一種基于小波分析的codeword算法改進(jìn)

黃昊++馬杰

摘 要：本文分析了基于codeword的行為檢測(cè)算法，闡述了該算法的優(yōu)劣，并在此算法的基礎(chǔ)上提出了一種改進(jìn)算法，對(duì)改進(jìn)算法的實(shí)現(xiàn)和優(yōu)勢(shì)進(jìn)行了闡述。

關(guān)鍵詞：行為檢測(cè) codeword 前景分離

中圖分類(lèi)號(hào)：TH391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2014）06（a）-0016-02

行為檢測(cè)系統(tǒng)得到越來(lái)越廣泛的應(yīng)用，其系統(tǒng)的有效性在一定程度上依賴(lài)于獲取的圖像信息，也就是對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)，可以理解為前背景分離，是指針對(duì)在背景不變的情況下，把監(jiān)控場(chǎng)景中運(yùn)動(dòng)的物體從背景里提煉出來(lái)作為前景。本文對(duì)基于codeword建模的檢測(cè)算法進(jìn)行了分析，但該算法在前背景分離的完整性、精確性、實(shí)時(shí)性、對(duì)噪音和陰影的消除、抗光照變化、抗背景擾動(dòng)（樹(shù)葉搖擺、運(yùn)動(dòng)物體的短暫停留等等）等方面有一定的局限，基于此，我們提出一種改進(jìn)算法，力求盡可能完美地檢測(cè)出運(yùn)動(dòng)物體。

1 運(yùn)動(dòng)目標(biāo)檢測(cè)

1.1 簡(jiǎn)介

一般來(lái)講，大多數(shù)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法可分為三大部分：建立背景模型、通過(guò)各幀與背景模型的差異分離出前景、以及更新背景模型。在這個(gè)過(guò)程中使用不同的方法就構(gòu)成了各種前背景分離算法。

codeword模型是一種非常優(yōu)秀的前背景分離算法，它是針對(duì)混合高斯模型的缺點(diǎn)而提出來(lái)的?；旌细咚鼓Ｐ蛯?duì)背景的快速變化適應(yīng)性差，不能敏銳地檢測(cè)出不明顯的或者突然出現(xiàn)的運(yùn)動(dòng)物體，為了解決這些問(wèn)題，有人提出了codeword模型。

1.2 codeword模型的建立

codeword算法用一個(gè)相對(duì)較長(zhǎng)的觀測(cè)期來(lái)建立背景模型，給每一個(gè)像素都建立一個(gè)codeword，在觀測(cè)期中采集的樣本根據(jù)其顏色和亮度被集群到不同的codeword里面。我們用來(lái)表示一個(gè)像素點(diǎn)的訓(xùn)練序列，它由N個(gè)GRB向量組成：={x1，x2，…，xN}；用={c1，c2，…，cL}來(lái)表示有L個(gè)codeword的codebook。對(duì)于每一個(gè)codeword ci，i=1…L，都由一個(gè)GRB向量vi=（Rˉi，Gˉi，Bˉi）和一個(gè)元組auxi=〈i，i，fi，λi，pi，qi〉組成，元組auxi中各個(gè)元素的定義如下：

，為被集群到這個(gè)codeword中的所有像素中的最小和最大亮度值；f為該codeword被訪問(wèn)的頻率；λ為訓(xùn)練期內(nèi)該codeword最長(zhǎng)未被訪問(wèn)的時(shí)間，記作MNRL（maximum negative run-length）；p，q為該codeword第一次和最后一次被訪問(wèn)的時(shí)間。

（1）L←0，←Φ（空集）。

（2）for t=1…N。

①xt=（R，G，B），I2←R2+G2+B2

②根據(jù)條件（a）、（b）在={ci|1≤i≤L}內(nèi)尋找匹配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，則L ← L+1。創(chuàng)建一個(gè)新的codeword cL

VL←（R，G，B）

auxL←〈I，I，1，t-1，t，t〉

④否則更新所匹配的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

對(duì)每一個(gè)codeword ci，i=1，…，L，重設(shè)λi←max{λi，N – qi}。

codeword算法滿(mǎn)足許多測(cè)評(píng)標(biāo)準(zhǔn)，前景分離的精確性、對(duì)背景擾動(dòng)的適應(yīng)性、抗光照變化等等，但是codeword算法最大的缺陷是實(shí)時(shí)性差，運(yùn)行速度太慢。針對(duì)這個(gè)缺點(diǎn)，本文對(duì)原始的codeword作了少許改動(dòng)（見(jiàn)圖1、圖2）。

2 改進(jìn)算法的提出和實(shí)現(xiàn)

2.1 改進(jìn)算法的基本思想

從運(yùn)行結(jié)果可以看到，codeword算法雖然有較強(qiáng)的抗干擾能力，對(duì)陰影的變換也能有效防范，灰度圖能準(zhǔn)確有效的反應(yīng)實(shí)際圖像場(chǎng)景。但其本身也有缺陷，缺陷主要是實(shí)時(shí)性差，運(yùn)行速度較慢。

針對(duì)這個(gè)缺點(diǎn)，本文對(duì)原始的codeword作了改進(jìn)。改進(jìn)思想如下：原始的codeword算法以像素點(diǎn)的方式處理，每個(gè)像素都有一個(gè)codeword，改進(jìn)后的算法以塊的方式處理，把原算法中每四個(gè)像素點(diǎn)當(dāng)作一個(gè)塊來(lái)處理，也就是原算法中的四個(gè)codeword變成了改進(jìn)算法中的一個(gè)新的codeword（塊），之后對(duì)塊進(jìn)行檢測(cè)識(shí)別。

2.2 改進(jìn)算法的實(shí)現(xiàn)

結(jié)合經(jīng)典codeword模型，本文提出的改進(jìn)codeword模型算法步驟如下：

某些codeword可能包含運(yùn)動(dòng)的前景物體和噪音而需要去除。通過(guò)MNRL（λ）這一參數(shù)來(lái)提煉codebook模型，以M和TM表示背景模型和閾值，通過(guò)TM設(shè)定為訓(xùn)練幀數(shù)的一半，即N/2，判斷條件為M={cm|cm∈∧λm≤TM}。

在上面的算法步驟中提到的兩個(gè)判斷匹配的條件（a）、（b）的計(jì)算過(guò)程如下。假設(shè)獲取到的像素為xt=（R，G，B） 以及codeword ci其vi=（R-i，G-i，B-i），我們有如下公式：

||xt||2=R2+G2+B2，

||vi||2=R-i2+G-i2+B-i2，

〈xt，vi〉2=（R-iR+G-iG+B-iB）2

顏色差異δ通過(guò)以下公式計(jì)算

p2=||xt||2 cos2θ=〈xt，vi〉2/||vi||2，

colordist（xt，vi）2=δ2=||xt||2—p2.

亮度差異判斷條件為：

如果Ilow≤||xt||≤Ihi，brightness（I，〈， 〉）為真；否則為假

Ilow = α，Ihi = min{β，/α}。其中α<1，β>1

建立了背景之后，下一步就是分離前景，具體算法如下：

x=（G，R，B），I2←R2+G2+B2

對(duì)于經(jīng)過(guò)提煉后的codeword模型中的所有codeword，尋找一個(gè)匹配如下兩個(gè)條件的cm：

colordist（x，cm）≤ε2

brightness（I，〈m，m〉）=true

使用構(gòu)建背景模型算法中的更新方法更新匹配的codeword。

如果沒(méi)有匹配，則x為前景，否則為背景。

其中It（x，y）為當(dāng)前圖像中坐標(biāo)為（x， y）的像素值，Ib（x，y）為背景圖像像素值，Bt（x，y）為前景的二值圖像，Th為閾值。簡(jiǎn)單的背景相減分離出的前景相當(dāng)粗糙，但是卻能告訴我們清楚的邊緣信息。

3 改進(jìn)算法的測(cè)試

改進(jìn)算法的運(yùn)行結(jié)果如下圖，通過(guò)結(jié)果對(duì)比，新算法能提高系統(tǒng)運(yùn)行性能，系統(tǒng)內(nèi)存占用明顯減少，運(yùn)行速度明顯增快，能比較清晰的反映出畫(huà)面中運(yùn)動(dòng)目標(biāo)的狀態(tài)，但是處理之后的畫(huà)面比原本的粗糙（見(jiàn)圖3、圖4）。

參考文獻(xiàn)

[1] 谷軍霞，丁曉青，王進(jìn)生.行為分析算法綜述[J].中國(guó)圖像圖形學(xué)報(bào)，2009，19（3）：377-387.

[2] 郁映卓.基于人體運(yùn)動(dòng)特征的異常行為檢測(cè)和姿態(tài)識(shí)別[D].西安電子科技大學(xué)，2011.

[3] 武松林.基于坐姿的多人行為識(shí)別與分析方法研究[D].延邊大學(xué)，2010.

[4] 吳登峰.多小波變換及其在數(shù)字圖像處理中的應(yīng)用[D].吉林大學(xué)，2005.endprint

摘 要：本文分析了基于codeword的行為檢測(cè)算法，闡述了該算法的優(yōu)劣，并在此算法的基礎(chǔ)上提出了一種改進(jìn)算法，對(duì)改進(jìn)算法的實(shí)現(xiàn)和優(yōu)勢(shì)進(jìn)行了闡述。

關(guān)鍵詞：行為檢測(cè) codeword 前景分離

中圖分類(lèi)號(hào)：TH391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2014）06（a）-0016-02

行為檢測(cè)系統(tǒng)得到越來(lái)越廣泛的應(yīng)用，其系統(tǒng)的有效性在一定程度上依賴(lài)于獲取的圖像信息，也就是對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)，可以理解為前背景分離，是指針對(duì)在背景不變的情況下，把監(jiān)控場(chǎng)景中運(yùn)動(dòng)的物體從背景里提煉出來(lái)作為前景。本文對(duì)基于codeword建模的檢測(cè)算法進(jìn)行了分析，但該算法在前背景分離的完整性、精確性、實(shí)時(shí)性、對(duì)噪音和陰影的消除、抗光照變化、抗背景擾動(dòng)（樹(shù)葉搖擺、運(yùn)動(dòng)物體的短暫停留等等）等方面有一定的局限，基于此，我們提出一種改進(jìn)算法，力求盡可能完美地檢測(cè)出運(yùn)動(dòng)物體。

1 運(yùn)動(dòng)目標(biāo)檢測(cè)

1.1 簡(jiǎn)介

一般來(lái)講，大多數(shù)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法可分為三大部分：建立背景模型、通過(guò)各幀與背景模型的差異分離出前景、以及更新背景模型。在這個(gè)過(guò)程中使用不同的方法就構(gòu)成了各種前背景分離算法。

codeword模型是一種非常優(yōu)秀的前背景分離算法，它是針對(duì)混合高斯模型的缺點(diǎn)而提出來(lái)的?；旌细咚鼓Ｐ蛯?duì)背景的快速變化適應(yīng)性差，不能敏銳地檢測(cè)出不明顯的或者突然出現(xiàn)的運(yùn)動(dòng)物體，為了解決這些問(wèn)題，有人提出了codeword模型。

1.2 codeword模型的建立

codeword算法用一個(gè)相對(duì)較長(zhǎng)的觀測(cè)期來(lái)建立背景模型，給每一個(gè)像素都建立一個(gè)codeword，在觀測(cè)期中采集的樣本根據(jù)其顏色和亮度被集群到不同的codeword里面。我們用來(lái)表示一個(gè)像素點(diǎn)的訓(xùn)練序列，它由N個(gè)GRB向量組成：={x1，x2，…，xN}；用={c1，c2，…，cL}來(lái)表示有L個(gè)codeword的codebook。對(duì)于每一個(gè)codeword ci，i=1…L，都由一個(gè)GRB向量vi=（Rˉi，Gˉi，Bˉi）和一個(gè)元組auxi=〈i，i，fi，λi，pi，qi〉組成，元組auxi中各個(gè)元素的定義如下：

，為被集群到這個(gè)codeword中的所有像素中的最小和最大亮度值；f為該codeword被訪問(wèn)的頻率；λ為訓(xùn)練期內(nèi)該codeword最長(zhǎng)未被訪問(wèn)的時(shí)間，記作MNRL（maximum negative run-length）；p，q為該codeword第一次和最后一次被訪問(wèn)的時(shí)間。

（1）L←0，←Φ（空集）。

（2）for t=1…N。

①xt=（R，G，B），I2←R2+G2+B2

②根據(jù)條件（a）、（b）在={ci|1≤i≤L}內(nèi)尋找匹配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，則L ← L+1。創(chuàng)建一個(gè)新的codeword cL

VL←（R，G，B）

auxL←〈I，I，1，t-1，t，t〉

④否則更新所匹配的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

對(duì)每一個(gè)codeword ci，i=1，…，L，重設(shè)λi←max{λi，N – qi}。

codeword算法滿(mǎn)足許多測(cè)評(píng)標(biāo)準(zhǔn)，前景分離的精確性、對(duì)背景擾動(dòng)的適應(yīng)性、抗光照變化等等，但是codeword算法最大的缺陷是實(shí)時(shí)性差，運(yùn)行速度太慢。針對(duì)這個(gè)缺點(diǎn)，本文對(duì)原始的codeword作了少許改動(dòng)（見(jiàn)圖1、圖2）。

2 改進(jìn)算法的提出和實(shí)現(xiàn)

2.1 改進(jìn)算法的基本思想

從運(yùn)行結(jié)果可以看到，codeword算法雖然有較強(qiáng)的抗干擾能力，對(duì)陰影的變換也能有效防范，灰度圖能準(zhǔn)確有效的反應(yīng)實(shí)際圖像場(chǎng)景。但其本身也有缺陷，缺陷主要是實(shí)時(shí)性差，運(yùn)行速度較慢。

針對(duì)這個(gè)缺點(diǎn)，本文對(duì)原始的codeword作了改進(jìn)。改進(jìn)思想如下：原始的codeword算法以像素點(diǎn)的方式處理，每個(gè)像素都有一個(gè)codeword，改進(jìn)后的算法以塊的方式處理，把原算法中每四個(gè)像素點(diǎn)當(dāng)作一個(gè)塊來(lái)處理，也就是原算法中的四個(gè)codeword變成了改進(jìn)算法中的一個(gè)新的codeword（塊），之后對(duì)塊進(jìn)行檢測(cè)識(shí)別。

2.2 改進(jìn)算法的實(shí)現(xiàn)

結(jié)合經(jīng)典codeword模型，本文提出的改進(jìn)codeword模型算法步驟如下：

某些codeword可能包含運(yùn)動(dòng)的前景物體和噪音而需要去除。通過(guò)MNRL（λ）這一參數(shù)來(lái)提煉codebook模型，以M和TM表示背景模型和閾值，通過(guò)TM設(shè)定為訓(xùn)練幀數(shù)的一半，即N/2，判斷條件為M={cm|cm∈∧λm≤TM}。

在上面的算法步驟中提到的兩個(gè)判斷匹配的條件（a）、（b）的計(jì)算過(guò)程如下。假設(shè)獲取到的像素為xt=（R，G，B） 以及codeword ci其vi=（R-i，G-i，B-i），我們有如下公式：

||xt||2=R2+G2+B2，

||vi||2=R-i2+G-i2+B-i2，

〈xt，vi〉2=（R-iR+G-iG+B-iB）2

顏色差異δ通過(guò)以下公式計(jì)算

p2=||xt||2 cos2θ=〈xt，vi〉2/||vi||2，

colordist（xt，vi）2=δ2=||xt||2—p2.

亮度差異判斷條件為：

如果Ilow≤||xt||≤Ihi，brightness（I，〈， 〉）為真；否則為假

Ilow = α，Ihi = min{β，/α}。其中α<1，β>1

建立了背景之后，下一步就是分離前景，具體算法如下：

x=（G，R，B），I2←R2+G2+B2

對(duì)于經(jīng)過(guò)提煉后的codeword模型中的所有codeword，尋找一個(gè)匹配如下兩個(gè)條件的cm：

colordist（x，cm）≤ε2

brightness（I，〈m，m〉）=true

使用構(gòu)建背景模型算法中的更新方法更新匹配的codeword。

如果沒(méi)有匹配，則x為前景，否則為背景。

其中It（x，y）為當(dāng)前圖像中坐標(biāo)為（x， y）的像素值，Ib（x，y）為背景圖像像素值，Bt（x，y）為前景的二值圖像，Th為閾值。簡(jiǎn)單的背景相減分離出的前景相當(dāng)粗糙，但是卻能告訴我們清楚的邊緣信息。

3 改進(jìn)算法的測(cè)試

改進(jìn)算法的運(yùn)行結(jié)果如下圖，通過(guò)結(jié)果對(duì)比，新算法能提高系統(tǒng)運(yùn)行性能，系統(tǒng)內(nèi)存占用明顯減少，運(yùn)行速度明顯增快，能比較清晰的反映出畫(huà)面中運(yùn)動(dòng)目標(biāo)的狀態(tài)，但是處理之后的畫(huà)面比原本的粗糙（見(jiàn)圖3、圖4）。

參考文獻(xiàn)

[1] 谷軍霞，丁曉青，王進(jìn)生.行為分析算法綜述[J].中國(guó)圖像圖形學(xué)報(bào)，2009，19（3）：377-387.

[2] 郁映卓.基于人體運(yùn)動(dòng)特征的異常行為檢測(cè)和姿態(tài)識(shí)別[D].西安電子科技大學(xué)，2011.

[3] 武松林.基于坐姿的多人行為識(shí)別與分析方法研究[D].延邊大學(xué)，2010.

[4] 吳登峰.多小波變換及其在數(shù)字圖像處理中的應(yīng)用[D].吉林大學(xué)，2005.endprint

摘 要：本文分析了基于codeword的行為檢測(cè)算法，闡述了該算法的優(yōu)劣，并在此算法的基礎(chǔ)上提出了一種改進(jìn)算法，對(duì)改進(jìn)算法的實(shí)現(xiàn)和優(yōu)勢(shì)進(jìn)行了闡述。

關(guān)鍵詞：行為檢測(cè) codeword 前景分離

中圖分類(lèi)號(hào)：TH391 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：1672-3791（2014）06（a）-0016-02

行為檢測(cè)系統(tǒng)得到越來(lái)越廣泛的應(yīng)用，其系統(tǒng)的有效性在一定程度上依賴(lài)于獲取的圖像信息，也就是對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)，可以理解為前背景分離，是指針對(duì)在背景不變的情況下，把監(jiān)控場(chǎng)景中運(yùn)動(dòng)的物體從背景里提煉出來(lái)作為前景。本文對(duì)基于codeword建模的檢測(cè)算法進(jìn)行了分析，但該算法在前背景分離的完整性、精確性、實(shí)時(shí)性、對(duì)噪音和陰影的消除、抗光照變化、抗背景擾動(dòng)（樹(shù)葉搖擺、運(yùn)動(dòng)物體的短暫停留等等）等方面有一定的局限，基于此，我們提出一種改進(jìn)算法，力求盡可能完美地檢測(cè)出運(yùn)動(dòng)物體。

1 運(yùn)動(dòng)目標(biāo)檢測(cè)

1.1 簡(jiǎn)介

一般來(lái)講，大多數(shù)的運(yùn)動(dòng)目標(biāo)檢測(cè)算法可分為三大部分：建立背景模型、通過(guò)各幀與背景模型的差異分離出前景、以及更新背景模型。在這個(gè)過(guò)程中使用不同的方法就構(gòu)成了各種前背景分離算法。

codeword模型是一種非常優(yōu)秀的前背景分離算法，它是針對(duì)混合高斯模型的缺點(diǎn)而提出來(lái)的?；旌细咚鼓Ｐ蛯?duì)背景的快速變化適應(yīng)性差，不能敏銳地檢測(cè)出不明顯的或者突然出現(xiàn)的運(yùn)動(dòng)物體，為了解決這些問(wèn)題，有人提出了codeword模型。

1.2 codeword模型的建立

codeword算法用一個(gè)相對(duì)較長(zhǎng)的觀測(cè)期來(lái)建立背景模型，給每一個(gè)像素都建立一個(gè)codeword，在觀測(cè)期中采集的樣本根據(jù)其顏色和亮度被集群到不同的codeword里面。我們用來(lái)表示一個(gè)像素點(diǎn)的訓(xùn)練序列，它由N個(gè)GRB向量組成：={x1，x2，…，xN}；用={c1，c2，…，cL}來(lái)表示有L個(gè)codeword的codebook。對(duì)于每一個(gè)codeword ci，i=1…L，都由一個(gè)GRB向量vi=（Rˉi，Gˉi，Bˉi）和一個(gè)元組auxi=〈i，i，fi，λi，pi，qi〉組成，元組auxi中各個(gè)元素的定義如下：

，為被集群到這個(gè)codeword中的所有像素中的最小和最大亮度值；f為該codeword被訪問(wèn)的頻率；λ為訓(xùn)練期內(nèi)該codeword最長(zhǎng)未被訪問(wèn)的時(shí)間，記作MNRL（maximum negative run-length）；p，q為該codeword第一次和最后一次被訪問(wèn)的時(shí)間。

（1）L←0，←Φ（空集）。

（2）for t=1…N。

①xt=（R，G，B），I2←R2+G2+B2

②根據(jù)條件（a）、（b）在={ci|1≤i≤L}內(nèi)尋找匹配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，則L ← L+1。創(chuàng)建一個(gè)新的codeword cL

VL←（R，G，B）

auxL←〈I，I，1，t-1，t，t〉

④否則更新所匹配的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

對(duì)每一個(gè)codeword ci，i=1，…，L，重設(shè)λi←max{λi，N – qi}。

codeword算法滿(mǎn)足許多測(cè)評(píng)標(biāo)準(zhǔn)，前景分離的精確性、對(duì)背景擾動(dòng)的適應(yīng)性、抗光照變化等等，但是codeword算法最大的缺陷是實(shí)時(shí)性差，運(yùn)行速度太慢。針對(duì)這個(gè)缺點(diǎn)，本文對(duì)原始的codeword作了少許改動(dòng)（見(jiàn)圖1、圖2）。

2 改進(jìn)算法的提出和實(shí)現(xiàn)

2.1 改進(jìn)算法的基本思想

從運(yùn)行結(jié)果可以看到，codeword算法雖然有較強(qiáng)的抗干擾能力，對(duì)陰影的變換也能有效防范，灰度圖能準(zhǔn)確有效的反應(yīng)實(shí)際圖像場(chǎng)景。但其本身也有缺陷，缺陷主要是實(shí)時(shí)性差，運(yùn)行速度較慢。

針對(duì)這個(gè)缺點(diǎn)，本文對(duì)原始的codeword作了改進(jìn)。改進(jìn)思想如下：原始的codeword算法以像素點(diǎn)的方式處理，每個(gè)像素都有一個(gè)codeword，改進(jìn)后的算法以塊的方式處理，把原算法中每四個(gè)像素點(diǎn)當(dāng)作一個(gè)塊來(lái)處理，也就是原算法中的四個(gè)codeword變成了改進(jìn)算法中的一個(gè)新的codeword（塊），之后對(duì)塊進(jìn)行檢測(cè)識(shí)別。

2.2 改進(jìn)算法的實(shí)現(xiàn)

結(jié)合經(jīng)典codeword模型，本文提出的改進(jìn)codeword模型算法步驟如下：

某些codeword可能包含運(yùn)動(dòng)的前景物體和噪音而需要去除。通過(guò)MNRL（λ）這一參數(shù)來(lái)提煉codebook模型，以M和TM表示背景模型和閾值，通過(guò)TM設(shè)定為訓(xùn)練幀數(shù)的一半，即N/2，判斷條件為M={cm|cm∈∧λm≤TM}。

在上面的算法步驟中提到的兩個(gè)判斷匹配的條件（a）、（b）的計(jì)算過(guò)程如下。假設(shè)獲取到的像素為xt=（R，G，B） 以及codeword ci其vi=（R-i，G-i，B-i），我們有如下公式：

||xt||2=R2+G2+B2，

||vi||2=R-i2+G-i2+B-i2，

〈xt，vi〉2=（R-iR+G-iG+B-iB）2

顏色差異δ通過(guò)以下公式計(jì)算

p2=||xt||2 cos2θ=〈xt，vi〉2/||vi||2，

colordist（xt，vi）2=δ2=||xt||2—p2.

亮度差異判斷條件為：

如果Ilow≤||xt||≤Ihi，brightness（I，〈， 〉）為真；否則為假

Ilow = α，Ihi = min{β，/α}。其中α<1，β>1

建立了背景之后，下一步就是分離前景，具體算法如下：

x=（G，R，B），I2←R2+G2+B2

對(duì)于經(jīng)過(guò)提煉后的codeword模型中的所有codeword，尋找一個(gè)匹配如下兩個(gè)條件的cm：

colordist（x，cm）≤ε2

brightness（I，〈m，m〉）=true

使用構(gòu)建背景模型算法中的更新方法更新匹配的codeword。

如果沒(méi)有匹配，則x為前景，否則為背景。

其中It（x，y）為當(dāng)前圖像中坐標(biāo)為（x， y）的像素值，Ib（x，y）為背景圖像像素值，Bt（x，y）為前景的二值圖像，Th為閾值。簡(jiǎn)單的背景相減分離出的前景相當(dāng)粗糙，但是卻能告訴我們清楚的邊緣信息。

3 改進(jìn)算法的測(cè)試

改進(jìn)算法的運(yùn)行結(jié)果如下圖，通過(guò)結(jié)果對(duì)比，新算法能提高系統(tǒng)運(yùn)行性能，系統(tǒng)內(nèi)存占用明顯減少，運(yùn)行速度明顯增快，能比較清晰的反映出畫(huà)面中運(yùn)動(dòng)目標(biāo)的狀態(tài)，但是處理之后的畫(huà)面比原本的粗糙（見(jiàn)圖3、圖4）。

參考文獻(xiàn)

[1] 谷軍霞，丁曉青，王進(jìn)生.行為分析算法綜述[J].中國(guó)圖像圖形學(xué)報(bào)，2009，19（3）：377-387.

[2] 郁映卓.基于人體運(yùn)動(dòng)特征的異常行為檢測(cè)和姿態(tài)識(shí)別[D].西安電子科技大學(xué)，2011.

[3] 武松林.基于坐姿的多人行為識(shí)別與分析方法研究[D].延邊大學(xué)，2010.

[4] 吳登峰.多小波變換及其在數(shù)字圖像處理中的應(yīng)用[D].吉林大學(xué)，2005.endprint