基于Matlab软件的绘图效果及算法设计研究

孙韶华，徐 志

（1.南京审计大学实验中心，江苏南京 211815；2.江苏省南京市江宁区审计局，江苏南京 211100）

如何在图像冗杂或丰富的各类信息中得到最想要部分，或者说如何节约时间以高效率达到既定目标是图像特征检测发展的方向[1]。综合国内外现状，可以看出显著运动目标检测算法的研究还处于初级阶段在应用上仍存在局限性，对于复杂背景下目标检测结果并不十分理想，显著运动目标检测算法在应用于适用范围方面还有很多待解决的问题[2]。庄博阳等人提出使用光流法的快速车道线识别算法，提升了车道线检测算法的效率与精准度[3]。方正等人使用卷积神经网络特征降维方法，改善了显著性模型图像的采集性能[4]。主通过对选定对象的显著特征及运动特征进行研究，一方面基于图论的显著特征提取法提取图像显著特征；另一方面通过光流法提取运动特征，融合这两种特征构建显著目标检测框架。对各种算法进行研究，不断完善对理论的掌握及运用，并结合Matlab 仿真体现显著目标检测算法的可行性及优越性。

1 光流算法与显著算法概述

1.1 静态背景下HS光流算法仿真及分析

（1）HS光流算法原理。

HS算法又称稠密光流法[5]，引入全局平滑性约束条件确定光流，假设光流在整个图像上速度变化率为零：

由式（1）可知光流w=(u,v)应满足：

其中，λ根据图中噪声情况取值，噪声强时，λ取值较大，数据更加依赖光流约束方程。噪声较弱时，λ取值较小。

（2）HS光流算法仿真。

采用HS 算法进行运动目标检测，为了加深算法理解，验证算法可行性。通过Matlab 进行实验仿真，目的是实现用光流法在静态背景下检测运动目标。程序流程见图1。

图1 HS光流算法程序流程图

实验所选取输入视频格式avi，总帧数120，对视频进行光流法处理，分别输出原图、光流矢量图、二值化图和目标定位图，选取40 帧的目标检测结果进行分析。

1.2 动态背景下GBVS算法仿真及分析

（1）GBVS算法原理。

GBVS算法（基于图像的视觉显著算法）的具体步骤[5]：首先，假设给出一个对象M:[n]2→R.需要去提取一个特征A:[n]2→R.就像这样通过(i,j)∈[n]2来定位I在哪里，或者是用一个节点M(i,j)。如果出现一些无法处理的信息，这时会使算法指向Bruce公式，其中有一个关于M(i,j)的直方图，直方图中计算了在节点(i,j)附近区域的中不同特征的各自所占比重，接下来将会进行加工，使得特征图也将被加工成一个概率分布图，这就使得A(i,j)=-log(p(i,j))会清晰地被另一个节点p(i,j)=Pr{M(i,j)|neighborhood}所定义。可以用以下公式判断M(i,j)和M(p,q)的差异：

（2）显著运动目标检测算法仿真。

对于所提到的显著运动目标检测算法，组建思路如下：首先，通过GBVS 算法对图像进行显著性分析，提取图像中的显著目标，接着通过HS 算法对图像序列中连续两帧进行光流分析，分析其运动特性，检测图像中的运动目标，然后将对应图像中的显著目标与运动目标相融合，经一系列处理后获取图像中显著目标。

如图2 所示，首先，对第一帧进行GBVS 算法分析，得到显著目标。同时，对进行图像序列的前两帧进行光流分析，得到运动目标，再将对应图像序列中的显著目标与运动目标相融合，得到显著运动目标检测结果。

图2 显著运动目标检测算法框架

2 Matlab仿真实验结果与分析

2.1 光流算法仿真结果

如图3 所示，（a）是视频序列中第40 帧原始图像；（b）是经HS光流算法处理后的图像；（c）是光流检测后阈值分割二值化图；（d）中对所设定基准线以下的目标进行标定，图中左上角数字3表示基准线内检测到3个运动目标。运动目标个数较多，光流法仍能准确地检测运动目标，标定目标位置。

2.2 静态目标显著区域提取算法仿真结果

本次实验，所选取输入图像格式png，尺寸大小，对图像进行显著区域提取，分别输出原图、显著图、二值化图和目标定位图，仿真结果如图4所示。

图3 光流目标检测结果（第40帧）

图4 GBVS算法显著目标检测结果

其中，（a）为原始图像；（b）为经GBVS 算法处理得到的显著图；（c）为经阈值划分使目标与背景分离后的二值化图像；（d）为显著目标标定图。可以看出GBVS算法能够准确检测显著目标，标定目标位置。

2.3 显著运动目标检测算法仿真与分析

本次实验，所选取输入视频格式mp4，对视频显著运动目标检测算法处理，分别输出原图、显著图、显著区域着色图和二值化图。视频帧数：72 帧，视频图像尺寸：，拍摄环境：摄像机静止，单目标运动。取第10 帧、第20 帧、第30 帧、第40 帧、第50 帧、第60帧、第70帧仿真结果如图5所示。

图5 显著运动目标仿真检测结果

通过仿真实验得到，显著运动目标检测算法虽然优化了光流法和显著区域提取法的检测结果，但该算法存在一定的局限性。从特征选取角度来说，由于所选特征的粗略性和不稳定性，导致结果和预期相比存在一定差距。在摄像机移动的情况下可以发现，由于背景中包含其它与本实验无关物品，使显著特征提取受到干扰，提取到的显著信息中包含大量背景信息，特别是在人物快要在画面中消失时，图像中最特别的地方也就是显著区域不再聚集在人身的周围。在此种情况下，从图像中提取显著目标区域，得到的显著区域便会对应图像中电脑所在区域。同时，在多个运动目标的情况下，目标运动时发生重叠，使提取到的显著区域出现覆盖，难以分清目标，影响实验结果。对于运动特征提取，不足在于动态背景下检测到的运动目标结果中包含大量背景信息，影响检测结果。

综上分析可知，显著运动检测算法仍存在一定改进空间，在今后的研究中，可以考虑提取更加稳定、细化的特征，如人体轮廓，外貌特征和肢体动作等，研究引入多个特征联合分析检测，构建更加完整和稳定的算法框架，完善显著运动目标检测算法，进一步优化目标检测结果。

3 结语

从目标的运动特征和显著特征展开分析，通过对运动目标和显著目标检测算法的研究，融合运动和显著特征，构建显著运功目标检测算法，优化单一特征目标检测结果，实现复杂背景下显著运动目标的检测。此外，通过多场景仿真实验结果对比，证明显著运动目标检测算法的可行性和准确性，达到各应用领域对显著目标检测的要求。然而，目前显著运动目标检测基础仍处于起步阶段，还需要不断地发展和应用，在计算处理速度方面还有改进空间，同时还可以考虑引入人的面部特征，肢体动作等完善目标检测算法，使显著目标检测技术更加完善更加高效地应用于各个领域。