陳 超

(廈門大學(xué)嘉庚學(xué)院 體育教學(xué)部， 福建 廈門 363105)

隨著模式識(shí)別與圖像處理技術(shù)的不斷發(fā)展，運(yùn)動(dòng)圖像輪廓特征提取在相關(guān)運(yùn)動(dòng)領(lǐng)域得到充分重視[1-2].運(yùn)動(dòng)圖像受到特定復(fù)雜環(huán)境的影響，會(huì)產(chǎn)生輪廓特征模糊和曲率符號(hào)特征點(diǎn)不均勻等問題[3].在現(xiàn)有運(yùn)動(dòng)圖像輪廓特征提取方法中，使用最為廣泛的是閾值約束下特征提取方法，該方法以運(yùn)動(dòng)圖像輪廓特征信息為基礎(chǔ)，結(jié)合邊緣區(qū)域與其他區(qū)域的像素差異性設(shè)定閾值，快速準(zhǔn)確地提取出圖像邊緣中用戶感興趣的信息[4-5]，并且它可以自動(dòng)彌補(bǔ)圖像不清晰等因素造成的提取不準(zhǔn)確問題，所以以閾值為基礎(chǔ)的運(yùn)動(dòng)圖像輪廓特征信息提取成為當(dāng)前研究的熱點(diǎn)內(nèi)容.

文獻(xiàn)[6]提出一種基于隨機(jī)森林算法的圖像特征提取方法.利用數(shù)學(xué)分類的形式，將圖像中包含的邊緣輪廓內(nèi)容信息進(jìn)行閾值設(shè)定，采用優(yōu)化訓(xùn)練后的隨機(jī)森林分類算法，對(duì)輪廓閾值進(jìn)行映射分類處理，實(shí)現(xiàn)圖像輪廓特征提取.但是該方法對(duì)閾值進(jìn)行了兩部分處理，導(dǎo)致算法的特征信息提取時(shí)間過長.文獻(xiàn)[7]提出一種基于多尺度融合的圖像特征提取方法.該方法利用高斯金字塔將運(yùn)動(dòng)圖像分解，將分解結(jié)果劃分到多尺度空間中，并以此為基礎(chǔ)設(shè)定閾值，提取運(yùn)動(dòng)圖像的多尺度特征.該方法具有較高的識(shí)別率，但是分割的準(zhǔn)確度較低.

針對(duì)傳統(tǒng)方法存在的一系列問題，本文提出一種新的特征提取方法——多閾值優(yōu)化的運(yùn)動(dòng)圖像輪廓特征信息提取方法.

1 算法設(shè)計(jì)

1.1 模糊約束下的多閾值計(jì)算

運(yùn)動(dòng)圖像輪廓特征邊界往往比較模糊，可利用最大類間方差法結(jié)合類間分類能力對(duì)運(yùn)動(dòng)圖像特征設(shè)定多個(gè)閾值，并利用模糊隸屬度函數(shù)約束完成多閾值計(jì)算優(yōu)化，具體過程如下：

將運(yùn)動(dòng)圖像的邊緣根據(jù)灰度數(shù)據(jù)空間轉(zhuǎn)換到圖像模糊空間，運(yùn)動(dòng)圖像輪廓模糊隸屬函數(shù)可轉(zhuǎn)換為一個(gè)較簡單的線性函數(shù)來替代，得到快速簡單的閾值，即

(1)

式中：xmm為運(yùn)動(dòng)圖像像素的灰度值；xT為不同圖像的像素灰度值.利用運(yùn)動(dòng)圖像輪廓特征低灰度范圍和高灰度范圍定義模糊矩陣，使運(yùn)動(dòng)圖像輪廓特征低灰度范圍的信息損失較小，達(dá)到較好的分類結(jié)果.

由于運(yùn)動(dòng)圖像灰度等級(jí)為0～255，將閾值作為一個(gè)變量，根據(jù)像素特征對(duì)閾值進(jìn)行約束設(shè)定，從運(yùn)動(dòng)圖像矩陣中，隨機(jī)選取不同輪廓點(diǎn)，計(jì)算隸屬度函數(shù)為

f=w1(u1-v)2+w2(u2-v)2+Qmn

(2)

式中：u1、u2分別為由中心閾值T所劃分的運(yùn)動(dòng)圖像兩個(gè)區(qū)間灰度值的平均值；w1和w2分別為運(yùn)動(dòng)圖像灰度值小于T和大于T時(shí)的概率；v為整個(gè)運(yùn)動(dòng)圖像輪廓特征信息的灰度平均值.

根據(jù)約束隸屬度[8]計(jì)算最佳閾值，然后設(shè)定一個(gè)波動(dòng)閾值A(chǔ)，在[xT-A，xT+A]范圍內(nèi)進(jìn)行最大類間方差求值，以獲取最優(yōu)圖像多閾值.

1.2 曲率符號(hào)邊緣特征提取

利用計(jì)算得到的多閾值對(duì)運(yùn)動(dòng)圖像中的目標(biāo)體輪廓線進(jìn)行處理，計(jì)算輪廓線范圍內(nèi)中心點(diǎn)近鄰的兩個(gè)輪廓點(diǎn)的幾何中心值，并根據(jù)計(jì)算結(jié)果進(jìn)一步計(jì)算曲率角，得到曲率符號(hào)，依據(jù)曲率符號(hào)提取運(yùn)動(dòng)圖像特征.具體過程如下：

對(duì)運(yùn)動(dòng)圖像進(jìn)行邊緣檢測(cè)與輪廓提取，獲取圖像中目標(biāo)體的輪廓線，記作P，且P=p(i)，p(i)為輪廓線上的像素點(diǎn)，將該閉合輪廓線分為兩條一維離散曲線x(i)、y(i)，則輪廓線可描述為

P={p(i)=(x(i)，y(i))|i=0，1，…，m-1}

(3)

式中：i為像素點(diǎn)編號(hào)；m為像素點(diǎn)的總數(shù).受到圖像形成過程中誤差與噪聲的影響，x(i)、y(i)曲線并不平滑.本文利用自適應(yīng)平滑方法[9]對(duì)曲線進(jìn)行處理，設(shè)S(x)表示不平滑曲線上的離散信號(hào)，對(duì)其進(jìn)行t+1次迭代處理，得到的平滑信號(hào)為

(4)

(5)

式中，kt(x+i)為卷積權(quán)值，kt(x+i)≥0(-N≤i≤N).自適應(yīng)平滑過程中，N=1，則kt(x)表示為

(6)

式中，?為平滑系數(shù).系數(shù)越大，平滑效果越強(qiáng)，平滑作用過強(qiáng)會(huì)導(dǎo)致不平滑點(diǎn)缺失而使曲線鈍化，產(chǎn)生圖像輪廓線收縮差.系數(shù)的大小需要根據(jù)輪廓線的不平滑程度與圖像噪聲來選擇.

完成平滑處理后，以像素點(diǎn)p(i)為中心，R為半徑的圖像范圍計(jì)算輪廓線的曲率角，減小圖像的誤差與噪聲.像素點(diǎn)p(i)與半徑R內(nèi)各點(diǎn)組成的圖像區(qū)域?yàn)?/p>

D(i)=kt(x)p(i)=[x(j)，y(j)]

(7)

式中，j為p(i)周圍半徑R范圍內(nèi)的像素點(diǎn)編號(hào).

p(i)近鄰的兩區(qū)域中心點(diǎn)分別為pf(i)、pb(i)，pf(i)和p(i)及p(i)和pb(i)所組成的向量方向角分別為

(8)

(9)

式中：xf(i)、yf(i)分別為pf(i)的橫、縱坐標(biāo)；xb(i)、yb(i)分別為pb(i)點(diǎn)的橫、縱坐標(biāo).輪廓線的曲率角為

θ(i)=Si(θb(i)-θf(i))

(10)

通過曲率角來定義曲率符號(hào)，得到曲率符號(hào)為

(11)

式中，T2為預(yù)設(shè)曲率角參照值.根據(jù)各點(diǎn)對(duì)應(yīng)的曲率符號(hào)進(jìn)行標(biāo)記，并以此區(qū)分圖像輪廓線不同特征像素點(diǎn)，完成運(yùn)動(dòng)圖像輪廓特征信息提取.

2 實(shí)驗(yàn)結(jié)果與分析

為了驗(yàn)證所提多閾值優(yōu)化運(yùn)動(dòng)圖像輪廓特征信息提取方法的綜合有效性，本文進(jìn)行了仿真實(shí)驗(yàn)，實(shí)驗(yàn)環(huán)境為Intel Core2Quad2.33 GHz CPU，4 Gbit內(nèi)存，WindowsVista操作系統(tǒng)，開發(fā)環(huán)境為vc.net.

實(shí)驗(yàn)使用的圖像采集部件為Tek Gear，在高速運(yùn)行的汽車中部署該部件.樣本圖片來源為汽車行駛過程中道路兩邊的視頻圖像.選取180幀和268幀的樣本圖像作為實(shí)驗(yàn)分析對(duì)象，原始圖像如圖1所示.采用基于小波變換的圖像特征提取方法、基于隨機(jī)森林算法的圖像特征提取方法及本文方法獲取的運(yùn)動(dòng)圖像邊緣輪廓特征圖分別如圖2～4所示.

圖1 原始圖像Fig.1 Original images

對(duì)比分析圖2～4可知，本文方法提取運(yùn)動(dòng)圖像邊緣輪廓特征點(diǎn)時(shí)，標(biāo)記的特征像素點(diǎn)準(zhǔn)確，同時(shí)未出現(xiàn)重復(fù)標(biāo)定問題；而基于小波變換的圖像特征提取方法獲取的運(yùn)動(dòng)圖像特征像素點(diǎn)存在嚴(yán)重的信息缺失；基于隨機(jī)森林算法的圖像特征提取方法獲取的運(yùn)動(dòng)圖像特征像素點(diǎn)存在重復(fù)率過高的問題，極大降低了運(yùn)動(dòng)圖像特征點(diǎn)提取的精度.對(duì)比說明本文方法提取的運(yùn)動(dòng)圖像邊緣輪廓特征像素點(diǎn)更加準(zhǔn)確，是一種有效的運(yùn)動(dòng)圖像輪廓特征提取方法.

圖2 基于小波變換的邊緣輪廓提取結(jié)果Fig.2 Extraction results of edge contour based on wavelet transformation

圖3 基于隨機(jī)森林算法的邊緣輪廓提取結(jié)果Fig.3 Extraction results of edge contour based on stochastic forest algorithm

圖4 本文方法的邊緣輪廓提取結(jié)果Fig.4 Extraction results of edge contour based on proposed method

將圖4中的286幀圖像作為原始圖像，利用最大類間方差法對(duì)運(yùn)動(dòng)圖像特征設(shè)定閾值，獲取最新的隸屬度函數(shù)，以此完成圖像的多閾值優(yōu)化，在此基礎(chǔ)上完成對(duì)圖像特征的提取.將多閾值優(yōu)化后的圖像進(jìn)行分析，并與實(shí)際值進(jìn)行對(duì)比，結(jié)果如圖5所示.

圖5 多閾值對(duì)比圖Fig.5 Multi-threshold comparison

根據(jù)圖5可知，多閾值優(yōu)化后的圖像與實(shí)際情況基本一致，表明多閾值優(yōu)化效果較好，為下一步對(duì)運(yùn)動(dòng)圖像輪廓特征的提取奠定了良好的基礎(chǔ).

在對(duì)實(shí)驗(yàn)圖像進(jìn)行多閾值優(yōu)化后，通過計(jì)算曲率角來實(shí)現(xiàn)運(yùn)動(dòng)圖像輪廓特征信息的提取.分別采用所提方法與基于小波變換的圖像特征提取方法及基于隨機(jī)森林算法的圖像特征提取方法進(jìn)行曲率角計(jì)算誤差率對(duì)比，選取180幀的圖像樣本50幅，總共進(jìn)行40次實(shí)驗(yàn)，分別選取10、20、30和40次實(shí)驗(yàn)數(shù)據(jù)進(jìn)行誤差率對(duì)比，結(jié)果如表1所示.表1中，A代表所提方法，B代表基于隨機(jī)森林算法的圖像特征提取方法，C代表基于小波變換的圖像特征提取方法.

表1 曲率角計(jì)算誤差率對(duì)比結(jié)果Tab.1 Comparison results of calculation error rates of curvature angles

分析表1可知，所提方法的提取誤差率一直在10%左右；基于隨機(jī)森林算法的圖像特征提取方法的曲率角計(jì)算誤差率一直處于不穩(wěn)定的狀態(tài)，曲率角計(jì)算誤差率最低為75.54%；而基于小波變換的圖像特征提取方法的曲率角計(jì)算誤差率保持在90%以上.由上述分析可知，所提方法的曲率角計(jì)算誤差率在3種方法中最低，且差距明顯.

為充分驗(yàn)證本文方法的優(yōu)勢(shì)，選取特征信息提取精度和特征信息提取時(shí)間為指標(biāo)進(jìn)行對(duì)比，特征信息提取精度對(duì)比結(jié)果如圖6所示.由于圖像特征點(diǎn)分布呈現(xiàn)離散化狀態(tài)，所以對(duì)特征點(diǎn)提取精度結(jié)果也對(duì)應(yīng)使用離散點(diǎn)進(jìn)行表示.

圖6 特征信息提取精度對(duì)比Fig.6 Comparison of extraction accuracy for feature information

分析圖6可知，所提方法的特征信息提取精度一直處于相對(duì)穩(wěn)定的狀態(tài)，并且平均值在90%以上，能夠準(zhǔn)確提取特征；基于隨機(jī)森林算法的圖像特征提取方法特征提取精度較低，最高僅為83%；而基于小波變換的圖像特征提取方法的特征信息提取精度在20 ms后開始呈下降趨勢(shì)，不穩(wěn)定，無法準(zhǔn)確提取特征信息.主要原因在于：本文首先根據(jù)遺傳算法，在特定范圍內(nèi)進(jìn)行最大類間方差求值，獲取了最優(yōu)圖像多閾值，在此前提條件下進(jìn)行圖像輪廓特征提取，從而提高了輪廓特征信息提取精度.3種方法提取時(shí)間對(duì)比結(jié)果如表2所示.

表2 特征信息提取時(shí)間對(duì)比結(jié)果Tab.2 Comparison results of extraction time for feature information

通過數(shù)據(jù)對(duì)比可知，所提方法的特征信息提取時(shí)間明顯低于其他兩種方法，在3種方法中用時(shí)最少.原因在于：本文將圖像輪廓特征提取轉(zhuǎn)化為圖像輪廓線不同特征像素點(diǎn)區(qū)分問題，在標(biāo)記出對(duì)應(yīng)的曲率符號(hào)后，便可較為便捷且精確地區(qū)分像素點(diǎn)，有效降低了本文圖像特征信息提取時(shí)間.

3 結(jié) 論

為了實(shí)現(xiàn)運(yùn)動(dòng)圖像特征的準(zhǔn)確提取，為模式辨識(shí)以及圖像處理提供可靠的分析依據(jù)，本文以閾值為基礎(chǔ)，提出一種多閾值優(yōu)化的運(yùn)動(dòng)圖像輪廓特征提取方法，解決運(yùn)動(dòng)狀態(tài)對(duì)運(yùn)動(dòng)圖像特征類間方差的干擾，提高運(yùn)動(dòng)圖像曲率符號(hào)邊緣特征提取精度.將本文方法應(yīng)用到車輛運(yùn)動(dòng)圖像輪廓特征提取過程中發(fā)現(xiàn)，相對(duì)于基于小波變換及基于隨機(jī)森林算法的圖像特征提取方法，本文方法提取的運(yùn)動(dòng)圖像輪廓特征像素點(diǎn)準(zhǔn)確、全面，不存在重疊和缺失問題.本文方法曲率特征計(jì)算誤差率基本保持在10%左右，具備較高的提取精度.