基于目標(biāo)區(qū)域約束的人體手臂運(yùn)動(dòng)軌跡圖像分割*

熊 輝， 孫書會(huì)

(1. 長江大學(xué)工程技術(shù)學(xué)院 體育教學(xué)部， 湖北 荊州 434020； 2. 沈陽工業(yè)大學(xué) 軟件學(xué)院， 沈陽 110870)

體育智能化是當(dāng)前發(fā)展的一個(gè)重要方向，在任何體育項(xiàng)目中，人體手臂的運(yùn)動(dòng)過程都十分重要，手臂的運(yùn)動(dòng)軌跡決定著一項(xiàng)運(yùn)動(dòng)是否能夠以最佳表現(xiàn)來完成，是影響運(yùn)動(dòng)效率的關(guān)鍵因素之一[1].通過科學(xué)合理地分析手臂運(yùn)動(dòng)軌跡，可觀察出運(yùn)動(dòng)員手臂運(yùn)動(dòng)姿勢標(biāo)準(zhǔn)與否，利于教練員指導(dǎo)運(yùn)動(dòng)員訓(xùn)練.分析運(yùn)動(dòng)軌跡比較有效的方式是采集軌跡圖像，并對(duì)圖像進(jìn)行分割，通過處理圖像運(yùn)動(dòng)目標(biāo)，為體育運(yùn)動(dòng)訓(xùn)練提供依據(jù)[2-3].

許冰等[4]人提出基于SIFT流的動(dòng)態(tài)目標(biāo)分割算法.論文依據(jù)SIFT流算法描述運(yùn)動(dòng)物體特征，結(jié)合圖像顏色空間以及亮度信息，構(gòu)建思維特征空間.通過改進(jìn)多尺度中心對(duì)比法生成顯著圖，同時(shí)完成其線性融合，構(gòu)建序列圖像動(dòng)態(tài)目標(biāo)顯著模型.該算法具有較強(qiáng)的分割穩(wěn)定性，但存在分割完成后圖像信息完整性得不到保障的問題.任侃等[5]人提出移動(dòng)相機(jī)下運(yùn)動(dòng)圖像分割方法.論文通過多平面視差約束法將運(yùn)動(dòng)圖像序列中各像素點(diǎn)劃分為背景區(qū)域與目標(biāo)區(qū)域兩部分，無需固定參考平面，在相機(jī)跟隨下完成圖像分割，但也存在分割后圖像信息完整性差的問題.宋琳等[6]人提出基于CV-GAC和圖割的運(yùn)動(dòng)目標(biāo)分割算法.該算法通過高斯模型與背景差分法得到目標(biāo)初始輪廓區(qū)域，在所得區(qū)域中自適應(yīng)設(shè)定初始曲線輪廓，采用水平集模型自主處理運(yùn)動(dòng)目標(biāo)拓?fù)渥兓?，同時(shí)根據(jù)圖割法實(shí)現(xiàn)能量函數(shù)優(yōu)化，完成運(yùn)動(dòng)目標(biāo)最終分割.實(shí)驗(yàn)結(jié)果表明，該算法具有一定分割精度，但存在分割耗時(shí)較長的問題.

目前，關(guān)于運(yùn)動(dòng)目標(biāo)圖像分割算法在性能上均存在一定不足，為此，本文提出基于目標(biāo)區(qū)域約束的人體手臂運(yùn)動(dòng)軌跡圖像分割方法.

1 目標(biāo)區(qū)域約束閾值的設(shè)定

在跟蹤手臂圖像區(qū)域中，閾值分割是一個(gè)重要的環(huán)節(jié)，如果選取一個(gè)閾值僅對(duì)圖像目標(biāo)和背景進(jìn)行劃分，可稱為單閾值分割；如果選取多個(gè)閾值，則圖像會(huì)被分為多個(gè)目標(biāo)區(qū)域和背景，稱為多閾值分割.在實(shí)際的手臂運(yùn)動(dòng)圖像分割過程中，由于受到外界環(huán)境噪聲以及光照等因素的干擾，圖像上每個(gè)像素不適用單一的閾值分割方法，否則會(huì)出現(xiàn)目標(biāo)區(qū)域過大的現(xiàn)象[7].

通常情況下，為了精準(zhǔn)地對(duì)目標(biāo)區(qū)域進(jìn)行約束，需要設(shè)定靈活的閾值.當(dāng)圖像含有噪聲時(shí)，濾波器尺寸和閾值的選擇會(huì)影響圖像分割性能，較大的濾波器尺寸有助于降低圖像噪聲[8].

假設(shè)Qmax和Qmin分別代表分割手臂圖像的最大閾值和最小閾值，Qmax和Qmin對(duì)應(yīng)的圖像像素點(diǎn)分別為rmax和rmin，則像素差值設(shè)定為

Δr=rmax-rmin

(1)

假設(shè)目標(biāo)跟蹤區(qū)域尺寸為χ，在給定初始值的情況下，χ值會(huì)根據(jù)Δr的變化而發(fā)生改變，可以表述為

(2)

式中，Δr1為像素點(diǎn)比例差值的閾值，Δr1取值通常不超過0.15.

根據(jù)式(2)可獲取閾值約束下的目標(biāo)跟蹤區(qū)域尺寸χ，由此可得出約束閾值Q的取值為

(3)

式中：χ1為目標(biāo)跟蹤區(qū)域尺寸比例變化的閾值；λ為圖像閾值系數(shù)，需滿足0.5<λ≤1.

根據(jù)上述閾值取值條件，可得出圖像閾值分割曲面圖如圖1所示.

圖1 圖像分割閾值曲面Fig.1 Image segmentation threshold surface

圖1中的梯度幅值是為了確定圖像質(zhì)量而給出的分割幅度變化情況，圖像中的灰度變化通常可分為階躍型、房頂型以及凸緣型，圖1所示屬于凸緣型.基于圖像像素灰度的梯度幅值變化可以表征圖像的邊緣信息，插值點(diǎn)用來估測圖像閾值，在梯度幅值波動(dòng)情況下，插值點(diǎn)也隨之波動(dòng)，此時(shí)圖片較為模糊，像素較低.

2 算法應(yīng)用

本文提出的算法提升了運(yùn)動(dòng)手臂區(qū)域圖像分割精度，減少分割耗時(shí)，增強(qiáng)圖像分割完整性，算法詳細(xì)步驟如下：

假設(shè){xi}i=1，2，…，n代表人體手臂運(yùn)動(dòng)軌跡在圖像中的像素點(diǎn)集，且區(qū)域坐標(biāo)已經(jīng)調(diào)節(jié)至以0為中心，同時(shí)已依據(jù)區(qū)域大小進(jìn)行歸一化處理.針對(duì)各像素值xi，設(shè)定函數(shù)b(xi)為此像素顏色值，通過Epanechnikov核函數(shù)，區(qū)域顏色在運(yùn)動(dòng)軌跡中出現(xiàn)概率可表示為

(4)

式中：u為區(qū)域顏色；C為歸一化函數(shù)；δ為Kronecker函數(shù)；S(i，j)為約束均衡函數(shù).假設(shè)將y作為中心，手臂運(yùn)動(dòng)區(qū)域顏色在運(yùn)動(dòng)軌跡中出現(xiàn)概率表達(dá)式可表示為

(5)

依據(jù)上述計(jì)算與分析，本文通過巴氏距離系數(shù)描述軌跡目標(biāo)區(qū)域與候選目標(biāo)區(qū)域之間的相似度.其中，巴氏距離系數(shù)及兩者之間相似度表達(dá)式為

(6)

(7)

ρ(y)系數(shù)值越大，表示距離值就越小，即軌跡目標(biāo)與候選目標(biāo)之間相似程度就越高[9-11].

軌跡目標(biāo)跟蹤即為目前幀中檢索與目標(biāo)相對(duì)應(yīng)的新位置，此位置可以使以y作為自變量的距離值最小.檢索由前一幀目標(biāo)處起，在其附近鄰域中查詢.假設(shè)前一幀中的目標(biāo)位置是y0，將ρ[pu(y)，qu]在運(yùn)動(dòng)軌跡目標(biāo)預(yù)測位置y0處展開，得到的ρ[pu(y)，qu]線性近似值可表示為

(8)

將式(5)代入到式(8)得到

(9)

式中，wi為加權(quán)值.根據(jù)式(9)可以檢索鄰域范圍內(nèi)此密度評(píng)估的極大值.在整個(gè)過程中，中心位置由當(dāng)前位置y0向新位置y1移動(dòng)，即

(10)

迭代上述過程，不斷更新運(yùn)動(dòng)軌跡目標(biāo)，則可將人體手臂運(yùn)動(dòng)軌跡跟蹤結(jié)果定義為

Y=(y0，y1，…，yn)

(11)

基于圖像軌跡目標(biāo)跟蹤結(jié)果，利用目標(biāo)區(qū)域約束法實(shí)現(xiàn)圖像分割，詳細(xì)步驟如下：

1) 初始化.閾值與圖像平均灰度值相等，運(yùn)動(dòng)軌跡點(diǎn)數(shù)量為n0，其初始值為0.將剩余的背景像素定義為n1，G0為軌跡像素灰度值和，G1為背景點(diǎn)像素值.

2) 若t

3) 遍歷人體手臂運(yùn)動(dòng)軌跡圖像，并根據(jù)步驟1)中的定義計(jì)算n0、n1、G0和G1，即

(12)

(13)

G0=∑n0Y

(14)

G1=∑n1D

(15)

式中，D為圖像背景區(qū)域軌跡.

依據(jù)上述公式可計(jì)算圖像中類間方根值為

(16)

式中：Ave0為軌跡點(diǎn)平均灰度值；Ave1為背景點(diǎn)平均灰度值；Ave為圖像灰度均值；ω0、ω1為軌跡點(diǎn)在運(yùn)動(dòng)軌跡圖像中占據(jù)的比重和背景點(diǎn)在運(yùn)動(dòng)軌跡圖像中占據(jù)的比重，兩者表達(dá)式為

(17)

(18)

4) 若MC(Y，D)

5) 經(jīng)過迭代后的MC(Y，D)即為人體手臂運(yùn)動(dòng)軌跡圖像最佳分割閾值，利用其分割圖像得到的最終圖像分割結(jié)果可表示為

(19)

式中，?為分割符號(hào).

3 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證基于目標(biāo)區(qū)域約束的人體手臂運(yùn)動(dòng)軌跡圖像分割方法整體的有效性，本文進(jìn)行了仿真實(shí)驗(yàn).實(shí)驗(yàn)數(shù)據(jù)來源于某市體院，選取其中男運(yùn)動(dòng)員與女運(yùn)動(dòng)員各50名，表1為實(shí)驗(yàn)圖像具體信息.分別在不同場景下采集運(yùn)動(dòng)員手臂運(yùn)動(dòng)姿勢圖像，并對(duì)采集到的圖像進(jìn)行編號(hào)，經(jīng)編號(hào)得到的有效實(shí)驗(yàn)圖像為150幅，將其均分為手臂靜態(tài)與動(dòng)態(tài)圖像，對(duì)比本文方法與傳統(tǒng)方法之間的差異.

表1 實(shí)驗(yàn)圖像具體信息Tab.1 Experimental image specific information

將實(shí)驗(yàn)平臺(tái)搭建在Matlab2017a上，對(duì)本文所提方法與傳統(tǒng)基于固定閾值方法的人體手臂靜態(tài)圖像分割結(jié)果進(jìn)行對(duì)比分析，結(jié)果如圖2所示.

圖2 不同方法對(duì)比結(jié)果Fig.2 Results Comparison by different methods

根據(jù)圖2可知，本文方法分割得到的人體手臂圖像分割區(qū)域較為細(xì)致，分割邊緣連接較為光滑，具有較好的圖像分割效果.對(duì)手臂運(yùn)動(dòng)過程圖像分割的結(jié)果對(duì)比如圖3、4所示.

圖3 本文方法的動(dòng)態(tài)分割結(jié)果Fig.3 Dynamic segmentation results by proposed method

圖4 傳統(tǒng)方法的動(dòng)態(tài)分割結(jié)果Fig.4 Dynamic segmentation results by traditional methods

由圖3、4可知，在手臂運(yùn)動(dòng)過程中，本文方法分割得到的人體手臂圖像分割區(qū)域較為清晰，完整度較高.在手臂運(yùn)動(dòng)過程中，傳統(tǒng)方法對(duì)于手臂圖像的分割較為模糊，清晰完整度不足.取有效實(shí)驗(yàn)圖像150幅中的10幅進(jìn)行分割時(shí)間比較，分割時(shí)間對(duì)比結(jié)果如表2所示.

表2 運(yùn)動(dòng)軌跡圖像分割時(shí)間對(duì)比Tab.2 Comparison of segmentation time for motion trajectory images s

由表2可知，傳統(tǒng)方法與本文方法的軌跡圖像分割時(shí)間最大相差7 s，本文方法分割時(shí)間總體較低.本文采取多閾值分割方法，對(duì)目標(biāo)區(qū)域約束閾值進(jìn)行設(shè)定，排除了外界環(huán)境噪聲以及光照等因素的干擾，解決了目標(biāo)區(qū)域過大的問題.分析上述實(shí)驗(yàn)結(jié)果可知，本文所提方法具有較強(qiáng)分割性能，分割精度明顯提高.

4 結(jié) 論

本文提出基于目標(biāo)區(qū)域約束的人體手臂運(yùn)動(dòng)軌跡圖像分割方法.設(shè)定靈活的閾值，并確定閾值取值，可得出圖像閾值分割曲面圖；對(duì)圖像中的手臂運(yùn)動(dòng)軌跡進(jìn)行點(diǎn)集處理，確定區(qū)域顏色出現(xiàn)概率；對(duì)人體手臂運(yùn)動(dòng)軌跡進(jìn)行跟蹤，選取目標(biāo)區(qū)域約束，實(shí)現(xiàn)圖像分割.利用實(shí)驗(yàn)測試所提方法進(jìn)行對(duì)比，表明所提方法分割完整性較高，且分割時(shí)間較短.

下一步研究要特別注意以下幾個(gè)方面：

1) 有部分圖像整體維數(shù)較高，需要將高維圖像降為低維圖像，以此提升圖像處理效率；

2) 機(jī)器視覺體系應(yīng)用日益廣泛，圖像中運(yùn)動(dòng)目標(biāo)檢測和分割技術(shù)也在日益創(chuàng)新，可將目標(biāo)區(qū)域約束分割法與其他圖像分割法相結(jié)合，提升圖像分割精確性.