基于行为视觉的运动过程合理化图像分解研究

马德+李少聪+刘格+张军峰

摘 要： 针对现行的图像分解方法对于分割精确的运动目标可以准确地进行分解，但当运动环境复杂、运动目标分割过程中受到阴影干扰而导致运动目标形状特征发生突变，进一步导致图像分解抗噪性能差，阴影区域去除不完全、分割精度低等问题，提出一种基于行为视觉的运动过程合理化图像分解方法。采用背景去除法提取运动区域，依据运动目标几何特征对是否存在运动区域阴影部分进行判断及粗分割，结合区域一致性测度方法对阴影区域中全影及半影进行有效检测和去除。依据运动目标外观表征构建了一种能量变化图，提取出描述运动目标形状信息和运动信息的行为特征，利用运动行为特征作为聚类中心，采用人工蜂群模糊聚类方法求解运动过程图像中的最优聚类中心，依据最大隶属度原则对运动过程图像进行分解。实验结果表明，该方法有效去除了运动目标图像阴影区域，具有抗噪性强、分解精度高等优点。

关键词： 行为视觉； 运动过程； 合理化； 图像分解； 分割精度； 聚类中心

中图分类号： TN911.73?34； TP391.41 文献标识码： A 文章编号： 1004?373X（2018）04?0180?03

Abstract： In allusion to the problem that the current image decomposition method can accurately decompose the moving targets with segmentation precision， but when the motion environment is complex and the segmentation process of moving targets is interfered by shadow， the shape characteristics of moving targets change suddenly， and the anti?noise performance of image decomposition becomes worse with incomplete shadow area removal and low segmentation precision， a motion process rationalization method for image decomposition based on behavioral vision is proposed. The background removal method is adopted to extract the motion area. The shadow area of the motion area is judged and coarsely divided according to the geometric features of moving targets. The full shadows and penumbras in the shadow area are effectively detected and removed with the region consistency measurement method. According to the appearance of moving targets， an energy variation map is constructed to extract the behavioral features that describe the shape information and motion information of moving targets. With motion behavior features as the clustering center， the artificial bee swarm fuzzy clustering method is used to solve the best cluster center in motion process images. According to the maximum membership degree principle， the motion process images are decomposed. The experimental results show that this method can effectively remove the shadow area of moving target images and has the advantages of strong anti?noise performance and high decomposition precision.

Keywords： behavioral vision； motion process； rationalization； image decomposition； segmentation precision； clustering center

运动行为视觉分析作为近年来计算机视觉领域中关注的重点，而运动过程图像分解技术是行为视觉合理化分析研究中的首要问题。目标运动过程中图像分解的研究不仅可以使目标行为判断工作突破当前应用领域的“瓶颈”，其研究成果还可以应用于如视频监控、人机交互、辅助临床医疗诊断等多个领域[1]。目前多数运动过程行为图像分解研究中，由于缺乏对复杂环境下运动过程合理化分解的有效手段，很多方法对分解问题没有进行深入研究。另外，当前运动过程图像分解方法多数在给定环境下进行，当运动目标在特殊位置或给定环境下变化时，很多方法无法做到自适应处理。

赵东等人提出一种针对简单背景下运动图像进行分解时采用的多目标优化方法[2]。将时间以及环境因素视为动态因子，利用K均值算法建立运动图像多目标函数，结合多目标粒子群算法，采用背景差分法描述运动环境变化规则，实现运动过程图像分解。该方法对于分割精确的运动目标可以准确地进行分解，但当运动环境复杂、特别是在运动目标分割过程中受到阴影干扰导致了运动目标形状特征发生突变，进一步导致图像分解抗噪性能差，阴影区域去除不完全、分割精度低等问题。对上述问题进行改进，提出一种基于行为视觉的运动过程合理化图像分解方法。endprint

实验结果表明，该方法有效去除了运动目标图像全影区域以及半影区域，具有抗噪性强，分解精度高等优点。

1 基于行为视觉的运动过程合理化图像分解

1.1 基于场景变化分析的自适应背景更新方法

几乎所有的运动目标行为视觉分析首先都要进行目标运动过程检测，对运动过程进行检测的目的是从运动过程图像序列中分割出与运动目标相对应的区域[3]。采用背景去除法提取运动区域，依据运动目标几何特征对是否存在运动区域阴影部分进行判断及粗分割，结合区域一致性测度方法对阴影区域中全影及半影进行有效检测和去除。

采用近邻两帧运动过程图像及背景模型对运动变化区域进行检测，以运动变化区域的大小对运动场景变化进行分析[4]。当运动场景内光线发生变化时，运动场景内的变化范围会较大。当发现运动过程图像目标在给定时间内不再运动，将其归类于衍生背景，将目标叠加在原始运动过程背景中[5]。假设，运动过程图像当前像素点的坐标是[（i，j）]，其相应的邻域为[R={（m，n）（m-i）≤L}]，[L]用于描述其邻域长度的[12]。[lθ]表示过中心点且角度为[θ]的一条直线，并将此邻域划分为[Sθ1]和[Sθ2]，则方向性运动过程图像信息测度[Mθ]为：

式中：[dθmax]，[dθmin]分别表示最大、最小测度；[xij]用于描述运动过程图像像素点[（i，j）]的灰度值。从原始运动过程图像中获得观测尺度较小时的方向性信息测度[MS]以及观测尺度较大时的方向性信息测度[ML]，将这两项进行归一化处理[6]，求取这两项之间的差值。通过上述过程采用方向信息测度对图像运动区域像素进行分类处理后，需要对运动过程图像的边缘区域求取边缘宽度[7]，对于运动区域邻域[R]，过中心点[（m，n）]，以方向[θ]将[R]划分为两个部分，对于已经判定为运动过程图像边缘区域的邻域[R]，[l]可描述为可变化的邻域长度，[Rhi]表示为长度为[l]时的运动区域一致性测度。采用Canny算子对运动区域边缘进行检测，定义运动区域边缘窗口大小为[[-32σ，32σ]]，通过三次B样条在尺度[s]下的窗口大小可描述为[[-2s+1，2s-1]]，选取相同大小的窗口，运动区域边缘滤波尺度为[σ=23s]，采用运动过程图像背景中阴影部分的灰度以及被遮挡前此阴影部分比值的关系进行阴影检测[8]。

定义运动过程目标图像的灰度值为[s（x，y）]，[s（x，y）=E（x，y）ρ（x，y）]用于描述运动目标成像模型，[E（x，y）]用于描述光照强度，[ρ（x，y）]用于描述运动过程图像背景反射系数。[sk+1（x，y）]表示图像阴影区域的灰度，[sk（x，y）]用于描述被遮挡前此阴影区域的灰度，则运动区域图像阴影遮挡前后两个区域灰度值之比为：

依据上述图像帧的比值对运动过程阴影区域进行检测。

1.2 基于能量变化图和人工蜂群模糊聚类的图像分解

依据运动目标外观表征构建了一种能量变化图，提取出描述运动目标形状信息和运动信息的行为特征，利用运动行为特征作为聚类中心[9]，采用人工蜂群模糊聚类方法求解运动过程图像中的最优聚类中心，依据最大隶属度原则对运动过程图像进行分解。

在行为分析视觉分析中运动目标特征信息对行为的表征具有重要作用，采用一种可以突出运动特征的平均运动能量图[VEI]，同时获得运动过程轮廓序列的标准差图像[10]。为了提高运动过程图像分解速度，利用运动行为特征作为聚类方法的数据样本，图像数据的空间维度，利用式（3）给出目标函数：

式中：[n]用于描述运动过程灰度级样本数据；[c]用于描述聚类数量；[U]表示隶属度矩阵；[μm″i（xk）]表示[U]的元素；[V]表示运动过程行为图像聚类中心；[m″]表示模糊隶属度指数；[d2i，k=xk-vi2]表示运动过程行为图像第[k]个灰度级[xk]至第[i]个聚类中心[vi]之间的欧氏距离。

以式（3）中的目标函数为基础，建立运动过程图像分解适应度函数[Fi]，将目标函数的极小值问题转化为求解适应度函数[Fi]的极大值问题，如下：

式中，[λ]用于描述适应度函数。

2 实验结果与分析

为了证明本文提出的基于行为视觉的运动过程合理化图像分解方法的有效性，需要进行一次实验。采用的计算机配置为i7?2600，内存为4 GB，独立显卡2 GB。实验数据来源于Weizmann科学研究所提供的运动行为数据库，在该数据库中，由于运动图像的阴影区域非常少，不同方法图像分解效果不明显，重新选取一段运动视频图像。将原运动图像尺度大小调整至200×320。以下实验利用本文方法、文献[8]方法检测运动过程图像阴影，实验结果中，运动图像阴影区域灰度值为0，非阴影区域灰度值为255，运动图像未分解区域灰度为原值。本文方法通过对比不同阴影区域与遮挡前此区域运动图像灰度比值判定阴影，不同方法检测结果如图1所示。

依据对比值圖像执行基于方向信息测度的比值运动图像像素的分类，获得运动区域阴影部分，由于含有的运动过程图像数据较多，本文方法不仅获得了运动目标及阴影区域的粗分割结果，又考虑了运动过程图像阴影、非阴影划分条件。可以看出图1b）中的运动过程图像阴影区域检测精度较高，可以划分的区域较多。对于图1b）、图1c）阴影区域的形状可以看出本文方法进行阴影检测效果较优。

3 结 论

本文方法通过对运动过程图像分解技术进行了分析，在运动目标提取、运动过程图像阴影去除以及图像分解等多个方面提出了基于行为视觉的运动过程合理化图像分解方法。实验结果表明，所提方法对运动过程图像边缘阴影进行检测，达到半影去除的目的，对运动区域进行边缘检测具有较好的抗噪性能，运动过程图像分解结果精度较高，为较为复杂的运动环境下目标分解在实际过程中的应用奠定了基础。endprint

参考文献

[1] 董蓉，李勃，徐晨.基于彩色对数图像处理的运动阴影检测方法[J].计算机工程与设计，2016，37（8）：2155?2159.

DONG Rong， LI Bo， XU Chen. Moving shadow detection method based on color logarithmic image processing [J]. Computer engineering and design， 2016， 37（8）： 2155?2159.

[2] 赵东，赵宏伟，于繁华.动态多目标优化的运动物体图像分割[J].光学精密工程，2015，23（7）：2109?2116.

ZHAO Dong， ZHAO Hongwei， YU Fanhua. Moving object image segmentation by dynamic multi?objective optimization [J]. Optics and precision engineering， 2015， 23（7）： 2109?2116.

[3] 王辉，孙洪.低秩稀疏分解下多尺度积的运动目标检测方法[J].信号处理，2016，32（12）：1425?1433.

WANG Hui， SUN Hong. A method of low?rank decomposition with multi?scale product for moving object detection [J]. Journal of signal processing， 2016， 32（12）： 1425?1433.

[4] 刘曼，谭海佩，张月.基于灰色关联分析的运动角度规范性智能判断[J].激光杂志，2017，38（8）：160?163.

LIU Man， TAN Haipei， ZHANG Yue. Motion angle normative intelligent judgment based on gray correlation analysis [J]. Laser journal， 2017， 38（8）： 160?163.

[5] 樊翠红.人体视频运动图像的高精度实时分割仿真研究[J].计算机仿真，2016，33（1）：268?271.

FAN Cuihong. Simulation research on the high precision and real?time segmentation for video image of human motion [J]. Computer simulation， 2016， 33（1）： 268?271.

[6] 张永梅，巴德凯，邢阔.基于模糊阈值的自适应图像分割方法[J].计算机测量与控制，2016，24（4）：126?128.

ZHANG Yongmei， BA Dekai， XING Kuo. At method of fuzzy threshold for adaptive image segmentation [J]. Computer measurement & control， 2016， 24（4）： 126?128.

[7] 王瑜，闫沫.基于Wasserstein距离和分裂Bregman方法的图像分割算法[J].电子设计工程，2017，25（2）：140?144.

WANG Yu， YAN Mo. Image segmentation based on Wasserstein distance and split Bregman method [J]. electronic design engineering， 2017， 25（2）： 140?144.

[8] 李正周，侯倩，付红霞，等.基于空时联合稀疏重构的红外小弱运动目标检测方法[J].强激光与粒子束，2015，27（9）：26?31.

LI Zhengzhou， HOU Qian， FU Hongxia， et al. Infrared small moving target detection algorithm based on joint spatio?temporal sparse recovery [J]. High power laser and particle beams， 2015， 27（9）： 26?31.

[9] 赵克军，胡骁东，张弘.由粗定位到精提取的图像显著区域检测[J].科学技术与工程，2015，15（31）：67?73.

ZHAO Kejun， HU Xiaodong， ZHANG Hong. From rough location to refining to detect image salient region [J]. Science technology and engineering， 2015， 15（31）： 67?73.

[10] 黄荣梅.视频帧色差突变图像的背景检测参量提取[J].科技通报，2015，31（8）：78?80.

HUANG Rongmei. Video frame color mutation image background detection parameters extraction [J]. Bulletin of science and technology， 2015， 31（8）： 78?80.endprint