2024年4月23日发(作者：琦叶)
ＣＮ４３—１２５８／ＴＰ
ＩＳＳＮ １ＯＯ７ ｌ３ＯＸ
计算机工程与科学
ＣＯＭＰＵＴＥＲ ＥＮＧＩＮＥＥＲＩＮＧ＆ＳＣＩＥＮＣＥ
２０１２年第３４卷第４期
Ｖｏ１．３４，Ｎｏ．４。２Ｏ１２
文章编号：１００７—１３０Ｘ（２０１２）０４—００４３—０４
一
种动态场景下运动对象分割新算法
Ａ Ｎｏｖｅｌ Ａｐｐｒｏａｃｈ ｆｏｒ Ｍｏｖｉｎｇ Ｏｂｊ ｅｃｔ
Ｓｅｇｍｅｎｔａｔｉｏｎ Ｕｓｅｄ ｉｎ Ｄｙｎａｍｉｃ Ｓｃｅｎｅｓ
马志强，张晓燕，朱子健，张锐
ＭＡ Ｚｈｉ—ｑｉａｎｇ，ＺＨＡＮＧ Ｘｉａｏ－ｙａｎ，ＺＨＵ Ｚｉ－ｊ ｉａｎ，ＺＨＡＮＧ Ｒｕｉ
（空军工程大学电讯工程学院网络工程系。陕西西安７１００７７）
（Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｎｅｔｗｏｒｋ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｃｈｏｏｌ ｏｆ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，
Ａｉｒ Ｆｏｒｃｅ Ｅｎｇｉｎｅｅｒｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ ７１００７７。Ｃｈｉｎａ）
摘要：视频运动对象分割是计算机视觉和视频处理的基本问题。在摄像机存在全局运动的动态场
景下，准确分割运动对象依然是难点和热点问题。本文提出一种基于全局运动补偿和核密度检测的动态
场景下视频运动对象分割算法。首先，提出匹配加权的全局运动估计补偿算法，消除动态场景下背景运动
对运动对象分割的影响；其次，采用非参数核密度估计方法分别估计各像素属于前景与背景的概率密度，
通过比较属于前景和属于背景的概率及形态学处理得到运动对象分割结果。实验结果证明，该方法实现
简单，有效地提高了动态场景下运动对象分割的准确性。
Ａｂｓｔｒａｃｔ：Ｖｉｄｅｏ ｍｏｖｉｎｇ ｏｂｊ ｅｃｔ ｓｅｇｍｅｎｔａｔｉｏｎ ｉｓ ａ ｂａｓｉｃ ｐｒｏｂｌｅｍ ｏｆ ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ ａｎｄ ｖｉｄｅｏ ｐｒｏｃｅｓｓ—
ｉｎｇ．Ｉｎ ｔｈｅ ｖｉｄｅｏ ｓｅｑｕｅｎｃｅｓ ｏｆ ａ ｄｙｎａｍｉｃ ｓｃｅｎｅ ｗｈｉｃｈ ｈａｓ ｇｌｏｂａｌ（ｃａｍｅｒａ）ｍｏｔｉｏｎ，ａｃｃｕｒａｔｅ ｍｏｖｉｎｇ ｏｂ
ｊ ｅｃｔ ｓｅｇｍｅｎｔａｔｉｏｎ ｉｓ ｓｔｉｌｌ ａ ｋｅｙ ａｎｄ ｈｏｔ ｒｅｓｅａｒｃｈ ｔｏｐｉｃ．Ａ ｎｏｖｅｌ ｖｉｄｅｏ ｍｏｖｉｎｇ ｏｂｊ ｅｃｔ ｓｅｇｍｅｎｔａｔｉｏｎ ａｌｇｏ—
ｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｇｌｏｂａｌ ｍｏｔｉｏｎ ｃｏｍｐｅｎｓａｔｉｏｎ ａｎｄ ｎｏｎ—ｐａｒａｍｅｔｒｉｃ ｋｅｒｎｅｌ ｄｅｎｓｉｔｙ ｅｓｔｉｍａｔｉｏｎ ｉｓ ｐｒｏｐｏｓｅｄ ｉｎ
ｔｈｉｓ ｐａｐｅｒ．Ｆｉｒｓｔｌｙ，ａｎ ｅｆｆｉｃｉｅｎｔ ａｎｄ ａｃｃｕｒａｔｅ ｇｌｏｂａｌ ｍｏｔｉｏｎ ｃｏｍｐｅｎｓａｔｉｏｎ ｍｅｔｈｏｄ ｉｓ ｕｓｅｄ ｔｏ ｒｅｍｏｖｅ ｔｈｅ
ｍｏｔｉｏｎ ｏｆ ｔｈｅ ｂａｃｋｇｒｏｕｎｄ．Ｔｈｅｎ ｔｈｅ ｎｏｎ—ｐａｒａｍｅｔｒｉｃ ｋｅｒｎｅｌ ｄｅｎｓｉｔｙ ｅｓｔｉｍａｔｉｏｎ ｉｓ ａｐｐｌｉｅｄ ｔｏ ｅｓｔａｂｌｉｓｈ
ｆ０ｒｅｇｒｏｕｎｄ／ｂａｃｋｇｒｏｕｎｄ ｐｒｏｂａｂｉｌｉｔｙ ｍｏｄｅｌｓ．Ｆｉｎａｌｌｙ，ｔｈｅ ｍｏｖｉｎｇ ｏｂｊｅｃｔ ｃａｎ ｂｅ ｏｂｔａｉｎｅｄ ｂｙ ｃｏｍｐａｒｉｎｇ ｔｈｅ
ｆｏｒｅｇｒ０ｕｎｄ／ｂａｃｋｇｒｏｕｎｄ ｐｒｏｂａｂｉｌｉｔｙ ａｎｄ ｍｏｒｐｈｏｌｏｇｉｃａｌ ｐｏｓｔ—ｐｒｏｃｅｓｓｉｎｇ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｄｅｍ—
ｏｎｓｔｒａｔｅ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ａｌｇｏｒｉｔｈｍ ｈａｓ ｇｏｏｄ ｒｅｓｕｌｔｓ ａｎｄ ｒｅｄｕｃｅｓ ｔｈｅ ｃｏｍｐｌｅｘｉｔｙ ｏｆ ｍｏｖｉｎｇ ｏｂｊ ｅｃｔ ｓｅｇ—
ｍｅｎｔａｔｉｏｎ ｉｎ ｄｙｎａｍｉｃ ｓｃｅｎｅｓ．
关键词：动态场景；运动对象；运动补偿；核密度检测
Ｋｅｙ ｗｏｒｄｓ：ｄｙｎａｍｉｃ ｓｃｅｎｅ；ｍｏｖｉｎｇ ｏｂｊ ｅｃｔ；ｍｏｔｉｏｎ ｃｏｍｐｅｎｓａｔｉｏｎ；ｋｅｒｎｅｌ ｄｅｎｓｉｔｙ ｅｓｔｉｍａｔｉｏｎ
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００７—１３０Ｘ．２０１２．０４．００９
中图分类号：ＴＰ３９１．４ 文献标识码：Ａ
关键环节，也是视频标准ＭＰＥＧ一４及ＭＰＥＧ一７的
引言
视频运动对象分割是视频处理到视频分析的
首要步骤和前提，在模式识别、计算机视觉等领域
有着广阔的应用前景。在实际应用中，为了扩大视
频流中的信息量，摄像机不可避免产生缩放、平移
收稿日期：２０ｌ１】１—０５；修订日期：２０１２－０２—１０
基金项目：博士后科学基金特别资助项目（２０１１０４７８７）；博士后科学基金资助项目（２０１００４７１８３８）；陕西省自然基金资助项目
（２０１ＯＪＭ８Ｏ１４）
通讯地址：７１００７７陕西省西安市空军工程大学电讯工程学院网络工程系张晓燕
Ａｄｄｒｅｓｓ：Ｄｅｐａｒｔｒｒｍｎｔ ｏｆ Ｎｅｔｗｏｒｋ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｃｈｏｏｌ ｏｆ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ａｉｒ Ｆｏｒｃｅ Ｅｎｇｉｎｅｅｒｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ．
Ｓｈａａｎｘｉ ７１００７７，Ｐ．Ｒ．Ｃｈｉｎａ
４４
和旋转等运动。由摄像机运动产生的全局运动使
得视频序列具有了动态场景。较之静态背景，动
态场景下的视频序列既包含图像的整体运动即全
局运动，又包含视频运动对象的个体运动即局部运
动，使得从动态场景中提取出运动对象变得非常复
杂，因此动态场景下视频运动对象的准确分割成为
了当前应用视觉领域的热点。
为了在动态场景下分割出视频运动对象，
Ｔｓａｉｇ提出了一种首先使用透射模型和基于梯度
的技术进行帧间运动补偿，再进行分水岭分割，最
后利用马尔可夫随机域模型进行聚类处理的方
法 ］。Ｍａｄｄａｌｅｎａ提出了一种基于自组织人工神
经网络的视频前景分割算法 ｊ，可实现背景运动、
光照变化条件下前景对象的分割，该方法主要适用
于视频监控系统。吴思提出了一种基于动态背景
构造的视频运动对象自动分割算法 。该算法有
效地克服了显露背景和对象的不规则运动对分割
准确度的影响，能够准确地实现视频运动对象的自
动分割。田宏阳提出了一种基于运动估计和图形
金字塔的动态场景下的视频对象提取算法 。该
算法首先引入了相位相关法求取运动向量，避免了
视频序列中光照变化的影响，接着再根据参数模型
进行伞局运动估计来得到最终运动模板，然后利用
图形金字塔算法对当前模板内图像区域进行空间
分割，最终提取出语义视频对象。这些算法都有效
地实现了动态场景下视频运动对象的分割，但算法
复杂性高，影响实际运用。本文提出了一种基于全
局运动估 ‘和核密度检测的动态场景下视频运动
对象分割算法，降低了算法的复杂度，得到了较好
的分割结果。
２ 匹配加权的全局运动估计与补偿
一
般的伞局运动模 主要有二参数的平动模
型、四参数的相似变换模型、六参数的仿射变换模
型、八参数的投影变换模型等。模型参数越多表示
场景的运动越精确，但相应的计算复杂度也越
高 】。由于视频序列帧间运动变化较小，文中采用
六参数的仿射变换模型作为背景运动模型，以在精
度和复杂性之间取得较好的折衷效果，其公式如
下：
｛ ：＝一 ￣ｒ＋ｑ－ ｂｙ ４＋：－≥ ｃ
其中，参数“、６ 、ｄ控制旋转与缩放，ｅ、ｆ决定平
移幅度。
计算机工程与科学２０１２，３４（４）
估计全局运动参数Ｐ一［“ ｃ’ｄ ．，］ ，要考
虑到视频图像的特点以及计算的精确性、实时性。
首先，我们把图像从边界处向内收缩１０个像素形
成样本点候选区域，并在该候选区域周围选取样本
点，以便减少边缘和运动对象对全局运动估计的影
响。其次我们选用３２个４×４的小区域为样本点，
提高实时性。
设使用块匹配算法估计出第ｋ帧中样本点
（ ， ）在第ｋ＋１中的位置为（ ， ），而经仿射模
型变换到第ｋ＋１帧的位置为（ ，Ｙ ），设Ｄ为所
选样本点的集合，定义样本点集合的误差函数为：
Ｅ（Ｐ）一∑［（；一ｉ， ） ＋（ ｙ ） ］（２）
（ ， ）ＥＤ
将式（１）代入式（２）得到：
Ｅ（Ｐ）一 ｌ（；一“ —ｂｙ—Ｐ） ＋
（ｆ， ）∈Ｄ
（ 一盯一ｄｙ一／） ＿ｊ （３）
则最优全局运动参数就是使式（３）达到最小值的矢
量Ｐ：
Ｐ 一ａｒｇｍｉｎ Ｅ（Ｐ） （４）
』
最优全局运动参数可通过最小二乘法对式（４）
求最小值得到。为了消除个别运动目标样本点对
带来的误差，提出采用匹配加权函数的方法对结果
进行修正。
令Ｄ 表示式（１）计算出的样本点在第ｋ＋１
帧中的位置集合，Ｄ 表示由块运动估计得到的样
本点在第ｋ＋１帧中位置的集合。定义误差：
ＥＤ—Ｄ Ｄ （５）
令 。、 。分别为Ｅ。的均值和方差。为每一个
样本点分配一个权值ｕ．（Ｄ）：
ｆ１， 一ＩＸｎ Ｉ≤３ ，）
叫（Ｄ）一 ， ∈ＥＤ（６）
ｌ０，ｉ 一 ￡）１≥＞３ ｃｒ『ｊ
由于目标样本点与背景的运动偏差较大，表现
为一些奇异点，其统计特性偏离均值较远。因此，
可通过加权值剔除。
将式（３）修正如下：
Ｅ（Ｐ）一 ∑ （ ， ）Ｅ（２－ ，一 一Ｐ） ＋
（“ｖ）∈，）
（ — ｄｙ
．
，、） （７）
进行迭代估计出全局运动参数。
得到全局运动参数后，根据运动估计所得到的
全局运动参数，在当前帧和前一帧之间作一个相应
的背景对齐的映射变换，消除全局运动所引起的背
景变化。
图１显示了Ｃｏａｓｔｇｕａｒｄ序列的第４４、４５帧图
像以及全局运动估计与补偿前后的帧差图像。
2024年4月23日发(作者：琦叶)
ＣＮ４３—１２５８／ＴＰ
ＩＳＳＮ １ＯＯ７ ｌ３ＯＸ
计算机工程与科学
ＣＯＭＰＵＴＥＲ ＥＮＧＩＮＥＥＲＩＮＧ＆ＳＣＩＥＮＣＥ
２０１２年第３４卷第４期
Ｖｏ１．３４，Ｎｏ．４。２Ｏ１２
文章编号：１００７—１３０Ｘ（２０１２）０４—００４３—０４
一
种动态场景下运动对象分割新算法
Ａ Ｎｏｖｅｌ Ａｐｐｒｏａｃｈ ｆｏｒ Ｍｏｖｉｎｇ Ｏｂｊ ｅｃｔ
Ｓｅｇｍｅｎｔａｔｉｏｎ Ｕｓｅｄ ｉｎ Ｄｙｎａｍｉｃ Ｓｃｅｎｅｓ
马志强，张晓燕，朱子健，张锐
ＭＡ Ｚｈｉ—ｑｉａｎｇ，ＺＨＡＮＧ Ｘｉａｏ－ｙａｎ，ＺＨＵ Ｚｉ－ｊ ｉａｎ，ＺＨＡＮＧ Ｒｕｉ
（空军工程大学电讯工程学院网络工程系。陕西西安７１００７７）
（Ｄｅｐａｒｔｍｅｎｔ ｏｆ Ｎｅｔｗｏｒｋ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｃｈｏｏｌ ｏｆ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，
Ａｉｒ Ｆｏｒｃｅ Ｅｎｇｉｎｅｅｒｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ ７１００７７。Ｃｈｉｎａ）
摘要：视频运动对象分割是计算机视觉和视频处理的基本问题。在摄像机存在全局运动的动态场
景下，准确分割运动对象依然是难点和热点问题。本文提出一种基于全局运动补偿和核密度检测的动态
场景下视频运动对象分割算法。首先，提出匹配加权的全局运动估计补偿算法，消除动态场景下背景运动
对运动对象分割的影响；其次，采用非参数核密度估计方法分别估计各像素属于前景与背景的概率密度，
通过比较属于前景和属于背景的概率及形态学处理得到运动对象分割结果。实验结果证明，该方法实现
简单，有效地提高了动态场景下运动对象分割的准确性。
Ａｂｓｔｒａｃｔ：Ｖｉｄｅｏ ｍｏｖｉｎｇ ｏｂｊ ｅｃｔ ｓｅｇｍｅｎｔａｔｉｏｎ ｉｓ ａ ｂａｓｉｃ ｐｒｏｂｌｅｍ ｏｆ ｃｏｍｐｕｔｅｒ ｖｉｓｉｏｎ ａｎｄ ｖｉｄｅｏ ｐｒｏｃｅｓｓ—
ｉｎｇ．Ｉｎ ｔｈｅ ｖｉｄｅｏ ｓｅｑｕｅｎｃｅｓ ｏｆ ａ ｄｙｎａｍｉｃ ｓｃｅｎｅ ｗｈｉｃｈ ｈａｓ ｇｌｏｂａｌ（ｃａｍｅｒａ）ｍｏｔｉｏｎ，ａｃｃｕｒａｔｅ ｍｏｖｉｎｇ ｏｂ
ｊ ｅｃｔ ｓｅｇｍｅｎｔａｔｉｏｎ ｉｓ ｓｔｉｌｌ ａ ｋｅｙ ａｎｄ ｈｏｔ ｒｅｓｅａｒｃｈ ｔｏｐｉｃ．Ａ ｎｏｖｅｌ ｖｉｄｅｏ ｍｏｖｉｎｇ ｏｂｊ ｅｃｔ ｓｅｇｍｅｎｔａｔｉｏｎ ａｌｇｏ—
ｒｉｔｈｍ ｂａｓｅｄ ｏｎ ｇｌｏｂａｌ ｍｏｔｉｏｎ ｃｏｍｐｅｎｓａｔｉｏｎ ａｎｄ ｎｏｎ—ｐａｒａｍｅｔｒｉｃ ｋｅｒｎｅｌ ｄｅｎｓｉｔｙ ｅｓｔｉｍａｔｉｏｎ ｉｓ ｐｒｏｐｏｓｅｄ ｉｎ
ｔｈｉｓ ｐａｐｅｒ．Ｆｉｒｓｔｌｙ，ａｎ ｅｆｆｉｃｉｅｎｔ ａｎｄ ａｃｃｕｒａｔｅ ｇｌｏｂａｌ ｍｏｔｉｏｎ ｃｏｍｐｅｎｓａｔｉｏｎ ｍｅｔｈｏｄ ｉｓ ｕｓｅｄ ｔｏ ｒｅｍｏｖｅ ｔｈｅ
ｍｏｔｉｏｎ ｏｆ ｔｈｅ ｂａｃｋｇｒｏｕｎｄ．Ｔｈｅｎ ｔｈｅ ｎｏｎ—ｐａｒａｍｅｔｒｉｃ ｋｅｒｎｅｌ ｄｅｎｓｉｔｙ ｅｓｔｉｍａｔｉｏｎ ｉｓ ａｐｐｌｉｅｄ ｔｏ ｅｓｔａｂｌｉｓｈ
ｆ０ｒｅｇｒｏｕｎｄ／ｂａｃｋｇｒｏｕｎｄ ｐｒｏｂａｂｉｌｉｔｙ ｍｏｄｅｌｓ．Ｆｉｎａｌｌｙ，ｔｈｅ ｍｏｖｉｎｇ ｏｂｊｅｃｔ ｃａｎ ｂｅ ｏｂｔａｉｎｅｄ ｂｙ ｃｏｍｐａｒｉｎｇ ｔｈｅ
ｆｏｒｅｇｒ０ｕｎｄ／ｂａｃｋｇｒｏｕｎｄ ｐｒｏｂａｂｉｌｉｔｙ ａｎｄ ｍｏｒｐｈｏｌｏｇｉｃａｌ ｐｏｓｔ—ｐｒｏｃｅｓｓｉｎｇ．Ｔｈｅ ｅｘｐｅｒｉｍｅｎｔａｌ ｒｅｓｕｌｔｓ ｄｅｍ—
ｏｎｓｔｒａｔｅ ｔｈａｔ ｔｈｅ ｐｒｏｐｏｓｅｄ ａｌｇｏｒｉｔｈｍ ｈａｓ ｇｏｏｄ ｒｅｓｕｌｔｓ ａｎｄ ｒｅｄｕｃｅｓ ｔｈｅ ｃｏｍｐｌｅｘｉｔｙ ｏｆ ｍｏｖｉｎｇ ｏｂｊ ｅｃｔ ｓｅｇ—
ｍｅｎｔａｔｉｏｎ ｉｎ ｄｙｎａｍｉｃ ｓｃｅｎｅｓ．
关键词：动态场景；运动对象；运动补偿；核密度检测
Ｋｅｙ ｗｏｒｄｓ：ｄｙｎａｍｉｃ ｓｃｅｎｅ；ｍｏｖｉｎｇ ｏｂｊ ｅｃｔ；ｍｏｔｉｏｎ ｃｏｍｐｅｎｓａｔｉｏｎ；ｋｅｒｎｅｌ ｄｅｎｓｉｔｙ ｅｓｔｉｍａｔｉｏｎ
ｄｏｉ：１０．３９６９／ｊ．ｉｓｓｎ．１００７—１３０Ｘ．２０１２．０４．００９
中图分类号：ＴＰ３９１．４ 文献标识码：Ａ
关键环节，也是视频标准ＭＰＥＧ一４及ＭＰＥＧ一７的
引言
视频运动对象分割是视频处理到视频分析的
首要步骤和前提，在模式识别、计算机视觉等领域
有着广阔的应用前景。在实际应用中，为了扩大视
频流中的信息量，摄像机不可避免产生缩放、平移
收稿日期：２０ｌ１】１—０５；修订日期：２０１２－０２—１０
基金项目：博士后科学基金特别资助项目（２０１１０４７８７）；博士后科学基金资助项目（２０１００４７１８３８）；陕西省自然基金资助项目
（２０１ＯＪＭ８Ｏ１４）
通讯地址：７１００７７陕西省西安市空军工程大学电讯工程学院网络工程系张晓燕
Ａｄｄｒｅｓｓ：Ｄｅｐａｒｔｒｒｍｎｔ ｏｆ Ｎｅｔｗｏｒｋ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｓｃｈｏｏｌ ｏｆ Ｔｅｌｅｃｏｍｍｕｎｉｃａｔｉｏｎ Ｅｎｇｉｎｅｅｒｉｎｇ，Ａｉｒ Ｆｏｒｃｅ Ｅｎｇｉｎｅｅｒｉｎｇ Ｕｎｉｖｅｒｓｉｔｙ，Ｘｉ’ａｎ．
Ｓｈａａｎｘｉ ７１００７７，Ｐ．Ｒ．Ｃｈｉｎａ
４４
和旋转等运动。由摄像机运动产生的全局运动使
得视频序列具有了动态场景。较之静态背景，动
态场景下的视频序列既包含图像的整体运动即全
局运动，又包含视频运动对象的个体运动即局部运
动，使得从动态场景中提取出运动对象变得非常复
杂，因此动态场景下视频运动对象的准确分割成为
了当前应用视觉领域的热点。
为了在动态场景下分割出视频运动对象，
Ｔｓａｉｇ提出了一种首先使用透射模型和基于梯度
的技术进行帧间运动补偿，再进行分水岭分割，最
后利用马尔可夫随机域模型进行聚类处理的方
法 ］。Ｍａｄｄａｌｅｎａ提出了一种基于自组织人工神
经网络的视频前景分割算法 ｊ，可实现背景运动、
光照变化条件下前景对象的分割，该方法主要适用
于视频监控系统。吴思提出了一种基于动态背景
构造的视频运动对象自动分割算法 。该算法有
效地克服了显露背景和对象的不规则运动对分割
准确度的影响，能够准确地实现视频运动对象的自
动分割。田宏阳提出了一种基于运动估计和图形
金字塔的动态场景下的视频对象提取算法 。该
算法首先引入了相位相关法求取运动向量，避免了
视频序列中光照变化的影响，接着再根据参数模型
进行伞局运动估计来得到最终运动模板，然后利用
图形金字塔算法对当前模板内图像区域进行空间
分割，最终提取出语义视频对象。这些算法都有效
地实现了动态场景下视频运动对象的分割，但算法
复杂性高，影响实际运用。本文提出了一种基于全
局运动估 ‘和核密度检测的动态场景下视频运动
对象分割算法，降低了算法的复杂度，得到了较好
的分割结果。
２ 匹配加权的全局运动估计与补偿
一
般的伞局运动模 主要有二参数的平动模
型、四参数的相似变换模型、六参数的仿射变换模
型、八参数的投影变换模型等。模型参数越多表示
场景的运动越精确，但相应的计算复杂度也越
高 】。由于视频序列帧间运动变化较小，文中采用
六参数的仿射变换模型作为背景运动模型，以在精
度和复杂性之间取得较好的折衷效果，其公式如
下：
｛ ：＝一 ￣ｒ＋ｑ－ ｂｙ ４＋：－≥ ｃ
其中，参数“、６ 、ｄ控制旋转与缩放，ｅ、ｆ决定平
移幅度。
计算机工程与科学２０１２，３４（４）
估计全局运动参数Ｐ一［“ ｃ’ｄ ．，］ ，要考
虑到视频图像的特点以及计算的精确性、实时性。
首先，我们把图像从边界处向内收缩１０个像素形
成样本点候选区域，并在该候选区域周围选取样本
点，以便减少边缘和运动对象对全局运动估计的影
响。其次我们选用３２个４×４的小区域为样本点，
提高实时性。
设使用块匹配算法估计出第ｋ帧中样本点
（ ， ）在第ｋ＋１中的位置为（ ， ），而经仿射模
型变换到第ｋ＋１帧的位置为（ ，Ｙ ），设Ｄ为所
选样本点的集合，定义样本点集合的误差函数为：
Ｅ（Ｐ）一∑［（；一ｉ， ） ＋（ ｙ ） ］（２）
（ ， ）ＥＤ
将式（１）代入式（２）得到：
Ｅ（Ｐ）一 ｌ（；一“ —ｂｙ—Ｐ） ＋
（ｆ， ）∈Ｄ
（ 一盯一ｄｙ一／） ＿ｊ （３）
则最优全局运动参数就是使式（３）达到最小值的矢
量Ｐ：
Ｐ 一ａｒｇｍｉｎ Ｅ（Ｐ） （４）
』
最优全局运动参数可通过最小二乘法对式（４）
求最小值得到。为了消除个别运动目标样本点对
带来的误差，提出采用匹配加权函数的方法对结果
进行修正。
令Ｄ 表示式（１）计算出的样本点在第ｋ＋１
帧中的位置集合，Ｄ 表示由块运动估计得到的样
本点在第ｋ＋１帧中位置的集合。定义误差：
ＥＤ—Ｄ Ｄ （５）
令 。、 。分别为Ｅ。的均值和方差。为每一个
样本点分配一个权值ｕ．（Ｄ）：
ｆ１， 一ＩＸｎ Ｉ≤３ ，）
叫（Ｄ）一 ， ∈ＥＤ（６）
ｌ０，ｉ 一 ￡）１≥＞３ ｃｒ『ｊ
由于目标样本点与背景的运动偏差较大，表现
为一些奇异点，其统计特性偏离均值较远。因此，
可通过加权值剔除。
将式（３）修正如下：
Ｅ（Ｐ）一 ∑ （ ， ）Ｅ（２－ ，一 一Ｐ） ＋
（“ｖ）∈，）
（ — ｄｙ
．
，、） （７）
进行迭代估计出全局运动参数。
得到全局运动参数后，根据运动估计所得到的
全局运动参数，在当前帧和前一帧之间作一个相应
的背景对齐的映射变换，消除全局运动所引起的背
景变化。
图１显示了Ｃｏａｓｔｇｕａｒｄ序列的第４４、４５帧图
像以及全局运动估计与补偿前后的帧差图像。