邢延超 張化迪 李瑞 程雷雷
【摘 要】運動目標檢測可以實時地識別、檢測、提取視頻圖像中感興趣目標。昆蟲復眼具有對運動目標快速識別跟蹤的特性。本文基于復眼類昆蟲的生理特性并結合仿生學與計算機視覺相關理論,提出一種仿復眼的運動目標檢測技術,實現(xiàn)對運動目標的快速、準確檢測。
【關鍵詞】復眼;運動目標;快速檢測;相似度
運動目標檢測是計算機視覺的重要內(nèi)容,是把感興趣的運動目標從圖像序列中將變化區(qū)域從背景圖像中提取出來的一種方法[1]。運動目標檢測是視頻分析中的基本操作,目標檢測的準確性和速度尤為重要。復眼類昆蟲擁有較少神經(jīng)元組成的視覺系統(tǒng),能出色實現(xiàn)對感興趣對象的快速發(fā)現(xiàn)與捕捉。本文基于昆蟲復眼生理特性,提出一種仿復眼原理運動目標檢測算法,實現(xiàn)對運動目標的快速檢測。
1 昆蟲的復眼
復眼昆蟲既是視覺信息的采集系統(tǒng),又是視覺信息的預處理系統(tǒng)[2]。復眼由許多六角形的小眼組合而成,每個小眼都是一個感光組織,并和其后面的圓錐形的晶體構成一個集光器,在這些集光器后面連接著視覺神經(jīng)。
復眼所看到的影像是由每一個小眼所提供的影像組合而成,小眼內(nèi)的光接收器感應到刺激產(chǎn)生反應的時間間隔到非常短。人眼對忽然出現(xiàn)的目標反應時間約為0.05秒,而蜜蜂的反應時間僅需0.01秒[3]。這主要是由于昆蟲大腦可根據(jù)變化的小眼數(shù)目精確判斷出物體的細微移動,包括移動距離、速度等。復眼越多,判斷越快越精準。
2 傳統(tǒng)的運動目標檢測算法
運動目標檢測分為動態(tài)環(huán)境下和靜態(tài)環(huán)境兩種,本文主要介紹前者。靜態(tài)環(huán)境運動目標檢測將視頻序列中的圖像分割成前景和背景,不變的區(qū)域是背景,變化的區(qū)域是前景[4]。主要有以下三種方法。
2.1 光流法
該算法賦予每個像素點一個速度矢量,形成一個圖像的運動場,并根據(jù)各個像素點的速度矢量的特征,對圖像進行動態(tài)分析[5]。沒有運動時光流矢量變化連續(xù);反之,目標速度矢量與背景速度矢量有異,可檢測運動目標。光流法主要問題是大多數(shù)算法實時性差。優(yōu)點是同時攜帶運動信息和景物三維結構信息,無需場景信息即可檢測出運動目標[6]。
2.2 幀間差分法
場景中目標運動時,幀間會出現(xiàn)明顯的區(qū)別,利用兩幀亮度差的絕對值來確定運動目標[7]。該算法相對簡單,實現(xiàn)容易,對光線等場景變化不太敏感。但它只能獲取到邊緣部分,而不是完整的目標;此外,若時間間隔選取不當,可能無法實現(xiàn)目標檢測。
2.3 背景差分法
計算圖像序列當前幀和背景參考模型的差來檢測運動目標,關鍵在于獲取背景。該方法檢測比較準確,速度較快,易于實現(xiàn)[8]。實際上很難直接得到靜止狀態(tài)背景,背景圖像的動態(tài)變化需要通過視頻序列的幀間信息來估計和恢復背景,也就是背景重建,所以更新背景要有一定的選擇性。
3 仿復眼的運動目標檢測技術
本文設計了一種基于昆蟲復眼原理的運動目標快速檢測方法。算法核心是:將視頻中圖像按正六邊形進行剖分,對相鄰幀、相鄰區(qū)域進行相似度檢測,算法流程圖如圖1所示。
在剖分正六邊形時,應注意正六邊形的大小的選取要合適。由于昆蟲種類和其生活習慣的差異,在視網(wǎng)膜上形成的圖像有的會有重疊有的沒有重疊[11]。在進行剖分正六邊形時,可先剖分成無重疊的。當正六邊形的邊長除以某個大于1的整數(shù)時,剖分出來的正六邊形便是有重疊的。這樣,便將復眼成像中正六邊形的狀態(tài)都涵蓋在內(nèi),如圖2所示。
隨后,將剖分出來的六邊形進行相似度的計算。假設整個視頻中一共有從1到N共N幀圖像,則可將相似度的計算分成以下三個步驟進行:
(1)設當前幀為第N幀,對期中每個正六邊形,取前N-1幀中的第i幀的相同位置的正六邊形,并確定周圍的六個正六邊形,分別定義方向為1到7,如圖2所示。計算兩幀間正六邊形間的相似度,判斷是否有變化發(fā)生;如果有,則計算它與相鄰六邊形的模式相似度。
(2)第i幀中每個六邊形得到與第N幀中的最小距離(除了中心六邊形),類似于“一步移動”。在第i幀中找到具有明顯關系的那一幀。對每個方向的“移動”設定閾值。這個方向應該是理想的而且相似性必須低于閾值。找到每個方向的結果,找到之中距離最小的,即為最相似的。
(3)將第N幀與前N-1幀比較,可以得到不同方向上的移動結果。首先,計算具有大相似度的六邊形的數(shù)量;然后,具有最大數(shù)字作為主導方向。統(tǒng)計最相似幀:取每幀的最小距離和方向;得到相似六邊形的數(shù)量,以確定主方向。可采用不同方向上聚類的辦法,將幾個方向合并成一個方向,并形成連通域。
至此,具有類似運動模式的臨近六邊形形成連通域,可由此檢測運動目標,檢測結果如圖3。視頻中有運動時,六邊形中心紅色標記,且紅色標記會隨目標的移動而移動。由此可檢測出運動目標的移動,完成仿復眼運動目標的檢測。
4 總結
雖然仿復眼目標檢測技術在很多方面還不夠完善,無法與昆蟲的復眼反應速度、檢測能力相比,但是它應用前景廣闊,該技術對硬件設備要求較低,并且能快速反應,快速檢測。
【參考文獻】
[1]邢強,戴振東,王浩.仿復眼視覺系統(tǒng)的研究進展[碩士學位論文].南京:南京航空航天大學機電學院,2013.
[2]郭海峰,張亮,粟毅.視頻圖像序列中的運動目標實時檢測[J].科技信息(學術研究).2008(01).
[3]胡以靜,李政訪,胡躍明.基于光流的運動分析理論及應用[J].計算機測量與控制,2007(02).
[4]劉光宇,劉國棟.基于混合高斯模型的運動目標檢測方法[J].計算機工程與應用.2009(24).
[5]李超,熊璋,赫陽,等.基于幀間差的區(qū)域光流分析及其應用[J].計算機工程與應用.2005(31).endprint