基于视频图像处理的重点区域建模及提取技术

[摘要]本文分析了多种典型复杂场景下重点监控区域的特点，研究现有重点监控区域分割方法，提出基于背景颜色统计建模的重点监控区域提取方法。

[关键词]监控场景；重点监控区域分割；V通道，形态学

中图分类号：TP391 文献标识码：A 文章编号：1009-914X（2015）05-0314-01

1引言

基于背景统计建模的重点监控区域提取是提高运动目标实时检测效率的有效途径。本文首先介绍重点监控区域提取的典型方法，在此基础上，分析监控图像中重点监控区域的特点，在HSV色彩空间的V分量进行颜色建模，建立一套基于重点监控区域颜色统计的建模方法，得到重点监控区域的分割阈值。在此基础上，利用颜色建模阈值进行重点监控区域的提取，采取必要的形态学处理方法，实现复杂场景下重点监控区域的准确提取。

2基于背景统计的重点监控区域建模研究

本文在复杂场景下采集到城市高速公路和露天行人广场的监控视频作为实验图像。目前，国内外的主要分割方法主要包括：阈值分割方法（其中使用最为广泛的最大类间方差法和基于最大类间方差法扩展的二维Ostu算法）、基于边缘检测的方法（例如Camy算子）、基于区域的方法以及结合特定理论的重点监控区域分割方法。需要针对具体的应用场景时，分析应用场景的具体特点，结合相应理论的图像分割方法能取得较好的分割效果。但无论怎么选择，只能在某类监控场景下在实时性与鲁棒性取得折中的方法。

2.1典型场景重点监控区域提取方案

对于一幅图像而言，如果需要对图像进行正确理解，肯定希望理解的目标出现在监控图像的bottom（底部）。对于大多数的监控摄像头，监控场景中的运动目标，其安装的位置与角度就应该从获取更多监控场景获得运动信息出发，那么通常情况下获取单帧图像的底部中心必然是重点监控区域（重点监控区域是指运动目标可能出现的区域，相对有非重点监控区域即运动目标一定不可出现的区域）。同时，结合重点监控区域颜色分布单一的特点，即通过统计图像底部中心设定区域内的背景灰度值，根据背景灰度分布的峰值个数K，决定使用K个高斯模型进行背景灰度颜色建模处理。

2.2重点监控区域的统计分布

颜色特征包含很多种特征，因此，首先需要对这些颜色特征进行对比分析研究。因为采集图像为彩色图像，如果实施了颜色降维后仍能够实现重点区域的提取，当然是最好不过。从RGB色彩空间、灰度空间、HSV空间对比进行入手，发现在城市高速公路和露天广场监控场景中HSV色彩空间的V分量不仅拥有好的区分度，而且在保留跟多的细节信息等，因此将采用V分量作为实验空间。

取两种场景图像中下方width*width（width=80～120），即共有width*width

个像素点，这些像素点组成的集合为S：

从密度函数分布的形状而言，成高斯分布趋势。基于此，利用高斯函数进行重点监控区域的建模是可行的。

2.3重点监控区域背景建模

通过2.2节分析可知，重点监控区域背景的灰度值分布近似服从高斯分布，因此本文采用高斯模型对监控区域的背景V维灰度值概率分布进行描述。利用高斯建模思想，分别对上述城市交通与露天广场两种场景下的建模。

其中square为露天广场监控场景重点监控区域的分割阈值，transportation下标为城市交通该监控该场景下的重点监控区域的分割阈值。

3重点监控区域的提取

3.1分割图像的形态学处理相关技术

形态学在图像中又称数字形态学（mathenlatical morphology），其作为提取分割二值图像和刻画区域形状有用处的图像分量。

3.2重点监控区域的分割

在2.3节中，通过对城市交通和露天广场两种重点监控区域颜色建模，分别得到两种监控场景的颜色分割阈值。对于一幅M*N大小的图像f_v，M为图像的高度，N为图像的宽度，则对于图像中的每个像素点（x，y），均利用2.3节获取的两种重点监控区域的分割阈值进行处理，即可得到监控场景中重点监控区域。

3.3重点监控区域标定

3.3.1标点方案的确定

由于在城市交通场景的重点监控场景只是左边车道，露天广场场景则仅仅行人能够到达的区域。而两种监控场景重点区域分割结果图2所示中，分割之后的城市交通场景包括右车道、非重点区域的干扰点，露天场景下的绿化带中的干扰均会给后面的处理带了不便，基于此，以背景建模的图像位置为种子点，保留包含该建模窗体的联通域，剔除剩余所有的联通域，得到粗略的重点监控区域图像。

3.3.2重点监控该区域标定

按照3.3.1节对监控场景的分析，并确定的重点监控区域的标定方法，在本节中将逐一展示城市交通监控场景和露天广场监控场景的实验结果，并针对每一步骤的结果给出相应的合理性分析。

选取建模的地板砖并不能反映带光源照射较强的中间区域，导致了在分割的过程中中间出现孔洞。因此，选择孔洞填充是有必要的举措。

4结束语

本文针对监控场景重点监控区域与非监控区域具有较好区分度的复杂监控场景，在HSV中的V通道进行重点监控区域颜色统计建模研究。未来的工作主要集中于以下几个方面：（1）在后续的研究中，试图从多特征实现更为复杂监控场景下重点监控区域提取研究；（2）在提取的重点监控区域中，研究一个快速的背景更新、帧差分与背景差分结合的目标识别算法，形成一种适用于多种典型场景下的运动目标检测方法。