基于水平集活動(dòng)輪廓模型的紅外人體目標(biāo)分割方法研究.pdf

1、近年來(lái),由于紅外人體目標(biāo)檢測(cè)技術(shù)在智能視頻監(jiān)控、高級(jí)人機(jī)接口、機(jī)器人視覺(jué)等領(lǐng)域有著的廣泛應(yīng)用前景和潛在的經(jīng)濟(jì)價(jià)值,它已成為計(jì)算機(jī)視覺(jué)領(lǐng)域的一項(xiàng)重要研究?jī)?nèi)容。圖像分割是紅外人體目標(biāo)檢測(cè)技術(shù)中需要解決的一個(gè)基礎(chǔ)性問(wèn)題,是實(shí)現(xiàn)人體識(shí)別、行為理解等高層應(yīng)用的前提。盡管近年來(lái)出現(xiàn)了若干有效方法,但由于紅外成像質(zhì)量差、人體特征變化大、應(yīng)用場(chǎng)景復(fù)雜多變以及檢測(cè)系統(tǒng)對(duì)算法性能要求嚴(yán)苛等因素,尋求具備良好分割精度、實(shí)時(shí)性和魯棒性的分割方法仍具有相當(dāng)挑戰(zhàn)性

2、。在充分調(diào)研現(xiàn)有方法的基礎(chǔ)上,論文將水平集活動(dòng)輪廓模型(Level Set Based Active Contour,LSAC)引入紅外人體目標(biāo)檢測(cè)這一全新應(yīng)用領(lǐng)域,利用它在圖像分割方面的獨(dú)特優(yōu)勢(shì)解決紅外人體目標(biāo)的分割問(wèn)題。首先將紅外人體目標(biāo)檢測(cè)系統(tǒng)中使用的紅外圖像按時(shí)域特征劃分為三類(lèi),然后在分析其中各類(lèi)圖像特點(diǎn)以及影響分割質(zhì)量的主要因素的基礎(chǔ)上,將LSAC模型實(shí)現(xiàn)圖像分割的基本思想分別與模糊集理論、背景相減以及閾值分割技術(shù)相融合,由此

3、提出了一系列新的圖像分割方法。在此過(guò)程中,從能量泛函的建立、數(shù)值算法的設(shè)計(jì)與選用兩項(xiàng)LSAC模型的關(guān)鍵技術(shù)著力,結(jié)合對(duì)算法流程進(jìn)行優(yōu)化等手段,使它們具備了較現(xiàn)有典型方法更為優(yōu)越的分割精度、運(yùn)行效率以及魯棒性。
　　論文取得的主要研究成果如下:
　　(1)靜態(tài)紅外圖像中較強(qiáng)的模糊性和人體灰度的非勻質(zhì)性嚴(yán)重制約著對(duì)其中人體目標(biāo)的分割質(zhì)量。通過(guò)將模糊集理論在模糊信息處理方面的優(yōu)勢(shì)以及局部化LSAC模型在處理非勻質(zhì)圖像方面的特長(zhǎng)相結(jié)

4、合,提出了一種基于圖像局部模糊信息的水平集活動(dòng)輪廓模型(Local Fuzziness based LSAC,LFB-LSAC),有效克服了兩因素對(duì)分割質(zhì)量的影響。同時(shí),提出了一種以窄帶演化與直接極小化技術(shù)為基礎(chǔ)的快速數(shù)值算法,實(shí)現(xiàn)了對(duì)LFB-LSAC模型的快速求解,避免了典型局部化LSAC模型運(yùn)行效率低下的缺點(diǎn)以及基于全局模糊信息模型所輸出輪廓曲線(xiàn)可能不連續(xù)的不足。實(shí)驗(yàn)結(jié)果表明了該模型在分割精度以及運(yùn)行效率方面的優(yōu)勢(shì)。
　　(2

5、)面向背景相對(duì)靜止紅外序列圖像中人體目標(biāo)的分割問(wèn)題,提出了一種基于背景相減的實(shí)時(shí)水平集活動(dòng)輪廓模型(Real-Time Background Subtraction based LSAC,RT-BSLSAC),并針對(duì)其缺陷提出了一種改進(jìn)模型。RT-BSLSAC模型從連續(xù)多幅相鄰幀圖像中提取時(shí)空聯(lián)合信息構(gòu)造能量泛函,從而有效抑制了噪聲,獲得了良好的前景檢測(cè)精度。采用結(jié)合了二值水平集函數(shù)(Binary Level Set Function,

6、BLSF)和Gaussian濾波的數(shù)值算法極小化此能量泛函,實(shí)現(xiàn)了對(duì)模型的快速求解。此外,背景更新過(guò)程獨(dú)立于能量泛函,模型可通過(guò)對(duì)背景更新策略的靈活配置,更好適應(yīng)場(chǎng)景變化。測(cè)試表明,RT-BSLSAC模型具備良好分割精度以及實(shí)時(shí)性。
　　RT-BSLSAC模型的分割結(jié)果容易受水平集函數(shù)初始取值的影響,若對(duì)該初始條件設(shè)置不當(dāng)可能造成圖像分割質(zhì)量降低或完全失敗。此外,還由于缺乏對(duì)目標(biāo)邊緣的直接檢測(cè),它對(duì)人體輪廓的定位可能不夠準(zhǔn)確。改進(jìn)

7、模型借助邊緣停止函數(shù)實(shí)現(xiàn)了對(duì)圖像邊緣的直接檢測(cè),提高了對(duì)人體輪廓的定位精度,采用全變分范數(shù)對(duì)偶公式搜索模型全局解,避免初始條件選擇不當(dāng)對(duì)分割精度的影響。實(shí)驗(yàn)結(jié)果表明,改進(jìn)模型以犧牲一定運(yùn)行效率為代價(jià)提高了分割精度并獲得了對(duì)初始條件的魯棒性。
　　(3)在移動(dòng)紅外人體目標(biāo)檢測(cè)系統(tǒng)中,序列圖像的背景特征會(huì)隨著系統(tǒng)平臺(tái)的運(yùn)動(dòng)狀態(tài)發(fā)生變化。針對(duì)這類(lèi)背景可能靜止也可能較快移動(dòng)的序列圖像,提出了一種基于運(yùn)動(dòng)檢測(cè)和靜態(tài)檢測(cè)相融合的分割方法。克服

8、了基于背景固定假設(shè)運(yùn)動(dòng)分割方法不能處理背景運(yùn)動(dòng)序列圖像的不足,也避免了靜態(tài)分割方法容易產(chǎn)生虛假前景和人體破碎的問(wèn)題。該方法包含運(yùn)動(dòng)檢測(cè)模塊、靜態(tài)檢測(cè)模塊以及融合模塊,其中前兩個(gè)模塊均為L(zhǎng)SAC模型。運(yùn)動(dòng)檢測(cè)模塊能夠在前景檢測(cè)的同時(shí)實(shí)現(xiàn)背景更新,它實(shí)現(xiàn)了對(duì)序列圖像中所有運(yùn)動(dòng)區(qū)域的檢測(cè)。靜態(tài)檢測(cè)模塊能夠分割出灰度在指定范圍內(nèi)的圖像區(qū)域,它用于檢測(cè)序列圖像中可能為人體的全部區(qū)域。融合模塊基于形態(tài)學(xué)開(kāi)重建技術(shù)實(shí)現(xiàn)了對(duì)LSAC模塊輸出結(jié)果的融合,

9、抑制了分割結(jié)果中的噪聲并提高了其中人體目標(biāo)的完整性。為獲得較高運(yùn)行效率,應(yīng)用了快速數(shù)值算法實(shí)現(xiàn)LSAC模塊求解,并對(duì)完整算法流程作了優(yōu)化。實(shí)驗(yàn)結(jié)果表明,相對(duì)現(xiàn)有典型方法,該方法分割精度和運(yùn)行效率更高,且對(duì)背景運(yùn)動(dòng)魯棒。
　　(4)針對(duì)圖像分割結(jié)果中人體目標(biāo)可能發(fā)生的破碎問(wèn)題,提出了一種基于LSAC技術(shù)的破碎人體目標(biāo)修復(fù)算法,使分割結(jié)果更好被后續(xù)信息處理模塊利用。該算法首先在以薛定諤變換為主的預(yù)處理中使各人體碎片形成連通區(qū)域,然后使

10、用綜合圖像區(qū)域與邊緣信息構(gòu)建的LSAC模型將這些區(qū)域分割出來(lái)即獲得修復(fù)結(jié)果。該方法不依賴(lài)人體形態(tài)先驗(yàn)知識(shí),可自動(dòng)確定目標(biāo)碎片位置與歸屬,排除背景干擾,填補(bǔ)目標(biāo)內(nèi)部缺損,膠連缺損人體輪廓段,修復(fù)結(jié)果與真實(shí)外形相似度高。
　　基于以上成果,論文較系統(tǒng)地解決了紅外人體目標(biāo)的分割問(wèn)題。它們反映出論文將LSAC模型引入紅外人體目標(biāo)檢測(cè)領(lǐng)域的嘗試是成功的,基于自身的良好性能以及對(duì)系統(tǒng)信息處理流程的簡(jiǎn)化作用,將它們運(yùn)用于紅外人體目標(biāo)檢測(cè)系統(tǒng)中,