【www.zhangdahai.com--其他范文】
杨 军
(西北政法大学 人工智能与智慧法治研究院，西安 710199)
视频处理技术已广泛应用于不同领域的智能监控中.智能监控采集视频图像利用处理技术自动分析，获取不同视频动态场景中目标定位与跟踪结果，通过定位以及跟踪结果判断目标姿态行为[1]，为智能监控的日常管理以及姿态异常识别提供依据.视频处理技术具有实时性强、非接触测量等特点，目前被广泛应用于对监控需求较高的领域中.运动目标姿态检测与控制是视频处理领域的重要部分.利用分割的视频前景与背景实现运动目标姿态精准检测[2]，通过检测结果实现运动目标姿态的有效控制.同时，视频图像序列具有较高复杂性，视频图像采集过程中由于目标存在动态性变化，受光线等情况影响[3-4]，背景与前景提取较为困难，运动目标姿态检测难度提升.在运动目标受到遮挡以及目标运动速度较快、运动姿态存在较高不确定性时，其姿态检测更加困难[5-7].
视觉技术、模式识别技术等是视频处理技术中的主要方法.目前针对视频姿态检测的研究较多，赵邢等[8]提出了一种结合目标检测与双目视觉的三维姿态检测，利用深度学习的目标检测方法获取二维图片上的信息，结合深度相机利用双目视觉获取物品的关键三维空间信息，综合二维与三维信息建立三维空间坐标，绘制边框，辅助区分出物体空间上的位置，实现了目标的检测，但是该方法存在分割效果较差的情况.陆华才等[9]提出了一种改进Canny边缘算子和高斯混合模型的运动目标检测方法，用中值滤波器和双边滤波器构成的混合滤波器代替边缘检测算法中固有滤波器，并且使用Otsu算法取代人工设置双阈值，避免丢失真实边缘，保证边缘信息的完整性.用隔帧处理的四帧差分法得到差分图像，获得运动目标区域，再利用高斯混合模型提取前景图像，结合两种算法的前景图像能够获得较完整的运动目标轮廓，但是该方法存在检测耗时过长以及漏检率较高的缺陷，并且在光照等复杂环境下检测精度较低.欧先锋等[10]提出了基于深度帧差卷积神经网络的运动目标检测方法，其由DifferenceNet和AppearanceNet组成，用于学习两个连续帧之间的变化，获取时序信息，并且提取空间信息，与时序信息融合，实现运动目标检测，但是该方法的姿态检测误差较大.
针对上述问题，本文基于视频处理技术的运动目标姿态检测与控制，利用视频处理技术对所采集视频图像进行处理，实现运动目标姿态的有效检测、跟踪以及分析，利用检测结果实现目标运动姿态的有效控制，提升视频处理技术的应用性能，降低检测误差.
1.1 基于贝叶斯决策方法划分视频图像
视频采集图像为彩色时，通过帧间差分法对视频中相邻两帧图像实施减法处理，选取自适应阈值方法对视频中的不同颜色分量实施帧间差分，得到的图像像素包含部分静止点，利用贝叶斯决策方法对完成帧间差分处理后的图像进一步分类，实现静止点以及运动点的背景点与前景点的分类，获取候选前景区域以及候选背景区域，其过程如图1所示.
图1 视频图像划分框图
采用n=(x，y)表示视频中的图像像素，时间为t时，st表示视频图像中所提取的离散特征矢量；
q与b分别表示图像前景以及图像背景，利用贝叶斯决策方法获取候选前景q的后验概率为
(1)
式中，P(st|n)为概率密度函数.
贝叶斯决策方法获取背景b的后验概率为
(2)
满足P(b|st，n)
从图像的前景目标以及背景目标中提取特征矢量wt，获取特征矢量概率公式为
P(st|n)=P(st|b，n)P(b|n)+
P(st|q，n)P(q|n)
(3)
综合上述分析，可得
2P(st|b，n)P(b|n)>P(st|n)
(4)
由式(4)可以看出，利用先验概率P(b|n)、概率密度函数P(st|n)以及条件概率P(st|b，n)的学习，令图像中的候选前景、候选背景和特征矢量st关联，将视频图像中的像素点n划分为候选前景像素点以及候选背景像素点.
1.2 基于主成分分析法的运动目标姿态实时检测
加权处理获取视频图像的候选背景，将权值赋予视频图像中像素点，视频图像中像素点与背景相似时，设置较大权重.权重计算表达式为
(5)
式中，wa为像素因子.
利用式(5)获取视频图像中不同像素点的权重向量，设置权重向量为对角元素，建立对角权重矩阵Wi，将该矩阵中对角元素设置为矩阵中的列向量，通过列向量的排列，获取视频序列的权重矩阵W.加权处理候选前景区域以及候选背景区域，设置背景区域具有较高的权重，运动前景区域具有较小权重，抑制视频图像中的背景区域，过滤视频图像中的非结构化背景.通过多层范式中的粗化方案建立全局视图，全局视图设置为目标姿态实时检测的初始值，通过进一步分割提升运动目标姿态检测精度.
获取估计的运动目标姿态区域时，建立实时检测模型为
(6)
式中：λ为目标姿态参数；
Fi为旋转矩阵；
B与F分别为低秩成分以及稀疏成分；
D为观测数据.
通过权重矩阵抑制目标内的背景信息，提升目标与背景区域的区分性能，令检测区域中的前景信息更加突出[11].利用增广拉格朗日乘子求解式(6)的凸优化问题，获取增广拉格朗日函数为
〈Y，D-B-F〉+
(7)
式中：Y为拉格朗日乘子；
μ为惩罚参数.
通过迭代求解方法求解式(7)的多变量优化问题.迭代次数为K时，乘子更新以及交替优化过程如下：
1)固定稀疏成分，更新低秩成分，通过合并简化处理获取目标函数为
Rμ-(D-F+h-1Y)
(8)
式中：h-1为收缩阈值；
Rμ为比例因子.式(8)的子问题具有解析解，与二次项内常数项矩阵D-F+μ-1Y的奇异值收缩相对应.
2)固定低秩成分，更新稀疏成分，通过合并简化处理获取目标函数为
XrWi/μ(D-Bk+1+μ-1Y)
(9)
式中：XrWi/μ为目标函数；
Bk+1为特征参数.式(9)的解析解用T=D-B+μ-1Y表示，选取逐分量软阈值操作求解式(9)，获取结果为
Fk+1=sig(T)(abs(T)-W×μ-1λ)
(10)
式中：sig()为sigmod函数；
abs()为abs函数.
3)更新乘子.乘子更新表达式为
Y=Y+μ(D-B-F)
(11)
(12)
重复迭代以上过程，直至满足所设定收敛条件.为提升算法的运行速度，将惩罚参数更新过程应用于迭代过程中，惩罚参数更新公式为
μ=min(μρ，μmax)
(13)
式中，ρ为常数.
式(12)为运动目标姿态检测的收敛条件，将所获取的候选背景以及候选前景设置为主成分分析方法迭代更新过程中的初始值[12]，实现视频中动态背景的有效控制，获取运动目标姿态的实时检测结果，其算法流程如图2所示.
图2 运动目标姿态实时检测流程图
1.3 运动目标姿态控制
依据运动目标姿态实时检测结果，实施运动目标姿态控制，设计PD控制器跟踪以及控制视频图像中运动目标姿态.利用目标姿态执行机构建立姿态动力学方程，即
(14)
PD控制器具有极高的控制性能，将其应用于运动目标姿态控制.视频图像处理的运动目标姿态控制需较高的实时性，因此，选取PD控制器作为运动目标姿态控制的控制器[13].不考虑外部干扰力矩Td情况下，控制力矩表达式为
(15)
运动目标期望姿态的误差角速度ωe以及误差四元数re可满足
(16)
(17)
式中，Ξ为目标中像素点坐标.建立加入控制后的闭环方程，即
(18)
设存在Lyapunov函数，则有
(19)
求导U，可得
(20)
参数Kp与Kd决定了PD控制器的控制性能，视频跟踪成像过程中，控制器参数利用视轴偏差角度以及目标视线确定[14].利用σ表示目标视线rp与视轴偏差角度r的夹角，其计算公式为
σ=arccos(rpr)
(21)
为保证运动目标姿态控制的持续性，需要持续跟踪视频图像中目标，保障控制误差最低[15].利用两组PD控制器参数Kp1、Kd1与Kp2、Kd2实现跟踪成像过程中控制误差最小化.
控制运动目标姿态的PD控制器参数Kp与Kd为
(22)
式中，τ为所设定的小角度阈值.
为验证本文方法实时检测与控制运动目标姿态的有效性，本文选取某六自由度抓取机器人运动视频作为研究对象，图像处理均在具有2 GB内存和Intel i5-4 2.5 GHz CPU的计算机上进行，程序开发环境是Windows 10操作系统下微软开发的Visual Studio 2017社区版本.随机截取本文方法所采集不同帧机器人运动姿态视频图像结果，如图3所示，分别为58、86、165和185帧的原始视频图像.设置实验对照组，对比方法分别为文献[8]和文献[9]方法，实验指标为分割效果、检测率和检测误差.
图3 原始视频图像
检测率计算公式为
(23)
式中：Z1为正确分为正例的像素数；
Z2为正确分为负例的像素数；
Z3为错分为负例的像素数；
Z4为错分为正例的像素数.
检测误差计算公式为
(24)
式中：Ca为距离误差；
C1为检测距离；
C2为实际距离；
Cb为角度误差；
C3为检测角度；
C4为实际角度.
采用3种方法对图3中的原始视频图像实施图像分割，本文方法的分割结果如图4所示，文献[8]方法的分割结果如图5所示，文献[9]方法的分割结果如图6所示.通过对比图4～6的结果可知，采用本文方法的分割结果优于文献[8-9]方法的分割结果，本文方法所分割视频图像目标轮廓完整，可实现视频阴影的有效抑制，将有效前景信息完整保留，避免出现将背景划分为前景情况，而文献方法并没有对背景进行更强的抑制，导致前景与背景的对比度不够，极容易混淆，对目标状态识别的效果较差.
图4 本文方法分割结果
图5 文献[8]方法分割结果
图6 文献[9]方法分割结果
统计采用3种方法检测视频中机器人不同运动姿态时的检测率.在不同收缩阈值时，3种方法的检测目标运动姿态的检测率结果如图7所示.在同一收缩阈值下，文献[8-9]方法的检测率远低于本文方法，在收缩阈值为0.5时，3种方法均具有最优的运动目标姿态检测结果，本文方法的平均检测率高达0.94，文献[9]方法的平均检测率为0.83，文献[8]方法的平均检测率为0.81.检测视频中运动目标姿态时，分割图像前景与背景，可设置收缩阈值为0.5，获取最佳的运动目标姿态检测结果.
图7 不同收缩阈值时检测结果
采用3种方法检测不同机器人平移、旋转两种运动姿态时的误差，结果如图8所示.由图8可以看出，本文方法对视频中不同运动姿态的机器人的检测结果优于文献[8-9]方法，平移运动时本文方法检测误差低于3 mm，而文献[8-9]方法的检测误差在3～5 mm之间；
旋转运动时本文方法检测误差低于1°，而文献[8-9]方法的检测误差在3.2°～4.0°之间.实验结果验证本文方法具有极高的目标运动姿态检测性能，可实现视频中运动目标姿态的有效检测.
图8 姿态检测误差
统计采用本文方法控制机器人第3个关节的运动姿态，控制目标期望姿态曲线以及机器人实际姿态曲线对比结果如图9所示.从图9实验结果可以看出，采用本文方法可实现机器人运动姿态的有效控制，机器人运动的实际姿态与期望姿态曲线极为接近，验证了本文方法控制机器人运动姿态的有效性.本文方法可实现视频目标运动姿态的良好控制，具有较高的应用性.
图9 本文方法控制结果
利用视频处理技术实现运动目标姿态的检测与控制，通过划分视频图像中的前景与背景实现运动目标姿态的实时检测，依据运动目标姿态实时检测结果实现运动目标姿态的有效控制.通过对比实验验证，本文方法可有效识别视频中运动目标姿态，实现了运动目标姿态的有效控制.在视频中存在阴影、干扰等情况下，仍可实现图像的精准分割，具有较高的检测精度，设置收缩阈值为0.5的情况下平均检测率高达0.94，平移运动误差小于3 mm，旋转运动误差小于1°，仅存在极小的误检以及漏检情况，能对机器人进行有效控制.
猜你喜欢像素点姿态背景“新四化”背景下汽车NVH的发展趋势汽车工程师(2021年12期)2022-01-17基于局部相似性的特征匹配筛选算法现代电子技术(2021年1期)2021-01-17《论持久战》的写作背景当代陕西(2020年14期)2021-01-08攀爬的姿态学生天地(2020年3期)2020-08-25基于5×5邻域像素点相关性的划痕修复算法上海大学学报（自然科学版）(2018年5期)2018-11-02全新一代宋的新姿态汽车观察(2018年9期)2018-10-23跑与走的姿态中国自行车(2018年8期)2018-09-26基于canvas的前端数据加密电脑知识与技术(2018年35期)2018-02-27基于逐像素点深度卷积网络分割模型的上皮和间质组织分割自动化学报(2017年11期)2017-04-04晚清外语翻译人才培养的背景贵州师范学院学报(2016年4期)2016-12-01本文来源：http://www.zhangdahai.com/shiyongfanwen/qitafanwen/2023/0922/658148.html
