LSAC模型：基于阈值分割的人体目标检测法

热红外图像中人体目标灰度一般比背景高，但是环境中还常常存在温度比人体更高的物体，例如点亮的电灯、运行的机器、开动的汽车等，它们在图像中的灰度比人体高。因此，使用双阈值法可以在排除暗背景的同时也排除这些高亮的干扰目标，对检测出图像中的人体目标有利。令L和U（0≤L＜U≤255）为所用的双阈值，采用Maadi et al.［89］线性更新法，L和U可按下式确定：

其中，χ，υ分别为ft帧像素灰度的平均值和标准差，ξ为与图像对比度和噪声水平有关的参数，其取值范围为（0，1］。

基于L和U，可定义函数

当z∈（L，U）时，J（z）＞0；当z∉（L，U）时，J（z）≤0。

基于J（z）函数，定义能量泛函

其中，为LSF，为活动轮廓曲线（即的零水平集）。

当式（3.48）达到极小时，ft帧中灰度在（L，U）范围内的像素全部汇聚到内部区域，形成目标区域，其余像素则形成背景区域。若将人体灰度限定在L和U之间，则ft帧中可能为人体的所有区域可通过极小化获得。(www.xing528.com)

运用变分原理，可得式（3.48）对应的梯度下降流方程为

同样运用3.3.2节所述的快速数值算法求解，若解为，则ft中可能的人体区域为

图3.24演示了该静态检测模型的运行效果。其中，图3.24（a）为测试图像，图中除人体目标外，还包含高灰度的车轮区域；图3.24（b）为LSF初始值；图3.24（c）为L=129，U=180时的模型解；图3.24（d）显示了最终轮廓曲线位置及目标区域。可见模型在排除低灰度背景区的同时也成功排除了高亮的车轮区域。

图3.24　基于阈值法的LSAC模型的分割效果示例