高志峰，汪 渤，周志強(qiáng)

(北京理工大學(xué) 自動(dòng)化學(xué)院，北京 100081)

基于貝葉斯分類器的實(shí)時(shí)圖像目標(biāo)識(shí)別實(shí)驗(yàn)研究

高志峰，汪 渤，周志強(qiáng)

(北京理工大學(xué) 自動(dòng)化學(xué)院，北京 100081)

基于對(duì)不完全樸素貝葉斯分類器的分析，提出一種離線訓(xùn)練在線識(shí)別的目標(biāo)圖像識(shí)別與跟蹤實(shí)驗(yàn)方法。實(shí)驗(yàn)將模板圖像與目標(biāo)實(shí)時(shí)圖像之間的特征匹配問(wèn)題轉(zhuǎn)換為特征分類問(wèn)題，并在成像自尋的導(dǎo)引系統(tǒng)上運(yùn)行。實(shí)驗(yàn)結(jié)果表明，該方法在保持很高魯棒性的同時(shí)，大幅減少在線目標(biāo)識(shí)別的計(jì)算量，具有較強(qiáng)的實(shí)時(shí)性。

圖像處理；貝葉斯分類器；目標(biāo)識(shí)別；實(shí)驗(yàn)

在圖像實(shí)驗(yàn)中，實(shí)時(shí)圖像目標(biāo)識(shí)別與跟蹤技術(shù)是一項(xiàng)新的教學(xué)實(shí)驗(yàn)，是圖像處理領(lǐng)域一個(gè)熱門話題。它在公共安全、軍事、智能交通等領(lǐng)域都有著非常廣泛的應(yīng)用，對(duì)于推動(dòng)實(shí)驗(yàn)教學(xué)發(fā)展，培養(yǎng)學(xué)生的科研創(chuàng)新能力具有重要意義。

圖像目標(biāo)識(shí)別問(wèn)題實(shí)際上是模板圖像與實(shí)時(shí)圖像之間的寬基線匹配問(wèn)題，而圖像匹配主要應(yīng)用基于特征的匹配方法，比如Shen和Wang[1]設(shè)計(jì)的實(shí)時(shí)灰度角點(diǎn)檢測(cè)算法，Mikolajczyk和Schmid[2]提出的Harris-Laplacian尺度不變點(diǎn)檢測(cè)方法，Lowe[3]等提出的尺度不變的SIFT關(guān)鍵點(diǎn)檢測(cè)方法。但是，以上算法建立和描述算子匹配均需要進(jìn)行大量計(jì)算，由于圖像處理大多采用嵌入式處理器，如DSP等，計(jì)算速度及能力有限，因此，繁重的計(jì)算量對(duì)于圖像處理、實(shí)時(shí)跟蹤運(yùn)算非常不利。

Lepetit等人[4_5]將上述寬基線圖像特征匹配問(wèn)題轉(zhuǎn)化為特征分類問(wèn)題，將描述子方法中最耗時(shí)的局部特征向量的計(jì)算通過(guò)離線訓(xùn)練的方式進(jìn)行;通過(guò)在訓(xùn)練階段統(tǒng)計(jì)局部區(qū)域的類條件概率的聯(lián)合分布，將在線特征分類計(jì)算歸入貝葉斯分類理論框架之下[6_7]。該方法在對(duì)寬基線匹配問(wèn)題保持很高魯棒性的同時(shí)，大幅減少在線目標(biāo)識(shí)別階段的計(jì)算量，能夠較容易地滿足跟蹤的實(shí)時(shí)性要求。

1 實(shí)驗(yàn)原理

貝葉斯(Bayesian)分類器是一種基于統(tǒng)計(jì)理論的分類方法。對(duì)于包含M個(gè)類別的樣本集C= {c1，c2，…，cM}，分類器首先計(jì)算N維特征向量χ =[χ1，χ2，χN]T屬于每個(gè)類別標(biāo)簽(i=1，2，3，…，M)的后驗(yàn)概率Pr(ci｜χ)，通過(guò)將其排序并取最大值的方式來(lái)得到特征χ所屬的類別標(biāo)簽。貝葉斯公式如下：

則分類問(wèn)題可以歸結(jié)為如下的最大值問(wèn)題

樸素貝葉斯(Naive Bayesian，NB)假設(shè)特征向量的所有分量之間條件獨(dú)立，使計(jì)算規(guī)模和復(fù)雜度大大降低。此時(shí)，類條件概率Pr(χ｜可簡(jiǎn)化為：

當(dāng)條件獨(dú)立假設(shè)成立的時(shí)候，與其他分類算法比較，樸素貝葉斯分類的準(zhǔn)確率是非常高的。但是，在特征點(diǎn)分類的應(yīng)用中，局部區(qū)域內(nèi)的大量二值比較運(yùn)算蘊(yùn)含著一定的內(nèi)在聯(lián)系，很難滿足上述條件獨(dú)立假設(shè)。針對(duì)這種情況，采用不完全樸素貝葉斯分類模型[8](Semi-Naive Bayesian)，這種分類模型放松了樸素貝葉斯分類器的條件獨(dú)立假設(shè)，既保留了樸素貝葉斯分類模型的高效性，又考慮到了部分屬性間的關(guān)聯(lián)性。將N維特征向量χ=[χ1，χ2，χN]T均分為S個(gè)特征子向量，則每個(gè)子向量包含R=N/S個(gè)二值特征分量，并假設(shè)不同子向量之間相互獨(dú)立，每個(gè)子向量?jī)?nèi)的二值特征分量之間具有相關(guān)性。將其中每一個(gè)子向量定義為一個(gè)fern，用符號(hào)Fk表示，單獨(dú)計(jì)算每個(gè)fern對(duì)應(yīng)的類條件概率的聯(lián)合分布Pr(Fk｜C=ci)，此時(shí)式(2)中類ci條件概率的聯(lián)合分布可表達(dá)成所有fern對(duì)應(yīng)的類條件概率之積，則可得基于不完全樸素貝葉斯分類模型的分類表達(dá)式：

不完全樸素貝葉斯分類算法在提高算法效率的同時(shí)，大大減少了存儲(chǔ)量，有利于工程應(yīng)用。

2 實(shí)驗(yàn)方法

將攝像頭獲取的圖像中的每個(gè)穩(wěn)定特征點(diǎn)ki均視為一個(gè)類別ci(i=1，2，3，…，M)

離線訓(xùn)練的目標(biāo)就是通過(guò)統(tǒng)計(jì)大量樣本的方式，獲得不完全樸素貝葉斯分類器分類所需的每個(gè)類ci及其對(duì)于所有fern的類條件概率Pr(Fk｜C=ci)。

以模板圖像為基準(zhǔn)，通過(guò)隨機(jī)仿射變換產(chǎn)生數(shù)量為N的訓(xùn)練圖像樣本集，在每個(gè)特征點(diǎn)鄰域內(nèi)，隨機(jī)選取S×R對(duì)像素點(diǎn)，即類別ci的S個(gè)fern中的R個(gè)二進(jìn)制特征值分量χj，利用貝葉斯分類器對(duì)樣本進(jìn)行分類[9]，即可完成離線訓(xùn)練。

在獲得特征點(diǎn)類條件概率的聯(lián)合分布之后，即可對(duì)實(shí)時(shí)輸入圖像的特征點(diǎn)進(jìn)行分類，從而實(shí)現(xiàn)特征匹配。

3 實(shí)驗(yàn)設(shè)備

實(shí)驗(yàn)利用北京理工大學(xué)導(dǎo)航、制導(dǎo)與控制研究所研制的成像自尋的導(dǎo)引系統(tǒng)，其結(jié)構(gòu)框圖如圖1所示。

圖1 成像自尋的導(dǎo)引系統(tǒng)結(jié)構(gòu)框圖

成像自尋的導(dǎo)引系統(tǒng)集高速圖像處理技術(shù)、復(fù)雜與機(jī)動(dòng)目標(biāo)自動(dòng)識(shí)別與跟蹤技術(shù)、光學(xué)平臺(tái)伺服控制技術(shù)于一體，旨在利用圖像信息自主鎖定和跟蹤目標(biāo)。系統(tǒng)由光學(xué)成像系統(tǒng)、圖像處理系統(tǒng)和三軸穩(wěn)定平臺(tái)組成，實(shí)物圖如圖2所示。

其中，圖像處理系統(tǒng)實(shí)現(xiàn)圖像預(yù)處理和目標(biāo)自動(dòng)識(shí)別的功能，在硬件上采用了以TI公司的DM642為核心處理器的視頻處理系統(tǒng)，該系統(tǒng)不僅支持MPEG4編碼，而且也有能力支持H.264編碼。DM642的兩個(gè)雙向視頻口可配置為四個(gè)10位視頻輸入口，存儲(chǔ)器擴(kuò)展接口(EMIF)可連接SDRAM或通過(guò)控制邏輯存儲(chǔ)設(shè)備，片上以太網(wǎng)口可通過(guò)物理接口作為網(wǎng)絡(luò)通道。DM642可以使學(xué)生迅速地著手設(shè)計(jì)，大大簡(jiǎn)化開發(fā)難度，有效地縮短了開發(fā)周期。

圖2 成像自尋的導(dǎo)引系統(tǒng)實(shí)物圖

系統(tǒng)通過(guò)JTAG口下載圖像處理算法軟件，并將離線特征訓(xùn)練階段生成的貝葉斯分類器分類的結(jié)果及二值特征點(diǎn)裝載到FLASH中，然后通過(guò)在線實(shí)時(shí)匹配階段融合已訓(xùn)練完成的特征分類器完成實(shí)時(shí)目標(biāo)匹配。

4 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證本文算法的效果，實(shí)驗(yàn)選取了如圖3所示的由遠(yuǎn)及近的三幅模板圖像。算法通過(guò)目標(biāo)圖像和模板圖像的特征匹配識(shí)別目標(biāo)，并隨著距離的拉近，目標(biāo)逐漸變大，算法可以自動(dòng)更換尺度遞增變化的模板圖像[10]，有效鎖定目標(biāo)點(diǎn)。這種遞階模板的更換過(guò)程及其跟蹤結(jié)果分別如圖4所示。可見，模板更換及時(shí)、有效，目標(biāo)識(shí)別準(zhǔn)確，驗(yàn)證了本文算法的有效性。

圖3 三幅由遠(yuǎn)及近的模板

圖4 多模板遞階跟蹤結(jié)果

實(shí)驗(yàn)算法運(yùn)行的硬件環(huán)境為：工作頻率為600 MHz的DM642處理器;32 MB的SDRAM; 4 MB的FLASH。采用C語(yǔ)言進(jìn)行算法軟件的開發(fā)。利用本文算法從模板圖像中提取200個(gè)特征點(diǎn)并通過(guò)訓(xùn)練得到類條件概率的特征分類，然后經(jīng)過(guò)大量的在線實(shí)時(shí)匹配實(shí)驗(yàn)，可以得到識(shí)別的成功率為88.6，目標(biāo)識(shí)別與跟蹤的速度為每幀19.8 ms，即50.5幀/s，而特征點(diǎn)數(shù)據(jù)總量為3 MB?？梢姡瑢?shí)驗(yàn)硬件滿足算法要求，算法計(jì)算量較小、速度快、實(shí)時(shí)性好、魯棒性強(qiáng)，滿足實(shí)時(shí)目標(biāo)識(shí)別與跟蹤的需求。

5 結(jié)束語(yǔ)

本文提出了一種基于對(duì)不完全樸素貝葉斯分類器實(shí)時(shí)圖像目標(biāo)識(shí)別算法，并在成像自尋的導(dǎo)引系統(tǒng)中得到了實(shí)現(xiàn)與驗(yàn)證，實(shí)驗(yàn)平臺(tái)效果直觀，人機(jī)交互性好，開闊了學(xué)生的視野，有利于培養(yǎng)學(xué)生分析問(wèn)題的能力。實(shí)驗(yàn)結(jié)果表明：該算法大幅降低了在線識(shí)別與跟蹤階段的計(jì)算量，具有很高的魯棒性和實(shí)時(shí)性。

[1]Shen F，Wang H.Real time gray level corner detector [J].Pattern Recognition Letters，2002，23(8).

[2]Mikolajczyk K，Schmid C.Indexing based on scale invariant interest points[J].Proc.Eighth Conf.Computer Vision，2001：525_531.

[3]Lowe D G.Distinctive image features from scale-invariant keypoints[J].International Journal of Computer Vision，2004，60(2)：91_110.

[4]Lepetit V，F(xiàn)ua P.Keypoint recognition using randomized trees[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2006，28(9)：1465_1479.

[5]Ozuysal M，Calonder M.Fast keypoint recognition using random ferns[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2010，32(3)：448_461.

[6]付麗，孫紅帆.基于貝葉斯分類器的圖像分類技術(shù)[J].長(zhǎng)春理工大學(xué)學(xué)報(bào)，2009，32(1)：132_134.

[7]董立巖，苑森淼，劉光遠(yuǎn).基于貝葉斯分類器的圖像分類.吉林大學(xué)學(xué)報(bào)，2007，45(2)：249_253.

[8]Zheng F，Webb G.A comparative study of semi-naive bayesmethods in classification learning[C]//Proceedings of the Fourth Australasian Data Mining Conference(Aus-DM05).Sudney：Ausdmos，2005：141_156.

[9]周志強(qiáng)，陳哲.貝葉斯景象匹配技術(shù)[J].北京航空航天大學(xué)學(xué)報(bào)，1999，25(3)：337_341.

[10]周志強(qiáng)，汪渤.尺度不變特征在自尋的電視制導(dǎo)中的應(yīng)用[J].電光與控制，2009(9)：6_8.

EXperimental Research on Real-time Image Target Recognition Based on Bayesian Classifier

GAO Zhifeng，WANG Bo，ZHOU Zhiqiang
(School of Automation，Beijing Institute of Technology，Beijing 100081，China)

Based on the research of Semi-navie Bayesian classifier，a target recognition and tracking experimentalmethod using offline training and online identification has been presented.Thismethod converts featuresmatching problem between the template image and the target image into feature classification.It can run on the imaging homing guidance system.The experimental results show that the method can significantly reduce the computation of the online target recognition whilemaintaining high robustness，and have a high real-time performance.

image processing;Bayesian classifier;target recognition;experiment

TP391.41

A

10.3969/j.issn.1672_4550.2014.01.008

2013_03_19

高志峰（1979_），男，碩士，實(shí)驗(yàn)師，研究方向：導(dǎo)航制導(dǎo)與控制、圖像處理等。