人体目标检测方法的测试结果及分析

为EA-BSLSAC模型设定如下参数：n=1，τ=5，ρ=10-6，a=b=0.01，θ=0.02，η=0.001，γ=0.01，λ1=λ2=5（序列1），λ1=λ2=3（序列2），高斯滤波器Gσ的标准差σ=1.5，尺寸参数w=7，即其截断大小为7×7。将待分割的图像帧的灰度归一化到［0，1］范围，将其作为对偶变量u、v的初始值，这样使3.4.2节数值算法的初始条件变得较为随机以测试获取全局解的能力。测试环境与测试序列图像同3.3节。

图3.19显示了EA-BSLSAC模型在测试序列图像上得到的部分代表性结果。另外还将3.3节中RT-BSLSAC模型所得结果作为对照。为清晰比较两模型结果中最终轮廓曲线的差异，将它们叠加并放大后显示在图3.19（c）中。容易看出，EA-BSLSAC模型对人体轮廓的定位精度的确得到提高，不过存在遮挡时，定位精度反而降低，这体现了EA-BSLSAC更强的边缘检测能力。

图3.19　RT-BSLSAC和EA-BSLSAC人体轮廓定位比较

图3.20和图3.21分别示意了EA-BSLSAC和RT-BSLSAC模型对应的Jaccard相似度评价曲线及MAD评价曲线。由图3.20（a）左半侧曲线可见，由于边缘检测的加入，EA-BSLSAC模型将部分被遮挡的人体像素误分为背景像素，导致评价值不及RT-BSLSAC模型高。当遮挡结束，该情况消失，右半侧曲线即马上反映出EA-BSLSAC的评价值不再低于RT-BSLSAC。类似地，图3.20（b）也反映出EA-BSLSAC的评价值大多高于RT-BSLSAC。至于MAD评价，图3.21（a）和（b）均显示出EA-BSLSAC的评价值在多数帧上小于或等于RT-BSLSAC，可见EA-BSLSAC引入边缘信息后，提高了对人体模糊轮廓的定位精度。

图3.20　EA-BSLSAC和RT-BSLSAC模型在测试序列图像上的Jaccard相似度曲线

参数λ1和λ2影响着边缘信息项在EA-BSLSAC模型能量泛函中的比例。过大或过小的λ1，λ2值都不利于发挥该信息项改善分割精度的作用。图3.22显示了取不同λ1，λ2值时，模型在相同帧图像上获得的分割结果。可见当取值过小时，背景中的边缘和人体中的弱边缘易被检出，造成虚假前景和人体破碎问题［见图3.22（a）和（b）］。相反，当取值过大时，对人体轮廓的定位精度也降低且轮廓光滑性变差［见图3.22（d）］。实验表明，λ1、λ2在（1，10）内取值，两类信息项的比例设置较为合理，容易获得良好的分割结果［见图3.22（c）］。数值计算方面，虽然EA-BSLSAC模型在分割每幅图像时初始化u、v的值均不相同，但均取得较好的分割结果，验证了该数值算法对初始条件变化的鲁棒性。

图3.21　EA-BSLSAC和RT-BSLSAC模型在测试序列图像上的MAD曲线(www.xing528.com)

图3.22　配置不同λ1，λ2参数值的EA-BSLSAC的分割效果

接下来考察参数θ对EA-BSLSAC模型的影响。取不同θ值，运用EABSLSAC分割图3.22所示的帧图像，结果见图3.23，其对应的时间消耗见表3.4。可见随着θ值的减小，目标边缘精度提高，但时间消耗显著增大。实验表明θ在［1/50，1/100］内取值时可在精度和效率方面达到较好的平衡。

图3.23　配置不同θ参数值的EA-BSLSAC的分割效果

表3.4　不同θ值下EA-BSLSAC在测试序列图像上的平均耗时

将表3.4中EA-BSLSAC模型的时间消耗和表3.2中RT-BSLSAC模型的时间消耗对比可看出，前者的运行效率相对后者明显降低。因此可以说前者精度的提高是以牺牲实时性能为代价的。因此，两模型的选用可以依据精度和效率的侧重程度而定。对于实时性要求高的场合，RT-BSLSAC具有优势；而对于精度要求更高但实时性要求可以适当降低的场合，EA-BSLSAC更合适。

EA-BSLSAC通过向能量泛函中添加图像边缘信息以及应用凸性化数值算法实现对模型的全局化求解，进一步弥补了RT-BSLSAC模型存在的缺陷，改进模型获得了更高分割精度并对初始条件鲁棒。由于在精度和效率方面的差异，RT-BSLSAC模型适宜在实时性要求较高的系统中应用，而其改进模型则适宜在精度要求较高但实时性要求较低的系统中应用。