基于圖像分割的目標檢測方法對比研究

劉天舒，房建東，趙于東

摘? 要： 奶牛行為識別過程中，奶牛目標精準檢測是重要前提。一般的奶牛目標檢測采用紋理和顏色信息進行識別，對于長時間靜止和復雜背景干擾的目標存在目標丟失和檢測不精準問題。針對上述問題，文章將圖像分割方法和區域面積剔除方法相結合，實現復雜環境下的靜止奶牛目標檢測。實驗結果表明，該方法達到97.4%的識別率。

關鍵詞： 目標檢測; 復雜環境; 圖像分割; 區域面積

中圖分類號：TP301.6? ? ? ? ? 文獻標識碼：A? ? ?文章編號：1006-8228（2022）01-14-05

Comparative research on image segmentation based target detection method

Liu Tianshu1，2， Fang Jiandong1，2， Zhao Yudong2

（1. Inner Mongolia University of Technology， Hohhot， Inner Mongolia 010080， China; 2. Inner MongoliaKey Laboratory of Perceptive Technology and Intelligent System）

Abstract： In the process of cow behavior recognition， accurate detection of cow targets is an important prerequisite. Generally， cow target detection uses texture and color information for recognition. For targets that are static for a long time and interfered with complex backgrounds， there are problems of target loss and inaccurate detection. Aiming at the above problems， this paper combines image segmentation method with area removal method to realize the target detection of still cows in complex environments. The experimental results show that the method achieves a recognition rate of 97.4%.

Key words： target detection; complex environment; image segmentation; area

0 引言

目標檢測是對視頻中的移動目標進行定位的過程，目標檢測技術有著非常廣泛的應用。針對光照變化大、長時間靜止和復雜背景干擾等問題，現有成熟的移動目標檢測方法尚不能實現對復雜牛舍環境下牛只視頻的有效檢測。目前基于動態目標檢測的算法有背景減除法、幀間差分法、高斯模型法、光流法等[1]，可以實現動態奶牛目標的檢測。

但是動態目標檢測的方法不能很好地適應靜態目標的檢測要求，一旦靜止下來休息、進食、飲水，上述這些方法都會存在目標丟失的現象，會將目標標記為背景，離實際應用還有一定的差距。針對以上問題本文進行如下研究：

⑴ 為了滿足監控系統實時需求，研究牛只圖像的快速分割算法，滿足在無需人工操作情況下，自動利用圖像信息進行圖像增強和濾波處理，并根據圖像顏色進行分割，以實現快速準確地提取牛只圖像區域。

⑵ 針對圖像分割不準確問題，采用基于目標區域面積大小的方式來剔除干擾目標，提高檢測精準度。

1 基于自適應閾值的牛只圖像快速分割算法

圖像分割算法可以基于閾值、邊緣、區域等不同原理實現。基于閾值的圖像分割算法即圖像的二值化處理，是一種基于灰度信息提取前景目標技術，是現有研究牛只圖像分割算法中應用最多的方法，有著易于實現、性能穩定的優點。閾值分割，對牛只前景目標與背景對比度較強的圖像，分割效果極好。對于對比度較弱的圖像，可以先進行圖像對比度增強，再采用閾值處理，也可以達到很好的分割效果。

1.1 灰度圖像閾值分割

灰度閾值分割通常設定一個閾值用于區別圖像中物體與背景之間的灰度差異，所有不小于灰度閾值的像素灰度值用白色255表示，否則灰度值用黑色0表示，這樣就能實現目標和背景的分割，使得整幅圖像顯示為明顯的黑白對比效果，有效地凸顯出目標的輪廓，灰度圖像閾值分割效果如圖1所示。

分析圖1（a）可以看出，地面暗區域和墻面的灰度值較大，由于牛只和墻面灰度值并沒有出現較明顯的區別，所以采用閾值分割可以將地面較暗區域分割出去，但是還有部分墻面被分割為前景。圖1（b）為經過了AGCDW增強算法結合高斯濾波去噪處理后的閾值分割效果圖，從中可以看出，預處理后在閾值T=40時，地面和柵欄分割為背景，前景目標只有少許墻壁和奶牛個體，效果較好。

1.2 Otsu閾值分割法

Otsu閾值分割法又稱為最大類間方差法，其中t是使目標與背景兩類方差最大的值。所選取的分割閾值應使前景區域的平均灰度、背景區域的平均灰度與整幅圖像的平均灰度之間的差異最大。

設圖像灰度級為N，[ni]為圖像灰度級為i的像素點個數，對直方圖進行歸一化的計算公式如下：

[πi=niN] ⑴

對于前景和背景兩類像素[If]、[Ib]，前景與背景的分割閾值為t時，每一類出現的概率為：

[If=i=0tπi=wo] ? ⑵

[Ib=i=t+1N-1πi=w1]? ⑶

前景和背景的平均灰度值計算公式如下：

[u0=i=0tiπii=0tπi=μtwo] ⑷

[u1=i=t+1N-1iπii=t+1N-1πi=μT-μtw1] ⑸

[μt=i=0tiπi] ⑹

[μT=i=0N-1iπi] ⑺

其中，[μt]為灰度級為t時的灰度累計值，[μT]為圖像灰度級N范圍內的灰度累計值。對于前景和背景像素，內部方差計算公式如下：

[σ20=i=0ti-u02πi/w0] ⑻

[σ21=i=t+1N-1i-u12πi/w1] ⑼

前景和背景點占圖像比例分別為[w0]和[w1]，均值分別為[u0]和[u1]，那么圖像的均值為[u=w0×u0+w1×u1]。建立目標函數，設t為分割閾值，[gt]最大時對應的t稱為最佳閾值。

[gt=w0×u0-u2+w1×u1-u2] ⑽

Otsu算法計算簡單，適用性強，但是對不均勻光照的圖片不能產生很好的效果，如圖2所示為全局自適應Otsu閾值分割結果。

如圖2所示，在灰度或者光照分布不均勻的情況下，全局閾值分割并不適用。全局閾值得到的結果只是將光照較強的區域分割出來，而陰影部分或者光照較弱的區域缺沒有分割出來。

1.3 最大熵閾值分割算法

最大熵閾值分割法和Otsu算法類似，假設將圖像分為背景與前景兩個部分、熵代表信息量，圖像信息量越大，熵就越大，最大熵算法就是找出一個最佳閾值使得背景與前景兩個部分熵之和最大[2]。熵的定義公式如下：

[HD=-ppxlogpx] ⑾

設定分割閾值為t，[i=0L-1pi=1， pi≥0]。

T為[i∈0，1，…，t]的分布，B為[i∈t+1，…，L-1]的分布，具體形式為：

[T：p0pn，…，ptpn] ⑿

[B：pt+11-pn，…，pL-11-pn] ? ⒀

其中，[pn=i=0tpi]。

則兩個概率密度的熵為：

[HT=-i=0tpipnlnpipn] ⒁

[HB=-i=t+1L-1pi1-pnlnpi1-pn] ⒂

在該閾值下，圖形總熵為：

[HD=HT+HB] ⒃

計算所有分割閾值下的圖像總熵，找到最大的熵，將最大熵對應的分割閾值作為最終的閾值，圖像中灰度大于此閾值的像素作為前景，否則作為背景，最大熵閾值分割處理結果如圖3所示。

由圖3可以看出，效果相對于全局自適應Otsu閾值分割較好，窗戶部分自動分割為背景，但是由于最大熵對應的分割閾值較大為108，圖像中墻壁和奶牛灰度相近，以至于圖像中大于此閾值的墻壁被認為前景，分割效果不理想。

2 客觀評價

2.1 分割指標

在完成圖像分割任務之后需要對分割結果進行客觀評價，一般采用的指標是并交比（Intersection over Union，IOU）[3]。假設：x和y是兩個需要計算IOU匹配大小的目標區域，Area函數用來計算目標區域的面積大小，那么IOU的計算公式如下：

[IOUx，y=Areax∩AreayAreax∪Areay] ⒄

2.2 效果分析

目標區域標記圖像如圖4所示。

通過式⒄評價上述三種分割方法的分割圖像和目標標記圖像的IOU指標，評價結果如表1所示。

通過表1可知，采用同一種方法對圖像增強和去噪處理前后的圖像分割效果有著明顯差距，預處理后IOU比處理前數值有所提高。采用不同灰度圖像閾值進行分割，當閾值K=40時，IOU數值最大，表明和目標標記圖像匹配度最高，分割效果最好。Otsu閾值分割法和最大熵閾值分割法由于背景墻壁和目標區域灰度相近，處理效果較差，IOU評價結果表明最大熵閾值分割法比Otsu閾值分割法效果好，與主觀評價結果一致。

3 復雜背景下奶牛目標區域檢測方法

3.1 基于形態學方法的圖像噪聲過濾研究

圖像形態學圖像處理的基本理論，開運算是通過對圖像先腐蝕后膨脹操作實現的，閉運算是通過先對圖像膨脹后腐蝕實現的[4]。經過灰度圖像閾值分割后進行的開閉運算結果圖如圖5（b）所示。

從圖5可以看出，奶牛目標面積并未改變，但是只去除了部分地面和水池噪聲，如果進行多次開閉運算迭代后，奶牛目標將被嚴重減縮，同時噪聲也未全部消除，如圖6所示為進行了兩次開閉運算效果圖。

3.2 基于區域面積進行目標檢測

如果單純采用背景減除法和圖像分割以及形態學處理進行目標檢測，就會存在一些誤檢，無法實現奶牛目標精準檢測，因此提出基于區域面積進行奶牛目標檢測[5]。方法流程如圖7所示。

奶牛目標檢測具體步驟如下。

⑴ 采用高斯混合模型進行背景建模，讀入當前幀進行圖像AGCWD算法增強和高斯濾波預處理[6]后，背景減除法將其和背景幀進行作差運算。

⑵ 為降低漏檢率，進行圖像閾值分割處理，采用閾值為40的灰度閾值分割算法得到二值化圖像。

⑶ 為彌合奶牛黑白花紋處理后產生的間隙，以結構元素[0 1 0; 1 0 1; 0 1 0]進行形態學開閉運算，填充聯通區域內的空洞。

⑷ 為去除多余噪聲，進行連通域處理，根據實驗樣本得到奶牛目標區域大于2000像素，則將提取到的備選區域小于2000像素進行剔除，并將剩下的第K個連通域進行統計和外接矩形標記。如圖8所示為進行非目標區域剔除前后效果圖。

依據上述方法檢測出的奶牛目標區域在原始視頻幀中的顯示結果如圖9所示。

4 實驗結果與分析

隨機選取十段視頻作為試驗集來完成目標區域檢測。用區域檢測準確率和漏檢率作為評價檢測算法的指標，評價指標計算公式如下：

[η=ncowNdetectedδ=uundetectedNdetected] ⒅

其中，[Ndetected]為檢測到的區域總個數;[ncow]為檢測到的奶牛目標區域個數;[uundetected]為未檢測的奶牛目標區域個數。

本文算法檢測結果如表2所示。

經過形態學處理和區域面積剔除結合處理后的目標檢測準確率有所提高，其中存在誤檢的主要原因是目標之間存在遮擋嚴重問題，實驗結論表明本文方法可以有效用于靜態目標檢測，較單一使用動態目標檢測方法有了較大改進。

5 結束語

本文通過對比不同分割算法，從主觀和客觀兩方面進行效果評價，在采用閾值為T=40的圖像分割后，目標匹配度達到96.39%，第二階段采用基于面積大小的目標檢測，同時結合形態學處理，以提高目標識別率，識別率從96.39%提升到97.4%。本文方法的優點在于適應了靜態目標的檢測要求，算法簡單、適用，具有一定的應用前景。

參考文獻（References）：

[1] 康飛龍.基于機器學習的多目標豬只狀態與個體行為識別研究[D].內蒙古農業大學博士學位論文，2018

[2] 曹義親，劉龍標.基于缺陷比例限制的背景差分鋼軌表面缺陷檢測方法[J].計算機應用，2020，40（10）：3066-3074

[3] 穆中凱.基于感興趣區域的視頻目標檢索方法及應用研究[D].北京郵電大學碩士學位論文，2019

[4] 宋冬梅.數學形態學在數字圖像處理中的應用研究[J].計算技術與自動化，2021，40（2）：136-139

[5] 張子儒.基于視頻分析的奶牛發情信息檢測方法研究[D].西北農林科技大學碩士學位論文，2018

[6] 楊先鳳，李小蘭，貴紅軍.改進的自適應伽馬變換圖像增強算法仿真[J].計算機仿真，2020，37（5）：241-245