基于固定数采样的轮廓特征描述子方法
2019-06-11贾贺林
文/贾贺林
目前运动目标轮廓的提取已经成为人体行为分析中的重要步骤,轮廓特征的提取与描述更加注重准确性与实时性。普通的轮廓特征很难满足在视频序列中的实时描述,在视频帧的选取和计算特征描述子过程中话费大量的时间,严重影响算法的效率。本文在特征点的选取中使用固定数采样,降低特征点数目并且保存特征点的整体信息,然后采用质心边界距离描述子对轮廓进行描述,最后再将位置信息降维,生成一维的轮廓特征对目标运动状态进行描述。
1 固定数采样
固定数采样法,是在等间隔采样方法的基础上提出的新的采样方法,当各组数据长度不同的情况,等间隔采样法计算出来的间隔是不同的,并且大多情况下不是整数,如果将采样间隔近似,就会造成采样不均匀,存在区域遗漏,采样误差增大,固定数采样法便可解决该问题。就比如下文即将讨论的轮廓描述方法的轮廓点,由于人在运动时姿势不同,每一帧图像获取的轮廓点不同,为了方便不同数据之间的比对,故提出该方法进行采样方法,该方法可分为以下几个步骤.
(1)首先给定固定采样数N,然后读取一组数据的个数m,计算采样间隔k=m/N,k理论含义为每k个点取一个采样点。
(2)使用下式计算所有数据点下标与采样间隔k的商di。
(3)计算di与最邻近整数的绝对值之差公式如下:
当然固定数采样法可以看做等间隔采样法的改进,采样时可以更均匀覆盖原始数据,同样适用于各类等间隔采样法的情况。
2 质心边界距离描述子
通过质心-边界距离方法的关键在于二维轮廓向以为距离信号的转换过程,计算过程如下:
(1)轮廓的质心坐标:
其中(xc, yc)是得到质心坐标,(xi, yi)是各个离散点坐标,N为离散点总数.
(2)通过1得到质心的坐标,以轮廓线上最左下方的像素点为图像坐标原点,逆时针方向展开,得到质心到每一个轮廓点的欧几里得距离:
其中X=(x1,x2,…,xn), Y=(y1,y2,…,yn),从而消除图像尺度和特征长度对轮廓特征描述子的影响。
3 实验结果
首先获取目标轮廓离散点的像素坐标信息,获取的离散点是无序的,采用冒泡排序的思想把所有点进行比较,逆时针排序完成后,再次一位搜索,找到最高点(Xh,Yh),计算质心坐标(xc, yc),以(Xh,Yh)为参考起点,沿逆时针方向进行边界展开,最终将轮廓边界展开为由质心到边界像素点的欧式距离,完成降维。
把计算出的每一帧质心-边界距离重新采样,图1和图2分别是质心轮廓距离展开的原始图像和采样后的图像。
通过上述的步骤,可以快速准确的完成人体区域轮廓描述并将轮廓信息降维成一维距离信号,通过一组一维数组对目标轮廓进行描述。
4 总结
本文提出了一种快速准确的轮廓特征描述方法,并通过实验图像生成了轮廓特征描述子,完成了视频序列中运动目标的描述。为了提高描述的准确性还可以使用傅里叶描述算子、小波描述算子等对轮廓特征进行描述,质心边界距离描述子虽然计算速度快,但是应用范围较狭窄,难以广泛使用,需要进行后续的提高与研究。
图1:原始图像的质心轮廓距离
图2:采样后的图像质心轮廓距离