基于热红外图像的人体目标检测测试成果

图3.11　RT-BSLSAC模型工作流程图

在配置为Intel Core Duo 1.66 GHz CPU，2G RAM，Windows操作系统的计算机上对RT-BSLSAC模型进行测试。测试序列共2段，来源于Terravic Motion IR Database［89］。两段序列均由固定红外摄像机采集获得，分辨率为320×240。其中序列1为室外场景，人体目标由视场左侧进入视场，不久即被场景中的树木所遮挡，一段时间后继续沿水平方向向视场右侧前进直到离开视场。该人体目标除被遮挡时间外，其余时间灰度都比较均匀，且与背景的对比度较高，其部分代表帧如图3.12（a）和图3.13（a）所示。序列2为室内场景，人体目标从视场右侧进入视场向左侧行走，然后通过过道末端的大门离开视场，该人体目标灰度不均匀，与背景对比度差，其部分代表帧如图3.14（a）和图3.15（a）所示。

RT-BSLSAC模型参数为n=1（即fi-1、fi+1被用于对fi的分割中），τ=5，λ1=λ2=1，ρ=10-6，a=b=0.01，η=0.001，高斯滤波器Gσ的标准差σ=1，其大小为5×5，即尺寸参数w=5。LSF初始化为二值化圆环，半径为100像素，圆内LSF为+1，圆外LSF为-1。背景图像初始化为各序列前10帧的中值。此外，选择Nie的方法［90］、Zeng的方法［91］、Antonio的方法［92］、改进的MOG方法（简记为IMOG）［93］、Lee的方法［94］、Maadi的方法［88］及Cheng的方法［95］做了对比测试。其中，前三种方法为阈值分割法，后四种方法为背景相减法。

图3.12～图3.15展示了以上各方法在测试序列上的部分代表性结果。为便于验证，还在图中给出了手工标记的真实人体区域。可以看出，各阈值算法所得结果中存在较多干扰区域，而且存在遮挡［图3.12（a）］或灰度非匀质［图3.14（a）］时容易出现人体区域破碎问题。相比之下，背景相减的各算法所得的人体目标完整性更好，而且背景看起来更“干净”。

为量化评价各方法的分割性能，以Jaccard相似度及平均绝对偏差（mean absolute distance，MAD）作为客观评价指标。

图3.12　RT-BSLSAC及其对比方法在序列1场景1的测试帧上的分割结果

图3.13　RT-BSLSAC及其对比方法在序列1场景2的测试帧上的分割结果

图3.14　RT-BSLSAC及其对比方法在序列2场景1的测试帧上的分割结果

图3.15　RT-BSLSAC及其对比方法在序列2场景2的测试帧上的分割结果

Jaccard相似度的定义如下：

其中，AS、AM分别为提取出的前景区域和真实前景区域；SJ=1表示两者完全重合，SJ=0表示两者完全不重合。(https://www.xing528.com)

MAD的定义如下：

其中，P=｛p1，p2，…，pR｝为分割算法提取出的轮廓点集，Q=｛q1，q2，…，qS｝为真实轮廓点集。MAD反映了提取轮廓和真实轮廓间的差异。该值越小，表示提取出的轮廓与真实轮廓越接近。

图3.16和图3.17示意了RT-BSLSAC及各对比方法所得分割结果的Jaccard相似度评价曲线和MAD评价曲线。观察图3.16（a）的左半侧，对应于RT-BSLSAC模型的Jaccard相似度曲线占据图中较高位置，且其平均值为0.7左右，表明人体虽然被树木遮挡，但RT-BSLSAC分割所得人体区域仍相对完整。在图3.16（b）中，对应于RT-BSLSAC的曲线位置仍处于较高位置，表明它也能较好地分割出序列图像中的非匀质目标。在图3.17的两幅图中，RT-BSLSAC对应的MAD曲线都占据较低位置，反映出所得目标轮廓与真实轮廓的形状差异比对比方法更小。

图3.16　RT-BSLSAC与对比方法在测试序列图像上的Jaccard相似度曲线图

以上主客观评价反映出RT-BSLSAC模型在分割精度上的优势。获得该优势的原因如下：①模型利用多幅相邻图像帧的时域信息抑制了当前帧中的噪声对分割结果的干扰；②数值算法中使用的高斯滤波器抑制了BLSF在零水平集附近的不连续性，避免了所得目标轮廓附近可能出现的噪声；③背景更新使用扩展灰度历史矢量，加快了捕获序列帧间灰度变化的速度，有利于获得更好的背景差分图像。

图3.17　RT-BSLSAC与对比方法在测试序列图像上的MAD曲线图

Lee的方法连续三次使用名为LSBS的LSAC模型分割相邻图像帧，然后将所得结果合并后再经空域滤波作为对其中一帧的分割结果。其缺陷在于合并时很容易丢失目标像素（因为三个中间分割结果中的目标区域并不严格对应），另外空域滤波可能破坏所得目标轮廓的光滑性。Maadi的方法也同样基于序列图像灰度历史矢量实现背景更新，较好地捕获了序列的灰度变化，所得目标区域相对完整。但是，Maadi的方法、Cheng的方法和IMOG在前景检测中都忽略了像素与其局部邻域的联系，这样在确定像素前景/背景标签时易受噪声影响，可能导致误分割。

重复三次上述测试，记录各次运行时间，然后计算各方法消耗的平均时间。结果见表3.2。可见RT-BSLSAC分割单帧需0.068 s，即每秒大约可处理15帧，实时性较好。其原因有：①将求解PDE转化为求解ODE，明显提高了求解效率，因为ODE只需要几次迭代（5次以内）即可收敛；②BLSF的应用避免了对LSF的重初始化，减少了时间消耗；③背景差图像的对比度在一定程度上较原图像帧高，这样在背景差图像上进行的曲线演化减少了活动曲线停留在局部位置的机会，从而更快运动到目标边界完成目标分割。另外该表显示Zeng的方法、Antonio的方法和Maadi的方法运行速度比RT-BSLSAC方法更高，这源于它们使用了计算上较简单的阈值准则或背景模型。考虑它们所得结果需要大量后处理操作才能被后续环节使用，故它们的此项优势从系统角度上看价值并不大。

表3.2　RT-BSLSAC与对比方法在测试序列图像上的平均耗时

为考察所述数值算法中高斯滤波器对RT-BSLSAC性能的影响，改变σ和w参数值，重复运行上述测试三次，最后计算平均时间消耗，结果见表3.3。可见，模型的时间消耗会随着w的变大而显著增长，因此相对较小的滤波器尺寸对提高模型效率是有益的。需要注意的是，σ值不应过小，也不应大于w数值的1/4，否则可能导致LSF演化的不稳定。实验表明，在［0.7，1.6］范围内确定σ值以及相应地在［3，7］范围内确定w值对模型分割精度和运行效率都较为有益。

表3.3　高斯滤波器配置不同σ、w参数时RT-BSLSAC模型在测试序列上的平均耗时