圖像動態捕獲算法的研究

管紅梅+郭銳強

摘 要：在我們采集的視頻數據中，絕大多數監控場景是靜止的，在有動態對象的情況下，運動圖像只占所采集數據的20%左右。如果進行監控視頻的實時傳輸，就會造成不必要的資源浪費。由于監控的背景基本不變，所以主要是提取動態對象，對動態對象進行單獨編碼并傳輸，用計算機對動態對象和背景圖像進行融合，還原實時的監控場景。提出一種VOP方法應用在MPEG-4中，使其具有基于內容的功能。

關鍵詞：圖像 動態捕獲算法 研究

中圖分類號：TP391 文獻標識碼：A 文章編號：1672-3791（2017）01（b）-0219-02

1 算法實現

廣義Hausdorff距離使自動獲取對象的模型能夠與后續幀進行很好地匹配，然后利用一種新的刷新技術，對每幀進行刷新以適應圖像形狀的旋轉和變化，并運用一種新的濾波技術濾除靜止背景，最后提取出VOP作為MPEM的輸入。

1.1 Hausdorff對象跟蹤

算法的核心是Hausdorff對象跟蹤，它的應用可以在視頻的整個序列中建立一種對象時間的相關性。這種相關性對于以內容為功能是很重要的，雖然檢測的對象在任何時間停止任意時長，這種算法也能夠保證對目標的跟蹤。

如果采用Hausdorff距離用來實現后續幀與對象模型的匹配，就要先對對象的邊界進行圖形建模。我們都知道亮度的變化對灰度圖像有很大的影響，一般我們不用它來做對象或模塊的匹配。在一位邊界圖像中對象邊界不能限制模型的邊界點，獲取邊界圖像我們采用CW操作。

當我們得到了邊界圖像的二值模型，用后續幀與它進行匹配。想要的得到一個可靠的匹配方法，這個匹配方法需要能夠檢測出旋轉、變化的對象和形狀在進行變換。這樣由后續幀和模型進行匹配來獲取新位置的方法不再適用，這種匹配方法數據多計算量極大。所以，我們采用Hausdorff距離來獲取后續幀和視頻對象模型之間的最佳匹配。

1.2 初始化動態對象

采用Hausdorff距離的方法來得到對象模型，用來匹配與后續幀，就應對運動進行初始化。由于對象的初始位置是未知的，為了進行動態對象分割，必須走出動態對象的初始位置。對于非靜止背景或用運動攝像機獲取的場景，經常要進行全局的運動補償。

1.3 模型刷新

一個跟蹤對象在視頻中形狀會發生變化，所以我們建立的模型在每一幀都會進行刷新。在運動攝像機的場景或具有雜亂背景的情況下很難實現。有時對象的一部分比對象的其余部分變化的快。這就需要一種新的刷新技術，一個成分負責運動快的部分，一個成分慢運動部分，結合這兩個成分就構成一種新的刷新算法。

1.4 濾除靜止的雜亂背景

如果邊界圖像的所有像素都屬于對象，那對象跟蹤的獲取就相對比較容易，但實際的很多序列中包含有雜亂的背景，因此有必要在模型匹配和刷新之前先濾除這些雜亂的背景。否則，如果背景邊界點與模型相當近的話，模型刷新時可能會選出這些背景邊界點。

1.5 VOP的提取

VOP的提取步驟為：（1）利用Hausdorff距離自動獲取對象模型再與后續幀進行匹配；（2）初始化動態對象；（3）對每幀內圖像進行刷新；（4）濾除靜止背景。

2 實驗演示與討論

以辦公桌監控為例，來驗證這種算法的有效性。監控對象為一個辦公桌，茶杯作為動態物體，當它進入監控范圍，計算機系統馬上就會識別。若果移動茶杯，跟蹤符號自動追蹤。當捕獲目標后就可以通過圖像對比提取出背景圖像，然后對背景圖像進行單獨編碼操作，如果能使傳輸速度達到3fps，就可以應用到監控中（如圖1、圖2）。

3 實驗結果列表如下

用實驗驗證動態捕獲在視頻壓縮中的效果，分別對playground（運動場）、crossroad（十字路口）、desk（辦公桌）和market（市場）各畫面進行處理，比較處理前后的數據可以驗證該算法的性能。視頻畫面的大小為4CIF，實驗結果如表1、表2所示。

經過動態捕獲處理之后，視頻數據量都減少了很多。壓縮之后數據量為：27.83M，可以算出壓縮比為（27.83/88.88）×100%=31.31%。從壓縮比看出來，動態捕獲對視頻壓縮有明顯的效果。

廣義Hausdorff距離能夠解決個別點遠離中心導致Hausdorff距離變大的問題。采用抽樣的方法抽取其中的一些值，其它點不會增大Hausdorff距離。在處理形狀變化或部分遮擋的對象時能夠應用這種特性，利用Hausdoffe距離能夠得到精確的匹配。新方法結合了快速和緩慢運動的兩個成分，刷新每一幀就能夠解決圖像形狀的變化和旋轉產生的問題。對邊界像素進行計數的濾波技術對噪聲不敏感，更重要的是即使對象停止運動任意長時間它也起作用，簡單差值法與這種方法性能要相差很多。

參考文獻

[1] 呂金剛，吳斌，劉恒，等.一種快速魯棒的動態入手跟蹤方法[J].微型機與應用，2012，31（1）：33-36.

[2] 郭銳強.具有記憶功能的機器人[J].電子制作，2010（9）：19-20.

[3] 尹春霞，徐德，羅楊宇，等.一種魯棒的自適應帶寬跟蹤方法[J].控制與決策，2013，28（11）：1723-1728.

[4] 權偉，陳錦雄，余南陽.在線學習多重檢測的可視對象跟蹤方法[J].電子學報，2014，42（5）：875-882.