陸興華，葉銘銘，劉銘原

(廣東工業(yè)大學(xué)華立學(xué)院，廣東 廣州 511325)

0 引 言

隨著計算機(jī)圖像處理技術(shù)的不斷成熟，采用圖像信息處理技術(shù)進(jìn)行運(yùn)動目標(biāo)檢測，在目標(biāo)探測識別和導(dǎo)航定位中具有廣闊的應(yīng)用前景。對運(yùn)動目標(biāo)的檢測是建立在目標(biāo)特征提取基礎(chǔ)上[1]，結(jié)合目標(biāo)圖像的自適應(yīng)成像和像素信息特征提取，進(jìn)行目標(biāo)定位和精確檢測，研究運(yùn)動目標(biāo)特征提取和檢測技術(shù)，在運(yùn)動目標(biāo)成像和三維特征識別中具有很好的應(yīng)用價值，研究運(yùn)動目標(biāo)特征提取技術(shù)，在圖像模式識別和探測制導(dǎo)控制中具有很好的應(yīng)用價值[2]。

對運(yùn)動目標(biāo)的檢測和三維特征提取包括兩大步驟，首先進(jìn)行運(yùn)動目標(biāo)圖像的遠(yuǎn)程成像和像素特征分割處理，結(jié)合特征分割和自適應(yīng)特征分離方法進(jìn)行圖像目標(biāo)特征提取，然后采用像素均值技術(shù)進(jìn)行圖像三維特征提取，分析運(yùn)動目標(biāo)圖像的邊緣信息，實現(xiàn)運(yùn)動目標(biāo)的自適應(yīng)成像處理，提高目標(biāo)成像和識別能力[3]。傳統(tǒng)方法中，對運(yùn)動目標(biāo)的特征提取技術(shù)主要有小波分析技術(shù)、超像素特征分割技術(shù)、模板匹配技術(shù)以及塊匹配技術(shù)等。文獻(xiàn)[4]中提出一種基于圖形自適應(yīng)渲染和紋理特征分割的運(yùn)動目標(biāo)圖像特征三維提取技術(shù)，采用三維紅外點掃描方法進(jìn)行運(yùn)動目標(biāo)圖像的紋理渲染和點跟蹤識別，提高運(yùn)動目標(biāo)的檢測和特征識別能力，但該算法進(jìn)行運(yùn)動目標(biāo)特征提取的實時性不好，檢測過程的收斂性不強(qiáng)；文獻(xiàn)[5]中提出一種基于自適應(yīng)特征分解的運(yùn)動目標(biāo)圖像三維特征提取方法，建立運(yùn)動目標(biāo)圖像的統(tǒng)計形狀模型，采用自適應(yīng)模板匹配方法進(jìn)行特征分解，實現(xiàn)對運(yùn)動目標(biāo)圖像輪廓特征提取和重構(gòu)，提高運(yùn)動目標(biāo)圖像的三維特征提取能力，但該算法在混合差分背景下的檢測準(zhǔn)確性不好。

針對傳統(tǒng)方法存在的弊端，文中提出一種基于混合背景差法和像素均值技術(shù)的運(yùn)動目標(biāo)提取算法。首先構(gòu)建運(yùn)動目標(biāo)的三維成像模型，對運(yùn)動目標(biāo)圖像采用混合差分背景分割方法進(jìn)行圖像的模板匹配和自適應(yīng)分割處理。然后對運(yùn)動目標(biāo)圖像的像素信息采用幀分解和像素均值技術(shù)進(jìn)行運(yùn)動目標(biāo)的特征提取，實現(xiàn)混合差分背景下的像素均值運(yùn)動目標(biāo)特征提取。最后進(jìn)行仿真實驗分析，驗證該方法在提高運(yùn)動目標(biāo)特征提取和檢測能力方面的優(yōu)越性能。

1 運(yùn)動目標(biāo)圖像三維結(jié)構(gòu)模型和分割處理

1.1 運(yùn)動目標(biāo)圖像三維分塊結(jié)構(gòu)模型

為了實現(xiàn)運(yùn)動目標(biāo)圖像的三維特征提取和檢測優(yōu)化，首先構(gòu)建運(yùn)動目標(biāo)的三維成像模型。采用紅外掃描技術(shù)進(jìn)行運(yùn)動目標(biāo)的原始圖像采集，在運(yùn)動目標(biāo)圖像像素特征分布的仿射不變區(qū)域中提取運(yùn)動目標(biāo)圖像的三維特征量，結(jié)合邊緣輪廓檢測和特征重構(gòu)技術(shù)[6]，進(jìn)行圖像的分塊匹配和信息融合處理，得到的運(yùn)動目標(biāo)圖像三維成像模型如圖1所示。

圖1 運(yùn)動目標(biāo)的三維成像模型

在圖1所示的運(yùn)動目標(biāo)圖像特征采集模型中，采用兩個紅外圖像采集傳感器進(jìn)行目標(biāo)圖像的運(yùn)動特征提取。在成像三維拓?fù)浣Y(jié)構(gòu)模型中，假設(shè)圖像采集節(jié)點P，運(yùn)動目標(biāo)圖像特征采集的基準(zhǔn)坐標(biāo)為(XW,YW,ZW)。O1和O2是運(yùn)動目標(biāo)圖像特征采集節(jié)點Camera1和Camera2的像素中心位置，Plane1和Plane2是運(yùn)動目標(biāo)特征提取的模板配準(zhǔn)平面，構(gòu)建三維坐標(biāo)系，以Camera1和Camera2為坐標(biāo)軸構(gòu)建運(yùn)動目標(biāo)圖像的成像平面。采用RGB特征分解方法進(jìn)行運(yùn)動目標(biāo)的顏色空間分解[7]，設(shè){w1,w2,…,wdi}表示三維運(yùn)動目標(biāo)成像的關(guān)聯(lián)分布權(quán)向量，在混合差分背景下，運(yùn)動目標(biāo)成像的邊緣輪廓長度為L=xmax-xmin，目標(biāo)模板匹配的寬度為W=ymax-ymin，高H=zmax-zmin，設(shè)運(yùn)動目標(biāo)圖像的分塊模型f(xi,yi)的任一特征點f(xi+m,yi+n)為三維像素分布的角點，采用如下4個向量量化函數(shù)x1，x2，x3和x4進(jìn)行圖像的向量量化處理：

(1)

其中，m為目標(biāo)圖像的三維分塊維數(shù)。

(2)

其中，L(η)表示運(yùn)動目標(biāo)圖像的像素配準(zhǔn)系數(shù)。采用二值化處理進(jìn)行圖像的邊緣分割，采用像素均值分割技術(shù)進(jìn)行運(yùn)動目標(biāo)圖像重建[8]。

1.2 圖像分割處理

對運(yùn)動目標(biāo)圖像采用混合差分背景分割方法進(jìn)行圖像的模板匹配和自適應(yīng)分割處理，運(yùn)動目標(biāo)圖像的邊緣像素集表示為：

Iif(x,y)=I*G(x,y,σi)

(3)

Iiv(x,y)=I*stdfilt(x,y,wi)

(4)

Sgif(x,y)=-log(Pif(x,y))

(5)

其中，G(x,y,σi)表示運(yùn)動目標(biāo)三維成像在4×4子網(wǎng)格區(qū)域內(nèi)的顏色空間像素值。

采用多維像素重組方法，構(gòu)建模板匹配系數(shù)θ(k)、Δx(k)和Δy(k)，三維運(yùn)動成像的特征融合分量為：

I(x)=J(x)t(x)+A(1-t(x))

(6)

其中，A為運(yùn)動目標(biāo)圖像三維分塊尺度信息；t(x)為像素分布密度；J(x)t(x)為邊緣輪廓點的像素強(qiáng)度。

將圖像的前一幀作為參考幀，采用圖像統(tǒng)計信息和梯度信息融合方法，得到信息融合結(jié)果s(X,Y)，圖像的模板差異值表示為：

(7)

其中，assoc(A,V)是活動輪廓向目標(biāo)邊緣演化的像素點子集；assoc(B,V)也是類似的定義，采用灰度像素特征分解，得到活動輪廓分割值：

輪廓曲線C將圖像劃分為互不重疊的混合差分像素區(qū)域，即：

(9)

其中，Ic(y)為初始像素集；Ac表示輪廓的長度。

根據(jù)上述對三維運(yùn)動圖像的分割處理，提高運(yùn)動目標(biāo)的特征提取能力。

2 運(yùn)動目標(biāo)特征提取優(yōu)化

2.1 像素特征提取和像素均值技術(shù)

在構(gòu)建運(yùn)動目標(biāo)的三維成像模型，對運(yùn)動目標(biāo)圖像采用混合差分背景分割方法進(jìn)行圖像的模板匹配和自適應(yīng)分割處理的基礎(chǔ)上，進(jìn)行運(yùn)動目標(biāo)特征提取。文中提出一種基于混合背景差法和像素均值技術(shù)的運(yùn)動目標(biāo)提取算法。結(jié)合幾何邊緣重構(gòu)方法進(jìn)行運(yùn)動目標(biāo)的像素特征提取[9-11]，對運(yùn)動目標(biāo)圖像的像素信息采用幀分解，得到邊緣輪廓的特征分解的基函數(shù)為：

(10)

在區(qū)域分割模板m*n內(nèi)對水平集圖像進(jìn)行初始化處理，得到新的局部區(qū)域活動輪廓模型為t(x)=e-βd(x)，其中0

(11)

采用模板匹配技術(shù)進(jìn)行圖像像素均值處理[12]，得到混合差分函數(shù)為：

r(t)=αAcos(2π(f0+fd)(t-d))+w(t)

(12)

采用像素均值技術(shù)，得到運(yùn)動目標(biāo)圖像的平滑函數(shù)為：

ind(P)={(x,y)∈U2|a(x)=a(y),?a∈P}

(13)

采用NCut準(zhǔn)則進(jìn)行圖像像素均值分割[13]，得到混合差分特征量見式7。

在滿足NCut值最小的約束條件下，結(jié)合局部梯度分解方法，得到運(yùn)動目標(biāo)的特征分解式為：

(14)

對提取的特征點采用圖形跟蹤渲染方法進(jìn)行信息融合和特征提取處理，結(jié)合混合差分背景分離方法，提高圖像特征提取能力[14]。

2.2 運(yùn)動目標(biāo)特征提取輸出

對運(yùn)動目標(biāo)圖像的像素信息采用幀分解和像素均值技術(shù)進(jìn)行運(yùn)動目標(biāo)的特征提取，結(jié)合二值化處理技術(shù)進(jìn)行運(yùn)動目標(biāo)的邊緣輪廓檢測和特征搜索。設(shè)運(yùn)動目標(biāo)圖像的分塊模型f(xi,yi)的任一特征點f(xi+m,yi+n)為三維像素分布的角點，局部評價亮度信息滿足(-1≤m≤1,-1≤n≤1,m≠0,n≠0)，基于區(qū)域的活動輪廓模型進(jìn)行邊緣輪廓檢測，采用角點檢測方法進(jìn)行運(yùn)動目標(biāo)圖像紋理渲染。令R(x,y)表示運(yùn)動目標(biāo)圖像的參考點和特征點的關(guān)聯(lián)系數(shù)，det(u(x,y,σI,σD))表示圖像的梯度模，trace(u(x,y,σI,σD))表示矩陣的跡，根據(jù)變分法和Euler-Lagrange方程進(jìn)行運(yùn)動目標(biāo)圖像特征提取，分為如下幾個步驟實現(xiàn)：

Step4：用規(guī)則化的Heaviside函數(shù)進(jìn)行像素均值處理，把滿足收斂條件的運(yùn)動目標(biāo)圖像作為參考圖像，把滿足Step1、Step2、Step3步驟的圖像三維特征提取值作為參考特征值，計算運(yùn)動目標(biāo)圖像特征提取信息熵：

(15)

其中，X={Xt|t∈T}表示能量泛函。

Step5：采用混合差分算法和像素均值技術(shù)，實現(xiàn)對運(yùn)動目標(biāo)的特征提取和目標(biāo)參數(shù)估計。

綜上分析，文中設(shè)計的運(yùn)動目標(biāo)特征提取算法實現(xiàn)流程如圖2所示。

3 仿真實驗與結(jié)果分析

為了驗證文中方法在實現(xiàn)運(yùn)動目標(biāo)圖像三維特征提取和優(yōu)化識別中的應(yīng)用性能，對其進(jìn)行仿真實驗。實驗中運(yùn)動目標(biāo)圖像算法處理實驗部分采用Matlab 7設(shè)計，運(yùn)動目標(biāo)圖像的特征分解尺度設(shè)定為2.4，模板尺度為300*300和500*500，像素集為250*250，θ=0.5，λ1=1，λ2=1，μ=0.001*255*255，ν=1，圖像的空間像素欠采樣值為dxy=3，噪點強(qiáng)度為5 dB和12 dB，運(yùn)動目標(biāo)成像的分辨率為2 000*2 000。根據(jù)上述仿真參量設(shè)定，取兩組采集的運(yùn)動目標(biāo)圖像Boat和GULF進(jìn)行測試，得到原始的運(yùn)動目標(biāo)圖像如圖3所示。

(a)Boat

(b)GULF圖3 原始圖像

以圖3的原始圖像作為研究對象，進(jìn)行運(yùn)動目標(biāo)的特征提取和像素均值分割處理，得到的特征提取結(jié)果如圖4所示。

(a)Boat

(b)GULF圖4 運(yùn)動目標(biāo)圖像的特征提取結(jié)果

分析圖4得知，采用文中算法進(jìn)行運(yùn)動目標(biāo)特征提取的圖像處理能力較好，特征提取的準(zhǔn)確性較好，提高了運(yùn)動目標(biāo)的特征提取和檢測能力。測試不同方法進(jìn)行特征提取的輸出質(zhì)量，得到的對比結(jié)果如圖5所示。

圖5 運(yùn)動目標(biāo)特征提取性能對比

分析圖5得知，文中方法進(jìn)行運(yùn)動目標(biāo)特征提取的輸出圖像質(zhì)量較高，說明特征提取性能較好，對目標(biāo)的檢測能力有較大提升。

4 結(jié)束語

提出一種基于混合背景差法和像素均值技術(shù)的運(yùn)動目標(biāo)提取算法。構(gòu)建運(yùn)動目標(biāo)的三維成像模型，對運(yùn)動目標(biāo)圖像采用混合差分背景分割方法進(jìn)行圖像的模板匹配和自適應(yīng)分割處理，結(jié)合幾何邊緣重構(gòu)方法進(jìn)行運(yùn)動目標(biāo)的像素特征提取，對運(yùn)動目標(biāo)圖像的像素信息采用幀分解和像素均值技術(shù)進(jìn)行運(yùn)動目標(biāo)的特征提取，結(jié)合二值化處理技術(shù)進(jìn)行運(yùn)動目標(biāo)的邊緣輪廓檢測和特征搜索，實現(xiàn)混合差分背景下的像素均值運(yùn)動目標(biāo)特征提取。研究結(jié)果表明，采用該算法進(jìn)行運(yùn)動目標(biāo)特征提取的圖像處理能力較好，輸出圖像質(zhì)量較高，特征提取的準(zhǔn)確性較好，提高了運(yùn)動目標(biāo)的特征提取和檢測能力。該算法在目標(biāo)識別和檢測方面具有重要應(yīng)用價值。