本發(fā)明涉及一種基于視覺顯著性特征的視頻灰斑檢測方法，屬于圖像處理領域，可以用于對象檢測和識別，監(jiān)控視頻異常檢測系統(tǒng)。
背景技術：
：視頻采集設備由于受到外界自然環(huán)境或內在設備故障的干擾，使得獲得的視頻質量下降，造成視頻失真，如灰斑失真。視頻灰斑失真是由于光線在進入監(jiān)控攝像頭的ccd時，鏡頭上的灰斑阻礙了光線的進入，使得ccd相應位置出現(xiàn)灰斑的影子，從而在視頻圖像中顯現(xiàn)灰斑。由于灰斑相對于其他對象距離鏡頭最近，不僅對其他對象造成了遮擋，還阻礙了運動目標定位與追蹤等問題的研究，甚至使算法失效。因此，實現(xiàn)視頻灰斑的自動檢測在監(jiān)控視頻異常檢測系統(tǒng)中占據(jù)重要地位。視覺顯著性是指在某個場景中的一個對象相對于其周圍景物脫穎而出從而吸引觀測者注意力的感知質量。對于視頻灰斑，由于灰斑的亮度相對于周圍景物較低的特性，且對人類視覺效果造成惡劣感知，在一定意義上，灰斑成為吸引觀測者眼球的顯著性區(qū)域?；谶@一認知，本發(fā)明提出利用灰斑的視覺顯著性對其進行檢測。顯著性檢測可以分為兩大類，自底向上模型、自頂向下模型。自底向上模型是利用底層特征(如顏色、對比度、形狀、紋理)進行顯著性區(qū)域檢測，與高層知識無關。自頂向下模型是利用視覺注意力對顯著性區(qū)域建模，從而實現(xiàn)顯著性檢測。因此，本發(fā)明提出一種自底向上的視頻灰斑檢測模型，通過支持向量機(supportvectormachine，svm)合并對比度、形狀、紋理等淺層特征在圖像不同區(qū)域的差異，從而確定圖像顯著區(qū)域，實現(xiàn)視頻灰斑檢測。技術實現(xiàn)要素：為了避免現(xiàn)有技術的不足，本發(fā)明提出一種基于顯著性特征的視頻灰斑檢測方法。本發(fā)明的基本思想在于首先提取視頻圖片的對比度、紋理、形狀等特征，再利用svm對提取的特征進行訓練，最后根據(jù)訓練出的分類器進行灰斑檢測。一種基于視覺顯著性特征的視頻灰斑檢測方法，具體步驟為：1.提取視頻圖像中每個像素的對比度、紋理、形狀等低級特征；2.分離出灰斑區(qū)域的特征和非灰斑區(qū)域的特征，并使用svm對這些特征進行訓練；3.利用svm訓練出的模型對每個像素進行測試，實現(xiàn)灰斑檢測。步驟1中提取每個像素的對比度特征的具體步驟為：1)對原圖建立高斯金字塔：其中，2m+1為高斯核長度，w(x，y)為高斯卷積核。2)對金字塔運用中心-周圍差異法：定義中心層c∈{0，1，2}，周圍層s＝c+d，s≤4，差異層d∈{2，3，4}，則(c，s)∈{(0，2)}∪{(0，3)，(0，4)，(1，3)，(1，4)，(2，4)}，同時定義θ為跨層相減，則i(c，s)＝|cθs|(2)3)對比度計算公式如下：其中i是rgb空間的三通道，即i∈{r，g，b}。步驟1中提取每個像素的紋理具體步驟與對比度計算步驟相似，不同之處在于，提取對比度時運用高斯卷積核建立高斯金字塔，而在計算紋理特征時，運用高斯拉普拉斯卷積核建立金字塔，即步驟1中提取每個像素形狀特征的具體步驟為：1)將原圖轉換為灰度圖；2)取當前像素點的領域r；3)計算領域r的7和hu不變矩作為當前像素點的形狀特征。則圖像的形狀特征表示為其中i＝0..6，表示i階不變矩。步驟1中，建立高斯金字塔的具體參數(shù)為：金字塔層數(shù)為5，高斯核大小為5×5；建立dog金字塔的具體參數(shù)為：金字塔層數(shù)為5，高斯拉普拉斯卷積核大小為5×5；計算形狀信息的領域大小取30×30。步驟2中分離出灰斑區(qū)域和非灰斑區(qū)域的具體方式為人工標記，訓練svm的樣本量為30000灰斑像素點和60000個非灰斑像素點。步驟3中，利用步驟2訓練得到的svm分類器，對測試圖片中的每個像素進行測試，從而實現(xiàn)灰斑檢測。附圖說明圖1.本發(fā)明方法的基本流程圖。圖2.使用本發(fā)明方法完成視頻圖像中灰斑域檢測的例子(a)原圖像(b)灰斑檢測結果圖具體實施方式下面結合附圖對本發(fā)明所述技術方案的實施方式作進一步的詳細描述。1.如圖1所示，分別提取視頻圖像的對比度、紋理、形狀特征；2.分離出灰斑區(qū)域的特征和非灰斑區(qū)域的特征，并使用svm對這些特征進行訓練；3.利用svm訓練出的模型對每個像素進行測試，實現(xiàn)灰斑檢測。步驟1中提取每個像素的對比度特征的具體步驟為：1)對原圖建立高斯金字塔：其中，2m+1為高斯核長度，w(x，y)為高斯卷積核。2)對金字塔運用中心-周圍差異法：定義中心層c∈{0，1，2}，周圍層s＝c+d，s≤4，差異層d∈{2，3，4}，則(c，s)∈{(0，2)，(0，3)，(0，4)}∪{(1，3)，(1，4)，(2，4)}，同時定義θ為跨層相減，則i(c，s)＝|cθs|(7)1)對比度計算公式如下：其中i是rgb空間的三通道，即i∈{r，g，b}。步驟1中提取每個像素的紋理具體步驟為：1)對原圖建立金字塔圖像：其中，2m+1為卷積核長度，l(x，y)為高斯拉普拉斯卷積核。2)對金字塔運用中心-周圍差異法：i(c，s)＝|cθs|(10)其中，c∈{0，1，2}，s＝c+d且s≤4。3)紋理特征計算公式如下：步驟1中提取每個像素形狀特征的具體步驟為：1)將原圖轉換為灰度圖；2)取當前像素點的領域r；3)計算領域r的7和hu不變矩作為當前像素點的形狀特征。則圖像的形狀特征表示為其中i＝0..6，表示i階不變矩。步驟1中，建立高斯金字塔的具體參數(shù)為：金字塔層數(shù)為5，高斯核大小為5×5；建立dog金字塔的具體參數(shù)為：金字塔層數(shù)為5，高斯拉普拉斯卷積核大小為5×5；計算形狀信息的領域大小取30×30。步驟2中，訓練svm分類器的具體步驟為：1)依靠手動標記灰斑的方法，分離出灰斑區(qū)域和非灰斑區(qū)域；2)取出50張測試圖片中的灰斑像素的特征，再從這50張圖片中隨機取出總數(shù)為灰斑像素點2倍的非灰斑像素點特征。3)將步驟2)中得到的30000灰斑像素點和60000個非灰斑像素點對應的特征作為svm的輸入，并利用svm訓練出分類器。步驟3中，實現(xiàn)灰斑檢測的具體步驟為：利用步驟2訓練得到的svm分類器，對測試圖片中的每個像素進行二分類，以此分類結果作為視頻圖像灰斑檢測結果。圖2顯示了視頻灰斑檢測結果，圖2(a)為原圖像，圖2(b)為本發(fā)明檢測結果，由圖2(b)可知，本發(fā)明可以定位出灰斑。將本發(fā)明所提視頻灰斑算法在監(jiān)控視頻集上測驗，測驗結果如表1。視頻集包含135個灰斑視頻和300個正常視頻。由表1可知本發(fā)明在視頻灰斑檢測中有很好的效果。表1本發(fā)明所提方法的評價指標preciseaccuracyrecall本發(fā)明所提方法72.66％80.52％88.58％綜上所述，本發(fā)明在一定程度上克服了視頻灰斑檢測的困難，能夠有效地獲得灰斑定位圖，實現(xiàn)灰斑檢測，同時對于部分顏色較淺的灰斑，也能夠實現(xiàn)定位。最后應說明的是：以上所述僅為本發(fā)明的優(yōu)選實施例而已，并不用于限制本發(fā)明，盡管按照前述實施例對本發(fā)明進行了詳細的說明，對于本領域的技術人員來說，依然可以對前述實施例所記載的技術方案進行修改，或者對其中部分技術特征進行等同替換。凡在本發(fā)明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內。以上描述了本發(fā)明的基本原理和主要特征以及本發(fā)明的優(yōu)點。本行業(yè)技術人員應該了解，本發(fā)明不受上述實施例的限制，上述實施例和說明書中描述的只是說明本發(fā)明的原理，在不脫離本發(fā)明精神和范圍的前提下，本發(fā)明還會有各種變化和改進，這些變化和改進都落入要求保護的本發(fā)明范圍內。當前第1頁12