張京愛(ài)， 王興軍， 胡青松

(1.淮北師范大學(xué)物理與電子信息學(xué)院，淮北 235000;2.中國(guó)礦業(yè)大學(xué)信息與電氣工程學(xué)院，徐州221116;3.山東匯勝集團(tuán)股份有限公司，濰坊 261201)

觀察實(shí)驗(yàn)動(dòng)物在接受不同處理方法(如手術(shù)、使用不同的藥物或者使用不同劑量的特殊藥物)之后動(dòng)物行為的改變程度，對(duì)被測(cè)試藥物樣品作出科學(xué)評(píng)價(jià).穿梭實(shí)驗(yàn)是定量測(cè)定動(dòng)物行為學(xué)改變的重要手段，穿梭是指如果動(dòng)物在規(guī)定時(shí)間內(nèi)對(duì)某一特定信號(hào)(如燈光、聲音)不發(fā)生反應(yīng)，則給予懲罰性刺激(常用電刺激)，使動(dòng)物穿梭至對(duì)側(cè)安全區(qū)，在一定時(shí)間內(nèi)反復(fù)訓(xùn)練后則可形成主動(dòng)逃避反應(yīng).穿梭實(shí)驗(yàn)接近反應(yīng)動(dòng)物復(fù)雜學(xué)習(xí)記憶形成過(guò)程，是研究小型動(dòng)物學(xué)習(xí)記憶行為最好的行為學(xué)測(cè)試方法之一.

隨著硬件和軟件技術(shù)的不斷發(fā)展，基于圖像分析技術(shù)的動(dòng)物行為分析代表了當(dāng)前動(dòng)物行為分析手段發(fā)展的主流趨勢(shì)[1～4].采用圖像處理技術(shù)進(jìn)行穿梭實(shí)驗(yàn)時(shí)，往往在實(shí)驗(yàn)箱頂部安裝攝像頭，采集到的圖片如圖1所示，實(shí)驗(yàn)箱底部為可加電的金屬柵，整個(gè)實(shí)驗(yàn)箱可以分為左右兩個(gè)箱體，其間有一通道可讓實(shí)驗(yàn)動(dòng)物穿過(guò).當(dāng)動(dòng)物位于錯(cuò)誤區(qū)域時(shí)可以通過(guò)對(duì)該區(qū)域加電來(lái)促使實(shí)驗(yàn)動(dòng)物穿梭至對(duì)方的安全區(qū)域，在這過(guò)程中自動(dòng)記錄動(dòng)物的運(yùn)動(dòng)軌跡就可分析其行為偏好.

圖1 穿梭分析系統(tǒng)拍攝示例

綜上所述，實(shí)驗(yàn)的關(guān)鍵在于對(duì)實(shí)驗(yàn)動(dòng)物進(jìn)行準(zhǔn)確的檢測(cè).由于實(shí)驗(yàn)環(huán)境往往為開(kāi)放的，不可避免地受到光照變化等因素的影響;因此采用通用的背景減除法不能滿足實(shí)驗(yàn)的需求.通過(guò)分析實(shí)驗(yàn)箱圖像(圖1(a))和動(dòng)物圖像(圖1(b))可以發(fā)現(xiàn)，實(shí)驗(yàn)箱圖像呈現(xiàn)較為規(guī)律的柵格紋理，而實(shí)驗(yàn)動(dòng)物圖像則較為平滑，其紋理特征與實(shí)驗(yàn)箱有明顯差異，并且紋理特征對(duì)于光照變化具有較好的魯棒性.基于此本文提出采用局部二值模式(local binary pattern，LBP)紋理特征來(lái)進(jìn)行背景建模方法，以克服光照變化的影響，在此基于上研發(fā)一種快速準(zhǔn)確的實(shí)驗(yàn)動(dòng)物檢測(cè)方法來(lái)滿足穿梭分析實(shí)驗(yàn)的需求.

1 LBP紋理特征概述

紋理是物體表面的固有特征之一，可認(rèn)為是灰度(顏色)在空間以一定的形式變化而產(chǎn)生的模式，相對(duì)灰度特征，紋理特征對(duì)光照變化等具有更好的魯棒性.LBP紋理特征是一種由Ojala等[5]提出用來(lái)描述圖像局部紋理特征的算子，其基本計(jì)算思路是求中心像素點(diǎn)與其鄰域內(nèi)的像素點(diǎn)的灰度差值，并對(duì)其按照某一閾值進(jìn)行二值化，從而得到一系列的二進(jìn)制編碼.LBP紋理特征具有灰度不變性.它計(jì)算簡(jiǎn)單，分類能力強(qiáng)，在描述紋理特征提取方面有著顯著的效果.

假設(shè)在半徑為R的窗口領(lǐng)域上共有P個(gè)像素點(diǎn)，則可用這些像素點(diǎn)的聯(lián)合分布 T=t(gc，g0，…gP－1)來(lái)描述圖像的LBP紋理.其中g(shù)c表示窗口中心像素的灰度值，gp(p=0，1，…，P－1)則對(duì)應(yīng)窗口內(nèi)與中心像素距離為R的P個(gè)像素點(diǎn)的灰度值;由此可以看出，當(dāng)(P，R)取不同值時(shí)可以得到不同的LBP算子.

圖2 穿梭系統(tǒng)動(dòng)物檢測(cè)過(guò)程示意圖

在計(jì)算LBP算子時(shí)，首先用P個(gè)鄰域像素點(diǎn)灰度值gp(p=0，1，…，P－1)減去中心像素點(diǎn)的灰度值gc，得到:

假設(shè)gc和gp在概率上相互獨(dú)立，則上式可近似分解為

忽略掉t(gc)，則有:

將上述的灰度差值二值化，此處可用中心像素與鄰域像素差值的符號(hào)函數(shù)來(lái)描述局部窗口內(nèi)的紋理，即

其中s為符號(hào)函數(shù)

通過(guò)公式(5)則可將公式(4)表達(dá)為一個(gè)0/1序列，采用逆時(shí)針?lè)较?，以中心像素點(diǎn)的右鄰域像素為起始點(diǎn)，通過(guò)給每一項(xiàng)s(gp－gc)賦予加權(quán)因子2p，可以得到描述該局部空間紋理特征的唯一的十進(jìn)制數(shù)，該十進(jìn)制數(shù)被稱為 LBPP，R數(shù)，該 LBPP，R數(shù)即為所求的LBP紋理特征值，其可通過(guò)下式來(lái)獲得:

根據(jù)美國(guó)核管會(huì)(NRC)的分類，碳化硅包殼是美國(guó)正在研發(fā)的遠(yuǎn)期耐事故燃料技術(shù)方案之一。核管會(huì)將耐事故燃料技術(shù)方案分為兩類，即近期技術(shù)和遠(yuǎn)期技術(shù)。近期技術(shù)是能夠在21世紀(jì)20年代中期實(shí)現(xiàn)商用的技術(shù)。這些技術(shù)大部分基于現(xiàn)有數(shù)據(jù)、模型和審批方法，包括帶涂層的鋯合金包殼和以鐵-鉻-鋁為主要成分的不銹鋼包殼。長(zhǎng)期技術(shù)則需要獲得新數(shù)據(jù)、模型和審批方法，包括硅化鈾燃料芯塊、碳化硅包殼和金屬燃料。

2 基于紋理特征的實(shí)驗(yàn)動(dòng)物檢測(cè)

目前運(yùn)動(dòng)目標(biāo)檢測(cè)中常用基于亮度特征的背景建模方法，該方法盡管具有簡(jiǎn)單方便，計(jì)算速度快的優(yōu)點(diǎn)，但其易受光線、天氣等外界條件變化的影響，因此在開(kāi)放的環(huán)境中穩(wěn)定性不足，無(wú)法應(yīng)用于穿梭實(shí)驗(yàn)系統(tǒng)中.

考慮到上述問(wèn)題，充分利用LBP紋理特征的灰度不變性，如圖2所示，本文構(gòu)建了一個(gè)對(duì)光線變化不敏感的前景檢測(cè)模型，該模型的構(gòu)建及動(dòng)物的檢測(cè)過(guò)程如下述算法所述.

算法1:基于紋理特征的穿梭系統(tǒng)實(shí)驗(yàn)動(dòng)物檢測(cè)

初始化:

圖3 實(shí)驗(yàn)序列1的部分實(shí)驗(yàn)結(jié)果

圖4 實(shí)驗(yàn)序列2的部分實(shí)驗(yàn)結(jié)果

在實(shí)驗(yàn)初始，采集未放入實(shí)驗(yàn)動(dòng)物的圖像，并求取其LBP紋理特征構(gòu)建背景模型.將實(shí)驗(yàn)動(dòng)物放入實(shí)驗(yàn)箱開(kāi)始進(jìn)行實(shí)驗(yàn).

for t=1to T

(1)求取采集到圖像的LBP特征圖像.

(3)求取差分所得前景圖像的空間分布密度，得到前景密度圖像.

(4)分別對(duì)前景密度圖像進(jìn)行水平和垂直方向投影，得到兩個(gè)投影曲線.

(5)兩個(gè)投影曲線的峰值坐標(biāo)分別對(duì)應(yīng)了實(shí)驗(yàn)動(dòng)物中心X和Y坐標(biāo)，從未完成本次實(shí)驗(yàn)動(dòng)物的檢測(cè)和定位.

end for

上述算法在進(jìn)行投影時(shí)，沒(méi)有直接采用差分所得的LBP前景圖像，而是求取前景圖像的空間分布密度.假設(shè)實(shí)驗(yàn)動(dòng)物的大小尺寸在一定范圍內(nèi)，則以動(dòng)物的最小尺寸作為采集窗口，LBP前景圖像中以某一像素點(diǎn)為中心，處于窗口內(nèi)的所有像素亮度平均值即為該像素點(diǎn)的空間分布密度，該密度越大則表示越有可能為目標(biāo)所在位置;從而以該密度圖像進(jìn)行投影所得的峰值即對(duì)應(yīng)該方向上目標(biāo)最可能所在的坐標(biāo)點(diǎn).

3 實(shí)驗(yàn)

為驗(yàn)證本文所研究算法的有效性，對(duì)實(shí)際拍攝的穿梭實(shí)驗(yàn)視頻進(jìn)行動(dòng)物檢測(cè)分析，實(shí)驗(yàn)中所用動(dòng)物為猴子，所處環(huán)境為開(kāi)放的室內(nèi)環(huán)境，從視頻序列中隨機(jī)的選取了兩個(gè)穿梭視頻序列對(duì)本文算法進(jìn)行驗(yàn)證，兩個(gè)視頻中實(shí)驗(yàn)動(dòng)物分別從左箱穿梭至右箱及從右箱穿梭至左箱.我們采用MTLAB軟件平臺(tái)在 Intel Core(TM)2 Duo CPU(2.00GHz)，DDR－2.00G內(nèi)存的硬件環(huán)境下，對(duì)大小為120 x360的序列進(jìn)行分析，實(shí)驗(yàn)中平均分析速度為5.4幀/s.實(shí)驗(yàn)結(jié)果中均用白色的十字形標(biāo)記給出了檢測(cè)到的目標(biāo)動(dòng)物中心坐標(biāo).

圖3給出了第一個(gè)實(shí)驗(yàn)序列的部分代表性的實(shí)驗(yàn)結(jié)果，圖像從左到右、從上到下分別對(duì)應(yīng)序列中的第600，692，702，709幀，在實(shí)驗(yàn)初始實(shí)驗(yàn)動(dòng)物靜止在左箱穿梭洞口附近，當(dāng)給左箱加以電流刺激時(shí)，動(dòng)物迅速地穿過(guò)洞口，穿梭至右箱.盡管發(fā)生穿梭時(shí)實(shí)驗(yàn)動(dòng)物運(yùn)行速度較快，且其灰度分布與箱體并不嚴(yán)格區(qū)別，但由于本文方法采用LBP紋理對(duì)兩者進(jìn)行區(qū)分，因此仍可對(duì)動(dòng)物進(jìn)行準(zhǔn)確檢測(cè)和定位.

第二個(gè)實(shí)驗(yàn)序列的代表性實(shí)驗(yàn)結(jié)果如圖4所示，圖像從左到右、從上到下分別對(duì)應(yīng)序列中的第764，780，790，834 幀.該序列在實(shí)驗(yàn)開(kāi)始時(shí)實(shí)驗(yàn)動(dòng)物靜止于右箱右上角，當(dāng)給右箱加以電流刺激時(shí)，受刺激影響，動(dòng)物迅速地穿梭至左箱.從實(shí)驗(yàn)結(jié)果能看到整個(gè)穿梭過(guò)程中，所研究的檢測(cè)方法可持續(xù)對(duì)動(dòng)物進(jìn)行準(zhǔn)確檢測(cè)和定位.

從上述實(shí)驗(yàn)結(jié)果可以看出，本文算法利用LBP紋理特征具有灰度不變性的特點(diǎn)，從紋理建模的角度出發(fā)對(duì)實(shí)驗(yàn)動(dòng)物進(jìn)行檢測(cè)，克服了光照變化等因素的影響，取得了較好的檢測(cè)效果.

4 結(jié)論

本文對(duì)開(kāi)放環(huán)境中的穿梭系統(tǒng)實(shí)驗(yàn)動(dòng)物檢測(cè)進(jìn)行了研究，利用LBP紋理特征的灰度不變性，提出一種新的背景建模思路，在此基礎(chǔ)上設(shè)計(jì)了實(shí)驗(yàn)動(dòng)物檢測(cè)和定位算法.實(shí)驗(yàn)結(jié)果驗(yàn)證了本文算法的有效性.如何對(duì)同一實(shí)驗(yàn)箱內(nèi)的多只實(shí)驗(yàn)動(dòng)物同時(shí)進(jìn)行檢測(cè)和定位等將是課題組下一步的研究方向.

[1]Yu－Jen Chen，Yan－Chay Li，Ke－Nung Huang，et al.Stand－Alone Video－Based Animal Tracking System for Noiseless Application[J].Instrumentation Science＆ Technology，2009，37(3):366－378.

[2]Xinwei Xue，Thomas C Henderson.Feature Fusion for Basic Behavior Unit Segmentation from Video Sequences[J].Robotics and Autonomous Systems，2009，57(3):239－248.

[3]Xinwei Xue，Thomas C Henderson.Video Based Animal Behavior Analysis[C].In Proceeding of the IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems，2006，335－340.

[4]Alison E Poole，Richard A Stillman，Ken J Norris.A Videobased Method for Measuring Small－ scale Animal Movement[J].Animal Behaviour，2006，72(5):1205－1212.

[5]Ojala T，Pietik¨ainen M，M¨aenp¨a¨a T.Multiresolution Gray－Scale and Rotation Invariant Texture Classification with Local Binary Pattern[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24(7):971－987.