席二辉，刘卫光

（中原工学院，郑州 450007）

随着红外技术的发展和应用，提取红外视频目标引起了高度关注，但由于红外成像器件及热辐射环境的影响，获取的图像质量差，导致供提取目标所用的信息少.因而，如何对红外视频目标进行提取，就变成了一个重要问题.

传统的图像提取算法有差分法[1]、光流法[2]和混合高斯建模算法[3].其中，差分法对时间控制要求严格，难以有效地提取目标;光流法极大地增加了计算复杂度;高斯建模法得到了广泛应用，但随着定义高斯个数的增多，复杂度也随之增大，并要预先估计分布.近几年，关于红外分割的方法有不少人研究，例如：李欣，赵亦工等人提出了基于复杂度的自适应门限弱小目标检测方法[4];代中华，孙韶媛等人提出了一种车载红外视频彩色化算法[5].针对传统算法不能在红外环境下有效地分割出运动目标的问题，本文提出了基于时间域的红外视频运动目标提取算法，实现了红外视频运动目标的分割.

1 传统目标提取算法存在的问题

传统的图像分割算法，广泛地采用高斯建模方法.单高斯背景建模[6]适用于简单的背景，用单高斯p（xt，ut，∑t）表示每个像素点的颜色分布，算法复杂度不高、易实现，但不适合用于复杂多变的场景.

混合高斯算法的出现克服了单高斯算法的不足，给视频图像中每个像素定义k个状态，随着k值的增大，应对复杂背景的能力增强，由此增大了时间复杂度和算法复杂度.混合高斯公式表示为：

不论单高斯建模还是多高斯建模，均要提前估计分布，这也给高斯建模的应用带来了局限性.

2 基于时间域的目标提取算法

2.1 基本原理

首先读取视频文件，获取每帧图像的灰度值;然后根据红外视频运动目标的轨迹，合理地对视频序列按时间域进行划分，并对每帧图像的灰度值以对数形式重置，即log10（image），其中image代表每帧图像的灰度值，用于降低算法的计算量;求出每个时间域图像的均值和方差并进行组合;最后根据组合的均值和方差对原始图像进行极大似然估计，生成红外视频分割结果.

2.2 各个时间域均值和方差的求取

在实验中，红外视频目标的运动轨迹是一个不规则的椭圆，以 x轴的正方向为起点，经过第4、3、2、1象限重新回到了起始位置，如图1和图2所示.根据目标的运动轨迹把视频序列划分为4个象限即4个时间域，在图1中有2个坐标系：o-xy和o-mnt.o-mnt坐标系表示视频中的序列图像，o-mn表示视频中的一幅图像，m表示图像的行，n表示图像的列，t表示时间轴;o-xy坐标系表示一个空的图像框，但经过对均值和方差求取组合后，就成为一幅不含运动目标的背景图像.在求取均值和方差时，o-mnt坐标系中的图像映射到o-xy坐标系，可以认为在o-xy坐标系的每个时间域内都有部分序列图像，如图3所示（省略号代表没有展现出的序列图像）.由于目标的不规则运动轨迹，各个区域划分的帧数也有所不同，在实验过程中，以第4、3、2、1区域为顺序包含的帧数分别为20帧、30帧、30帧、40帧，占用的时间域依次为t0-t1，t1-t2，t2-t3，t3-t4.

帧数划分完成以后，求取各个时间域的均值和方差，如在图1中，第4区域的均值和方差求取范围是第1帧至第20帧.均值和方差的数学表达式为：

式中：i代表区域序号;Vi代表第i区域某个像素的每帧序列和;Fi代表划分到第i区域的帧数，或第i区域的帧数和;SQi代表每个区域内各个帧数相应像素的平方和.

经过对每个时间域均值和方差的求取，构造一个与视频中每帧图像尺寸等同的背景图像框，原始视频尺寸为：m=512，n=640.合并均值和方差时，如在图1中，是把第4区域从第1帧到第20帧图像的均值和方差组合到生成的背景图像框中的第2区域.由于在第4象限中目标的运动轨迹基本在第4区域，在 t0、t1、t2、t3时刻以及间隔较小的时间内，即区域的交界处，存在运动目标占2个区域的位置，即第20、50、80、120帧以及附近帧数目标都会占2个区域的位置;随着时间的变化，目标移入一个区域，但每隔一个区域，在此时间域是没有目标存在的，只有背景，如图1中间隔线箭头指向所示;第3、2、1区域中的均值和方差依次被组合到第1、4、3区域中，生成的背景图像如图4所示，背景里面的不规则带状椭圆就是目标的运动轨迹.

图4 背景图像

对算法作进一步改进，如图2所示，在o-xy坐标系上添加了直线h1和h2.h1是第1、3象限的角平分线，将第1 、3象限依次分为第1 、2、5、6区域;h2是第2、4象限的角平分线，将第2、4象限依次分为第3、4、7、8区域.每个区域在图2中的相应时间域都包含有部分序列图像，第 8、7、6、5、4、3、2、1 区域依次包含的帧数为10 帧 、10 帧 、15 帧 、15 帧 、15 帧 、15 帧 、20 帧 、20帧 .分别求取每个区域的均值和方差，组合均值和方差时，如图 2 中虚线箭头指向所示 ，第 6 、5、4 、3、2 、1、8 、7 区域的均值和方差依次被隔一个区域调到第 8、7、6、5、4、3、2、1区域，这些区域的序列图像所占用的时间域分别为t0-t01，t01-t1，t1-t12，t12-t2，t2-t23，t23-t3，t3-t34，t34-t4，组合后便可生成一幅没有目标的背景图像.

红外技术是通过场景的热辐射获取图像的.只要温度大于绝对零度的物体，都可以成为辐射源.受热辐射以及红外探测器的影响，视频中图像对比度差别较大，在部分图像（如图3所示）中基本上看不到目标物，这也是造成红外图像不易分割的原因.

2.3 依据时间域的提取步骤

获取视频背景图像后，便可运用组合后的均值和方差提取视频.在此用到极大似然估计[7]，设i1，i2，…，in是总体i的一个样本，那么样本的联合密度为f（i1，i2，…，in;θ），当给出样本 i1 ，i2 ，…，in时 ，定义似然函数：

式中：L（θ）是θ的函数，表示参数θ将以多大可能产生样本值i1，i2，…，in.极大似然估计是用使L（θ）达到最大的值ˆθ估计θ，表达式为：

视频提取步骤如下：

第一步：导入某一帧的每个像素的灰度值，并对其灰度值进行极大似然运算，以及似然运算后的二值操作.

第二步：对二值变换后的图像进行开运算[8].开运算可以使图像的轮廓变得光滑.开运算表达式为：

式中：A表示经过似然运算后的二值图像;B表示对A进行腐蚀及膨胀操作的结构元素.可以看出，开运算就是先用B对A进行腐蚀操作，再用B对腐蚀后的结果进行膨胀操作.

第三步：对开运算后的二值图像进行填充以及去除较小区域的修正操作，然后，转到第一步，读取下一帧图像的数据.

3 实验结果与分析

本文实验是通过MATLAB编程实现的.图5所示的图像是视频中的部分原始图像.图6、图7显示了和图5部分原始图像相对应的利用4区域提取算法、8区域提取算法获取的结果.定义似然运算后像素值的门限值T为8×10-10，如果T＜8×10-10，就认为此像素点是前景点，否则认为它是背景点，由此获得一幅二值图像.然后用结构元素[1]对二值图像进行开运算，并对开运算后的二值图像进行标记，求取图像中每个白色区域的面积.如果白色区域的面积小于400，就认为这个白色区域是背景，那么白色区域的面积等于0，否则白色区域为前景，由此提取每帧图像的运动目标.

经过原始图像与提取图像的比较，说明本算法能够较好地应用于红外视频的分割;4区域提取算法生成的结果有目标信息缺失及误分割现象，8区域提取算法可以较好地消除这种现象.

图7 视频中部分帧的8区域提取算法提取结果

4 结 语

本文提出了基于时间域的红外视频目标提取算法，根据红外目标的运动轨迹，合理地进行区域划分，并将所求的均值、方差合并生成背景图像，然后利用极大似然估计，在红外环境下可以有效地提取出目标.经过比较，利用8区域算法可以更好地提取目标，消除4区域算法所产生的信息缺失以及误分割现象.

[1]朱明旱，罗大庸，曹倩霞.帧间差分与背景差分相融合的运动目标检测算法[J].计算机测量与控制，2005，13（3）：215-217.

[2]李金宗，原磊，李冬冬.一种基于特征光流检测的运动目标跟踪方法[J].系统工程与电子技术，2004，27（3）：422-426.

[3]李新仕，王天江，刘芳.基于高斯混合模型的视频运动对象自动分割算法[J].计算机科学，2009，36（1）：205-207.

[4]李欣，赵亦工，郭伟，基于复杂度的自适应门限弱小目标检测方法[J].光子学报，2009，38（8）：2145-2149.

[5]代中华，孙韶媛，许真，等.一种车载红外视频彩色化算法[J].红外技术，2010，32（10）：595-599.

[6]罗小兰.视频跟踪中的背景建模[D].长沙：国防科学技术大学，2007：6-8.

[7]李念伟，王凤英.概率论与数理统计[M].北京：化学工业出版社，2010：116-119.

[8]冈萨雷斯.数字图像处理[M].阮秋琦，阮宇智译.北京：电子工业出版社，2008：423-431.