基于改进的OTSU算法的视频处理

基于改进的OTSU算法的视频处理 基于改进的 OTSU 算法的视频处理 ,李敏李涛 ,河南广播电视大学,河南 郑州 450008, 针对跳水运动视频中的人体运动目标分割问 题 快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题 ,提出利用颜色信息进行运动目标检测和分割的算法。 首先摘 要, 采用色相和亮度两个彩色分量加强图像中的颜色差异,使用 OTSU 算法对图像进行阈值分割,同时结合 RGB 颜色空 间启发式肤色聚类,确定运动目标所在的连通区域,从而完成首帧运动目标的自动检测。 在后续帧的处理中,以数学 形态学 方法 快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载 进行自适应运动区域预测,运用改进的 OTSU 算法,提高了分割速度。 实验表明,本方法有效地克服了复 杂背景变化的影响,能够快速实现跳水运动目标的分割,且对运动对象的快速运动有较强的鲁棒性。 关键词,运动对象,区域预测,颜色聚类,OTSU 中图分类号,TP391,41文献标识码,A 文章编号,1672-7800,2009,04,0189,03 标,从而完成了运动目标的分割。 0引言 1首帧运动目标的自动检测 运动目标提取就是从动态视频序列中提取运动目标。 研究 如何精确地从动态场景视频序列中提取运动目标具有积极的 ,对图象进我们通过肤色聚类找出图像中所有肤色像素点意义。 它是视频运动分析、基于内容的视频编码、基于对象的视 行阈值分割处理后标注出所有连通区域,对落入各连通区域中 频检索等应用领域的基础。 它在人工智能、机器人学、智能监 的被认为皮肤的像素点进行计数,根据大而优的原则选出肤色 控、步态分析、虚拟现实等领域有着重要的应用。 最大连通区域,即人体所在区域,实现目标的自动检测。 视频运动目标的提取方法大致可以分为以下两类,一类是 基于皮肤颜色的启发式聚类1,1根据视频的时序属性来进行运动目标提取,如帧差法、光流法。 建立一组基于统计特征的启发式 规则 编码规则下载淘宝规则下载天猫规则下载麻将竞赛规则pdf麻将竞赛规则pdf ,基于这些特征进行 第二类是根据视频中运动目标的空间属性来进行运动目标提 取,如轮廓提取法、背景减除法。 由于显露背景及缓慢运动的前 判断。 由于地域的差异性,对应与各色人种的规则会存在差异景,会使得以上两类方法在提取运动目标时准确性下降。 性。 下面是基于人体在统一光照的情况下,在 R,G,B 颜色空间 的一组规则。 为克服以上问题,提高运动目标提取准确度,本文针对跳 水运动的特点,提出了一种基于人体肤色的视频运动处理算法。 假设 U 为符合肤色的颜色的集合, 算法主要集中在以下几个方面, ，，，， U,,R，9?5G，4?0B，20,?MAX R,G,B ,MIN R,G,B ,1,在利用 RGB 颜色空间启发式聚类来标定皮肤像素点 ，15?‖R,G‖，15?R，G?R，B,的基础上,运用色相和亮度两个彩色分量有目的地加强了不同 属于 U 的颜色 R,G,B 三分量必须都不能弱于一定值 ,且 色相目标差异的灰度图像。 3 个分量中最大分量和最 小分量之间的距 离必须足够大 , 且 ,2,结合 OTSU 确定的阈值对图像进行阈值分割 , 并利用 R,G 分量之间的距离也必须足够大, 且 R 分量必须是其中最 已得到的皮肤像素点分布情况,寻找到二值图像中运动目标所 大的分量。这组规则中具体的常数在不同的应用环境中会有变 在的连通区域, 完成对第一帧中运动目标的自动化检测和分 化,但定义的形式具有参考价值。 割。 有了上面的规则定义就可对彩色图像中的点进行聚类,规 ,3,在后续帧运动目标的自动化检测和分割中 ,利用同样 则为,像素中任何属于 U 的像素点属于皮肤像素点的集合,反 方法得到灰度图像,利用了针对运动视频的特点改进的 OTSU 之属于其他物。 确定的阈值,对图像进行阈值分割。 1,2 基于色相和亮度特征的 OTSU 阈值分割算法 根据图象在一个信息空间中表现出较大的差异性进行分 信息,Lum 代表图像的亮度信息,则表现二者差异的变换如下,,提高运动目标识别的精确度,且可大大减少计算行区域预测 量。 D,T,rHue,Lum, 设 ,定义如下,UU变换可能是极其复杂的。 本文使用的是一个的线性变换, CurrentNext ,, U,,p,,x,y, D,AHue，BLum,A,B 为常量参数p 为当前图像中运动目标的点,,1,Current U,,p,,x,y, p 为下一张图像中运动目标对应的点,设 有任意两点 ,若用欧氏距离 表示二者的差异, D PPd Next12 ,,,坌P?UP,xy则,CurrentCurrentCurrent 0 0 22,,,, d,‖DP,DP‖ 12ΔS ,ΔS 是相对于当前帧摄像机 的 运 动 和 目标 自 身 Camera Target2222 ,A,,Hue,P,,Hu,eP,,，B,,Lum,P,,Lum,,P,,,2, 1212 移动,包括运动目标非刚体特性造成的移动,造成该点在下一显然两点的差异由亮度差异和色相差异共同决定,这就增 帧的位移。 ΔS 是总位移,S 为点移动的距离。 则, 加了差异的维度。 原来亮度接近的区域,由于色相信息的不同 4,,ΔS,ΔS，ΔS CameraTarget可以区分开来。 实际中根据不同的应用可选用不同的常量参 S,‖ΔS‖数,从而达到不同的效果。 对于所有的点求出移动距离 S,并取, OTSU 即最大类间方差算法实现自适应的阈 值 分 割 中 阈 d,MAX,S, 值选择,算法在实现过程中,让阈值遍历所有灰度级,计算类间 显然在下一帧中,取像素点集, 方差,取其中使类间方差最大的一个作为最终阈值。 下面是相 邻两张图片的类间方差曲线,根据类间方差最大的原则,阈值 U,,p,,x,y, ‖p,p‖?d,p0?U,,5, ForecastCurrent0 就取使曲线达到最高点时的值。 显然, U哿UNextForecast 由上面的推导可知,当前像中的任意点在下一帧的位置必 然落在以最大运动距离为半径的圆形区域内。而这刚好等价于 在图像中当前点作一以最大运动距离为半径的圆形膨胀所能 到达的区域。 所以可以用数学形态学中的膨胀运算来实现。 数 学形态学是针对形状,shape,对图像进行操作。 最基本的操作 有两种,膨胀和腐蚀。 对一孤立点进行半径为 5 的圆形结构元 素膨胀结果演示, ,a, Single point,79x79,dilation result,79x79, 图 2 圆形结构元素膨胀演示 膨胀不需要额外的判定,能够快速实现,而且最重要的是 ,b,能够根据当前区域的形状自适应地对下一帧进行区域预测。实 方差曲线对比 图 1 践中最大运动距离一般是不可准确测量的,但根据图像的大小 类间方差的在大部分区间上变化具有较好的连续性,这正和运动的特点可以估计出可行值,不影响实际的应用。 反映的是图像本身像素点之间的相关性,像素灰度分布趋向连 图像膨胀半径的选取过程中要进行大小的控制,避免区域 续变化。 OTSU 实现过程中需遍历所有灰度级,是算法速度的 选择受噪声影响的累加。具体可选用根据目标区域增长的情况 瓶颈,因此有研究提出用遗传算法改善其效率的思路。 本文根 如面积大小来调节膨胀的系数大小,即让预测区域的像素点的 据运动图像的特点,提出了利用帧间连续性的解决方法。 实验 个数必须在一个固定的范围,这个范围的大小由第一帧对第二 中注意到,因为运动图像相邻帧之间的的变化不大,所以类间 帧运动区域的预测结果和运动本身的特点来决定。可取的方法 是,取第一帧对第二帧运动区域的预测结果的面积大小为中心 方差曲线变化也不大,如图 1。 因此在 OTSU 算法实现过程中, 的一个区间,偏离中心的大小由运动本身的特点来决定。 只在与前帧图像分割阈值相邻的灰度区间内,即预测到的运动 区域中,遍历,避免了遍历所有灰度级,提高了算法的效率。 设第一帧运动目标的面积 S,第 i 帧的面积是 Si 则, Si,,SKi 〈Sth,6, 运动区域预测和运动目标分割2 Ki 为第 i 帧的放大系数,Sth 为面积增长的阈值大小。 将运 动区域的预测限定在一定区域内,再在其间执行 OTSU算 法避 在已知当前帧运动目标的区域已知的情况下,可以充分利 处理速度。 3 算法步骤 ,a,视频序列 第一帧中目标的检测, Step1, 第一帧图像进行利用 RGB 颜 色 空 间 聚 类 , 选 出 被 ,b,处理后图像认为皮肤的像素点, 图 4 本算法处理结果 Step2,第一帧 RGB 图像进行对比度调整并转化为灰度图 实验结果分析,像, 利用改进的 OTSU 阈值分算法评估出门限分割的阈值,将 ,1,采用改进的 OTSU 算法速度有所提升。 图像转化为二值图像。 并进行形态学滤波,除去面积较小和特 单 独测试性能提升 效 果 明 显 。 在如上 的实验条件下对 定方向上的干扰。 272x228bmp图像进行了处 理。 改进后的 OTSU 有半长为 20 的 Step3,对第一帧二值图像进行连通区域的标注,并对落入 区间。 单独应用算法 10 000 次的比较结果。 各连通区域中的被认为皮肤的像素点进行计数,选取计数值最 表 1 改进算法与标准算法对比 大的就认为是人所在的区域。从而完成了第一帧中目标的检测 和分割。 算法 改进后的 OTSU 标准 OTSU 速度比 在第一帧的结果基础上利用运动区域预测进行目标的检 运行时间 26,72s120,39s1,4,51 测和分割, ,2,基于数学形态学区域预测的运动预测算法实现了良好,Step4,上一帧得到的目标区域进行半径为 da 的圆形膨胀 的效果,以小的计算量换取了高的正确率。 操作得到运动预测区域,a 是对区域的面积范围选用的参数。 Step5,对上一帧 RGB 图像进行对比度调整并转化为灰度 5 结束语图像, 利用改进的 OTSU 阈值分割算法评估出门限分割的阈 值,将图像转化为二值图像。利用运动预测区域简化图像。利用 由于有规律的前景运动,如体操运动、跳水运动等,其先验形态学滤波,除去面积较小和特定方向上的干扰。 知识较稳定,故本文结合运动视频中的连续性提出改进的 OT- Step6,对上一帧二值图像进行连通区域的标注,并对落入 SU,基于数学形态学运动区域预测的实现方法是有效的。 各连通区域中的像素点进行计数,选取计数值最大的就认为是 人所在的区域。 从而完成了对当前帧的目标的检测和分割。 参考文献, Step7,如果已处理完所有的图片结束,不然转第 Step4步 。 ,1, 王亮,胡卫明,谭铁牛,人运 动 的视 觉分 析 综述 ,J,,计 算机 学 报, 2002,3,. Real time surveil2lance of people and their activities,Haritaoglu I, 2,, Harwood D,Davis L,W,IEEE Trans PatternA nalysis andM ach ine Intelligence,2000,22,8,. Robust xetraction of moving objectsfromi mage sequences,Sun H, ,3, Feng T,Tan T,Proc the Fourth Asian Conferenceo n ComputerV i- son,2000. i Statstca coor modes wth applcaton to skin detecton,Jones,M,J,iillliiii ,4, and Rehg,JM,,International Journal of Computer Vision,2002,46 ,1,, 图 3 本文算法流程 Human Skin Coour Clustering for Face Detecton,Jure Kovaˇc,Peter li ,5, Peer,and Franc Solina,EUROCON,Cmoputer as a Tool,The IEEE 实验结果4 Region 8,2003, 2, 张超,张家树,贾东立,基于混沌遗传算法的图像阈值分割,J,,计 ,6, 实验环境,实验的硬件环境 Pentium? 2,4G512MB 内存,算机工程与应用,2006,2,, 环境 Windows Xp sp2 下使用 Matlab7,仿0 真。 陈冬 岚, 刘 京 南, 余 玲 玲,几 种 图像 分割 阈 值选 取 方法 的 比较 与 ,7,实验对一采集自一 25fps 的 AVI 跳水运动视频的图像序 研究,J,,机械制造与自动化,2003,1,, 列进行了检测和分割,图像为 352×288的 BMP 图像序列。 ,责任编辑,卓 光,