视频监控系统开发平台的研制 第15页第5章游泳池监控救生系统的算法实现
征129】，它是物体表面共有的内在特性。纹理特征包含了物体表面结构组织排列的
重要信息以及它们与周围环境的联系【。Ⅲ。对于本系统，由于人体与池水的纹理特
征明显不同，如图5．7中红色方框所示，因此在这里我们以灰度图像的纹理特征为
研究对象，来进行目标识别。
(a) (b)
图5．7同一场景下两种不同的纹理
Flig．5．7 Tw0 di成erent texture at the same backwood
纹理分析方法大致分为统计方法和结构方法，这里我们采用统计分析方法。
l、基于灰度共生矩阵的纹理分析
图像的灰度共生矩阵(GtCM)已知被理论证明并且实验显示它在纹理确定上
是一个很好的方法，广泛用于将灰度值转化为纹理信剧。¨。灰度共生矩阵是通过
研究灰度的空间相关性来描述纹理的，对图像上保持某距离的两像素分别具有某
灰度的状况进行统计，描述了成对像素的灰度组合分布。灰度共生矩阵用尸一表示，
矩阵元素则用以下符号表示：
只a，，) (f，j『一O,L2，…，￡一1) (5·5)
式中：f，f分别为两个像素的灰度；￡为图像的灰度级数；艿为两个像素间的位置
关系。不同的万决定了两像素间的距离和方向，常用的位置关系有O。方向(水平
方向)、90。方向(垂直方向)、45。方向、135。方向。当万选定后，就生成一
定万下的灰度共生矩阵jF'。。矩阵中的一个元素表示了一种灰度组合下出现的次数，
如元素P。(1，O)表示了图像上位置关系为万的两像素灰度分别为l和0的情况出现
视频监控系统开发平台的研制 第15页
的次数。显然，不同的位置关系(距离或方向)，元素值就不相同。从灰度共生
矩阵抽取出的纹理特征参数主要有以下几种：
(1)能量(二阶矩)
，1。荟驴(“)
(5．6)
二阶矩是图像灰度分布均匀性的度量。从图像整体来观察，粗纹理的二阶矩
五较大，即粗纹理含有较多的能量：而细纹理的鼻较小，即含有较少的能量。
(2)对比度(惯性矩)
厂2。荟疗。{荟荟pa(1，，))，If一_『I=，l ‘5·7’
图像的对比度可以理解为图像的清晰度，即纹理的清晰程度。在图像中，纹
理的沟纹越深，则其对比度五越大，图像的视觉效果越是清晰。
(3)相关性
厶：薹狴竺二竺 眠8，
．『3。—————_i—F——一 L0·石，
o：0：
式中：“-。荟‘荟pa“，_『)’“：。荟J『荟p。(f，_『)，()r?。荟“一“·)。磊pa(f，，)，
<)r；。磊(_『叱)。荟觚m
相关性是用来衡量灰度共生矩阵的元素在行的方向或列的方向的相似程度。
2、基于直方图的纹理分析
直方图最基本的特征是纹理区域的灰度直方图或灰度的平均值和方差等。基
于直方图可以计算许多统计特征量，但有些特征与灰度共生矩阵所提取的特征量
的相关性很大，不再给予考虑，所以这里只取了图像某区域的灰度均值和直方图
的方差。
第5章游泳池监控救生系统的算法实现
(1)灰度均值
设待处理的图像区域的大小为M×N，厂f2，∥表示位于坐标疆，_『／)处的像素的灰
度值，则整个区域的灰度均值虿可通过下式计算：
虿：婆竺 ㈣9，
譬=一 L b．9 J
。 M卑N
灰度均值表征灰度分布的中心值，可以区分图像的明暗程度。若两区域的灰
度均值充分接近，则称这两个区域是相似的。
(2)直方图的方差
小逛掣一一端 眠㈨
式中：JIl俐为某区域的灰度直方图。若两区域直方图的方差充分接近，则称两
区域相似。
在提取目标特征之后，则希望它们能够尽量地反映目标重要的、本原的特性。
所谓重要特征是指以它们作为分量的特征点在特征空间中同类聚焦、异类分散，
当使用距离测度时，同类特征点的距离较小、不同类特征点的距离较大。所以，
还有一步工作是特征选择，就是从一组特征中挑选出一些最有效的特征以达到降
低特征空间文数的目的。最简单的特征选择方法是根据专家知识挑选那些对分类
最有影响的特征，另一种则是用数学方法进行筛选比较，来找出最有分类信息的
特征。由于本系统的识别任务是检测输入图像中有无目标的存在，为此，对于在
实际监控环境中所采集到的50幅无目标(如图5．8中的(a)图)和有目标(如图5．8
中的(b)图)两种情况的图像，分别计算了上述五个特征参数，其平均结果列于表
5．1中。
视频监控系统开发平台的研制 第15页
(a)尢目称场景例图 (b)刁ir目标场景例图
图5．8监控场景例图
Fig．5．8 Sketch-map Of Surveillance Scene
表5．1监控图像的纹理特征参数
’Fab．5．1’I'he Texture Features of Surveillance Image
┏━━━━━┳━━━━━━━━━━━━━━━━━━━━━┳━━━━━━━━━━━━━┓
┃ 图像 ┃ 灰度共生矩阵的特征参数 ┃ 直方图的特征参数 ┃
┃ ┣━━━━━━┳━━━━━━┳━━━━━━━╋━━━━━━┳━━━━━━┫
┃ 类型 ┃ 能量 ┃ 对比度 ┃ 相关性 ┃ 灰度均值 ┃ 灰度方差 ┃
┣━━━━━╋━━━━━━╋━━━━━━╋━━━━━━━╋━━━━━━╋━━━━━━┫
┃ 无目标 ┃ O．21704 ┃ 0．12198 ┃ 0．95785 ┃ 175．15 ┃ 887．65 ┃
┣━━━━━╋━━━━━━╋━━━━━━╋━━━━━━━╋━━━━━━╋━━━━━━┫
┃有目标 ┃0．21309 ┃ 0．53665 ┃ O．90105 ┃ 138．57 ┃ 1867．9 ┃
┗━━━━━┻━━━━━━┻━━━━━━┻━━━━━━━┻━━━━━━┻━━━━━━┛
将表中的数据分别作归一化处理之后，我们选择差别相对较大的三个特征：灰
度共生矩阵的对比度、灰度均值和灰度方差作为比较参数，进行下一步的分类和
辨识。
5．4图像目标识别
当处理复杂的大尺寸图像时，由于数据量的庞大，计算速度将是很惊人的，
因此，大多的研究都是在充分考虑图像局部特性的情况下，将图像分割成互不重
叠的子图像，然后分别对各个子图像进行处理，最后对处理结果进行拼接组合。
本研究也将待处理图像分割成一定数量的子图像，提取子图像的特征值作为比较
参数，最后组合处理结果，处理流程见图5．9。
<< 上一页 [11] [12] [13] [14] [15] [16] [17] [18] 下一页
视频监控系统开发平台的研制 第15页下载如图片无法显示或论文不完整，请联系qq752018766
