室內(nèi)空間視覺移動(dòng)目標(biāo)特征提取方法仿真

吳一非，杜尚廣

(1. 江西科技學(xué)院，江西 南昌 330000；2. 南昌大學(xué)生命科學(xué)學(xué)院，江西 南昌 330000)

1 引言

VR技術(shù)[1]即虛擬現(xiàn)實(shí)技術(shù)，隨著該技術(shù)的不斷發(fā)展，目前VR技術(shù)已經(jīng)成熟地運(yùn)用到各個(gè)大型場景中，但VR系統(tǒng)在實(shí)際運(yùn)行過程中由于數(shù)據(jù)量過大會(huì)導(dǎo)致目標(biāo)移動(dòng)出現(xiàn)卡頓等現(xiàn)象，因此，提出在VR系統(tǒng)中對(duì)移動(dòng)目標(biāo)進(jìn)行特征提取[2]，通過移動(dòng)目標(biāo)的特征對(duì)空間場景進(jìn)行加載，以此降低系統(tǒng)內(nèi)存含量[3]，降低系統(tǒng)負(fù)荷。

鄧昊[4]等人提出了一種基于漲落分析的暗弱運(yùn)動(dòng)目標(biāo)關(guān)聯(lián)檢測方法，該方法在時(shí)域上設(shè)定一個(gè)時(shí)間窗口，采用漲落分析方法來提取暗弱運(yùn)動(dòng)目標(biāo)的關(guān)聯(lián)特征，獲取檢測目標(biāo)信號(hào)，實(shí)現(xiàn)特征提取。韓豐宇[5]等人提出了一種運(yùn)動(dòng)目標(biāo)軌跡特征提取方法，基于Faster R-CNN原理，對(duì)特征進(jìn)行定位提取，根據(jù)定位結(jié)果獲取目標(biāo)區(qū)域，然后采用距離加閾值限制方法得到目標(biāo)之間的關(guān)聯(lián)，由此實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)軌跡特征提取。

以上兩種方法均沒有對(duì)原始數(shù)據(jù)進(jìn)行預(yù)處理，導(dǎo)致數(shù)據(jù)不規(guī)范，數(shù)據(jù)格式種類過多，特征提取時(shí)冗余數(shù)據(jù)以及不易辨識(shí)的數(shù)據(jù)過多，存在閾值對(duì)錯(cuò)誤率影響程度高、重復(fù)率高和特征點(diǎn)完整性低的問題。為了解決上述方法中存在的問題，提出基于VR的室內(nèi)空間視覺移動(dòng)目標(biāo)特征提取方法。

2 數(shù)據(jù)預(yù)處理

分散的數(shù)據(jù)不利于室內(nèi)空間視覺移動(dòng)目標(biāo)的特征提取[6，7]，可能出現(xiàn)特征提取不完全，特征提取重復(fù)等情況，為避免不必要的錯(cuò)誤發(fā)生，可提前對(duì)數(shù)據(jù)進(jìn)行預(yù)處理，其中最重要的一步就是對(duì)數(shù)據(jù)進(jìn)行歸一化處理。

2.1 數(shù)據(jù)歸一化處理

由于VR系統(tǒng)內(nèi)數(shù)據(jù)量巨大，其中包含很多格式不一致的數(shù)據(jù)，為降低系統(tǒng)負(fù)荷，對(duì)系統(tǒng)內(nèi)空間視覺移動(dòng)目標(biāo)進(jìn)行特征提取，保證特征提取的質(zhì)量，可提前將系統(tǒng)數(shù)據(jù)進(jìn)行歸一化處理[8]。

包圍球技術(shù)是數(shù)據(jù)歸一化方法之一，其核心就是在信息量不變的情況下將數(shù)據(jù)量范圍通過映射進(jìn)行縮小，從而完成數(shù)據(jù)歸一化處理，其中數(shù)據(jù)歸一公式為

(1)

式中，t代表VR系統(tǒng)中的原始數(shù)據(jù)，c(x)代表虛擬數(shù)據(jù)經(jīng)過歸一化處理后的第x組數(shù)據(jù)，Δm代表每組數(shù)據(jù)經(jīng)過歸一化處理后的數(shù)量。

根據(jù)式(1)推導(dǎo)出原始數(shù)據(jù)經(jīng)過歸一化處理后的結(jié)果，其表達(dá)式為

(2)

式中，c(Y)代表原始數(shù)據(jù)經(jīng)過歸一化處理后的數(shù)據(jù)，Y代表虛擬數(shù)據(jù)的數(shù)量。

其中，數(shù)據(jù)量Δm的表達(dá)式為

Δm=|Ni/Y|

(3)

目標(biāo)數(shù)據(jù)的歸一化就是對(duì)數(shù)據(jù)進(jìn)行變形，得出其變換矩陣，假設(shè)原始數(shù)據(jù)矩陣為Y，將該數(shù)據(jù)矩陣進(jìn)行變換后得出的矩陣表達(dá)式為

(4)

經(jīng)分析得出室內(nèi)移動(dòng)目標(biāo)數(shù)據(jù)的協(xié)方差矩陣，其表達(dá)式為

(5)

式中，R代表協(xié)方差矩陣，n代表整體數(shù)據(jù)量，mi代表原始數(shù)據(jù)中第i個(gè)數(shù)據(jù)，wi代表數(shù)據(jù)需要變換的權(quán)重。

進(jìn)而計(jì)算出數(shù)據(jù)變換的系數(shù)，其公式為

Z=S/r

(6)

式中，Z代表數(shù)據(jù)歸一化的變換系數(shù)，S代表數(shù)據(jù)歸一化的最大程度，r代表數(shù)據(jù)之間的距離。

在數(shù)據(jù)變換系數(shù)的基礎(chǔ)上，利用變換矩陣和數(shù)據(jù)歸一化公式即可完成室內(nèi)空間視覺移動(dòng)數(shù)據(jù)的歸一化。

2.2 室內(nèi)目標(biāo)背景分割

基于VR技術(shù)的室內(nèi)目標(biāo)通常與背景數(shù)據(jù)混合一起，為加強(qiáng)目標(biāo)數(shù)據(jù)特征提取精度，需要將背景與室內(nèi)目標(biāo)數(shù)據(jù)進(jìn)行分割，分割出室內(nèi)移動(dòng)目標(biāo)后可有效地對(duì)移動(dòng)目標(biāo)進(jìn)行特征提取，最大程度地避免背景數(shù)據(jù)對(duì)特征提取的干擾。

分割就是將同一區(qū)域內(nèi)的數(shù)據(jù)點(diǎn)進(jìn)行標(biāo)記，得出目標(biāo)區(qū)域點(diǎn)和背景點(diǎn)，通常情況下，背景區(qū)域與目標(biāo)區(qū)域的灰度值區(qū)別較大，根據(jù)此特性進(jìn)行背景分割[9-10]。

區(qū)域閾值法是圖像分割最常用的方法，該方法的主要思想就是在固定閾值的幫助下將灰度值不大于目標(biāo)數(shù)據(jù)點(diǎn)的數(shù)據(jù)視為移動(dòng)目標(biāo)，否則將數(shù)據(jù)點(diǎn)視為背景。

在此過程中需要計(jì)算出背景與目標(biāo)的灰度均值紅外方差，其表達(dá)式為

(7)

數(shù)據(jù)點(diǎn)的方差計(jì)算公式為

(8)

式中，σ代表移動(dòng)目標(biāo)數(shù)據(jù)點(diǎn)的方差。

當(dāng)每一組數(shù)據(jù)的方差小于固定閾值時(shí)，此時(shí)將該數(shù)據(jù)點(diǎn)確定為背景數(shù)據(jù)，否則均為移動(dòng)目標(biāo)數(shù)據(jù)。

由于移動(dòng)目標(biāo)與背景往往是重疊出現(xiàn)的，為進(jìn)一步加強(qiáng)分割效果，初步完成分割后計(jì)算出數(shù)據(jù)點(diǎn)屬于移動(dòng)目標(biāo)的權(quán)重。

假設(shè)移動(dòng)目標(biāo)和背景權(quán)重分別標(biāo)記為w1和w2，兩權(quán)重之間的關(guān)系如下所示

w1+w2=1

(9)

根據(jù)分布密度函數(shù)原理得出移動(dòng)目標(biāo)分布的灰度級(jí)函數(shù)為

(10)

背景分布密度函數(shù)表達(dá)式為

(11)

進(jìn)而運(yùn)算出空間視覺中灰度級(jí)G的分布公式：

W(G)=W2w2(G)+W1w1(G)

(12)

為了降低分割難度，先對(duì)背景色彩和目標(biāo)色彩進(jìn)行加強(qiáng)，在色彩R、G、B分量的幫助下計(jì)算出目標(biāo)圖像，首先設(shè)置出三種分量的相應(yīng)閾值，其中，R分量對(duì)應(yīng)閾值Tr，G分量對(duì)應(yīng)閾值Tg，B對(duì)應(yīng)閾值Tb。

將各個(gè)分量與相應(yīng)閾值進(jìn)行比較，分量大于閾值的即為背景，否則為移動(dòng)目標(biāo)，其表達(dá)式分別為

(13)

通過將每組數(shù)據(jù)與固定閾值進(jìn)行比較，并計(jì)算出移動(dòng)目標(biāo)數(shù)據(jù)的權(quán)重，最終在色彩分量與閾值的比較下確定出移動(dòng)目標(biāo)。

3 移動(dòng)目標(biāo)特征提取

特征提取[11]的目的是保證信息量不發(fā)生變化的同時(shí)將數(shù)據(jù)量范圍盡可能地縮小，通過這種處理方法處理后的數(shù)據(jù)可有效地加載VR系統(tǒng)內(nèi)負(fù)荷。

主成分分析[12-13]是特征提取中最常見的一種方法，該方法屬于統(tǒng)計(jì)學(xué)范疇，主要是提取出數(shù)據(jù)庫中所有數(shù)據(jù)的主成分，進(jìn)而降低數(shù)據(jù)冗余量，保證數(shù)據(jù)從高維空間降到低維空間中進(jìn)行操作，同時(shí)保留了數(shù)據(jù)的主要信息。主成分分析法將數(shù)據(jù)庫數(shù)據(jù)進(jìn)行處理后不僅降低計(jì)算難度，同時(shí)最大程度降低數(shù)據(jù)噪聲，提高數(shù)據(jù)的抗干擾能力，其中降低計(jì)算難度就是根據(jù)主成分分析法屬于統(tǒng)計(jì)學(xué)的特點(diǎn)在海量信息中解析出最重要的信息，將問題簡單化。

假設(shè)原始數(shù)據(jù)的維度為m，它的隨機(jī)向量為y，且隨機(jī)向量的均值為0，則有

E(y)=0

(14)

其中，E(y)代表向量y的均值。

當(dāng)向量y投影到m維空間后，該向量與單位向量之間的內(nèi)積為

(15)

式中，z代表m維空間中的單位向量，k代表主成分矩陣，T代表特征向量。

基于主成分分析提取出的移動(dòng)目標(biāo)特征就是計(jì)算出主成分E(X2)的權(quán)重最大化，其中E(X2)的計(jì)算公式以及權(quán)重最大化的計(jì)算公式分別為：

(16)

式中，w代表相應(yīng)成分的權(quán)重，Ciwj代表最大化權(quán)重，λi代表權(quán)重中非0的特征值。

實(shí)質(zhì)上主成分分析法是線性映射，為抵抗線性映射的缺點(diǎn)，可在主成分分析法中添加KPCA思想[14-15]，即利用變換的形式將樣本輸入到特征空間中，將原始數(shù)據(jù)變換成特征空間中的樣本數(shù)據(jù)后進(jìn)行主成分分析，以此解決因映射帶來的問題，得出目標(biāo)特征值的計(jì)算公式為

λi=Sui

(17)

式中，S代表特征空間內(nèi)的數(shù)據(jù)協(xié)方差矩陣，ui代表特征值的單位特征向量。

將特征向量根據(jù)協(xié)方差矩陣[16]進(jìn)行投影，得出樣本數(shù)據(jù)的特征量矩陣，該矩陣的成分就是樣本數(shù)據(jù)的特征值，其中特征值矩陣的計(jì)算公式為

Qi=Xi(μ1，…，μd)

(18)

式中，Qi代表特征值矩陣，Xi代表原始數(shù)據(jù)樣本，μ代表投影向量。

因此得出特征值與特征向量之間的聯(lián)系，其表達(dá)式為

(19)

式中，p代表特征值的數(shù)量，T代表該數(shù)據(jù)對(duì)應(yīng)的特征向量。

在提取移動(dòng)目標(biāo)特征的過程中為保證單位向量ui的穩(wěn)定性，需要將數(shù)據(jù)的特征向量進(jìn)行規(guī)劃化處理，并重建原始數(shù)據(jù)，數(shù)據(jù)重建的表達(dá)式為

(20)

式中，X′代表將特征向量規(guī)范化處理后的移動(dòng)目標(biāo)數(shù)據(jù)。

將規(guī)范后的數(shù)據(jù)代入式(17)中，計(jì)算出移動(dòng)目標(biāo)的特征值，將特征值根據(jù)自大到小的順序進(jìn)行排列，并綜合權(quán)重大小得出特征子空間，在特征子空間中將較小的特征向量舍棄，僅僅保留特征值較高的特征向量，為明確特征向量的保留界限，將協(xié)方差矩陣[17]的特征值與所有目標(biāo)數(shù)據(jù)特征值之比與閾值進(jìn)行比較，當(dāng)兩特征值之比小于閾值，則舍棄，否則保留。

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證基于VR的室內(nèi)空間視覺移動(dòng)目標(biāo)特征提取方法的整體有效性，在Matlab仿真軟件環(huán)境下，對(duì)所提方法、文獻(xiàn)[4]方法和文獻(xiàn)[5]方法進(jìn)行閾值對(duì)錯(cuò)誤率影響程度、重復(fù)率和特征點(diǎn)完整性測試，測試結(jié)果如下所示。

4.1 閾值對(duì)錯(cuò)誤率影響程度

大部分閾值的選取會(huì)對(duì)特征提取有較大的影響，即特征提取對(duì)閾值的依賴性較大，因?yàn)槟壳疤卣魈崛〉姆椒ň鶎?duì)閾值的依賴程度進(jìn)行削弱，就特征提取對(duì)閾值的影響展開研究，得出最優(yōu)特征提取方法。

為提高實(shí)驗(yàn)可信度，分別選取兩種不同的目標(biāo)特征進(jìn)行提取，判斷在不同閾值下三種方法的提取錯(cuò)誤率，結(jié)果如圖1和圖2所示。

圖1 編號(hào)1特征值下三種方法的提取錯(cuò)誤率

圖2 編號(hào)2特征值下三種方法的提取錯(cuò)誤率

經(jīng)過對(duì)圖1圖2的分析，最直觀的結(jié)果就是所提方法是三種特征提取方法中錯(cuò)誤率最低的，經(jīng)仔細(xì)分析發(fā)現(xiàn)，所提方法是三種方法對(duì)閾值依賴度最低的，隨著閾值的增長，移動(dòng)目標(biāo)的提取錯(cuò)誤率會(huì)隨之增加，而所提方法因?yàn)樘崆皩?duì)數(shù)據(jù)進(jìn)行預(yù)處理，將其中冗余數(shù)據(jù)刪除，并進(jìn)行背景分割，可有效提取特征，從而降低提取錯(cuò)誤率，以此降低特征提取對(duì)閾值的依賴，但其它兩種方法的錯(cuò)誤率仍不斷上升，尤其是文獻(xiàn)[5]方法，因此驗(yàn)證所提方法為最優(yōu)特征提取方法。

4.2 重復(fù)率

特征提取的目的就是保證信息內(nèi)容不變的同時(shí)縮小數(shù)據(jù)范圍，因此特征提取中最忌諱含有重復(fù)內(nèi)容，進(jìn)而將信息重復(fù)率視為最優(yōu)特征提取方法的驗(yàn)證指標(biāo)，即在同一環(huán)境下利用三種方法進(jìn)行移動(dòng)目標(biāo)特征提取，在結(jié)果中查找相同的特征，相同的特征越多，說明方法性能越差。

表1 三種方法特征點(diǎn)提取重復(fù)率

根據(jù)表1可知，三種方法在特征提取過程中均避免不了提取出相同特征點(diǎn)的情況，通過比較發(fā)現(xiàn)，所提方法的特征提取結(jié)果重復(fù)率最低，均沒有超過整體的5%，其他兩種方法的重復(fù)率都過高，違背了特征提取的目的，從而證明所提方法的優(yōu)勢性。

4.3 特征點(diǎn)完整性

特征提取在實(shí)際操作過程中因各種因素?zé)o法做到理論效果下的信息完整性，而能將信息完整性相對(duì)地提高到最高程度即為性能最好的特征提取方法。

在同一環(huán)境下利用三種方法對(duì)同一移動(dòng)目標(biāo)進(jìn)行特征提取，判斷其特征信息提取量與實(shí)際特征量之間的比值，實(shí)驗(yàn)結(jié)果如圖3所示。

圖3 三種方法的特征量提取量百分比

根據(jù)實(shí)驗(yàn)結(jié)果可知，所提方法提取出的特征量與實(shí)際的特征量較為一致，其余兩種方法提取出的特征量與實(shí)際特征量之間具有一定的差距，說明文獻(xiàn)[4]方法和文獻(xiàn)[5]方法得出的結(jié)果中有部分重復(fù)出現(xiàn)的特征量，或部分實(shí)驗(yàn)中所提取的特征量不完整，因此證明了所提方法的有效性。

5 結(jié)束語

VR系統(tǒng)多數(shù)應(yīng)用于視頻等行業(yè)中，這種企業(yè)的特點(diǎn)是數(shù)據(jù)量過大，為方便后續(xù)操作和計(jì)算，提出基于VR的室內(nèi)空間視覺移動(dòng)目標(biāo)特征提取方法，該方法首先對(duì)數(shù)據(jù)進(jìn)行歸一和分割的預(yù)處理，其次在主成分分析法的幫助下完成移動(dòng)目標(biāo)的特征提取，實(shí)現(xiàn)室內(nèi)空間視覺移動(dòng)目標(biāo)特征提取，解決了閾值對(duì)錯(cuò)誤率影響程度高、重復(fù)率高和特征點(diǎn)完整性低的問題，有利于加強(qiáng)VR系統(tǒng)的運(yùn)行速度，提高企業(yè)質(zhì)量。