楊彩霖

(西安廣播電視大學(xué) 理工教學(xué)部， 陜西 西安 710002)

0 引言

伴隨圖像、圖形處理技術(shù)、計算機視覺技術(shù)的不斷發(fā)展，會產(chǎn)生大量運動視頻數(shù)據(jù)，對這些運動視頻數(shù)據(jù)進(jìn)行充分利用，具有十分重要的實際應(yīng)用價值，如：目標(biāo)檢測、運動圖像關(guān)鍵幀跟蹤等[1-2]。運動圖像關(guān)鍵幀跟蹤可以幫助人們對運動軌跡進(jìn)行描述，可以對運動目標(biāo)行為進(jìn)行理解，因此運動圖像關(guān)鍵幀跟蹤成為當(dāng)前計算機視覺研究領(lǐng)域的一個熱點問題[3-5]。

針對運動圖像關(guān)鍵幀跟蹤問題，人們投入了大量的時間進(jìn)行了深入、廣泛的研究，當(dāng)前存在許多運動圖像關(guān)鍵幀跟蹤方法[6]。當(dāng)前運動圖像關(guān)鍵幀跟蹤技術(shù)可以劃分為兩類，一類基于硬件的運動圖像關(guān)鍵幀跟蹤方法，如基于嵌入系統(tǒng)，該類方法的運動圖像關(guān)鍵幀不但跟蹤速度快，而且精度比較高，但是運動圖像關(guān)鍵幀跟蹤成本高，且通用性差，因此實際應(yīng)用價值不高[7-9]；另一類基于軟件的運動圖像關(guān)鍵幀跟蹤技術(shù)，主要有：語義模型的運動圖像關(guān)鍵幀跟蹤方法，高斯混合模型的運動圖像關(guān)鍵幀跟蹤方法，該類方法的運動圖像關(guān)鍵幀跟蹤成本低，對環(huán)境要求高，通用性好，成為當(dāng)前運動圖像關(guān)鍵幀跟蹤的主要研究方向[10-12]。在實際應(yīng)用中，這些運動圖像關(guān)鍵幀跟蹤的方法還存在各種不足，主要體現(xiàn)在運動圖像關(guān)鍵幀跟蹤的錯誤率高、運動圖像關(guān)鍵幀跟蹤速度慢，無法對運動圖像關(guān)鍵幀進(jìn)行在線、實時跟蹤。

針對當(dāng)前運動圖像關(guān)鍵幀跟蹤中存在的問題，以獲得更加理想的運動圖像關(guān)鍵幀跟蹤結(jié)果為目標(biāo)，提出了一種基于自適應(yīng)無監(jiān)督聚類算法的運動圖像關(guān)鍵幀跟蹤方法，采用聚類算法根據(jù)特征對運動圖像關(guān)鍵幀進(jìn)行分類，采用自適應(yīng)無監(jiān)督學(xué)習(xí)算法對運動圖像關(guān)鍵幀進(jìn)行跟蹤，仿真對比結(jié)果表明，本文方法獲得了理想的運動圖像關(guān)鍵幀跟蹤效果，運動圖像關(guān)鍵幀跟蹤誤差要遠(yuǎn)遠(yuǎn)小于其它運動圖像關(guān)鍵幀跟蹤方法，改善了運動圖像關(guān)鍵幀跟蹤效率，對比結(jié)果驗證了自適應(yīng)無監(jiān)督聚類算法的運動圖像關(guān)鍵幀跟蹤有效性和優(yōu)越性。

1 自適應(yīng)無監(jiān)督聚類算法的運動圖像關(guān)鍵幀跟蹤方法

1.1 運動視頻采集以及分幀處理

運動視頻圖像采集是自適應(yīng)無監(jiān)督聚類算法的運動圖像關(guān)鍵幀跟蹤的第一步，本文采用高清數(shù)字機芯作為視頻信號源，然后采用視頻信號處理模塊對運動視頻圖像進(jìn)行采集和存儲，最后將運動視頻圖像輸出到終端。由于運動視頻由許多幀圖像組成，使得運動視頻圖像之間有大量的信息冗余，因此本文通過對運動視頻圖像進(jìn)行分幀處理，提取運動圖像關(guān)鍵幀，將其它運動圖像幀去除，以加快運動圖像關(guān)鍵幀跟蹤速度。

1.2 提取運動圖像關(guān)鍵幀的特征向量

1.2.1 運動圖像關(guān)鍵幀的矢量場特征

對于一個運動圖像關(guān)鍵幀，將其劃為多個子塊，如圖1所示。

圖1 運動圖像關(guān)鍵幀的分塊

設(shè)第C個子塊的運動圖像關(guān)鍵幀強度為ρ，其x和y方向的分量分別為Cx和Cy，θ表示運動圖像關(guān)鍵幀矢量的方向，如式(1)。

(1)

運動視頻圖像的關(guān)鍵幀根據(jù)時間前后進(jìn)行排列，那么可以得到直方圖計算公式，如式(2)。

(2)

對x和y方向上的期望和方差進(jìn)行評估，如式(3)。

(3)

1.2.2 提取運動圖像關(guān)鍵幀的顏色特征

pij表示運動圖像關(guān)鍵幀中第j個像素、第i個顏色分量，那么顏色分量1～3階矩陣重計算公式，如式(4)—式(6)。

(4)

(5)

(6)

1.3 運動圖像關(guān)鍵幀的聚類分析算法

模糊C均值聚類分析算法通過隸屬度劃分每個數(shù)據(jù)點的歸屬類型，共有c類，第i類的聚類中心為ci，uij表示第i個數(shù)據(jù)點(xi)屬于第j類的隸屬度值，U表示隸屬度矩陣，所有數(shù)據(jù)的隸屬度的和應(yīng)該為1，如式(7)。

(7)

模糊C均值聚類分析算法標(biāo)函數(shù)，如式(8)。

(8)

式中，dij表示ci與xj間的距離；m表示模糊加權(quán)指數(shù)。

引入拉格朗日乘子λi，i=1,2,…，n，建立新的目標(biāo)函數(shù)，如式(9)。

J(U,c1,…,cc,λ1,…,λn)=

(9)

對聚類中心和隸屬度值進(jìn)行求解，如式(10)、式(11)。

(10)

(11)

模糊C均值聚類分析算法根據(jù)運動圖像關(guān)鍵幀特征，對分幀后的運動圖像進(jìn)行分析，將運動圖像關(guān)鍵幀劃分為不同類別，便于對后續(xù)的運動圖像關(guān)鍵幀跟蹤操作，如圖2所示。

圖2 運動圖像關(guān)鍵幀的聚類分析流程

1.4 自適應(yīng)無監(jiān)督算法的運動圖像關(guān)鍵幀跟蹤

RBF神經(jīng)網(wǎng)絡(luò)是一種自適應(yīng)無監(jiān)督算法，其具有良好的擬合能力，因此本文選擇其對運動圖像關(guān)鍵幀跟蹤進(jìn)行建模研究。RBF網(wǎng)絡(luò)結(jié)構(gòu)，如圖3所示。

圖3 RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

輸入向量即為運動圖像關(guān)鍵幀特征向量集合：x=(x1,x2,…,xn)；y=(y1,y2, …,yp)為運動圖像關(guān)鍵幀變化值；RBF神經(jīng)網(wǎng)絡(luò)采用高斯函數(shù)擬合運動圖像關(guān)鍵幀變化軌跡，高斯函數(shù)定義，如式(12)。

(12)

RBF神經(jīng)網(wǎng)絡(luò)的輸出值，如式(13)。

(13)

RBF神經(jīng)網(wǎng)絡(luò)根據(jù)運動圖像關(guān)鍵幀特征向量集合對運動圖像關(guān)鍵幀變化特點進(jìn)行分析，得到運動圖像關(guān)鍵幀變化值，從而根據(jù)運動圖像關(guān)鍵幀值實現(xiàn)運動圖像關(guān)鍵幀的跟蹤。

2 仿真實驗

2.1 實驗環(huán)境

為了測試自適應(yīng)無監(jiān)督聚類算法的運動圖像關(guān)鍵幀跟蹤性能，對其進(jìn)行仿真測試實驗，仿真測試的實驗環(huán)境，如表1所示。

表1 運動圖像關(guān)鍵幀跟蹤的實驗環(huán)境

2.2 實驗對象

為了使自適應(yīng)無監(jiān)督聚類算法的運動圖像關(guān)鍵幀跟蹤結(jié)果更具說服力，選擇5類運動圖像作為實驗對象，每一類運動圖像的數(shù)量，如表2所示。

表2 運動圖像關(guān)鍵幀跟蹤的實驗對象

2.3 運動圖像關(guān)鍵幀跟蹤精度對比

為了使自適應(yīng)無監(jiān)督聚類算法的運動圖像關(guān)鍵幀跟蹤結(jié)果具有可比性，選擇語義模型的運動圖像關(guān)鍵幀跟蹤方法，高斯混合模型的運動圖像關(guān)鍵幀跟蹤方法進(jìn)行比實驗，統(tǒng)計它們對5類運動圖像關(guān)鍵幀的跟蹤精度，如圖4所示。

圖4 不同方法的運動圖像關(guān)鍵幀跟蹤精度對比

對圖4的運動圖像關(guān)鍵幀跟蹤精度進(jìn)行對比分析可以發(fā)現(xiàn)，自適應(yīng)無監(jiān)督聚類算法的運動圖像關(guān)鍵幀跟蹤精度最高，其次為高斯混合模型的運動圖像關(guān)鍵幀跟蹤方法，運動圖像關(guān)鍵幀跟蹤精度最低者為語義模型，對比結(jié)果證明了自適應(yīng)無監(jiān)督聚類算法可以對運動圖像關(guān)鍵幀進(jìn)行準(zhǔn)確跟蹤，獲得了理想的運動圖像關(guān)鍵幀跟蹤結(jié)果。

2.4 運動圖像關(guān)鍵幀跟蹤精度對比

統(tǒng)計3種方法對5類運動圖像關(guān)鍵幀跟蹤時間，如圖5所示。

圖5 不同方法的運動圖像關(guān)鍵幀跟蹤時間對比

對圖5的運動圖像關(guān)鍵幀跟蹤時間進(jìn)行對比分析可知，自適應(yīng)無監(jiān)督聚類算法的運動圖像關(guān)鍵幀跟蹤時間要少于高斯混合模型和語義模型，對比結(jié)果證明了自適應(yīng)無監(jiān)督聚類算法加快了運動圖像關(guān)鍵幀跟蹤速度，可以對運動圖像關(guān)鍵幀進(jìn)行實時跟蹤，具有更高的實際應(yīng)用值。

3 總結(jié)

針對當(dāng)前運動圖像關(guān)鍵幀跟蹤方法存在的不足，以提高運動圖像關(guān)鍵幀跟蹤精度為目標(biāo)，提出自適應(yīng)無監(jiān)督聚類算法的運動圖像關(guān)鍵幀跟蹤方法，并與其它運動圖像關(guān)鍵幀跟蹤方法進(jìn)行了對比測試，結(jié)果表明，本文方法的運動圖像關(guān)鍵幀跟蹤精度明顯高于對比方法，且運動圖像關(guān)鍵幀跟蹤速度更快，具有十分廣泛的應(yīng)用前景。