Moving Object Detection in Video Based on RGB Color Space

Xiao-ya DENG

doi:10.13718/j.cnki.xsxb.2019.03.020

To solve the problem of low detection accuracy and color distortion in moving object detection, a moving object detection method based on RGB color space has been proposed.In this passage, kinds of moving object detection methods in different color spaces have been compared.Different weights been assigned to different color components in RGB color space to enhance the reality of the color space.Neural network has been combined with color space in this passage innovatively.By self-organizing map, this passage realizes the moving object detection in digital videos.A large numbers of experimental results showed that the proposed method can improve the accuracy of moving object detection.

HTML

运动目标检测是计算机视频图像处理中最基础最关键的技术，在智能视频监控、机器人导航、医学图像分析中有着重要的作用.视频中运动目标的自动检测更是成为智能视频监控的重点和热点，其目的在于通过对目标实施检测和分割实现目标的定位和跟踪.

目前常见的运动目标检测算法有帧间差分法、光流法、背景差分法[1-2].帧间差分法用连续图像相减来实现时域差分，但一般不能完整提取出运动目标的全部特征，因此一般适用于精度不高的场合.光流法计算量大，因此实时性低.背景差分法是运动检测最常用的方法之一，对特征检测比较全面，但是对光照等动态变化比较敏感.

由于数字视频多为彩色视频，因此视频图像的颜色信息可以作为目标提取的一个重要特征.不同颜色空间反映的图像信息不同，导致颜色空间的选择成为影响前景探测性能的重要因素[3].经典的颜色空间包括RGB，HSV(Hue Saturation Value)，LAB(L表示亮度，A表示从洋红色至绿色的范围，B表示从黄色至蓝色的范围)，YCbCr(Y为颜色的亮度，Cb和Cr分别为蓝色和红色的浓度偏移量)和YUV(Y表示明亮度，U和V分别是色度和浓度)等[4].

杨会锋等[5]提出了一种改进的基于边缘特征和K均值聚类相结合的运动目标检测算法.实验表明，该方法能够有效解决噪声的影响，但是对于光照十分敏感.德国学者Lissner等[6]从人类神经对色彩感知的角度出发，构建了避免亮度、色调和色度等交叉干扰的颜色空间模型.实验结果表明，该模型在图像分割领域有较好的性能，在视频的前景检测应用中并不理想.赵红雨等[7]提出了一种基于HSV颜色空间的运动目标检测方法.利用HSV颜色空间各分量相互独立性及H分量对光照不敏感的特性，用自适应阈值法实现了运动目标的分割. IF₁F₂是一种新兴的对RGB进行傅里叶变换之后得到的颜色空间[8]，其专用于生物显微图像领域，因此具有很大的局限性.黎洪松等[9]采用基于自组织映射的运动模式识别方法，将自组织映射应用到视频中来.文献[10]通过自组织映射的前景探测结合SVM(Support Vector Machine)算法实现了较理想的人体目标检测与跟踪，但这一方法缺乏能带来稳定性能的颜色空间模型.文献[11]提出一种自组织映射背景分离算法，能够在较短时间内实现视频图像前景和背景的分离，但其不适用于长时间的视频观测.实验证明，自组织映射对视频背景分离有较好的效果.

2. 实验及结果

本文在普通PC的硬件环境及Matlab 7.0和Eclipse 3.3的软件环境下，采用视频监控设备在室内、室外各种不同背景下所采集的视频数据流，以及i-Lids bag and vehicle detection challenge(i-LBVDC)[12]，Audiovisual people dataset (APD)等视频处理的经典数据集作为实验样本进行实验.

根据公式(11)，实验对a，b，c进行了不同的取值，从而对比不同权重下该颜色空间的性能(表 1).

在实验中，取测试阶段得到最高准确率的值作为后续实验中该颜色空间各颜色分量的权值.

2.1. 不同算法下的前景检测准确率对比

本节通过与不同算法对比，考察本文所提出的改进算法的整体有效性.

本部分的对比算法为BVBS算法和AT-SOM模型以及文献[13]中的KNN-SVM算法.实验结果如表 2所示.

由表 2可知，本文提出的改进算法在各对比算法中具有最高的检测准确率.通过表 1和表 3的对比可以看出，在提高前景检测性能方面，组分加权的颜色空间以及与自组织映射结合的检测策略均能提高视频检测效果.

2.2. 不同颜色空间下运动目标检测性能

为了更加全面地考察本文算法的性能，本节将自组织映射模型结合多种颜色空间作为对比，对比颜色空间包括最常见的RGB，HSV和YCbCr.实验数据集为前面所提到的室内和室外自采数据、i-LBVDC以及APD.实验结果如表 3所示.

为了对性能对比得到更综合的结论，实验部分还对比了各种颜色空间下运动目标检测中的F值，如表 4所示.

表 3和表 4表明，本文提出的结合自组织映射和RGB颜色空间的算法，其实验结果明显优于RGB，HSV空间；对于YCbCr模型也具有一定的优势.

同时，本文提出的改进RGB颜色空间较之实验中的对比项具有更强的稳定性.

3. 结语

随着数字视频在各个领域的广泛普及和应用，运动目标识别作为视频处理的关键技术，其重要性越来越得到彰显.现有的颜色空间在视频色彩还原上或多或少会存在一定的失真，因此如何更加保真地还原数字视频真实的色彩也成为目前急需解决的难题.本文在经典RGB空间的基础上对各颜色分量赋予不同的权重，并结合自组织映射形成新的视频运动目标检测算法.实验结果表明，本文提出的改进颜色空间对提高运动目标检测性能有明显的辅助作用，并且具有可靠的检测准确率.

由于视频的环境复杂多变，例如夜间环境光线昏暗，或者拍照角度等问题使得在很多情况下，前景和背景区分十分艰难.因此，后期需要提取运动目标更多、更有效的特征来实现更精准的运动目标检测.

Figure (1) Table (4) Reference (13)

Name
	Name cannot be empty!
E-mail
	Mailbox cannot be empty! Mailbox cannot be empty!
Telephone
	Mobile number cannot be empty! Please enter a valid mobile number!
Title

Content
Verification Code

[1]	杨夏.基于嵌入式Linux的运动目标跟踪视频监控系统[J].西南师范大学学报(自然科学版), 2016, 41(11):148-154. Google Scholar
[2]	蔡荣太, 吴元昊, 王明佳, 等.视频目标跟踪算法综述[J].电视技术, 2010, 34(12):135-142. doi: 10.3969/j.issn.1002-8692.2010.12.042 CrossRef Google Scholar
[3]	丁莹, 钱锋, 范静涛, 等.基于不同颜色空间的运动目标检测算法分析[J].长春理工大学学报(自然科学版), 2012, 35(4):1-4. doi: 10.3969/j.issn.1672-9870.2012.04.001 CrossRef Google Scholar
[4]	MALACARA D.Color Vision and Colorimetry:Theory and Applications, Second Edition[M].Bellingham:SPIE Press, 2012. Google Scholar
[5]	杨会锋, 曹洁, 帅立国.一种改进的运动目标检测方法[J].计算机工程与应用, 2012, 48(20):206-210. doi: 10.3778/j.issn.1002-8331.2012.20.043 CrossRef Google Scholar
[6]	LISSNER I, URBAN P.Toward a Unified Color Space for Perception-Based Image Processing[J].IEEE Transactions on Image Processing, 2012, 21(3):1153-1168. doi: 10.1109/TIP.2011.2163522 CrossRef Google Scholar
[7]	赵红雨, 吴乐华, 史燕军, 等.基于HSV颜色空间的运动目标检测方法[J].现代电子技术, 2013, 36(12):45-48. doi: 10.3969/j.issn.1004-373X.2013.12.014 CrossRef Google Scholar
[8]	GUAN Tao, ZHOU Dong-xiang, XU Chao, et al, A Novel RGB Fourier Transform-Based Color Space for Optical Microscopic Image Processing[J].Robotics and Biomimetics, 2015, 35(3):1-8. Google Scholar
[9]	黎洪松, 许宝华.一种用于视频对象编码的运动模式识别方法[J].电子学报, 2007, 35(12):2324-2328. doi: 10.3321/j.issn:0372-2112.2007.12.018 CrossRef Google Scholar
[10]	胡振邦.基于Latent SVM的人体目标检测与跟踪方法研究[D].武汉: 中国地质大学, 2013. Google Scholar
[11]	MADDALENA L, PETROSINO A.A Self-Organizing Approach to Background Subtraction for Visual Surveillance Applications[J].IEEE TRANSACTIONS ON IMAGE PROCESSING, 2008, 17(7):1168-1177. doi: 10.1109/TIP.2008.924285 CrossRef Google Scholar
[12]	JIRKA V, FEDER M, PAVLOVICOVA J, et al.Face Recognition System with Automatic Training Samples Selection Using Self-Organizing Map[C].Zadar: The 56th International Symposium of ELMAR, 2014. Google Scholar
[13]	WU Yi-leh, TANG Cheng-yuan, YEH Yuan-ming, etal. Using Hilbert Scan on Statistical Color Space Partitioning[J].Computers & Electrical Engineering, 2013, 39(3):957-969. Google Scholar

Message Board

Moving Object Detection in Video Based on RGB Color Space

Abstract

References

Access History

通讯作者: 陈斌, bchen63@163.com

Article Metrics

Access History

Other Articles By Authors