馬德+李少聰+劉格+張軍峰

摘 要： 針對現(xiàn)行的圖像分解方法對于分割精確的運動目標可以準確地進行分解，但當運動環(huán)境復(fù)雜、運動目標分割過程中受到陰影干擾而導(dǎo)致運動目標形狀特征發(fā)生突變，進一步導(dǎo)致圖像分解抗噪性能差，陰影區(qū)域去除不完全、分割精度低等問題，提出一種基于行為視覺的運動過程合理化圖像分解方法。采用背景去除法提取運動區(qū)域，依據(jù)運動目標幾何特征對是否存在運動區(qū)域陰影部分進行判斷及粗分割，結(jié)合區(qū)域一致性測度方法對陰影區(qū)域中全影及半影進行有效檢測和去除。依據(jù)運動目標外觀表征構(gòu)建了一種能量變化圖，提取出描述運動目標形狀信息和運動信息的行為特征，利用運動行為特征作為聚類中心，采用人工蜂群模糊聚類方法求解運動過程圖像中的最優(yōu)聚類中心，依據(jù)最大隸屬度原則對運動過程圖像進行分解。實驗結(jié)果表明，該方法有效去除了運動目標圖像陰影區(qū)域，具有抗噪性強、分解精度高等優(yōu)點。

關(guān)鍵詞： 行為視覺； 運動過程； 合理化； 圖像分解； 分割精度； 聚類中心

中圖分類號： TN911.73?34； TP391.41 文獻標識碼： A 文章編號： 1004?373X（2018）04?0180?03

Abstract： In allusion to the problem that the current image decomposition method can accurately decompose the moving targets with segmentation precision， but when the motion environment is complex and the segmentation process of moving targets is interfered by shadow， the shape characteristics of moving targets change suddenly， and the anti?noise performance of image decomposition becomes worse with incomplete shadow area removal and low segmentation precision， a motion process rationalization method for image decomposition based on behavioral vision is proposed. The background removal method is adopted to extract the motion area. The shadow area of the motion area is judged and coarsely divided according to the geometric features of moving targets. The full shadows and penumbras in the shadow area are effectively detected and removed with the region consistency measurement method. According to the appearance of moving targets， an energy variation map is constructed to extract the behavioral features that describe the shape information and motion information of moving targets. With motion behavior features as the clustering center， the artificial bee swarm fuzzy clustering method is used to solve the best cluster center in motion process images. According to the maximum membership degree principle， the motion process images are decomposed. The experimental results show that this method can effectively remove the shadow area of moving target images and has the advantages of strong anti?noise performance and high decomposition precision.

Keywords： behavioral vision； motion process； rationalization； image decomposition； segmentation precision； clustering center

運動行為視覺分析作為近年來計算機視覺領(lǐng)域中關(guān)注的重點，而運動過程圖像分解技術(shù)是行為視覺合理化分析研究中的首要問題。目標運動過程中圖像分解的研究不僅可以使目標行為判斷工作突破當前應(yīng)用領(lǐng)域的“瓶頸”，其研究成果還可以應(yīng)用于如視頻監(jiān)控、人機交互、輔助臨床醫(yī)療診斷等多個領(lǐng)域[1]。目前多數(shù)運動過程行為圖像分解研究中，由于缺乏對復(fù)雜環(huán)境下運動過程合理化分解的有效手段，很多方法對分解問題沒有進行深入研究。另外，當前運動過程圖像分解方法多數(shù)在給定環(huán)境下進行，當運動目標在特殊位置或給定環(huán)境下變化時，很多方法無法做到自適應(yīng)處理。

趙東等人提出一種針對簡單背景下運動圖像進行分解時采用的多目標優(yōu)化方法[2]。將時間以及環(huán)境因素視為動態(tài)因子，利用K均值算法建立運動圖像多目標函數(shù)，結(jié)合多目標粒子群算法，采用背景差分法描述運動環(huán)境變化規(guī)則，實現(xiàn)運動過程圖像分解。該方法對于分割精確的運動目標可以準確地進行分解，但當運動環(huán)境復(fù)雜、特別是在運動目標分割過程中受到陰影干擾導(dǎo)致了運動目標形狀特征發(fā)生突變，進一步導(dǎo)致圖像分解抗噪性能差，陰影區(qū)域去除不完全、分割精度低等問題。對上述問題進行改進，提出一種基于行為視覺的運動過程合理化圖像分解方法。endprint

實驗結(jié)果表明，該方法有效去除了運動目標圖像全影區(qū)域以及半影區(qū)域，具有抗噪性強，分解精度高等優(yōu)點。

1 基于行為視覺的運動過程合理化圖像分解

1.1 基于場景變化分析的自適應(yīng)背景更新方法

幾乎所有的運動目標行為視覺分析首先都要進行目標運動過程檢測，對運動過程進行檢測的目的是從運動過程圖像序列中分割出與運動目標相對應(yīng)的區(qū)域[3]。采用背景去除法提取運動區(qū)域，依據(jù)運動目標幾何特征對是否存在運動區(qū)域陰影部分進行判斷及粗分割，結(jié)合區(qū)域一致性測度方法對陰影區(qū)域中全影及半影進行有效檢測和去除。

采用近鄰兩幀運動過程圖像及背景模型對運動變化區(qū)域進行檢測，以運動變化區(qū)域的大小對運動場景變化進行分析[4]。當運動場景內(nèi)光線發(fā)生變化時，運動場景內(nèi)的變化范圍會較大。當發(fā)現(xiàn)運動過程圖像目標在給定時間內(nèi)不再運動，將其歸類于衍生背景，將目標疊加在原始運動過程背景中[5]。假設(shè)，運動過程圖像當前像素點的坐標是[（i，j）]，其相應(yīng)的鄰域為[R={（m，n）（m-i）≤L}]，[L]用于描述其鄰域長度的[12]。[lθ]表示過中心點且角度為[θ]的一條直線，并將此鄰域劃分為[Sθ1]和[Sθ2]，則方向性運動過程圖像信息測度[Mθ]為：

式中：[dθmax]，[dθmin]分別表示最大、最小測度；[xij]用于描述運動過程圖像像素點[（i，j）]的灰度值。從原始運動過程圖像中獲得觀測尺度較小時的方向性信息測度[MS]以及觀測尺度較大時的方向性信息測度[ML]，將這兩項進行歸一化處理[6]，求取這兩項之間的差值。通過上述過程采用方向信息測度對圖像運動區(qū)域像素進行分類處理后，需要對運動過程圖像的邊緣區(qū)域求取邊緣寬度[7]，對于運動區(qū)域鄰域[R]，過中心點[（m，n）]，以方向[θ]將[R]劃分為兩個部分，對于已經(jīng)判定為運動過程圖像邊緣區(qū)域的鄰域[R]，[l]可描述為可變化的鄰域長度，[Rhi]表示為長度為[l]時的運動區(qū)域一致性測度。采用Canny算子對運動區(qū)域邊緣進行檢測，定義運動區(qū)域邊緣窗口大小為[[-32σ，32σ]]，通過三次B樣條在尺度[s]下的窗口大小可描述為[[-2s+1，2s-1]]，選取相同大小的窗口，運動區(qū)域邊緣濾波尺度為[σ=23s]，采用運動過程圖像背景中陰影部分的灰度以及被遮擋前此陰影部分比值的關(guān)系進行陰影檢測[8]。

定義運動過程目標圖像的灰度值為[s（x，y）]，[s（x，y）=E（x，y）ρ（x，y）]用于描述運動目標成像模型，[E（x，y）]用于描述光照強度，[ρ（x，y）]用于描述運動過程圖像背景反射系數(shù)。[sk+1（x，y）]表示圖像陰影區(qū)域的灰度，[sk（x，y）]用于描述被遮擋前此陰影區(qū)域的灰度，則運動區(qū)域圖像陰影遮擋前后兩個區(qū)域灰度值之比為：

依據(jù)上述圖像幀的比值對運動過程陰影區(qū)域進行檢測。

1.2 基于能量變化圖和人工蜂群模糊聚類的圖像分解

依據(jù)運動目標外觀表征構(gòu)建了一種能量變化圖，提取出描述運動目標形狀信息和運動信息的行為特征，利用運動行為特征作為聚類中心[9]，采用人工蜂群模糊聚類方法求解運動過程圖像中的最優(yōu)聚類中心，依據(jù)最大隸屬度原則對運動過程圖像進行分解。

在行為分析視覺分析中運動目標特征信息對行為的表征具有重要作用，采用一種可以突出運動特征的平均運動能量圖[VEI]，同時獲得運動過程輪廓序列的標準差圖像[10]。為了提高運動過程圖像分解速度，利用運動行為特征作為聚類方法的數(shù)據(jù)樣本，圖像數(shù)據(jù)的空間維度，利用式（3）給出目標函數(shù)：

式中：[n]用于描述運動過程灰度級樣本數(shù)據(jù)；[c]用于描述聚類數(shù)量；[U]表示隸屬度矩陣；[μm″i（xk）]表示[U]的元素；[V]表示運動過程行為圖像聚類中心；[m″]表示模糊隸屬度指數(shù)；[d2i，k=xk-vi2]表示運動過程行為圖像第[k]個灰度級[xk]至第[i]個聚類中心[vi]之間的歐氏距離。

以式（3）中的目標函數(shù)為基礎(chǔ)，建立運動過程圖像分解適應(yīng)度函數(shù)[Fi]，將目標函數(shù)的極小值問題轉(zhuǎn)化為求解適應(yīng)度函數(shù)[Fi]的極大值問題，如下：

式中，[λ]用于描述適應(yīng)度函數(shù)。

2 實驗結(jié)果與分析

為了證明本文提出的基于行為視覺的運動過程合理化圖像分解方法的有效性，需要進行一次實驗。采用的計算機配置為i7?2600，內(nèi)存為4 GB，獨立顯卡2 GB。實驗數(shù)據(jù)來源于Weizmann科學研究所提供的運動行為數(shù)據(jù)庫，在該數(shù)據(jù)庫中，由于運動圖像的陰影區(qū)域非常少，不同方法圖像分解效果不明顯，重新選取一段運動視頻圖像。將原運動圖像尺度大小調(diào)整至200×320。以下實驗利用本文方法、文獻[8]方法檢測運動過程圖像陰影，實驗結(jié)果中，運動圖像陰影區(qū)域灰度值為0，非陰影區(qū)域灰度值為255，運動圖像未分解區(qū)域灰度為原值。本文方法通過對比不同陰影區(qū)域與遮擋前此區(qū)域運動圖像灰度比值判定陰影，不同方法檢測結(jié)果如圖1所示。

依據(jù)對比值圖像執(zhí)行基于方向信息測度的比值運動圖像像素的分類，獲得運動區(qū)域陰影部分，由于含有的運動過程圖像數(shù)據(jù)較多，本文方法不僅獲得了運動目標及陰影區(qū)域的粗分割結(jié)果，又考慮了運動過程圖像陰影、非陰影劃分條件。可以看出圖1b）中的運動過程圖像陰影區(qū)域檢測精度較高，可以劃分的區(qū)域較多。對于圖1b）、圖1c）陰影區(qū)域的形狀可以看出本文方法進行陰影檢測效果較優(yōu)。

3 結(jié) 論

本文方法通過對運動過程圖像分解技術(shù)進行了分析，在運動目標提取、運動過程圖像陰影去除以及圖像分解等多個方面提出了基于行為視覺的運動過程合理化圖像分解方法。實驗結(jié)果表明，所提方法對運動過程圖像邊緣陰影進行檢測，達到半影去除的目的，對運動區(qū)域進行邊緣檢測具有較好的抗噪性能，運動過程圖像分解結(jié)果精度較高，為較為復(fù)雜的運動環(huán)境下目標分解在實際過程中的應(yīng)用奠定了基礎(chǔ)。endprint

參考文獻

[1] 董蓉，李勃，徐晨.基于彩色對數(shù)圖像處理的運動陰影檢測方法[J].計算機工程與設(shè)計，2016，37（8）：2155?2159.

DONG Rong， LI Bo， XU Chen. Moving shadow detection method based on color logarithmic image processing [J]. Computer engineering and design， 2016， 37（8）： 2155?2159.

[2] 趙東，趙宏偉，于繁華.動態(tài)多目標優(yōu)化的運動物體圖像分割[J].光學精密工程，2015，23（7）：2109?2116.

ZHAO Dong， ZHAO Hongwei， YU Fanhua. Moving object image segmentation by dynamic multi?objective optimization [J]. Optics and precision engineering， 2015， 23（7）： 2109?2116.

[3] 王輝，孫洪.低秩稀疏分解下多尺度積的運動目標檢測方法[J].信號處理，2016，32（12）：1425?1433.

WANG Hui， SUN Hong. A method of low?rank decomposition with multi?scale product for moving object detection [J]. Journal of signal processing， 2016， 32（12）： 1425?1433.

[4] 劉曼，譚海佩，張月.基于灰色關(guān)聯(lián)分析的運動角度規(guī)范性智能判斷[J].激光雜志，2017，38（8）：160?163.

LIU Man， TAN Haipei， ZHANG Yue. Motion angle normative intelligent judgment based on gray correlation analysis [J]. Laser journal， 2017， 38（8）： 160?163.

[5] 樊翠紅.人體視頻運動圖像的高精度實時分割仿真研究[J].計算機仿真，2016，33（1）：268?271.

FAN Cuihong. Simulation research on the high precision and real?time segmentation for video image of human motion [J]. Computer simulation， 2016， 33（1）： 268?271.

[6] 張永梅，巴德凱，邢闊.基于模糊閾值的自適應(yīng)圖像分割方法[J].計算機測量與控制，2016，24（4）：126?128.

ZHANG Yongmei， BA Dekai， XING Kuo. At method of fuzzy threshold for adaptive image segmentation [J]. Computer measurement & control， 2016， 24（4）： 126?128.

[7] 王瑜，閆沫.基于Wasserstein距離和分裂Bregman方法的圖像分割算法[J].電子設(shè)計工程，2017，25（2）：140?144.

WANG Yu， YAN Mo. Image segmentation based on Wasserstein distance and split Bregman method [J]. electronic design engineering， 2017， 25（2）： 140?144.

[8] 李正周，侯倩，付紅霞，等.基于空時聯(lián)合稀疏重構(gòu)的紅外小弱運動目標檢測方法[J].強激光與粒子束，2015，27（9）：26?31.

LI Zhengzhou， HOU Qian， FU Hongxia， et al. Infrared small moving target detection algorithm based on joint spatio?temporal sparse recovery [J]. High power laser and particle beams， 2015， 27（9）： 26?31.

[9] 趙克軍，胡驍東，張弘.由粗定位到精提取的圖像顯著區(qū)域檢測[J].科學技術(shù)與工程，2015，15（31）：67?73.

ZHAO Kejun， HU Xiaodong， ZHANG Hong. From rough location to refining to detect image salient region [J]. Science technology and engineering， 2015， 15（31）： 67?73.

[10] 黃榮梅.視頻幀色差突變圖像的背景檢測參量提取[J].科技通報，2015，31（8）：78?80.

HUANG Rongmei. Video frame color mutation image background detection parameters extraction [J]. Bulletin of science and technology， 2015， 31（8）： 78?80.endprint