丁曉娜，孟祥艷（西安工業(yè)大學(xué) 電子信息工程學(xué)院，陜西 西安　710021）

基于仿生系統(tǒng)的雙視角運(yùn)動目標(biāo)檢測方法

丁曉娜，孟祥艷
（西安工業(yè)大學(xué) 電子信息工程學(xué)院，陜西 西安710021）

針對如何快速而精準(zhǔn)地檢測出運(yùn)動目標(biāo)問題，借鑒昆蟲復(fù)眼在視覺信息處理上的獨(dú)特技巧和原理，提出一種基于仿生視覺系統(tǒng)的運(yùn)動目標(biāo)快速檢測方法。為確保檢測效果，利用序列圖像中目標(biāo)和背景信息在空間和時間域上的灰度梯度變化差異及運(yùn)動連續(xù)性的特點(diǎn)，首先借助復(fù)眼對背景側(cè)抑制處理機(jī)制，采用DOG濾波和區(qū)域重構(gòu)相結(jié)合的方法，減少噪聲，增強(qiáng)目標(biāo)信息；其次依據(jù)EMD結(jié)構(gòu)和原理，設(shè)計出針對序列圖像的相關(guān)型EMDs目標(biāo)檢測模型，檢測出運(yùn)動目標(biāo)。仿真結(jié)果表明，該方法在濾除背景干擾同時，能快速而準(zhǔn)確地檢測復(fù)雜環(huán)境中的運(yùn)動目標(biāo)。

圖像序列；側(cè)抑制；EMDS；高斯差分濾波；目標(biāo)檢測

如何從周圍環(huán)境中迅速而準(zhǔn)確地檢測出運(yùn)動目標(biāo)是目前圖像處理領(lǐng)域中的研究熱點(diǎn)，蠅復(fù)眼系統(tǒng)的生理和神經(jīng)構(gòu)造的精巧提供了解決該問題“線索”。若將其在運(yùn)動信息的接受和處理上的獨(dú)特處理技巧，應(yīng)用于目標(biāo)檢測、目標(biāo)跟蹤和位置估計等方面，必將會產(chǎn)生新的解決途徑。

蠅眼可以探測到周圍近360°的視場，在神經(jīng)系統(tǒng)中存在著兩個獨(dú)立的并行采集通道，分別處理大場景和小場景信息［1］。前者是幫助昆蟲迅速識別出出現(xiàn)在環(huán)境中相對運(yùn)動的目標(biāo)物體，快速準(zhǔn)確鎖定目標(biāo)的大概方位；而后者職責(zé)在于提取較準(zhǔn)確的大環(huán)境特征，分割出目標(biāo)和背景信息，幫助蠅及時修正飛行路線跟蹤目標(biāo)。

1956年，Reichardt和Hanssentein在生理學(xué)領(lǐng)域，通過實驗，發(fā)現(xiàn)昆蟲的視網(wǎng)膜神經(jīng)節(jié)細(xì)胞具有獨(dú)特的檢測光運(yùn)動的功能，于是提出了基于視動反應(yīng)的運(yùn)動感知模型，即：初級相關(guān)運(yùn)動檢測器（EMD）模型［2-3］。這些檢測器能對局部的運(yùn)動信號進(jìn)行測量，并經(jīng)神經(jīng)網(wǎng)絡(luò)的作用，將其不同空間中的運(yùn)動特征進(jìn)行整合計算，從而使蠅能迅速察覺環(huán)境中的任何運(yùn)動信息［4］。

在攝取圖像序列時，探測器位置的輕微顫抖致使背景發(fā)生“運(yùn)動”，由于EMD運(yùn)動檢測器對探測范圍內(nèi)的任何運(yùn)動都具有極強(qiáng)的敏感性，因此增加了背景干擾在目標(biāo)檢測中的難度。本文的研究重點(diǎn)在于實現(xiàn)雙視角對運(yùn)動目標(biāo)的檢測，依據(jù)昆蟲視覺系統(tǒng)在運(yùn)動目標(biāo)上的處理機(jī)制，針對圖像序列的特點(diǎn)，首先采用DOG濾波和區(qū)域重構(gòu)相結(jié)合的方法，減少噪聲，增強(qiáng)目標(biāo)信息；其次針對序列圖像灰度變化特點(diǎn)，采用一種相關(guān)型目標(biāo)運(yùn)動矢量計算模型，檢測出運(yùn)動目標(biāo)，并通過軟件仿真進(jìn)行驗證。

1　蠅視覺神經(jīng)系統(tǒng)的目標(biāo)檢測原理

蠅視覺神經(jīng)系統(tǒng)對運(yùn)動物體的信息檢測過程主要包括幾個階段［5］：第一階段是局部光接受器接受時變亮度信息，并傳遞給之后對應(yīng)的檢測器；第二階段是利用局部檢測器檢測出垂直于局部邊緣的運(yùn)動分量信息；第三階段是通過對之前所有檢測器的結(jié)果進(jìn)行整合計算，最后得到目標(biāo)信息。

初級運(yùn)動檢測器EMD的簡化模型如圖1所示［6］。A、B兩個不同朝向的信息采樣通道，其空間間隔為Δφ。若目標(biāo)從A向B運(yùn)動時，來自A通道的信號經(jīng)延遲單元D后與來自B的信號相乘，產(chǎn)生一個正輸出；而來自B的信號經(jīng)過延遲單元D后與來自A的信號相乘，則產(chǎn)生一個負(fù)輸出。然后將產(chǎn)生的這兩組信號輸出相加便可得到整個運(yùn)動檢測器的總輸出Y。當(dāng)運(yùn)動速度與延遲時間匹配時，EMD模型的輸出為最大［7］。

圖1　初級運(yùn)動檢測器EMD的簡化模型

假設(shè)運(yùn)動模式的坐標(biāo)系與運(yùn)動檢測器的坐標(biāo)軸一致，設(shè)兩個通道坐標(biāo)分別為x1和x2，且x2-x1=Δφ，則左右通道的信號表示為F（x1，t）和F（x2，t），若運(yùn)動目標(biāo)以瞬時速度運(yùn)動，s（t）表示時域圖形位移［8］，則輸入模式表示為：

濾波器D的延遲時間常數(shù)為τ，則經(jīng)圖1中的EDA模型后的輸出R可表示為［9］：

在x1處作一階Taylor近似展開并化簡后得

化簡得到：

2　DOG濾波和區(qū)域重構(gòu)相結(jié)合的背景抑制方法

近些年來，對背景抑制技術(shù)方面的研究十分活躍，可歸納為兩大類：灰度變換法和圖像濾波法。其缺陷在于都是從圖像灰度空間分布的角度出發(fā)，在應(yīng)用中受到一些條件的制約，并不能完全解決低信噪比情況下的目標(biāo)檢測問題。在蠅復(fù)眼視覺神經(jīng)系統(tǒng)中，存在大量的側(cè)抑制網(wǎng)絡(luò)細(xì)胞，其處理機(jī)制類似于空間異或運(yùn)算［13-14］。經(jīng)抑制網(wǎng)絡(luò)處理后，大腦中不同時刻的空間相同或相似信息得到抑制從而減弱，空間中目標(biāo)和反差信息比率提高。

為了確保目標(biāo)檢測的可靠性，針對連續(xù)的多幀圖像，根據(jù)目標(biāo)、背景干擾和噪聲在空間和時間域上的灰度梯度變化差異明顯的特點(diǎn)，提出了一種DOG濾波和區(qū)域重構(gòu)相結(jié)合的背景抑制方法，處理框圖如圖2所示。

圖2　DOG濾波和區(qū)域重構(gòu)相結(jié)合的背景抑制框圖

1）高斯差分濾波（即Difference of Gaussians，DOG濾波）

DOG濾波的作用是模擬眼睛提取運(yùn)動圖像的細(xì)節(jié)信息，增強(qiáng)邊緣信息。文中待處理的圖像在采集、傳輸和記錄過程中，受到各種噪聲的干擾。如何增強(qiáng)圖像對比度減少噪聲，把目標(biāo)從背景中突顯出來，是一項重要的處理步驟。

由于目標(biāo)運(yùn)動造成局部灰度值發(fā)生變化明顯變化，使得在時間域內(nèi)提取運(yùn)動目標(biāo)的有關(guān)信息更便捷可靠。DOG法處理圖像過程中，在濾除高頻信號的同時也包含了隨機(jī)噪聲。通常高斯函數(shù)的核半徑為4或5。為更好地增強(qiáng)圖像中的目標(biāo)和背景的對比度，本文采用核為5，掩膜為25*25的濾波器。DOG的二維表達(dá)式為［15］：

2）目標(biāo)區(qū)域重構(gòu)

在以上處理過程中，背景信息得到有效抑制，但保留的目標(biāo)信息不完整，虛假的“目標(biāo)”未得到更好得消除，為此引入數(shù)學(xué)形態(tài)學(xué)中的重構(gòu)方法。該方法通過標(biāo)記，分割出灰度值較大的區(qū)域作為目標(biāo)圖像，通過以下迭代過程增長目標(biāo)區(qū)域，從標(biāo)記圖像I重構(gòu)掩膜g:

①M(fèi)1初始化為標(biāo)記目標(biāo)圖像I。I為變換的開始點(diǎn)。

②創(chuàng)建結(jié)構(gòu)元素N。為更大程度得分割目標(biāo)，文中N為八連接。

③代入計算：

式中，g為變換過程中的約束條件。

④重復(fù)公式（7），直到滿足Mk+1=Mk

3　基于相關(guān)型EMDs目標(biāo)運(yùn)動檢測模型

為了實現(xiàn)仿蠅復(fù)眼的運(yùn)動目標(biāo)信息的處理機(jī)制，以蠅復(fù)眼的Reichardt相關(guān)型初級運(yùn)動檢測器 （EMD）作為基礎(chǔ)算法，提出適用于運(yùn)動目標(biāo)圖像序列的類Reichardt相關(guān)模型算法，其示意圖如圖3所示。將背景抑制后的A、B通道序列圖像分別作為類EMDs的待處理圖像。

圖3　基于EDAs模型的運(yùn)動目標(biāo)檢測示意圖

處理過程示意圖如下所述：將A得到的序列圖像延遲不同時間后與B的所有序列圖像比較，搜索出相關(guān)系數(shù)最大的圖像，即為運(yùn)動目標(biāo)圖像。

+V方向的運(yùn)動目標(biāo)分量為：

-V方向的運(yùn)動目標(biāo)分量為：

其中m為A.B通道連線上的單位矢量，W1～Wp為速度權(quán)重，W1的值最大，Wp最小，V1～Vp為速度權(quán)重，V1的值最大，Vp最小。當(dāng)目標(biāo)運(yùn)動時，被A.B通道探測到的運(yùn)動目標(biāo)表示為：

4　仿真實驗及結(jié)果分析

在本文視頻采集系統(tǒng)中的兩個CCD相機(jī)選用是WAT-902H2型號，圖像采集分辨率可達(dá)1 024*768。實驗的研究對象是一個沿斜向下方向運(yùn)動的黑色小球，由于光照角度不同導(dǎo)致小球在各位置的影子不同，導(dǎo)致采集到A、B組原序列圖像中出現(xiàn)部分背景灰度改變。抽取各組圖像中的第36、37、38、39、40幀如圖4所示。

在A、B組得到的兩兩圖像之間，小球所處的位置在當(dāng)前幀和后一幀圖像上的像素點(diǎn)的灰度值出現(xiàn)了明顯的差異，而其他位置上的像素點(diǎn)的灰度值變化微小。利用這一特點(diǎn)，引入上文提到的DOG濾波法，不僅減少噪聲，抑制了部分背景信息，而且使圖像對比度增強(qiáng)，使目標(biāo)從背景中突顯出來。

圖4　A、B組原序列中分別抽取的五幀圖像

圖5　A組經(jīng)高斯差分濾波后的圖像

圖6　A組經(jīng)目標(biāo)區(qū)域重構(gòu)后的圖像

分析圖6中的高斯差分濾波后的圖像，在抑制背景干擾的同時卻丟犧牲了部分目標(biāo)信息，而且少量背景信息殘留，因此引入上文提到的數(shù)學(xué)形態(tài)學(xué)中的圖像重構(gòu)方法，對部分遺失的目標(biāo)信息進(jìn)行重構(gòu)修復(fù)，并剔除掉虛假的目標(biāo)信息和零散的背景信息。

圖7　A、B組經(jīng)EMDs模型后的目標(biāo)圖像序列

利用EMDs模型對運(yùn)動的敏感性，將A、B組重構(gòu)的圖像進(jìn)行相關(guān)性處理，保留了灰度信息的同時，更多的保留了結(jié)構(gòu)信息，從而真實再現(xiàn)運(yùn)動中的目標(biāo)信息，提高運(yùn)動目標(biāo)檢測的可靠性。

5　結(jié)　論

文中借鑒生物視覺神經(jīng)系統(tǒng)對運(yùn)動信息的檢測和處理機(jī)制，在考慮運(yùn)動目標(biāo)在時間域和空間域中的特點(diǎn)，首先利用DOG濾波法模擬實現(xiàn)生物視神經(jīng)對目標(biāo)細(xì)節(jié)信息的提取，經(jīng)圖像重構(gòu)法后對部分遺失的目標(biāo)信息進(jìn)行修復(fù)，并剔除掉虛假的目標(biāo)，然后應(yīng)用EMDs模型有效解決檢測出運(yùn)動目標(biāo)，并排除背景運(yùn)動的干擾。本文的運(yùn)動檢測方法可為后續(xù)的目標(biāo)識別和運(yùn)動估計提供準(zhǔn)確的運(yùn)動信息。

［1］劉亞，艾海舟，徐光佑.一種基于背景模型的運(yùn)動目標(biāo)檢測與跟蹤算法［J］.信息與控制，2002，4（31）:315-319.

［2］于成中.視頻序列中運(yùn)動目標(biāo)的檢測與跟蹤 ［D］.南京:東南大學(xué)，2006.

［3］黃祝新.仿復(fù)眼運(yùn)動目標(biāo)檢測技術(shù)的研究［D］.南京:南京航空航天大學(xué)，2005.

［4］王蔭長.昆蟲生理學(xué)［M］.北京:中國農(nóng)業(yè)出版社，2004.

［5］Barnea D I，Silvverman H F.A class of algorithms for fast digital image registration［J］.IEEE.Trans on Computers，1972 （21）:179-186.

［6］BarlowH B.The size of ommatidia in apposition eyes［J］. Experimental Biology，1952，29（4）:667-674.

［7］岡薩雷斯.數(shù)字圖像處理（MATLAB版）［M］.北京:北京電子工業(yè)出版社，2005.

［8］Harris R A，Carroll D C，Laughlin S B.Adaptation and the Temporal Delay Filter of Fly Motion Detectors［J］.Vision Research，1999（39）:2603-2613.

［9］蘆麗明，王國峰，張科，等.蠅復(fù)眼在導(dǎo)彈上的應(yīng)用研究［J］.紅外技術(shù)，2001，23（5）:9-12.

［10］吳梅英.復(fù)眼光學(xué)及其在國民經(jīng)濟(jì)中的應(yīng)用［J］.量子電子學(xué)，1995（12）:418-419.

［11］Svobda T，Hug H，Van Gool L.Viroom-Low Cost Synchronized Multicamera System and its Self-Calibration［J］.Proceedings of 24th DAGM Symposium on Pattern Recognition，2002:512-515.

［12］Horridge G A.The compound eye of insects［J］.Scientific American，1977（237）:108-120.

［13］Pless R.Discrete and Differential Two-View Geometry for General Imaging Systems［J］.Proceedings of Third Workshop on Omnidirectional Vision，2002:53-59.

［14］李言俊，張科.蠅復(fù)眼仿生技術(shù)在全方位成像制導(dǎo)中應(yīng)用的探索研究［J］.航空兵器報，1999，21（2）:35-37.

［15］Gert Stange.Rangefinder based on intensity gradient measurement［J］.Applied Optics，1991，30（13）:1695-1700.

Moving target detection method from double angle based on bionic system

DING Xiao-na，MENG Xiang-yan
（School of Electrical Information Engineering，Xi’an Technological University，Xi’an 710021，China）

How to detect moving targets accurately and quickly，which proposes a fast moving object detection method，based on the receiving and processing principles of visual information from insects'compound eyes.To get the reliability of target detection in the sequence of the target image，owing to the features that the gray gradients between object、background and noise is different obviously in space and time domain，and motion continuity，the moving target detection method based on background suppression later，the EMDs model is adopted to detect moving targets information accurately，and exclude the interference of background motion.Simulation results show that the method can detect moving targets accurately while filter out background noise reliably.

image frames；lateral inhibition；EMDs；difference of Gaussians；moving target detection

TN919.8

A

1674－6236（2016）11-0018-03

2015-11-11稿件編號：201511107

陜西省教育廳專項科研項目（14JK1341）

丁曉娜（1983—），女，山西運(yùn)城人，碩士，助理工程師。研究方向：動態(tài)目標(biāo)測試與信息處理，計算機(jī)視覺與圖像處理。