基于目標區域約束的人體手臂運動軌跡圖像分割*

熊 輝， 孫書會

(1. 長江大學工程技術學院 體育教學部， 湖北 荊州 434020； 2. 沈陽工業大學 軟件學院， 沈陽 110870)

體育智能化是當前發展的一個重要方向，在任何體育項目中，人體手臂的運動過程都十分重要，手臂的運動軌跡決定著一項運動是否能夠以最佳表現來完成，是影響運動效率的關鍵因素之一[1].通過科學合理地分析手臂運動軌跡，可觀察出運動員手臂運動姿勢標準與否，利于教練員指導運動員訓練.分析運動軌跡比較有效的方式是采集軌跡圖像，并對圖像進行分割，通過處理圖像運動目標，為體育運動訓練提供依據[2-3].

許冰等[4]人提出基于SIFT流的動態目標分割算法.論文依據SIFT流算法描述運動物體特征，結合圖像顏色空間以及亮度信息，構建思維特征空間.通過改進多尺度中心對比法生成顯著圖，同時完成其線性融合，構建序列圖像動態目標顯著模型.該算法具有較強的分割穩定性，但存在分割完成后圖像信息完整性得不到保障的問題.任侃等[5]人提出移動相機下運動圖像分割方法.論文通過多平面視差約束法將運動圖像序列中各像素點劃分為背景區域與目標區域兩部分，無需固定參考平面，在相機跟隨下完成圖像分割，但也存在分割后圖像信息完整性差的問題.宋琳等[6]人提出基于CV-GAC和圖割的運動目標分割算法.該算法通過高斯模型與背景差分法得到目標初始輪廓區域，在所得區域中自適應設定初始曲線輪廓，采用水平集模型自主處理運動目標拓撲變化，同時根據圖割法實現能量函數優化，完成運動目標最終分割.實驗結果表明，該算法具有一定分割精度，但存在分割耗時較長的問題.

目前，關于運動目標圖像分割算法在性能上均存在一定不足，為此，本文提出基于目標區域約束的人體手臂運動軌跡圖像分割方法.

1 目標區域約束閾值的設定

在跟蹤手臂圖像區域中，閾值分割是一個重要的環節，如果選取一個閾值僅對圖像目標和背景進行劃分，可稱為單閾值分割；如果選取多個閾值，則圖像會被分為多個目標區域和背景，稱為多閾值分割.在實際的手臂運動圖像分割過程中，由于受到外界環境噪聲以及光照等因素的干擾，圖像上每個像素不適用單一的閾值分割方法，否則會出現目標區域過大的現象[7].

通常情況下，為了精準地對目標區域進行約束，需要設定靈活的閾值.當圖像含有噪聲時，濾波器尺寸和閾值的選擇會影響圖像分割性能，較大的濾波器尺寸有助于降低圖像噪聲[8].

假設Qmax和Qmin分別代表分割手臂圖像的最大閾值和最小閾值，Qmax和Qmin對應的圖像像素點分別為rmax和rmin，則像素差值設定為

Δr=rmax-rmin

(1)

假設目標跟蹤區域尺寸為χ，在給定初始值的情況下，χ值會根據Δr的變化而發生改變，可以表述為

(2)

式中，Δr1為像素點比例差值的閾值，Δr1取值通常不超過0.15.

根據式(2)可獲取閾值約束下的目標跟蹤區域尺寸χ，由此可得出約束閾值Q的取值為

(3)

式中：χ1為目標跟蹤區域尺寸比例變化的閾值；λ為圖像閾值系數，需滿足0.5<λ≤1.

根據上述閾值取值條件，可得出圖像閾值分割曲面圖如圖1所示.

圖1 圖像分割閾值曲面Fig.1 Image segmentation threshold surface

圖1中的梯度幅值是為了確定圖像質量而給出的分割幅度變化情況，圖像中的灰度變化通常可分為階躍型、房頂型以及凸緣型，圖1所示屬于凸緣型.基于圖像像素灰度的梯度幅值變化可以表征圖像的邊緣信息，插值點用來估測圖像閾值，在梯度幅值波動情況下，插值點也隨之波動，此時圖片較為模糊，像素較低.

2 算法應用

本文提出的算法提升了運動手臂區域圖像分割精度，減少分割耗時，增強圖像分割完整性，算法詳細步驟如下：

假設{xi}i=1，2，…，n代表人體手臂運動軌跡在圖像中的像素點集，且區域坐標已經調節至以0為中心，同時已依據區域大小進行歸一化處理.針對各像素值xi，設定函數b(xi)為此像素顏色值，通過Epanechnikov核函數，區域顏色在運動軌跡中出現概率可表示為

(4)

式中：u為區域顏色；C為歸一化函數；δ為Kronecker函數；S(i，j)為約束均衡函數.假設將y作為中心，手臂運動區域顏色在運動軌跡中出現概率表達式可表示為

(5)

依據上述計算與分析，本文通過巴氏距離系數描述軌跡目標區域與候選目標區域之間的相似度.其中，巴氏距離系數及兩者之間相似度表達式為

(6)

(7)

ρ(y)系數值越大，表示距離值就越小，即軌跡目標與候選目標之間相似程度就越高[9-11].

軌跡目標跟蹤即為目前幀中檢索與目標相對應的新位置，此位置可以使以y作為自變量的距離值最小.檢索由前一幀目標處起，在其附近鄰域中查詢.假設前一幀中的目標位置是y0，將ρ[pu(y)，qu]在運動軌跡目標預測位置y0處展開，得到的ρ[pu(y)，qu]線性近似值可表示為

(8)

將式(5)代入到式(8)得到

(9)

式中，wi為加權值.根據式(9)可以檢索鄰域范圍內此密度評估的極大值.在整個過程中，中心位置由當前位置y0向新位置y1移動，即

(10)

迭代上述過程，不斷更新運動軌跡目標，則可將人體手臂運動軌跡跟蹤結果定義為

Y=(y0，y1，…，yn)

(11)

基于圖像軌跡目標跟蹤結果，利用目標區域約束法實現圖像分割，詳細步驟如下：

1) 初始化.閾值與圖像平均灰度值相等，運動軌跡點數量為n0，其初始值為0.將剩余的背景像素定義為n1，G0為軌跡像素灰度值和，G1為背景點像素值.

2) 若t

3) 遍歷人體手臂運動軌跡圖像，并根據步驟1)中的定義計算n0、n1、G0和G1，即

(12)

(13)

G0=∑n0Y

(14)

G1=∑n1D

(15)

式中，D為圖像背景區域軌跡.

依據上述公式可計算圖像中類間方根值為

(16)

式中：Ave0為軌跡點平均灰度值；Ave1為背景點平均灰度值；Ave為圖像灰度均值；ω0、ω1為軌跡點在運動軌跡圖像中占據的比重和背景點在運動軌跡圖像中占據的比重，兩者表達式為

(17)

(18)

4) 若MC(Y，D)

5) 經過迭代后的MC(Y，D)即為人體手臂運動軌跡圖像最佳分割閾值，利用其分割圖像得到的最終圖像分割結果可表示為

(19)

式中，?為分割符號.

3 實驗結果與分析

為驗證基于目標區域約束的人體手臂運動軌跡圖像分割方法整體的有效性，本文進行了仿真實驗.實驗數據來源于某市體院，選取其中男運動員與女運動員各50名，表1為實驗圖像具體信息.分別在不同場景下采集運動員手臂運動姿勢圖像，并對采集到的圖像進行編號，經編號得到的有效實驗圖像為150幅，將其均分為手臂靜態與動態圖像，對比本文方法與傳統方法之間的差異.

表1 實驗圖像具體信息Tab.1 Experimental image specific information

將實驗平臺搭建在Matlab2017a上，對本文所提方法與傳統基于固定閾值方法的人體手臂靜態圖像分割結果進行對比分析，結果如圖2所示.

圖2 不同方法對比結果Fig.2 Results Comparison by different methods

根據圖2可知，本文方法分割得到的人體手臂圖像分割區域較為細致，分割邊緣連接較為光滑，具有較好的圖像分割效果.對手臂運動過程圖像分割的結果對比如圖3、4所示.

圖3 本文方法的動態分割結果Fig.3 Dynamic segmentation results by proposed method

圖4 傳統方法的動態分割結果Fig.4 Dynamic segmentation results by traditional methods

由圖3、4可知，在手臂運動過程中，本文方法分割得到的人體手臂圖像分割區域較為清晰，完整度較高.在手臂運動過程中，傳統方法對于手臂圖像的分割較為模糊，清晰完整度不足.取有效實驗圖像150幅中的10幅進行分割時間比較，分割時間對比結果如表2所示.

表2 運動軌跡圖像分割時間對比Tab.2 Comparison of segmentation time for motion trajectory images s

由表2可知，傳統方法與本文方法的軌跡圖像分割時間最大相差7 s，本文方法分割時間總體較低.本文采取多閾值分割方法，對目標區域約束閾值進行設定，排除了外界環境噪聲以及光照等因素的干擾，解決了目標區域過大的問題.分析上述實驗結果可知，本文所提方法具有較強分割性能，分割精度明顯提高.

4 結 論

本文提出基于目標區域約束的人體手臂運動軌跡圖像分割方法.設定靈活的閾值，并確定閾值取值，可得出圖像閾值分割曲面圖；對圖像中的手臂運動軌跡進行點集處理，確定區域顏色出現概率；對人體手臂運動軌跡進行跟蹤，選取目標區域約束，實現圖像分割.利用實驗測試所提方法進行對比，表明所提方法分割完整性較高，且分割時間較短.

下一步研究要特別注意以下幾個方面：

1) 有部分圖像整體維數較高，需要將高維圖像降為低維圖像，以此提升圖像處理效率；

2) 機器視覺體系應用日益廣泛，圖像中運動目標檢測和分割技術也在日益創新，可將目標區域約束分割法與其他圖像分割法相結合，提升圖像分割精確性.