基于Matlab軟件的繪圖效果及算法設(shè)計(jì)研究

孫韶華，徐 志

（1.南京審計(jì)大學(xué)實(shí)驗(yàn)中心，江蘇南京 211815；2.江蘇省南京市江寧區(qū)審計(jì)局，江蘇南京 211100）

如何在圖像冗雜或豐富的各類(lèi)信息中得到最想要部分，或者說(shuō)如何節(jié)約時(shí)間以高效率達(dá)到既定目標(biāo)是圖像特征檢測(cè)發(fā)展的方向[1]。綜合國(guó)內(nèi)外現(xiàn)狀，可以看出顯著運(yùn)動(dòng)目標(biāo)檢測(cè)算法的研究還處于初級(jí)階段在應(yīng)用上仍存在局限性，對(duì)于復(fù)雜背景下目標(biāo)檢測(cè)結(jié)果并不十分理想，顯著運(yùn)動(dòng)目標(biāo)檢測(cè)算法在應(yīng)用于適用范圍方面還有很多待解決的問(wèn)題[2]。莊博陽(yáng)等人提出使用光流法的快速車(chē)道線識(shí)別算法，提升了車(chē)道線檢測(cè)算法的效率與精準(zhǔn)度[3]。方正等人使用卷積神經(jīng)網(wǎng)絡(luò)特征降維方法，改善了顯著性模型圖像的采集性能[4]。主通過(guò)對(duì)選定對(duì)象的顯著特征及運(yùn)動(dòng)特征進(jìn)行研究，一方面基于圖論的顯著特征提取法提取圖像顯著特征；另一方面通過(guò)光流法提取運(yùn)動(dòng)特征，融合這兩種特征構(gòu)建顯著目標(biāo)檢測(cè)框架。對(duì)各種算法進(jìn)行研究，不斷完善對(duì)理論的掌握及運(yùn)用，并結(jié)合Matlab 仿真體現(xiàn)顯著目標(biāo)檢測(cè)算法的可行性及優(yōu)越性。

1 光流算法與顯著算法概述

1.1 靜態(tài)背景下HS光流算法仿真及分析

（1）HS光流算法原理。

HS算法又稱(chēng)稠密光流法[5]，引入全局平滑性約束條件確定光流，假設(shè)光流在整個(gè)圖像上速度變化率為零：

由式（1）可知光流w=(u,v)應(yīng)滿(mǎn)足：

其中，λ根據(jù)圖中噪聲情況取值，噪聲強(qiáng)時(shí)，λ取值較大，數(shù)據(jù)更加依賴(lài)光流約束方程。噪聲較弱時(shí)，λ取值較小。

（2）HS光流算法仿真。

采用HS 算法進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，為了加深算法理解，驗(yàn)證算法可行性。通過(guò)Matlab 進(jìn)行實(shí)驗(yàn)仿真，目的是實(shí)現(xiàn)用光流法在靜態(tài)背景下檢測(cè)運(yùn)動(dòng)目標(biāo)。程序流程見(jiàn)圖1。

圖1 HS光流算法程序流程圖

實(shí)驗(yàn)所選取輸入視頻格式avi，總幀數(shù)120，對(duì)視頻進(jìn)行光流法處理，分別輸出原圖、光流矢量圖、二值化圖和目標(biāo)定位圖，選取40 幀的目標(biāo)檢測(cè)結(jié)果進(jìn)行分析。

1.2 動(dòng)態(tài)背景下GBVS算法仿真及分析

（1）GBVS算法原理。

GBVS算法（基于圖像的視覺(jué)顯著算法）的具體步驟[5]：首先，假設(shè)給出一個(gè)對(duì)象M:[n]2→R.需要去提取一個(gè)特征A:[n]2→R.就像這樣通過(guò)(i,j)∈[n]2來(lái)定位I在哪里，或者是用一個(gè)節(jié)點(diǎn)M(i,j)。如果出現(xiàn)一些無(wú)法處理的信息，這時(shí)會(huì)使算法指向Bruce公式，其中有一個(gè)關(guān)于M(i,j)的直方圖，直方圖中計(jì)算了在節(jié)點(diǎn)(i,j)附近區(qū)域的中不同特征的各自所占比重，接下來(lái)將會(huì)進(jìn)行加工，使得特征圖也將被加工成一個(gè)概率分布圖，這就使得A(i,j)=-log(p(i,j))會(huì)清晰地被另一個(gè)節(jié)點(diǎn)p(i,j)=Pr{M(i,j)|neighborhood}所定義?？梢杂靡韵鹿脚袛郙(i,j)和M(p,q)的差異：

（2）顯著運(yùn)動(dòng)目標(biāo)檢測(cè)算法仿真。

對(duì)于所提到的顯著運(yùn)動(dòng)目標(biāo)檢測(cè)算法，組建思路如下：首先，通過(guò)GBVS 算法對(duì)圖像進(jìn)行顯著性分析，提取圖像中的顯著目標(biāo)，接著通過(guò)HS 算法對(duì)圖像序列中連續(xù)兩幀進(jìn)行光流分析，分析其運(yùn)動(dòng)特性，檢測(cè)圖像中的運(yùn)動(dòng)目標(biāo)，然后將對(duì)應(yīng)圖像中的顯著目標(biāo)與運(yùn)動(dòng)目標(biāo)相融合，經(jīng)一系列處理后獲取圖像中顯著目標(biāo)。

如圖2 所示，首先，對(duì)第一幀進(jìn)行GBVS 算法分析，得到顯著目標(biāo)。同時(shí)，對(duì)進(jìn)行圖像序列的前兩幀進(jìn)行光流分析，得到運(yùn)動(dòng)目標(biāo)，再將對(duì)應(yīng)圖像序列中的顯著目標(biāo)與運(yùn)動(dòng)目標(biāo)相融合，得到顯著運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果。

圖2 顯著運(yùn)動(dòng)目標(biāo)檢測(cè)算法框架

2 Matlab仿真實(shí)驗(yàn)結(jié)果與分析

2.1 光流算法仿真結(jié)果

如圖3 所示，（a）是視頻序列中第40 幀原始圖像；（b）是經(jīng)HS光流算法處理后的圖像；（c）是光流檢測(cè)后閾值分割二值化圖；（d）中對(duì)所設(shè)定基準(zhǔn)線以下的目標(biāo)進(jìn)行標(biāo)定，圖中左上角數(shù)字3表示基準(zhǔn)線內(nèi)檢測(cè)到3個(gè)運(yùn)動(dòng)目標(biāo)。運(yùn)動(dòng)目標(biāo)個(gè)數(shù)較多，光流法仍能準(zhǔn)確地檢測(cè)運(yùn)動(dòng)目標(biāo)，標(biāo)定目標(biāo)位置。

2.2 靜態(tài)目標(biāo)顯著區(qū)域提取算法仿真結(jié)果

本次實(shí)驗(yàn)，所選取輸入圖像格式png，尺寸大小，對(duì)圖像進(jìn)行顯著區(qū)域提取，分別輸出原圖、顯著圖、二值化圖和目標(biāo)定位圖，仿真結(jié)果如圖4所示。

圖3 光流目標(biāo)檢測(cè)結(jié)果（第40幀）

圖4 GBVS算法顯著目標(biāo)檢測(cè)結(jié)果

其中，（a）為原始圖像；（b）為經(jīng)GBVS 算法處理得到的顯著圖；（c）為經(jīng)閾值劃分使目標(biāo)與背景分離后的二值化圖像；（d）為顯著目標(biāo)標(biāo)定圖?？梢钥闯鯣BVS算法能夠準(zhǔn)確檢測(cè)顯著目標(biāo)，標(biāo)定目標(biāo)位置。

2.3 顯著運(yùn)動(dòng)目標(biāo)檢測(cè)算法仿真與分析

本次實(shí)驗(yàn)，所選取輸入視頻格式mp4，對(duì)視頻顯著運(yùn)動(dòng)目標(biāo)檢測(cè)算法處理，分別輸出原圖、顯著圖、顯著區(qū)域著色圖和二值化圖。視頻幀數(shù)：72 幀，視頻圖像尺寸：，拍攝環(huán)境：攝像機(jī)靜止，單目標(biāo)運(yùn)動(dòng)。取第10 幀、第20 幀、第30 幀、第40 幀、第50 幀、第60幀、第70幀仿真結(jié)果如圖5所示。

圖5 顯著運(yùn)動(dòng)目標(biāo)仿真檢測(cè)結(jié)果

通過(guò)仿真實(shí)驗(yàn)得到，顯著運(yùn)動(dòng)目標(biāo)檢測(cè)算法雖然優(yōu)化了光流法和顯著區(qū)域提取法的檢測(cè)結(jié)果，但該算法存在一定的局限性。從特征選取角度來(lái)說(shuō)，由于所選特征的粗略性和不穩(wěn)定性，導(dǎo)致結(jié)果和預(yù)期相比存在一定差距。在攝像機(jī)移動(dòng)的情況下可以發(fā)現(xiàn)，由于背景中包含其它與本實(shí)驗(yàn)無(wú)關(guān)物品，使顯著特征提取受到干擾，提取到的顯著信息中包含大量背景信息，特別是在人物快要在畫(huà)面中消失時(shí)，圖像中最特別的地方也就是顯著區(qū)域不再聚集在人身的周?chē)?。在此種情況下，從圖像中提取顯著目標(biāo)區(qū)域，得到的顯著區(qū)域便會(huì)對(duì)應(yīng)圖像中電腦所在區(qū)域。同時(shí)，在多個(gè)運(yùn)動(dòng)目標(biāo)的情況下，目標(biāo)運(yùn)動(dòng)時(shí)發(fā)生重疊，使提取到的顯著區(qū)域出現(xiàn)覆蓋，難以分清目標(biāo)，影響實(shí)驗(yàn)結(jié)果。對(duì)于運(yùn)動(dòng)特征提取，不足在于動(dòng)態(tài)背景下檢測(cè)到的運(yùn)動(dòng)目標(biāo)結(jié)果中包含大量背景信息，影響檢測(cè)結(jié)果。

綜上分析可知，顯著運(yùn)動(dòng)檢測(cè)算法仍存在一定改進(jìn)空間，在今后的研究中，可以考慮提取更加穩(wěn)定、細(xì)化的特征，如人體輪廓，外貌特征和肢體動(dòng)作等，研究引入多個(gè)特征聯(lián)合分析檢測(cè)，構(gòu)建更加完整和穩(wěn)定的算法框架，完善顯著運(yùn)動(dòng)目標(biāo)檢測(cè)算法，進(jìn)一步優(yōu)化目標(biāo)檢測(cè)結(jié)果。

3 結(jié)語(yǔ)

從目標(biāo)的運(yùn)動(dòng)特征和顯著特征展開(kāi)分析，通過(guò)對(duì)運(yùn)動(dòng)目標(biāo)和顯著目標(biāo)檢測(cè)算法的研究，融合運(yùn)動(dòng)和顯著特征，構(gòu)建顯著運(yùn)功目標(biāo)檢測(cè)算法，優(yōu)化單一特征目標(biāo)檢測(cè)結(jié)果，實(shí)現(xiàn)復(fù)雜背景下顯著運(yùn)動(dòng)目標(biāo)的檢測(cè)。此外，通過(guò)多場(chǎng)景仿真實(shí)驗(yàn)結(jié)果對(duì)比，證明顯著運(yùn)動(dòng)目標(biāo)檢測(cè)算法的可行性和準(zhǔn)確性，達(dá)到各應(yīng)用領(lǐng)域?qū)︼@著目標(biāo)檢測(cè)的要求。然而，目前顯著運(yùn)動(dòng)目標(biāo)檢測(cè)基礎(chǔ)仍處于起步階段，還需要不斷地發(fā)展和應(yīng)用，在計(jì)算處理速度方面還有改進(jìn)空間，同時(shí)還可以考慮引入人的面部特征，肢體動(dòng)作等完善目標(biāo)檢測(cè)算法，使顯著目標(biāo)檢測(cè)技術(shù)更加完善更加高效地應(yīng)用于各個(gè)領(lǐng)域。