基于梯度直方图特征的实验鼠检测①

李 帅， 王江涛

(淮北师范大学物理与电子信息学院，安徽 淮北 235000)

0 引 言

在神经生理学、行为药理学等领域中老鼠经常被当作实验对象，研究它在药物或变化的环境下，其运动频率、运动范围等是否会有所改变。传统的研究方法对动物的监测是靠人为观察，比较浪费时间和人力，而且记录的实验结果也存在人为误差。计算机的飞速发展为监测实验鼠提供了便利，通过计算机结合图像处理技术去分析视频记录，给实验者提供更精准和详细的实验鼠运动信息，同时推动了动物行为学的发展[1～2]。

传统的阈值分割法的难点在于阈值的设置，它是直接影响图像分割的好坏，但阈值很容易受到光照、噪声等影响，这就造成了阈值分割法的效果差，图像目标检测的准确率低，不能推广使用[3]。针对阈值分割法的缺点提出一种新的检测方法，首先对实验鼠图像的灰度进行分析，求得实验鼠图像的梯度图，再提取实验鼠图像的梯度直方图特征，然后结合支持向量机，构建一个图像分类器进行图像目标检测，这种检测方法鲁棒性较强，准确率较高，简单实用。

1 阈值分割法

阈值分割法是将一副图像包括目标、背景和噪声，通过设定某一阈值T将图像分成两部分：大于T的灰度值和小于T的灰度值。阈值分割方法的实验流程图如图1。阈值分割方法大致分为实验鼠图像预处理、图像二值化、形态学闭操作处理和标记轮廓等步骤。图2是阈值设置为90的阈值分割法的示例图，其中第一列为实验鼠原始图像，第二列为二值化图像，第三列为标记轮廓图像，图像中用的红色曲线标记出实验鼠轮廓。由两组示例可知：由于老鼠本身的试验箱底部栅格的反光难以满足光线均匀的要求，这暴露出阈值分割方法的阈值容易受到光照变换、噪声的影响而变动的问题，这导致不能准确标记出实验鼠的位置、可靠性差、很难推广使用等，所以我们要重新选一种新的检测方法。

2 基于梯度特征的实验鼠检测方法的实现

2.1 提出基于梯度特征的实验鼠检测方法

针对阈值分割方法存在的问题—阈值易受光照、噪声的影响而变化，首先通过观察实验鼠和试验箱的特征发现，栅格存在的固定规律的纹理，实验鼠本身则纹理平滑如图3，然后在这个规律的基础上从梯度幅值和梯度方向两个角度出发来选取特征，构建分类器，以达到较好的实验鼠检测效果。新方法实现过程如图4所示。

图1 阈值分割法流程图

图2 阈值分割法示例

图3 实验鼠图像

2.2 特征提取

在微积分中，一维函数的一阶微分可以定义为：

对于灰度图像来说，可以将其看作为一个二维函数f(x,y)，此时其微分采用偏微分来表达：

又由于图像是一个离散的二维函数，ε不能无限小，最小的ε就是相邻两个像素的距离，其值为1。则上述的图像微分可以转换成：

上述所求得gx和gy分别是x方向、y方向的梯度。而梯度幅值一般用绝对值近似表示为：

M(x,y)=|gx|+|gy|

(1)

同理可得像素点的梯度角度为：

(2)

由公式(1)和(2)计算实验鼠图像的梯度图如图5所示，实验鼠正负样本的特征直方图如图6。从图5中的梯度幅值图像和梯度方向图像可以看出，实验鼠整体上梯度均匀。在构建分类器的梯度特征时本文用直方图降低了特征的维数，这样提高对特征图像的数据处理的灵活性和降低对方向的敏感度。

3 实 验

3.1 采集样本

采集实验鼠正负样本，创建实验鼠的训练数据库，数据库的创建至关重要，它直接影响后期建立的分类器模型的好坏。为了提高精准度，正样本的选取是把实验鼠完全包含住，负样本的选取是完全没有实验鼠，采集正负样本的个数分别为100，200。采集的正负样本如图7所示。

图4 基于梯度直方图特征的实验鼠检测方法过程

(a)梯度幅值图像 (b)梯度方向图像

图6 正负样本的特征直方图

3.2 分类器的选择

常用的分类算法有神经网络、SVM和adaboost等，考虑到实验中样本数量较少，此处选取SVM作为检测分类器。SVM擅长处理小样本分类问题，它是建立一个最优决策超平面，使得正负样本到超平面的距离尽可能的远，以达到结构化风险最小化和损失函数之和最小化，使得学习机在数据样本较少的情况下抓住关键样本，也能达到分类目的[4～5]。SVM的最终判别函数不是全部的支持向量共同确定的，而是超平面附近少量的支持向量确定的[6]。这些显示了选用SVM分类器的优点：小样本、算法简单、容错率高具有较好的鲁棒性。其中SVM分类器参数选择如下：

svm_type = CvSVM::C_SVC;

kernel_type = CvSVM::RBF;

C=2.500000;

p=0.000000;

gamma = 0.506250;

param.term_crit = cvTermCriteria(CV_TERMCRIT_EPS, 100, 5e-3);

CvParamGrid nuGrid = CvParamGrid(1,1,0.0);

CvParamGrid coeffGrid = CvParamGrid(1,1,0.0);

CvParamGrid degreeGrid = CvParamGrid(1,1,0.0);

3.3 实验与分析

基于梯度直方图特征的检测方法是在VS2010和OpenCV2.4.11的软件平台下，对实际监控下的实验鼠视频图像进行实验检测的。在图像的检测实验过程中是用比略大一点实验鼠的矩形框遍历原图截取区域，然后提取截取区域特征输入到已经构建好的SVM模型，检测到有实验鼠的区域用红色矩形框显示出来。基于梯度直方图特征的检测方法与阈值分割法实验检测的结果部分图如图8所示。图8中把这两种方法检测的实验结果分为两组，每组四幅图。其中第一组为阈值分割法检测图，第二组为基于梯度直方图特征的实验检测图，对比这两种方法的实验检测图，第一组中只有第二幅图较好的检测出了实验鼠的位置，其它的检测结果或有偏差或检测两个实验鼠。而第二组中都能较准确检测出实验鼠的位置。由此可得结论：

(a)正样本 (b)负样本

基于梯度直方图特征的实验检测部分图

(1)基于实验鼠视频图像检测，选取梯度直方图作为训练特征数据，并利用SVM训练数据建立的分类模型的方法是可行的。

(2)基于梯度直方图特征的实验鼠检测方法比阈值分割法更具有较强的鲁棒性、有效性、准确性。

4 结 论

针对传统的基于图像阈值分割的实验鼠检测方法缺点—阈值的设置易受环境变化的影响而不确定，而导致检测准确率低、难以推广使用等问题，首先从梯度的角度出发构建特征，结合SVM(支持向量机)分类器小样本的优点实现图像目标的检测，并利用直方图降低特征的维数。实验证明实验鼠图像的梯度直方图特征检测是可行的，并且比阈值分割法更有效，适应性更广。