基于固定數采樣的輪廓特征描述子方法

文/賈賀林

目前運動目標輪廓的提取已經成為人體行為分析中的重要步驟，輪廓特征的提取與描述更加注重準確性與實時性。普通的輪廓特征很難滿足在視頻序列中的實時描述，在視頻幀的選取和計算特征描述子過程中話費大量的時間，嚴重影響算法的效率。本文在特征點的選取中使用固定數采樣，降低特征點數目并且保存特征點的整體信息，然后采用質心邊界距離描述子對輪廓進行描述，最后再將位置信息降維，生成一維的輪廓特征對目標運動狀態進行描述。

1 固定數采樣

固定數采樣法，是在等間隔采樣方法的基礎上提出的新的采樣方法，當各組數據長度不同的情況，等間隔采樣法計算出來的間隔是不同的，并且大多情況下不是整數，如果將采樣間隔近似，就會造成采樣不均勻，存在區域遺漏，采樣誤差增大，固定數采樣法便可解決該問題。就比如下文即將討論的輪廓描述方法的輪廓點，由于人在運動時姿勢不同，每一幀圖像獲取的輪廓點不同，為了方便不同數據之間的比對，故提出該方法進行采樣方法，該方法可分為以下幾個步驟．

（1）首先給定固定采樣數N，然后讀取一組數據的個數m，計算采樣間隔k=m/N，k理論含義為每k個點取一個采樣點。

（2）使用下式計算所有數據點下標與采樣間隔k的商di。

（3）計算di與最鄰近整數的絕對值之差公式如下：

當然固定數采樣法可以看做等間隔采樣法的改進，采樣時可以更均勻覆蓋原始數據，同樣適用于各類等間隔采樣法的情況。

2 質心邊界距離描述子

通過質心-邊界距離方法的關鍵在于二維輪廓向以為距離信號的轉換過程，計算過程如下：

（1）輪廓的質心坐標：

其中(xc, yc)是得到質心坐標，(xi, yi)是各個離散點坐標，N為離散點總數．

（2）通過1得到質心的坐標，以輪廓線上最左下方的像素點為圖像坐標原點，逆時針方向展開，得到質心到每一個輪廓點的歐幾里得距離：

其中X=(x1,x2,…,xn), Y=(y1,y2,…,yn)，從而消除圖像尺度和特征長度對輪廓特征描述子的影響。

3 實驗結果

首先獲取目標輪廓離散點的像素坐標信息，獲取的離散點是無序的，采用冒泡排序的思想把所有點進行比較，逆時針排序完成后，再次一位搜索，找到最高點(Xh,Yh)，計算質心坐標(xc, yc)，以(Xh,Yh)為參考起點，沿逆時針方向進行邊界展開，最終將輪廓邊界展開為由質心到邊界像素點的歐式距離，完成降維。

把計算出的每一幀質心-邊界距離重新采樣，圖1和圖2分別是質心輪廓距離展開的原始圖像和采樣后的圖像。

通過上述的步驟，可以快速準確的完成人體區域輪廓描述并將輪廓信息降維成一維距離信號，通過一組一維數組對目標輪廓進行描述。

4 總結

本文提出了一種快速準確的輪廓特征描述方法，并通過實驗圖像生成了輪廓特征描述子，完成了視頻序列中運動目標的描述。為了提高描述的準確性還可以使用傅里葉描述算子、小波描述算子等對輪廓特征進行描述，質心邊界距離描述子雖然計算速度快，但是應用范圍較狹窄，難以廣泛使用，需要進行后續的提高與研究。

圖1：原始圖像的質心輪廓距離

圖2：采樣后的圖像質心輪廓距離