數(shù)字化圖像動(dòng)態(tài)目標(biāo)搜索眼動(dòng)特征增強(qiáng)仿真

郝 淼，倪泰樂

(西華大學(xué)，四川 成都 610000)

1 引言

計(jì)算機(jī)網(wǎng)絡(luò)技術(shù)和多媒體技術(shù)近年來不斷發(fā)展，圖像的數(shù)量越來越多，需要處理和接收的圖像數(shù)量非常龐大。在此背景下，亟需一種數(shù)字化圖像目標(biāo)搜索算法優(yōu)化海量圖像的處理速度。但是，由于圖像特征具有差異性和不規(guī)則性，其搜索難度較大。特征增強(qiáng)可以提高數(shù)字化圖像目標(biāo)搜索的精度和效率，因此特征增強(qiáng)是目前圖像搜索和分類亟需解決的問題。

孫元輝等人通過形狀、大小不同的卷積核獲取特征，融合處理所提取的特征，修改卷積網(wǎng)絡(luò)結(jié)構(gòu)，利用改進(jìn)后的卷積網(wǎng)絡(luò)處理融合后的特征，并將其輸入單步目標(biāo)檢測(cè)器中，實(shí)現(xiàn)圖像目標(biāo)搜索，該算法沒有對(duì)特征增強(qiáng)處理，目標(biāo)搜索結(jié)果的平均查準(zhǔn)率低、虛警率高。史文旭等人將特征提取模塊引入SSD的金字塔特征層中，提高特征提取能力，融合處理提取的特征，匹配候選框與提取的特征，實(shí)現(xiàn)圖像目標(biāo)搜索，該算法對(duì)目標(biāo)進(jìn)行搜索時(shí)，存在目標(biāo)搜索概率低的問題。劉勝昔等人計(jì)算圖像的局部相位特征和局部幅值特征，對(duì)像素在圖像中的局部關(guān)聯(lián)性實(shí)現(xiàn)增強(qiáng)處理，設(shè)定加權(quán)系數(shù)，加權(quán)融合處理相位特征和幅值特征，利用融合后的特征完成圖像目標(biāo)搜索，該算法搜索目標(biāo)所用的時(shí)間較長(zhǎng)，存在搜索效率低的問題。

為了解決上述算法中存在的問題，提出數(shù)字化圖像目標(biāo)搜索眼動(dòng)特征增強(qiáng)算法。

2 眼動(dòng)特征提取

利用眼動(dòng)特征對(duì)目標(biāo)觀測(cè)時(shí)至少需要兩個(gè)成對(duì)的電極才可以獲得電勢(shì)信號(hào)。目前的臨床醫(yī)療水平還無法直接采集與記錄眼球運(yùn)動(dòng)過程中生成的靜息電勢(shì)，一般情況下都是將電極傳感器與皮膚組織接觸，以此來獲取眼動(dòng)信號(hào)。合理分析和處理眼動(dòng)跟蹤數(shù)據(jù)，可優(yōu)化其在數(shù)字化圖像目標(biāo)搜索中的應(yīng)用。目前常用的眼動(dòng)跟蹤數(shù)據(jù)處理方法包括三維空間法、掃描路徑法、感興趣區(qū)法和熱點(diǎn)圖法。數(shù)字化圖像目標(biāo)搜索眼動(dòng)特征增強(qiáng)算法采用熱點(diǎn)圖方法在數(shù)字化圖像目標(biāo)搜索過程中獲取眼動(dòng)跟蹤數(shù)據(jù)的特征。

用二維色彩圖像描述熱點(diǎn)圖獲取的眼動(dòng)跟蹤數(shù)據(jù)，映射處理掃描路徑、注視持續(xù)時(shí)間和注視點(diǎn)個(gè)數(shù)等數(shù)據(jù)，將其轉(zhuǎn)變?yōu)橥该鞫?、顏色等可視化參?shù)

(1)

式中，表示熱點(diǎn)圖中存在的第個(gè)注視點(diǎn)對(duì)應(yīng)的像素累計(jì)透明度；表示第個(gè)注視點(diǎn)在處理過程中的持續(xù)時(shí)間；表示附近像素受注視點(diǎn)影響的最大半徑；表示注視點(diǎn)在熱點(diǎn)圖完全透明狀態(tài)下對(duì)應(yīng)的最小持續(xù)時(shí)間；表示第個(gè)注視點(diǎn)與像素之間存在的距離；表示不透明指數(shù)。累計(jì)透明度在區(qū)間[0，1]內(nèi)取值，通過上述分析可知注視時(shí)間可利用“藍(lán)-綠-黃-紅”的顏色映射得以表示，當(dāng)時(shí)間較短時(shí)對(duì)應(yīng)的顏色為偏冷色，當(dāng)時(shí)間較長(zhǎng)時(shí)，對(duì)應(yīng)的顏色為偏暖色。

在熱點(diǎn)圖的基礎(chǔ)上提取眼動(dòng)特征的具體過程如下：

1)顏色特征

為了滿足人眼的感知特點(diǎn)，用顏色模型代替熱點(diǎn)圖模式，其中∈[0，1]表示亮度；∈[0，1]表示飽和度；∈[0，360]表示色度。亮度和飽和度在眼動(dòng)熱點(diǎn)圖中不存在區(qū)分性，都是統(tǒng)一的，因此顏色特征可以直接選取色度值，設(shè)表示色度平均值，其計(jì)算公式如下

(2)

式中，表示第個(gè)像素點(diǎn)在眼動(dòng)熱點(diǎn)圖中的色度值；表示像素在熱點(diǎn)圖中的數(shù)量。

2)灰度直方圖

數(shù)字化圖像目標(biāo)搜索眼動(dòng)特征增強(qiáng)算法通過灰度直方圖特征提取方法處理熱點(diǎn)圖，獲取熱點(diǎn)圖中存在的細(xì)節(jié)信息，灰度直方圖()的表達(dá)式如下

(3)

式中，=0，1，…，-1表示灰度級(jí)；灰度級(jí)類別數(shù)量用描述；表示灰度級(jí)為的像素在熱點(diǎn)圖中的總數(shù)。

在灰度直方圖的基礎(chǔ)上獲取眼動(dòng)特征：

3 眼動(dòng)特征增強(qiáng)

數(shù)字化圖像目標(biāo)搜索眼動(dòng)特征增強(qiáng)算法通過量子遺傳算法篩選上述過程中提取的眼動(dòng)特征，實(shí)現(xiàn)眼動(dòng)特征的增強(qiáng)。

1)量子比特編碼

利用當(dāng)前遺傳算法對(duì)特征進(jìn)行選擇時(shí)，特征被選中和未選中對(duì)應(yīng)的編碼二進(jìn)制狀態(tài)分別為1和0。數(shù)字化圖像目標(biāo)搜索眼動(dòng)特征增強(qiáng)算法通過量子比特編碼選擇眼動(dòng)特征，具體編碼過程可通過下式描述

(4)

式中，(，)表示概率幅，通常情況下符合||+||=1，其中||表示量子比特狀態(tài)為1時(shí)對(duì)應(yīng)的概率，||表示量子比特狀態(tài)為0時(shí)對(duì)應(yīng)的概率。=(，)表示編碼染色體；表示染色體中存在的第個(gè)基因。

2)量子觀測(cè)算子

某一特征被選擇的概率可通過量子比特編碼獲得，量子比特在特征選擇過程中會(huì)轉(zhuǎn)變?yōu)槎M(jìn)制狀態(tài)的0，1，可通過下述公式描述上述觀測(cè)過程

(5)

其中，=1，2，…，，為隨機(jī)數(shù)，在區(qū)間[0，1]內(nèi)取值，當(dāng)的值為0時(shí)，表明沒有選中第個(gè)基因，當(dāng)的值為1時(shí)，表明選中了第個(gè)基因。

3)適應(yīng)度函數(shù)

染色體的有效性可通過適應(yīng)度函數(shù)進(jìn)行評(píng)價(jià)，圖像的特征組合對(duì)應(yīng)著基因在染色體內(nèi)的狀態(tài)，為了準(zhǔn)確的實(shí)現(xiàn)數(shù)字化圖像目標(biāo)搜索，用圖像搜索準(zhǔn)確率定義適應(yīng)度函數(shù)()

(6)

式中，表示數(shù)字化圖像的數(shù)目；()表示正確搜索圖像的數(shù)量。

特征初選節(jié)點(diǎn)即為特征分類階段，可通過分類器實(shí)現(xiàn)

(7)

4)基因變異及量子旋轉(zhuǎn)門改進(jìn)

利用量子旋轉(zhuǎn)門在量子遺傳算法中實(shí)現(xiàn)染色體的進(jìn)化，算法的收斂性能直接受量子旋轉(zhuǎn)門的影響，通過下式更新染色體

(8)

=(，)×Δ

(9)

式中，(，)對(duì)旋轉(zhuǎn)方向進(jìn)行控制；Δ對(duì)旋轉(zhuǎn)角度進(jìn)行控制。

對(duì)Δ與適應(yīng)度值和進(jìn)化代數(shù)之間的關(guān)系進(jìn)行考慮，數(shù)字化圖像目標(biāo)搜索眼動(dòng)特征增強(qiáng)算法對(duì)量子旋轉(zhuǎn)門進(jìn)行改進(jìn)，將適應(yīng)度函數(shù)(·)和進(jìn)化代數(shù)引入新的旋轉(zhuǎn)門中，通過下式計(jì)算改進(jìn)后的旋轉(zhuǎn)角度

(10)

式中，()表示當(dāng)前染色體對(duì)應(yīng)的適應(yīng)度；表示當(dāng)前進(jìn)化代數(shù)；()表示最佳染色體對(duì)應(yīng)的適應(yīng)度；表示最大進(jìn)化代數(shù)。

5)量子交叉算子

通過量子交叉操作避免早熟現(xiàn)象的發(fā)生。

采用量子遺傳算法增強(qiáng)眼動(dòng)特征的具體過程如下：

1)輸入眼動(dòng)特征向量，將其劃分為兩個(gè)部分，分別用來測(cè)試和訓(xùn)練；

2)對(duì)種群和進(jìn)化代數(shù)進(jìn)行初始化處理，={，，…，}，=0；

3)觀測(cè)初始種群，設(shè)置初始觀測(cè)算子={，，…，}，在此基礎(chǔ)上選取眼動(dòng)特征組合；

4)通過分類器對(duì)特征集進(jìn)行訓(xùn)練，建立學(xué)習(xí)模型，并建立適應(yīng)度函數(shù)()，根據(jù)搜索準(zhǔn)確率選取最佳染色體對(duì)應(yīng)的基因位；

5)更新染色體，設(shè)置觀測(cè)算子，對(duì)染色體進(jìn)行量子交叉操作；

6)利用決策函數(shù)跟蹤眼動(dòng)特征

線性判別函數(shù)的表達(dá)式為()=+，其中為分類閾值；為向量權(quán)重。用描述超平面與樣本點(diǎn)之間存在的距離，可通過下式計(jì)算得到

=(+)=|()|

(11)

歸一化處理間隔，獲得幾何間隔

(12)

求取最小‖‖問題可以轉(zhuǎn)變?yōu)榍笕∽畲蠡瘞缀伍g隔問題，設(shè)置約束條件(+)≥1，用極值問題描述線性分類問題

(13)

根據(jù)上述線性分類問題建立Lagrange方程

(14)

式中，表示拉格朗日乘子。

(15)

7)輸出被選中的特征，完成眼動(dòng)特征增強(qiáng)。

4 實(shí)驗(yàn)與分析

為驗(yàn)證數(shù)字化圖像目標(biāo)搜索眼動(dòng)特征增強(qiáng)算法的整體有效性，需要對(duì)數(shù)字化圖像目標(biāo)搜索眼動(dòng)特征增強(qiáng)算法進(jìn)行測(cè)試。

將平均查準(zhǔn)率作為指標(biāo)對(duì)本研究提出的數(shù)字化圖像目標(biāo)搜索眼動(dòng)特征增強(qiáng)算法、文獻(xiàn)[3]算法和文獻(xiàn)[4]算法完成測(cè)試，平均查準(zhǔn)率越高，表明算法提取的特征越精準(zhǔn)，平均查準(zhǔn)率測(cè)試結(jié)果如圖1所示。

圖1 平均查準(zhǔn)率測(cè)試結(jié)果

分析圖1可知，隨著圖像數(shù)量的增加，所提方法平均查準(zhǔn)率略微下降，但均保持在80以上；文獻(xiàn)[3]算法和文獻(xiàn)[4]算法在不同圖像數(shù)量下的平均查準(zhǔn)率均低于所提算法；通過上述分析可知，所提算法的平均查準(zhǔn)率最高，表明所提算法的眼動(dòng)特征增強(qiáng)效果好。

將虛警率和目標(biāo)搜索概率作為指標(biāo)對(duì)所提算法、文獻(xiàn)[3]算法和文獻(xiàn)[4]算法的有效性進(jìn)行測(cè)試。

虛警率的計(jì)算公式如下

(16)

式中，表示目標(biāo)數(shù)量；表示正確搜索的目標(biāo)數(shù)量。

三種算法的虛警率測(cè)試結(jié)果如圖2所示：

圖2 虛警率測(cè)試結(jié)果

目標(biāo)搜索概率的計(jì)算公式如下：

(17)

式中，表示目標(biāo)真實(shí)數(shù)量。

三種算法的目標(biāo)搜索概率如圖3所示。

圖3 圖像目標(biāo)搜索概率測(cè)試結(jié)果

根據(jù)圖2和圖3中的數(shù)據(jù)可知，在多次迭代中所提算法的虛警率均低于文獻(xiàn)[3]算法和文獻(xiàn)[4]算法，目標(biāo)搜索概率均高于文獻(xiàn)[3]算法和文獻(xiàn)[4]算法，表明所提算法在數(shù)字化圖像目標(biāo)搜索過程中的性能高，主要是因?yàn)樗崴惴▽?duì)提取的眼動(dòng)特征進(jìn)行了增強(qiáng)處理，利用增強(qiáng)后的眼動(dòng)特征實(shí)現(xiàn)數(shù)字化圖像的目標(biāo)搜索，降低了算法的虛警率，提高了算法的目標(biāo)搜索概率。

為了進(jìn)一步驗(yàn)證數(shù)字化圖像目標(biāo)搜索眼動(dòng)特征增強(qiáng)算法的整體有效性，對(duì)比眼動(dòng)特征增強(qiáng)前后算法的搜索時(shí)間，測(cè)試結(jié)果如表1所示。

表1 搜索時(shí)間測(cè)試結(jié)果

對(duì)表1中的數(shù)據(jù)進(jìn)行分析可知，在相同圖像數(shù)量下，眼動(dòng)特征增強(qiáng)后的目標(biāo)搜索時(shí)間遠(yuǎn)遠(yuǎn)低于眼動(dòng)特征增強(qiáng)前的目標(biāo)搜索時(shí)間，表明增強(qiáng)眼動(dòng)特征可減少數(shù)字化圖像目標(biāo)搜索所用的時(shí)間，驗(yàn)證了數(shù)字化圖像目標(biāo)搜索眼動(dòng)特征增強(qiáng)算法的整體有效性。

5 結(jié)束語

在計(jì)算機(jī)視覺領(lǐng)域中目標(biāo)搜索屬于重要研究方向之一，在現(xiàn)實(shí)生活中目標(biāo)搜索技術(shù)被廣泛的應(yīng)用在智能監(jiān)控系統(tǒng)、水下目標(biāo)檢測(cè)和無人駕駛等領(lǐng)域中，具有重要作用。目前數(shù)字化圖像目標(biāo)搜索算法存在平均查準(zhǔn)率低、虛警率高、目標(biāo)搜索概率低和搜索效率低問題，提出數(shù)字化圖像目標(biāo)搜索眼動(dòng)特征增強(qiáng)算法，在數(shù)字化圖像目標(biāo)搜索之前對(duì)提取的眼動(dòng)特征進(jìn)行了增強(qiáng)處理，解決了目前算法中存在的問題，為數(shù)字化圖像目標(biāo)搜索技術(shù)的發(fā)展奠定了基礎(chǔ)。