李 帥， 王江濤

(淮北師范大學(xué)物理與電子信息學(xué)院，安徽 淮北 235000)

0 引 言

在神經(jīng)生理學(xué)、行為藥理學(xué)等領(lǐng)域中老鼠經(jīng)常被當(dāng)作實(shí)驗(yàn)對(duì)象，研究它在藥物或變化的環(huán)境下，其運(yùn)動(dòng)頻率、運(yùn)動(dòng)范圍等是否會(huì)有所改變。傳統(tǒng)的研究方法對(duì)動(dòng)物的監(jiān)測(cè)是靠人為觀察，比較浪費(fèi)時(shí)間和人力，而且記錄的實(shí)驗(yàn)結(jié)果也存在人為誤差。計(jì)算機(jī)的飛速發(fā)展為監(jiān)測(cè)實(shí)驗(yàn)鼠提供了便利，通過(guò)計(jì)算機(jī)結(jié)合圖像處理技術(shù)去分析視頻記錄，給實(shí)驗(yàn)者提供更精準(zhǔn)和詳細(xì)的實(shí)驗(yàn)鼠運(yùn)動(dòng)信息，同時(shí)推動(dòng)了動(dòng)物行為學(xué)的發(fā)展[1～2]。

傳統(tǒng)的閾值分割法的難點(diǎn)在于閾值的設(shè)置，它是直接影響圖像分割的好壞，但閾值很容易受到光照、噪聲等影響，這就造成了閾值分割法的效果差，圖像目標(biāo)檢測(cè)的準(zhǔn)確率低，不能推廣使用[3]。針對(duì)閾值分割法的缺點(diǎn)提出一種新的檢測(cè)方法，首先對(duì)實(shí)驗(yàn)鼠圖像的灰度進(jìn)行分析，求得實(shí)驗(yàn)鼠圖像的梯度圖，再提取實(shí)驗(yàn)鼠圖像的梯度直方圖特征，然后結(jié)合支持向量機(jī)，構(gòu)建一個(gè)圖像分類器進(jìn)行圖像目標(biāo)檢測(cè)，這種檢測(cè)方法魯棒性較強(qiáng)，準(zhǔn)確率較高，簡(jiǎn)單實(shí)用。

1 閾值分割法

閾值分割法是將一副圖像包括目標(biāo)、背景和噪聲，通過(guò)設(shè)定某一閾值T將圖像分成兩部分：大于T的灰度值和小于T的灰度值。閾值分割方法的實(shí)驗(yàn)流程圖如圖1。閾值分割方法大致分為實(shí)驗(yàn)鼠圖像預(yù)處理、圖像二值化、形態(tài)學(xué)閉操作處理和標(biāo)記輪廓等步驟。圖2是閾值設(shè)置為90的閾值分割法的示例圖，其中第一列為實(shí)驗(yàn)鼠原始圖像，第二列為二值化圖像，第三列為標(biāo)記輪廓圖像，圖像中用的紅色曲線標(biāo)記出實(shí)驗(yàn)鼠輪廓。由兩組示例可知：由于老鼠本身的試驗(yàn)箱底部柵格的反光難以滿足光線均勻的要求，這暴露出閾值分割方法的閾值容易受到光照變換、噪聲的影響而變動(dòng)的問(wèn)題，這導(dǎo)致不能準(zhǔn)確標(biāo)記出實(shí)驗(yàn)鼠的位置、可靠性差、很難推廣使用等，所以我們要重新選一種新的檢測(cè)方法。

2 基于梯度特征的實(shí)驗(yàn)鼠檢測(cè)方法的實(shí)現(xiàn)

2.1 提出基于梯度特征的實(shí)驗(yàn)鼠檢測(cè)方法

針對(duì)閾值分割方法存在的問(wèn)題—閾值易受光照、噪聲的影響而變化，首先通過(guò)觀察實(shí)驗(yàn)鼠和試驗(yàn)箱的特征發(fā)現(xiàn)，柵格存在的固定規(guī)律的紋理，實(shí)驗(yàn)鼠本身則紋理平滑如圖3，然后在這個(gè)規(guī)律的基礎(chǔ)上從梯度幅值和梯度方向兩個(gè)角度出發(fā)來(lái)選取特征，構(gòu)建分類器，以達(dá)到較好的實(shí)驗(yàn)鼠檢測(cè)效果。新方法實(shí)現(xiàn)過(guò)程如圖4所示。

圖1 閾值分割法流程圖

圖2 閾值分割法示例

圖3 實(shí)驗(yàn)鼠圖像

2.2 特征提取

在微積分中，一維函數(shù)的一階微分可以定義為：

對(duì)于灰度圖像來(lái)說(shuō)，可以將其看作為一個(gè)二維函數(shù)f(x,y)，此時(shí)其微分采用偏微分來(lái)表達(dá)：

又由于圖像是一個(gè)離散的二維函數(shù)，ε不能無(wú)限小，最小的ε就是相鄰兩個(gè)像素的距離，其值為1。則上述的圖像微分可以轉(zhuǎn)換成：

上述所求得gx和gy分別是x方向、y方向的梯度。而梯度幅值一般用絕對(duì)值近似表示為：

M(x,y)=|gx|+|gy|

(1)

同理可得像素點(diǎn)的梯度角度為：

(2)

由公式(1)和(2)計(jì)算實(shí)驗(yàn)鼠圖像的梯度圖如圖5所示，實(shí)驗(yàn)鼠正負(fù)樣本的特征直方圖如圖6。從圖5中的梯度幅值圖像和梯度方向圖像可以看出，實(shí)驗(yàn)鼠整體上梯度均勻。在構(gòu)建分類器的梯度特征時(shí)本文用直方圖降低了特征的維數(shù)，這樣提高對(duì)特征圖像的數(shù)據(jù)處理的靈活性和降低對(duì)方向的敏感度。

3 實(shí) 驗(yàn)

3.1 采集樣本

采集實(shí)驗(yàn)鼠正負(fù)樣本，創(chuàng)建實(shí)驗(yàn)鼠的訓(xùn)練數(shù)據(jù)庫(kù)，數(shù)據(jù)庫(kù)的創(chuàng)建至關(guān)重要，它直接影響后期建立的分類器模型的好壞。為了提高精準(zhǔn)度，正樣本的選取是把實(shí)驗(yàn)鼠完全包含住，負(fù)樣本的選取是完全沒(méi)有實(shí)驗(yàn)鼠，采集正負(fù)樣本的個(gè)數(shù)分別為100，200。采集的正負(fù)樣本如圖7所示。

圖4 基于梯度直方圖特征的實(shí)驗(yàn)鼠檢測(cè)方法過(guò)程

(a)梯度幅值圖像 (b)梯度方向圖像

圖6 正負(fù)樣本的特征直方圖

3.2 分類器的選擇

常用的分類算法有神經(jīng)網(wǎng)絡(luò)、SVM和adaboost等，考慮到實(shí)驗(yàn)中樣本數(shù)量較少，此處選取SVM作為檢測(cè)分類器。SVM擅長(zhǎng)處理小樣本分類問(wèn)題，它是建立一個(gè)最優(yōu)決策超平面，使得正負(fù)樣本到超平面的距離盡可能的遠(yuǎn)，以達(dá)到結(jié)構(gòu)化風(fēng)險(xiǎn)最小化和損失函數(shù)之和最小化，使得學(xué)習(xí)機(jī)在數(shù)據(jù)樣本較少的情況下抓住關(guān)鍵樣本，也能達(dá)到分類目的[4～5]。SVM的最終判別函數(shù)不是全部的支持向量共同確定的，而是超平面附近少量的支持向量確定的[6]。這些顯示了選用SVM分類器的優(yōu)點(diǎn)：小樣本、算法簡(jiǎn)單、容錯(cuò)率高具有較好的魯棒性。其中SVM分類器參數(shù)選擇如下：

svm_type = CvSVM::C_SVC;

kernel_type = CvSVM::RBF;

C=2.500000;

p=0.000000;

gamma = 0.506250;

param.term_crit = cvTermCriteria(CV_TERMCRIT_EPS, 100, 5e-3);

CvParamGrid nuGrid = CvParamGrid(1,1,0.0);

CvParamGrid coeffGrid = CvParamGrid(1,1,0.0);

CvParamGrid degreeGrid = CvParamGrid(1,1,0.0);

3.3 實(shí)驗(yàn)與分析

基于梯度直方圖特征的檢測(cè)方法是在VS2010和OpenCV2.4.11的軟件平臺(tái)下，對(duì)實(shí)際監(jiān)控下的實(shí)驗(yàn)鼠視頻圖像進(jìn)行實(shí)驗(yàn)檢測(cè)的。在圖像的檢測(cè)實(shí)驗(yàn)過(guò)程中是用比略大一點(diǎn)實(shí)驗(yàn)鼠的矩形框遍歷原圖截取區(qū)域，然后提取截取區(qū)域特征輸入到已經(jīng)構(gòu)建好的SVM模型，檢測(cè)到有實(shí)驗(yàn)鼠的區(qū)域用紅色矩形框顯示出來(lái)。基于梯度直方圖特征的檢測(cè)方法與閾值分割法實(shí)驗(yàn)檢測(cè)的結(jié)果部分圖如圖8所示。圖8中把這兩種方法檢測(cè)的實(shí)驗(yàn)結(jié)果分為兩組，每組四幅圖。其中第一組為閾值分割法檢測(cè)圖，第二組為基于梯度直方圖特征的實(shí)驗(yàn)檢測(cè)圖，對(duì)比這兩種方法的實(shí)驗(yàn)檢測(cè)圖，第一組中只有第二幅圖較好的檢測(cè)出了實(shí)驗(yàn)鼠的位置，其它的檢測(cè)結(jié)果或有偏差或檢測(cè)兩個(gè)實(shí)驗(yàn)鼠。而第二組中都能較準(zhǔn)確檢測(cè)出實(shí)驗(yàn)鼠的位置。由此可得結(jié)論：

(a)正樣本 (b)負(fù)樣本

基于梯度直方圖特征的實(shí)驗(yàn)檢測(cè)部分圖

(1)基于實(shí)驗(yàn)鼠視頻圖像檢測(cè)，選取梯度直方圖作為訓(xùn)練特征數(shù)據(jù)，并利用SVM訓(xùn)練數(shù)據(jù)建立的分類模型的方法是可行的。

(2)基于梯度直方圖特征的實(shí)驗(yàn)鼠檢測(cè)方法比閾值分割法更具有較強(qiáng)的魯棒性、有效性、準(zhǔn)確性。

4 結(jié) 論

針對(duì)傳統(tǒng)的基于圖像閾值分割的實(shí)驗(yàn)鼠檢測(cè)方法缺點(diǎn)—閾值的設(shè)置易受環(huán)境變化的影響而不確定，而導(dǎo)致檢測(cè)準(zhǔn)確率低、難以推廣使用等問(wèn)題，首先從梯度的角度出發(fā)構(gòu)建特征，結(jié)合SVM(支持向量機(jī))分類器小樣本的優(yōu)點(diǎn)實(shí)現(xiàn)圖像目標(biāo)的檢測(cè)，并利用直方圖降低特征的維數(shù)。實(shí)驗(yàn)證明實(shí)驗(yàn)鼠圖像的梯度直方圖特征檢測(cè)是可行的，并且比閾值分割法更有效，適應(yīng)性更廣。