多自由度人體運動動態圖像目標檢測方法仿真

唐開悅，王思涵

(廣西師范大學，廣西 桂林 541006)

1 引言

計算機技術和多媒體技術在近年來飛速發展，提高了圖像目標檢測技術在各個領域中的應用性能[1]。在計算機視覺領域中圖像目標檢測方法成為重要研究內容，在工程和科學中具有重要的研究價值，被廣泛地應用在視頻壓縮、智能監控、醫學診斷、智能機器人、虛擬現實和人機交互等領域中[2-3]。人體的運動過程包含了大量的視覺信息，研究人體運動動態圖像目標的檢測具有較大的應用價值和現實意義[4]。

程全[5]等人提出基于分塊投影匹配的人體運動動態目標檢測方法，該方法通過分塊投影匹配方法估計全局運動參數，利用估計參數對圖像背景進行補償處理，根據背景減除法提取圖像中存在的運動目標，實現運動目標檢測，該方法無法消除圖像中存在的陰影，存在圖像清晰度低的問題。左軍輝[6]等人提出基于改進背景減法的人體運動動態目標檢測方法，該方法采用GMM圖像塊均值方法在背景建模階段重構背景模型，結合小波半軟閾值函數和數學形態學在目標檢測階段對運動目標進行去噪處理，通過自適應背景更新方法更新背景，實現人體運動動態目標的檢測，該方法在背景建模階段無法消除陰影區域和非陰影區域之間存在的邊界線，導致檢測過程的位置誤差較大。王思明[7]等人提出基于BRISK算法的人體運動動態目標檢測方法，該方法結合歐式距離和k近鄰算法進行特征匹配，對順序抽樣一致性算法進行改進，提純特征點，實現背景運動補償，采用形態學對運動目標進行分割，利用BRISK算法實現目標檢測，由于運動目標附近存在陰影，增加了該方法提取特征點所用的時間，存在檢測效率低的問題。

為了解決上述方法中存在的問題，提出多自由度人體運動動態圖像目標檢測方法。

2 背景建模

多自由度人體運動動態圖像目標檢測方法通過高斯背景模型分離圖像背景區域和目標區域。

1)背景初始化

采用K個高斯分布對圖像中的像素顏色信息進行描述，利用高斯密度函數對各個分布進行描述，每個分布之間都是獨立的[8]。設Xt代表的是像素點在t時刻的觀測值；η(Xt，μi，t，∑i，t)代表的是第i個高斯分布對應的概率密度函數，其表達式如下

η(Xt，μi，t，∑i，t)=

(1)

式中，μi，t代表的是第i個高斯分布在t時刻對應的均值；∑i，t代表的是第i個高斯分布在t時刻對應的協方差。

設P(Xt)描述的是t時刻目標圖像觀測點對應的概率密度函數，其值可通過下述公式計算得到

(2)

式中，wi，t代表的是第i個高斯分布在t時刻對應的權值。

多自由度人體運動動態圖像目標檢測方法采用基于統計的方法在背景建模初期對模型進行初始化處理。將前N幀不含檢測目標的圖像像素對應的平均值作為初始化圖像的觀測值，減少背景建模過程中受其它因素的干擾。

設μ0代表的是在初始背景估計過程中某點對應的均值，其計算公式如下

(3)

式中，N描述的是圖像幀數。

(4)

2)高斯分布模型匹配

讀取新的人體運動圖像后，逐一匹配K個高斯分布模型和每個像素點Xt，判定依據為

|Xt-μi.t-1|≤2.5σi

(5)

式中，2.5σi代表的是匹配閾值。如果滿足上式表明該點為背景；如果不滿足為運動目標。

3)高斯分布模型更新

通過對方差、均值和權值的更新實現高斯分布模型的更新。

利用下式更新權值

(6)

式中，α代表的是學習率。

通過下述公式對均值和方差進行更新

(7)

其中，參數ρ的計算公式如下

(8)

4)背景生成

(9)

3 人體運動動態圖像目標檢測

3.1 陰影去除

假設多自由度人體運動動態圖像為局部平穩的，統計信息在圖像非陰影區域和陰影區域中的相似度較高，匹配I分量圖中非陰影區域與陰影區域的灰度，補償陰影區域的亮度。

結合陰影投射方向和陰影區域獲得鄰近非陰影區域，設Qn代表的是非陰影區域集合，其表達式如下

Qn={p|0

(10)

式中，p代表的是陰影投射方向中存在的點；Ωs代表的是圖像中的陰影區域；d(p，Ωs)代表的是陰影區域Ωs與點p之間存在的距離；dist代表的是距離閾值。

獲得圖像非陰影區域和陰影區域后，根據映射策略利用下式補償陰影區域的灰度值

(11)

式中，I代表的是陰影區域補償前對應的灰度值；I′代表的是陰影區域補償后對應的灰度值；A代表的是亮度補償強度系數；σs代表的是陰影區域對應的方差；ms代表的是陰影區域對應的均值；σn代表的是非陰影區域對應的方差；mn代表的是非陰影區域對應的均值。

陰影對圖像產生影響，改變了其飽和度、色調和亮度，因此陰影區域的真實色彩不能只通過亮度得到補償，多自由度人體運動動態圖像目標檢測方法采用下述補償策略對S分量圖和H分量圖中存在的非陰影區域和陰影區域進行匹配

(12)

(13)

式中，S(i，j)、H(i，j)分別代表的是陰影區域在補償前和補償后對應的飽和度；mn、ms分別代表的是非陰影區域在補償前和補償后對應的色調值；B、C分別代表的是圖像色調和圖像飽和度在補償過程中的強度系數。

在上述過程的基礎上補償圖像陰影區域中的各個分量，將HSI(Hue Saturation Intensity ，色調飽和度)空間中存在的H、S、I分量轉換到RGB空間中，實現圖像陰影區域的消除。灰度突變現象經常存在于圖像的陰影和非陰影區域中，消除陰影后兩個區域之間在圖像中仍然呈現一條明顯的邊界線[9]，多自由度人體運動動態圖像目標檢測方法完成陰影補償后，通過中值濾波處理消除陰影邊界處存在的邊緣效應，使陰影區域經過補償后可以平滑的過渡到非陰影區域。

3.2 目標檢測

在二階自回歸模型的基礎上建立運動模型

Xt-Xt-1=Xt-1-Xt-2+Ut

(14)

式中，Xt代表的多自由度人體運動目標，其表達式如下

(15)

多自由度人體運動動態圖像目標檢測方法選擇灰度分布對多自由度人體運動目標進行描述，對參考目標與目標樣本進行對比，根據對比結果建立觀測模型。

(16)

式中，C代表的是歸一化常數；l代表的是人體運動目標對應的中心(x，y)；h代表的是目前區域的大小；k(·)代表的是核函數；δ(·)代表的是Kronecker Delta函數。

在目標中心與區域中心重合的基礎上選取固定區域，最大限度地使固定區域與目標吻合，因此在不同方向的固定區域中，距離中心較近的像素越有可能屬于目標[10]。通過上述分析可知，當區域中的像素位置高于設定的范圍時，多自由度人體運動動態圖像目標檢測方法選擇負指數分布對像素屬于目標的概率進行描述

(17)

式中，參數θ的取值為1；|·‖代表的是距離范數；Td代表的是閾值。

(18)

(19)

在上式的基礎上構建觀測概率模型

(20)

式中，λ為控制參數。設t代表的是目標在圖像中的平均狀態；為觀測概率，可在觀測概率模型的基礎上計算得到，構建人體運動目標的目標更新模型，利用目標更新函數實現多自由度人體運動動態圖像目標的檢測

(21)

4 實驗結果與分析

為了驗證多自由度人體運動動態目標檢測方法的整體有效性，需要對多自由度人體運動動態目標檢測方法進行測試。本次測試的實驗平臺為CPU2.1GHz，2GB RAM計算機。基于MATLAB7.11平臺實現圖像顯示，在Visual Studio 2010 MFC平臺中通過攝像頭獲取圖像。分別采用多自由度人體運動動態圖像目標檢測方法(方法1)、基于分塊投影匹配的人體運動動態目標檢測方法(方法2)和基于改進背景減法的人體運動動態目標檢測方法(方法3)進行測試，對人體運動動態目標進行檢測之前，需要對圖像進行預處理，不同方法的圖像處理結果如圖1所示。

圖1 不同方法的圖像預處理結果

圖1(a)為方法1對人體運動動態圖像處理后的結果，可以看出處理后的圖像清晰度較高，不存在模糊區域和陰影區域。圖1(b)為方法2對人體運動動態圖像處理后的結果，該方法對圖像進行處理后圖像中還存在大面積的模糊區域。圖1(c)為方法3對人體運動動態圖像處理后的結果，采用該方法對圖像進行預處理時無法消除圖像中存在的陰影部分。對比方法1、方法2和方法3的測試結果可知，方法1預處理后的人體運動動態圖像的清晰度較高，因為該方法通過高斯模型進行背景建模，在目標區域中結合數學形態處理和小區域去除方法根據陰影區域飽和度高和亮度值低的特性確定陰影區域，并通過匹配補償去除圖像中存在的陰影，提高了人體運動動態圖像的清晰度。

將位置誤差作為測試指標對方法1、方法2和方法3進行測試，測試結果如圖2所示。

圖2 不同方法的位置誤差

分析圖2中的數據可知，方法2對人體運動動態圖像目標進行檢測時，當圖像幀數為40frames時位置誤差飛速增加，因為該方法無法消除圖像中的模糊區域，導致在目標跟蹤過程中的位置誤差較大。方法3對人體運動動態圖像目標進行檢測時，隨著圖像幀數的增加位置誤差不斷增加，因為該方法在目標跟蹤過程中將陰影區域誤當做目標，增大了位置誤差。采用方法1對人體運動動態圖像目標進行檢測時的位置誤差較小，因為該方法通過降低陰影區域的飽和度，提高陰影區域的亮度值，消除圖像中存在的陰影，降低了目標跟蹤過程中產生的位置誤差。

為了進一步驗證方法1、方法2和方法3的整體有效性，通過運行時間測試不同方法的檢測效率，結果如3所示。

圖3 不同方法的運行時間

分析圖3中的數據可知，隨著圖像幀數的增加，方法1、方法2和方法3檢測多自由度人體運動動態圖像目標所用的時間不斷增加，但方法1所用的時間仍少于方法2和方法3所用的時間，因為方法1完成陰影補償后，為了減弱邊緣效應，對陰影邊界進行中值濾波處理，使陰影區域經過補償后可以平滑的過渡到非陰影區域，提高了圖像的清晰度，更好的體現了目標在圖像中的細節信息，縮短了檢測所用的時間，提高了方法1的檢測效率。

5 結束語

在人體運動視覺分析中人體運動目標檢測是重要內容，在計算機視覺領域中成為人們研究的熱點。人體運動目標檢測具有極大的經濟價值和廣泛的應用前景，被應用在人體運動細節分析、高級人機交互和智能安全監控等領域中。目前人體運動動態圖像目標檢測方法存在圖像清晰度低、位置誤差大和檢測效率低的問題，提出多自由度人體運動動態圖像目標檢測方法，在圖像預處理過程中結合數學形態處理和小區域去除方法消除目標周圍存在的陰影，根據像素在圖像中的灰度分布實現人體運動動態圖像的目標檢測，解決了當前方法中存在的問題和難點，為人體運動視覺分析技術的發展奠定了基礎。