与视频背景颜色相似的纹理缺乏前景目标检测方法

赵亚琴 蒋林权 陈 越 孙一超

(南京林业大学机械电子工程学院 江苏 南京210037)

0 引 言

本文提出一种新的多尺度纹理描述子，用于与背景颜色相似，且表面平坦的前景运动像素提取，并提高算法对光照的鲁棒性。本文的主要创新点如下：(1) 由于LBP纹理提取算法无法有效描述表面纹理缺乏的前景对象，而背景和前景颜色相似，颜色特征又不能应用，因此本文利用非下采样小波变换的平移不变性，构建多尺度LBP纹理特征描述子，不仅能够揭示背景和前景像素的纹理特征的微小不同，而且达到降噪的目的；(2) 不同于已有文献的LBP直方图特征提取方法，本文的多尺度LBP特征向量用一个8×n(n是小波子图的数目)位的二进制向量表示，海明距离被用作计算背景图像和前景图像的同一坐标的两个像素的纹理相似度，提高了算法运算速度；(3) 本文提出一个从像素级到块级的多粒度对象跟踪算法，在候选像素检测级，阈值被自适应地调整以便改善算法对环境变化的鲁棒性，在像素块级，统计特征用于减少噪声的影响。

1 检测策略与算法

1.1 像素级前景检测

1.1.1 非下采样小波分解

图1 非下采样小波变换结构图

1.1.2 非下采样小波变换描述子的定义

(1)

式中：pk为p(i,j)的第k(k=1,2,…,8)个近邻点。

在有币的区块链项目中，激励机制是否有效取决于项目的代币是否可支付，例如：比特币的可支付来自社区内的认同。众所周知，有一万个比特币换取披萨的事情，那么为什么是一万个不是五千个呢？我们可以推测持有比特币的一方用电费来衡量自己获取的比特币在当时的价值，披萨的销售者一方面必然是比特币社区的成员，一方面还可以用电费衡量披萨的价值，于是你情我愿之下，才会有这样的一笔交易。我们特别推测了披萨店主应该是比特币社区的成员，或可以说是比特币的粉丝；否则，这笔交易是不会发生的。所以我们认为认同是支付的前提。如果项目的参与者对项目不认同，可支付性降低，激励机制失效，那么这个项目就很难有效地运行。

(2)

式中：

(3)

因此，得到一个以像素海明距离为元素的矩阵HM(t)。

1.1.3 前景像素检测

对于矩阵HM(t)的每个元素HM(i,j,It)，用下式计算坐标位置(i,j)的均值:

(4)

如果像素(i,j)满足下列条件，则该像素被判断为背景像素：

(5)

式中：α1和λ1为调整参数，设为1.5≤α1≤2.5和14≤λ1≤20。图2所示为运动前景颜色与背景相似的4个视频帧。从图2可以看出，出现了前景像素丢失，而且一些背景像素也被错误地识别为前景像素，因此，本算法将视频帧划分为像素块，计算像素块的LBP统计特征。

图2 像素级前景像素检测结果(第1行为原始视频帧，第2行为本文算法的检测结果)

1.2 像素块级前景检测

分析图2结果，不难看出，虽然前景的轮廓被很好地提取，但是有一些前景像素并未被检测出，导致前景目标中有一些小的孔洞。为了填充这些孔洞，本文采取基于像素块级的划分策略。

定义3像素块的LBP特征将矩阵HM划分成16×16的非重叠像素块，对于当前帧It的海明距离矩阵HM(t)的每个16×16的像素块，像素块的LBP统计特征定义为：

(6)

式中：HM(It,n)为当前帧It的第n个像素块的海明距离，用式(7)计算：

(7)

如果当前块满足下列条件，则该像素块被判断为背景块：

(8)

式中，NP_B(n)为当前块中判断为背景的像素数目，α2和λ2为调整参数，设为1.1≤α2≤1.3和60≤λ2≤90。

2 实验方法与结果分析

2.1 实验视频

目前，没有文献研究与背景颜色、纹理相似的前景目标检测问题，实验视频共8个，为了验证算法的性能，分别在室外(前5个视频)、室内(后2个视频)拍摄，还有文献[11]提供的1个包含多目标的保护色视频，如图3所示。

图3 实验原始视频

2.2 实验结果分析

文献[1-3]在前景检测时运用了LBP提取局部纹理，但是本文的实验视频的前景图像纹理平坦，文献[1-3]的算法无法取得好的实验效果，因此，本文中并未给出这2种算法的实验结果。GMM(高斯混合模型)[12]是一种公认的效果较好的前景检测算法。通过对36种背景减除算法的实验发现，对于本文研究的保护色视频目标检测和保护色视频前景对象检测，文献[13]方法(LOBSTERBGS算法)和文献[14] 方法(SuBSENSEBGS算法)也取得了较好的效果。本文算法和这3种算法检测结果如图4所示，原始视频帧见图2。从图4可以看出，第1～2行是GMM算法的检测结果，第3～4行是LOBSTERBGS算法的检测结果，第5～6行是SuBSENSEBGS算法的检测结果，第7～8行是本文算法的检测结果。对于与背景颜色、纹理相似的视频而言，GMM算法存在前景像素检测不完整的问题；LOBSTERBGS算法对光照变化的鲁棒性较差；SuBSENSEBGS算法主要存在阴影适应性差的问题，且对于多目标视频(Video8)，视频中存在2辆汽车，而SuBSENSEBGS算法只检测出来1辆车。

本文采用TPR和TNR评价前景检测算法的性能，7个实验视频的TPR和TNR值如图5所示。从图5可看出，本文算法对于8种视频都取得了较高的TPR值和FPR值，本文算法的TPR值和TNR值明显高于GMM算法。对于包含阴影的视频(Video6、Video7)，SuBSENSEBGS算法把阴影像素错误地检测为前景像素，FPR值很低；对于包含光照变化很大的视频(Video5、Video8)，LOBSTERBGS算法会把光照变化大的图像区域一些背景像素检测为前景像素，因此，TNR值很低；对于视频中包含晃动幅度很大的对象(树)的视频(Video8)，本文算法、GMM算法和LOBSTERBGS算法把一部分树枝叶错误地检测为前景，虽然SuBSENSEBGS算法没有将晃动树叶检测为背景，但是在去除干扰运动对象的同时，没有检测出视频中的1辆运动的汽车，导致TPR值低，结果还有待于进一步提高。

(a)

(b) 图5 本文算法和3种算法的TPR和TNR

3 结 语

本文研究了与背景颜色相似、纹理缺乏的运动目标的检测这一挑战性问题，提出了前景像素检测的LBP新的局部纹理描述子，定义了其像素级和像素块级的相似度，并采用非下采样小波变换分解原始图像，对频率子图进行LBP像素块级纹理提取。实验结果表明本文提出的算法对于包含动态背景像素、阴影和光照变化较小等环境变化，都取得了较好的效果。但是对于包含光照变化很大的视频，本文算法的检测结果还有待改进。