基于抖动监控视频的前景目标提取

基于抖动 监控视频的前景目标提取

南帅军

重庆机电职业技术大学 402760

摘要

目前，监控视频信息的自动处理与预测在多个领域中受到极大的关注。本文提出了一种从含有抖动现象的视频中提取出前景目标的方法，首先对抖动视频中相邻两帧图像进行提取，并对这两幅图像进行FAST特征提取，然后对所提取的特征进行SIFT匹配，计算运动图形几何变换参数，并通过进行仿射变换得到矫正后的图像，其次对视频的每一帧图像进行矫正，最后通过所建立的混合高斯模型提取出所需的前景目标。本文所提出的方法能够有效地提取出抖动视频中的前景目标，不仅具有较高的精度，而且还具有非常快的提取速率。

关键词：前景目标提取,抖动视频，FAST特征提取，SIFT匹配，高斯混合模型；

前言

随着“平安城市”建设的顺利开展，利用大范围监控视频的信息，应对安防等领域存在的问题。目前，监控视频信息的自动处理与预测在多个领域中受到极大的关注。而如何有效、快速抽取出监控视频中的前景目标信息，变成非常重要的问题[1-2]。由于抖动的监控视频往往具有复杂、多变、动态的背景，这就为分离出这些视频的前景目标增加了难度与复杂度[3]。目前的一些前景目标提取方法对一般的视频处理任务提供一定有效的辅助。如蒲松涛[4]提出了一种基于双帧图模型对单目视频目标的分割算法，一定程度上提高了前景目标提取的有效性，但是其提取的效率不是很高。此外，针对传统的高斯背景差分法的一些缺陷，陈祖爵[5]等人提出了利用混合高斯模型的提取方法，有效的改善了检测的结果。

基于上述学者所提出的一些方法和目前市场的需求，本文提出了一种抖动视频的前景目标提取方法，首先对抖动视频中相邻两帧的图像进行提取，采用FAST算法对图像的特征点进行提取和SIFT特征匹配，得到运动图像的几何变换参数，然后通过仿射变换得到矫正后的图像，最后通过建立的高斯混合模型（GMM）提取出所需的前景目标图。

1 前景目标预处理

要从含有抖动现象的视频中提取出所需前景目标，一般分为两步，第一步是对图像进行矫正，第二步对矫正后的图像进行前景提取。通常对抖动视频进行前景提取前，需通过一些操作才能完成。首先，需要提取出抖动视频中相邻两幅图像，然后进行图形FAST特征点提取和特征匹配，获取特征点的坐标、角度等信息以及获取图像的变换矩阵，最后对图像的变换矩阵进行仿射变换，得到所需要的矫正图像。具体的前景目标预处理流程：提取相邻两幅图像、提取图像FAST特征、特征匹配、仿射变换、矫正图像。

1.1 提取相邻两幅图像

在进行前景目标的提取之前，首先要对抖动视频中的图像进行提取，如下图所示为所提取出来的相邻两幅图像。

图1 所提取出来的相邻两幅图片

1.2 FAST特征点检测与提取

特征提取是指分别提取两幅图像中共有的图像特征。FAST特征提取将FAST角点定义为：若某像素与其周围邻域内足够多的像素点相差较大，则该像素可能是角点。

由于FAST算法具有提取特征速度快的特点，所以在本次的模型中，我们采用FAST算法对图像的特征进行提取，如下图所示。

图2 提取特征点

1.3 图形特征匹配

本文是基于特征点的图像匹配，采用SIFT特征匹配算法对两幅图像的特征点进行匹配。该算法的具体步骤：检测尺度空间极值点；精确定位极值点；为每个关键点指定方向参数；关键点描述子的生成。采用SIFT匹配算法，其速度相对较快，可以达到实时匹配的要求，而且可扩展性强。通过特征匹配估算出运动及其图像的几何变换参数，然后图像进行仿射变换。

1.4 图像仿射变换

仿射变换的功能是从二维坐标到二维坐标之间的线性变换，且保持二维图形的“平直性”和“平行性”。仿射变换可以通过一系列的原子变换的复合来实现，包括平移，缩放，翻转，旋转和剪切。

通过仿射变换对所提取的图像进行了矫正，所得纠正图像如图所示，最后整体对每一帧图像进行矫正。如下图所示，通过与上图进行对比，可以看出前后两次通过FAST提取的特征点明显增多，由此可得出通过仿射变换矫正后的图像，对特征点的提取具有显著的效果。

图3 矫正后的图像FAST提取的特征点

2 前景目标的提取

本文采用GMM算法能有效的对动态背景下的目标进行前景目标提取。通过上述的前景目标的预处理，我们已经对具有抖动现象的监控视频图像进行了矫正，得到了所需的矫正图像。然后我们通过建立GMM模型对所得到的矫正图像进行前景目标提取。

2.2 GMM建立与求解

GMM的定义为：

其中K为模型的个数； 为第k个高斯的权重； 则为第k个高斯概率密度，其均值为 ，方差为 。求出 的表达式后，求和式的各项的结果就分别代表样本x属于各个类的概率。由于概率值通常很小，N很大的时候, 连乘的结果非常小，容易造成浮点数下溢。所以通常取log，将目标改写成：

一般用来做参数估计时，通过对待求变量进行求导来求极值。

2.3 结果的分析

本次模型我们初设高斯分量的值为50，确定GMM的参数方差为30。通过GMM模型对图像进行处理，提取出来的前景目标图像如下所示。

图4前景提取图

3 结论

本文针对具有抖动现象监控视频提出了一种前景目标的提取方法。首先通过算法对抖动视频的相邻两幅图像进行提取，然后采用FAST算法对特征点的提取，并进行SIFT特征匹配，得到抖动图像的几何变换参数，同时通过仿射变换得到矫正后的图像，最后通过建立的GMM提取出所需的前景目标图。本文所提出的方法不仅有效地提高了运算速度，而且相对精度较高。

参考文献

[1] Andrews Sobral & Antoine Vacavant, A comprehensive review of background subtraction algorithms evaluated with synthetic and real videos, Computer Vision and Image Understanding, Volume 122, May 2014, Pages 4-21

[2] B. Lee and M. Hedley, “Background estimation for video surveillance,” IVCNZ02, pp. 315–320, 2002.

[3] C. Stauffer and W. E. L. Grimson, “Adaptive background mixture models for real-time tracking,” in Computer Vision and Pattern Recognition, 1999. IEEE Computer Society Conference on., vol. 2. IEEE, 1999.

[4]蒲松涛，查红彬. 基于双帧图的视频物体分割[J]. 北京大学学报（自然科学版）， 2013，51（3）：409-417.

[5]陈祖爵, 陈潇君, 何鸿. 基于改进的混合高斯模型的运动目标检测[J]. 中国图象图形学报, 2007, 12(09):1585-1589.