文摘
为了提高传统运动图像构成轮廓提取的准确性,缩短提取时间,造成运动图像轮廓提取方法提出了基于b样条小波。移动图像是通过视觉系统、信息融合过程是用来执行图像包含运动信息的统计分析,确定运动区域的位置,卷积神经网络技术用于预处理的初始运动图像轮廓,和b样条小波理论。预处理运动图像轮廓检测,结合启发式搜索方法获得构成轮廓点,和运动图像轮廓提取完成。仿真结果表明,该方法具有较高的准确性和萃取时间短在提取运动图像轮廓。
1。介绍
运动图像构成轮廓提取是指的过程中找到所需的所有帧图像中运动目标轮廓在一定视频序列(1]。随着图像信息的准确性要求在相关的领域,目标轮廓提取技术的成熟度得到进一步加强。随着科学技术的迅速发展,如今,体育形象构成轮廓提取技术是一个重要的研究内容在计算机视觉和人工智能领域的。这项技术已经在许多领域一个重要的角色,如医药、交通、军事(2]。目前,人们的生活离不开便携式通信设备与相机功能。这些设备每天都产生大量的视频信息。这些视频是通过图像处理构成轮廓提取方法提取各领域有价值的信息,提高工作效率。运动图像最基本的特征是边缘。边缘是图像的结区和属性区,是图像信息最集中的地方。运动图像构成轮廓的提取是实现运动目标检测的先决条件,也是数字图像处理领域的一个重要内容。只有准确地提取构成轮廓特性可以用于后续运动目标识别、运动轨迹跟踪,运动目标行为,等等。工作奠定了理论基础。因此,提取运动图像的轮廓更有研究价值和挑战3]。
文献[4)提出了一种提取方法构成轮廓的非刚性的人体运动图像。首先,预处理的尺度不变特征变换(SIFT)是人类运动图像序列中,人体特征提取地图,和一个序列概率图模型的连续性特征序列提取设计。其次,人体外观模型。基于外观模型,当前人类运动的轮廓线提取帧序列图像的高精度轮廓提取方法。实验结果表明,该方法可以提取连续特征序列,和人类构成轮廓提取更准确和有更高的效率和鲁棒性。然而,人类运动的姿态轮廓的提取图像在上面的方法需要很长时间,导致萃取效率低。文献[5)提出了一个方法,提取正确的姿势运动图像的轮廓。正确的姿势的图像提取运动区域的相邻帧差分法。在此基础上,蛇模型方法引入,提取正确的姿势运动图像的轮廓。问题是转换为能量函数的最小化。分析了水平集方法,演化曲线是隐式地描述为三维连续函数的零水平集表面运动的图像。水平集函数= 0时,结果是轮廓提取的结果。通过实验比较两种提出的方法的有效性,它是发现,轮廓提取效果,蛇模型的完整性和信息损失方法比其他方法但不如水平集方法。文献[6)提出了一个基于图像的二次异常步态特征提取方法。根据按摩脚底的压力变化值在不同姿势下,异常步态图像的特征提取。特征变量数据是用于构造轮廓行走的步态能量图的个人目标。同时,结合KPCA内核的方法,主要特征提取后的步态轮廓数据降维处理,和二次特征提取异常步态的完成。仿真结果表明,在正常步态和步态异常,该方法可以有效地提取图像的步态异常和有一个高的特征提取效果,表明该方法具有较强的实用性。然而,运动图像构成轮廓提取上述两种方法的准确性较低,从而导致不满意的提取结果。样条曲线是常用来描述目标物体的轮廓在基于图像的视觉伺服领域(IBVS)。然而,这种方法具有低灵敏度和精度低的缺点当面对相机的旋转运动。为了解决这个问题,文献[7)提出了一个视觉伺服系统旋转姿态补偿。文献[8)提出了一个multipose人类探测系统基于无人机(UAV)实时意象。满足检测精度multipose人类检测可以实现复杂的户外环境,没有硬件加速图形处理单元。
针对上述方法的问题,提出了一种b样条小波的运动图像轮廓提取方法,并通过仿真验证该方法的有效性和实用性实验,解决这些问题的传统方法和为体育事业基地奠定基础。
2。运动图像采集
针对穷人的问题图片精度体式轮廓提取原始图像的轮廓提取方法,这种设计。为了确保提取结果的准确性,首先完成收购运动图像。设置的姿态运动图像的方向性特征图像可以反映图像的边缘状态。向量的方向是图像的重要特征之一(9]。
在收购的过程中运动图像,视觉系统用于感知运动图像的方向信息。收购过程中的运动图像构成,四套伽柏过滤器与不同方向的光被用来提取方向信息的图片。过滤器的过滤函数设置为高斯函数调制正弦函数,它有一个方向选择性和空间连接(10]。过滤功能可以体现以下公式:
在上面的公式中,和 ,分别代表运动图像坐标点的加权平均和和代表的方向滤波器。在运动图像构成轮廓的提取,是设置为4;也就是说,图像中有4个方向,和值,分别为0°,60°、120°、180°。基于过滤器的特点,提取的方向向量的方向垂直于当前过滤器的信息方向的图像(11]。运动图像的矢量方向设置为center-peripheral操作符,然后是高斯金字塔是用于执行multiangle转换图像的姿态矢量方向特性。多尺度角特性差异的信息 可以表示如下:
在上面的公式中, ,分别代表特征差异值,它的值是相同的(12]。通过以上公式,运动图像可以获得和使用作为数据基础轮廓提取。
3所示。分析和预处理的初始运动图像轮廓
3.1。分析初始运动图像的轮廓
如果你想实现体育图像姿态轮廓的提取,首先初始运动图像姿态轮廓的基础上,分析了运动图像采集,确定运动区域的位置,和最初的运动姿态轮廓图像预处理(13]。在正常情况下,区域分割的位置的运动检测过程包含上一帧中目标的位置信息,也包含当前帧的形状,和运动分割的结果表明目标的当前图像的位置。因此,基于统计模型的图像差分法用来完成运动分割。假设目标移动的过程中,相机设备仍然是前后两帧图像噪声不相关,和透镜的混合噪声服从高斯分布的环境 ,和被认为是前后两帧图像的差异。其中,代表一个随机像素的图像。如果在该领域积累呢 , 用于规范化处理。具体结构如下:
假设所有的像素正,然后归一化差异 这个窗口中的所有像素都遵守子和分布,那么不同需要遵守分布和自由度代表在中间的像素数量。通过这种方式,概率分布可以,吗代表像素位置没有运动(14]。
一个适当的置信水平 和相应的阈值,选择吗根据分布表获得,所以 可以认为 像素是相对运动(15]。
通过以上统计过程,运动区域的运动图像的位置,和最初的运动图像姿态轮廓分析完成。形态学处理,执行删除噪音,这是作为等高线数据的初始运动图像。
3.2。卷积神经处理
通过以上设置,初始运动图像姿态轮廓分析,卷积神经网络技术用于完成最初的运动图像的预处理姿态轮廓。获得运动图像的像素处理扩展,图像特征尺寸减少,恢复一层一层地,和反褶积层是用来获取图像的人体轮廓特征映射(16]。显示操作过程如图1。
卷积层和池层相结合来提取运动的姿态特征图像。完全连接层和将Softmax层完整的全球特征的提取和分类的输出。为了保证采集图像的有效性模型,最大的池形式VGG16网格池被选中时,如图2。池窗口设置为4的大小4,移动一步是设置为4。
运动图像处理的最大池网络转化为一维特征向量后多个连接层,并将Softmax层是用来完成分类处理,然后姿势在运动图像。利用卷积网络获得的图像信息不够准确。在这个设计中,添加一个反褶积过程,这个过程是通过双线性插值实现通过合并的多级神经网络的输出结果。图像的对应特征点设置轮廓首次获得,获得其像素值,插值法获得图像的中间点的像素值。上面的像素值是用来填补汇集图形原始图像大小(17]。
通过以上设置,放大图像质量提高,缺失的像素值的问题由于卷积神经处理是可以避免的。这个设置有自己的过滤器属性,它可以减少的发生不清楚图像姿态轮廓,提高检测的准确性后处理运动图像轮廓。
4所示。构成轮廓检测基于b样条小波的运动图像
通过上面的预处理初始运动图像姿态轮廓提取中,b样条小波理论是用来检测。已知信号的小波变换在任何规模和方向定义如下:
的公式,母小波的扩张吗的比例因子 ,被称为小波函数。小波函数作为第一和第二衍生品的平滑函数 :
当使用最大值点边缘检测方法(精明的),小波变换多尺度边缘检测实际上是卷积平滑图像表面的光滑函数扩张,然后是精明的边缘检测方法。一般来说,极端点检测比零交点检测更有利,因为零交点检测更容易受到噪声干扰,有时零点交叉反应不是突变点而是转折点的信号变化缓慢的时间间隔。
采取为平滑函数 ,对应于局部极值检测、傅里叶变换如下:
根据导数卷积的属性,
使用三次样条平滑函数获得一个离散算法有效的多尺度边缘检测。使用三次样条函数作为平滑函数及其一阶导数作为小波函数,然后三次样条如下:
根据三次样条系数的确定,运动图像调整通过平滑滤波器调整参数,通过适当的水平和垂直的卷积模板完成抽样的估计价值在图像梯度方向,然后模量最大的梯度确定的方向,和所有本地nonmaximum点的梯度方向设置为0,实现体育形象构成轮廓的检测。表达式如下:
5。运动图像轮廓提取
根据上述的检测结果运动姿态轮廓图像,图像姿态轮廓提取。根据梯度轮廓点在搜索过程中,获得最高的轮廓线是第一帧的运动图像构成,和其他等值线通过启发式搜索方法。具体过程如下:(1)计算轮廓点的法线:轮廓线的体育动作设置如图3。假设目标轮廓点 ,特定的轮廓点的法线的关系公式如下: 设置表示直线的倾角和长度的点 是 ,然后轮廓点的法向量图所示4。从图可以看出4法向量1的直线AB和BC的法向量2是第一个获得。根据向量的加法和减法,向量1和2的总和,这是B的法向量。(2)梯度阈值:点的法线A, B, C计算。通过图所示的方法5首先寻找15分上下部分的每一行,计算梯度值。然后,梯度统计直方图用于计算梯度值。(3)确定当前帧的轮廓点:首先,第一图像进行傅里叶变换、高斯低通滤波方法用于降低噪声对前面的形象。在第一个图片,搜索在某一点外正常计算梯度阈值。执行一个搜索点的法线方向,第一点是存储高于梯度值,它被当作一个新的轮廓点在不久的框架,这样的姿态轮廓运动图像可以获得。
6。仿真实验分析
在研究的过程中,体育形象的设计工作提出基于b样条小波轮廓提取方法。为了确保本文设计方法的有效性,采用Matlab仿真工具在VS2010 + OpenCV2.4.13 Windows10系统Intel Xeon (R)的CPU (R)(电子邮件保护)GHz, 32 GB内存和分辨率是800600在一个环境中,使用比较实验完成本文中的比较方法和传统的方法,以获取方法的区别。
在这个实验中,模拟实验是用来完成实验。在实验中使用的数据来自于百度画廊,和一些体育图片总数为10000人。不合格的图像消除,1000张图片作为实验的训练集,选择和图像格式是在数据库中设置为400400年。1000年的图像随机分为5组测试数据,和具体设置如表所示1。
使用上面的示例设置为这个实验数据的基础上,选择和健美操动作的图像从百度画廊作为实验样本。原始图像如图6。
使用b样条小波的运动图像轮廓提取方法提出,非刚性的人体运动图像构成轮廓提取方法提出了文献[4),和正确的体育运动图像的轮廓提取方法提出了文献[5],姿态轮廓提取是进行图像样本,分别验证的准确性运动图像姿态轮廓提取的三个方法。比较结果如表所示2。
根据比较结果表2,可以看出体育形象构成轮廓提取方法本文提出的基于b样条小波的最大精度为98.9%,而非刚体运动(4]。运动图像构成轮廓的提取精度运动图像轮廓提取方法只有89.3%,和运动图像轮廓提取精度的运动图像正确姿势轮廓提取方法(5)仅为74.6%。该方法是一种基于b样条小波的运动图像构成轮廓提取方法,这比非刚性的人体运动图像构成轮廓提取方法(4)和运动运动图像提出了(4]。更精确的轮廓提取方法。
为了进一步验证本文方法的有效性,b样条小波的运动图像轮廓提取方法提出,非刚性的人体运动图像构成轮廓提取方法提出了文献[4在文献[],提出的方法5),正确的姿势体育运动图像的轮廓提取方法比较的萃取时间的姿态运动图像的轮廓。比较的结果显示在图8。
根据图8运动,提出了一种基于b样条小波图像构成轮廓提取方法,运动图像构成轮廓提取时间是在30年代,文档(4)提出了非刚性的人体运动图像轮廓提取方法,和参考(5)提出了正确的姿势运动图像的轮廓提取方法。运动图像构成轮廓的提取时间是在55岁和40年代。体育形象体式基于b样条小波的运动图像轮廓提取方法的提出。轮廓提取时间短于文学的方法。
7所示。结论
在传统的运动图像检测过程中,目标轮廓特征提取是一个非常复杂的过程,有必要研究方法,方便计算。出于这个原因,本文提出了一种b样条小波的运动图像轮廓提取方法,通过b样条小波理论的姿态轮廓检测运动图像,计算轮廓点的法线,获得姿态运动图像的轮廓,并完成图像姿态轮廓提取。仿真结果表明,该方法的运动图像构成轮廓提取效果更好,和提取效率较高。然而,今天与深度学习的快速发展,我们的方法可能仍然有一些差距和深度学习方法的性能。因此,在未来的工作中,我们需要努力整合深度学习建模的方法。
数据可用性
使用的数据来支持本研究的发现可以从相应的作者。
的利益冲突
作者宣称没有利益冲突。