《基于贝叶斯学习的视频图像分割-潘登科》由会员分享，可在线阅读，更多相关《基于贝叶斯学习的视频图像分割-潘登科（9页珍藏版）》请在金锄头文库上搜索。
1、外文资料译文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
2、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，阴影及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
3、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)
4、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
5、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
6、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及在当前的帧和涉及的背景中计算背景不同的。 (3) 在时间T的开始对比的每个数据，如果，我们认为像素S(x,y)作为变化点，其他的作
7、为固定点。 (4) 对于所有固定的和变化的像素，计算P(b|d)，和的可能性依据： (7)在这里是像素S(x,y)和立即时刻t概率表中的特征向量th的概率，是像素S(x,y)和立即时刻t概率表中特征向量jth在背景中的条件几率。M(Vt)被定义作为匹配特征：并且变量是像素S(x,y)概率表中的特征向量th，是无穷量。 (5) 如果不等式成立，那么认为这一个像素在背景中，像素S(x,y)的颜色值置0，否则，将值置为1。在这一步骤结束时，一个二进制映像就产生了。 (6) 一个形态学上的操作移除离散的噪声点。最后，系统输出一个视频分割图像。 (7) 为了使系统适应变化的环境要坚持概率表连续更新和参考
8、背景的学习方法，连续的学习方法的详细内容将在下一部分介绍。 (8) 回到步骤(2)。在最初的学习方法（步骤1）中，各种的背景图像被系统获悉，并且这些背景图像可能包含一些混合的景物。在初步学习过程的最后，系统将获得两个概率表包括,以及每个像素的特征向量。在这里我们使=因为所有的输入图像都属于这个背景，系统也获得一个描绘背景最新外貌的参考背景，这参考背景维持在连续的学习方法使背景产生不同在每个时间段，这个背景差异常常用来移除图像噪声。更新概率表这个表的概率依然对每个像素都有效。有两个更新策略应用于光线缓慢和突然的变化这两种情况。当环境光线变化很缓慢时，更新规则是： (8)在这里，是处理速度，作为像
9、素S(x,y)的输入变量，在概率表中作为特征向量与匹配最好： (9)=1当在S(x,y)像素被分类为背景从最终分割的立即时间t，另外=0，符号“”是逻辑操作。第二种功能在第8种情形在概率表中特征向量匹配最好的出现概率的增强应归于=1。如果=0，在概率表中特征向量出现的概率有些微弱的减少。如果输入向量不能匹配任何一种特征向量，它将作为一个新的特征向量取代在概率表中最后的要素，并且一个小数值将分配给新特征向量的概率。当环境变化很突然时，新背景出现的新特征立刻变得受控。从(3)和(5)中，新背景的特征向量将被发现如果： (10)而且从(3)，(6)，我们可以总结 (11)除此之外，校正函数为 (12
10、)在这里，更新参考背景 参考背景图像能在视频中表现背景的最新变化。如果背景逐渐的改变，参考背景的校正依据： (13)在这里，是背景的更新率, 是像素S(x,y)在参考背景中的颜色值，是当前帧的像素S(x,y)的颜色值。如果并且在视频分割中某个像素的颜色值为0或者，都表示背景已经改变了很多，所以参考背景更新依据： (14)4实验结果 我们为了使系统获得初步认识使用一些背景视频剪辑。每个帧的每个像素的两个不同的柱状图已经被计算出了。考虑存储和计算，特征向量的量子化水平应该被减少。在中仅有三维，所以从256减少到64，并且在整个特征向量空间的联合柱状图中，当从256减少到32，并且在整个特征向量空间
11、的联合柱状图中。系统计算每个帧的每个像素的概率表依靠柱状图进行。一个是静止点的概率表，一种是变化点的概率表。在静止点的概率表中，如果像素S(x,y)的特征向量的值比50大，这些特征向量的前50个将按照的降序排列存储，另外所有的特征向量都将被存储。在变化点的概率表中，如果像素S(x,y)的特征向量大于80，这些特征向量的前50个将按照的降序排列存储，另外所有的特征向量也将被存储。初始背景图像的最后一帧将被选为参考背景。处理速度，背景更新率，以及匹配极限这些变量在图像分割前都已被初始化。对于处理速度，如果它太小，那么系统变得很慢以至于不能相应背景图像的突然变化。在实验中，将处理速度设定在0.100
12、5与0.01之间。背景更新率控制着参考背景的更新率。如果背景更新率太大，前景将立刻变为背景，如果它太小，参考背景又不能很好的反映当前的背景，所以我们设定背景更新率为0.05，匹配极限设为30。两个实验将被进行不同的光线变化的场景中。在第一个实验中，当我们慢慢关上窗帘使屋内光线缓慢变化时背景的很多重要的特征都被获知，接着，一个人从摄像机前经过并且光线发生剧烈变化，实验结果如图2：图2 光线变化下的图像分割结果图像(a)是以5帧为间隔提取的，图像(b)是相应帧的分割结果。可以看到当光线变化缓慢时贝叶斯定理工作的非常好。在第二个实验中，当我们开关灯使环境光线有一个突然变化时有很多背景的重要特征被获知
13、。然后，一个人在灯忽开忽灭使环境光线有一个突然变化的情况下从摄像机前经过，视频图像的分割结果如图3和图4所示：图3 灯灭时的分割结果图4 灯开时的分割结果图3的(a)图是灯灭时是连续的帧，(b)图是分割结果。在图4中，(a)图是灯开时是连续的帧，(b)图是分割结果。从图3和图4，我们可以发现无论是在光线变暗或变亮时用贝叶斯定理进行的视频图像分割都是很好的，并且对环境变化很突然的情况有很强的适应能力。5结论当背景中的光线变化慢或快时我们使用贝叶斯学习方法来增强视频分割。这个系统最初计算每个像素颜色或向量的柱状图，并且产生两个概率表，包含特征向量和概率分配函数。所有这些特征向量表现在每个帧的每个像素。然后，贝叶斯定理用来判断每个像素是属于背景或前景。两个概率表同样适合联机的变化的背景。 未来的工作是提高文中提到的方法，并且使用它到包含移动物体的更复杂的背景中去。基于这些，我们也可使用于目标搜索和目标识别。8
