数字化图像动态目标搜索眼动特征增强仿真

郝 淼，倪泰乐

(西华大学，四川 成都 610000)

1 引言

计算机网络技术和多媒体技术近年来不断发展，图像的数量越来越多，需要处理和接收的图像数量非常庞大。在此背景下，亟需一种数字化图像目标搜索算法优化海量图像的处理速度。但是，由于图像特征具有差异性和不规则性，其搜索难度较大。特征增强可以提高数字化图像目标搜索的精度和效率，因此特征增强是目前图像搜索和分类亟需解决的问题。

孙元辉等人通过形状、大小不同的卷积核获取特征，融合处理所提取的特征，修改卷积网络结构，利用改进后的卷积网络处理融合后的特征，并将其输入单步目标检测器中，实现图像目标搜索，该算法没有对特征增强处理，目标搜索结果的平均查准率低、虚警率高。史文旭等人将特征提取模块引入SSD的金字塔特征层中，提高特征提取能力，融合处理提取的特征，匹配候选框与提取的特征，实现图像目标搜索，该算法对目标进行搜索时，存在目标搜索概率低的问题。刘胜昔等人计算图像的局部相位特征和局部幅值特征，对像素在图像中的局部关联性实现增强处理，设定加权系数，加权融合处理相位特征和幅值特征，利用融合后的特征完成图像目标搜索，该算法搜索目标所用的时间较长，存在搜索效率低的问题。

为了解决上述算法中存在的问题，提出数字化图像目标搜索眼动特征增强算法。

2 眼动特征提取

利用眼动特征对目标观测时至少需要两个成对的电极才可以获得电势信号。目前的临床医疗水平还无法直接采集与记录眼球运动过程中生成的静息电势，一般情况下都是将电极传感器与皮肤组织接触，以此来获取眼动信号。合理分析和处理眼动跟踪数据，可优化其在数字化图像目标搜索中的应用。目前常用的眼动跟踪数据处理方法包括三维空间法、扫描路径法、感兴趣区法和热点图法。数字化图像目标搜索眼动特征增强算法采用热点图方法在数字化图像目标搜索过程中获取眼动跟踪数据的特征。

用二维色彩图像描述热点图获取的眼动跟踪数据，映射处理扫描路径、注视持续时间和注视点个数等数据，将其转变为透明度、颜色等可视化参数

(1)

式中，表示热点图中存在的第个注视点对应的像素累计透明度；表示第个注视点在处理过程中的持续时间；表示附近像素受注视点影响的最大半径；表示注视点在热点图完全透明状态下对应的最小持续时间；表示第个注视点与像素之间存在的距离；表示不透明指数。累计透明度在区间[0，1]内取值，通过上述分析可知注视时间可利用“蓝-绿-黄-红”的颜色映射得以表示，当时间较短时对应的颜色为偏冷色，当时间较长时，对应的颜色为偏暖色。

在热点图的基础上提取眼动特征的具体过程如下：

1)颜色特征

为了满足人眼的感知特点，用颜色模型代替热点图模式，其中∈[0，1]表示亮度；∈[0，1]表示饱和度；∈[0，360]表示色度。亮度和饱和度在眼动热点图中不存在区分性，都是统一的，因此颜色特征可以直接选取色度值，设表示色度平均值，其计算公式如下

(2)

式中，表示第个像素点在眼动热点图中的色度值；表示像素在热点图中的数量。

2)灰度直方图

数字化图像目标搜索眼动特征增强算法通过灰度直方图特征提取方法处理热点图，获取热点图中存在的细节信息，灰度直方图()的表达式如下

(3)

式中，=0，1，…，-1表示灰度级；灰度级类别数量用描述；表示灰度级为的像素在热点图中的总数。

在灰度直方图的基础上获取眼动特征：

3 眼动特征增强

数字化图像目标搜索眼动特征增强算法通过量子遗传算法筛选上述过程中提取的眼动特征，实现眼动特征的增强。

1)量子比特编码

利用当前遗传算法对特征进行选择时，特征被选中和未选中对应的编码二进制状态分别为1和0。数字化图像目标搜索眼动特征增强算法通过量子比特编码选择眼动特征，具体编码过程可通过下式描述

(4)

式中，(，)表示概率幅，通常情况下符合||+||=1，其中||表示量子比特状态为1时对应的概率，||表示量子比特状态为0时对应的概率。=(，)表示编码染色体；表示染色体中存在的第个基因。

2)量子观测算子

某一特征被选择的概率可通过量子比特编码获得，量子比特在特征选择过程中会转变为二进制状态的0，1，可通过下述公式描述上述观测过程

(5)

其中，=1，2，…，，为随机数，在区间[0，1]内取值，当的值为0时，表明没有选中第个基因，当的值为1时，表明选中了第个基因。

3)适应度函数

染色体的有效性可通过适应度函数进行评价，图像的特征组合对应着基因在染色体内的状态，为了准确的实现数字化图像目标搜索，用图像搜索准确率定义适应度函数()

(6)

式中，表示数字化图像的数目；()表示正确搜索图像的数量。

特征初选节点即为特征分类阶段，可通过分类器实现

(7)

4)基因变异及量子旋转门改进

利用量子旋转门在量子遗传算法中实现染色体的进化，算法的收敛性能直接受量子旋转门的影响，通过下式更新染色体

(8)

=(，)×Δ

(9)

式中，(，)对旋转方向进行控制；Δ对旋转角度进行控制。

对Δ与适应度值和进化代数之间的关系进行考虑，数字化图像目标搜索眼动特征增强算法对量子旋转门进行改进，将适应度函数(·)和进化代数引入新的旋转门中，通过下式计算改进后的旋转角度

(10)

式中，()表示当前染色体对应的适应度；表示当前进化代数；()表示最佳染色体对应的适应度；表示最大进化代数。

5)量子交叉算子

通过量子交叉操作避免早熟现象的发生。

采用量子遗传算法增强眼动特征的具体过程如下：

1)输入眼动特征向量，将其划分为两个部分，分别用来测试和训练；

2)对种群和进化代数进行初始化处理，={，，…，}，=0；

3)观测初始种群，设置初始观测算子={，，…，}，在此基础上选取眼动特征组合；

4)通过分类器对特征集进行训练，建立学习模型，并建立适应度函数()，根据搜索准确率选取最佳染色体对应的基因位；

5)更新染色体，设置观测算子，对染色体进行量子交叉操作；

6)利用决策函数跟踪眼动特征

线性判别函数的表达式为()=+，其中为分类阈值；为向量权重。用描述超平面与样本点之间存在的距离，可通过下式计算得到

=(+)=|()|

(11)

归一化处理间隔，获得几何间隔

(12)

求取最小‖‖问题可以转变为求取最大化几何间隔问题，设置约束条件(+)≥1，用极值问题描述线性分类问题

(13)

根据上述线性分类问题建立Lagrange方程

(14)

式中，表示拉格朗日乘子。

(15)

7)输出被选中的特征，完成眼动特征增强。

4 实验与分析

为验证数字化图像目标搜索眼动特征增强算法的整体有效性，需要对数字化图像目标搜索眼动特征增强算法进行测试。

将平均查准率作为指标对本研究提出的数字化图像目标搜索眼动特征增强算法、文献[3]算法和文献[4]算法完成测试，平均查准率越高，表明算法提取的特征越精准，平均查准率测试结果如图1所示。

图1 平均查准率测试结果

分析图1可知，随着图像数量的增加，所提方法平均查准率略微下降，但均保持在80以上；文献[3]算法和文献[4]算法在不同图像数量下的平均查准率均低于所提算法；通过上述分析可知，所提算法的平均查准率最高，表明所提算法的眼动特征增强效果好。

将虚警率和目标搜索概率作为指标对所提算法、文献[3]算法和文献[4]算法的有效性进行测试。

虚警率的计算公式如下

(16)

式中，表示目标数量；表示正确搜索的目标数量。

三种算法的虚警率测试结果如图2所示：

图2 虚警率测试结果

目标搜索概率的计算公式如下：

(17)

式中，表示目标真实数量。

三种算法的目标搜索概率如图3所示。

图3 图像目标搜索概率测试结果

根据图2和图3中的数据可知，在多次迭代中所提算法的虚警率均低于文献[3]算法和文献[4]算法，目标搜索概率均高于文献[3]算法和文献[4]算法，表明所提算法在数字化图像目标搜索过程中的性能高，主要是因为所提算法对提取的眼动特征进行了增强处理，利用增强后的眼动特征实现数字化图像的目标搜索，降低了算法的虚警率，提高了算法的目标搜索概率。

为了进一步验证数字化图像目标搜索眼动特征增强算法的整体有效性，对比眼动特征增强前后算法的搜索时间，测试结果如表1所示。

表1 搜索时间测试结果

对表1中的数据进行分析可知，在相同图像数量下，眼动特征增强后的目标搜索时间远远低于眼动特征增强前的目标搜索时间，表明增强眼动特征可减少数字化图像目标搜索所用的时间，验证了数字化图像目标搜索眼动特征增强算法的整体有效性。

5 结束语

在计算机视觉领域中目标搜索属于重要研究方向之一，在现实生活中目标搜索技术被广泛的应用在智能监控系统、水下目标检测和无人驾驶等领域中，具有重要作用。目前数字化图像目标搜索算法存在平均查准率低、虚警率高、目标搜索概率低和搜索效率低问题，提出数字化图像目标搜索眼动特征增强算法，在数字化图像目标搜索之前对提取的眼动特征进行了增强处理，解决了目前算法中存在的问题，为数字化图像目标搜索技术的发展奠定了基础。