基于贝叶斯学习的视频图像分割-潘登科.doc

基于贝叶斯学习的视频图像分割-潘登科

基于贝叶斯学习的视频图像分割-潘登科

PAGE/NUMPAGES

基于贝叶斯学习的视频图像分割-潘登科

外文资料译文

基于贝叶斯学习的视频图像分割

王林波赵杰煜

(宁波大学信息学院计算机科学与技术研究所,宁波315211)

摘要如果背景中光线变化，那么视频图像分割将会变得比较困难。为了对光线变化的图像进行顺利侵害，提出了一种利用贝叶斯学习方法来进行视频图像分割的算法，即先在每个像素点处对不断变化的背景建模，同时计算每个像素点处的颜色直方图，再用这些直方图来表示该像素点处特征向量的概率分布，然后用贝叶斯学习方法来进行判断，以确定在光线缓慢或者突然变化的时候，每个像素点是属于前景还是属于背景。

关键词视频图像分割贝叶斯学习复杂背景模型

1绪论

视频图像分割是一种把视频剪辑中有用的物体和背景分开的一种方法。它是目标位置测量和确认的首要步骤。视频图像分割有很多方法，比如快速前进法、区域成长算法和背景模型法。这些模型不能处理有照明变化，阴影与相似亮度的运动物体。背景建模法依靠灵活的技术组织当时的序列信息，它允许视频序列有不同的球形运动，例如移动、旋转、图像电子放大或缩放。像这种表面色基于方法，它能在照明时间改变的情况下有效的分割。然而，很多现有的技术认为视频图像分割只能在固定的背景下进行。如果光线变化比较缓慢，有些方法依然能够清楚的进行视频分割，但是如果光线变化快的话，那些算法在理论上就会失败，我们首先要做背景模型的静止点和变化点，接着我们运用贝叶斯学习方法获得概率分配并且在背景照明或快或慢的改变的情况下进行视频分割。

2模型描述

对于很多视频分割问题，我们仅仅对一些显眼的物体感兴趣，并且这些物体是经常移动的。例如人、交通工具等等。除去那些显眼的物体，我们可以把其它的部分作为背景。这些混合的背景可能由光线变化或其他一些移动的物体比如风中的窗帘、喷泉、摇动的树枝等等，这些形形色色的因素将严重的影响视频分割的结果。有两种类型的照明变更，一种是由自然光线变化引起的逐渐的光线变化，另一种是灯光的打开或关闭造成的光线突然变化，对环境造成明显的变化。我们建立一个贝叶斯模型解析这个复杂的背景。这个模型用于分类每个像素作为前景或背景。

2.1贝叶斯模型

让作为一个离散向量从图像序列里提取像素S(x,y)并且t遵守贝叶斯定理，由此可得出结论在背景b或在前景f的后验概率为

,(1)

如果特征向量在这一个像素适合，然后像素被归类为背景：

(2)

在像素S(x,y)的这个特征向量来自于背景或显著位置，他遵循：

(3)

把(1)和(3)代入到(2)中，我们得到：

(4)因此，一旦我们计算背景出的条件几率，背景优先几率P(b|d)和在像素S(x,y)的总概率，我们将知道这个像素是在前景还是背景。

2.2特征向量表示法

适当的表现从像素S(x,y)和立即时刻t提取出来的特征向量Vt是很重要的。如果背景在一个点是静止的，我们把这个特征向量表示为，它只是在像素S(x,y)和立即时刻t的颜色。如果背景是变化的，我们把表示为在彩色图片中一个像素有三维，每维都有256的量化水平，分解一个联合的柱状图将会有大量的计算和存储。所以需要一个好的近似值来减少量子化水平。

2.3其他可能的表示法

在不等式(4)中，条件几率和总概率经常是未知的，它们能在整个特征空间通过特征向量的柱状图反映出来。一般而言，如果背景是固定的或者光线变化很缓慢或很突然，背景上像素的特征向量将会集中在特征柱状图中很小的一个子空间，当有移动物体经过的时候特征向量将在特征空间分散得很广泛。我们推想有M个不同的特征向量在像素S(x,y)，并且每个特征向量依照的降序排列。然后一定有一个数字N(NM)，将适合下列不等式：

(5)

我们可以认为刚开始的N个特征向量对于背景上的这个像素很重要。

为了对这个像素进行分等，我们设计一个概率表，由N个特征向量组成：

(6)

这个公式将在其次的运算法则中运用。

3运算法则的描述

这个运算法则包含两个重要的部分，第一部分是对背景图像的最初的学习，第二部分是视频图像的执行和对背景图像的连续学习。这个系统的主要部分在图1中给出：

图1运算法则表

运算法则的详细循环依下列各项：

(1)学习这个概率分配函数和最初背景的每个像素的特征向量。

(2)在当前两个不同的连续输入框架中计算不同时刻的以与在当前的帧和涉与的背景中计算背景不同的。