室內空間視覺移動目標特征提取方法仿真

吳一非，杜尚廣

(1. 江西科技學院，江西 南昌 330000；2. 南昌大學生命科學學院，江西 南昌 330000)

1 引言

VR技術[1]即虛擬現實技術，隨著該技術的不斷發展，目前VR技術已經成熟地運用到各個大型場景中，但VR系統在實際運行過程中由于數據量過大會導致目標移動出現卡頓等現象，因此，提出在VR系統中對移動目標進行特征提取[2]，通過移動目標的特征對空間場景進行加載，以此降低系統內存含量[3]，降低系統負荷。

鄧昊[4]等人提出了一種基于漲落分析的暗弱運動目標關聯檢測方法，該方法在時域上設定一個時間窗口，采用漲落分析方法來提取暗弱運動目標的關聯特征，獲取檢測目標信號，實現特征提取。韓豐宇[5]等人提出了一種運動目標軌跡特征提取方法，基于Faster R-CNN原理，對特征進行定位提取，根據定位結果獲取目標區域，然后采用距離加閾值限制方法得到目標之間的關聯，由此實現運動目標軌跡特征提取。

以上兩種方法均沒有對原始數據進行預處理，導致數據不規范，數據格式種類過多，特征提取時冗余數據以及不易辨識的數據過多，存在閾值對錯誤率影響程度高、重復率高和特征點完整性低的問題。為了解決上述方法中存在的問題，提出基于VR的室內空間視覺移動目標特征提取方法。

2 數據預處理

分散的數據不利于室內空間視覺移動目標的特征提取[6，7]，可能出現特征提取不完全，特征提取重復等情況，為避免不必要的錯誤發生，可提前對數據進行預處理，其中最重要的一步就是對數據進行歸一化處理。

2.1 數據歸一化處理

由于VR系統內數據量巨大，其中包含很多格式不一致的數據，為降低系統負荷，對系統內空間視覺移動目標進行特征提取，保證特征提取的質量，可提前將系統數據進行歸一化處理[8]。

包圍球技術是數據歸一化方法之一，其核心就是在信息量不變的情況下將數據量范圍通過映射進行縮小，從而完成數據歸一化處理，其中數據歸一公式為

(1)

式中，t代表VR系統中的原始數據，c(x)代表虛擬數據經過歸一化處理后的第x組數據，Δm代表每組數據經過歸一化處理后的數量。

根據式(1)推導出原始數據經過歸一化處理后的結果，其表達式為

(2)

式中，c(Y)代表原始數據經過歸一化處理后的數據，Y代表虛擬數據的數量。

其中，數據量Δm的表達式為

Δm=|Ni/Y|

(3)

目標數據的歸一化就是對數據進行變形，得出其變換矩陣，假設原始數據矩陣為Y，將該數據矩陣進行變換后得出的矩陣表達式為

(4)

經分析得出室內移動目標數據的協方差矩陣，其表達式為

(5)

式中，R代表協方差矩陣，n代表整體數據量，mi代表原始數據中第i個數據，wi代表數據需要變換的權重。

進而計算出數據變換的系數，其公式為

Z=S/r

(6)

式中，Z代表數據歸一化的變換系數，S代表數據歸一化的最大程度，r代表數據之間的距離。

在數據變換系數的基礎上，利用變換矩陣和數據歸一化公式即可完成室內空間視覺移動數據的歸一化。

2.2 室內目標背景分割

基于VR技術的室內目標通常與背景數據混合一起，為加強目標數據特征提取精度，需要將背景與室內目標數據進行分割，分割出室內移動目標后可有效地對移動目標進行特征提取，最大程度地避免背景數據對特征提取的干擾。

分割就是將同一區域內的數據點進行標記，得出目標區域點和背景點，通常情況下，背景區域與目標區域的灰度值區別較大，根據此特性進行背景分割[9-10]。

區域閾值法是圖像分割最常用的方法，該方法的主要思想就是在固定閾值的幫助下將灰度值不大于目標數據點的數據視為移動目標，否則將數據點視為背景。

在此過程中需要計算出背景與目標的灰度均值紅外方差，其表達式為

(7)

數據點的方差計算公式為

(8)

式中，σ代表移動目標數據點的方差。

當每一組數據的方差小于固定閾值時，此時將該數據點確定為背景數據，否則均為移動目標數據。

由于移動目標與背景往往是重疊出現的，為進一步加強分割效果，初步完成分割后計算出數據點屬于移動目標的權重。

假設移動目標和背景權重分別標記為w1和w2，兩權重之間的關系如下所示

w1+w2=1

(9)

根據分布密度函數原理得出移動目標分布的灰度級函數為

(10)

背景分布密度函數表達式為

(11)

進而運算出空間視覺中灰度級G的分布公式：

W(G)=W2w2(G)+W1w1(G)

(12)

為了降低分割難度，先對背景色彩和目標色彩進行加強，在色彩R、G、B分量的幫助下計算出目標圖像，首先設置出三種分量的相應閾值，其中，R分量對應閾值Tr，G分量對應閾值Tg，B對應閾值Tb。

將各個分量與相應閾值進行比較，分量大于閾值的即為背景，否則為移動目標，其表達式分別為

(13)

通過將每組數據與固定閾值進行比較，并計算出移動目標數據的權重，最終在色彩分量與閾值的比較下確定出移動目標。

3 移動目標特征提取

特征提取[11]的目的是保證信息量不發生變化的同時將數據量范圍盡可能地縮小，通過這種處理方法處理后的數據可有效地加載VR系統內負荷。

主成分分析[12-13]是特征提取中最常見的一種方法，該方法屬于統計學范疇，主要是提取出數據庫中所有數據的主成分，進而降低數據冗余量，保證數據從高維空間降到低維空間中進行操作，同時保留了數據的主要信息。主成分分析法將數據庫數據進行處理后不僅降低計算難度，同時最大程度降低數據噪聲，提高數據的抗干擾能力，其中降低計算難度就是根據主成分分析法屬于統計學的特點在海量信息中解析出最重要的信息，將問題簡單化。

假設原始數據的維度為m，它的隨機向量為y，且隨機向量的均值為0，則有

E(y)=0

(14)

其中，E(y)代表向量y的均值。

當向量y投影到m維空間后，該向量與單位向量之間的內積為

(15)

式中，z代表m維空間中的單位向量，k代表主成分矩陣，T代表特征向量。

基于主成分分析提取出的移動目標特征就是計算出主成分E(X2)的權重最大化，其中E(X2)的計算公式以及權重最大化的計算公式分別為：

(16)

式中，w代表相應成分的權重，Ciwj代表最大化權重，λi代表權重中非0的特征值。

實質上主成分分析法是線性映射，為抵抗線性映射的缺點，可在主成分分析法中添加KPCA思想[14-15]，即利用變換的形式將樣本輸入到特征空間中，將原始數據變換成特征空間中的樣本數據后進行主成分分析，以此解決因映射帶來的問題，得出目標特征值的計算公式為

λi=Sui

(17)

式中，S代表特征空間內的數據協方差矩陣，ui代表特征值的單位特征向量。

將特征向量根據協方差矩陣[16]進行投影，得出樣本數據的特征量矩陣，該矩陣的成分就是樣本數據的特征值，其中特征值矩陣的計算公式為

Qi=Xi(μ1，…，μd)

(18)

式中，Qi代表特征值矩陣，Xi代表原始數據樣本，μ代表投影向量。

因此得出特征值與特征向量之間的聯系，其表達式為

(19)

式中，p代表特征值的數量，T代表該數據對應的特征向量。

在提取移動目標特征的過程中為保證單位向量ui的穩定性，需要將數據的特征向量進行規劃化處理，并重建原始數據，數據重建的表達式為

(20)

式中，X′代表將特征向量規范化處理后的移動目標數據。

將規范后的數據代入式(17)中，計算出移動目標的特征值，將特征值根據自大到小的順序進行排列，并綜合權重大小得出特征子空間，在特征子空間中將較小的特征向量舍棄，僅僅保留特征值較高的特征向量，為明確特征向量的保留界限，將協方差矩陣[17]的特征值與所有目標數據特征值之比與閾值進行比較，當兩特征值之比小于閾值，則舍棄，否則保留。

4 實驗結果與分析

為了驗證基于VR的室內空間視覺移動目標特征提取方法的整體有效性，在Matlab仿真軟件環境下，對所提方法、文獻[4]方法和文獻[5]方法進行閾值對錯誤率影響程度、重復率和特征點完整性測試，測試結果如下所示。

4.1 閾值對錯誤率影響程度

大部分閾值的選取會對特征提取有較大的影響，即特征提取對閾值的依賴性較大，因為目前特征提取的方法均對閾值的依賴程度進行削弱，就特征提取對閾值的影響展開研究，得出最優特征提取方法。

為提高實驗可信度，分別選取兩種不同的目標特征進行提取，判斷在不同閾值下三種方法的提取錯誤率，結果如圖1和圖2所示。

圖1 編號1特征值下三種方法的提取錯誤率

圖2 編號2特征值下三種方法的提取錯誤率

經過對圖1圖2的分析，最直觀的結果就是所提方法是三種特征提取方法中錯誤率最低的，經仔細分析發現，所提方法是三種方法對閾值依賴度最低的，隨著閾值的增長，移動目標的提取錯誤率會隨之增加，而所提方法因為提前對數據進行預處理，將其中冗余數據刪除，并進行背景分割，可有效提取特征，從而降低提取錯誤率，以此降低特征提取對閾值的依賴，但其它兩種方法的錯誤率仍不斷上升，尤其是文獻[5]方法，因此驗證所提方法為最優特征提取方法。

4.2 重復率

特征提取的目的就是保證信息內容不變的同時縮小數據范圍，因此特征提取中最忌諱含有重復內容，進而將信息重復率視為最優特征提取方法的驗證指標，即在同一環境下利用三種方法進行移動目標特征提取，在結果中查找相同的特征，相同的特征越多，說明方法性能越差。

表1 三種方法特征點提取重復率

根據表1可知，三種方法在特征提取過程中均避免不了提取出相同特征點的情況，通過比較發現，所提方法的特征提取結果重復率最低，均沒有超過整體的5%，其他兩種方法的重復率都過高，違背了特征提取的目的，從而證明所提方法的優勢性。

4.3 特征點完整性

特征提取在實際操作過程中因各種因素無法做到理論效果下的信息完整性，而能將信息完整性相對地提高到最高程度即為性能最好的特征提取方法。

在同一環境下利用三種方法對同一移動目標進行特征提取，判斷其特征信息提取量與實際特征量之間的比值，實驗結果如圖3所示。

圖3 三種方法的特征量提取量百分比

根據實驗結果可知，所提方法提取出的特征量與實際的特征量較為一致，其余兩種方法提取出的特征量與實際特征量之間具有一定的差距，說明文獻[4]方法和文獻[5]方法得出的結果中有部分重復出現的特征量，或部分實驗中所提取的特征量不完整，因此證明了所提方法的有效性。

5 結束語

VR系統多數應用于視頻等行業中，這種企業的特點是數據量過大，為方便后續操作和計算，提出基于VR的室內空間視覺移動目標特征提取方法，該方法首先對數據進行歸一和分割的預處理，其次在主成分分析法的幫助下完成移動目標的特征提取，實現室內空間視覺移動目標特征提取，解決了閾值對錯誤率影響程度高、重復率高和特征點完整性低的問題，有利于加強VR系統的運行速度，提高企業質量。