基于纹理特征的穿梭分析系统动物检测算法①

张京爱， 王兴军， 胡青松

(1.淮北师范大学物理与电子信息学院，淮北 235000;2.中国矿业大学信息与电气工程学院，徐州221116;3.山东汇胜集团股份有限公司，潍坊 261201)

观察实验动物在接受不同处理方法(如手术、使用不同的药物或者使用不同剂量的特殊药物)之后动物行为的改变程度，对被测试药物样品作出科学评价.穿梭实验是定量测定动物行为学改变的重要手段，穿梭是指如果动物在规定时间内对某一特定信号(如灯光、声音)不发生反应，则给予惩罚性刺激(常用电刺激)，使动物穿梭至对侧安全区，在一定时间内反复训练后则可形成主动逃避反应.穿梭实验接近反应动物复杂学习记忆形成过程，是研究小型动物学习记忆行为最好的行为学测试方法之一.

随着硬件和软件技术的不断发展，基于图像分析技术的动物行为分析代表了当前动物行为分析手段发展的主流趋势[1～4].采用图像处理技术进行穿梭实验时，往往在实验箱顶部安装摄像头，采集到的图片如图1所示，实验箱底部为可加电的金属栅，整个实验箱可以分为左右两个箱体，其间有一通道可让实验动物穿过.当动物位于错误区域时可以通过对该区域加电来促使实验动物穿梭至对方的安全区域，在这过程中自动记录动物的运动轨迹就可分析其行为偏好.

图1 穿梭分析系统拍摄示例

综上所述，实验的关键在于对实验动物进行准确的检测.由于实验环境往往为开放的，不可避免地受到光照变化等因素的影响;因此采用通用的背景减除法不能满足实验的需求.通过分析实验箱图像(图1(a))和动物图像(图1(b))可以发现，实验箱图像呈现较为规律的栅格纹理，而实验动物图像则较为平滑，其纹理特征与实验箱有明显差异，并且纹理特征对于光照变化具有较好的鲁棒性.基于此本文提出采用局部二值模式(local binary pattern，LBP)纹理特征来进行背景建模方法，以克服光照变化的影响，在此基于上研发一种快速准确的实验动物检测方法来满足穿梭分析实验的需求.

1 LBP纹理特征概述

纹理是物体表面的固有特征之一，可认为是灰度(颜色)在空间以一定的形式变化而产生的模式，相对灰度特征，纹理特征对光照变化等具有更好的鲁棒性.LBP纹理特征是一种由Ojala等[5]提出用来描述图像局部纹理特征的算子，其基本计算思路是求中心像素点与其邻域内的像素点的灰度差值，并对其按照某一阈值进行二值化，从而得到一系列的二进制编码.LBP纹理特征具有灰度不变性.它计算简单，分类能力强，在描述纹理特征提取方面有着显著的效果.

假设在半径为R的窗口领域上共有P个像素点，则可用这些像素点的联合分布 T=t(gc，g0，…gP－1)来描述图像的LBP纹理.其中gc表示窗口中心像素的灰度值，gp(p=0，1，…，P－1)则对应窗口内与中心像素距离为R的P个像素点的灰度值;由此可以看出，当(P，R)取不同值时可以得到不同的LBP算子.

图2 穿梭系统动物检测过程示意图

在计算LBP算子时，首先用P个邻域像素点灰度值gp(p=0，1，…，P－1)减去中心像素点的灰度值gc，得到:

假设gc和gp在概率上相互独立，则上式可近似分解为

忽略掉t(gc)，则有:

将上述的灰度差值二值化，此处可用中心像素与邻域像素差值的符号函数来描述局部窗口内的纹理，即

其中s为符号函数

通过公式(5)则可将公式(4)表达为一个0/1序列，采用逆时针方向，以中心像素点的右邻域像素为起始点，通过给每一项s(gp－gc)赋予加权因子2p，可以得到描述该局部空间纹理特征的唯一的十进制数，该十进制数被称为 LBPP，R数，该 LBPP，R数即为所求的LBP纹理特征值，其可通过下式来获得:

根据美国核管会(NRC)的分类，碳化硅包壳是美国正在研发的远期耐事故燃料技术方案之一。核管会将耐事故燃料技术方案分为两类，即近期技术和远期技术。近期技术是能够在21世纪20年代中期实现商用的技术。这些技术大部分基于现有数据、模型和审批方法，包括带涂层的锆合金包壳和以铁-铬-铝为主要成分的不锈钢包壳。长期技术则需要获得新数据、模型和审批方法，包括硅化铀燃料芯块、碳化硅包壳和金属燃料。

2 基于纹理特征的实验动物检测

目前运动目标检测中常用基于亮度特征的背景建模方法，该方法尽管具有简单方便，计算速度快的优点，但其易受光线、天气等外界条件变化的影响，因此在开放的环境中稳定性不足，无法应用于穿梭实验系统中.

考虑到上述问题，充分利用LBP纹理特征的灰度不变性，如图2所示，本文构建了一个对光线变化不敏感的前景检测模型，该模型的构建及动物的检测过程如下述算法所述.

算法1:基于纹理特征的穿梭系统实验动物检测

初始化:

图3 实验序列1的部分实验结果

图4 实验序列2的部分实验结果

在实验初始，采集未放入实验动物的图像，并求取其LBP纹理特征构建背景模型.将实验动物放入实验箱开始进行实验.

for t=1to T

(1)求取采集到图像的LBP特征图像.

(3)求取差分所得前景图像的空间分布密度，得到前景密度图像.

(4)分别对前景密度图像进行水平和垂直方向投影，得到两个投影曲线.

(5)两个投影曲线的峰值坐标分别对应了实验动物中心X和Y坐标，从未完成本次实验动物的检测和定位.

end for

上述算法在进行投影时，没有直接采用差分所得的LBP前景图像，而是求取前景图像的空间分布密度.假设实验动物的大小尺寸在一定范围内，则以动物的最小尺寸作为采集窗口，LBP前景图像中以某一像素点为中心，处于窗口内的所有像素亮度平均值即为该像素点的空间分布密度，该密度越大则表示越有可能为目标所在位置;从而以该密度图像进行投影所得的峰值即对应该方向上目标最可能所在的坐标点.

3 实验

为验证本文所研究算法的有效性，对实际拍摄的穿梭实验视频进行动物检测分析，实验中所用动物为猴子，所处环境为开放的室内环境，从视频序列中随机的选取了两个穿梭视频序列对本文算法进行验证，两个视频中实验动物分别从左箱穿梭至右箱及从右箱穿梭至左箱.我们采用MTLAB软件平台在 Intel Core(TM)2 Duo CPU(2.00GHz)，DDR－2.00G内存的硬件环境下，对大小为120 x360的序列进行分析，实验中平均分析速度为5.4帧/s.实验结果中均用白色的十字形标记给出了检测到的目标动物中心坐标.

图3给出了第一个实验序列的部分代表性的实验结果，图像从左到右、从上到下分别对应序列中的第600，692，702，709帧，在实验初始实验动物静止在左箱穿梭洞口附近，当给左箱加以电流刺激时，动物迅速地穿过洞口，穿梭至右箱.尽管发生穿梭时实验动物运行速度较快，且其灰度分布与箱体并不严格区别，但由于本文方法采用LBP纹理对两者进行区分，因此仍可对动物进行准确检测和定位.

第二个实验序列的代表性实验结果如图4所示，图像从左到右、从上到下分别对应序列中的第764，780，790，834 帧.该序列在实验开始时实验动物静止于右箱右上角，当给右箱加以电流刺激时，受刺激影响，动物迅速地穿梭至左箱.从实验结果能看到整个穿梭过程中，所研究的检测方法可持续对动物进行准确检测和定位.

从上述实验结果可以看出，本文算法利用LBP纹理特征具有灰度不变性的特点，从纹理建模的角度出发对实验动物进行检测，克服了光照变化等因素的影响，取得了较好的检测效果.

4 结论

本文对开放环境中的穿梭系统实验动物检测进行了研究，利用LBP纹理特征的灰度不变性，提出一种新的背景建模思路，在此基础上设计了实验动物检测和定位算法.实验结果验证了本文算法的有效性.如何对同一实验箱内的多只实验动物同时进行检测和定位等将是课题组下一步的研究方向.

[1]Yu－Jen Chen，Yan－Chay Li，Ke－Nung Huang，et al.Stand－Alone Video－Based Animal Tracking System for Noiseless Application[J].Instrumentation Science＆ Technology，2009，37(3):366－378.

[2]Xinwei Xue，Thomas C Henderson.Feature Fusion for Basic Behavior Unit Segmentation from Video Sequences[J].Robotics and Autonomous Systems，2009，57(3):239－248.

[3]Xinwei Xue，Thomas C Henderson.Video Based Animal Behavior Analysis[C].In Proceeding of the IEEE International Conference on Multisensor Fusion and Integration for Intelligent Systems，2006，335－340.

[4]Alison E Poole，Richard A Stillman，Ken J Norris.A Videobased Method for Measuring Small－ scale Animal Movement[J].Animal Behaviour，2006，72(5):1205－1212.

[5]Ojala T，Pietik¨ainen M，M¨aenp¨a¨a T.Multiresolution Gray－Scale and Rotation Invariant Texture Classification with Local Binary Pattern[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，2002，24(7):971－987.