[科普中国]-差分图像

简介定义

差分图像就是目标场景在连续时间点图像相减所构成的图像。假设xk和xk+1分别为目标场景在时间点k和k+1时的图像，则可以定义第k幅差分图像为：；广义的差分图像定义为目标场景在时间点tk和tk+L所成图像的差别：。2

差分法是一种用于运动目标检测的可用于克服干扰的行之有效的方法。

两种算法差分法有两种方式：

(1)当前图像与固定背景图像的差分；

(2)连续两幅图像之间的差分。

第二种算法在很多情况下存在检测物体位置不精确和运算量大的缺点，会影响到定位算法的快速性和准确性。当运动检测开始的时候选择一帧没有运动目标的图像作为差分的背景图像，出现运动目标的时候开始把当前图像和背景图像做差分，当运动目标检测结束时，更新背景图像，当下一个运动目标出现的时候再进行差分。差分的结果可以去除一部分噪声，而且可以去掉与运动目标检测无关的静止背景区域，采用背景图像更新机制，还可以在一定程度上适应背景和光线的变化。在进行差分处理之后，差分图像中只剩下了运动目标和部分噪声，再利用基于投影法的定位算法进行识别和定位。2

应用差分图像在许多领域得到了广泛的应用，比如：视频压缩3，生物医学诊断，天文学，遥感，人脸识别等。

目标跟踪分割为了在图像序列的每帧图像中准确的分割目标，首先利用差分图像确定目标的粗略位置，然后再把从上一帧图像中提取的目标轮廓旋转在这个位置上，并作为Snake 法提取轮廓的初值。通过提取目标轮廓，可得到目标的位置。其主要过程如图2 所示。

当图像存在空间梯度时，物体的运动可以从图像序列的时间梯度上体现出来。因此，对具有一定时间间隔的两帧图像进行差分，根据差分输出可以确定目标的运动范围。差分输出来源于目标物体的运动，对于背景静止的情况来说，可以直接进行差分运算.

在当前帧获取了运动物体的部分边缘后，以从前一帧得到的物体轮廓在该部分的曲线为模板，求取最佳匹配，求得目标的粗略位置。

实现目标的分割也是利用了Snake 算法的轮廓提取。在当前帧中，把从上一帧获取的目标轮廓置于运动目标的粗略位置上，将其作为轮廓提取的初始值，经运算后得到准确的目标分割。4

人脸检测跟踪人类的面部提供了大量视觉信息，计算机的多种感知输入通道，如人脸识别、口型识别、表情识别等，都建立在人脸的基础上。目前大多数系统都要求使用者固定在摄像机前的某一位置。然而，人总是处于运动中的，尤其在信息交互过程中，对使用者的这种要求显然降低了系统的应用性。目前常见的人脸跟踪算法有4种方式：运动信息跟踪、彩色信息跟踪口、参数模型或模板对整个人脸进行相似跟踪以及利用人脸的局部特征进行跟踪。对于各种算法的跟踪速度，特别是在获得较精确位置的要求下的跟踪速度，都还有待提高。

具体人脸区域的检测过程如下：(1)对帧差分处理后的图像上半部分像素进行聚类分析．如果某一点灰度值低于设定的阈值，则认为该点为头发像素点，否则为非头发像素点．阂值通过实验选取，在实验室环境下取175较为合适。(2)计算头发区域的宽度和高度。(3)从头发区域的中心点以下取长度稍小于头发区域的长度，而宽度为头发区域长度的1.1倍的这个区域作为人脸区域。

人脸跟踪的任务是在连续图像中跟踪捕捉人脸的运动，是一种优化过程，而遗传算法在优化过程中得到了广泛的应用，并取得良好的效果，所以可在定位人脸的基础上，引入遗传算法进行跟踪。5

帧差分处理通过运动探测人脸，其中基于运动能量的检测方法具有算法简单、计算速度快以及比较适合于实时处理的特点．通常情况下，基于运动能量的运动检测可以通过对2帧图像进行时空滤波来得到，而最简单的方法是利用帧差计算出2帧图像中每1点的灰度差值，然后通过设定1个阈值来判定哪些像素点是运动点。由于帧差阈值的设定没有统一的标准，只能依赖于经验，因此只适用于某些特定的场合。

为提高运动检测的智能性，目前提出一种自适应的阈值选择方法。基于运动区域内像素的灰度变化要大于整个图像灰度变化的平均值，则选取帧差图像的均值aver作为阈值。

设d(i,j)表示帧差图像中点(i，j)处的灰度值，N和M分别表示图像的宽度和高度，则：

如果d(i，j)>aver，则该点被标记为运动点。5

基于投影法的差分定位算法投影法是根据图像在指定方向上投影的分布特征来进行检测的，这种方法在本质上是一种统计方法。投影法获得的投影特征具有平移不变性，若规定以物体长轴方向为x投影轴，则投影特征还具有旋转不变性。

投影法中的投影特征可以是图像中像素的灰度，也可以是像素问的灰度差。当投影区域中的像素的灰度大于某个选定的阈值时，对该像素进行投影，则阈值的作用等价于二值化。

如果以灰度150为阀值(使用的像素灰度范围为O～255)，在有运动目标的图像的投影特征和背景图像的投影特征有着非常明显的差异。把相邻两个像素的灰度差的极值定义为灰度峰谷点特征。

算法步骤：

Step1.根据先验知识，除去与识别无关的冗余区域，确定要进行算法处理的图像中窗口的大小(即只处理运动目标活动的区域，不处理其它区域)。

Step2.根据已知的样本图像，对运动目标进行离线灰度分析和计算，给出图像中运动目标提取灰度投影特征阈值，灰度峰谷点投影特征的阈值，代价函数的阈值以及运动目标的二维灰度投影模式向量的初始值。

Step3.离线训练，修正初始阈值。基于步骤2得到的阈值，首先计算出样本图像中投影区域的二维灰度投影特征值。然后根据代价函数进行运动目标的模式匹配，如果匹配成功，将进行投影的列数作为运动目标的位置，并将定位的结果和样本图像中目标物体的实际位置对比，根据识别的误差的大小，不断修正初始灰度投影特征阈值以及灰度峰谷点投影特征阈值，直到能够正确识别为止。如果长时间还不能正确识别，就转到step2，重新进行灰度分布分析对比，修改运动目标的二维灰度投影模式向量。

Step4.当离线训练能够正确识别样本图像的时候，离线训练结束。进行在线定位，实时采集图像，在运动目标活动的区域逐列投影并计算投影特征，然后计算代价函数进行匹配，如果匹配成功，记下所在列数作为运动目标的参考位置。2