基于20邻域灰度-基元共生矩阵的视频前景提取

郭春凤，庄展梁，叶文森

（1.福建师范大学福清分校 电子与信息工程学院，福建 福州 350300；2.泉州经济技术开发区实验学校，福建 泉州 362000）

近年来，随着信息技术的迅猛发展，视频中的前景提取技术被广泛应用于人类生活和工作的各个领域，例如道路交通监控、三维立体建模、医学图像的分析、军事目标检测与识别等.而纹理是人类视觉系统中对物体表面的一种感知形式，是一种非常重要的视觉线索，是各种图像普遍存在又较难描述的特征[1].纹理特征能够反应物体表面的粗糙度、方向性和规则性[2].本文中，笔者从纹理特征入手，提取前景目标.是否能成功获取纹理特征，将影响到后续的前景提取效果.

目前，国内外提取纹理特征的方法主要有4类：统计法、结构法、模型法、信号处理法[3].传统统计法的灰度共生矩阵计算量大，并且在目标与背景相近时提取效果不是很好；而基于结构的纹理特征提取法具有计算量小、特征维度低、支持旋转不变性等优点[4].本文将传统统计法的灰度共生矩阵算法与结构法进行相互结合，通过对8邻域的基元阵进行扩充，提出20邻域灰度-基元共生矩阵，并只取熵作为其特征统计量.这不仅在很大程度上减小了计算量，而且简化了计算过程的复杂性，使表达更加准确，提取效果显著提高.

1 基于传统统计法的纹理特征

Haralick[5]等人首次提出了灰度共生矩阵，其思想是利用图像的空间内相隔一定距离的2个像素间的灰度关系，通过统计灰度的空间相关性来描述纹理特征[6].

灰度共生矩阵是对图像上保持某种距离的2个像素分别具有某灰度的状况进行统计得到的[7]，它不同于灰度直方图只反映单个像素的灰度分布概况，而是描述了成对像素的灰度组合分布.

灰度共生矩阵可用如下矩阵表示：

式（1）中：i,j分别为2个像素的灰度；L为图像的灰度级数；φ为2个像素间的位置关系，用δ=(Δx,Δy)表示，即2个像素在x和y方向上的距离分别为Δx,Δy.不同的δ决定了2个像素间的距离和方向，一般取0，45,90,135°这4个方向.

当2个像素间位置关系δ选定后，就生成距离为δ下的灰度共生矩阵pδ,即

共生矩阵中元素表示一种灰度组合下出现的次数.如元素pδ=(1,0)表示了图像上位置关系为δ的2个像素灰度分别为1和0的情况出现的次数.显然不同的位置关系（距离或方向），元素值就不同.

2 基于传统结构法的纹理特征

结构分析方法的主要目标是找出纹理基元，在纹理基元所构成的结构上探索纹理规律.纹理基元的提取过程并不容易，在不考虑边界像素的情况下，每个图像中的每个像素都有4邻域和8邻域.通过每个像素的4邻域或8邻域都能计算出基元阵，在基元阵的基础上可以计算图像的其他纹理特征量，从而进行图像的纹理分析.

2.1 传统纹理基元阵

基元阵由基元值构成，所谓的基元值是以邻域像素对该像素的矩来度量[8].假设有1幅图像f(i,j),i=0,1,2,…,Lx-1；j=0,1,2.…,Ly-1,在不考虑边界像素的情况下，计算每个像素的4邻域像素灰度对该像素的矩[8]：

计算每个像素的8邻域像素灰度对该像素的矩[9]：

其中INT为取整操作.

矩值m(i,j)作为最小纹理基元的特征值，可以得到基元阵的表达式如下：

2.2 本文扩充8邻域基元阵

本文对8邻域的基元矩阵进行扩充，将其扩充为20邻域的基元矩阵，如图1和图2所示的简单基元结构示意图.

图1 8邻域基元阵

图2 本文提出的20邻域基元矩阵

本文取20邻域点对中心点的矩值计算公式为

在陷入黑暗前，我最后望了一眼布满枯黄的荷塘。那些枯黄的荷叶在湖面上像是一只只垂死老人的手，血色尽失，筋脉分明。

3 基于20邻域灰度-基元共生矩阵的前景提取

3.1 灰度-基元共生矩阵

本文提出的20邻域灰度-基元共生矩阵GP(|i,j d,θ),由灰度共生矩阵和本文提出的20邻域基元阵共同构建，i=0,1,2,…,L1；j=0,1,2,…,L2.其中L1为灰度共生矩阵的最大灰度值，L2为20邻域基元阵中的最大基元值.GP矩阵的大小由灰度共生矩阵和20邻域基元阵决定，即(L1+1)×(L2+1),此值往往较大.

为减少计算量，在创建灰度基元共生矩阵之前，需先压缩量化为N级，N一般取8，16，32，64，128，256[10].本文取N=16.

矩阵中的元素GP(i,j|d,θ)为θ方向上距离为d的灰度值为i、基元值为j的点对数量.例如GP(1 ,2 |1,0°)=5,即表示在某幅图像的灰度-基元共生矩阵中，在0°方向（水平方向）上相距1个像素，灰度值为1(i=1),基元值为2(j=2)的点对数是5.

3.2 特征向量

定义灰度-基元共生矩阵后,将传统的特征量熵引进灰度-基元共生矩阵的特征计算，建立图像的纹理特征.

熵

熵是图像所具有的信息量的度量,纹理信息也属于图像信息[11].若图像没有任何纹理，则熵值几乎为零.若细纹理多，则熵值较大；图像越平滑,熵越小.

3.3 本文算法步骤及流程

本文将8邻域基元阵扩充为20邻域基元阵.通过将灰度共生矩阵和20邻域基元阵的结合，提出20邻域灰度-基元共生矩阵，其对视频中前景提取的思路如下：

1)从第1帧开始，逐帧读取视频的每一帧，并将其彩色图像转换成灰度图像.直至第100帧，作为背景训练.

2)计算每帧灰度图像各个点的20邻域灰度-基元共生矩阵，并依此计算各像素点的熵值B,保存100帧背景训练的各像素点的熵值数据.

3)读取t时刻（t＞100帧）的图像，计算每个像素点的20邻域灰度-基元共生矩阵，并依此计算每个像素点在该时刻的熵值Pt.

4)将t时刻的熵值Pt和背景数据中的熵值B进行判断分析，若P包含在[Bmin,Bmax]之间，则说明该点为背景点，否则为前景点.

5)对图像进行去噪处理，优化前景目标.

6)t=t+1,读取t+1时刻的图像，返回步骤3）进行操作.

为验证本文算法的有效性，笔者进行了仿真实验，并将传统的灰度共生矩阵算法与本文算法所提取的效果进行比对.

3.4 实验结果对比分析

本文的实验是在基于Windows 10.1和MATLAB 2015b的平台上进行和操作完成的，测试所用的视频采集来自某十字路口的交通监控视频图像序列，视频摄像机安装固定.将本文算法与传统的灰度共生矩阵算法进行仿真测试，对比结果如图3所示.

图3 不同算法对视频中运动物体进行提取的效果比对

表1 不同算法的前景提取所耗费的时间

图3为本文算法和传统的灰度共生矩阵算法对视频中运动物体进行提取的效果比对图.其中：图3a、3d、3g为原始视频经灰度转换化后的灰度图像；图3b、3e、3h为用传统的灰度共生矩阵算法对视频中前景进行提取的提取效果图；图3c、3f、3k为采用本文提出的灰度-基元共生矩阵算法进行视频中前景提取的效果图.表1为本文算法和传统灰度共生矩阵算法的前景提取所耗费的时间数据.

依据图3比对可发现，相比于传统的灰度共生矩阵算法的提取效果，本文所提的20邻域灰度-基元共生矩阵算法对前景的提取效果更佳.由于20邻域灰度-基元共生矩阵具有特征维度低、支持旋转不变性等优点，其采集的数据是中心点周围的20个点，比8邻域的8个点更能体现中心像素点的性质，因此不会出现对个别运动物体（尤其是目标与背景颜色相近时）漏检的情况，也不会出现对单个完整的运动物体提取不全的情况.本实验结果表明，相对于传统算法，本文的方法能够更好地对视频中的运动物体进行提取.

依据表1数据可知，本文算法每帧前景提取的平均时间为5.801 s.虽高于传统算法所耗费的时间，但由于其具有较好的提取效果，且CPU 5.801s耗时不算高，因而更有应用价值.若对实时性有较高需求，可换用GPU进行计算，可再减少本文算法的耗时，以便于更好应用.

因此，综上所述，本文的方法能比传统算法更好地对视频中的运动物体进行提取.

4 总结

本文中，笔者通过纹理特征研究了前景提取的问题，提出了基于20邻域灰度-基元共生矩阵的新算法.该算法是在传统统计法的灰度共生矩阵的基础上，与结构法的基元阵结合，是对8邻域基元阵的一种扩充.通过使用纹理特征量熵并分析熵值的变化情况，对视频中的前景和背景进行判断.实验结果表明，与传统的灰度共生矩阵方法相比，本文提出的方法能够更好地对视频中的运动物体进行提取,具有一定的工程应用价值.