第 29 卷第 2 期 电 子 与 信 息 学 报 Vol.29No.2 2007年2月 Journal of Electronics Change detection; Edge detection; Mathematic morphological; Active contour 1 引言 自动分割并跟踪视频场景中的运动对象在模式识别、 计算机视觉等领域得到了广泛应用。 同时也是基于内容的视频检索、面向对象视频压缩和编辑、智能人机交互等基于内容的视频应用的基础和关键技术。但是，这些应用要求分割出的运动对象具有语义意义， 轮廓上很小的误差都可能导致运动对象的无效。所以，提高运动对象分割的准确性，并跟踪运动对象的变化已成为一个亟待解决的问题。 目前，提出了许多算法用于自动分割运动对象。总体来说，都是利用运动对象的两个属性：时间属性和空间属性。时间属性体现了运动对象的运动属性，主要表现为帧间差、光流场或者运动矢量，据此可以检测出帧间变化(运动)的区域， 以及运动的方向和大小。 空间属性一般从两个角度考虑，2006-02-24 收到，2006-09-18 改回 国家自然科学基金(60141002)和南昌航院测控中心开放实验室基金(KG200104001)资助课题 区域(基于空间属性的一致性)和边缘(基于空间属性的差异)。 空间属性能够获得运动对象的精确边缘。 文献1,2提出的把时间属性与空间区域属性相结合的运动对象分割方法，分割出的运动对象轮廓较准确， 但是运算量大， 分割速度慢，无法用于实时分割。Meri3和Kim4提出的把时间属性中的变化检测与空间边缘属性相结合的分割方法， 虽然分割速度得到了提高，但是分割出的运动对象的边缘轮廓不准确。 本文以变化检测时间属性与空间边缘属性为基础， 提出了一种基于边缘特征的运动对象分割和跟踪算法。 该算法能够自适应设置阈值进行差分检测，形成二值差分模板。对运动对象的运动分为快变和慢变两部分的跟踪， 能够完整地保留运动对象的边缘特征。 通过数学形态学方法得到运动对象的外轮廓， 使用梯度向量流场作为外力的改进活动轮廓对运动对象进行分割，有效地克服了传统梯度势能场的弱点，得到了运动对象准确的外轮廓。本文算法具有简单、高效、准确的特点， 而且获得的运动对象的闭合轮廓曲线还可以进行第 2 期 张晓燕等： 基于边缘特征的自动运动对象分割 461 编码传输和基于形状的检索。 2 获取运动对象初始边缘模板 2.1 自适应求取二值差分图像 阈值的设定是变化检测法的关键， 本文采用了一种基于最少半采样(Least Half Sample, LHS)的自适应设置阈值的方法。该方法进行统计的有效样本点为 50%，是一种更具有鲁棒性的统计方法5。 设 d为相邻帧间的绝对值差,把 d按升序进行排列成数组 d?， 121NNddddd= (1) 然后，按照式(2)和式(3)估计定位参数和背景方差。 12 1 1( ) ( )( )x Rx Rw x d xw x=(2) 22 11( ) ( ,)( )x Rx Rw x r xw x=(3) 其中。 11垐( ,)( )r xd x=实际应用时， 区域R一般在图像的4个角上选取， 因为这些区域一般不包含运动对象。即使包含了部分运动对象，也由于权值为零而被去除掉， 不会对背景方差的估计造成影响。4个区域的方差取中值作为背景方差， 取得较好的效果。 最后按照式(4)对差分图像进行二值化。 其他1, ( ) ( )=0, d xT D x (4) 式中为图像的灰度差值，T是二值化阈值， 以背景方差为基础设置，一般为T。 ( )d x112.5=m m=nnE在变化检测获得的二值差分图像中， 由于摄像机噪声和不规则的对象运动，仍然稀疏地存在着一部分残留的噪声，需要采用连通组件分析消除。一般而言，小于 12 的连通组件区域可以视为由噪声引起， 因此可以采用 8 邻接连通组件分析以去掉小的连通区域。 2.2 计算边缘图像 选择Canny算法6进行当前帧边缘检测，其主要计算步骤是：(1)高斯平滑滤波；(2)求取梯度,包括幅值和方向角；(3)非极大值抑制；(4)双阈值处理。Canny算法是“最优边缘检测”的一种，它可以得到单像素宽度边缘，因此使用Canny算子检测边缘。 2.3 获得运动对象初始边缘模板 定义是二值差分图像点集， ，Om分别为当前帧的边缘点集和运动对象初始边缘模板，则l且O。因为运动对象的边缘模板在相邻帧二值差分图像内及其附近，因此,可用式(5)提取出运动对象的初始边缘模板。 1 ,nDdd=?1 ,nEe=?ke1,.,nl kint| minnnnx DOeEexT = (5) intT是距离阈值，一般可取 01 个像素。 图1显示了Silent序列第2帧原图像，Canny边缘图像，第2帧与第1帧的二值差分图像， 以及获得的运动对象初始边缘模板。从图1中可以看到，虽然差分图像不仅包含运动的对象，还包含显露的背景部分，但通过与单像素宽的空间边缘的结合，在一定程度上消除了显露的背景，较好地保留了运动对象的边缘。 图 1 Silent 的原图像, Canny 边缘图像, 二值差分图像及初始边缘模板 3 运动对象边缘模板跟踪与更新 运动对象在序列中由于运动会使形状发生改变。 必须在后续帧中跟踪并更新对象边缘模板，使其适应对象形变，从而获得准确完整的对象边缘。 将运动对象运动分为慢变和快变两部分，分别进行跟踪，然后将这两部分的结果合并得到的更新后的运动对象二值边缘模板。 慢变部分主要为了保留对象部分运动时未发生变化的边缘。设为新模板的慢变部分，是q帧的运动对象边缘模板，是q+1帧的边缘图像。可按照式(6)进行计算： slow 1qO+qO1qE+slow 1qO+slow 11()&qqtqOOBE+=+(6) 即先把按照结构元素进行膨胀操作， 然后和相与。可取半径为 2 的圆形结构元素。膨胀操作可能把背景边缘也加入新模板中， 但是它们通常只是一些长度很短的点和短线，通过连通组件分析即可去除。这种慢变跟踪算法既能够有效地保留老模板的边缘，又有很快的运行速度。 qOtB1qE+tB快变运动表明了运动对象变化及新出现部分的运动。新模板的快变部分就是要把对象的这些部分边缘检rapid 1qO+462 电 子 与 信 息 学 报 第29卷 测出来，与获取运动对象的初始边缘模板的方法相同，按照式(7)进行计算： rapid 11| min nqqx DOeEexT+=r1(7) 式中是q+1 与q帧的二值差分，为距离阈值，一般为12 个像素。 nDrT最后， 将慢变部分与快变部分合并得到更新后的运动对象边缘模板。如式(8)所示： slowrapid 11qqqOOO+= (8) 图2显示了Silent序列第5帧原图像， 跟踪的慢变部分，快变部分，以及更新后的二值边缘模板。从图2可看出，由于把对象运动分为慢变和快变两部分， 使运动对象的快速运动以及静止部分都得到很好的跟踪， 得到了运动对象比较完整的边缘模板。 图 2 Silent 序列运动对象边缘模板的跟踪与更新 4 基于改进活动轮廓的运动对象分割 由于得到的运动对象的边缘模板不是完全连续的轮廓边缘，因此，不能直接用来进行运动对象的分割，本文使用梯度向量流场作为外力的改进活动轮廓对运动对象进行分割，有效地克服了传统梯度势能场的弱点，得到了运动对象准确的外轮廓。 4.1 改进的活动轮廓 活动轮廓是定义在图像范围内的一条曲线或一个表面，它能够在曲线或表面本身的内力影响和由图像产生的外力影响的共同作用下发生变形。 形变最终目的是使曲线或平面本身与目标物体的边缘或者是图像中期望检测到的特征的形状相一致。 第1个活动轮廓的模型由Kass7在1987年提出， 其能量表达式为： 1intext0( )( )dEEE=+X sX s其中s表示弧长的参数，活动轮廓在图像中的位置通过参数向量表示，表示曲线本身内部的力量，它使得曲线伸缩、弯曲。其定义为： ( ) ( ), ( )=X sx s y sintE22int( )( ),0,2X sXsEs+=1 (10) 式中表示参数向量关于s的一阶微分，表示参数向量关于的二阶微分。为弹力系数，为强度系数。 ( )X s( )X s( )Xs( )X ssextE表示由于图像的性质而产生的力量， 它使得曲线向着目标移动。 根据式(9)和式(10)，可以写出完整的能量函数表达式： ()122 ext01( )( )( ) d2EX sXsE=+X sssE(11) 主动轮廓线的运动过程就是寻找能量函数最小点的过程,假设主动轮廓线的能量函数在整个图像范围内可微，由变分原理知，若使得能量E最小，则式(11)必须满足欧拉方程,即 ext( )( )0XsXsE= (12) 式中的表示参数向量关于s的四阶微分。表示对外在能量求微分，该方程也可看作力平衡方程 ( )Xs( )X sextEintext0FF+= (13) 其中，内在力量控制参数曲线的连续性和光滑性,而外在力量吸引参数曲线不断向目标轮廓线运动。 int( )( )FX V sX=extextF= intFextF在传统的活动轮廓中， 外力通常由边缘点的梯度势能场给出。导致力量场的有效捕捉范围很小，而且使得缓变区域不能够获得外力,因此存在着对初始边缘依赖性大以及不能很好地跟踪到目标凹轮廓边缘的缺陷。 解决上述问题, 必须引入新的外力定义方式,扩大外力作用范围,并加强目标凹轮廓边缘的吸引力。Xu8等人提出的梯度矢量流(Gradient Vector Flow, GVF)即是这样一种有效的外加强制力，设为图像的梯度，GVF被定义为使式(14)最小化的矢量场f()( , )( , ), ( , )=V x yu x y v x y， 222222()xyxyuuvvfVfx y=+ d d(14) 参数取决于图像中的噪声, 噪声越大, 值应越小。从这一变分方程来看,在很强的区域，占据主导地位,而在图像梯度较弱的区域,充分考虑外力的平滑约束,其结果是在作用范围以外对进行平滑外推, 在弱区域对进行插值，使其力场范围的扩大，从而很好地解决了以上所述的传统主动轮廓线模型存在的问题。 ffffff梯度向量流场u,可利用变分法， 解以下的 Euler 方程可以得到。 v222222()()0()()0xxyyxyuufffvvfff+=+= (15) s (9) 其中为Laplace算子, , 分别是图像x, y方向的梯2xfyf第2期 张晓燕等： 基于边缘特征的自动运动对象分割 463 度。式(15)对于梯度向量流场提供了更加直观的理解。在均匀区域中，因为的梯度为零，所以每个方