連續(xù)形變圖像動態(tài)相似信息的自適應(yīng)識別仿真

李 麗，莊慶華

(長春工業(yè)大學(xué)人文信息學(xué)院，吉林 長春 130000)

1 引言

圖像識別是圖像信息處理過程中的基本操作，在智能導(dǎo)航、視頻監(jiān)控等多種領(lǐng)域均發(fā)揮著重要作用。圖像識別技術(shù)是鎖定圖像目標個體的先決條件，對于運動圖像來講，也是判斷圖像動態(tài)相似信息的依據(jù)[1]，對能否成功跟蹤目標的動態(tài)相似信息有決定性的影響[2]。但目前多數(shù)圖像動態(tài)相似信息的識別，僅限于外部形狀不隨運動發(fā)生改變的剛性物體，適應(yīng)度較差。

為解決該問題，相關(guān)學(xué)者也做出了一些研究。文獻[3]提出一種基于雙特征融合與自適應(yīng)提升的連續(xù)運動圖像識別算法。該算法通過時空上下文關(guān)系與視覺系統(tǒng)特質(zhì)得到圖像序列特征，同時利用卷積神經(jīng)網(wǎng)絡(luò)處理圖像序列。融合STC特征與CNN特征，實現(xiàn)圖像動態(tài)信息的識別。該算法雖然能夠提取連續(xù)形變圖像的動態(tài)信息，但該方法耗時較長，無法高效率應(yīng)用。文獻[4]提出一種十字交叉窗口下動態(tài)連續(xù)形變圖像信息立體識別算法。構(gòu)建圖像形變補償代價計算函數(shù)，以圖像的距離和色彩信息構(gòu)建自適應(yīng)十字交叉窗口，據(jù)此對圖像視差進行全局優(yōu)化，完成連續(xù)形變圖像的動態(tài)相似信息的識別，但該方法適應(yīng)度較差，導(dǎo)致其識別精度偏低。

針對傳統(tǒng)方法的不足，論文提出新的基于特征矩陣的動態(tài)相似信息自適應(yīng)識別方法。利用圖像預(yù)處理凸顯出圖像最原始特質(zhì)，剔除冗余信息。采取參照原本像素信息與灰度值融合方式更新像素。計算圖像特征矩陣相似度，實現(xiàn)基于特征矩陣的動態(tài)相似信息自適應(yīng)識別。仿真驗證了提出方法可以大幅提升識別精度及相似信息識別的完整度。

2 連續(xù)形變圖像動態(tài)相似信息的自適應(yīng)識別

2.1 圖像預(yù)處理

論文通過圖像預(yù)處理凸顯出圖像最原始特質(zhì)，剔除冗余信息。

步驟2：針對圖像內(nèi)隨機像素點x(n)，將x(n)聚合在最接近其像素值的分類內(nèi)，然后使用式(1)迭代計算全部聚類C的中心點顏色值ci。

(1)

(2)

步驟4：通過計算出的聚類中心差別水準，以此預(yù)判兩種類別是否需要合并。假設(shè)兩種類別的中心差別較小，則進行合并。

步驟5：將上述步驟全部完成后，再重新計算顏色空間中每個聚類的中心值ci

(3)

式中，Li代表完成所有步驟后所得出的第i類的像素值。

若連續(xù)形變圖像的像素總和為M，則得出的圖像預(yù)處理后的結(jié)果如式(4)

(4)

初始圖像的像素值均采取式(4)中的向量值進行交替，建立出精簡的特征圖像[5]。

2.2 連續(xù)形變圖像可變光強區(qū)域劃分

針對連續(xù)形變圖像的運動特征，提出方法共分為兩步：第一步將運動區(qū)域范圍和靜止區(qū)域范圍進行區(qū)分，即劃分背景與前景[6]；第二步使用基于背景幀的像素替換方式提取出需要識別的目標樣本，為后續(xù)動態(tài)相似信息自適應(yīng)識別奠定基礎(chǔ)。

選擇鄰近的兩幀連續(xù)形變圖像Ik(i，j)、Ik-1(i，j)進行差分運算，可標記為IZ(k，k-1)=|Ik-Ik-1|。其次目前幀Ik(i，j)和背景幀Bk(i，j)采取差分運算，可標記為IBk=|Ik-Bk|。

初始階段區(qū)分運動區(qū)域范圍，將IZ(k，k-1)圖像預(yù)處理后的結(jié)果標記為B1，IB(k，k-1)圖像預(yù)處理后的結(jié)果標記為B2，同時滿足B3=B1∪B2。當(dāng)B3的灰度值為0時，將其背景像素點標記為Bb，灰度值為245時，其運動像素點標記為Bm。

在連續(xù)形變狀態(tài)下的運動目標，其幀間差分極易發(fā)生空洞現(xiàn)象[7]，而采用背景差分方式則能夠相對完好地劃分運動區(qū)域范圍。但該方式在光線及其它外界成分的作用下會生成多余的噪點。因此，這兩種方法進行運算時，需對B2進行腐蝕的形態(tài)學(xué)運算，可以最大限度避免噪點對區(qū)域范圍判定過程中產(chǎn)生的不良影響。

運用幀間差分方法能夠較為完全地測量運動區(qū)域范圍向外延伸的部分，因此在運算B1和B2時，可以填補B2進行腐蝕計算時丟失的外部邊際區(qū)域。通過此種方法，將最終計算的結(jié)果控制在接受范圍內(nèi)[8-9]，僅在現(xiàn)實運動區(qū)域范圍外存在一些外部因素導(dǎo)致的雜點，不影響結(jié)果的可靠性。

計算背景圖像的平均灰度值，其區(qū)域范圍是Bb，可描述為

(5)

其中x、y為目標范圍的起點與終點。

算出當(dāng)前幀的平均灰度值，計算的區(qū)域范圍是Bb，可描述為

(6)

在此處將平均灰度值的差當(dāng)成選擇運動區(qū)域范圍的參照閾值，將背景差分域進行再次取樣，可表達為式(7)

if|Ik(i，j)-Bk-1|

then(x，y)∈Bb

else(x，y)∈Bm

(7)

式中，Bb代表背景區(qū)域范圍，Bm代表運動區(qū)域范圍。再次取樣是為了實現(xiàn)對外部因素干擾的二次篩選。

背景區(qū)域范圍按照權(quán)重進行更新，如式(8)

Bk=(1-a)·Bk-1+aIk

(8)

在連續(xù)形變圖像中，考慮其被遮蓋的范圍不能使用當(dāng)前幀的像素動態(tài)信息進行更新，所以采取參照原本像素信息與灰度值融合方式實施更新體系架構(gòu)，運動區(qū)域范圍根據(jù)權(quán)重及平均灰度值差完成更新，如式(9)

Bk=(1-b)Bk-1+bIk(T1-T2)

(9)

至此完成背景區(qū)域的更新，為圖像后處理奠定基礎(chǔ)。

2.3 基于特征矩陣的動態(tài)相似信息自適應(yīng)識別

經(jīng)過上述處理過程，進行基于特征矩陣的圖像動態(tài)相似信息識別。假設(shè)Q、I分別為兩個特征矩陣，其大小均為m×n，Q表示樣本矩陣，I表示對象矩陣，兩個矩陣間的相似度可表述為sim(I，Q)。

將樣本矩陣Q和對象矩陣I描述為行向量表達模式：I=(I1，I2，…，Iα，…，Im)T，其中Iα代表對象矩陣I的一個行向量；Q=(Q1，Q2，…，Qβ，…，Qm)T，其中Qβ代表樣本矩陣Q的一個行向量[10]。連續(xù)形變圖像的特征矩陣動態(tài)相似度計算可通過以下方法實現(xiàn)：

在對象矩陣中，每個行向量需要在樣本矩陣中尋找一個與自身最接近的行向量行號，若沒有對應(yīng)的接近行向量，則標記為零，以此構(gòu)成一個相似行向量。從本質(zhì)上看，相似行向量就是對象矩陣的代替矩陣。再將相似行向量作為一個一維特征向量，樣本矩陣便是源自規(guī)范行向量為元素所構(gòu)成的一個一維向量[11]。

以下是相似行向量的形成及計算連續(xù)形變圖像特征矩陣相似度的具體分析。

將對象矩陣I中的行向量Iα(α=1，2，…，m)和樣本矩陣Q中的行向量Qβ進行對比，同時估算DP匹配距離，可以得出數(shù)值m的DP匹配距離最低值，可描述為dmin(α，k)=min{dDP(α，β)|β=1，2，…，m}。在dmin(α，k)處于行向量相同預(yù)判閾值Tr范圍內(nèi)的情況下，Iα可以當(dāng)作與樣本矩陣的行向量Qk是最為靠近的。

用向量SV[1··m]記錄對象矩陣的每一個行向量Iα，在樣本矩陣中可以尋找到最為接近的行向量行號，此處α=1，2，…，m，可用式(10)表達，稱其是相似行向量

(10)

值得注意的是，在相似向量SV內(nèi)，隨機選取兩個元素α1、α2。若α1≠α2，并且SV[α1]≠0，則應(yīng)該與式(11)的條件相對應(yīng)。通俗地說，如果在對象矩陣I中，兩個互不相同的行向量不可以挑選樣本矩陣Q內(nèi)同一個行向量作為最接近的行向量，表達為

(?α1)(?α2)(SV[α1]≠SV[α2])

(11)

能夠看出，對象矩陣I可以使用相似行向量SV表示，以此將對象矩陣I及樣本矩陣Q的相似度計算變換成計算樣本矩陣和SV的一維行向量(Q[1]，Q[2]，…，Q[m])間的DP匹配距離問題。由于時間消耗等問題，則需要將特征矩陣相似度sim(I，Q)的計算劃分為兩種狀態(tài)[12]。

設(shè)置零數(shù)值機率來判斷閾值Tp，要收集整理相似行向量SV內(nèi)包含的零元素數(shù)量，若零的占據(jù)比例大于固定閾值Tp，則可以立刻斷定I和Q互不相似，這種情況下sim(I，Q)=0。否則需按照向量DP匹配距離的方式算出一維向量(SV[1]，SV[2]，…，SV[m])與(Q[1]，Q[2]，…，Q[m])的DP匹配距離。這兩個向量的元素距離d(SV[μ]，υ)是根據(jù)式(12)判定的。

(12)

其中，μ=1，2，…，m且υ=1，2，…，m。

如果通過計算得出的DP匹配距離可描述為dDP(SV，Q)，則兩個連續(xù)形變圖像的動態(tài)矩陣相似度可表達為

Sim(I，Q)=1-dDP(SV，Q)

(13)

在實際的連續(xù)形變圖像的動態(tài)相似信息自適應(yīng)識別中，多數(shù)圖像和樣本圖像之間有較大區(qū)別，這是因為使用了零數(shù)值機率判斷。多數(shù)情況下不用算出Sim(I，Q)就能夠識別圖像的動態(tài)相似信息，進而提升了自適應(yīng)識別效率。至此，完成動態(tài)相似信息的識別。

3 仿真與分析

為驗證研究的有效性，設(shè)計以下仿真。實驗的硬件環(huán)境是Pentium(R)4CPU 2.8 GHz，內(nèi)存為512MBit。軟件環(huán)境是Windows XP、MATLAB R2016b。實驗用到的視頻圖像來源于某市上午時段交通路口監(jiān)控，幀頻率為20fps，大小為320×240。交通車輛視頻圖像具有連續(xù)形變特性，且信息種類較多，以此類圖像作為實驗測試對象是適合的。實驗以文獻[3]提出的基于雙特征融合與自適應(yīng)提升的連續(xù)運動圖像識別算法、文獻[4]提出的基于十字交叉窗口的動態(tài)連續(xù)形變圖像信息立體識別算法作為對照組，與研究方法進行對比，具體實驗過程如下：

3.1 不同方法的識別完整度與效率的協(xié)調(diào)效果

為驗證提出方法對連續(xù)形變圖像動態(tài)相似信息的識別完整率與效率的協(xié)調(diào)效果，基于上述實驗環(huán)境，對比文獻[3]、文獻[4]方法的識別效率以及平均識別時間，且為簡化實驗輸出數(shù)據(jù)，將識別完整率進行歸一化處理，具體實驗結(jié)果如圖1所示。

圖1 識別效率對比圖

由圖1實驗結(jié)果可知：隨著對視頻連續(xù)變形圖形識別過程中，提出方法識別完整率接近1，遠高于其它兩種方法；且研究方法的平均識別速度為0.4s，遠低于文獻[3]和文獻[4]方法，說明提出方法的識別效率更佳。其原因是基于特征矩陣的DP匹配距離計算方法更充分考慮了圖像主顏色區(qū)域的空間位置特征，能加快識別連續(xù)形變圖像的動態(tài)相似信息。該方法的識別速度快、識別完整率高，更有利于視頻圖像動態(tài)相似信息識別。

3.2 不同方法的相似性信息識別精準度

為進一步驗證提出方法的圖像相似信息識別精確度，同樣基于上述實驗環(huán)境，對視頻監(jiān)控連續(xù)圖像進行相似信息識別。視頻圖像為連續(xù)形變圖像，其相似信息為后幀圖像會發(fā)生相對變化的物體特征，對于該圖像來說，相似度信息為馬路旁的人群以及車輛。將提出方法與兩種傳統(tǒng)方法對同一實驗樣本進行精度對比，結(jié)果如圖2。

圖2 文獻[3]方法的相似性信息識別效果

圖3 文獻[4]方法的相似性信息識別效果

圖4 所提方法的相似性信息識別效果

根據(jù)實驗結(jié)果可知，文獻[3]方法與文獻[4]方法對圖像的相似信息識別均出現(xiàn)了較明顯誤差，路口的非動態(tài)特征如路標桿、電線桿、斑馬線等均不屬于變化信息，不會隨圖像的連續(xù)形變發(fā)生位移。相比之下，研究方法識別精度更高，對連續(xù)形變圖像的相似信息進行完整識別。

4 結(jié)束語

論文為解決目前連續(xù)形變圖像相似信息識別方法適應(yīng)性較差問題，提出一種基于特征矩陣的自適應(yīng)識別方法。首先通過圖像預(yù)處理剔除冗余信息，在此基礎(chǔ)上更新連續(xù)形變圖像像素動態(tài)信息。計算連續(xù)形變圖像特征矩陣相似度，實現(xiàn)動態(tài)相似信息自適應(yīng)識別。經(jīng)過仿真，結(jié)果表明提出方法與傳統(tǒng)方法相比具有極強的優(yōu)越性，實用性高，為圖像動態(tài)相似信息識別提供有利科學(xué)依據(jù)。