連續(xù)形變圖像動(dòng)態(tài)相似信息的自適應(yīng)識(shí)別仿真

李 麗，莊慶華

(長(zhǎng)春工業(yè)大學(xué)人文信息學(xué)院，吉林 長(zhǎng)春 130000)

1 引言

圖像識(shí)別是圖像信息處理過(guò)程中的基本操作，在智能導(dǎo)航、視頻監(jiān)控等多種領(lǐng)域均發(fā)揮著重要作用。圖像識(shí)別技術(shù)是鎖定圖像目標(biāo)個(gè)體的先決條件，對(duì)于運(yùn)動(dòng)圖像來(lái)講，也是判斷圖像動(dòng)態(tài)相似信息的依據(jù)[1]，對(duì)能否成功跟蹤目標(biāo)的動(dòng)態(tài)相似信息有決定性的影響[2]。但目前多數(shù)圖像動(dòng)態(tài)相似信息的識(shí)別，僅限于外部形狀不隨運(yùn)動(dòng)發(fā)生改變的剛性物體，適應(yīng)度較差。

為解決該問(wèn)題，相關(guān)學(xué)者也做出了一些研究。文獻(xiàn)[3]提出一種基于雙特征融合與自適應(yīng)提升的連續(xù)運(yùn)動(dòng)圖像識(shí)別算法。該算法通過(guò)時(shí)空上下文關(guān)系與視覺(jué)系統(tǒng)特質(zhì)得到圖像序列特征，同時(shí)利用卷積神經(jīng)網(wǎng)絡(luò)處理圖像序列。融合STC特征與CNN特征，實(shí)現(xiàn)圖像動(dòng)態(tài)信息的識(shí)別。該算法雖然能夠提取連續(xù)形變圖像的動(dòng)態(tài)信息，但該方法耗時(shí)較長(zhǎng)，無(wú)法高效率應(yīng)用。文獻(xiàn)[4]提出一種十字交叉窗口下動(dòng)態(tài)連續(xù)形變圖像信息立體識(shí)別算法。構(gòu)建圖像形變補(bǔ)償代價(jià)計(jì)算函數(shù)，以圖像的距離和色彩信息構(gòu)建自適應(yīng)十字交叉窗口，據(jù)此對(duì)圖像視差進(jìn)行全局優(yōu)化，完成連續(xù)形變圖像的動(dòng)態(tài)相似信息的識(shí)別，但該方法適應(yīng)度較差，導(dǎo)致其識(shí)別精度偏低。

針對(duì)傳統(tǒng)方法的不足，論文提出新的基于特征矩陣的動(dòng)態(tài)相似信息自適應(yīng)識(shí)別方法。利用圖像預(yù)處理凸顯出圖像最原始特質(zhì)，剔除冗余信息。采取參照原本像素信息與灰度值融合方式更新像素。計(jì)算圖像特征矩陣相似度，實(shí)現(xiàn)基于特征矩陣的動(dòng)態(tài)相似信息自適應(yīng)識(shí)別。仿真驗(yàn)證了提出方法可以大幅提升識(shí)別精度及相似信息識(shí)別的完整度。

2 連續(xù)形變圖像動(dòng)態(tài)相似信息的自適應(yīng)識(shí)別

2.1 圖像預(yù)處理

論文通過(guò)圖像預(yù)處理凸顯出圖像最原始特質(zhì)，剔除冗余信息。

步驟2：針對(duì)圖像內(nèi)隨機(jī)像素點(diǎn)x(n)，將x(n)聚合在最接近其像素值的分類內(nèi)，然后使用式(1)迭代計(jì)算全部聚類C的中心點(diǎn)顏色值ci。

(1)

(2)

步驟4：通過(guò)計(jì)算出的聚類中心差別水準(zhǔn)，以此預(yù)判兩種類別是否需要合并。假設(shè)兩種類別的中心差別較小，則進(jìn)行合并。

步驟5：將上述步驟全部完成后，再重新計(jì)算顏色空間中每個(gè)聚類的中心值ci

(3)

式中，Li代表完成所有步驟后所得出的第i類的像素值。

若連續(xù)形變圖像的像素總和為M，則得出的圖像預(yù)處理后的結(jié)果如式(4)

(4)

初始圖像的像素值均采取式(4)中的向量值進(jìn)行交替，建立出精簡(jiǎn)的特征圖像[5]。

2.2 連續(xù)形變圖像可變光強(qiáng)區(qū)域劃分

針對(duì)連續(xù)形變圖像的運(yùn)動(dòng)特征，提出方法共分為兩步：第一步將運(yùn)動(dòng)區(qū)域范圍和靜止區(qū)域范圍進(jìn)行區(qū)分，即劃分背景與前景[6]；第二步使用基于背景幀的像素替換方式提取出需要識(shí)別的目標(biāo)樣本，為后續(xù)動(dòng)態(tài)相似信息自適應(yīng)識(shí)別奠定基礎(chǔ)。

選擇鄰近的兩幀連續(xù)形變圖像Ik(i，j)、Ik-1(i，j)進(jìn)行差分運(yùn)算，可標(biāo)記為IZ(k，k-1)=|Ik-Ik-1|。其次目前幀Ik(i，j)和背景幀Bk(i，j)采取差分運(yùn)算，可標(biāo)記為IBk=|Ik-Bk|。

初始階段區(qū)分運(yùn)動(dòng)區(qū)域范圍，將IZ(k，k-1)圖像預(yù)處理后的結(jié)果標(biāo)記為B1，IB(k，k-1)圖像預(yù)處理后的結(jié)果標(biāo)記為B2，同時(shí)滿足B3=B1∪B2。當(dāng)B3的灰度值為0時(shí)，將其背景像素點(diǎn)標(biāo)記為Bb，灰度值為245時(shí)，其運(yùn)動(dòng)像素點(diǎn)標(biāo)記為Bm。

在連續(xù)形變狀態(tài)下的運(yùn)動(dòng)目標(biāo)，其幀間差分極易發(fā)生空洞現(xiàn)象[7]，而采用背景差分方式則能夠相對(duì)完好地劃分運(yùn)動(dòng)區(qū)域范圍。但該方式在光線及其它外界成分的作用下會(huì)生成多余的噪點(diǎn)。因此，這兩種方法進(jìn)行運(yùn)算時(shí)，需對(duì)B2進(jìn)行腐蝕的形態(tài)學(xué)運(yùn)算，可以最大限度避免噪點(diǎn)對(duì)區(qū)域范圍判定過(guò)程中產(chǎn)生的不良影響。

運(yùn)用幀間差分方法能夠較為完全地測(cè)量運(yùn)動(dòng)區(qū)域范圍向外延伸的部分，因此在運(yùn)算B1和B2時(shí)，可以填補(bǔ)B2進(jìn)行腐蝕計(jì)算時(shí)丟失的外部邊際區(qū)域。通過(guò)此種方法，將最終計(jì)算的結(jié)果控制在接受范圍內(nèi)[8-9]，僅在現(xiàn)實(shí)運(yùn)動(dòng)區(qū)域范圍外存在一些外部因素導(dǎo)致的雜點(diǎn)，不影響結(jié)果的可靠性。

計(jì)算背景圖像的平均灰度值，其區(qū)域范圍是Bb，可描述為

(5)

其中x、y為目標(biāo)范圍的起點(diǎn)與終點(diǎn)。

算出當(dāng)前幀的平均灰度值，計(jì)算的區(qū)域范圍是Bb，可描述為

(6)

在此處將平均灰度值的差當(dāng)成選擇運(yùn)動(dòng)區(qū)域范圍的參照閾值，將背景差分域進(jìn)行再次取樣，可表達(dá)為式(7)

if|Ik(i，j)-Bk-1|

then(x，y)∈Bb

else(x，y)∈Bm

(7)

式中，Bb代表背景區(qū)域范圍，Bm代表運(yùn)動(dòng)區(qū)域范圍。再次取樣是為了實(shí)現(xiàn)對(duì)外部因素干擾的二次篩選。

背景區(qū)域范圍按照權(quán)重進(jìn)行更新，如式(8)

Bk=(1-a)·Bk-1+aIk

(8)

在連續(xù)形變圖像中，考慮其被遮蓋的范圍不能使用當(dāng)前幀的像素動(dòng)態(tài)信息進(jìn)行更新，所以采取參照原本像素信息與灰度值融合方式實(shí)施更新體系架構(gòu)，運(yùn)動(dòng)區(qū)域范圍根據(jù)權(quán)重及平均灰度值差完成更新，如式(9)

Bk=(1-b)Bk-1+bIk(T1-T2)

(9)

至此完成背景區(qū)域的更新，為圖像后處理奠定基礎(chǔ)。

2.3 基于特征矩陣的動(dòng)態(tài)相似信息自適應(yīng)識(shí)別

經(jīng)過(guò)上述處理過(guò)程，進(jìn)行基于特征矩陣的圖像動(dòng)態(tài)相似信息識(shí)別。假設(shè)Q、I分別為兩個(gè)特征矩陣，其大小均為m×n，Q表示樣本矩陣，I表示對(duì)象矩陣，兩個(gè)矩陣間的相似度可表述為sim(I，Q)。

將樣本矩陣Q和對(duì)象矩陣I描述為行向量表達(dá)模式：I=(I1，I2，…，Iα，…，Im)T，其中Iα代表對(duì)象矩陣I的一個(gè)行向量；Q=(Q1，Q2，…，Qβ，…，Qm)T，其中Qβ代表樣本矩陣Q的一個(gè)行向量[10]。連續(xù)形變圖像的特征矩陣動(dòng)態(tài)相似度計(jì)算可通過(guò)以下方法實(shí)現(xiàn)：

在對(duì)象矩陣中，每個(gè)行向量需要在樣本矩陣中尋找一個(gè)與自身最接近的行向量行號(hào)，若沒(méi)有對(duì)應(yīng)的接近行向量，則標(biāo)記為零，以此構(gòu)成一個(gè)相似行向量。從本質(zhì)上看，相似行向量就是對(duì)象矩陣的代替矩陣。再將相似行向量作為一個(gè)一維特征向量，樣本矩陣便是源自規(guī)范行向量為元素所構(gòu)成的一個(gè)一維向量[11]。

以下是相似行向量的形成及計(jì)算連續(xù)形變圖像特征矩陣相似度的具體分析。

將對(duì)象矩陣I中的行向量Iα(α=1，2，…，m)和樣本矩陣Q中的行向量Qβ進(jìn)行對(duì)比，同時(shí)估算DP匹配距離，可以得出數(shù)值m的DP匹配距離最低值，可描述為dmin(α，k)=min{dDP(α，β)|β=1，2，…，m}。在dmin(α，k)處于行向量相同預(yù)判閾值Tr范圍內(nèi)的情況下，Iα可以當(dāng)作與樣本矩陣的行向量Qk是最為靠近的。

用向量SV[1··m]記錄對(duì)象矩陣的每一個(gè)行向量Iα，在樣本矩陣中可以尋找到最為接近的行向量行號(hào)，此處α=1，2，…，m，可用式(10)表達(dá)，稱其是相似行向量

(10)

值得注意的是，在相似向量SV內(nèi)，隨機(jī)選取兩個(gè)元素α1、α2。若α1≠α2，并且SV[α1]≠0，則應(yīng)該與式(11)的條件相對(duì)應(yīng)。通俗地說(shuō)，如果在對(duì)象矩陣I中，兩個(gè)互不相同的行向量不可以挑選樣本矩陣Q內(nèi)同一個(gè)行向量作為最接近的行向量，表達(dá)為

(?α1)(?α2)(SV[α1]≠SV[α2])

(11)

能夠看出，對(duì)象矩陣I可以使用相似行向量SV表示，以此將對(duì)象矩陣I及樣本矩陣Q的相似度計(jì)算變換成計(jì)算樣本矩陣和SV的一維行向量(Q[1]，Q[2]，…，Q[m])間的DP匹配距離問(wèn)題。由于時(shí)間消耗等問(wèn)題，則需要將特征矩陣相似度sim(I，Q)的計(jì)算劃分為兩種狀態(tài)[12]。

設(shè)置零數(shù)值機(jī)率來(lái)判斷閾值Tp，要收集整理相似行向量SV內(nèi)包含的零元素?cái)?shù)量，若零的占據(jù)比例大于固定閾值Tp，則可以立刻斷定I和Q互不相似，這種情況下sim(I，Q)=0。否則需按照向量DP匹配距離的方式算出一維向量(SV[1]，SV[2]，…，SV[m])與(Q[1]，Q[2]，…，Q[m])的DP匹配距離。這兩個(gè)向量的元素距離d(SV[μ]，υ)是根據(jù)式(12)判定的。

(12)

其中，μ=1，2，…，m且υ=1，2，…，m。

如果通過(guò)計(jì)算得出的DP匹配距離可描述為dDP(SV，Q)，則兩個(gè)連續(xù)形變圖像的動(dòng)態(tài)矩陣相似度可表達(dá)為

Sim(I，Q)=1-dDP(SV，Q)

(13)

在實(shí)際的連續(xù)形變圖像的動(dòng)態(tài)相似信息自適應(yīng)識(shí)別中，多數(shù)圖像和樣本圖像之間有較大區(qū)別，這是因?yàn)槭褂昧肆銛?shù)值機(jī)率判斷。多數(shù)情況下不用算出Sim(I，Q)就能夠識(shí)別圖像的動(dòng)態(tài)相似信息，進(jìn)而提升了自適應(yīng)識(shí)別效率。至此，完成動(dòng)態(tài)相似信息的識(shí)別。

3 仿真與分析

為驗(yàn)證研究的有效性，設(shè)計(jì)以下仿真。實(shí)驗(yàn)的硬件環(huán)境是Pentium(R)4CPU 2.8 GHz，內(nèi)存為512MBit。軟件環(huán)境是Windows XP、MATLAB R2016b。實(shí)驗(yàn)用到的視頻圖像來(lái)源于某市上午時(shí)段交通路口監(jiān)控，幀頻率為20fps，大小為320×240。交通車輛視頻圖像具有連續(xù)形變特性，且信息種類較多，以此類圖像作為實(shí)驗(yàn)測(cè)試對(duì)象是適合的。實(shí)驗(yàn)以文獻(xiàn)[3]提出的基于雙特征融合與自適應(yīng)提升的連續(xù)運(yùn)動(dòng)圖像識(shí)別算法、文獻(xiàn)[4]提出的基于十字交叉窗口的動(dòng)態(tài)連續(xù)形變圖像信息立體識(shí)別算法作為對(duì)照組，與研究方法進(jìn)行對(duì)比，具體實(shí)驗(yàn)過(guò)程如下：

3.1 不同方法的識(shí)別完整度與效率的協(xié)調(diào)效果

為驗(yàn)證提出方法對(duì)連續(xù)形變圖像動(dòng)態(tài)相似信息的識(shí)別完整率與效率的協(xié)調(diào)效果，基于上述實(shí)驗(yàn)環(huán)境，對(duì)比文獻(xiàn)[3]、文獻(xiàn)[4]方法的識(shí)別效率以及平均識(shí)別時(shí)間，且為簡(jiǎn)化實(shí)驗(yàn)輸出數(shù)據(jù)，將識(shí)別完整率進(jìn)行歸一化處理，具體實(shí)驗(yàn)結(jié)果如圖1所示。

圖1 識(shí)別效率對(duì)比圖

由圖1實(shí)驗(yàn)結(jié)果可知：隨著對(duì)視頻連續(xù)變形圖形識(shí)別過(guò)程中，提出方法識(shí)別完整率接近1，遠(yuǎn)高于其它兩種方法；且研究方法的平均識(shí)別速度為0.4s，遠(yuǎn)低于文獻(xiàn)[3]和文獻(xiàn)[4]方法，說(shuō)明提出方法的識(shí)別效率更佳。其原因是基于特征矩陣的DP匹配距離計(jì)算方法更充分考慮了圖像主顏色區(qū)域的空間位置特征，能加快識(shí)別連續(xù)形變圖像的動(dòng)態(tài)相似信息。該方法的識(shí)別速度快、識(shí)別完整率高，更有利于視頻圖像動(dòng)態(tài)相似信息識(shí)別。

3.2 不同方法的相似性信息識(shí)別精準(zhǔn)度

為進(jìn)一步驗(yàn)證提出方法的圖像相似信息識(shí)別精確度，同樣基于上述實(shí)驗(yàn)環(huán)境，對(duì)視頻監(jiān)控連續(xù)圖像進(jìn)行相似信息識(shí)別。視頻圖像為連續(xù)形變圖像，其相似信息為后幀圖像會(huì)發(fā)生相對(duì)變化的物體特征，對(duì)于該圖像來(lái)說(shuō)，相似度信息為馬路旁的人群以及車輛。將提出方法與兩種傳統(tǒng)方法對(duì)同一實(shí)驗(yàn)樣本進(jìn)行精度對(duì)比，結(jié)果如圖2。

圖2 文獻(xiàn)[3]方法的相似性信息識(shí)別效果

圖3 文獻(xiàn)[4]方法的相似性信息識(shí)別效果

圖4 所提方法的相似性信息識(shí)別效果

根據(jù)實(shí)驗(yàn)結(jié)果可知，文獻(xiàn)[3]方法與文獻(xiàn)[4]方法對(duì)圖像的相似信息識(shí)別均出現(xiàn)了較明顯誤差，路口的非動(dòng)態(tài)特征如路標(biāo)桿、電線桿、斑馬線等均不屬于變化信息，不會(huì)隨圖像的連續(xù)形變發(fā)生位移。相比之下，研究方法識(shí)別精度更高，對(duì)連續(xù)形變圖像的相似信息進(jìn)行完整識(shí)別。

4 結(jié)束語(yǔ)

論文為解決目前連續(xù)形變圖像相似信息識(shí)別方法適應(yīng)性較差問(wèn)題，提出一種基于特征矩陣的自適應(yīng)識(shí)別方法。首先通過(guò)圖像預(yù)處理剔除冗余信息，在此基礎(chǔ)上更新連續(xù)形變圖像像素動(dòng)態(tài)信息。計(jì)算連續(xù)形變圖像特征矩陣相似度，實(shí)現(xiàn)動(dòng)態(tài)相似信息自適應(yīng)識(shí)別。經(jīng)過(guò)仿真，結(jié)果表明提出方法與傳統(tǒng)方法相比具有極強(qiáng)的優(yōu)越性，實(shí)用性高，為圖像動(dòng)態(tài)相似信息識(shí)別提供有利科學(xué)依據(jù)。