一种基于小波分析的codeword算法改进

摘 要：本文分析了基于codeword的行为检测算法，阐述了该算法的优劣，并在此算法的基础上提出了一种改进算法，对改进算法的实现和优势进行了阐述。

关键词：行为检测 codeword 前景分离

中图分类号：TH391 文献标识码：A 文章编号：1672-3791（2014）06（a）-0016-02

行为检测系统得到越来越广泛的应用，其系统的有效性在一定程度上依赖于获取的图像信息，也就是对运动目标的检测，可以理解为前背景分离，是指针对在背景不变的情况下，把监控场景中运动的物体从背景里提炼出来作为前景。本文对基于codeword建模的检测算法进行了分析，但该算法在前背景分离的完整性、精确性、实时性、对噪音和阴影的消除、抗光照变化、抗背景扰动（树叶摇摆、运动物体的短暂停留等等）等方面有一定的局限，基于此，我们提出一种改进算法，力求尽可能完美地检测出运动物体。

1 运动目标检测

1.1 简介

一般来讲，大多数的运动目标检测算法可分为三大部分：建立背景模型、通过各帧与背景模型的差异分离出前景、以及更新背景模型。在这个过程中使用不同的方法就构成了各种前背景分离算法。

codeword模型是一种非常优秀的前背景分离算法，它是针对混合高斯模型的缺点而提出来的。混合高斯模型对背景的快速变化适应性差，不能敏锐地检测出不明显的或者突然出现的运动物体，为了解决这些问题，有人提出了codeword模型。

1.2 codeword模型的建立

codeword算法用一个相对较长的观测期来建立背景模型，给每一个像素都建立一个codeword，在观测期中采集的样本根据其颜色和亮度被集群到不同的codeword里面。我们用来表示一个像素点的训练序列，它由N个GRB向量组成：={x1，x2，…，xN}；用={c1，c2，…，cL}来表示有L个codeword的codebook。对于每一个codeword ci，i=1…L，都由一个GRB向量vi=（Rˉi，Gˉi，Bˉi）和一个元组auxi=〈i，i，fi，λi，pi，qi〉组成，元组auxi中各个元素的定义如下：

，为被集群到这个codeword中的所有像素中的最小和最大亮度值；f为该codeword被访问的频率；λ为训练期内该codeword最长未被访问的时间，记作MNRL（maximum negative run-length）；p，q为该codeword第一次和最后一次被访问的时间。

（1）L0，Φ（空集）。

（2）for t=1…N。

①xt=（R，G，B），I2R2+G2+B2

②根据条件（a）、（b）在={ci|1≤i≤L}内寻找匹配xt的codeword cm

（a）colordist（xt，vm）≤ε1

（b）brightness（I，〈m，m〉） = true

③如果=Φ，或者匹配不成功，则L L+1。创建一个新的codeword cL

VL（R，G，B）

auxL〈I，I，1，t-1，t，t〉

④否则更新所匹配的codeword cm

Vm=（R-m，G-m，B-m），auxm=〈m，m，fm，λm，pm，qm〉

Vm（fm R-m+R/fm+1，fm Gˉm+G/fm+1，fm B-m+B/fm+1 ）

auxm〈min{I，m}，max{I，m}，fm+1，max{λm，t-qm}，pm，t〉

end

对每一个codeword ci，i=1，…，L，重设λimax{λi，N qi}。

codeword算法满足许多测评标准，前景分离的精确性、对背景扰动的适应性、抗光照变化等等，但是codeword算法最大的缺陷是实时性差，运行速度太慢。针对这个缺点，本文对原始的codeword作了少许改动（见图1、图2）。

2 改进算法的提出和实现

2.1 改进算法的基本思想

从运行结果可以看到，codeword算法虽然有较强的抗干扰能力，对阴影的变换也能有效防范，灰度图能准确有效的反应实际图像场景。但其本身也有缺陷，缺陷主要是实时性差，运行速度较慢。

针对这个缺点，本文对原始的codeword作了改进。改进思想如下：原始的codeword算法以像素点的方式处理，每个像素都有一个codeword，改进后的算法以块的方式处理，把原算法中每四个像素点当作一个块来处理，也就是原算法中的四个codeword变成了改进算法中的一个新的codeword（块），之后对块进行检测识别。

2.2 改进算法的实现

结合经典codeword模型，本文提出的改进codeword模型算法步骤如下：

某些codeword可能包含运动的前景物体和噪音而需要去除。通过MNRL（λ）这一参数来提炼codebook模型，以M和TM表示背景模型和阈值，通过TM设定为训练帧数的一半，即N/2，判断条件为M={cm|cm∈∧λm≤TM}。

在上面的算法步骤中提到的两个判断匹配的条件（a）、（b）的计算过程如下。假设获取到的像素为xt=（R，G，B） 以及codeword ci其vi=（R-i，G-i，B-i），我们有如下公式：

||xt||2=R2+G2+B2，

||vi||2=R-i2+G-i2+B-i2，

〈xt，vi〉2=（R-iR+G-iG+B-iB）2

颜色差异δ通过以下公式计算

p2=||xt||2 cos2θ=〈xt，vi〉2/||vi||2，

colordist（xt，vi）2=δ2=||xt||2―p2.

亮度差异判断条件为：

如果Ilow≤||xt||≤Ihi，brightness（I，〈， 〉）为真；否则为假

Ilow = α，Ihi = min{β，/α}。其中α1

建立了背景之后，下一步就是分离前景，具体算法如下：

x=（G，R，B），I2R2+G2+B2

对于经过提炼后的codeword模型中的所有codeword，寻找一个匹配如下两个条件的cm：

colordist（x，cm）≤ε2

brightness（I，〈m，m〉）=true

使用构建背景模型算法中的更新方法更新匹配的codeword。

如果没有匹配，则x为前景，否则为背景。

其中It（x，y）为当前图像中坐标为（x， y）的像素值，Ib（x，y）为背景图像像素值，Bt（x，y）为前景的二值图像，Th为阈值。简单的背景相减分离出的前景相当粗糙，但是却能告诉我们清楚的边缘信息。

3 改进算法的测试

改进算法的运行结果如下图，通过结果对比，新算法能提高系统运行性能，系统内存占用明显减少，运行速度明显增快，能比较清晰的反映出画面中运动目标的状态，但是处理之后的画面比原本的粗糙（见图3、图4）。

参考文献

[1] 谷军霞，丁晓青，王进生.行为分析算法综述[J].中国图像图形学报，2009，19（3）：377-387.

[2] 郁映卓.基于人体运动特征的异常行为检测和姿态识别[D].西安电子科技大学，2011.

[3] 武松林.基于坐姿的多人行为识别与分析方法研究[D].延边大学，2010.

[4] 吴登峰.多小波变换及其在数字图像处理中的应用[D].吉林大学，2005.