計算、計算機視覺方面的研究,(E-mail)coldpoint@sina.cn

陳慶奎，教授，博士生導(dǎo)師，中國計算機學(xué)會(CCF)會員，(E-mail)chenqingk@tom.com

TP301

A

10.16355/j.cnki.issn1007-9432tyut.2015.06.016