亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        一種區(qū)塊特征匹配與邊緣差分結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)算法

        2019-09-27 05:05:12胡均平李勇成
        制造業(yè)自動(dòng)化 2019年9期
        關(guān)鍵詞:差分邊緣背景

        胡均平,蔡 韜,李勇成

        HU Jun-ping,CAI Tao,LI Yong-cheng

        (中南大學(xué) 機(jī)電工程學(xué)院,長(zhǎng)沙 410083)

        0 引言

        近年來(lái)計(jì)算機(jī)技術(shù)發(fā)展飛速,其中的運(yùn)動(dòng)目標(biāo)檢測(cè)是智能汽車的關(guān)鍵技術(shù)之一,其中動(dòng)態(tài)背景中的運(yùn)動(dòng)目標(biāo)檢測(cè)一直是備受科研學(xué)者關(guān)注的研究熱點(diǎn),并擁有廣闊的應(yīng)用前景與市場(chǎng)價(jià)值[1]。通常按照攝像頭的運(yùn)動(dòng)狀態(tài)分類,區(qū)分為靜態(tài)與動(dòng)態(tài)背景下的運(yùn)動(dòng)目標(biāo)檢測(cè)。近年來(lái)靜態(tài)背景下的運(yùn)動(dòng)檢測(cè)目前相對(duì)成熟[2~4],反觀動(dòng)態(tài)背景中的運(yùn)動(dòng)目標(biāo)檢測(cè),由于其背景存在的復(fù)雜與未知性導(dǎo)致檢測(cè)較為困難[5~7]。

        運(yùn)動(dòng)目標(biāo)檢測(cè)常用的方法主要有:幀差法、光流法和背景差分法等。幀差法對(duì)運(yùn)動(dòng)目標(biāo)敏感,通常利用相鄰幀相減或者連續(xù)三幀相減,根據(jù)差分圖像確定運(yùn)動(dòng)目標(biāo),但目標(biāo)內(nèi)部存在空洞現(xiàn)象[8];光流法在任何無(wú)先驗(yàn)條件的場(chǎng)景條件下,能夠完整檢測(cè)出運(yùn)動(dòng)目標(biāo),但計(jì)算量較大,實(shí)時(shí)性較差[9];背景差分法在背景穩(wěn)定不變的情況下提取效果較好,但在光強(qiáng)變化和陰影遮蔽的情形下效果不理想[10]。針對(duì)現(xiàn)有問(wèn)題,魏國(guó)劍提出基于邊緣差分的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[11],能有效抑制背景噪聲和光照變化的影響,但在動(dòng)態(tài)背景下檢測(cè)存在較大誤差;屈晶晶提出連續(xù)幀間差分與背景差分相融合的目標(biāo)檢測(cè)方法[12],能有效提高檢測(cè)準(zhǔn)確率和實(shí)時(shí)性,但檢測(cè)結(jié)果存在空洞現(xiàn)象,在復(fù)雜背景運(yùn)動(dòng)情況下的檢測(cè)還不是很理想;王洪斌提出一種分塊特征匹配與局部差分結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[13],能通過(guò)圖像分割有效降低計(jì)算量提高準(zhǔn)確率,但該方法對(duì)噪聲干擾敏感,檢測(cè)結(jié)果有存在空洞現(xiàn)象;火元蓮提出一種基于邊緣特征和多幀差分結(jié)合的目標(biāo)檢測(cè)算法[14],對(duì)檢測(cè)目標(biāo)提取的完整性較好,但在復(fù)雜背景中的檢測(cè)效果表現(xiàn)較差,且計(jì)算耗時(shí)較長(zhǎng)。

        為克服以上缺點(diǎn),本文將分塊特征匹配與邊緣差分相結(jié)合,提出一種基于二進(jìn)制魯棒不變尺度特征(binary robust invariant scalable key-points,BRISK)的區(qū)塊特征匹配與邊緣差分相結(jié)合的運(yùn)動(dòng)目標(biāo)檢測(cè)算法?;贐RISK的特征提取,因其良好的尺度特征不變性及旋轉(zhuǎn)不變性,且對(duì)光照不敏感有較好的魯棒性,其精度較高且運(yùn)算速度快;區(qū)塊特征匹配能有效地降低計(jì)算量、減少運(yùn)算時(shí)間,利用邊緣特征檢測(cè)運(yùn)動(dòng)目標(biāo),能有效避免檢測(cè)結(jié)果空洞現(xiàn)象和噪聲干擾。其計(jì)算簡(jiǎn)單,抗干擾能力較強(qiáng),能有效準(zhǔn)確地檢測(cè)運(yùn)動(dòng)目標(biāo)。

        1 分塊特征匹配

        1.1 BRISK算法簡(jiǎn)介

        BRISK算法主要分三步:角點(diǎn)檢測(cè),特征描述,特征匹配。首先,構(gòu)建尺度空間金字塔,并通過(guò)AGAST(Adaptive and Generic Accelerated Segment Test)角點(diǎn)檢測(cè)算子提取連續(xù)尺度空間中的穩(wěn)定極值點(diǎn);進(jìn)而通過(guò)隨機(jī)采樣點(diǎn)對(duì)在圖像局部的灰度關(guān)系構(gòu)建局部圖像的特征描述子;最后再選取漢明距離進(jìn)行特征匹配[15]。

        基于對(duì)尺度空間金字塔的構(gòu)建,運(yùn)用AGAST算法對(duì)角點(diǎn)進(jìn)行檢測(cè),對(duì)尺度空間中相應(yīng)的函數(shù)值進(jìn)行線性擬合,進(jìn)而運(yùn)用非極大值抑制,剔除其中不穩(wěn)定的極值點(diǎn)。再對(duì)各層穩(wěn)定的極值點(diǎn)做拋物線擬合,最終獲得在連續(xù)尺度空間中精度為亞像素級(jí)的穩(wěn)定極值點(diǎn)。

        BRISK特征描述子將采取如圖1所示的鄰域采樣模式,先在以特征點(diǎn)作為中心的40×40像素塊內(nèi)構(gòu)建多個(gè)同心圓,然后采樣點(diǎn)(圓點(diǎn))均布呈現(xiàn)在圓周上,共60個(gè)采樣點(diǎn)。

        圖1 自定義的鄰域采樣模式

        設(shè)采樣點(diǎn)對(duì)集G,選用歐氏距離以定義短距采樣點(diǎn)對(duì)集S和長(zhǎng)距采樣點(diǎn)對(duì)集P:

        通常預(yù)設(shè)閾值δmax=9.75t,δmin=13.67t(其中t為連續(xù)尺度空間中檢測(cè)角點(diǎn)過(guò)程提取的尺度特征量)。令L表示長(zhǎng)距采樣點(diǎn)對(duì)集P的元素個(gè)數(shù),g(pi,pj)表示點(diǎn)對(duì)(pi,pj)的梯度,角點(diǎn)的特征方向定義為:

        在進(jìn)行BRISK特征描述之先,將其采樣模板以中心沿順時(shí)針預(yù)旋轉(zhuǎn)角度α,α=arctan2(gy,gx)。然后利用強(qiáng)度對(duì)比的方式對(duì)集合S中運(yùn)算,采樣點(diǎn)對(duì)(),得出512bits的特征描述,其中比特b定義如下:

        為以上特征描述采取漢明距離的方式完成特征匹配,且能夠獲得其全局運(yùn)動(dòng)估計(jì)。

        1.2 基于BRISK的分塊特征匹配

        BRISK算法對(duì)于全局圖像特征點(diǎn)進(jìn)行檢測(cè),其中包含了動(dòng)態(tài)的復(fù)雜背景和需檢測(cè)的運(yùn)動(dòng)目標(biāo),因此運(yùn)動(dòng)目標(biāo)檢測(cè)區(qū)域內(nèi)包含大量背景特征點(diǎn),影響圖像的檢測(cè)及配準(zhǔn)精度,每個(gè)特征點(diǎn)領(lǐng)域信息的不同都將直接影響其獨(dú)特性,而且對(duì)整圖進(jìn)行BRISK特征的提取與匹配的計(jì)算量相對(duì)較大,且運(yùn)算時(shí)間長(zhǎng)。針對(duì)以上存在的問(wèn)題,文章提出了一種基于BRISK結(jié)合圖像分塊的運(yùn)動(dòng)補(bǔ)償方法。

        考慮到檢測(cè)目標(biāo)在圖像當(dāng)中存在各位置分布不定的概率,且對(duì)背景塊特征需要充分提取,因而預(yù)設(shè)分割比例N、M,并以圖像像素寬高的1/N、1/M作為長(zhǎng)短軸建立橢圓邊界,對(duì)像素圖像進(jìn)行分塊,將視頻圖像分割為目標(biāo)檢測(cè)塊和背景特征塊。圖2為N=1.1,M=1時(shí)的分割效果圖。

        圖2 所檢測(cè)圖像的分塊

        運(yùn)動(dòng)目標(biāo)檢測(cè)塊f0(x,y)的尺寸與原圖相對(duì)應(yīng),其圖塊像素值的選取如下所示:

        其中,m為幀圖像像素的寬,n為幀圖像像素的高,ft(x,y)為檢測(cè)圖像中在t時(shí)刻(x,y)處的像素值。背景特征匹配塊被區(qū)分為I,II好的準(zhǔn)確性III,IV四個(gè)區(qū)塊。背景特征塊f1b(x,y),f2b(x,y),f3b(x,y),f4b(x,y)像素選取原則為:

        采用BRISK算法對(duì)特征點(diǎn)進(jìn)行檢測(cè)提取,獲得背景特征匹配塊當(dāng)中穩(wěn)定的特征信息,如圖3、圖4所示。匹配策略采用快速最近鄰搜索算法,大致分為以下步驟:

        1)使用BRISK算法獲取背景特征塊中的角點(diǎn)特征,并獲得穩(wěn)健的粗匹配特征點(diǎn);

        2)為提高檢測(cè)速度,先訓(xùn)練匹配器,根據(jù)數(shù)據(jù)選取最優(yōu)的索引類型隨機(jī)KD樹(shù)和層次K-均值樹(shù)為特征描述子建立索引樹(shù);

        3)通過(guò)對(duì)兩幀圖像匹配特征點(diǎn)對(duì)取歐氏距離L,選取最小閾值L=r×L,此處r取2。并通過(guò)設(shè)定閾值對(duì)異常匹配點(diǎn)對(duì)進(jìn)行剔除,初步粗匹配。

        文章采用的全局運(yùn)動(dòng)補(bǔ)償方法為六參數(shù)仿射變換模型[16]:

        式中(X'k+1,Y'k+1)為前一幀圖像中優(yōu)選匹配點(diǎn)的對(duì)應(yīng)坐標(biāo),(X'k,Y'k)為當(dāng)前圖像所對(duì)應(yīng)的特征點(diǎn)坐標(biāo)。式中A1、A2、A3、A4、A5、A6六個(gè)未知數(shù)為仿射模型參數(shù),最少需要三組匹配點(diǎn)對(duì)可求得,文中采用RANSAC[17](Random Sample Consensus)隨機(jī)一致性的方法,通過(guò)降低背景特征塊中殘余運(yùn)動(dòng)目標(biāo)對(duì)模型參數(shù)的影響,并使得模型參數(shù)更為準(zhǔn)確。

        圖3 BRISK特征提取

        圖4 相鄰幀的優(yōu)選匹配點(diǎn)對(duì)

        2 邊緣差分檢測(cè)

        算法的流程如圖5所示。首先將運(yùn)動(dòng)補(bǔ)償后的多幀圖像進(jìn)行邊沿特征提取,取得相應(yīng)邊緣圖像,然后為連續(xù)多幀的邊緣圖像多幀差分,最后經(jīng)由自適應(yīng)閾值T對(duì)圖像進(jìn)行二值化處理[18],獲取目標(biāo)檢測(cè)輪廓,進(jìn)而通過(guò)形態(tài)學(xué)處理得到檢測(cè)目標(biāo)。文中采用連續(xù)三幀圖像差分檢測(cè)進(jìn)行分析處理。

        圖5 邊緣差分流程圖

        Sobel算法是邊緣提取算法當(dāng)中最常用的方法之一,其鄰域像素對(duì)其目標(biāo)像素的變化不是等同的,因此面對(duì)不同距離的像素將具有不同的權(quán)值,且對(duì)算子結(jié)果產(chǎn)生不同的變化影響。相較而言,其運(yùn)算復(fù)雜度小,易于實(shí)現(xiàn)。文章選用Sobel算法檢測(cè)邊緣特征。對(duì)于一幅圖像f(x,y),它的邊緣圖像為:

        其中,

        通過(guò)確定分割閾值T,令邊緣差分圖像二值化,得到運(yùn)動(dòng)目標(biāo)O(x,y,Δt),前后幀圖像差分d(x,y,Δt)=f(x,y,t+1)-f(x,y,t)

        以上所獲得的運(yùn)動(dòng)目標(biāo)輪廓仍然殘缺不全,并且包含分布不均的噪聲點(diǎn)。針對(duì)于此,在邊緣差分之先對(duì)圖像預(yù)處理,剔除噪聲點(diǎn),并對(duì)其差分結(jié)果進(jìn)行形態(tài)學(xué)濾波,運(yùn)用腐蝕及膨脹等方式對(duì)殘缺的目標(biāo)輪廓彌補(bǔ),進(jìn)一步消除噪點(diǎn),進(jìn)而獲取完整的目標(biāo)區(qū)域。

        3 實(shí)驗(yàn)結(jié)果及分析

        為了驗(yàn)證本文算法的有效性,實(shí)驗(yàn)使用500萬(wàn)高清攝像頭采集視頻,采集視頻分辨率為640×480。實(shí)驗(yàn)計(jì)算機(jī)配置為Intel 5代CPU,2.4GHz主頻,2G內(nèi)存,64 bit Windows 8操作系統(tǒng),MATLAB 2016a環(huán)境下運(yùn)行本文算法。使用本文算法對(duì)運(yùn)動(dòng)攝像頭條件下的行駛視頻對(duì)運(yùn)動(dòng)目標(biāo)處理。

        文章對(duì)實(shí)驗(yàn)視頻進(jìn)行分析,并將本文算法與傳統(tǒng)三幀差分法進(jìn)行對(duì)比分析。首先運(yùn)用BRISK算法對(duì)目標(biāo)圖像的背景匹配塊進(jìn)行特征提取,并與未進(jìn)行背景分塊提取的傳統(tǒng)三幀差分法進(jìn)行對(duì)比分析,其數(shù)據(jù)統(tǒng)計(jì)如表1所示:

        表1 特征檢測(cè)結(jié)果對(duì)比如下(其中N=1.2,M=1)

        由表1可以看出分塊后特征提取的時(shí)間明顯減少,且特征點(diǎn)數(shù)量充足。為保證背景塊的尺寸,橢圓長(zhǎng)半軸將定圖像像素寬的一半,其中預(yù)設(shè)M=1。經(jīng)大量實(shí)驗(yàn)推論,N取值范圍[0.8,1.5]。

        表2 不同的N、M值所對(duì)應(yīng)的特征點(diǎn)對(duì)匹配

        表2對(duì)圖像分割比例系數(shù)N、M的不同狀況下的結(jié)果進(jìn)行實(shí)驗(yàn)統(tǒng)計(jì),隨著N的減小,背景匹配塊圖像區(qū)域逐漸減小,特征提取時(shí)間也相應(yīng)變短,相應(yīng)的特征點(diǎn)數(shù)目以及特征匹配對(duì)的數(shù)目也相應(yīng)減少。此外,文章考慮到運(yùn)動(dòng)目標(biāo)有存在于背景匹配塊中的情況,利用RANSAC算法將異常點(diǎn)以及誤匹配對(duì)剔除,且由于需要一定數(shù)量的匹配點(diǎn)對(duì)能夠排除運(yùn)動(dòng)目標(biāo)對(duì)求解的影響,并能提高模型參數(shù)求解的準(zhǔn)確性和算法的魯棒性,其中為保證足夠的特征點(diǎn)對(duì),實(shí)驗(yàn)當(dāng)中以100個(gè)特征點(diǎn)匹配對(duì)為限定,取N=1.2。

        在實(shí)驗(yàn)視頻中隨機(jī)截取三幀連續(xù)圖像,并分割出其目標(biāo)檢測(cè)塊進(jìn)行分析,并獲取其連續(xù)三幀的邊緣圖像,如圖6、圖7所示。獲取運(yùn)動(dòng)補(bǔ)償后的目標(biāo)檢測(cè)區(qū)塊圖像,進(jìn)而運(yùn)用連續(xù)幀的邊緣圖像差分檢測(cè)并獲得運(yùn)動(dòng)目標(biāo),對(duì)比文獻(xiàn)[14]與傳統(tǒng)連續(xù)三幀差分法的結(jié)果。如圖8所示,經(jīng)過(guò)全局差分后的圖像存在噪聲與空洞現(xiàn)象,而經(jīng)過(guò)文中區(qū)域分塊思想并結(jié)合邊緣差分的特點(diǎn),可彌補(bǔ)圖像完整性的不足,并為之后運(yùn)動(dòng)目標(biāo)跟蹤奠定基礎(chǔ)。

        圖6 連續(xù)三幀目標(biāo)檢測(cè)區(qū)域

        圖7 連續(xù)三幀邊緣圖像

        圖8 實(shí)驗(yàn)結(jié)果對(duì)比

        實(shí)驗(yàn)檢測(cè)結(jié)果如圖8(a)和圖8(b)所示,由其結(jié)果可以看出,本文算法通過(guò)圖像區(qū)塊匹配結(jié)合邊緣差分檢測(cè)效果較好,受背景噪聲干擾較少,能夠較好地檢測(cè)運(yùn)動(dòng)目標(biāo)。

        為進(jìn)一步驗(yàn)證本文算法的有效性和穩(wěn)定性,不妨取實(shí)驗(yàn)視頻第300幀至1200幀作分析,每隔30幀檢測(cè)分析,序列圖像幀N為橫坐標(biāo),通過(guò)對(duì)比發(fā)現(xiàn),采用本文提出的改進(jìn)方法,能夠提高目標(biāo)檢測(cè)的準(zhǔn)確率并縮短檢測(cè)時(shí)間。文章以D=R/(R+F)(R表示檢測(cè)正確的車輛;F表示漏檢車輛)代表檢測(cè)率[19]。

        表3 檢測(cè)準(zhǔn)確率和誤報(bào)率算法對(duì)比(%)

        再用峰值信噪比(PSNR)對(duì)其進(jìn)行評(píng)估,可用于對(duì)結(jié)果魯棒性進(jìn)行評(píng)估,其值越高證明抗噪越好,峰值性噪比對(duì)比如圖9所示。由圖9可看出,本文算法進(jìn)行處理后,其PSNR值有明顯提高,且優(yōu)于另外兩種算法。經(jīng)實(shí)驗(yàn)與仿真結(jié)果表明,本文算法峰值信噪比(PSNR)明顯魯棒性表現(xiàn)較好,并擁有較好的準(zhǔn)確性。

        圖9 改進(jìn)算法前后幀PSNR值比較

        4 結(jié)語(yǔ)

        本文提出了一種結(jié)合分塊匹配與邊緣差分的運(yùn)動(dòng)目標(biāo)檢測(cè)算法。算法基于分塊處理的思想,不僅減少特征匹配耗時(shí),而且降低了運(yùn)動(dòng)目標(biāo)對(duì)全局運(yùn)動(dòng)補(bǔ)償?shù)挠绊?;?duì)連續(xù)三幀圖像目標(biāo)檢測(cè)塊的邊緣圖像進(jìn)行差分處理,有效減少空洞現(xiàn)象和背景噪聲的影響,并通過(guò)與傳統(tǒng)三幀差分算法的對(duì)比,驗(yàn)證了本文算法具有較好的準(zhǔn)確性和抗噪性。

        猜你喜歡
        差分邊緣背景
        “新四化”背景下汽車NVH的發(fā)展趨勢(shì)
        數(shù)列與差分
        《論持久戰(zhàn)》的寫作背景
        一張圖看懂邊緣計(jì)算
        晚清外語(yǔ)翻譯人才培養(yǎng)的背景
        基于差分隱私的大數(shù)據(jù)隱私保護(hù)
        相對(duì)差分單項(xiàng)測(cè)距△DOR
        太空探索(2014年1期)2014-07-10 13:41:50
        差分放大器在生理學(xué)中的應(yīng)用
        在邊緣尋找自我
        雕塑(1999年2期)1999-06-28 05:01:42
        走在邊緣
        雕塑(1996年2期)1996-07-13 03:19:02
        国产亚洲精品性爱视频| 亚洲精品无码久久久久牙蜜区| 亚洲人成绝费网站色www| 亚洲一区二区三区av在线免费| 丰满人妻一区二区三区52| 午夜视频在线观看一区二区小| 女邻居的大乳中文字幕| 亚洲国产成人无码影院| 女同同成片av免费观看| 亚洲视频在线一区二区| 人妻夜夜爽天天爽一区| 91情侣视频| 精品人妻午夜中文字幕av四季| 亚洲成av人综合在线观看| 亚洲精品字幕在线观看| 免费 无码 国产精品| 美女视频黄a视频全免费网站色| 国产精品无码无卡无需播放器| 国产香蕉97碰碰视频va碰碰看 | 超清纯白嫩大学生无码网站| 精品无码av不卡一区二区三区| 亚洲无人区乱码中文字幕| 亚洲一区二区女搞男| 性大片免费视频观看| 亚州五十路伊人网| 精品在线观看一区二区视频| 末成年女a∨片一区二区| 亚洲第一看片| 麻豆成人久久精品二区三区91| 日本污ww视频网站| 中文无码制服丝袜人妻av| 国产一区二区丁香婷婷| 不卡av网站一区二区三区| 东京热人妻一区二区三区| 国产乱人伦偷精品视频免| 日本一区二区三区在线视频播放 | 国产精品毛片极品久久| 色综合色狠狠天天综合色| 亚洲小说图区综合在线| 国产在线视频一区二区三区不卡| 国产午夜精品av一区二区麻豆|