视觉图像背景多目标反馈信息自动识别仿真

向 曼

(上海大学数码艺术学院，上海 201800)

1 引言

视觉图像是一类快速移动的图像，背景目标识别技术已经成为人们所关注的焦点，背景信息分割目标无效特征的存在使得背景提取无效的现象，导致目标信息识别准确率低、识别结果不完整，因此，如何高效识别视觉图像背景，是现在相关研究领域的重要挑战之一。

文献[1]分析图像背景区域内灰度的统计特性，对视觉图像背景区域进行统计特性拟合，建造图像背景区域模型，使用Kolmogorov距离误差测评对视觉图像背景进行识别。但该方法在建造背景区域模型的过程中较为粗略，导致识别图像背景时会出现识别不完整现象。文献[2]提出非接触指纹图像识别算法，构建图像背景模型，将模型中的Cb分量和Otsu法结合，使用高频强调滤波与迭代自适应直方图，增强处理图像背景，提取图像背景特征，识别出视觉图像的背景反馈信息。该方法存在两次增强，导致识别图像背景的效率较低。文献[3]提出了一种基于机器视觉的实时动态多目标识别的方法。该方法首先根据前后帧之间像素的变化，分割出运动目标和样本图像，然后使用Gabor滤波器提取图像的特征，得到特征向量。最后使用Fisher判别准则分类识别，将得到的分类识别结果自动标注在输出图像中，并且将其连续输出。上述方法在特定的视觉图像中有着较好的识别效果，但是视觉图像种类较多，大多数图像背景无法使用卡尔曼滤波预测和均值漂移思想，导致该方法在识别图像背景中受到类型限制较严重。

针对上述问题，本文提出一种视觉图像背景多目标反馈信息自动识别。通过归一化处理背景目标跟踪与反馈信息，分类视觉图像目标，提取多目标分割阈值，从而实现反馈信息自动识别。旨在达到有效提取信息分割阈值，在分割以后的图像区域有效判别提取背景，准确识别图像背景多目标反馈信息。

2 整幅视觉图像多目标反馈信息分割阈值提取

2.1 背景目标跟踪与反馈信息归一化处理

针对新目标的判断，若运动的目标在进入监控场景后，需要检测出与其相应区域没有任何目标模板对应，就可以判定该区域内有新的运动目标出现，为此，需要建立一个与新目标所相应的临时模板信息进行跟踪。在对运动目标的跟踪过程中，提取运动目标的位置信息和颜色等特征，识别运动目标信息[4]。

图像中的目标离开场景区域时进行判断，考虑两种情况，一是目标本身运动出监控的区域，假如运动目标的矩形框触碰到了监控的范围，同样可以放弃对目标的跟踪；二是跟踪的目标没有运动出监控的范围，不过在较长的时间里被判定为目标丢失的情况，出现这种情况，就需要考虑此目标相对的模板信息[5]。

在实际的监控场景中，其运动目标在临近两帧之间的距离相对较小，之后利用矩阵框的中心为跟踪特征。将Po，i(xi，yi)设为第i个所检测至区域中心的坐标，Pd，j(xj，yj)代表第j个所检测至区域中心的坐标，计算两个坐标的欧式距离d：

(1)

若d小于阈值Th，初步判定第i个小目标与第j个区域很有可能是相似的目标[6]。目标连续跟踪的帧数在达到给定阈值时，则可以判定为场景区域中的真实目标，否则就是虚假目标，应当放弃跟踪，并且与要将目标所相对应的模板信息进行清除。

对于目标丢失判断，假如某个运动目标并没有与任何所检测到的运动区域进行匹配，则可以认为该目标是因为处于特殊场景才致使没有被检测到，这时候可以认为该目标已经丢失，则需要暂时停止跟踪，若目标一直被判定为丢失，其帧数到达给定的帧数时，就可以确认目标丢失[7]。

在其初步判定之后，计算相应的多目标模板区域和检测区域的颜色直方图。利用视觉一致性的HSV颜色空间，提取出S分量和H分量，并且将H分量分成30个小空间，S分量分成6个小空间，提取目标图像中的像素点，统计各空间像素点数量，得到所有颜色的直方图hist函数。

(2)

基于颜色直方图hist函数，归一化处理图像背景多目标反馈信息，其公式为

(3)

式中：hist1、hist2分别代表目标模板区域与检测区域的颜色直方图，而B代表两个直方图之间的巴氏距离，B越小，两个颜色之间的直方图相似程度就越高；反之，直方图相似程度越小[8]。

2.2 视觉图像目标分类

第一层分类器所检测出的是背景目标，分为行人与车辆两种类型，而第二层则是分类器将第一层分类器所识别出来的行人进一步分为静止行人与车辆，运动行人与车辆两种。

相对于第一层分类器，在提取出背景目标以后，将轮廓面积ConArea作为分类判断因子，计算离散度Dispersion，其公式表达式为

(4)

AspectRation=RHeight/RWidth

(5)

式中：CLength是轮廓的周长，RWidth和RHeight分别代表目标轮廓矩形的高和宽，AspectRation表示目标轮廓拟合的矩形长宽比。

对于第二层分类器，背景检测后提取目标，引入参数静止帧数sCount且初始化为零，需要判断所有的真实目标两帧之间的距离，如果两帧之间的距离阈值d小于静止距离的阈值Th，即可以定义为此目标是静止的，sCount加1；假如连续静止的帧数sCount>15，即可以说明该目标是运动的。该方法能够识别出行人从静止到运动的状态，并且成功的对目标消失以及新目标的出现进行有效并正确的处理[9]。

2.3 多目标分割阈值提取

图像分析处理过程，就是指图像中某些特定的性质区域。这些区域被称为目标，而其它区域则被称为背景。阈值的选取是阈值分割的关键技术。如果阈值的选择过高，那么过多的目标点将会被误以为是背景；反之，阈值选择过低，那么会出现一些相反的现象。因此，为了对目标区域进行识别分析，需要提取区域背景阈值。

阈值法是比较常用的一种图像分割算法，原理算法如下：将原始灰度图像设为f(x，y)，以一定的准则在f(x，y)中找出一个灰度值Th视为阈值。把图像分割成两部分，即分割后的二值图像g(x，y)为

g(x，y)=Thf(x，y)

(6)

采用局部阈值法，通过图像像素灰度与图像像素周围局部灰度的特性来确认像素的阈值。对目标的大小与像素灰度值不同的图像均可以产生较好的分割效果，尤其在分割多目标时，其原理如下。

图像的灰度值范围时1～L，先将图像的全部像素分成两个大组：集灰度的范围是(1，2，…，k)的一组与灰度范围为(k+1，k+2，…，k)的一组，其概率如下

(7)

式中：ni代表为第i个像素点；N代表整个图像的像素点；Pi代表像素点i出现的频率；ω(k)代表像素点i出现的频率总和。

整幅视觉图像的分割阈值提取公式为

(8)

两大组之间的方差为

σ2(Th)=ω0(Th)μ0+ω1(Th)μ1

(9)

式中：μ0与μ1分别是两大组的各自平均灰度值，当灰度从I增长至L时，计算出所有的σ2(Th)，寻找出使σ2(Th)达到最大值的Th值，这一灰度值就是需要寻找的阈值。

图1 多目标反馈信息分割流程图

针对图像背景区域在初始化后，都需要进行背景的提取，然后跟踪达到轮廓阈值的真实背景目标，其跟踪目标的过程中，需要先对目标分类。对于运动目标，直接按照初始图像和背景进行更新，而对于不确定是否会运动的目标，则需要利用同一目标的中心点距离对目标进行判断是否静止，而对于非静止的目标区域，既需要通过初始的参数更新高斯模型，而对于静止目标，需要通过零学习率来进行更新，利用这种控制方法融入背景。针对于不同的目标，要利用不同的更新率，才可以防止需要检测的目标背景融入背景中[10]。

3 视觉图像背景多目标反馈信息自动识别

视觉图像运动区域和背景区域二者所采用的更新策略是相同的，统称为其它区域。不过图像中的静止区域，将其学习率归置零，对该区域的背景融入进行控制[11]，具体的方法如图2所示。

图2 测量直角坐标系下目标运动轨迹

在分割以后的图像区域可以有效判别提取背景，即：当图像目标区域处于边缘或者是已经被截取的情况下，这样的目标特征是不完整的，所以须判定为无效。使用标志目标基本为圆形或者是椭圆形，并依据目标的基本判断：目标区域的周长、面积以及紧凑度。

图像背景多目标反馈信息自动识别通过下列步骤进行计算的：

1)利用隔行扫描的八邻域编码边界跟踪方法，构建其目标区域的周长链码描写；

通过上述步骤，获取目标识别参数，完成视觉图像背景多目标反馈信息自动识别。

4 实验证明

4.1 实验参数设置

为了验证所提方法的有效性，进行仿真实验。图像组为某监控区域严格配准的前后聚焦图像。实验参数设置如表1所示。

表1 实验参数设置

将测量直角坐标系下的目标运动轨迹变换至测量极坐标系下，由此得到目标的距离、方位和俯仰角度，这些数据作为目标测量真值数据被保存，如图2所示。

4.2 实验结果分析

为了验证多目标反馈信息自动识别效果，结果如图3所示。

图3 背景识别结果分析

通过上图能够看出，本文方法进行识别过后的图像背景，并没用出现细节丢失现象，同样对多个目标的识别较为全面，通过两者比较之下，说明本方法要优于传统方法，更加具有有效性。

由图4可以看出，目标的局部背景比较简单，经过背景阈值分割后，在分割以后的图像区域可以有效提取背景。

图4 图像背景多目标反馈信息背景分割结果

由图5可以看出，本文方法对局部区域灰度特征突出的目标能取得很好的分割效果，特别是在有遮挡的情况下，经过对局部区间两次迭代分割后，杂物背景均被有效分割出去。

图5 直方图结果分析

为了进一步验证视觉图像背景多目标反馈信息自动识别准确度，进行仿真，具体结果如图6所示。统计50次实验的误差均方根来衡量，即

(10)

采样周期T设置为0.01s和0.05s，得到误差均方根曲线如图6所示。

图6 滤波估计误差结果分析

与图2的运动轨迹对应起来可以发现，误差增大的地方是在角运动轨迹拐弯变化明显之处，在采样周期比较大的情形下模型的准确性对滤波精度具有较大的影响。主要原因在于本文方法在有效提取视觉图像分割阈值的基础上，完成视觉图像背景多目标反馈信息自动识别，提高了识别准确度。

5 结束语

在科技时代，人工智能已经成为主流项目，所以图像识别技术，就顺应而生，传统图像识别技术，是针对图像目标进行识别，而本文所研究的是，图像背景多目标信息反馈识别，通过背景建模来对图像中的运动目标或者已经静止目标进行跟踪和反馈，之后将图像分割，最后使用特征计算法对分割后的图像进行计算，从而达到多目标反馈信息有效识别的目的。此方法可以应用于许多领域，来完成一些高难度的工作。所以受到广泛的关注，使图像背景识别的技术更加的完善。