基于動態(tài)輪廓曲線的運動圖像特征識別研究

1 引言

隨著圖像處理技術(shù)的不斷應(yīng)用與發(fā)展,運動圖像的特征識別與輪廓精準(zhǔn)提取在軍事偵察、體育運動等領(lǐng)域得到充分的重視[1-3]。運動圖像因復(fù)雜環(huán)境與目標(biāo)自身運動的原因,會導(dǎo)致圖像的輪廓特征模糊和曲線特征不均等一系列問題[4]。針對運動圖像的特征識別,研究者提出大量的檢測方法,如圖像數(shù)據(jù)法和圖像局部能量分析法等,然而這些方法沒有對運動圖像的輪廓曲線進行區(qū)分,從應(yīng)用效果來看,運動圖像的特征識別與輪廓檢測依舊屬于開放性課題,在不同的應(yīng)用場景中,遇到了諸多困難,因此吸引了不少研究學(xué)者,一直有新的方法被提出來。

文獻[5]通過分析圖像的輪廓特征,采用最大類間方差模糊約束得出圖像的隸屬度函數(shù),并計算出運動目標(biāo)的多個閾值,利用閾值求解出圖像輪廓內(nèi)離中心點最近的兩個輪廓點中心值,通過曲率角度求出的曲率符號對圖像輪廓特征進行提取,該方法對圖像特征提取的誤差率較低,提取精度較高。文獻[6]對運動圖像中的尺度不變特性進行預(yù)處理,得到運動目標(biāo)的特征提取圖,為了保證特征序列的連續(xù)性,設(shè)計了序列概率圖模型,并采用序列影像輪廓提取法對建立的運動目標(biāo)外觀模型進行輪廓線的提取,該方法對運動圖像的輪廓提取精度較高,魯棒性較好。文獻[7]通過三維動態(tài)跟蹤識別法對運動圖像的特征進行提取,結(jié)合AR虛擬技術(shù)分割運動圖像的輪廓,并繪制出運動目標(biāo)特征的灰度直方圖,采用Harris檢測方法對運動目標(biāo)的實時動作進行捕捉,完成運動目標(biāo)的三維虛擬重構(gòu)成像操作,該方法對運動圖像的識別能力較強,檢測性能較高。

基于以上研究,本文提出基于動態(tài)輪廓曲線的運動圖像特征識別方法。將運動目標(biāo)的邊緣分為背景邊緣和輪廓邊緣,通過抑制強度對背景邊緣起到抑制的作用。根據(jù)本文對運動圖像跟蹤識別系統(tǒng)的設(shè)計,完成運動圖像的跟蹤識別與修復(fù)功能。

2 圖像背景抑制

對運動圖像進行特征識別時,需要對圖像輪廓的候選邊緣進行處理,得出圖像的輪廓邊緣。傳統(tǒng)方法無法對圖像的細小邊緣進行處理,大大降低了輪廓提取的準(zhǔn)確性?；趫D像視覺特征,本文將邊緣分為背景邊緣和輪廓邊緣,提高分類識別的概率,增強輪廓提取的性能。圖像的方向選擇權(quán)重函數(shù)可表示為

Δ(x,y,x-α,y-β)=

|cos(φ(x,y)-φ(x-α,y-β))|

(1)

其中,(x,y)表示當(dāng)前圖像點;(α,β)表示當(dāng)前點的偏移量;φ表示梯度方向角。若當(dāng)前點與偏移量間的夾角為零,表示方向選擇權(quán)重值最大;若當(dāng)前點與偏移量間相互垂直,表示方向選擇權(quán)重值最小。對于任何一個圖像點,均可量化為鄰域點的梯度幅值加權(quán)和,那么背景抑制量可表示為

(2)

其中,Agra(x-α,y-β)表示背景抑制點的梯度幅值;Ψ表示偏移量所有點的集合。圖像當(dāng)前點外梯度幅值經(jīng)過背景抑制后的響應(yīng)公式可表示為

Brep(x,y)=Erep(Agra(x,y)-γ(x,y)))

(3)

其中,γ表示背景的抑制強度,起到對背景紋理的抑制與運動圖像輪廓邊緣保留的作用。當(dāng)γ被設(shè)置為較大值時,在加強抑制背景紋理邊緣的同時,也會對運動圖像輪廓的邊緣產(chǎn)生抑制;反之,當(dāng)γ被設(shè)置為較小值時,在加強運動圖像輪廓邊緣保留的同時,也會殘留大量的背景紋理邊緣。因此采用不同大小的抑制強度值對圖像進行處理。定義圖像點(x,y)的候選輪廓集為ocan(η,λk),那么候選輪廓集的交集和并集可表示為

(4)

其中,交集Oa,i中包含了很多不連續(xù)的輪廓片段;并集Oa,j中包含了完整的紋理邊緣和輪廓。為了篩選出運動圖像完整的輪廓邊緣,并能剔除掉背景的紋理邊緣,將歷遍并集中所有的邊緣。若有重疊的像素點,則將其加入組合中,結(jié)果可表示為

(5)

通過組合結(jié)果,在保留運動圖像完整的輪廓邊緣時,剔除背景紋理邊緣,大大提高了圖像正確分類的概率。

3 運動圖像系統(tǒng)設(shè)計

為了實現(xiàn)對運動圖像的快速跟蹤,提高對運行圖像信息的識別能力,需要對運動圖像的跟蹤識別系統(tǒng)進行設(shè)計。系統(tǒng)結(jié)構(gòu)模型如圖1所示。

圖1 運動圖像系統(tǒng)結(jié)構(gòu)模型

依據(jù)運動圖像的系統(tǒng)結(jié)構(gòu)模型,可將運動圖像的運動參量主要劃分為水平、縱向、縮放和旋轉(zhuǎn)等運動。通過對運動圖像像素點的提取與修復(fù),完成對運動圖像的跟蹤識別。

3.1 提取圖像輪廓像素點

假設(shè)原始運動圖像為二值圖像,用公式可表示為

(6)

(7)

對圖像的單幀角點進行匹配,得出角點(x,y)的亞像素坐標(biāo),進一步通過灰度篩選處理,得出圖像關(guān)鍵幀的輸出特征向量,公式可表示為

(8)

其中,D(·)表示圖像角點的軌跡;δ(n)表示小波分解尺度。采用B樣條曲線在動態(tài)模型中表示出圖像的平面輪廓,公式可表示為

(9)

其中,E(u)=[E0(u),E1(u),…,Eq-1(u)]T,且Ei(u)(0≤i≤l-1)。Ei(u)表示第i個B樣條曲線基函數(shù);l表示B樣條曲線基函數(shù)的數(shù)量;Gx(v)和Gy(v)分別表示圖像控制點在x軸和y軸的坐標(biāo)。

以Lagrangian動力學(xué)原理為基礎(chǔ),建立圖像動態(tài)輪廓線關(guān)于物理學(xué)部分的動力學(xué)方程,公式可表示為

H0+2K+LG=O

(10)

其中,H0表示物理學(xué)部分的質(zhì)量矩陣;K表示物理學(xué)部分的阻尼矩陣;L和O分別表示剛度矩陣和外荷載向量。

3.2 輪廓線的迭代收斂

以Newmark迭代算法為基礎(chǔ),對預(yù)處理后的運動圖像輪廓像素點進行提取,算法主要分為兩步:

1.計算初值

1)根據(jù)建立的動力學(xué)方程,計算出質(zhì)量矩陣、阻尼矩陣和剛度矩陣、和:M=H0、N=2K、P=L。

3)設(shè)置運動圖像的時間步長Δt、像素坐標(biāo)x和y,獲得積分常數(shù)(k0,k1,…,k7)。

4)求出最終的剛度矩陣:L=L+g0M+g1N。

2.迭代運算

1)當(dāng)時間為t+Δt時,計算出圖像的有效荷載:

Qt+Δt=Qt+Δt+M(g0Gt+g2Gt+g3t)+

N(g1Gt+g4Gt+g5t)

2)當(dāng)時間為t+Δt時,計算出圖像的位移:

LGt+Δt=Qt+Δt

3)當(dāng)時間為t+Δt時,計算出圖像的速度:

t+Δt=g0(Gt+Δt-Gt)-g2Gt-g3t

4)當(dāng)時間為t+Δt時,計算出圖像的加速度:

Gt+Δt=Gt+g7t+Δt+g6t

對分割后的初始目標(biāo)輪廓進行B樣條曲線擬合處理,實現(xiàn)運動圖像輪廓像素點的有效提取。

3.3 圖像修復(fù)優(yōu)化處理

提取運動圖像輪廓像素點后,利用修復(fù)優(yōu)化算法對圖像的像素點進行修復(fù)。首先通過拓撲梯度最小重構(gòu)路徑耦合修復(fù)方法對運動圖像損壞區(qū)域進行識別。然后通過拓撲梯度方法確定運動圖像的拓撲梯度以及輪廓修復(fù)的關(guān)鍵點。最后通過像素關(guān)鍵點構(gòu)成修復(fù)區(qū)域的連續(xù)輪廓,求出最小輪廓路徑。

設(shè)圖像的損壞區(qū)域為Jare,損壞區(qū)域的邊界為hbou,輸入的運動圖像為pima,運動圖像待修復(fù)區(qū)域的輪廓為hd和hn。那么運動圖像的拓撲梯度公式可表示為

I(x,m)=-[(?hd(x)·m)(?sd(x)·m)]+

[(?hn(x)·m)(?sn(x)·m)]

(11)

其中,sd和sn分別表示相鄰像素點的狀態(tài);?表示梯度運算;m表示特征向量。將式(6)進行轉(zhuǎn)化,可表示為

I(x,m)=mTR(x)m

(12)

其中,R(x)表示對稱矩陣,拓撲梯度值在對稱矩陣與特征向量為相關(guān)矢量時取得最小值。通過像素點狀態(tài)的獲取,可以求出圖像損壞區(qū)域的對稱矩陣及最小特征值。選擇峰值信噪比對修復(fù)優(yōu)化后的圖像質(zhì)量進行評估,運動圖像修復(fù)優(yōu)化的反饋機制用公式可表示為

(13)

4 仿真結(jié)果分析

為了驗證基于動態(tài)輪廓曲線的運動圖像特征識別方法的跟蹤識別性能,同時對系統(tǒng)的可靠性進行驗證,首先選擇Nikon D7200采集設(shè)備完成運動圖像的采集工作,測試選取不同權(quán)重值(0.1～0.9)時以及不同背景抑制強度(0～4)時對算法性能的影響。算法平均檢測性能的仿真結(jié)果如圖2所示。

圖2 不同權(quán)重值下的性能結(jié)果

從圖中可以看出,當(dāng)權(quán)重取值為0.5時,本文算法對運動圖像特征識別的性能達到最優(yōu)狀態(tài)。在算法參數(shù)設(shè)置中,將權(quán)重設(shè)置為最優(yōu)值0.5,驗證背景抑制強度對運動圖像平均檢測性能的影響,仿真結(jié)果如圖3所示。

圖3 不同抑制強度下的性能結(jié)果

從圖中可以看出,當(dāng)抑制強度取值較小時,由于無法有效的對運動圖像背景紋理進行抑制,導(dǎo)致算法的性能較低;當(dāng)抑制強度大于2時,由于對運動圖像的輪廓邊緣加強了抑制作用,使算法是去了局部性,因此導(dǎo)致圖像的平均檢測性能降低,通過仿真可以得出抑制強度最優(yōu)值的大小為2。

其次選取600個視頻片段,包含動漫、體育等多種類,并從中隨機選擇10個運動圖像關(guān)鍵幀的采樣點,以運動圖像幀匹配度作為測試指標(biāo),并采用文獻[5]、文獻[6]以及文獻[7]中所提方法作為比較,最終結(jié)果如圖4所示。

圖4 圖像幀匹配度對比結(jié)果

從圖中可以看出,采用文獻[5]方法隨著運動目標(biāo)在轉(zhuǎn)動的過程中,圖像幀的匹配度逐漸降低;文獻[6]方法在運動目標(biāo)旋轉(zhuǎn)角度小于40度時,圖像幀的匹配度維持在穩(wěn)定狀態(tài),之后該方法不穩(wěn)定,出現(xiàn)抖動;文獻[7]方法在運動目標(biāo)旋轉(zhuǎn)角度小于60度前,圖像幀的匹配度較高,但之后匹配度較低;而采用本文方法對運動圖像幀進行跟蹤,幀的匹配度較高,處于穩(wěn)定狀態(tài),因此本文方法不僅可以提高運算效率,還可以對圖像幀進行準(zhǔn)確的跟蹤,跟蹤性能良好。

為了進一步評估本文方法對運動圖像的修復(fù)性能,對隨機選擇10幅圖像輪廓像素點的修復(fù)數(shù)量、信噪比和峰值信噪比進行仿真測試,同樣采用文獻[5]、文獻[6]以及文獻[7]中所提方法作為比較,表1與表2描述了各方法的數(shù)據(jù)結(jié)果。

表1 修復(fù)點數(shù)量對比結(jié)果

表2 峰值信噪比對比結(jié)果

從表1中可以看出,采用本文方法對運行圖像進行修復(fù),圖像輪廓像素點的修復(fù)數(shù)量明顯比其它三種方法多,表明本文方法修復(fù)圖像的輪廓區(qū)域較大,修復(fù)效果優(yōu)越。從表2中可以看出,采用本文方法,運動圖像輪廓像素點的峰值信噪比均高于50dB,說明對圖像的修復(fù)質(zhì)量更高。驗證了本文方法能夠在較大程度上對圖像的細節(jié)進行修復(fù),且修復(fù)性能較好。

5 結(jié)束語

為了提高對運動圖像的識別能力,提出一種基于動態(tài)輪廓曲線的運動圖像特征識別方法。通過圖像的方向選擇權(quán)重函數(shù)確定權(quán)重值,并通過對背景抑制強度值的設(shè)定,抑制背景紋理與保留運動圖像輪廓邊緣。通過角點檢測和圖像動態(tài)輪廓線的動力學(xué)方程對圖像像素點進行跟蹤。同時引入修復(fù)優(yōu)化算法對運動圖像的輪廓損壞區(qū)域進行自動識別,根據(jù)峰值信噪比對圖像修復(fù)的效果進行評估。為了驗證本文方法對運動圖像特征的跟蹤識別性能,選擇Nikon D7200采集設(shè)備完成運動圖像的采集工作,通過仿真選擇出最優(yōu)的權(quán)重值和背抑制強度值。實驗結(jié)果表明,本文方法可以對圖像幀進行準(zhǔn)確的跟蹤與識別,而且能夠在較大程度上對圖像的細節(jié)進行修復(fù),且具有較好的修復(fù)性能。