復(fù)雜背景下結(jié)合顏色和分形特征的多目標(biāo)檢測(cè)

鄭淋萍，王 斌，劉華巍，周小平，黃繼風(fēng)

（1.上海師范大學(xué)信息與機(jī)電工程學(xué)院，上海201418；2.中國(guó)科學(xué)院上海微系統(tǒng)與信息技術(shù)研究所微系統(tǒng)技術(shù)重點(diǎn)實(shí)驗(yàn)室，上海200050）

0 引 言

目標(biāo)檢測(cè)技術(shù)在軍事、工業(yè)等領(lǐng)域有著重要的應(yīng)用，偏遠(yuǎn)地區(qū)的地形和自然環(huán)境復(fù)雜多變，導(dǎo)致人為監(jiān)控操作難以實(shí)現(xiàn)［1］.隨著無(wú)線通信技術(shù)、嵌入式系統(tǒng)和無(wú)線傳感器技術(shù)的發(fā)展，無(wú)線傳感器網(wǎng)絡(luò)［2-3］廣泛應(yīng)用于野外目標(biāo)監(jiān)控.通常情況下，無(wú)線傳感網(wǎng)包含多種無(wú)人值守傳感器節(jié)點(diǎn)，這些傳感器節(jié)點(diǎn)需要長(zhǎng)時(shí)間且連續(xù)地執(zhí)行監(jiān)控目標(biāo)的任務(wù)，但其計(jì)算資源和能源有限，這對(duì)算法的復(fù)雜度和實(shí)時(shí)性提出了較高的要求.

復(fù)雜自然背景下，圖像存在灰度分布不均勻且不平穩(wěn)，人造目標(biāo)數(shù)量未知，紋理、結(jié)構(gòu)和顏色與背景相似，邊緣模糊，特征不穩(wěn)定性等問(wèn)題，多個(gè)目標(biāo)之間容易相互干擾，造成多目標(biāo)檢測(cè)效果［4］.因此，準(zhǔn)確、快速、有效地提取出復(fù)雜自然背景中的多個(gè)人造目標(biāo)，并提高檢測(cè)算法的準(zhǔn)確性和實(shí)時(shí)性是亟待解決的問(wèn)題［5］.

分形理論的發(fā)展為目標(biāo)檢測(cè)技術(shù)提供了全新的理論依據(jù)，分形特征是自然背景和人造目標(biāo)之間存在明顯不同的特征量，是一種在一定范圍內(nèi)不依賴于尺度大小和圖像分辨率的穩(wěn)定特征量［6］.然而，在實(shí)際復(fù)雜自然場(chǎng)景中，受環(huán)境因素和成像噪聲的影響，目標(biāo)和背景在分形特征上容易產(chǎn)生交疊，僅用單一分形特征進(jìn)行檢測(cè)是不夠的，所以需通過(guò)構(gòu)造不同特征的組合，以期達(dá)到更好的檢測(cè)結(jié)果［7-8］.本文作者結(jié)合分形維數(shù)和分形擬合誤差這兩種分形特征，添加圖像的顏色特征，提出一種新的復(fù)雜自然背景下多目標(biāo)的檢測(cè)算法.該算法用信息互補(bǔ)的方式，有效地發(fā)揮了圖像顏色空間和灰度空間的雙重優(yōu)勢(shì)，提高了算法的檢測(cè)速度和準(zhǔn)確率.

1 彩色圖像分割

1.1 顏色空間轉(zhuǎn)換

面向設(shè)備的RGB顏色空間［9］是一種十分常用的彩色顯示空間，其物理意義明確，但是RGB中的3個(gè)分量高度線性相關(guān)，并不適合直接進(jìn)行彩色圖像分割.

1976年，國(guó)際照明委員會(huì)（CIE）提出了Lab彩色空間.Lab彩色空間表現(xiàn)能力強(qiáng)，色域?qū)?，在進(jìn)行彩色圖像分割時(shí)能夠使不同顏色區(qū)域之間的差異更加顯著［10］.Lab 彩色空間彌補(bǔ)了RGB 彩色空間色彩分布不均勻的缺陷，且在同樣精度下具有更多的數(shù)據(jù)信息，可以將圖像的RGB非均勻顏色空間轉(zhuǎn)換到Lab均勻顏色空間，實(shí)現(xiàn)分割空間的轉(zhuǎn)換［11］.

將RGB 顏色空間轉(zhuǎn)換到CIE 顏色空間，全部顏色特征由CIE 顏色空間中的3個(gè)分量（X，Y 和Z）組合定義，通過(guò)坐標(biāo)變換得到均勻Lab顏色空間，變換過(guò)程如下：

其中，t為CIE顏色空間色道值與刺激值的比值；參數(shù)R，G，B為RGB顏色空間的3個(gè)色道分量；參數(shù)L，a，b為L(zhǎng)ab顏色空間的3個(gè)色道分量.

1.2 改進(jìn)K-means聚類分割算法

RGB圖像轉(zhuǎn)換到Lab顏色空間之后，采用改進(jìn)的K-means聚類分割方法［11］對(duì)圖像像素點(diǎn)進(jìn)行分類.

傳統(tǒng)K-means 聚類算法首先確定K 個(gè)類別，對(duì)每個(gè)類別確定一個(gè)初始聚類中心，計(jì)算各像素點(diǎn)到K個(gè)聚類中心的歐氏距離，根據(jù)歐式距離最短的原則，劃分到像素點(diǎn)的類別，形成K個(gè)簇.完成一次分類操作后，需要重新計(jì)算聚類中心，一般取每個(gè)簇的均值作為新的聚類中心.按照以上步驟反復(fù)迭代，直到新的聚類中心與前一次聚類中心的差值小于一定閾值，算法收斂，停止迭代，聚類完成［12］.

由于K-means聚類算法的初始聚類中心通常是隨機(jī)選擇的，容易導(dǎo)致局部最優(yōu)解情況，且類別數(shù)K的計(jì)算量巨大，本研究中參數(shù)K 是人為輸入.由先驗(yàn)知識(shí)可知增加類別數(shù)K 將得到更加精細(xì)的分類結(jié)果，有助于后續(xù)提取的目標(biāo)具備較好的形狀與邊緣，由實(shí)驗(yàn)可知，K 值取6較合適.圖像中某一顏色均勻的小面積對(duì)象在灰度直方圖上的特點(diǎn)為像素點(diǎn)集中分布在個(gè)別灰度級(jí)上，形成孤立的波峰［10-13］.為了解決局部最優(yōu)解問(wèn)題，初始聚類中心采用圖像灰度直方圖中明顯突起的大波峰處的像素點(diǎn).通過(guò)以上改進(jìn)，實(shí)現(xiàn)簡(jiǎn)單自適應(yīng)過(guò)程，算法步驟如下：

1）在N個(gè)樣本點(diǎn)中，由灰度分布直方圖找出有明顯突起的K個(gè)峰值作為初始聚類中心；

2）計(jì)算每個(gè)樣本xi（i=1，2，…，N）到K 個(gè)初始聚類中心的歐式距離Di，找出每個(gè)樣本點(diǎn)到這些初始聚類中心的歐式距離最小值，則將xi分到該類別；

3）計(jì)算每個(gè)簇的均值，更新該類的聚類中心值；

4）將最新一次所得聚類中心與前一次所得聚類中心進(jìn)行比較，判斷收斂情況，若兩者差值小于閾值，則聚類完成；否則，重復(fù)步驟1）～3）.

2 區(qū)域分形特征提取

利用顏色信息進(jìn)行K-means 聚類分割后，去除大面積背景區(qū)域，保留含待測(cè)目標(biāo)的小面積區(qū)域，對(duì)保留的區(qū)域提取分形特征，利用人造目標(biāo)和背景在分形特征上的固有差異，排除自然背景奇異區(qū)域干擾，實(shí)現(xiàn)目標(biāo)檢測(cè)［14-16］.

2.1 改進(jìn)地毯覆蓋法

分形維數(shù)表示圖像表面的紋理粗糙程度.表面光滑的物體，對(duì)應(yīng)的分形維數(shù)較低；表面粗糙的物體，對(duì)應(yīng)的分形維數(shù)較高.因此，人造目標(biāo)的分形維數(shù)較低，自然背景的分形維數(shù)較高，通過(guò)對(duì)比圖像像素點(diǎn)的分形維數(shù)值，可確定目標(biāo)區(qū)域.

常用的計(jì)算分形維數(shù)方法有差分計(jì)盒維數(shù)法和地毯覆蓋法等［17］.為進(jìn)一步簡(jiǎn)化運(yùn)算，提高檢測(cè)速度，采用改進(jìn)地毯覆蓋法［18］求小面積區(qū)域的分形維數(shù)和分形擬合誤差.用圖像灰度表面作為基準(zhǔn)面，與圖像灰度表面起伏狀態(tài)一致的表面稱為地毯，用以覆蓋這個(gè)基準(zhǔn)面.地毯的取值范圍與圖像的灰度值范圍一致，均為0～255.距離基準(zhǔn)面灰度層以一定的尺度對(duì)地毯進(jìn)行劃分，得到多層起伏狀態(tài)一致且不相交的灰度層，不同尺度灰度層對(duì)應(yīng)的劃分結(jié)果不同，具體步驟如下：

1）確定待檢測(cè)圖像灰度表面中的灰度最大值和最小值，將255減去灰度最大值的差值，與灰度最小值進(jìn)行比較，取兩者中較小值為r=1時(shí)劃分的最大灰度層個(gè)數(shù)Nmax.

2）x，y軸表示圖像大??；z軸表示在圖像灰度分布的三維空間中，取不同的尺度r(r ∈Z)，沿x軸或y軸剖面圖得到不同的灰度層個(gè)數(shù)N（r）.

3）求出分形維數(shù)FD和分形擬合誤差e，

2.2 區(qū)域雙重分形特征提取

改進(jìn)的地毯覆蓋法只計(jì)算在不同尺度r下地毯的個(gè)數(shù)，大幅減化了計(jì)算的復(fù)雜度.但是提取分形特征的計(jì)算量仍較大，因此先對(duì)彩色圖像聚類進(jìn)行分割，再對(duì)保留潛在目標(biāo)的小面積區(qū)域使用改進(jìn)地毯覆蓋法提取分形特征.這樣不但避免了搜索目標(biāo)的計(jì)算量，而且簡(jiǎn)化了分形特征的提取過(guò)程，從而提高了檢測(cè)速率.

在對(duì)圖像提取分形特征時(shí)，由于復(fù)雜自然條件的影響和成像系統(tǒng)噪聲干擾，人造目標(biāo)和自然背景會(huì)在分維數(shù)特征的數(shù)值上產(chǎn)生交疊.造成提取的目標(biāo)中包含背景信息，出現(xiàn)錯(cuò)誤檢測(cè)結(jié)果.采取分形維數(shù)和分形擬合誤差相結(jié)合的方法，首先通過(guò)分形維數(shù)差異去除誤檢為目標(biāo)的小面積區(qū)域；然后再利用分形擬合誤差進(jìn)一步排除背景奇異區(qū)域的干擾，減少誤檢和漏檢的情況；最后再進(jìn)行數(shù)學(xué)形態(tài)學(xué)操作，實(shí)現(xiàn)復(fù)雜自然背景下多目標(biāo)的檢測(cè).

3 實(shí)驗(yàn)結(jié)果分析對(duì)比

對(duì)Fort Carson 標(biāo)準(zhǔn)圖像庫(kù)的圖片進(jìn)行了仿真實(shí)驗(yàn).圖片中自然背景非常復(fù)雜，背景主要包括有白云、藍(lán)天、山巒、陸地和草地，人造目標(biāo)個(gè)數(shù)未知且雜亂隨機(jī)分布在圖中.采用Matlab 2015b仿真平臺(tái)，圖像的大小為256×256 pixels.圖1中人造目標(biāo)類型有坦克、裝甲車和汽車，其中，圖1（a）為原圖；圖1（b）為彩色圖像經(jīng)分割，去除顏色單一的大片背景區(qū)域后，保留小面積區(qū)域的結(jié)果圖；圖1（c）為采用改進(jìn)地毯覆蓋法計(jì)算分形維數(shù)，利用人造目標(biāo)和自然背景的分形維數(shù)差異，提取分形特征所得結(jié)果圖；圖1（d）為利用分形擬合誤差排除自然背景干擾，采用膨脹運(yùn)算彌合小裂縫，填平小孔，運(yùn)用閉運(yùn)算平滑邊界，獲得完整目標(biāo)區(qū)域的結(jié)果圖；圖1（e）為本算法框出多個(gè)目標(biāo)的結(jié)果圖.

圖1 基于彩色特征和分形特征的多目標(biāo)檢測(cè)結(jié)果.（a）原圖；（b）最小分割面積合并結(jié)果；（c）分形維數(shù)特征提取結(jié)果；（d）分形擬合誤差特征提取結(jié)果；（e）目標(biāo)檢測(cè)結(jié)果

從圖1 中可以看出，在Lab 顏色空間中，采用改進(jìn)K-means 聚類算法，獲得了良好的圖像分割結(jié)果.數(shù)據(jù)集多為遠(yuǎn)距離拍攝，目標(biāo)較遠(yuǎn)且在數(shù)據(jù)集圖像中所占面積較小，為了得到更加精細(xì)的分割結(jié)果，在去除較大面積的自然背景區(qū)域時(shí)，去除了面積最大的2 個(gè)類別，能夠避免誤刪大目標(biāo)的情況.對(duì)保留的小片目標(biāo)潛在區(qū)域求分形特征.采用大小為5×5 pixels 的滑動(dòng)窗口，對(duì)保留區(qū)域內(nèi)每一像素提取分形維數(shù)和分形擬合誤差，排除實(shí)際復(fù)雜環(huán)境所造成的背景奇異區(qū)域的干擾，準(zhǔn)確提取復(fù)雜背景中存在的多個(gè)目標(biāo).由圖1 可知，本文算法能夠準(zhǔn)確、快速地從復(fù)雜自然背景中提取出人造目標(biāo)，目標(biāo)輪廓清晰，形狀完好，且目標(biāo)中不存在孔洞.對(duì)保留區(qū)域以最大外接矩形框出目標(biāo)，實(shí)現(xiàn)矩形框的大小自適應(yīng)性.

為了驗(yàn)證本算法的有效性，圖2給出不同算法的目標(biāo)提取結(jié)果對(duì)比.圖2（a）為原圖；圖2（b），（c）分別為采用基于分形維數(shù)差異及采用基于分形維數(shù)和分形擬合誤差的目標(biāo)檢測(cè)結(jié)果，均存在多處小塊背景區(qū)域和雜質(zhì)的干擾，未準(zhǔn)確分割出多個(gè)目標(biāo)，且目標(biāo)均與背景粘連，目標(biāo)的輪廓不清晰，存在孔洞；圖2（d）為本檢測(cè)算法能夠有效抑制自然背景，檢測(cè)出多個(gè)目標(biāo)，能夠保持良好的目標(biāo)形狀和清晰輪廓，且不存在孔洞.

圖2 不同算法目標(biāo)提取結(jié)果對(duì)比.（a）原圖；（b）基于分形維數(shù)差異的目標(biāo)檢測(cè)算法；（c）基于分形維數(shù)和分形擬合誤差的目標(biāo)檢測(cè)算法；（d）本算法

采用以上幾種算法對(duì)數(shù)據(jù)集中含有3及4個(gè)待檢目標(biāo)的102張測(cè)試圖片進(jìn)行檢測(cè)，結(jié)果如表1所示.其中，平均正確檢測(cè)目標(biāo)個(gè)數(shù)、平均漏檢目標(biāo)個(gè)數(shù)、平均誤檢目標(biāo)個(gè)數(shù)為每個(gè)類別檢測(cè)到的目標(biāo)個(gè)數(shù)除以該類測(cè)試圖片數(shù)目所得.由表1可知，基于分形維數(shù)差異的目標(biāo)檢測(cè)算法在測(cè)試圖像中存在漏檢和誤檢情況，將小塊背景錯(cuò)誤檢測(cè)為目標(biāo)的個(gè)數(shù)較多.相比之下，基于分形維數(shù)和分形擬合誤差的目標(biāo)檢測(cè)算法對(duì)漏檢情況有所改善，但是依然存在錯(cuò)誤檢測(cè)目標(biāo)的情況.本算法在漏檢和誤檢個(gè)數(shù)上都有明顯改善，且能正確檢測(cè)出待測(cè)圖像中所包含的多個(gè)目標(biāo).

表1 不同算法的檢測(cè)結(jié)果對(duì)比

為了驗(yàn)證本算法的檢測(cè)速度，表2比較了不同算法在50張256×256 pixels測(cè)試圖片上的檢測(cè)耗時(shí)情況.實(shí)驗(yàn)主機(jī)配置為2.60 GHz 主頻的Intel Core i7 雙核處理器，內(nèi)存量為8 GB，64 位的Windows 10 操作系統(tǒng).由于采用改進(jìn)地毯覆蓋法對(duì)分割后保留區(qū)域提取分形特征，減少了算法的計(jì)算量，由表2 可知本算法大幅縮短了檢測(cè)時(shí)間，提高了檢測(cè)速度.

表2 不同算法檢測(cè)時(shí)間對(duì)比 單位：s

4 結(jié) 論

針對(duì)復(fù)雜環(huán)境下多目標(biāo)檢測(cè)準(zhǔn)確率低和檢測(cè)耗時(shí)較長(zhǎng)的問(wèn)題，提出了一種新的復(fù)雜自然背景下的多目標(biāo)檢測(cè)算法.由于分形特征的計(jì)算過(guò)程復(fù)雜，計(jì)算量太大，只對(duì)彩色圖像分割后保留的目標(biāo)潛在區(qū)域求分形特征，大幅縮短計(jì)算時(shí)間，提高檢測(cè)速度.分形維數(shù)和分形擬合誤差，結(jié)合雙重檢測(cè)能夠很好抑制自然背景，避免誤檢、漏檢，提高了算法檢測(cè)的準(zhǔn)確性.仿真實(shí)驗(yàn)表明：本算法能夠快速有效地分割圖像并執(zhí)行多目標(biāo)檢測(cè)，具有較好的應(yīng)用前景.