基于紋理特征的穿梭分析系統(tǒng)動物檢測算法①

張京愛， 王興軍， 胡青松

(1.淮北師范大學(xué)物理與電子信息學(xué)院，淮北 235000;2.中國礦業(yè)大學(xué)信息與電氣工程學(xué)院，徐州221116;3.山東匯勝集團股份有限公司，濰坊 261201)

觀察實驗動物在接受不同處理方法(如手術(shù)、使用不同的藥物或者使用不同劑量的特殊藥物)之后動物行為的改變程度，對被測試藥物樣品作出科學(xué)評價.穿梭實驗是定量測定動物行為學(xué)改變的重要手段，穿梭是指如果動物在規(guī)定時間內(nèi)對某一特定信號(如燈光、聲音)不發(fā)生反應(yīng)，則給予懲罰性刺激(常用電刺激)，使動物穿梭至對側(cè)安全區(qū)，在一定時間內(nèi)反復(fù)訓(xùn)練后則可形成主動逃避反應(yīng).穿梭實驗接近反應(yīng)動物復(fù)雜學(xué)習(xí)記憶形成過程，是研究小型動物學(xué)習(xí)記憶行為最好的行為學(xué)測試方法之一.

隨著硬件和軟件技術(shù)的不斷發(fā)展，基于圖像分析技術(shù)的動物行為分析代表了當(dāng)前動物行為分析手段發(fā)展的主流趨勢[1～4].采用圖像處理技術(shù)進行穿梭實驗時，往往在實驗箱頂部安裝攝像頭，采集到的圖片如圖1所示，實驗箱底部為可加電的金屬柵，整個實驗箱可以分為左右兩個箱體，其間有一通道可讓實驗動物穿過.當(dāng)動物位于錯誤區(qū)域時可以通過對該區(qū)域加電來促使實驗動物穿梭至對方的安全區(qū)域，在這過程中自動記錄動物的運動軌跡就可分析其行為偏好.

圖1 穿梭分析系統(tǒng)拍攝示例

綜上所述，實驗的關(guān)鍵在于對實驗動物進行準(zhǔn)確的檢測.由于實驗環(huán)境往往為開放的，不可避免地受到光照變化等因素的影響;因此采用通用的背景減除法不能滿足實驗的需求.通過分析實驗箱圖像(圖1(a))和動物圖像(圖1(b))可以發(fā)現(xiàn)，實驗箱圖像呈現(xiàn)較為規(guī)律的柵格紋理，而實驗動物圖像則較為平滑，其紋理特征與實驗箱有明顯差異，并且紋理特征對于光照變化具有較好的魯棒性.基于此本文提出采用局部二值模式(local binary pattern，LBP)紋理特征來進行背景建模方法，以克服光照變化的影響，在此基于上研發(fā)一種快速準(zhǔn)確的實驗動物檢測方法來滿足穿梭分析實驗的需求.

1 LBP紋理特征概述

紋理是物體表面的固有特征之一，可認為是灰度(顏色)在空間以一定的形式變化而產(chǎn)生的模式，相對灰度特征，紋理特征對光照變化等具有更好的魯棒性.LBP紋理特征是一種由Ojala等[5]提出用來描述圖像局部紋理特征的算子，其基本計算思路是求中心像素點與其鄰域內(nèi)的像素點的灰度差值，并對其按照某一閾值進行二值化，從而得到一系列的二進制編碼.LBP紋理特征具有灰度不變性.它計算簡單，分類能力強，在描述紋理特征提取方面有著顯著的效果.

假設(shè)在半徑為R的窗口領(lǐng)域上共有P個像素點，則可用這些像素點的聯(lián)合分布 T=t(gc，g0，…gP－1)來描述圖像的LBP紋理.其中g(shù)c表示窗口中心像素的灰度值，gp(p=0，1，…，P－1)則對應(yīng)窗口內(nèi)與中心像素距離為R的P個像素點的灰度值;由此可以看出，當(dāng)(P，R)取不同值時可以得到不同的LBP算子.

圖2 穿梭系統(tǒng)動物檢測過程示意圖

在計算LBP算子時，首先用P個鄰域像素點灰度值gp(p=0，1，…，P－1)減去中心像素點的灰度值gc，得到:

假設(shè)gc和gp在概率上相互獨立，則上式可近似分解為

忽略掉t(gc)，則有:

將上述的灰度差值二值化，此處可用中心像素與鄰域像素差值的符號函數(shù)來描述局部窗口內(nèi)的紋理，即

其中s為符號函數(shù)

通過公式(5)則可將公式(4)表達為一個0/1序列，采用逆時針方向，以中心像素點的右鄰域像素為起始點，通過給每一項s(gp－gc)賦予加權(quán)因子2p，可以得到描述該局部空間紋理特征的唯一的十進制數(shù)，該十進制數(shù)被稱為 LBPP，R數(shù)，該 LBPP，R數(shù)即為所求的LBP紋理特征值，其可通過下式來獲得:

根據(jù)美國核管會(NRC)的分類，碳化硅包殼是美國正在研發(fā)的遠期耐事故燃料技術(shù)方案之一。核管會將耐事故燃料技術(shù)方案分為兩類，即近期技術(shù)和遠期技術(shù)。近期技術(shù)是能夠在21世紀(jì)20年代中期實現(xiàn)商用的技術(shù)。這些技術(shù)大部分基于現(xiàn)有數(shù)據(jù)、模型和審批方法，包括帶涂層的鋯合金包殼和以鐵-鉻-鋁為主要成分的不銹鋼包殼。長期技術(shù)則需要獲得新數(shù)據(jù)、模型和審批方法，包括硅化鈾燃料芯塊、碳化硅包殼和金屬燃料。

2 基于紋理特征的實驗動物檢測

目前運動目標(biāo)檢測中常用基于亮度特征的背景建模方法，該方法盡管具有簡單方便，計算速度快的優(yōu)點，但其易受光線、天氣等外界條件變化的影響，因此在開放的環(huán)境中穩(wěn)定性不足，無法應(yīng)用于穿梭實驗系統(tǒng)中.

考慮到上述問題，充分利用LBP紋理特征的灰度不變性，如圖2所示，本文構(gòu)建了一個對光線變化不敏感的前景檢測模型，該模型的構(gòu)建及動物的檢測過程如下述算法所述.

算法1:基于紋理特征的穿梭系統(tǒng)實驗動物檢測

初始化:

圖3 實驗序列1的部分實驗結(jié)果

圖4 實驗序列2的部分實驗結(jié)果

在實驗初始，采集未放入實驗動物的圖像，并求取其LBP紋理特征構(gòu)建背景模型.將實驗動物放入實驗箱開始進行實驗.

for t=1to T

(1)求取采集到圖像的LBP特征圖像.

(3)求取差分所得前景圖像的空間分布密度，得到前景密度圖像.

(4)分別對前景密度圖像進行水平和垂直方向投影，得到兩個投影曲線.

(5)兩個投影曲線的峰值坐標(biāo)分別對應(yīng)了實驗動物中心X和Y坐標(biāo)，從未完成本次實驗動物的檢測和定位.

end for

上述算法在進行投影時，沒有直接采用差分所得的LBP前景圖像，而是求取前景圖像的空間分布密度.假設(shè)實驗動物的大小尺寸在一定范圍內(nèi)，則以動物的最小尺寸作為采集窗口，LBP前景圖像中以某一像素點為中心，處于窗口內(nèi)的所有像素亮度平均值即為該像素點的空間分布密度，該密度越大則表示越有可能為目標(biāo)所在位置;從而以該密度圖像進行投影所得的峰值即對應(yīng)該方向上目標(biāo)最可能所在的坐標(biāo)點.

3 實驗

為驗證本文所研究算法的有效性，對實際拍攝的穿梭實驗視頻進行動物檢測分析，實驗中所用動物為猴子，所處環(huán)境為開放的室內(nèi)環(huán)境，從視頻序列中隨機的選取了兩個穿梭視頻序列對本文算法進行驗證，兩個視頻中實驗動物分別從左箱穿梭至右箱及從右箱穿梭至左箱.我們采用MTLAB軟件平臺在 Intel Core(TM)2 Duo CPU(2.00GHz)，DDR－2.00G內(nèi)存的硬件環(huán)境下，對大小為120 x360的序列進行分析，實驗中平均分析速度為5.4幀/s.實驗結(jié)果中均用白色的十字形標(biāo)記給出了檢測到的目標(biāo)動物中心坐標(biāo).

圖3給出了第一個實驗序列的部分代表性的實驗結(jié)果，圖像從左到右、從上到下分別對應(yīng)序列中的第600，692，702，709幀，在實驗初始實驗動物靜止在左箱穿梭洞口附近，當(dāng)給左箱加以電流刺激時，動物迅速地穿過洞口，穿梭至右箱.盡管發(fā)生穿梭時實驗動物運行速度較快，且其灰度分布與箱體并不嚴(yán)格區(qū)別，但由于本文方法采用LBP紋理對兩者進行區(qū)分，因此仍可對動物進行準(zhǔn)確檢測和定位.

第二個實驗序列的代表性實驗結(jié)果如圖4所示，圖像從左到右、從上到下分別對應(yīng)序列中的第764，780，790，834 幀.該序列在實驗開始時實驗動物靜止于右箱右上角，當(dāng)給右箱加以電流刺激時，受刺激影響，動物迅速地穿梭至左箱.從實驗結(jié)果能看到整個穿梭過程中，所研究的檢測方法可持續(xù)對動物進行準(zhǔn)確檢測和定位.

從上述實驗結(jié)果可以看出，本文算法利用LBP紋理特征具有灰度不變性的特點，從紋理建模的角度出發(fā)對實驗動物進行檢測，克服了光照變化等因素的影響，取得了較好的檢測效果.

4 結(jié)論

本文對開放環(huán)境中的穿梭系統(tǒng)實驗動物檢測進行了研究，利用LBP紋理特征的灰度不變性，提出一種新的背景建模思路，在此基礎(chǔ)上設(shè)計了實驗動物檢測和定位算法.實驗結(jié)果驗證了本文算法的有效性.如何對同一實驗箱內(nèi)的多只實驗動物同時進行檢測和定位等將是課題組下一步的研究方向.

[1]Yu－Jen Chen，Yan－Chay Li，Ke－Nung Huang，et al.Stand－Alone Video－Based Animal Tracking System for Noiseless Application[J].Instrumentation Science＆ Technology，2009，37(3):366－378.

[2]Xinwei Xue，Thomas C Henderson.Feature Fusion for Basic Behavior Unit Segmentation from Video Sequences[J].Robotics and Autonomous Systems，2009，57(3):239－248.

[3]Xinwei Xue，Thomas C Henderson.Video Based Animal Behavior Analysis[C].In Proceeding of the IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems，2006，335－340.

[4]Alison E Poole，Richard A Stillman，Ken J Norris.A Videobased Method for Measuring Small－ scale Animal Movement[J].Animal Behaviour，2006，72(5):1205－1212.

[5]Ojala T，Pietik¨ainen M，M¨aenp¨a¨a T.Multiresolution Gray－Scale and Rotation Invariant Texture Classification with Local Binary Pattern[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24(7):971－987.