一种基于块知识的新的移动物体的视频分割方法

一种基于块知识的新的移动物体的视频分割方法摘要很多种不同的背景减法被广泛应用在视频中来观察移动物体。在这项工作中，我们建议了一张新的背景减法，这种发放在色彩空间中运作并且在分割的片断中管理色彩信息的观测并消除噪声，这种方法还结合了块知识以及可能出现在前景上的不同形式的块。这种想法用来分别处理各个像素，根据其所属的不同类别：真实的移动物体、阴影、虚假痕迹、反射、波动或者背景噪声。因此，前景是由处理被有选择的精炼过的被个图像框架得出的结果，适用于每个即时的合适的操作者根据我们想要消除的噪声块的类型。我们建议的这种方法是合适的，因为这种方法同时允许了背景模型以及门限的更新。一方面，由此强大的固定方法获得的结果是在一个很广泛的范围的不同顺序中提议的，另一方面，这些结果在分割过程中强调三原色的重要性而不是局限于一种颜色。关键词：背景减法、反射观察、阴影观察、虚假痕迹观察、永久记忆、块知识。一、序在视频中观测移动物体是在很多计算机视频应用中提取信息的相关的第一步，比如，语义视频详解、认识方式、视频监视、交通监视以及行人追踪通过这种方法或侧的结果的质量是很重要的，有越多可靠的形状和移动物体的位置，他们被辨别的可靠性越高，相应的，他们在后面的有关追踪和分类的工作中会保证更高的成功。因此，与汽车视频分割有关的极其重要的部分将被分为北京中的移动物体和从这种物体中获得的清晰边界。这些是基于移动物体观测的不同的方法，例如在统计学上(Horprasertetal.,1999;Lee,2005;StaufferandGrimson,1999)、模糊逻辑(Jadonetal.,2001)、连贯构架的减法（Liptonetal.,1998)、视觉流动(Wangetal.,2003)、基因算法(KimandPark,2006;Carmonaetal.,2006;Martinez-Cantosetal.,2006)、或综合了一些技术的杂交方法(Collinsetal.,2000;Dedeoglu,2004)。然而，与固定摄像机一起使用的一种最常用的方法是基于背景减法以及它的复合变体(Wrenetal.,1997;Haritaogluetal.,2000;StaufferandGrimson,2000;McKennaetal.,2000;KimandKim,2003;Cucchiaraetal.,2003;Xuetal.,2005;LeoneandDistante,2007),因为他的速度和所需工具容易，基本上来说，这种方法允许运动区域通过减法被观察到，一个像素一个像素的，在背景模式中吧当前图像作为参考。通过上述观察算法得出的结果，特别是工作中使用真实镜头的，通常含有噪声。产生噪声的主要原因是摄像机自身的内部噪声，不期望有的反射、部分或全部色彩与北京一致的物体以及突然出现的阴影和(人工或自然的）光的变化。这些因素的综合效果可能是两方面的：首先，他可能意味着一些不属于移动物体的区域与前景（前景噪声）融合；此外，那些属于移动物体的决定性的区域不再出现在前景（背景噪声）中。尤其地，在用背景减法来分割的方式确定时，存在不同的建议来观测和消除这些噪声。因此，存在部分解决问题的建议，例如，因通过观测阴影(Xuetal.,2005;Leoneetal.,2006;LeoneandDistante,2007)，然而另外一些建议完全攻击这个问题，也就是试图区分移动物体的块和不同的噪声块(Cucchiaraetal.,2003)。在这项工作中，我们建议了一种基于一个新的背景减法的变化的分割方法，这种方法使用不同种类的块中的相关信息，由于当前构架的处理，这些块可能在前景中出现。这些信息与通过对预备鸽图像的点和背景中的适量相关的适量的角度和单元的不同区域密切相关。因此，描绘图像的每个点的特性并将其分类时可能的，这是根据以下的类别区域分类的：真实移动的物体、阴影、虚假痕迹、反射、波动和背景噪声。最终目标是用这种基于块知识的新信息来重建前景和更新背景模型，因而通过分割达到最高的精确度。在任何时候，我们都建议用一台固定的摄像机获得的彩色视频工作，没有漏掉概述，我们在标准的RGB色彩空间中工作，这种方法可以运用在任何其他色擦空间中。这篇文章剩余部分是这样组织的：第二部分描述不同前景快的特征，然后，我们所建议的分割方式，描述被称为圆锥去顶的方法（TCM）并分割成不同的步骤，首先（第三部分），做一个问题的表现空间的变换，从一个三维空间（色彩空间）传递到二维空间（角度构成空间）。这种方法是我们可以定义一个规则，叫做角度构成规则，它的应用产生一个前景地图，像一种开始的方法区分割的结果来做。其次（第四部分），这种新的饿空间表现方法不仅使我们可以用更多操作方法来描绘比第二部分中更多不同的噪声块特征，还定义了一个新的饿操作方式来消除前景中的噪声块。所有这些因素（规则和操作者）的合理的顺序安排将在TCM（第五部分）中形成，第六部分罗列存在的实验中的不同结果的问题，最后，第七部分总结这项工作。二、块的特征描述：一种开始的方法在这部分中，我们用第一种方式来描述可能出现在前景中的不同类别的块的特征。之后，在第四部分，我们将精炼这种方法，同时也存在不同的建议(Cucchiaraetal.,2003),但我们组成了一套实体和关系（见图1）,这是初步确定了通过比较当前形象和背景模型强度级别：块：相互连接的点的集合前景：前景：二元形象得到比较当前图像与背景模型与应用门限值。在这张图像上，从理论上说，只有与真是移动物体出现相关联的点。移动的视力物体（MVO）:前景块bMVO,与真实的移动物体有关。前景噪声（FN）:错误显示在前景中但是与任何真是移动物体无关的块。背景噪声（BN）:错误的没有显示在前景（视觉块）中但与某些真是移动物体相关的块。这种噪声通常出现在真是移动物体的一部分颜色与该位置的背景颜色类似的地方，门限值不足以正确区分它们。因此，在第一种方法，这种噪声很有特点因为所有点，P，在这种视觉块中，bBN,总是满足：以及分割门限值。图1前景块的种类分类阴影：一种前景噪声。它与被真实阴影覆盖的图像的任何区域相关。在第一种方法里，它是很有的特点的，因为所有点在这种块中bsh,都满足。反射：一种前景噪声。它与被真是反射加强的图像的任何区域相关，在第一种方法中，它很有特点因为所有点在这个块中都满足。虚假痕迹：一种前景噪声。与静止物体开始运动时的初始位置和移动物体停下时的最终位置相关。在这两种情况下，它们的不同是与开始和最后位置相关的，足够大来使前景块出现。波动：一种前景噪声。通过这一段，我们在讨论两个连续的构架引起的光线的微小变化。这种变化由于摄像机的视觉传感器或者一个光线的缺乏而产生，不显示光的饱和程度，从一种严格连贯的方法中获得，因为光源的变化（人工的或者自然的）可能受微笑震动的影响，所以，像素在这种块中bF1,都满足，因此在第一种方法中，，换句话说，区别近似但不等于零。强调一下以前提过的所有性质成立的可能性事很重要的但不是决定性的，例如：如果，那么点（x,y）可能属于背景噪声或者波动。当每个图像的点分成一种或几种块的时候这种情况将被考虑到。无论如何，我们的目的是利用上述定义的每一个实体的特征来使图像中每个种类的块的辨别变得容易，并且在最后一个例子中，做一个更为精确的分割的背景模型的更有效的更新。三、角度单元规则我们在这里给出一个将三位色彩表示空间变成名为角度单元空间的二维空间。这种二维空间将成为我们提议的分割方式的参考构架。这种新的作为结果的空间允许我们定义一种分割规则，该规则的应用产生一种最终前景地图的开始的方法，并成为组成圆锥去顶法的第一步。因此，对于每个位置（x,y），在某一时刻给定的图像像素，t，在图像RGB矢量和当前位置It（x,y）（r,g,b）以及背景RGB矢量存在的关联可以被描绘又他们形成的角度值和它们在绝对值中的单元不同的重要性，在下文中，为了简化表示方法，我们用Mt(x,y)，有关地图M，时刻t。在每个时刻，在单元中的不同，在绝对值和矩阵中，计算各自作为|It|和|Bt|是图像和背景的单元矩阵。在矩阵中，角度就算是用两个标量的交替定义（4）式来计算的，见式（2）和（3）。在（3）始终，表示两个矩阵的结果，A和B，一个元素一个元素的，在（4）式中，操作者（A/B）表示矩阵A和B中的份额，一个元素一个元素的，表示矩阵A和B的结果，一个元素一个元素的，表示一个小的防止除数等于零的变量。通过充分对比，这两个矩阵和的表示值，可以得到一些有趣的关联，观点如下，对于图像中每个点（x,y），一个旋转的圆锥将被建立在RGB（见图二）空间中。通过使用一条轴线包含点元素（rB,gB,bB）和另两个时候以上和一下的关系。在一定距离h，它们将沿着圆锥表面确定界限，两个有意思的区域：一个去顶圆锥位于中间平面的上部，另一个在下部。一旦去定圆锥范围被确定，借助,点和图I(x,y)中位置(x,y)将属于限定体积，当且仅当满足条件（5）和（6）时在这个区域中，其中和是门限值。使用这种角度构成空间的有点有两方面。一方面，它所下了范围，将分割问题从一个RGB的三位空间转换成二维空间，另一方面，就想在后面部分将看到的那样，它将根据是否满足这两个条件，使描述可能出现在前景中的块的不同种类的各自特征变得容易。当我们选择足够小的和时，它是很直观的，它可能作为每个点（r,g,b）和图I(x,y)中位置(x,y)的移动条件来建立是完全可能的。图I(x,y)位于去顶圆锥区域外符合条件式（5）和（6）将属于一个真实的移动物体。若想上述成立，这两个条件中只能满足一个。因此，定义一个条件（7）来近似计算前进地图是可能的。事实上，在我们提议的这个方法中，角度门限值和单元门限值是分别通过位置(x,y)和时间t，和计算出来，所以，式（7）转变成一个名为角度单元规则的条件（8）。背景模型和门限矩阵都代表途中先后观察到的像素的色饱和度在统计上的可能性。从之前一个时刻为kt。B1(x,y)和第一张图（假设其中没有移动物体）一起开始，换句话说，B1(x,y)=I1(x,y)且H1(x,y)和之间确定的之一起开始且不等于零。自量提供了很多方法来更新这种矩阵。在此，我们假设一种方法如式（9）-（11）。其中是固定知识，知名多少进来的图像中的信息转换为背景，是固定知识，知名多少信息由值用i={1,2}衡量的矩阵转换成角度门限矩阵,以及是固定知识，指名多少信息从值用i={1,2}来衡量的构架矩阵不同点装换成构架门限矩阵。和的值根据基于图像和物体类型的经验来完成分割的后面步骤。需要强调的是Bt(x,y)的值只能为不是前景的点更新，它可能引起前景噪声从虚假痕迹块中出现（Dedeoglu,2004）。这个问题的结论将在后面的部分中被考虑。