基于視覺顯著性及多特征分析的目標檢測

盧 佩，劉效勇，邵建新

(石河子大學 a.信息科學與技術(shù)學院；b理學院;c. 師范學院，新疆 石河子 832000)

0 引言

作為智能信息處理的關(guān)鍵環(huán)節(jié)，靜態(tài)圖像目標檢測一直以來為機器視覺領(lǐng)域的研究熱點之一，在國民經(jīng)濟、航天/空間技術(shù)等諸領(lǐng)域發(fā)揮重要作用.

當前，雖已有諸多較理想目標檢測算法[1-3]，但大多算法[4-7]均依據(jù)滑動窗口機制.由于該類方法均采用“窮舉”策略，故檢測速度慢、算法效率低.

相對而言，生物視覺在目標檢測過程中天生具有高效性，即便在遮擋、形變、光照等因素作用下，仍然能快速識別目標.迄今為止，研究人員雖未能透徹分析其機理，同時也沒能設計出與之相媲美的類生物視覺模型，但研究表明：生物視覺具有視覺注意性，即外界環(huán)境信息并非等同重要，大腦只對重要的感知信息給出響應.近年來，該特性分析已得到廣泛關(guān)注，視覺“顯著性”模型(即模擬上述機理求圖像中具有顯著性的區(qū)域)也隨之應運而生：Itti等[8]于2000年從生物視覺和神經(jīng)學角度出發(fā)設計了Itti視覺模型； 2007年，Hou等[9]利用FT變換分析圖像頻譜殘差信息，并通過圖像縮放操作獲取顯著性圖；進一步，Hou等[10]于2012年定義了一種圖像描述子以表示頻域相位信息，然后將其變換到空域即可將圖像大部分能量匯聚在具有一定空間稀疏性的顯著位置處.然而，視覺顯著性分析雖能粗略估計出顯著目標的位置，但不能指出目標是什么.

同時，對目標所屬特性進行描述具有多方式性.若基于單一特征表征目標，則其表征能力具有局限性，且直接制約著建模過程及算法性能.而多特征分析可進一步提升系統(tǒng)檢測性能[11]，且已成為目標檢測領(lǐng)域普遍采用有效方式之一[12].

因此，針對現(xiàn)有視覺顯著性模型不能指出目標是什么且單一特征描述目標具有局限性等問題，本文從分析顯著性模型入手，結(jié)合描述目標的多特征分析方法，基于樸素貝葉斯模型設計目標檢測算法.實驗結(jié)果表明：多特征分析可有效描述目標進而使模型更具區(qū)分性.與依據(jù)滑動窗口策略的目標檢測方法相比，顯著性分析可使算法具有對目標區(qū)域的主動選擇性,進而可提高模型的檢測效率.

1 顯著性模型設計及理論分析

命題1 對描述子進行重構(gòu)時，顯著圖中顯著區(qū)域的位置與前景目標的位置符合關(guān)系：

其中，〈·〉表示內(nèi)積，Ωb是b=DCT(b)的支撐集，‖·‖為L2范數(shù).當背景在DCT變換域中越稀疏，式(1)的期望值越高.

上述兩個表達式從理論上證明了模型的有效性，但需滿足一定條件，即目標信號f在標準空間基下需要具有稀疏性.經(jīng)實驗分析可進一步得出：當圖像中目標所在區(qū)域較小時，其顯著性較理想；反之，當目標占據(jù)圖像大多區(qū)域時，其邊緣顯著性較強，而目標整體的顯著性分析結(jié)果不理想.在此，本文通過引入相似空間區(qū)域分配相近顯著性值這一約束條件來改進上述算法.

(1)設Ichan(i)表示不同色彩通道下的圖像，則與之對應的描述子可表示為：

IS(Ichan(i))=sign(DCT(Ichan(i))).

(3)

對式(3) 執(zhí)行IDCT變換，并對其結(jié)果進一步執(zhí)行Hadamard運算：

S(Ichan(i))=IDCT(IS(Ichan(i)))°IDCT(IS(Ichan(i))).

(4)

(2)經(jīng)分析知，上述顯著性值具有稀疏性，因此，可僅對能有效描述目標的前若干個非零顯著性值進行分析，而忽略那些顯著性不明顯的數(shù)值.進一步，將該分析結(jié)果與在各通道下的原始圖像數(shù)據(jù)作為輸入，當圖像中的像素與顯著值所在處的像素色彩值相近時，則給該像素位置賦予同一顯著值，最終可得到各通道下圖像新的顯著性值分布圖.

(3)對上述得到的不同通道下的顯著圖對應位置處的顯著性值求平均：

SalMap=mean(SalMap(Ichan(i))).

(5)

然后對式(5)的輸出結(jié)果執(zhí)行高斯核卷積運算：

SalMap_out=g*SalMap，

從而得到原始圖像中的目標顯著性分析結(jié)果.

圖1為基于上述模型的部分PASCAL VOC cars的顯著性分析結(jié)果.

圖1 PASCAL VOC cars 及對應顯著圖Fig. 1 PASCAL VOC cars and its saliency maps correspondingly

由理論分析及實驗結(jié)果可知，該方法簡單、能夠有效模擬視覺注意的主動選擇機制，但不具有區(qū)分、定位目標的能力.因此，本文旨在聯(lián)合目標顯著性模型，更進一步地，在多特征分析及有效結(jié)合下設計目標候選區(qū)域檢測算法.

2 基于多特征分析的目標區(qū)域檢測

2.1 多特征分析

一般而言，目標與背景具有明顯可區(qū)分性，可用顯著、色異、封閉輪廓等特性描述目標.本文依據(jù)區(qū)分模型[5,13]建模過程，通過多特征分析提取能有效表征目標的特征，并在樸素貝葉斯理論框架下實現(xiàn)目標所在區(qū)域的判定.

2.1.1 多尺度顯著性特征(MP)

2.1.2 顏色對比特征(CA)

在此，用CA特征來描述目標前，定義圖像任一區(qū)域ω的周邊因子Cirj(ω,θCA)為由θCA作用在其內(nèi)所有方向上且滿足式(7)的矩形環(huán).

那么，表征區(qū)域ω與其周邊因子Cirj(ω,θCA)的CA特征CA(ω,θCA)可通過式(8)得到.

CA(ω,θCA)=χ2(h(ω),h(Cirj(ω,θCA))).

(8)

此處，h為區(qū)域ω及其周邊因子在L*a*b空間的直方圖,并用χ距離度量其差異，參數(shù)θCA由學習得到.

由于目標和背景通常具有明顯色彩差異，故該特征能有效將目標從背景中區(qū)分出來，但不能保證其完整性.

2.1.3 邊緣密度特征(EC)

首先，定義區(qū)域ω的內(nèi)環(huán)因子Inn(ω,θEC)，即

那么，EC特征EC(ω,θEC)可通過下式給出：

其中:IEC(p)∈{0,1}經(jīng)Canny運算得出，Len(·)為求周長，θEC由學習得到.

該特征對邊緣密度較集中的區(qū)域描述能力強，但也很容易把非目標而邊緣密度較集中的區(qū)域判斷成目標區(qū)域，故會帶來虛警.

2.2 參數(shù)學習

2.2.2θCA、θEC

(12)

2.3 多特征分析下目標候選區(qū)域判定

由于上述特征均具有局限性：MP可粗略估計目標的位置；CA雖能有效分析出目標所在準確位置，但不能保證其完整性；EC會帶來虛警.因此需相互補充并有效結(jié)合.

本文基于樸素貝葉斯模型，對每個測試圖中的隨機采樣區(qū)域，結(jié)合參數(shù)學習過程得到的先驗信息，分別在MP、CA、EC特征下依據(jù)式(13)依次求該采樣區(qū)域的后驗概率值(權(quán)重)，最后將權(quán)重值大的n個區(qū)域(此處，n=10)視為目標所在的候選區(qū)域ωi.

圖2為采用該方法對PASCAL VOC數(shù)據(jù)庫測試圖進行分析得到的評分值高的前10個候選區(qū)域輸出結(jié)果的顯示.由實驗結(jié)果知，本算法所判定輸出候選區(qū)域基本上能部分或完整地涵蓋著目標，從而證明該方案具有可行性.另外，還可看出：若測試圖中目標的顯著性不理想，那么得到的候選區(qū)域所涵蓋目標的能力也會變差.

圖2 部分測試圖的候選區(qū)域判定結(jié)果Fig. 2 Decision of candidate regions for part test images

2.4 目標所在區(qū)域定位

在目標所在候選區(qū)域ωi被判定后，最理想表征目標的區(qū)域ωopt的選擇即實現(xiàn)目標檢測則為本方案最終的目標.

首先，對上述測試圖進行顯著性分析，并對顯著圖執(zhí)行簡單閾值分割操作以得到目標顯著性信息psal.

然后，通過式(14)實現(xiàn)目標區(qū)域定位.

ωopt={ωi||ωi?psal|/|ωi|≥

thr1,|∑psal|/|ωi|≤thr2},

(14)

其中，閾值thr1=0.5，thr2=1.25依照經(jīng)驗給出.

2.5 系統(tǒng)設計流程

綜合上述分析，系統(tǒng)完整設計流程以及參數(shù)訓練流程分別如圖3、圖4所示.

圖3 系統(tǒng)設計流程圖Fig. 3 The flowchart of the system

圖4 多特征分析下參數(shù)訓練流程圖Fig. 4 Parameters training with multi-feature analysis

3 系統(tǒng)實驗結(jié)果及結(jié)果分析

該算法在Linux系統(tǒng)下運行，運行環(huán)境為MATLAB R2013a.對PASCAL VOC 06 test中含有car類目標的50幅測試圖隨機抽取65個目標，且這些自然圖像不同程度地存在多尺度、多視角、光照不均、運動模糊等現(xiàn)象或圖像含有多個目標.部分測試圖檢測結(jié)果如圖5所示.

圖5 部分測試圖car類目標檢測結(jié)果Fig. 5 Results of objects detection for part images with cars

經(jīng)分析知,若目標具有較顯著的視覺顯著性，那么測試圖無論是否存在多尺度、多視角，其目標檢測結(jié)果均比較理想；若目標顯著性不明顯，則檢測結(jié)果亦不理想.另外，顯著性分析可使算法具有對目標區(qū)域的主動選擇性，故其檢測速度較理想，平均為4.15 s/幅.誠然，與現(xiàn)有目標檢測模型相似，該方案亦不可避免地存在漏檢、虛警現(xiàn)象.

為了對比本文算法在單一特征和多特征分析下的目標檢測性能，分別對上述50幅測試圖共65個car類目標進行檢測，評判標準基于PASCAL準則，最終檢測結(jié)果如表1.通過實驗得出,多種特征的有效結(jié)合比基于任一單一特征的檢測結(jié)果要優(yōu)，多特征分析可加強對目標的描述能力.因此，多特征分析實現(xiàn)目標檢測更具可行性.

表1 單一特征與多特征綜合作用下檢測結(jié)果比較

此外，為進一步分析該方案性能，實驗中，分別求取在MP、CA、EC特征及MP+CA+EC多特征結(jié)合下的候選區(qū)域包含標定目標百分比以及檢測輸出區(qū)域覆蓋標定目標百分比值，并繪制曲線圖，用曲線左邊區(qū)域面積值(Area to the left of the curve，ALC)來衡量其性能，所得到的曲線圖如圖6所示.

圖6 系統(tǒng)性能比較曲線圖Fig. 6 The plot of system performance comparison

由圖6中各種特征選取下算法對應ALC值可知：多特征的結(jié)合運用是可取且行之有效的，因為每種特征均具局限性，而多特征結(jié)合可相互補充，從而使本文方法所檢測出候選區(qū)域包含標定目標的百分比較理想，也即本文模型對目標更具區(qū)分性.

4 結(jié)語

本文算法的初衷是在非滑動窗口策略下，設計基于顯著性及多特征分析的目標區(qū)域檢測方案.對測試圖，先隨機生成能遍布于整幅圖且大小不一的多個候選區(qū)域，隨后基于貝葉斯模型計算各特征描述下隨機采樣區(qū)域的最大后驗概率值，并用值的大小標識該區(qū)域包含目標的可能性，從而進一步估計出目標區(qū)域的位置.因此，當隨機采樣參數(shù)值一定時，測試圖的大小對系統(tǒng)檢測速率沒有本質(zhì)影響，且由于引入顯著性分析，使得算法具有對目標區(qū)域的主動選擇性，而無須考慮基于滑動窗口策略的窗口選擇/更新等問題，故其檢測效率較理想.此外，多特征的結(jié)合比任一單一特征更能有效描述目標以使模型更具區(qū)分性，故其檢測效果相比較優(yōu).但系統(tǒng)仍不可避免地存在漏檢、虛警現(xiàn)象.后續(xù)工作思路：通過學習建立能表征目標類、不為其他類所共享的特征字典，然后對由本文方法得到的檢測區(qū)域進一步判斷，從而提高系統(tǒng)檢測性能.