采用圖割及協(xié)同訓(xùn)練的動(dòng)態(tài)人影檢測(cè)方法

華 漫，辛 瑜，李燕玲，張先浩

1.中國(guó)民航飛行學(xué)院 計(jì)算機(jī)學(xué)院，四川 廣漢 618307

2.中國(guó)民航飛行學(xué)院 科研處，四川 廣漢 618307

隨著無(wú)人飛機(jī)等低空平臺(tái)技術(shù)的迅猛發(fā)展，高分辨率影像能夠以更低的代價(jià)獲得，視頻監(jiān)控?cái)U(kuò)展到室外已經(jīng)成為可能，如在荒蕪人煙的區(qū)域?qū)μ囟ㄈ宋锏谋O(jiān)控。但是，從頂視角度所獲取的行人圖像像素面積小，特征不明顯，不足以提供足夠有效的識(shí)別特征。然而，在某些特定情況下，人的陰影面積更大，反映細(xì)節(jié)更多，能夠提供更多的信息，成為行人分析和鑒別的新生物特征。Stoica等[1]提出了從太空或者航空平臺(tái)上鑒別人及對(duì)人行為進(jìn)行分析的概念，Iwashita等[2]通過(guò)實(shí)驗(yàn)證實(shí)了在固定攝像頭下可根據(jù)人的陰影步態(tài)來(lái)鑒別人，但在實(shí)驗(yàn)中，她采取的是手工提取陰影的方法，效率不高。隨后，Iwashita 等[3]提出根據(jù)固定攝像頭下的行人和陰影的共同輪廓來(lái)鑒別人，小樣本數(shù)據(jù)的結(jié)果表明該方法的鑒定識(shí)別率不高。因而，無(wú)論對(duì)固定攝像頭還是低空平臺(tái)，行人動(dòng)態(tài)運(yùn)動(dòng)陰影檢測(cè)的效率和精度問(wèn)題是陰影生物特征步態(tài)檢測(cè)的基本問(wèn)題，陰影提取的好壞和效率直接關(guān)系到后繼研究工作的成果。

目前，人物陰影檢測(cè)技術(shù)基本僅局限于視頻監(jiān)控領(lǐng)域。文獻(xiàn)[4]則利用多特征來(lái)進(jìn)行陰影檢測(cè)；文獻(xiàn)[5]利用陰影的局部彩色連續(xù)特性和梯度閾值分割來(lái)檢測(cè)陰影，并用量化方法估計(jì)閾值，取得了很好的效果。文獻(xiàn)[6]采用協(xié)同訓(xùn)練的方法進(jìn)行陰影檢測(cè)，在取得了好效果的同時(shí)還能夠克服光照的影響。文獻(xiàn)[7]則采用半監(jiān)督學(xué)習(xí)中的自訓(xùn)練方法對(duì)自適應(yīng)檢測(cè)陰影進(jìn)行了嘗試。這些方法都要求攝像頭靜止固定，場(chǎng)景固定，利用混合高斯模型構(gòu)建背景，根據(jù)當(dāng)前幀與背景幀在顏色、亮度及能量上的某種穩(wěn)定差分值作為特征來(lái)進(jìn)行陰影檢測(cè)，總體來(lái)看，陰影檢測(cè)由單純地利用特征檢測(cè)（特征包括顏色差、邊緣梯度差、當(dāng)前幀與背景幀像素比、梯度方向差等）逐漸發(fā)展到機(jī)器學(xué)習(xí)的方法，取得了較佳的效果。

但是對(duì)于低空無(wú)人飛行器平臺(tái)，由于受自然外力（風(fēng)、氣流等）以及自身振動(dòng)的影響，平臺(tái)不斷處于運(yùn)動(dòng)之中，背景時(shí)刻變化，無(wú)法構(gòu)建統(tǒng)一背景，因而傳統(tǒng)的視頻監(jiān)控方法已經(jīng)不能適用于新情況。低空無(wú)人飛行器平臺(tái)的出現(xiàn)將視頻監(jiān)控從室內(nèi)背景拓展到了室外場(chǎng)景，可利用檢測(cè)特征的不穩(wěn)定性給陰影檢測(cè)帶來(lái)了新的問(wèn)題。

此外，低空無(wú)人飛行器平臺(tái)是新型的遙感平臺(tái)，遙感影像陰影的像素光譜特征也同樣適用于低空無(wú)人飛行器平臺(tái)，因瑞利散射而形成的遙感影像像素特征在遙感影像陰影檢測(cè)中得到廣泛運(yùn)用。文獻(xiàn)[8]采用OTSU連續(xù)閾值法檢測(cè)陰影；文獻(xiàn)[9]則總結(jié)了遙感影像陰影的三個(gè)典型像素光譜特征，運(yùn)用D-S 證據(jù)理論進(jìn)行綜合判斷檢測(cè)陰影。上述方法側(cè)重于在單張影像上檢測(cè)陰影，效率較低，也不適合于低空無(wú)人飛行器平臺(tái)的動(dòng)態(tài)人影多幀序列影像連續(xù)檢測(cè)。文獻(xiàn)[10]則使用了魯棒的圖像增強(qiáng)技術(shù)，提高圖像序列對(duì)比度，通過(guò)幾何方法去除陰影區(qū)域，最后利用形態(tài)學(xué)重建來(lái)填充間隙，以生成清晰的目標(biāo)從而消耗更少的時(shí)間得到更好結(jié)果。

到目前為止，針對(duì)低空無(wú)人飛行器平臺(tái)的人物陰影檢測(cè)研究尚處于起步階段。文獻(xiàn)[11]采用文獻(xiàn)[6]提出的協(xié)同訓(xùn)練方法，在微型無(wú)人機(jī)上通過(guò)機(jī)器學(xué)習(xí)方法對(duì)陰影檢測(cè)進(jìn)行了探索，取得了初步的成果，但該方法所采用特征過(guò)于簡(jiǎn)單，較難適用于復(fù)雜背景場(chǎng)景下的陰影檢測(cè)，且沒(méi)有對(duì)動(dòng)態(tài)人物陰影檢測(cè)精度進(jìn)行定量評(píng)估。運(yùn)用機(jī)器學(xué)習(xí)進(jìn)行陰影檢測(cè)的方法本質(zhì)上屬于標(biāo)記分割圖像的方法，而另一種利用圖切割理論對(duì)圖像進(jìn)行標(biāo)記分割的方法獲得越來(lái)越廣泛的運(yùn)用[12-14]，它借助能量方程通過(guò)全局整體最優(yōu)化的方法來(lái)有效提高區(qū)域分割準(zhǔn)確率，該方法的關(guān)鍵是構(gòu)建能量方程的數(shù)據(jù)項(xiàng)和約束項(xiàng)，尤以數(shù)據(jù)項(xiàng)的構(gòu)建為重點(diǎn)，現(xiàn)有的方法多以像素到聚類中心的距離概略估計(jì)來(lái)構(gòu)建，而采用協(xié)同訓(xùn)練方法的陰影檢測(cè)可通過(guò)分類器準(zhǔn)確評(píng)估圖像像素屬于陰影的概率，這兩種方法的結(jié)合能夠進(jìn)一步優(yōu)化陰影檢測(cè)結(jié)果。

針對(duì)低空無(wú)人飛行器平臺(tái)下的人物鑒別與人物行為分析需求，本文運(yùn)用協(xié)同訓(xùn)練和圖切割理論，提出了一種針對(duì)復(fù)雜場(chǎng)景的低空無(wú)人飛行器平臺(tái)動(dòng)態(tài)人物陰影檢測(cè)方法。該方法首先根據(jù)人物陰影的像素特征與區(qū)域特性兩類屬性特征構(gòu)成協(xié)同訓(xùn)練算法的兩個(gè)獨(dú)立視圖，運(yùn)用機(jī)器學(xué)習(xí)中的半監(jiān)督協(xié)同訓(xùn)練方法進(jìn)行陰影檢測(cè)；然后依據(jù)圖切割理論，利用協(xié)同訓(xùn)練的初步分割結(jié)果來(lái)構(gòu)建數(shù)據(jù)項(xiàng)，同時(shí)根據(jù)低空無(wú)人飛行器平臺(tái)的陰影像素特性構(gòu)建約束項(xiàng)，對(duì)采用機(jī)器學(xué)習(xí)方法獲得的陰影檢測(cè)結(jié)果進(jìn)行整體優(yōu)化，進(jìn)一步提高陰影檢測(cè)效果。實(shí)驗(yàn)結(jié)果表明，相對(duì)于單純的協(xié)同訓(xùn)練算法，本文方法具有更高的綜合效果，能夠滿足復(fù)雜場(chǎng)景下的高質(zhì)量人物陰影生物特征檢測(cè)需求。

1 協(xié)同訓(xùn)練和圖切割理論

協(xié)同訓(xùn)練理論和圖切割算法有共同之處，兩者都是將陰影檢測(cè)問(wèn)題轉(zhuǎn)化為標(biāo)記問(wèn)題，通過(guò)標(biāo)記圖像來(lái)進(jìn)行圖像分割，前者側(cè)重于訓(xùn)練-學(xué)習(xí)框架，后者側(cè)重于動(dòng)態(tài)規(guī)劃優(yōu)化方法，本章簡(jiǎn)要介紹這兩種方法。

1.1 協(xié)同訓(xùn)練

協(xié)同訓(xùn)練屬于半監(jiān)督學(xué)習(xí)的一種方式，而半監(jiān)督學(xué)習(xí)是指介于無(wú)監(jiān)督學(xué)習(xí)和有監(jiān)督學(xué)習(xí)之間的一種機(jī)器學(xué)習(xí)方法，和傳統(tǒng)的兩種學(xué)習(xí)理論不同，半監(jiān)督學(xué)習(xí)利用自然界中大量廣泛存在的未標(biāo)記樣本進(jìn)行學(xué)習(xí)，用以提高學(xué)習(xí)的準(zhǔn)確性，是近年來(lái)模式識(shí)別和機(jī)器學(xué)習(xí)中非?；钴S的一個(gè)研究方向，而協(xié)同訓(xùn)練則是半監(jiān)督學(xué)習(xí)中諸多分支中最具有代表型的一種方法。

1998 年，Blum 和Mitchell在文獻(xiàn)[15]中首次提出了協(xié)同訓(xùn)練算法，并給出了嚴(yán)密的理論推導(dǎo)公式，證明了相互獨(dú)立雙視圖分類器下該算法的有效性。他們假設(shè)數(shù)據(jù)集有兩個(gè)充分冗余視圖，每個(gè)視圖具有以下屬性：（1）每個(gè)屬性都足以描述該問(wèn)題。（2）在給定標(biāo)記時(shí)，每個(gè)屬性集都條件獨(dú)立于另一個(gè)屬性集。算法基本流程如下：

輸入：標(biāo)記的訓(xùn)練集L，未標(biāo)記訓(xùn)練集U。

過(guò)程：從未標(biāo)記集U中隨機(jī)取出u個(gè)樣本構(gòu)造樣本池U′。

K次迭代：

（1）用標(biāo)記的訓(xùn)練集L訓(xùn)練第一視圖的分類器h1；

（2）用標(biāo)記的訓(xùn)練集L訓(xùn)練第二視圖的分類器h2；

（3）用分類器h1 標(biāo)記樣本池U′中n個(gè)正樣本和p個(gè)負(fù)樣本；

（4）用分類器h2 標(biāo)記樣本池U′中n個(gè)正樣本和p個(gè)負(fù)樣本；

（5）把自訓(xùn)練得到的標(biāo)記樣本加入到訓(xùn)練集L中；

（6）從未標(biāo)記集U中隨機(jī)選取2p+2n個(gè)樣本來(lái)更新樣本池U′。

滿足這兩個(gè)條件的視圖可以保證協(xié)同訓(xùn)練算法的有效運(yùn)行，其標(biāo)準(zhǔn)算法如上所示。但是在現(xiàn)實(shí)世界中，完全獨(dú)立的視圖并不存在，為解決這一問(wèn)題。Goldman和Zhou采用統(tǒng)計(jì)學(xué)習(xí)和交叉驗(yàn)證的方式來(lái)控制進(jìn)入訓(xùn)練集的噪音[16]。文獻(xiàn)[17]進(jìn)一步證明了即使雙視圖分類器不相互獨(dú)立，只要初始學(xué)習(xí)效果有差異，協(xié)同訓(xùn)練算法也同樣有效，促進(jìn)了協(xié)同訓(xùn)練方法的廣泛運(yùn)用。

低空無(wú)人飛行器平臺(tái)視頻流具有幀間時(shí)間間隔短的特點(diǎn)，因此當(dāng)連續(xù)幀間光照條件相似，內(nèi)容相近時(shí)，未標(biāo)記的大量樣本可以用來(lái)改進(jìn)訓(xùn)練分類器，促進(jìn)陰影檢測(cè)結(jié)果的提高。因而基于低空無(wú)人飛行器平臺(tái)視頻流下的運(yùn)動(dòng)人物陰影檢測(cè)符合協(xié)同訓(xùn)練的理論模型架，只需選擇合理的雙視圖，手工標(biāo)注第一幀樣本中的陰影像素為訓(xùn)練樣本集，通過(guò)后繼幀的大量未標(biāo)記樣本對(duì)分類器進(jìn)行修正以提高分類器性能，減小噪聲引入，就能逐一將視頻流中的運(yùn)動(dòng)陰影檢測(cè)出來(lái)。解志剛等在改進(jìn)現(xiàn)有3種像素特征基礎(chǔ)上，設(shè)計(jì)了與之相適應(yīng)的半監(jiān)督協(xié)同訓(xùn)練策略，為有效解決運(yùn)動(dòng)攝像頭下的動(dòng)態(tài)人物陰影檢測(cè)問(wèn)題提供了一種新思路[18]。

1.2 圖切割理論

假設(shè)無(wú)向圖G=＜V,E＞，其中V是一系列頂點(diǎn)，E是連接頂點(diǎn)的邊，V由兩種頂點(diǎn)構(gòu)成。一種是實(shí)際的圖像像素點(diǎn)。另一種是實(shí)際不存在的點(diǎn)，稱為終端節(jié)點(diǎn)，包括“源”s和“匯”t，稱之為源點(diǎn)和匯點(diǎn)，通常源點(diǎn)代表著目標(biāo)點(diǎn)，匯點(diǎn)代表著背景點(diǎn)。源點(diǎn)和匯點(diǎn)的連接稱之s-t圖，該圖也有兩種邊，一種稱之為n-連接，另一種稱之為t-連接，如圖1 所示。無(wú)向圖的每一條邊都賦予一個(gè)權(quán)值，割是所有邊的子集，最小割是指連接所有邊的權(quán)值總和最小的割。1956 年，F(xiàn)ord 等證明了最大流最小割定理，即最大流和最小割是等價(jià)的，基于此，文獻(xiàn)[19]提出了計(jì)算s-t圖最小割的快速方法，得到了廣泛應(yīng)用。文獻(xiàn)[20]提出了以邊緣信息的圖割提取框架為基礎(chǔ)，通過(guò)構(gòu)造函數(shù)與s-t網(wǎng)絡(luò)并在提取后期輔以手自結(jié)合，獲得一種準(zhǔn)確快速人機(jī)交互的算法。

圖1 圖切割示意圖Fig.1 Sketch map of graph cuts

運(yùn)用Graph cuts 理論進(jìn)行圖像分割是近年來(lái)圖像分割領(lǐng)域基于能量最小化公式興起的一個(gè)研究熱點(diǎn)，圖像領(lǐng)域的能量最小化公式為：

式中，E代表能量；p和q表示像素；N代表像素的連通領(lǐng)域點(diǎn)集合；P代表圖像像素點(diǎn)的集合；Lp={Lp|p∈P}代表圖像P的標(biāo)號(hào)的集合；Dp(Lp)代表數(shù)據(jù)項(xiàng)懲罰函數(shù)，表示數(shù)據(jù)約束，用于保證每個(gè)像素盡可能地找到其對(duì)應(yīng)關(guān)系；Vp,q是一近鄰交互函數(shù)，表示光滑約束，用于約束相鄰像素的一致性。

Graph cuts 圖像分割理論因其既考慮了區(qū)域特征（數(shù)據(jù)項(xiàng)），又考慮了邊緣信息（光滑項(xiàng)），因而能取得全局最優(yōu)求解[21]，取得較好的分割效果，其基本過(guò)程為：將圖像映射成一個(gè)格網(wǎng)網(wǎng)絡(luò)，其中像素對(duì)應(yīng)圖中的節(jié)點(diǎn)，相鄰像素之間的相似性對(duì)應(yīng)相鄰節(jié)點(diǎn)之間邊的權(quán)值，求割的容量對(duì)應(yīng)能量函數(shù)，最小割即為所求解的目標(biāo)。采用協(xié)同訓(xùn)練算法對(duì)低空無(wú)人飛行器平臺(tái)動(dòng)態(tài)陰影進(jìn)行檢測(cè)問(wèn)題實(shí)際上是個(gè)二類標(biāo)記問(wèn)題，即將圖像像素點(diǎn)標(biāo)記為陰影像素和非陰影像素兩類，這與Graph cuts的最終目標(biāo)相同，在協(xié)同訓(xùn)練得到初始標(biāo)記后，可以通過(guò)Graph cuts 理論對(duì)初始標(biāo)記依據(jù)圖像的內(nèi)在約束進(jìn)行全局最優(yōu)優(yōu)化。問(wèn)題的關(guān)鍵是如何根據(jù)低空無(wú)人飛行器平臺(tái)的特點(diǎn)建立數(shù)據(jù)項(xiàng)和光滑約束項(xiàng)，使它們能夠準(zhǔn)確表達(dá)陰影像素的內(nèi)在聯(lián)系，以獲取更優(yōu)的結(jié)果。

2 結(jié)合協(xié)同訓(xùn)練和圖切割的低空無(wú)人飛行器平臺(tái)動(dòng)態(tài)人影檢測(cè)方法

本文提出了將協(xié)同訓(xùn)練和圖切割算法結(jié)合，共同進(jìn)行低空無(wú)人飛行器平臺(tái)動(dòng)態(tài)陰影檢測(cè)的方法，具體步驟是選取低空無(wú)人飛行器平臺(tái)動(dòng)態(tài)陰影像素的典型像素特征和典型區(qū)域特征構(gòu)建協(xié)同訓(xùn)練的兩個(gè)視圖，采用支持向量機(jī)（SVM）分類器，通過(guò)互相監(jiān)督學(xué)習(xí)的方法得到初步的陰影提取結(jié)果，再根據(jù)低空無(wú)人飛行器平臺(tái)影像的區(qū)域和邊緣特點(diǎn)構(gòu)建新的數(shù)據(jù)項(xiàng)和約束項(xiàng)，通過(guò)最大流最小割方法獲取全局最優(yōu)的陰影檢測(cè)結(jié)果，得到最佳結(jié)果的動(dòng)態(tài)人影，其流程圖如圖2所示。

圖2 本文算法框架Fig.2 Framework of proposed algorithm in this paper

2.1 支持向量機(jī)

支持向量機(jī)是近年來(lái)最好的分類算法之一，尤其對(duì)對(duì)小樣本分類問(wèn)題具有良好的性能，在很多領(lǐng)域取得了成功，它的定義如下。

假設(shè)特征矢量為X∈IRd，分類目標(biāo)標(biāo)簽為兩類y∈{- 1,1} ，則分類空間為(X,y)，對(duì)于線性SVM 可以描述如下：

其中，ω是超平面特征空間的支持向量，βi是松弛變量，C是懲罰系數(shù)。

對(duì)于非線性的情形，通過(guò)拉格朗日對(duì)偶可以將式（2）擴(kuò)展如下：

式（3）通過(guò)核函數(shù)形式將線性空間映射到非線性高維空間，尋找最優(yōu)分類面。

支持向量機(jī)方法只和支持向量的個(gè)數(shù)有關(guān)系，因而更能適應(yīng)于小樣本分類需求。而采用本文所提出的方法來(lái)檢測(cè)陰影，實(shí)質(zhì)上是將陰影檢測(cè)問(wèn)題轉(zhuǎn)化為兩類分類問(wèn)題。通過(guò)標(biāo)記的陰影像素，在陰影特征空間內(nèi)訓(xùn)練超平面空間，用做分類的依據(jù)。陰影樣本的有限性和工作效率的要求使得支持向量機(jī)成為最優(yōu)的分類器選擇，本文采用式（4）所表示的徑向基函數(shù)作為核函數(shù)。

2.2 協(xié)同訓(xùn)練雙視圖構(gòu)建

如前所述，圖像可看作規(guī)則的格網(wǎng)結(jié)構(gòu)，每一個(gè)像素相當(dāng)于一個(gè)節(jié)點(diǎn)，采用圖切割算法檢測(cè)動(dòng)態(tài)人影，實(shí)際上也是二類標(biāo)記問(wèn)題，即可虛擬出標(biāo)記的目標(biāo)：陰影像素和非陰影像素，將它們作為圖切割算法的“源”和“匯”。對(duì)于圖像分類應(yīng)用而言，數(shù)據(jù)項(xiàng)反映的是圖像的整區(qū)域特征，從量化標(biāo)準(zhǔn)上可以由當(dāng)前節(jié)點(diǎn)（像素）屬于“源”和“匯”的估計(jì)概率來(lái)衡量。

而具體到本文的應(yīng)用而言，采用SVM 分類器進(jìn)行訓(xùn)練分類，在測(cè)試時(shí)可以直接估計(jì)出每個(gè)元素的置信度，即每個(gè)像素屬于陰影與非陰影的估計(jì)。對(duì)于雙視圖訓(xùn)練，對(duì)每一個(gè)單視都有一個(gè)估計(jì)概率，用取均值的方法來(lái)計(jì)算平均估計(jì)作為圖切割算法的數(shù)據(jù)項(xiàng)。式（5）表示當(dāng)前像素屬于陰影的估計(jì)，式（6）表示當(dāng)前像素屬于非陰影的估計(jì)，它們共同組成圖切割算法的數(shù)據(jù)項(xiàng)。

2.3 圖切割算法的平滑項(xiàng)

在圖像檢測(cè)領(lǐng)域，圖切割算法的約束項(xiàng)表示像素領(lǐng)域間的關(guān)系，代表圖像的邊緣特性，一般用梯度距離表示度量像素間的過(guò)渡情況。陰影區(qū)域有整體視覺(jué)陰暗和聚集成片出現(xiàn)的特性，這一性質(zhì)可用來(lái)對(duì)陰影檢測(cè)進(jìn)行約束，本文的圖切割算法的平滑項(xiàng)根據(jù)圖像的顏色梯度距離聯(lián)合表示如式（7）。其中diff為當(dāng)前圖像在水平方向和垂直方向的一階梯度值。

3 實(shí)驗(yàn)結(jié)果及分析

本文的實(shí)驗(yàn)數(shù)據(jù)來(lái)自于低空無(wú)人飛行器平臺(tái)之一飛艇所拍攝的視頻影像數(shù)據(jù)，平臺(tái)飛行高度約為20～30 m，所用相機(jī)為佳能5d Mark-II，幀速為30 幀/s，用于檢測(cè)效果評(píng)價(jià)的人物陰影真值數(shù)據(jù)為手工標(biāo)記獲得，軟件平臺(tái)為Matlab（R2010a），系統(tǒng)處理器為Intel?Core?2 Duo 2.8 GHz。

3.1 協(xié)同訓(xùn)練與本文所提方法的比較

為全面衡量本文所提算法和單純協(xié)同訓(xùn)練算法，本文采用三個(gè)評(píng)價(jià)指標(biāo)，分別是陰影檢測(cè)率(DR)、陰影區(qū)域漏檢率(FR)、非陰影區(qū)域誤檢率(NFR)具體如下：

其中，TN表示正確識(shí)別的陰影像素?cái)?shù)目，F(xiàn)S表示漏檢的陰影像素?cái)?shù)目，F(xiàn)N表示非陰影像素誤識(shí)別為陰影像素?cái)?shù)目。相對(duì)于傳統(tǒng)的靜止攝像頭評(píng)價(jià)指標(biāo)DR[4-7]，運(yùn)動(dòng)平臺(tái)無(wú)法獲取準(zhǔn)確的前景區(qū)域，F(xiàn)R、NFR是根據(jù)本文的應(yīng)用需求所提出的新評(píng)價(jià)指標(biāo)，分別表示陰影漏檢率，非陰影像素誤判為影子的程度，來(lái)綜合表示。

在基于以上指標(biāo)的評(píng)價(jià)基礎(chǔ)上，為比較協(xié)同訓(xùn)練算法和本文所提方法的優(yōu)劣，采用本文所提出的像素特征和陰影區(qū)域特征構(gòu)建協(xié)同訓(xùn)練算法的雙視圖，采用同樣的從視頻數(shù)據(jù)里隨機(jī)選取的十幀數(shù)據(jù)，兩種方法分別取輪數(shù)訓(xùn)練次數(shù)為5、15、30、50、100、150、200、300來(lái)對(duì)兩算法進(jìn)行綜合評(píng)價(jià)，每輪訓(xùn)練隨機(jī)抽取十次，以各評(píng)價(jià)指標(biāo)的均值作為最后結(jié)果。

圖3所示實(shí)驗(yàn)結(jié)果表明：本文提出的基于圖割和協(xié)同訓(xùn)練算法比僅采用協(xié)同訓(xùn)練算法在陰影區(qū)域檢測(cè)率上提高了約1%，陰影區(qū)域漏檢率上降低了0.5%，在非陰影區(qū)域誤檢率上則降低了約3%，顯示出本文所提的方法在性能上優(yōu)于單純的協(xié)同訓(xùn)練算法。此結(jié)論說(shuō)明圖切割理論在整體上對(duì)陰影的分類進(jìn)行了改進(jìn)，能夠提供全局更優(yōu)的陰影檢測(cè)結(jié)果。

圖3 本文所提算法與協(xié)同訓(xùn)練算法比較Fig.3 Comparison between proposed algorithm and co-training algorithm

3.2 視頻實(shí)驗(yàn)結(jié)果

圖4、圖5 分別給出了隨機(jī)選取的兩個(gè)視頻流序列的人物陰影檢測(cè)結(jié)果。其中（a）為第一幀圖像的手工標(biāo)注結(jié)果，（b）為由視頻序列隨機(jī)抽取出的部分原始圖像，（c）為協(xié)同訓(xùn)練方法所獲得的人物陰影自動(dòng)檢測(cè)結(jié)果，（d）為本文所提出的基于圖割和協(xié)同訓(xùn)練理論所獲取的陰影自動(dòng)檢測(cè)結(jié)果，（e）為后取最大陰影區(qū)域面積和形態(tài)學(xué)處理結(jié)果。由這些主觀結(jié)果可以看出，兩種方法基本上克服了平臺(tái)運(yùn)動(dòng)所帶來(lái)的人物陰影檢測(cè)困難，提取出了完整的人物陰影，但本文方法優(yōu)于僅采用基于協(xié)同訓(xùn)練的方法。表1 給出了協(xié)同訓(xùn)練和本文方法的綜合定量比較，從這兩段視頻序列的平均結(jié)果來(lái)看，本文的方法陰影檢測(cè)率為80.75%，陰影漏檢率為17.37%，非陰影區(qū)域誤檢測(cè)率為12.81%，而協(xié)同訓(xùn)練方法陰影檢測(cè)率為80.34%，陰影漏檢率為17.57%，非陰影區(qū)域誤檢測(cè)率為13.64%，進(jìn)一步證明了本文方法具有更好的綜合檢測(cè)性能。

表1 人物陰影動(dòng)態(tài)檢測(cè)效果定量評(píng)價(jià)Table 1 Quantitative evaluation of dynamic detection effect of shadow %

圖4 示例1Fig.4 Example 1

圖5 示例2Fig.5 Example 2

4 結(jié)束語(yǔ)

本文提出了一種結(jié)合圖切割理論和協(xié)同訓(xùn)練的針對(duì)低空無(wú)人飛行器平臺(tái)的動(dòng)態(tài)人物陰影檢測(cè)方法。根據(jù)低空無(wú)人飛行器平臺(tái)的動(dòng)態(tài)人物陰影像素與區(qū)域像素特征，依據(jù)獨(dú)立性原則構(gòu)建了雙視圖SVM分類器，采用了運(yùn)用交互檢測(cè)訓(xùn)練策略的半監(jiān)督學(xué)習(xí)方法，根據(jù)協(xié)同訓(xùn)練得到的初始預(yù)測(cè)結(jié)果后，將其作為最小能量函數(shù)的數(shù)據(jù)項(xiàng)，與圖像的差分值作為約束項(xiàng)結(jié)合，運(yùn)用圖切割理論對(duì)初始結(jié)果進(jìn)行全局優(yōu)化，得到最優(yōu)結(jié)果。實(shí)際低空無(wú)人飛行器平臺(tái)下的小樣本實(shí)驗(yàn)結(jié)果表明，相比于單一的協(xié)同訓(xùn)練方法，該方法結(jié)合了協(xié)同訓(xùn)練和圖切割方法的特點(diǎn)，提供了質(zhì)量更佳的動(dòng)態(tài)人影檢測(cè)思路。但由于低空無(wú)人飛行器平臺(tái)的抖動(dòng)、人物實(shí)體衣著、非陰影像素等因素的影響，仍存在一定的誤檢測(cè)區(qū)域，這是以后進(jìn)一步努力的方向。該方法由于采用基于學(xué)習(xí)的方法的分類器預(yù)測(cè)性能來(lái)彌補(bǔ)圖切割方法中數(shù)據(jù)項(xiàng)的定量估計(jì)較難表達(dá)的缺陷，兩者的全面結(jié)合能發(fā)揮兩種方法的優(yōu)點(diǎn)，也可以運(yùn)用于其他應(yīng)用。