基于機器學習的動態(tài)環(huán)境運動目標自動識別研究

周獻珍，張抒

(1.常州旅游商貿(mào)高等職業(yè)技術(shù)學校, 督導評估處， 江蘇， 常州 213033;2.杭州有情文化藝術(shù)有限公司， 浙江， 杭州 310000)

0 引言

運動目標識別是機器視覺領(lǐng)域和視頻處理技術(shù)的基礎(chǔ)研究課題，其目的是在圖像序列或視頻中把感興趣的背景和運動目標分離，獲得運動目標位置信息[1-2]。提取目標對象可為之后的跟蹤提供基礎(chǔ)，因為識別結(jié)果影響后期應用效果，所以很多學者一直對運動目標的識別算法進行不斷地改進來獲取準確的圖像[3]。

運動目標的識別方法針對視頻圖像的特殊性，常用的運動目標識別方法有：亢潔等[4]研究的基于RPCA與三幀差分融合的運動目標檢測方法;張彩珍等[5]研究的基于五幀差分和模板匹配的運動目標檢測識別方法。這2種方法雖然簡單,但對運動目標的識別存在空洞、輪廓不完整的問題。

計算機視覺主要應用在圖像處理、人工智能、模式識別等方面。機器學習作為計算機視覺的一種，其主要研究目的是為了獲取環(huán)境中的物體信息，實現(xiàn)用計算機代替人眼和大腦，最后解決真實描述、識別和存儲圖像中的高級視覺問題。為此本文提出了基于機器學習的動態(tài)環(huán)境運動目標自動識別方法，檢測圖像序列中的所有運動目標，并將檢測到的目標特征作為一類目標進行目標跟蹤，提升圖像跟蹤識別效果，為后續(xù)應用提供強有力的數(shù)據(jù)支撐。

1 基于機器學習的動態(tài)環(huán)境運動目標自動識別方法

1.1 運動目標檢測算法

運動目標檢測常用的方法之一是幀間差分法。通過視頻圖像中相鄰兩幀圖像的差異，用一個閾值來判斷是否存在運動物體，并對時間上相鄰的圖像在視頻圖像中的絕對差進行求解[6-7]。幀間差分法原理為假設(shè)視頻圖像中第k幀圖像各像素點的灰度值為Ik(i,j)，第k-l幀圖像各像素點的灰度值為Ik-1(i,j)，則差分圖像為

Dk(i,j)=|Ik(i,j)-Ik-1(i,j)|

(1)

通過設(shè)定閾值T來對上述得到的差分圖像中的各個像素點進行判斷，視頻圖像中的運動區(qū)域提取為

(2)

針對三幀差分法的不足之處[8]，在三幀差分法基礎(chǔ)上對五幀差分法進行改進，5幀圖像在預處理后表示為ft(x,y)、ft-1(x,y)、ft-2(x,y)、ft+1(x,y)、ft+2(x,y)。其中，利用中間幀ft(x,y)分別和前后2幀做差分運算，計算結(jié)果為

D13(x,y)=|ft(x,y)-ft-2(x,y)|

(3)

D23(x,y)=|ft(x,y)-ft-1(x,y)|

(4)

由于運算造成的目標重疊現(xiàn)象和克制空洞現(xiàn)象進行目標輪廓優(yōu)化，獲得最后的目標輪廓為

D34(x,y)=|ft(x,y)-ft+1(x,y)|

(5)

D35(x,y)=|ft(x,y)-ft+2(x,y)|

(6)

用“與”運算方法分別對差分后的結(jié)果D35(x,y)和D13(x,y)，D34(x,y)和D23(x,y)進行運算：

D1=D13(x,y)?D35(x,y)

(7)

D2=D23(x,y)?D34(x,y)

(8)

“與”運算通過采用中值濾波對圖像中的部分噪聲進行去除[9]，通過對圖像進行差分，有利于運動目標的提取，實現(xiàn)D1和D2的濾波處理，同時運用動態(tài)閾值進行二值化處理。將結(jié)果使用“或”運算，可以有效克制運算造成的目標重疊現(xiàn)象和克制空洞現(xiàn)象[10]，獲得最后的目標輪廓：

D(x,y)=D1⊕D2

(9)

改進五幀差分的運動目標檢測算法是以五幀差分算法為基礎(chǔ)，利用中值濾波對圖像進行去噪處理，通過改進的五幀差分法檢測到比較完整的運動目標輪廓[11]。最后經(jīng)過后期處理可以準確完整提取運動目標區(qū)域。改進算法整體流程如圖1所示。

圖1 改進算法流程

整個算法流程中，對連讀的5幀圖像分別進行中值濾波處理，其他4幀圖以中間幀為基礎(chǔ)分別進行差分運算，得到的差分結(jié)果D13、D23、D34、D35分為2組分別進行取“異或”、取“與”操作。將同時存在的前景運動目標取出進行取“與”操作，將分差后各自的運動目標取出進行“異或”操作，操作中會比原來存在更多的噪聲。當存在的前景運動目標像素最多，重現(xiàn)現(xiàn)象和噪聲也增多的情況下，把相同的以及各自的運動像素合在一起進行“或”操作,將生成的2幀進行“與”操作，得到前景運動目標，能改善重影以及消除大部分噪聲，實現(xiàn)對運動目標的初步檢測。

1.2 動態(tài)環(huán)境運動目標跟蹤優(yōu)化

采用CamShift算法(continuously adaptive MeanShift algorithm,連續(xù)自適應的均值漂移算法)實現(xiàn)動態(tài)環(huán)境運動目標自動跟蹤識別。Camshift算法是以MeanShift為基礎(chǔ)，將MeanShift算法擴展到視頻圖像序列中，將MeanShift迭代作為核心，自適應調(diào)節(jié)搜索窗的寬度來適應運動目標在圖像中的尺寸變化，是一種圖像的顏色概率統(tǒng)計和分布直方圖的算法[12]。

因為RGB顏色空間對光照亮度的變化比較敏感,CamShift算法需要基于顏色特征的跟蹤算法，把圖像RGB顏色空間轉(zhuǎn)換到顏色空間來減少光照對跟蹤的影響。根據(jù)每個像素點的HSV顏色空間在目標區(qū)域的色度值建立的顏色直方圖和顏色概率分布圖為反向投影圖(Back-projection Image),輸入像素點為目標像素點的概率通過查詢顏色概率分布圖可獲取;然后對MeanShift進行迭代運算;最后調(diào)整搜索窗的大小、目標的位置、質(zhì)心的計算，密度分布的最大值收斂在目標反向投影圖上[13]。CamShift算法是將全部幀實施MeanShift運算，把上一幀搜索窗口的中心和大小的結(jié)果當作下一幀MeanShift算法的窗口初始值[14-15]，迭代之后，直至找到目標位置。

圖2為CamShift算法流程圖，步驟具體如下：確定搜索窗口以及跟蹤目標；提取Hue分量生成顏色直方圖，把輸入圖像變換成HSV空間；反向投影圖的建立需要根據(jù)顏色直方圖把窗口中心移動到質(zhì)心，質(zhì)心為跟蹤搜索窗口內(nèi)計算坐標的期望；收斂時通過MeanShift算法迭代進行搜索；在此基礎(chǔ)上獲得搜索新的窗口大小和窗的中心位置，以此參數(shù)進入下一幀圖像的目標跟蹤和搜索，用S來調(diào)整搜索窗口的大小。

圖2 CamShift算法流程圖

像素在搜索窗中的位置用點(x,y)表示，點(x,y)是二值圖像I(x,y)中的像素值。得到搜索窗口的一階矩和零階矩為

(10)

質(zhì)心位置為

(11)

為了固定運動識別窗口大小，進行圖像的二階矩計算目標的尺寸和方向：

(12)

假設(shè)參數(shù)：

(13)

下一幀圖像中，搜索窗口長軸l，短軸長度w與旋轉(zhuǎn)角θ分別為

(14)

CamShift算法計算量小，跟蹤效果好，當跟蹤的運動目標速度過快時，也不會致使跟蹤失敗,至此完成了動態(tài)環(huán)境運動目標自動識別方法設(shè)計。

2 仿真實驗結(jié)果與分析

通過某機器視頻截取動態(tài)環(huán)境運動目標樣本，針對視頻中的室內(nèi)人物、室外車輛以及飛機降落時的運動目標進行研究。實驗結(jié)果主要選取基于RPCA與三幀差分融合的運動目標檢測(文獻[4]方法)，以及基于五幀差分和模板匹配的運動目標檢測(文獻[5]方法)為本研究所提方法的對比方法。

3種方法運動目標檢測完整度如圖3～圖5所示。從圖3～圖5可知：室內(nèi)測試視頻中，文獻[4]方法有明顯的輪廓“空洞”現(xiàn)象，文獻[5]方法有明顯的輪廓陰影出現(xiàn)，本研究運動目標提取完整;室外測試視頻中，文獻[4]方法仍然存在有輪廓“空洞”現(xiàn)象，文獻[5]方法同樣有明顯的輪廓陰影，而本研究所提方法解決了陰影和輪廓不明顯的問題，檢測目標完整。飛機降落視頻的運動目標檢測是一種快速的運動目標檢測。文獻[4]方法有“雙影”現(xiàn)象，文獻[5]方法有拖尾現(xiàn)象出現(xiàn),本研究所提方法的檢測效果最清晰，輪廓提取最完整,檢測效果優(yōu)勢顯著。

(a) 室內(nèi)視頻原始圖像

(c) 文獻[5]方法檢測結(jié)果

(a) 室外視頻原始圖像

(c) 文獻[5]方法檢測結(jié)果

將識別率和誤識別率2項指標作為驗證對本研究所提方法識別效果的指標。在同等條件下，分析3種方法識別結(jié)果，如表1所示。檢測視頻中3種方法都能有效地檢測出運動目標，并且識別率都能達到90%以上，但誤識別率有明顯差距，文獻[4]方法的誤識別率和文獻[5]方法的誤識別率都較高，而本研究所提方法在誤識別率上有明顯改進，視頻識別結(jié)果能夠準確完整地表現(xiàn)運動目標，運動目標輪廓清晰。

(a) 飛機降落原始圖像

(c) 文獻[5]方法檢測結(jié)果

表1 不同視頻類型中3種方法的識別率與誤檢率

3 總結(jié)

動態(tài)環(huán)境運動目標的自動識別研究一直廣受關(guān)注，相對于靜態(tài)環(huán)境的運動目標識別，動態(tài)環(huán)境下的運動目標識別難度更大，所面臨的挑戰(zhàn)也更大。伴隨機器學習技術(shù)應用的逐漸廣泛，使得利用機器視覺實現(xiàn)動態(tài)環(huán)境運動目標識別成為可能，為此本文研究并提出了基于機器學習的動態(tài)環(huán)境運動目標識別方法。所提方法能有效結(jié)合改進五幀差分法和CamShift算法，共同完成運動目標跟蹤識別，可有效避免當前目標識別存在的空洞、重影問題，可以識別到輪廓明顯、完整性較好的運動目標，且該方法的識別率高、誤識別率低。但本研究仍存在一些不足，未對不同氣候環(huán)境的動態(tài)運動目標進行識別，在今后的研究中會針對該方面加以改進，以確保研究更加深入完整。