趙莉蘋，邱秀榮

(1.鄭州科技學(xué)院 信息工程學(xué)院，鄭州 450064；2.商丘工學(xué)院 信息與電子工程學(xué)院，河南 商丘 476000)

高速運(yùn)動圖像的目標(biāo)自動識別技術(shù)是計(jì)算機(jī)視覺圖像處理領(lǐng)域極具挑戰(zhàn)性的研究課題之一[1]，在航空航天、軍事公安等領(lǐng)域具有良好的應(yīng)用前景.但目前高速運(yùn)動圖像的自動識別技術(shù)仍存在較多問題未得到有效解決，現(xiàn)階段目標(biāo)圖像數(shù)據(jù)顯著上升，如何解決目標(biāo)自動識別的精度問題已經(jīng)成為高速運(yùn)動圖像目標(biāo)自動識別技術(shù)研究的關(guān)鍵.

目前眾多學(xué)者對高速運(yùn)動圖像自動識別模型[2-3]進(jìn)行了研究，并取得了一定的研究成果.吳志攀等[4]提出了基于深度學(xué)習(xí)的高速運(yùn)動圖像自動識別模型，該模型采用維納濾波對采集到的高速運(yùn)動圖像進(jìn)行復(fù)原處理，運(yùn)用深度學(xué)習(xí)算法，將復(fù)原后的高速運(yùn)動圖像進(jìn)行識別，該模型具有一定的識別速度，但是識別效果不太理想.李江等[5]提出了基于主成分分析的高速運(yùn)動圖像自動識別模型，該模型通過智能攝像機(jī)采集高速運(yùn)動圖像，采用主成分分析法提取高速運(yùn)動圖像特征，根據(jù)處理后的特征構(gòu)建多個(gè)分類器，采用Adaboost方法將較弱的分類器構(gòu)建成相對較強(qiáng)的分類器，利用該分類器完成對高速運(yùn)動圖像的自動識別，該模型具有較高的識別效率，但是識別誤差較高.

針對上述問題，本文提出了基于射頻技術(shù)的高速運(yùn)動圖像自動識別模型.結(jié)合射頻讀取采集得到的高速運(yùn)動圖像編碼，對高速運(yùn)動圖像進(jìn)行分析.分析結(jié)果表明，所提基于射頻技術(shù)的高速運(yùn)動圖像自動識別模型在識別過程中誤差較低且用時(shí)短，具備一定的應(yīng)用價(jià)值.

1 圖像自動識別模型構(gòu)建

1.1 平臺設(shè)計(jì)

高速運(yùn)動圖像采集處理平臺能夠?qū)Ω咚龠\(yùn)動圖像進(jìn)行采集，并對其進(jìn)行處理，該平臺所選用的攝像頭是PIPER智能攝像頭.本文設(shè)計(jì)的高速運(yùn)動圖像處理結(jié)構(gòu)圖如圖1所示.

圖1 高速運(yùn)動圖像處理結(jié)構(gòu)圖Fig.1 Structure diagram of high-speed moving image processing

通過圖1可以看出，高速運(yùn)動圖像處理平臺是由采集端、處理端和顯示端三個(gè)結(jié)構(gòu)組成.由圖像采集端攝像頭將采集到的二維高速運(yùn)動圖像壓縮變換為三維視覺，并將高速運(yùn)動圖像進(jìn)行A/D轉(zhuǎn)換后發(fā)送給圖像處理端；對高速運(yùn)動圖像進(jìn)行增強(qiáng)和拆分處理后，再將處理后的圖像發(fā)送給顯示端，通過某些指令和終端顯示器顯示出來，完成高速運(yùn)動圖像的處理.其中將二維高速運(yùn)動圖像向三維高速運(yùn)動圖像進(jìn)行轉(zhuǎn)換的過程稱為逆向映射，該映射方法可以對高速運(yùn)動圖像進(jìn)行圖像增強(qiáng)，將增強(qiáng)后的高速運(yùn)動圖像傳輸?shù)礁咚龠\(yùn)動圖像識別平臺中[6].

高速運(yùn)動圖像自動識別平臺是根據(jù)射頻技術(shù)所構(gòu)建的，該平臺能夠?qū)Ω咚龠\(yùn)動圖像進(jìn)行自動識別.射頻技術(shù)主要采用射頻通信來實(shí)現(xiàn)高速運(yùn)動圖像自動識別，具有很強(qiáng)的抗干擾能力，在任何天氣條件下都具有較好的識別精度且操作也較為簡單.射頻技術(shù)硬件結(jié)構(gòu)如圖2所示.

圖2 射頻技術(shù)硬件結(jié)構(gòu)圖Fig.2 Hardware structure diagram of RF technology

由圖2可知，射頻技術(shù)硬件是由電子標(biāo)簽、rg-rap220-e-v2.0天線、ZK-RFID102R讀寫器、FM1108識別芯片及Pasternack射頻耦合器構(gòu)成的.其中電子標(biāo)簽與讀寫器之間通過耦合器實(shí)現(xiàn)射頻信號的空間耦合，由此來完成能量的傳遞和數(shù)據(jù)交換.電子標(biāo)簽將編碼信息通過天線發(fā)射出去，天線接收電子標(biāo)簽發(fā)送來的調(diào)制信號，再經(jīng)天線的調(diào)制器傳送到讀寫器處理模塊，經(jīng)解調(diào)和解碼后將有效信息傳送到后臺主機(jī)系統(tǒng)進(jìn)行相關(guān)處理[7].高速運(yùn)動圖像自動識別對天線傳輸效率和穩(wěn)定性要求極為嚴(yán)格，為此必須要選擇性能較好的323 m射頻天線.讀寫器主要功能是獲取通過電子標(biāo)簽得到的高速運(yùn)動圖像編碼，并對其進(jìn)行及時(shí)的語音播報(bào)[8-10]，其中讀寫器分為兩種：便捷式與安裝式，本文選擇了安裝式讀寫器進(jìn)行設(shè)計(jì).

1.2 模型設(shè)計(jì)

在上述射頻技術(shù)分析的基礎(chǔ)上，對高速運(yùn)動圖像進(jìn)行分析，建立目標(biāo)動圖像尺度空間模型.本文利用高速運(yùn)動圖像特征向量來描述其特征點(diǎn)，并對其進(jìn)行匹配，在目標(biāo)圖像特征點(diǎn)匹配時(shí)加入幾何區(qū)域限定來完成識別.目標(biāo)圖像的尺度空間模型表達(dá)式為

(1)

式中：Lxx為不同分析度下的目標(biāo)圖像；G(t)為高斯核；I(X)為高速運(yùn)動圖像；X=(x，y)為像素點(diǎn)(x，y)的卷積.利用核函數(shù)與卷積函數(shù)計(jì)算高速運(yùn)動圖像的高斯核，并將其作為目標(biāo)圖像.

求取高速運(yùn)動圖像中像素矩陣H的行列式?jīng)Q策值，利用該值來確定興趣點(diǎn).為了簡化應(yīng)用，可以引入卷積計(jì)算、濾波器Fxy及權(quán)值w等對準(zhǔn)確值和相似值兩者間存在的誤差進(jìn)行平衡，計(jì)算表達(dá)式為

det(H)=LxxFxy-(wFxy)2

(2)

采用高斯核的卷積原理可以實(shí)現(xiàn)在不同分析角度下高速運(yùn)動圖像的描述，一般來說，高斯標(biāo)準(zhǔn)差能夠體現(xiàn)出高速運(yùn)動圖像的尺度大小[11].假設(shè)，濾波器選取3×3正方形的像素區(qū)域，將其計(jì)作9個(gè)高速運(yùn)動圖像像素點(diǎn)，在其中隨機(jī)選取像素點(diǎn).在尺度層從上到下將其與所有高速運(yùn)動圖像像素點(diǎn)進(jìn)行比較，當(dāng)高速運(yùn)動圖像中的像素點(diǎn)比附近其他像素大時(shí)，選取像素點(diǎn)為正值，這時(shí)就可以將這個(gè)點(diǎn)當(dāng)成這個(gè)區(qū)域的特征點(diǎn)[12].

將高速運(yùn)動圖像特征點(diǎn)當(dāng)作中心，將其主要方向設(shè)定成x軸方向，選取4×4正方形區(qū)域，并對所有區(qū)域內(nèi)小波影響值進(jìn)行運(yùn)算，得到高速運(yùn)動圖像的一個(gè)四維向量，最后利用高速運(yùn)動圖像64維特征向量來代表高速運(yùn)動圖像的特征點(diǎn).在目標(biāo)圖像采集時(shí)會出現(xiàn)很多不確定因素，在時(shí)間發(fā)生變化時(shí)高速運(yùn)動圖像的特征點(diǎn)也會發(fā)生一定的變化，為此本文將對兩幀高速運(yùn)動圖像匹配識別時(shí)特征點(diǎn)的跟蹤匹配進(jìn)行分析.

為了提高該識別模型的精度，文中在高速運(yùn)動圖像特征點(diǎn)匹配時(shí)加入幾何區(qū)域限定，以運(yùn)動圖像點(diǎn)(xi，yi)、(xj，yj)為中心畫一個(gè)矩形區(qū)域當(dāng)作高速運(yùn)動圖像識別幾何限定區(qū)域，使用模型進(jìn)行高速運(yùn)動圖像識別時(shí)不能超出該區(qū)域.

2 系統(tǒng)性能測試與結(jié)果分析

為了驗(yàn)證所提出的基于射頻技術(shù)的高速運(yùn)動圖像自動識別模型的綜合有效性，需要對其模型進(jìn)行測試.本次測試的操作系統(tǒng)為Windows7，內(nèi)存容量為24 GB，采用i-SPEED 210/211超高速視頻攝像機(jī)在某限速為129 km/h的路段采集600組高速行駛車輛圖像，圖像采集速度為300 000幀/s，分辨率為4 096×2 440，400萬像素.將基于神經(jīng)網(wǎng)絡(luò)的高速運(yùn)動圖像自動識別模型、基于主成分分析的高速運(yùn)動圖像自動識別模型與所提模型的識別效果進(jìn)行對比，結(jié)果如圖3所示.

圖3 不同模型高速運(yùn)動圖像識別效果對比Fig.3 Comparison of recognition effects for high-speed moving images by different models

通過圖3可以看出，所提模型對高速運(yùn)動圖像識別效果最好，圖像較為清晰；而其他兩種算法對高速運(yùn)動圖像識別效果比較模糊，識別效果不太理想.選取50塊車牌(高速運(yùn)動圖像)作為測試數(shù)據(jù)，將所提模型(模型1)與基于神經(jīng)網(wǎng)絡(luò)的高速運(yùn)動圖像自動識別模型(模型2)和基于主成分分析的高速運(yùn)動圖像自動識別模型(模型3)進(jìn)行車牌誤檢測數(shù)量對比實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，三個(gè)模型的誤檢測數(shù)量分別為3、8、10.所提模型識別的車牌誤檢測數(shù)量明顯低于其他兩種模型，具有較高的識別精度.實(shí)驗(yàn)采集圖像600組，信息采樣的初始像素為1 200×1 200，使用三種模型分別對600組圖像進(jìn)行識別，用時(shí)對比測試結(jié)果如表1所示.

表1 不同模型識別用時(shí)對比測試Tab.1 Comparison test for recognization time of different models ms

通過表1可以看出，所提識別模型對高速運(yùn)動圖像的預(yù)處理時(shí)間和識別時(shí)間都明顯低于其他兩種模型，并且三個(gè)模型的傳輸時(shí)間相同.整體而言，所提模型的識別效率最高，驗(yàn)證了文中所提識別模型的高效性.

3 結(jié) 論

為解決當(dāng)前高速運(yùn)動圖像自動識別方法普遍存在的識別誤差較高、用時(shí)長、效率低等問題，本文提出基于射頻技術(shù)的高速運(yùn)動圖像自動識別模型.在智能攝像頭對高速運(yùn)動圖像采集后，結(jié)合射頻讀取采集得到的高速運(yùn)動圖像編碼，對高速運(yùn)動圖像進(jìn)行分析，再建立目標(biāo)動圖像尺度空間模型，利用高速運(yùn)動圖像特征向量描述、匹配特征點(diǎn).在高速運(yùn)動圖像特征點(diǎn)匹配過程中，加入幾何區(qū)域限定來完成識別.將所提方法模型與基于神經(jīng)網(wǎng)絡(luò)的高速運(yùn)動圖像自動識別模型和基于主成分分析的高速運(yùn)動圖像自動識別模型進(jìn)行實(shí)驗(yàn)對比，證明了所提方法模型的有效性.所提方法為未來高速圖像識別領(lǐng)域的研究與發(fā)展提供了一定的學(xué)術(shù)依據(jù)，但由于所提方法并未經(jīng)過長時(shí)間、大面積使用，所以該方法的穩(wěn)定性仍需進(jìn)一步驗(yàn)證、改進(jìn)，這也是未來研究的主要目標(biāo).