3．4帧间光照变化的检测 - Read.PDF

视频图像中人体目标的检测方法研究 一般靠经验，实验发现若分割运动较快的车辆a取0.03，当分割人体目标时取 0.003。 3.4帧间光照变化的检测 当光照突变时(窗帘突然拉开或开关灯时)，场景的亮度明显改变 (如像素 优 叹引的值变化超过1)5 ，此时大量背景像素点在传统的棍合高斯模型分割 算法下，会误判为前景。一种直观的解决方法是将高斯模型匹配闽值加大，误判 的背景点相应减少，但是会降低与背景颜色相近的前景运动目标的分割精度。这 正是混合高斯模型方法的缺点，也是前景分割问题中常遇到的难点.本文首先检 测每帧的亮度变化发现，若光线是缓慢变化时，则用 侧‘抢方法分割;当光线照 明突变时，对该帧先用夕服乡方法分割得到前景目标二值图，然后根据帧间梯度 信息结合及理已5判据对它二次分割，以校正误判的背景。很好地解决关照突变问 题。 实际应用中视频图像的分辨率较大，逐像素检测亮度的变化是不可能的。本 文采用的方法是将分辨率为240*302每帧彩色图像进行亚抽样为10*l0的亮度子 图图像Lt，计算它与上一帧亮度子图Lt、的差分乙双，可得到这 010个像素亮度 变化量的均值艺几-tI，取绝对值为匡几t习，检测过程如下: ()1当匡几-Jt}》△L(取△L=15)时，则认为t时刻有亮度突变，并记录Lt一， 和L。的值;计算t+1帧的亮度子图L+t1，分别与L-tL和Lt的值比较可得亮度变化 量的均值LDt:，:和LD卜，_，+，，取绝对值为!LD，一，，!、}LD卜，_t+，}。 2()若}DL卜1_+t，!△L，则t+1帧的亮度恢复到t一1帧的情况: ()3若}LD卜。，1}△L且}DL--+tt1}△L，表明t+1帧与t帧的亮度相当，有 可能光线稳定到另一状态，但与原始的t一1帧的亮度有突变; 4()若}LDt一。，，}△L且IDL沙:卜△L，表明t+1帧与过去两帧都有亮度突 变，光线仍不稳定，记录L，_:、Lt、L+t，的值继续比较下去。 视频图像中人体 目标的检测方法研究 通过这种方法光线的突变情况可检测出来，大致有以下四种情况如下图 3.3。 图3.3常见的几种光线变化情况 针对图33中(a)情况，光线变化之后稳定到t一1时刻亮度值上，原来t一1 时刻的高斯混合模型 (M呢)5可继续适用分割后续的视频;针对 (。)和 ()d两 种情况，光线变化后在t恤时刻稳定在另一个亮度值上，则原t一1时刻的高斯模 型要按下式 (3一)6进行修正才可以使用后续帧的分割。针对情况 ()d光线不断 变化下去，此时只能结合高斯混合模型和基于帧间梯度表的Bayes二次分割方 法。 pt+m=产卜1+a功·，+叫 (3一6) 3.5基于帧间梯度的bayes分割改进算法 3.5.1帧间梯度向量表 1梯度向量表的建立 梯度信息表征物体的结构特性，而物体的结构并不会随着光照的变化而变 化。像素点位置5处的梯度是一个二维向量，表示为气)s(一气，介)，其中 性一vxsI，()t，介=vy.sI(小这里偏导数可用Sboel算子生成如下: 几=vxsI，()t=1(1+1，j+1)+2今1(1，j+1)+1(1一1，j+1) (3一7) 一1(1+1，j一1)一2*1(1，j一1)一1(1一1，j一1) 与一vysI(，)t=(‘+‘’，j’‘)十2*’(，’‘，刀十’(，+’，j一’) (3一8) 一1(1一1，j+1)一2*1(1一1，公一1(1一1，j一1) 由上式可见梯度向量是像素点亮度的差分，即使光照变化的情况下，在背景