多自由度人體運動動態(tài)圖像目標檢測方法仿真

唐開悅，王思涵

(廣西師范大學，廣西 桂林 541006)

1 引言

計算機技術(shù)和多媒體技術(shù)在近年來飛速發(fā)展，提高了圖像目標檢測技術(shù)在各個領(lǐng)域中的應(yīng)用性能[1]。在計算機視覺領(lǐng)域中圖像目標檢測方法成為重要研究內(nèi)容，在工程和科學中具有重要的研究價值，被廣泛地應(yīng)用在視頻壓縮、智能監(jiān)控、醫(yī)學診斷、智能機器人、虛擬現(xiàn)實和人機交互等領(lǐng)域中[2-3]。人體的運動過程包含了大量的視覺信息，研究人體運動動態(tài)圖像目標的檢測具有較大的應(yīng)用價值和現(xiàn)實意義[4]。

程全[5]等人提出基于分塊投影匹配的人體運動動態(tài)目標檢測方法，該方法通過分塊投影匹配方法估計全局運動參數(shù)，利用估計參數(shù)對圖像背景進行補償處理，根據(jù)背景減除法提取圖像中存在的運動目標，實現(xiàn)運動目標檢測，該方法無法消除圖像中存在的陰影，存在圖像清晰度低的問題。左軍輝[6]等人提出基于改進背景減法的人體運動動態(tài)目標檢測方法，該方法采用GMM圖像塊均值方法在背景建模階段重構(gòu)背景模型，結(jié)合小波半軟閾值函數(shù)和數(shù)學形態(tài)學在目標檢測階段對運動目標進行去噪處理，通過自適應(yīng)背景更新方法更新背景，實現(xiàn)人體運動動態(tài)目標的檢測，該方法在背景建模階段無法消除陰影區(qū)域和非陰影區(qū)域之間存在的邊界線，導致檢測過程的位置誤差較大。王思明[7]等人提出基于BRISK算法的人體運動動態(tài)目標檢測方法，該方法結(jié)合歐式距離和k近鄰算法進行特征匹配，對順序抽樣一致性算法進行改進，提純特征點，實現(xiàn)背景運動補償，采用形態(tài)學對運動目標進行分割，利用BRISK算法實現(xiàn)目標檢測，由于運動目標附近存在陰影，增加了該方法提取特征點所用的時間，存在檢測效率低的問題。

為了解決上述方法中存在的問題，提出多自由度人體運動動態(tài)圖像目標檢測方法。

2 背景建模

多自由度人體運動動態(tài)圖像目標檢測方法通過高斯背景模型分離圖像背景區(qū)域和目標區(qū)域。

1)背景初始化

采用K個高斯分布對圖像中的像素顏色信息進行描述，利用高斯密度函數(shù)對各個分布進行描述，每個分布之間都是獨立的[8]。設(shè)Xt代表的是像素點在t時刻的觀測值；η(Xt，μi，t，∑i，t)代表的是第i個高斯分布對應(yīng)的概率密度函數(shù)，其表達式如下

η(Xt，μi，t，∑i，t)=

(1)

式中，μi，t代表的是第i個高斯分布在t時刻對應(yīng)的均值；∑i，t代表的是第i個高斯分布在t時刻對應(yīng)的協(xié)方差。

設(shè)P(Xt)描述的是t時刻目標圖像觀測點對應(yīng)的概率密度函數(shù)，其值可通過下述公式計算得到

(2)

式中，wi，t代表的是第i個高斯分布在t時刻對應(yīng)的權(quán)值。

多自由度人體運動動態(tài)圖像目標檢測方法采用基于統(tǒng)計的方法在背景建模初期對模型進行初始化處理。將前N幀不含檢測目標的圖像像素對應(yīng)的平均值作為初始化圖像的觀測值，減少背景建模過程中受其它因素的干擾。

設(shè)μ0代表的是在初始背景估計過程中某點對應(yīng)的均值，其計算公式如下

(3)

式中，N描述的是圖像幀數(shù)。

(4)

2)高斯分布模型匹配

讀取新的人體運動圖像后，逐一匹配K個高斯分布模型和每個像素點Xt，判定依據(jù)為

|Xt-μi.t-1|≤2.5σi

(5)

式中，2.5σi代表的是匹配閾值。如果滿足上式表明該點為背景；如果不滿足為運動目標。

3)高斯分布模型更新

通過對方差、均值和權(quán)值的更新實現(xiàn)高斯分布模型的更新。

利用下式更新權(quán)值

(6)

式中，α代表的是學習率。

通過下述公式對均值和方差進行更新

(7)

其中，參數(shù)ρ的計算公式如下

(8)

4)背景生成

(9)

3 人體運動動態(tài)圖像目標檢測

3.1 陰影去除

假設(shè)多自由度人體運動動態(tài)圖像為局部平穩(wěn)的，統(tǒng)計信息在圖像非陰影區(qū)域和陰影區(qū)域中的相似度較高，匹配I分量圖中非陰影區(qū)域與陰影區(qū)域的灰度，補償陰影區(qū)域的亮度。

結(jié)合陰影投射方向和陰影區(qū)域獲得鄰近非陰影區(qū)域，設(shè)Qn代表的是非陰影區(qū)域集合，其表達式如下

Qn={p|0

(10)

式中，p代表的是陰影投射方向中存在的點；Ωs代表的是圖像中的陰影區(qū)域；d(p，Ωs)代表的是陰影區(qū)域Ωs與點p之間存在的距離；dist代表的是距離閾值。

獲得圖像非陰影區(qū)域和陰影區(qū)域后，根據(jù)映射策略利用下式補償陰影區(qū)域的灰度值

(11)

式中，I代表的是陰影區(qū)域補償前對應(yīng)的灰度值；I′代表的是陰影區(qū)域補償后對應(yīng)的灰度值；A代表的是亮度補償強度系數(shù)；σs代表的是陰影區(qū)域?qū)?yīng)的方差；ms代表的是陰影區(qū)域?qū)?yīng)的均值；σn代表的是非陰影區(qū)域?qū)?yīng)的方差；mn代表的是非陰影區(qū)域?qū)?yīng)的均值。

陰影對圖像產(chǎn)生影響，改變了其飽和度、色調(diào)和亮度，因此陰影區(qū)域的真實色彩不能只通過亮度得到補償，多自由度人體運動動態(tài)圖像目標檢測方法采用下述補償策略對S分量圖和H分量圖中存在的非陰影區(qū)域和陰影區(qū)域進行匹配

(12)

(13)

式中，S(i，j)、H(i，j)分別代表的是陰影區(qū)域在補償前和補償后對應(yīng)的飽和度；mn、ms分別代表的是非陰影區(qū)域在補償前和補償后對應(yīng)的色調(diào)值；B、C分別代表的是圖像色調(diào)和圖像飽和度在補償過程中的強度系數(shù)。

在上述過程的基礎(chǔ)上補償圖像陰影區(qū)域中的各個分量，將HSI(Hue Saturation Intensity ，色調(diào)飽和度)空間中存在的H、S、I分量轉(zhuǎn)換到RGB空間中，實現(xiàn)圖像陰影區(qū)域的消除?；叶韧蛔儸F(xiàn)象經(jīng)常存在于圖像的陰影和非陰影區(qū)域中，消除陰影后兩個區(qū)域之間在圖像中仍然呈現(xiàn)一條明顯的邊界線[9]，多自由度人體運動動態(tài)圖像目標檢測方法完成陰影補償后，通過中值濾波處理消除陰影邊界處存在的邊緣效應(yīng)，使陰影區(qū)域經(jīng)過補償后可以平滑的過渡到非陰影區(qū)域。

3.2 目標檢測

在二階自回歸模型的基礎(chǔ)上建立運動模型

Xt-Xt-1=Xt-1-Xt-2+Ut

(14)

式中，Xt代表的多自由度人體運動目標，其表達式如下

(15)

多自由度人體運動動態(tài)圖像目標檢測方法選擇灰度分布對多自由度人體運動目標進行描述，對參考目標與目標樣本進行對比，根據(jù)對比結(jié)果建立觀測模型。

(16)

式中，C代表的是歸一化常數(shù)；l代表的是人體運動目標對應(yīng)的中心(x，y)；h代表的是目前區(qū)域的大??；k(·)代表的是核函數(shù)；δ(·)代表的是Kronecker Delta函數(shù)。

在目標中心與區(qū)域中心重合的基礎(chǔ)上選取固定區(qū)域，最大限度地使固定區(qū)域與目標吻合，因此在不同方向的固定區(qū)域中，距離中心較近的像素越有可能屬于目標[10]。通過上述分析可知，當區(qū)域中的像素位置高于設(shè)定的范圍時，多自由度人體運動動態(tài)圖像目標檢測方法選擇負指數(shù)分布對像素屬于目標的概率進行描述

(17)

式中，參數(shù)θ的取值為1；|·‖代表的是距離范數(shù)；Td代表的是閾值。

(18)

(19)

在上式的基礎(chǔ)上構(gòu)建觀測概率模型

(20)

式中，λ為控制參數(shù)。設(shè)t代表的是目標在圖像中的平均狀態(tài)；為觀測概率，可在觀測概率模型的基礎(chǔ)上計算得到，構(gòu)建人體運動目標的目標更新模型，利用目標更新函數(shù)實現(xiàn)多自由度人體運動動態(tài)圖像目標的檢測

(21)

4 實驗結(jié)果與分析

為了驗證多自由度人體運動動態(tài)目標檢測方法的整體有效性，需要對多自由度人體運動動態(tài)目標檢測方法進行測試。本次測試的實驗平臺為CPU2.1GHz，2GB RAM計算機。基于MATLAB7.11平臺實現(xiàn)圖像顯示，在Visual Studio 2010 MFC平臺中通過攝像頭獲取圖像。分別采用多自由度人體運動動態(tài)圖像目標檢測方法(方法1)、基于分塊投影匹配的人體運動動態(tài)目標檢測方法(方法2)和基于改進背景減法的人體運動動態(tài)目標檢測方法(方法3)進行測試，對人體運動動態(tài)目標進行檢測之前，需要對圖像進行預處理，不同方法的圖像處理結(jié)果如圖1所示。

圖1 不同方法的圖像預處理結(jié)果

圖1(a)為方法1對人體運動動態(tài)圖像處理后的結(jié)果，可以看出處理后的圖像清晰度較高，不存在模糊區(qū)域和陰影區(qū)域。圖1(b)為方法2對人體運動動態(tài)圖像處理后的結(jié)果，該方法對圖像進行處理后圖像中還存在大面積的模糊區(qū)域。圖1(c)為方法3對人體運動動態(tài)圖像處理后的結(jié)果，采用該方法對圖像進行預處理時無法消除圖像中存在的陰影部分。對比方法1、方法2和方法3的測試結(jié)果可知，方法1預處理后的人體運動動態(tài)圖像的清晰度較高，因為該方法通過高斯模型進行背景建模，在目標區(qū)域中結(jié)合數(shù)學形態(tài)處理和小區(qū)域去除方法根據(jù)陰影區(qū)域飽和度高和亮度值低的特性確定陰影區(qū)域，并通過匹配補償去除圖像中存在的陰影，提高了人體運動動態(tài)圖像的清晰度。

將位置誤差作為測試指標對方法1、方法2和方法3進行測試，測試結(jié)果如圖2所示。

圖2 不同方法的位置誤差

分析圖2中的數(shù)據(jù)可知，方法2對人體運動動態(tài)圖像目標進行檢測時，當圖像幀數(shù)為40frames時位置誤差飛速增加，因為該方法無法消除圖像中的模糊區(qū)域，導致在目標跟蹤過程中的位置誤差較大。方法3對人體運動動態(tài)圖像目標進行檢測時，隨著圖像幀數(shù)的增加位置誤差不斷增加，因為該方法在目標跟蹤過程中將陰影區(qū)域誤當做目標，增大了位置誤差。采用方法1對人體運動動態(tài)圖像目標進行檢測時的位置誤差較小，因為該方法通過降低陰影區(qū)域的飽和度，提高陰影區(qū)域的亮度值，消除圖像中存在的陰影，降低了目標跟蹤過程中產(chǎn)生的位置誤差。

為了進一步驗證方法1、方法2和方法3的整體有效性，通過運行時間測試不同方法的檢測效率，結(jié)果如3所示。

圖3 不同方法的運行時間

分析圖3中的數(shù)據(jù)可知，隨著圖像幀數(shù)的增加，方法1、方法2和方法3檢測多自由度人體運動動態(tài)圖像目標所用的時間不斷增加，但方法1所用的時間仍少于方法2和方法3所用的時間，因為方法1完成陰影補償后，為了減弱邊緣效應(yīng)，對陰影邊界進行中值濾波處理，使陰影區(qū)域經(jīng)過補償后可以平滑的過渡到非陰影區(qū)域，提高了圖像的清晰度，更好的體現(xiàn)了目標在圖像中的細節(jié)信息，縮短了檢測所用的時間，提高了方法1的檢測效率。

5 結(jié)束語

在人體運動視覺分析中人體運動目標檢測是重要內(nèi)容，在計算機視覺領(lǐng)域中成為人們研究的熱點。人體運動目標檢測具有極大的經(jīng)濟價值和廣泛的應(yīng)用前景，被應(yīng)用在人體運動細節(jié)分析、高級人機交互和智能安全監(jiān)控等領(lǐng)域中。目前人體運動動態(tài)圖像目標檢測方法存在圖像清晰度低、位置誤差大和檢測效率低的問題，提出多自由度人體運動動態(tài)圖像目標檢測方法，在圖像預處理過程中結(jié)合數(shù)學形態(tài)處理和小區(qū)域去除方法消除目標周圍存在的陰影，根據(jù)像素在圖像中的灰度分布實現(xiàn)人體運動動態(tài)圖像的目標檢測，解決了當前方法中存在的問題和難點，為人體運動視覺分析技術(shù)的發(fā)展奠定了基礎(chǔ)。