APP下载

基于背景模型的AVS-S编码

2021-01-15桑爱军张汉宇

关键词:像素点均值编码

桑爱军, 于 欢,2, 张汉宇

(1.吉林大学 通信工程学院, 吉林 长春 130022; 2.上海无线电设备研究所, 上海 201109 )

随着人们对安全意识的增强,监控视频的普及程度越来越高[1-4].如何能够提高监控视频的编码效率,是该领域所面临的一系列重要挑战.通常监控视频[5-7]有以下特点:固定的摄像头位置,光线变化呈一定规律性,场景变化少.根据这些特点,人们主要采用面向对象的编码方法[8-11]、基于感兴趣区域的编码优化方法和背景参考图像的编码优化方法[12-15]来解决监控视频中的编码问题.监控视频一般工作时间都是持续的,并且时间很长,为了减少监控视频工作的时间,选择合适的编码技术进行编码在实际应用中有很重要的意义.AVS监控伸展档次,即AVS-S,在该框架中有背景帧(G帧)和背景预测帧(S帧),其中G帧是帧内预测编码时所使用的背景图像,用来显示场景信息,为S帧提供背景信息;S帧大大提高了监控视频的编码效率.该方法主要是通过消除监控视频中的背景冗余实现的.

本文在AVS-S的编码框架之下,提出一种新的背景帧更新方法,即迭代更新均值法(iterative update average,IUA),该方法进一步加强了背景信息的完整性和提高了背景帧的质量,提升了监控视频的编码效率.

1 背景帧(G帧)更新

1.1 建立背景模型的理论基础

在任意一监控视频中,取某一像素点在一定范围的连续帧内的全部像素值组成集合A,则集合A内的所有数据是一组分类数据.分类数据是统计学中一种反映事物类别的数据,是离散数据.集合A中不同性质的数据之间相互独立,同一性质的数据之间具有相关性,因此可以根据数据之间的关系完成对集合A的分组.分组后集合A中包括众数组和非众数组,通过异众比率可以判定每个数组的性质.

异众比率是指非众数出现的频数占总频数的比例,即

(1)

其中:V0表示异众比率;f0为众数组的频数;N为总频数.当V0越小时,非众数组的频数在总频数中占比越小,说明众数组中的像素值是背景像素值的概率越大;当V0越大时,众数组的频数在总频数中占比越小,说明众数组中的像素值成为前景像素值的概率越大.保留背景像素值,建立最终的背景模型.

1.2 影响背景帧质量的因素

在监控视频编码的过程中,背景帧的质量越好,最终的编码效率越高.而影响背景帧质量的因素有以下两种:

1)训练集长度将会影响背景帧的质量.要想提高背景模型的质量和不断改善建模的效果,就要有充足的可参考实验数据和足够长的训练集长度,G帧更新的方法正好可以满足这两点要求.但是由于运动目标出现的不确定性,所以对建模效果也会有不同程度的影响.因此背景模型的质量与训练集的长度不成正比.

2)前景目标的运动速度将会影响背景帧的质量.在测试视频中,物体停留在某一像素点区域的时间由物体的运动速度决定,对建模效果也会有不同程度的影响,物体运动越快,影响越小,反之则相反.故要消除慢速运动的物体对背景模型的影响更困难.

2 迭代更新均值法

2.1 基本原理

迭代更新均值法通过众数将数据进行分组.根据异众比率判定该组数据的状态,并根据像素点状态的不同选择不同的处理方法,得到最终的背景模型.

根据对当前像素点的性质进行判定的结果共有三种,分别是仅受光照、受快速运动物体以及慢速运动物体影响的像素点.仅受光照影响的像素点的影响因素为光照的自然变化;快速运动的物体经过像素点停留时间短,对建模效果影响小;慢速运动物体与快速运动物体情况相反.迭代更新均值法对不同性质的像素点采用相对应的处理方法,尽可能减少对建模效果的影响,保留更为准确的背景像素值.

“这种说法属于偷换概念。”湖北省中医医院老年病科学科主任医师谭子虎介绍说,冬天因为晒太阳少导致人体骨骼出现的钙流失等问题,完全可以通过春、夏、秋3个季节弥补回来。骨头变脆是一个长时间渐变的过程。冬天骨折多可能与冬季地面变得坚硬,且与人们衣服穿得比较厚、行动笨拙,在冰雪天容易滑倒有关,中老年人尤其如此。因而,冬天比其他季节更容易让人滑倒和骨折,但并不能因此就说冬天骨头会变脆。

2.2 具体步骤

1)初始化.创建数据集,其长度为M,数据集用来存放前M帧数据,即

I={It(x,y),It+1(x,y),…,It+M-1(x,y)} .

其中,It(x,y)表示t时刻(x,y)处的像素值,从I中求得众数,将其记为T.

2)选择阈值.记μ为均值,σ2为方差,则对应的正态分布为

(2)

根据正态分布的3σ准则,x分布在(μ-3σ,μ+3σ)的概率为0.997 4,故将作为3σ阈值来判定像素点性质,阈值设置为14.

3) 数据判定及分组.当前像素值It(x,y)根据式(3)判定其状态,若式(3)成立,则Ft(x,y)记为1,否则记为0.其中,Ft(x,y)见文献[16],为当前像素点状态判定标志,该标志的值用于后续的背景像素点的判定.

(It(x,y)-T)2<14.

(3)

4)求得当前像素点的背景像素值.若当前满足式(3)的像素点数大于训练集长度L的一半时,则将满足式(3)的所有像素的均值作为背景像素值;若满足式(3)的像素点数小于训练集长度L的一半且存在连续30帧,Ft(x,y)的数值均为1,则判定当前位置有运动物体长时间停留;将Ft(x,y)=0的所有像素值的均值作为背景像素值,否则背景像素值为训练集中该像素点所有像素值的均值.

5)循环步骤1)~4)直至遍历训练集所有像素点,得到最终的背景模型.

2.3 参数选取

迭代更新均值法中当前像素点的长度为K,而训练集的长度为L(K

选择不同长度的训练集和判定像素值状态的数据集,长度分别用L和K表示,本实验取L为100,200,K为10,50,在此数据条件下观察背景模型效果.图1~图3分别是视频训练集Classover,Crossroad和Overbridge在此数据下的实验仿真结果,图中方框是不同训练集、不同训练长度及不同当前像素点条件下得到的运动目标.

图1 训练集Classover下的背景模型

图2 训练集Crossroad下的背景模型

图3 训练集Overbridge下的背景模型

通过直观地观察和客观的实验结果分析可以得出,在当前像素点的长度和训练集长度分别为K=50,L=200条件下,可以获得最佳的背景模型效果.因此迭代更新均值法中的参数选取为L=200,K=50.

3 实验结果及分析

在AVS-S框架中,选取分段加权滑动平均值法(SWRA)、均值法(AV)以及混合高斯背景建模法(GMM)在训练集长度为200所生成的背景模型,同迭代更新均值法(IUA)所生成的背景模型进行比较,如图4~图6所示,图中方框为不同方法在不同训练集条件下得到的运动目标.从图中可看出,IUA所生成的背景模型在主观质量上要优于其他方法所生成的背景模型,并且SWRA方法生成的背景模型要优于AV和GMM方法.为了更进一步地观察背景帧质量对监控视频编码效率的影响,对编码效率进行以下数据分析.

本文实验中全部测试视频来自PKU-SVD-A,仿真软件为AVS-S编解码软件的官方版本RM09.13-v3.将AVS-S框架下的IUA和SWRA以及AVS基准档次在不同监控视频下进行编码效率对比.码率与峰值信噪比的关系曲线如图7所示,生成率失真曲线相关数据以及实验参数设置见文献[16].根据图7可以得出,在三种不同监控视频下,IUA编码性能优于其他两种编码方法,其中峰值信噪比越大编码性能越好,码率是单位时间内视频传输的数据量,单位为Kb/s,码率值越大,视频中信息量越大.对三种编码方式进行数值分析,如表1所示,评价指标为BDBR和BD-PSNR[17].BDBR表示在相等的峰值信噪比下,在率失真曲线中画一条水平线,得到的两种方法码率节省情况,即水平方向分析编码性能;BD-PSNR表示在相同的码率下,在率失真曲线中画一条垂直线,得到的两种方法峰值信噪比差异,即垂直方向分析编码性能.客观分析与直观观察结果保持一致,通过表1分别计算三种视频中得出的BDBR和BD-PSNR平均值,得出本文方法的G帧比SWRA方法平均节省码率12.402%,平均峰值信噪比提高0.363 dB;同理,与AVS基准档次相比平均节省码率43.283%,平均峰值信噪比提高1.186 dB.

图4 不同方法在训练集Crossroad下所生成的背景模型

图5 不同方法在训练集Overbridge下所生成的背景模型

图6 不同方法在训练集Classover下所生成的背景模型

图7 不同训练集下编码性能对比

表1 本文方法与各编码方法比较

4 结 论

在AVS的编码框架下,本文提出一种新的G帧更新方法,即迭代更新均值法.该方法可以很好地区分不同运动速度的物体,从而得到视频中较为完整的背景信息,提高了背景帧的质量,并且在同等码率和相同峰值信噪比的条件下,G帧更新方法的编码效率要优于AVS基准档次方法和分段加权滑动平均值法,是一种更加高效的编码方法.

猜你喜欢

像素点均值编码
生活中的编码
长链非编码RNA APTR、HEIH、FAS-ASA1、FAM83H-AS1、DICER1-AS1、PR-lncRNA在肺癌中的表达
基于局部相似性的特征匹配筛选算法
均值—方差分析及CAPM模型的运用
均值—方差分析及CAPM模型的运用
Genome and healthcare
一种X射线图像白点噪声去除算法
基于canvas的前端数据加密
浅谈均值不等式的应用
图像采集过程中基于肤色理论的采集框自动定位