楊彩霖

(西安廣播電視大學(xué) 理工教學(xué)部， 陜西 西安 710002)

0 引言

伴隨圖像、圖形處理技術(shù)、計(jì)算機(jī)視覺技術(shù)的不斷發(fā)展，會(huì)產(chǎn)生大量運(yùn)動(dòng)視頻數(shù)據(jù)，對(duì)這些運(yùn)動(dòng)視頻數(shù)據(jù)進(jìn)行充分利用，具有十分重要的實(shí)際應(yīng)用價(jià)值，如：目標(biāo)檢測(cè)、運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤等[1-2]。運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤可以幫助人們對(duì)運(yùn)動(dòng)軌跡進(jìn)行描述，可以對(duì)運(yùn)動(dòng)目標(biāo)行為進(jìn)行理解，因此運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤成為當(dāng)前計(jì)算機(jī)視覺研究領(lǐng)域的一個(gè)熱點(diǎn)問題[3-5]。

針對(duì)運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤問題，人們投入了大量的時(shí)間進(jìn)行了深入、廣泛的研究，當(dāng)前存在許多運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤方法[6]。當(dāng)前運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤技術(shù)可以劃分為兩類，一類基于硬件的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤方法，如基于嵌入系統(tǒng)，該類方法的運(yùn)動(dòng)圖像關(guān)鍵幀不但跟蹤速度快，而且精度比較高，但是運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤成本高，且通用性差，因此實(shí)際應(yīng)用價(jià)值不高[7-9]；另一類基于軟件的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤技術(shù)，主要有：語義模型的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤方法，高斯混合模型的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤方法，該類方法的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤成本低，對(duì)環(huán)境要求高，通用性好，成為當(dāng)前運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤的主要研究方向[10-12]。在實(shí)際應(yīng)用中，這些運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤的方法還存在各種不足，主要體現(xiàn)在運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤的錯(cuò)誤率高、運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤速度慢，無法對(duì)運(yùn)動(dòng)圖像關(guān)鍵幀進(jìn)行在線、實(shí)時(shí)跟蹤。

針對(duì)當(dāng)前運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤中存在的問題，以獲得更加理想的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤結(jié)果為目標(biāo)，提出了一種基于自適應(yīng)無監(jiān)督聚類算法的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤方法，采用聚類算法根據(jù)特征對(duì)運(yùn)動(dòng)圖像關(guān)鍵幀進(jìn)行分類，采用自適應(yīng)無監(jiān)督學(xué)習(xí)算法對(duì)運(yùn)動(dòng)圖像關(guān)鍵幀進(jìn)行跟蹤，仿真對(duì)比結(jié)果表明，本文方法獲得了理想的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤效果，運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤誤差要遠(yuǎn)遠(yuǎn)小于其它運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤方法，改善了運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤效率，對(duì)比結(jié)果驗(yàn)證了自適應(yīng)無監(jiān)督聚類算法的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤有效性和優(yōu)越性。

1 自適應(yīng)無監(jiān)督聚類算法的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤方法

1.1 運(yùn)動(dòng)視頻采集以及分幀處理

運(yùn)動(dòng)視頻圖像采集是自適應(yīng)無監(jiān)督聚類算法的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤的第一步，本文采用高清數(shù)字機(jī)芯作為視頻信號(hào)源，然后采用視頻信號(hào)處理模塊對(duì)運(yùn)動(dòng)視頻圖像進(jìn)行采集和存儲(chǔ)，最后將運(yùn)動(dòng)視頻圖像輸出到終端。由于運(yùn)動(dòng)視頻由許多幀圖像組成，使得運(yùn)動(dòng)視頻圖像之間有大量的信息冗余，因此本文通過對(duì)運(yùn)動(dòng)視頻圖像進(jìn)行分幀處理，提取運(yùn)動(dòng)圖像關(guān)鍵幀，將其它運(yùn)動(dòng)圖像幀去除，以加快運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤速度。

1.2 提取運(yùn)動(dòng)圖像關(guān)鍵幀的特征向量

1.2.1 運(yùn)動(dòng)圖像關(guān)鍵幀的矢量場(chǎng)特征

對(duì)于一個(gè)運(yùn)動(dòng)圖像關(guān)鍵幀，將其劃為多個(gè)子塊，如圖1所示。

圖1 運(yùn)動(dòng)圖像關(guān)鍵幀的分塊

設(shè)第C個(gè)子塊的運(yùn)動(dòng)圖像關(guān)鍵幀強(qiáng)度為ρ，其x和y方向的分量分別為Cx和Cy，θ表示運(yùn)動(dòng)圖像關(guān)鍵幀矢量的方向，如式(1)。

(1)

運(yùn)動(dòng)視頻圖像的關(guān)鍵幀根據(jù)時(shí)間前后進(jìn)行排列，那么可以得到直方圖計(jì)算公式，如式(2)。

(2)

對(duì)x和y方向上的期望和方差進(jìn)行評(píng)估，如式(3)。

(3)

1.2.2 提取運(yùn)動(dòng)圖像關(guān)鍵幀的顏色特征

pij表示運(yùn)動(dòng)圖像關(guān)鍵幀中第j個(gè)像素、第i個(gè)顏色分量，那么顏色分量1～3階矩陣重計(jì)算公式，如式(4)—式(6)。

(4)

(5)

(6)

1.3 運(yùn)動(dòng)圖像關(guān)鍵幀的聚類分析算法

模糊C均值聚類分析算法通過隸屬度劃分每個(gè)數(shù)據(jù)點(diǎn)的歸屬類型，共有c類，第i類的聚類中心為ci，uij表示第i個(gè)數(shù)據(jù)點(diǎn)(xi)屬于第j類的隸屬度值，U表示隸屬度矩陣，所有數(shù)據(jù)的隸屬度的和應(yīng)該為1，如式(7)。

(7)

模糊C均值聚類分析算法標(biāo)函數(shù)，如式(8)。

(8)

式中，dij表示ci與xj間的距離；m表示模糊加權(quán)指數(shù)。

引入拉格朗日乘子λi，i=1,2,…，n，建立新的目標(biāo)函數(shù)，如式(9)。

J(U,c1,…,cc,λ1,…,λn)=

(9)

對(duì)聚類中心和隸屬度值進(jìn)行求解，如式(10)、式(11)。

(10)

(11)

模糊C均值聚類分析算法根據(jù)運(yùn)動(dòng)圖像關(guān)鍵幀特征，對(duì)分幀后的運(yùn)動(dòng)圖像進(jìn)行分析，將運(yùn)動(dòng)圖像關(guān)鍵幀劃分為不同類別，便于對(duì)后續(xù)的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤操作，如圖2所示。

圖2 運(yùn)動(dòng)圖像關(guān)鍵幀的聚類分析流程

1.4 自適應(yīng)無監(jiān)督算法的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤

RBF神經(jīng)網(wǎng)絡(luò)是一種自適應(yīng)無監(jiān)督算法，其具有良好的擬合能力，因此本文選擇其對(duì)運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤進(jìn)行建模研究。RBF網(wǎng)絡(luò)結(jié)構(gòu)，如圖3所示。

圖3 RBF神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)

輸入向量即為運(yùn)動(dòng)圖像關(guān)鍵幀特征向量集合：x=(x1,x2,…,xn)；y=(y1,y2, …,yp)為運(yùn)動(dòng)圖像關(guān)鍵幀變化值；RBF神經(jīng)網(wǎng)絡(luò)采用高斯函數(shù)擬合運(yùn)動(dòng)圖像關(guān)鍵幀變化軌跡，高斯函數(shù)定義，如式(12)。

(12)

RBF神經(jīng)網(wǎng)絡(luò)的輸出值，如式(13)。

(13)

RBF神經(jīng)網(wǎng)絡(luò)根據(jù)運(yùn)動(dòng)圖像關(guān)鍵幀特征向量集合對(duì)運(yùn)動(dòng)圖像關(guān)鍵幀變化特點(diǎn)進(jìn)行分析，得到運(yùn)動(dòng)圖像關(guān)鍵幀變化值，從而根據(jù)運(yùn)動(dòng)圖像關(guān)鍵幀值實(shí)現(xiàn)運(yùn)動(dòng)圖像關(guān)鍵幀的跟蹤。

2 仿真實(shí)驗(yàn)

2.1 實(shí)驗(yàn)環(huán)境

為了測(cè)試自適應(yīng)無監(jiān)督聚類算法的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤性能，對(duì)其進(jìn)行仿真測(cè)試實(shí)驗(yàn)，仿真測(cè)試的實(shí)驗(yàn)環(huán)境，如表1所示。

表1 運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤的實(shí)驗(yàn)環(huán)境

2.2 實(shí)驗(yàn)對(duì)象

為了使自適應(yīng)無監(jiān)督聚類算法的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤結(jié)果更具說服力，選擇5類運(yùn)動(dòng)圖像作為實(shí)驗(yàn)對(duì)象，每一類運(yùn)動(dòng)圖像的數(shù)量，如表2所示。

表2 運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤的實(shí)驗(yàn)對(duì)象

2.3 運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤精度對(duì)比

為了使自適應(yīng)無監(jiān)督聚類算法的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤結(jié)果具有可比性，選擇語義模型的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤方法，高斯混合模型的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤方法進(jìn)行比實(shí)驗(yàn)，統(tǒng)計(jì)它們對(duì)5類運(yùn)動(dòng)圖像關(guān)鍵幀的跟蹤精度，如圖4所示。

圖4 不同方法的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤精度對(duì)比

對(duì)圖4的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤精度進(jìn)行對(duì)比分析可以發(fā)現(xiàn)，自適應(yīng)無監(jiān)督聚類算法的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤精度最高，其次為高斯混合模型的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤方法，運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤精度最低者為語義模型，對(duì)比結(jié)果證明了自適應(yīng)無監(jiān)督聚類算法可以對(duì)運(yùn)動(dòng)圖像關(guān)鍵幀進(jìn)行準(zhǔn)確跟蹤，獲得了理想的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤結(jié)果。

2.4 運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤精度對(duì)比

統(tǒng)計(jì)3種方法對(duì)5類運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤時(shí)間，如圖5所示。

圖5 不同方法的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤時(shí)間對(duì)比

對(duì)圖5的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤時(shí)間進(jìn)行對(duì)比分析可知，自適應(yīng)無監(jiān)督聚類算法的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤時(shí)間要少于高斯混合模型和語義模型，對(duì)比結(jié)果證明了自適應(yīng)無監(jiān)督聚類算法加快了運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤速度，可以對(duì)運(yùn)動(dòng)圖像關(guān)鍵幀進(jìn)行實(shí)時(shí)跟蹤，具有更高的實(shí)際應(yīng)用值。

3 總結(jié)

針對(duì)當(dāng)前運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤方法存在的不足，以提高運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤精度為目標(biāo)，提出自適應(yīng)無監(jiān)督聚類算法的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤方法，并與其它運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤方法進(jìn)行了對(duì)比測(cè)試，結(jié)果表明，本文方法的運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤精度明顯高于對(duì)比方法，且運(yùn)動(dòng)圖像關(guān)鍵幀跟蹤速度更快，具有十分廣泛的應(yīng)用前景。