国产日韩欧美一区二区三区三州_亚洲少妇熟女av_久久久久亚洲av国产精品_波多野结衣网站一区二区_亚洲欧美色片在线91_国产亚洲精品精品国产优播av_日本一区二区三区波多野结衣 _久久国产av不卡

?

基于典型相關(guān)樹加權(quán)置信傳播的運動目標檢測

2015-02-21 02:38:22董安國
關(guān)鍵詞:子塊置信置信度

董安國,李 聰

(長安大學(xué)理學(xué)院,陜西西安 710064)

隨著社會經(jīng)濟及信息技術(shù)的不斷發(fā)展,智能視頻監(jiān)控技術(shù)得到了日益廣泛的應(yīng)用,并得到越來越多的研究工作者的關(guān)注.運動目標檢測是智能視頻監(jiān)控技術(shù)的核心,運動目標的有效檢測對目標跟蹤等后期處理起著重要的作用.目前,運動目標的檢測方法主要有幀間差分法[1-4],光流法[2],混合高斯法[4],背景差分法[5-6]等.幀間差分法運算簡單,且對動態(tài)變化環(huán)境中的運動目標檢測的適應(yīng)性較強,但檢測結(jié)果易出現(xiàn)“空洞”現(xiàn)象,而且提取的目標比實際大.背景差分法實現(xiàn)比較簡單,但對圖像的要求比較高,要求前景和背景之間存在較大的差異.混合高斯法較前2種有較好的檢測效果,對場景的適應(yīng)性比較好,但運算量大,復(fù)雜度高.Z.Yin等通過在馬爾科夫隨機場中加入置信傳播算法[7],對車輛進行檢測,效果得到了一定的改善.傳統(tǒng)的置信傳播算法[8-9]是一種全局匹配算法,利用消息傳輸和置信度傳輸機制實現(xiàn)全局能量函數(shù)最小化.然而,它計算量很大,容易受顏色畸變像素點的干擾,使算法精度降低.近年來出現(xiàn)了很多以傳統(tǒng)置信傳播算法為基礎(chǔ)的改進算法,比如:①首先利用邊緣算法計算處理圖像的邊緣信息,之后再運用置信傳播算法進行匹配[10-11];② 在多核服務(wù)器上通過共享內(nèi)存的方式進行檢測[12];③ 加入概率推論等方法[13-14].這些盡管在檢測時都取得了一些效果,但由于方法的加入又增加了算法的計算時間,不能做到實時檢測.

文中擬提出一種典型相關(guān)的tree-reweighted算法,通過將視頻圖像進行分塊,建立環(huán)路模型,提取運動目標.

1 典型相關(guān)的tree-reweighted算法

算法思想:①將視頻中的圖像分成大小相同相互獨立的子塊;② 計算相鄰子塊間的典型相關(guān)系數(shù),連接系數(shù)值最大的2個子塊,形成新的環(huán)路;③運用tree-reweighted算法將生成的有環(huán)圖模型分解成生成樹,進行迭代,更新信息,再次計算塊置信度,將其與背景塊置信度進行對比,實現(xiàn)運動目標的檢測分割.算法實現(xiàn)過程示意圖見圖1.

圖1 算法實現(xiàn)過程示意圖

1.1 樹加權(quán)置信傳播

在有環(huán)圖中,置信傳播算法在信息傳遞過程中重復(fù)利用自身信息,使得BP算法的收斂得不到保證,故可能出現(xiàn)分類標記振蕩現(xiàn)象,因此下面簡單介紹一下解決有環(huán)圖中信息傳遞問題的方法:樹加權(quán)置信傳播算法.設(shè) ζ=ζ(G)表示圖G中所有的樹的集合;設(shè)為包含這些樹的集合的概率的集合,即為

圖2 邊在樹中出現(xiàn)的概率分布

在圖2a中,邊b稱為橋,即不管在哪棵生成樹上邊b都會出現(xiàn),因此ub=1.邊e和f出現(xiàn)在2棵生成樹上和1棵生成樹上,邊e出現(xiàn)的概率為ue=2/3,邊f(xié)出現(xiàn)的概率為uf=1/3.樹加權(quán)置信傳播算法(TRBP)從表面上看類似于有環(huán)的置信傳播算法(LBP),用表示在第t次迭代中像素點p向它的相鄰像素點q傳遞的信息.信息的更新公式為

其中定義參數(shù)cpq時應(yīng)該滿足3個要求:①原圖中的每條邊在分解的一系列樹中至少出現(xiàn)1次;②在一系列的樹中,邊以概率 ρ出現(xiàn);③ 參數(shù)cpq正比于ρpq/ρp,后者表示隨機地選擇某棵樹,這棵樹包含節(jié)點p的邊(p,q)的概率.如果cpq的值設(shè)定為1,那么TRBP算法就退化為LBP算法.樹加權(quán)置信傳播算法可計算一個能量下限,它并不保證TRBP算法在迭代過程中能量一定收斂,但是TRBP算法保證能量下線不下降.

1.2 計算生成有環(huán)圖模型

將視頻中的圖像分成大小相同,相互獨立的子塊,設(shè)其中2個子塊為Pi和Pj,其線性組合表示為Qi和Qj,則

此處定義:Cov(Pi)=Sii,Cov(Pj)=Sjj,Cov(Pi,Pj)=Sij=S'ji,于是:

由于向量的數(shù)乘不會改變向量的相關(guān)系數(shù)值,所以在尋求使得典型相關(guān)系數(shù)值最大的向量a'和b'時,首先歸一化處理Qi和Qj,最終得到相關(guān)系數(shù)為

此處計算Qi和Qj的相關(guān)系數(shù)值即可變?yōu)閷で笙蛄縜'和b',使得(7)式中系數(shù)最大,利用拉格朗日乘子法進行求解,最終得到基于子塊的有環(huán)圖模型.

1.3 環(huán)路的分解算法

利用最小權(quán)方法將有環(huán)圖進行分解后形成生成樹,通過tree-reweighted算法更新迭代,實現(xiàn)運動目標的檢測,具體思路如下:

式中:kij(pi,pj),ki(pi)為輔助指示變量;Eij為相鄰塊對能量;Ei為塊能量;X*為全局能量值.相鄰塊之間的勢能 φij(pi,pj)=exp(-Eij(pi,pj))=exp(-λij),每一個子塊的勢能φi(pi)=exp(-Ei(pi))=exp(-i),i為每一小塊的平均像素值,迭代更新如下:

式中:α為歸一化常量;ρij為邊沿權(quán)重.當(dāng)?shù)瓿珊?,圖像塊和相鄰圖像塊的置信度可表示為

由以上計算得到塊的置信度,與背景塊置信度進行差分,若差值遠大于背景塊的置信度,則將其判斷為運動目標,否則為背景,如此即可實現(xiàn)運動目標的檢測.在現(xiàn)實生活中背景部分會受到噪聲的影響,于是把最小的塊置信度作為下一幀圖像的基準置信度.對于已經(jīng)確定的目標子塊,利用置信傳播算法計算出子塊內(nèi)每個像素點的置信度,將其與背景像素置信度作比較,確定目標子塊內(nèi)的目標像素,以實現(xiàn)運動目標的檢測分割.

2 數(shù)值試驗

下面分別用混合高斯法,幀差法,背景差法和文中提出的算法對不同視頻進行相鄰2幀的運動目標提取,圖3為對目標提取的結(jié)果,其中第5列是給第3列視頻加入噪聲的試驗結(jié)果.

試驗結(jié)果表明,無論是簡單背景還是被噪音干擾的復(fù)雜背景,文中算法能更準確地檢測到運動目標,且有效避免“空洞”現(xiàn)象的發(fā)生.

為了能夠更好地比較文中算法的檢測效果,將幾種算法的檢出結(jié)果圖像與原視頻幀進行比較,此處只對視頻1,4,5進行計算比較.對算法檢測的結(jié)果圖像f從目標四周逐點選取,以選取點為中心,取一個5×5的塊,記作Ω,然后在原視頻幀圖像g中相同位置處也選取同樣大小的像素塊,計算它們的相似度指標SI,即為

再計算出相似度指標SI大于0.9的像素塊在所有像素塊中所占比值,從比值可以看出文中算法檢測出的結(jié)果與原視頻幀中的運動目標相似度更高,如表1所示.

圖3 視頻用不同方法進行目標提取的結(jié)果

表1 算法比較

3 結(jié)論

文中運用典型相關(guān)的tree-reweighted算法進行運動目標檢測,在實際的迭代過程中,樹加權(quán)置信傳播算法能夠計算能量的上界,使信息的收斂速度更快,并得到較為完整的目標信息,且運算速度快,準確率高.文中在試驗之前對圖像做了平滑處理,且選取的實際運動場景相對比較穩(wěn)定,導(dǎo)致試驗結(jié)果更趨近于理想化,但在實際運動物體周圍仍然有背景被誤檢為運動目標;而對于更復(fù)雜,更粗糙的運動場景,文中算法還能否對運動目標進行準確實時的檢測,達到較為理想的效果,后面將作進一步研究.

References)

[1]鄔大鵬,程衛(wèi)平,于盛林.基于幀間差分和運動估計的Camshift目標跟蹤算法[J]. 光電工程,2010,37(1):55-60.

Wu Dapeng,Cheng Weiping,Yu Shenglin.Camshift object tracking algorithm based on inter-frame difference and motion prediction[J].Opto-electronic Engineering,2010,37(1):55-60.(in Chinese)

[2]王振亞,曾黃麟.一種基于幀間差分和光流技術(shù)結(jié)合的運動車輛檢測和跟蹤新算法[J].計算機應(yīng)用與軟件,2012,29(5):117-120,129.

Wang Zhenya,Zeng Huanglin.A new algorithm of moving vehicle detection and tracking based on combining frame difference method with optical flow technique[J].Computer Applications and Software,2012,29(5):117-120,129.(in Chinese)

[3]甘明剛,陳 杰,劉 勁,等.一種基于三幀差分和邊緣信息的運動目標檢測方法[J].電子與信息學(xué)報,2010,32(4):894-897.

Gan Minggang,Chen Jie,Liu Jin,et al.Moving object detection algorithm based on three-frame-differencing and edge information[J].Journal of Electronics&Information Technology,2010,32(4):894-897.(in Chinese)

[4]薛麗霞,羅艷麗,王佐成.基于幀間差分的自適應(yīng)運動目標檢測方法[J].計算機應(yīng)用研究,2011,28(4):1551-1552,1559.

Xue Lixia,Luo Yanli,Wang Zuocheng.Detection algorithm of adaptive moving objects based on frame difference method[J].Application Research of Computers,2011,28(4):1551-1552,1559.(in Chinese)

[5]陳俊超,張俊豪,劉詩佳,等.基于背景建模與幀間差分的目標檢測改進算法[J].計算機工程,2011,37(S1):171-173.

Chen Junchao,Zhang Junhao,Liu Shijia,et al.Improved target detection algorithm based on background modeling and frame difference[J].Computer Engineering,2011,37(S1):171-173.(in Chinese)

[6]Richard Szeliski.Stereo algorithms and representations for image-based rendering[C]∥Proceedings of the10th British Machine Vision Conference,1999:314-328.

[7]李鶴喜,孫玲云.基于彩色圖像分割的置信傳播快速立體匹配算法[J].數(shù)字技術(shù)與應(yīng)用,2013(1):115-117.

Li Hexi,Sun Lingyun.Quick stereo matching algorithm of color image segmentation based on the belief propagation[J].Digital Technology&Application,2013(1):115-117.(in Chinese)

[8]高恩婷,顧一清,嚴建峰.基于快速置信傳播算法的并行主題建模方法研究[J].南通大學(xué)學(xué)報:自然科學(xué)版,2013,12(1):1-8.

Gao Enting,Gu Yiqing,Yan Jianfeng.Parallel topic modeling techniques based on fast belief propagation[J].Journal of Nantong University:Natural Science Edition,2013,12(1):1-8.(in Chinese)

[9]郭春生,張大壯.基于置信傳播的視頻運動目標檢測[J].電路與系統(tǒng)學(xué)報,2013,18(1):237-242.

Guo Chunsheng,Zhang Dazhuang.Video moving object detection based on belief propagation[J].Journal of Circuits and Systems,2013,18(1):237-242.(in Chinese)

[10]Piatkowski Nico,Lee Sangkyun,Morik Katharina.Spatio-temporal random fields:compressible representation and distributed estimation[J].Machine Learning,2013,93(1):115-139.

[11]周自維,樊繼壯,趙 杰,等.基于置信傳播的立體匹配并行算法[J].光學(xué)精密工程,2011,19(11):2774-2781.

Zhou Ziwei,F(xiàn)an Jizhuang,Zhao Jie,et al.Parallel stereo matching algorithm base on belief propagation[J].Optics and Precision Engineering,2011,19(11):2774-2781.(in Chinese)

[12]詹永照,汪滿容,柯 佳.基于人工免疫有序聚類的視頻關(guān)鍵幀提取方法[J].江蘇大學(xué)學(xué)報:自然科學(xué)版,2012,33(2):199-204.

Zhan Yongzhao,Wang Manrong,Ke Jia.Video keyframe extraction using ordered samples clustering based on artificial immune[J].Journal of Jiangsu University:Natural Science Edition,2012,33(2):199-204.(in Chinese)

[13]盧 俊,張保明,郭海濤,等.多視影像相對方位關(guān)系誤判檢測的置信傳播算法[J].測繪學(xué)報,2015,44(4):422-430.

Lu Jun,Zhang Baoming,Guo Haitao,et al.False detection of relative orientation of multi-view images based on belief propagation[J].Acta Geodaetica et Cartographica Sinica,2015,44(4):422-430.(in Chinese)

[14]Gauglitz Steffen,H?llerer Tobias,Turk Matthew.Evaluation of interest point detectors and feature descriptors for visual tracking[J].International Journal of Computer Vision,2011,doi:10.1007/s11263-011-0431-5.

猜你喜歡
子塊置信置信度
基于八叉樹的地震數(shù)據(jù)多級緩存方法
基于八叉樹的地震數(shù)據(jù)分布式存儲方法研究
硼鋁復(fù)合材料硼含量置信度臨界安全分析研究
急診住院醫(yī)師置信職業(yè)行為指標構(gòu)建及應(yīng)用初探
基于置信職業(yè)行為的兒科住院醫(yī)師形成性評價體系的構(gòu)建探索
基于模糊深度置信網(wǎng)絡(luò)的陶瓷梭式窯PID優(yōu)化控制
基于特征值算法的圖像Copy-Move篡改的被動取證方案
基于波浪式矩陣置換的稀疏度均衡分塊壓縮感知算法
正負關(guān)聯(lián)規(guī)則兩級置信度閾值設(shè)置方法
基于CUDA和深度置信網(wǎng)絡(luò)的手寫字符識別
乌海市| 佛冈县| 平原县| 盐亭县| 富平县| 大港区| 桑日县| 阿克苏市| 满洲里市| 呼玛县| 正蓝旗| 古交市| 莱阳市| 高台县| 太谷县| 彭泽县| 比如县| 汉沽区| 巴马| 裕民县| 乌苏市| 陈巴尔虎旗| 海门市| 保康县| 淮安市| 贵定县| 绥宁县| 修武县| 宁津县| 芷江| 南雄市| 夏邑县| 冀州市| 泽库县| 邵东县| 虹口区| 冕宁县| 五峰| 杂多县| 泽库县| 阜康市|