【計算機視覺】【視頻開發】智能視頻分析中的光照強度忽然變化的處理方法

在智能視頻分析系統的研究過程當中，尤爲是對於一些工程應用來講，光照的忽然變化是一個很棘手的問題。儘管，很多學者對光照的忽然變化進行了大量的研究，並且也提出了相關的光照不變的算法（illumination invariant），對解決這類問題提供了必定的思路。通常都是經過計算光照不變特徵來實現，文章包括：

      1）An Illumination Invariant Change Detection Algorithm.

      2）Bayesian Illumination-Invariant Motion Detection.

      3）robust and illumination invariant change detection based on linear dependence for surveillance application.

      4）reflectance ratio-a photometric invariant for object recognition_ICCV93.

      5）computing reflectance ratios from an image_PR93.

      6）Color Invariant Edge Detection

      7）Learning Photometric Invariance for Object Detection-IJCV2010

      8）making background subtraction robust to sudden illumination changes

      9）Object Detection Using Local Difference Patterns.

       儘管，以上論文中的方法都聲稱對光照變化具備不變性，可是在實際中，有不少是靠不住的，可能說對緩慢光照的變化具備必定的魯棒性更準確。有些算法的複雜度也是可待商榷的（如making background subtraction robust to sudden illumination changes）。

       根據實際狀況，本文提出兩種解決光照忽然變化的方法，一是多模式的背景模型，二是背景重建，我想這也應該是工程中應用較多的途徑和思路吧。

       多模式背景模型就是對一個場景創建多種環境下的背景模型，算法檢測環境的變化，自動選擇背景模型。如對於光照條件正常的狀況創建一個背景模型，進行保存；而對於背景較暗的狀況創建一個背景模型，也進行保存；若是有多種狀況，就創建多個背景模型。（而對於緩慢的光照變化如今應該有不少算法可以處理）。

      而對另外的背景重建的思路，如今已經有至關廣泛的算法可以就一幀創建起背景模型（如SOBS、VIBE等）。在檢測到有忽然光照變化的狀況下，就進行背景模型的重建，接着對運動進行檢測。然而，在這種狀況下，比較棘手的問題是如何判斷光照的變化，不少論文上說的採用前景像素佔整個圖像大小的比例做爲依據，然而該方法在實際中也經常誤判率較高。本文介紹一種思路，並且通過試驗也很不錯，相比比率方法有了很多提升。

        思路以下：將整個圖片進行分塊，統計每一塊的前景像素個數，當某塊的前景像素大於某一個閾值時，則計數器+1，依次遍歷整個圖像，統計獲得計數器的值，計算機計算器與整個圖像塊數的比值，比值大於某一閾值，則判斷爲光照突變。

         核心代碼以下：

        1）圖像分塊

// winSize default 32  
void buildGrid( const Mat& input, vector<Rect>& grid, int winSize=32  )  
{     
    grid.clear();  
    int height = input.rows;  
    int width = input.cols;  
    Rect rc;  
    for ( int i=0; i<height; i=i+winSize)  
    {  
        for ( int j=0; j<width; j=j+winSize )  
        {  
            rc.y = i;  
            rc.x = j;     
            if (rc.x + winSize>width-1)  
                rc.width = width-rc.x-1;  
            else  
                rc.width = winSize;  
            if (rc.y+winSize>height)  
                rc.height = height-rc.y-1;  
            else  
                rc.height = winSize;  
            grid.push_back(rc);               
        }  
    }         
}  

2）計算比值

// winSize default 32, ratio default 1.0/winSize  
bool isSuddenChange( const  vector<Rect>& grid, Mat& foreground, int winSize=32, double ratio=1.0/32.0)  
{  
    int count = 0;  
    int gridSize = grid.size();  
  
    for ( int i=0; i<gridSize; ++i )  
    {  
        int nonZero = countNonZero( foreground(grid[i]));  
        double _r = double(nonZero)/(double)(winSize*winSize);  
        //if ( nonZero>32)  
        if ( _r> ratio)  
            count++;          
    }  
    double ratio = (double)count/(float)gridSize;  
    cout<<" NonZero ratio: "<<ratio<<endl;  
    if ( ratio > 0.60 )  
    {  
        imwrite("fore.jpg",foreground);  
        return true;  
    }  
    return false;  
}  

轉載請註明出處：http://blog.csdn.net/kezunhai