基于幀亮度補償和融合的校園夜間視頻增強算法

李翔

(北京農業職業學院,北京 102208)

基于幀亮度補償和融合的校園夜間視頻增強算法

李翔

(北京農業職業學院,北京 102208)

本文研究了夜間校園視頻的增強算法,采用幀亮度的補償和融合算法。具體作法如下:(1)利用不同時間段白天幀與當前夜間幀背景亮度的比例,采取亮度參數調整的補償方式對當前夜間視頻背景進行補償;(2)提出一種基于運動物體移動區域融合和差分的算法,對視頻中的運動物體進行增強。本文基于亮度融合補償的算法,較原始校園夜間視頻,亮度、對比度和熵都得到了增強。

視頻增強 亮度融合補償 校園夜間視頻

1 引言

校園夜間視頻監控可以預防、控制和減少校園意外事故發生,校園夜間視頻的增強技術變得越來越重要。目前校園夜間視頻增強的問題還需要解決[1]:視頻幀融合過程中的夜間背景和亮度估計問題、增強后夜間視頻圖像的顏色漂移問題等。傳統的算法是融合白天的亮度信息增強視頻幀,Yamasaki等[2]提出“Denighting”對夜間視頻幀采用白天的亮度信息融合到夜間視頻幀里,存在的問題是增強后的結果中靜態亮度信息丟失。文獻[3]的算法把運動物體區域和背景區域進行分開處理,增強的結果能很好解決文獻[2]的問題,但是不能對運動物體本身增強,因此不能突出運動物體本身。

本文對校園的夜間視頻的增強從提高對比度和亮度信息,同時不損失運動物體的細節信息著手。考慮到校園攝像頭是固定的,對每一個攝像頭,夜間所采集的視頻和白天所采集的視頻的背景是完全一樣的,因此本文用白天的視頻實現亮度補償。對于校園夜間視頻的運動物體,當背景進行亮度增強后,容易產生顏色失調和不合理的情況,為了增強運動物體的清晰度和協調性,本文提出一種基于運動物體區域內亮度比例平均的算法,對于運動物體的邊界協調使用了高斯低通濾波器來平滑處理。

2 視頻增強算法

2.1 夜間視頻背景增強

提取夜間視頻的亮度是困難的,特別是當夜間視頻具有低對比度和噪聲時。在算法里使用Lab顏色空間提取亮度。 首先將輸入夜間視頻幀的RGB顏色空間轉換到Lab顏色空間,得到Lab空間的灰度圖和顏色。然后夜間視頻每幀的灰度圖像使用Retinex理論分解為亮度圖像和反射圖像。同樣將同一攝像頭的白天視頻也轉換到Lab顏色空間,將白天的每幀同樣使用Retinex理論分解為亮度圖像和反射圖像。然后,通過白天背景的亮度圖像補償到夜間亮度圖像,最后增強的視頻圖像通過增強夜間亮度,夜間的反色度及夜間的顏色重構。

為了更好增強視頻的視覺質量,本文中得亮度補償的算法滿足下面的條件:(1)對于白天亮度大于夜間亮度的區域,使用白天的亮度信息補償到夜間的亮度;(2)對于夜間視頻幀的亮度大于相應的白天亮度的區域(主要是燈光區域),這個區域采取較少的增強亮度。

2.2 夜間視頻中得運動物體增強

對于校園的夜間視頻,人體和車輛往往在黑暗中運動,黑暗中運動物體提取不容易。本文先對夜間視頻進行傳統視頻增強處理,以便提取運動物體,然后使用高斯混合模型提取運動物體區域。運動物體的提取有很多算法,本文使用的運動物體提取算法主要分為三個基本步驟:(1)提取運動物體區域;(2)將提取的運動物體區域轉化為二進制圖像;(3)最后使用數學形態學方法對二值圖像進行腐蝕、膨脹、種子填充等后續處理,最終獲得運動物體區域的二值圖像。

運動物體區域的白天背景亮度與夜間背景亮度的比率應該是一致,同時運動物體的區域也應該得到相應的增強,為了阻止運動物體區域的不一致的比率問題導致的混淆模式,我們對運動物體區域采用比率平均的算法。Ra(x,y)表示運動物體區域的比率平均,最后亮度補償的圖像FL(x,y)通過如下方式進行:

這里使用了差分圖像法,方法分為三個部分即背景評估、背景更新、幀差。常用的背景估計模型有圖像平均模型、選擇性背景更新模型、高斯分布模型等。

3 實驗結果及分析

本文提出利用白天背景亮度來補償夜間視頻幀的算法,通過不

表1 視頻幀均值、標準差及熵的評估結果

同的夜間監控視頻對本文算法進行驗證。本文算法增強結果具有很好的亮度及視覺效果,為了更好的表明本算法的效果,也比較其它算法,圖1顯示比較的實驗結果,比較的算法包括文獻[4]算法以及本文算法。使用文獻[4]的基于轉換系數的融合方法,增強的結果通過Contourlet逆置變換得到,明顯增強的亮度信息不夠亮。

為了更好評估本文算法,在本節使用了幾個客觀的視頻幀評價方式,主要包括:均值,標準差及熵進行評估等。表1給出不同視頻幀增強算法及本文算法的視頻幀亮度,對比度及信息量的結果。根據表1的對比數據,可以觀察到:①本文算法的像素均值是最大,表示增強后的亮度得到較大提升;②在對比度方面,由于本文算法嵌入了亮度信息,增加了灰度的動態范圍,與傳統的增強算法相比較,彌補了傳統增強過程中易過度增強亮度的缺陷。③在信息熵評估方面,原始視頻幀的值最小,細節信息含量也最少,本文基于亮度補償的算法嵌入了亮度信息,增強的視頻幀信息熵值較大,優于傳統的增強算法。

4 結語

本文研究了校園夜間視頻的增強算法,采用幀亮度的補償和融合算法。具體作法如下: (1)針對某夜間視頻幀的背景,利用不同時間段的白天幀與當前夜間幀的背景亮度的比例,采取亮度參數調整的補償方式對當前夜間視頻進行補償;(2)針對該夜間視頻幀里的運動物體,提出一種基于運動物體移動區域融合和差分的算法,在運動物體的邊界部分采用融合和平滑的方式進行,非邊界的部分采用和背景差分的方式,使得增強后運動物體邊界更協調,非邊界的部分更加清晰。本文基于亮度融合補償的算法,較原始校園夜間視頻,在對比度和熵方面都有所提高,很好的提高了清晰度并保證了視頻的信息量。

[1]Y.B Rao,L.T Chen.A survey of video enhancement techniques, International Journal on Electrical Engineering and Informatics (IJEEI),2012,3(1):71-99.

[2]A.Yamasaki,H.Takauji,S.Kaneko,et al.Denighting:enhancement of nighttime image for a surveillance camera,In Proceedings of the SPIE,the International Society for Optical Engineering,San Diego,CA,USA,2008,pp.1-4.

[3]Y.B Rao,W.Lin,L.T Chen.Image-based fusion for video enhancement of nighttime surveillance,Optical Engineering,2010, 49(12)10th International Conference on Electronic Measurement & Instruments (ICEMI),2011,3:337-340.

[4]T.Stathaki.Image fusion:algorithms and applications, Academic Press,2008.

[5]A.Ilie,R.Raskar,J.Yu.Gradient domain context enhancement for fixed cameras,International Journal of Pattern Recognition and Artificial Intelligence,2005,19(4):533-549.

北京農業職業學院科研項目《基于視頻監控和智能分析的校園進出管理系統的研究與開發》,項目編號:XY-YF-13-44。

李翔(1980—),女,講師,碩士學位,研究方向:計算機應用。