基于热红外图像的人体目标检测测试结果与分析

利用FLIR A40红外热像仪对校园公共区域进行实拍，选出三幅典型图像并分别编号1～3供测试本节算法（PRO）。PRO的参数设置为at=0.005，变换次数=10，τ=5，μ1=1，μ2=0.55，β=100，c=0.30，ε=2，ρ=10-4，初始活动轮廓曲线设置为矩形。另外选择张量投票算法、形态学闭运算进行算法比较。

图3.37　破碎人体目标修复完整流程

测试图像及PRO在每幅图像上的各步运行结果如图3.38～图3.40所示。结果表明所得最终轮廓曲线均有效排除了干扰结构，胶连起了人体缺损轮廓段，人体目标的完整性显著提高。进一步采用Jaccard相似度指标对上述结果做客观评价。将测试图像1～3中的人体目标按从上到下，从左到右顺序依次编号为1～6，以各人体目标的手工分割结果为参考值计算该指标，结果列于表3.8。可见修复后的评价值显著高于修复前的评价值，且修复后的评价值均在0.8以上。

图3.38　PRO在测试图像1上的运行结果

图3.39　PRO在测试图像2上的运行结果

图3.40　PRO在测试图像3上的运行结果

表3.8　PRO和对比算法对应的Jaccard相似度值(www.xing528.com)

对于PRO，其LSAC模块的区域能量项具有全局性，只要图像中的干扰结构没有使目标连通区或背景区的平均灰度发生明显变化，干扰结构就几乎不影响活动轮廓曲线对人体目标的定位。LSAC模块的边缘能量项驱动曲线做曲率运动，使曲线在演化过程中收缩变形，逐步变得光滑，胶连起缺损的人体轮廓。其中的边缘停止函数进一步对图像边缘进行检测，增强定位人体轮廓的准确性。这样区域和边缘两类信息协同工作，实现了对人体轮廓的良好定位。

对于张量投票算法，设定其球形投票场尺度σ1=10，棒形投票场尺度σ2=5。修复结果如图3.41（a）～（c）和表3.8所示。可见在胯部、腋窝处等角点，曲线交接点集中的位置，轮廓形状与真实形状拟合度高，但在人体轮廓上有较多错误像素。它们是目标边界点受目标内部点沿边界法线方向的一致投票，导致边界位置形成较高投票极性并经张量叠加后出现在边界附近的虚假凸显结构。另外采用半径r=5的圆盘形结构元素，应用形态学闭运算修复上述人体目标，结果列于图3.41（d）～（f）和表3.8。可见其未能修复较大的缺损，凹度较大位置处的边缘与真实轮廓拟合度很差。原因则在于其依靠特定形状和尺寸的结构元素探测特定的图像结构，但人体缺损区域的形态、尺寸变化范围却很大，形状和尺寸都适宜的结构元素不易确定。

图3.41　对比方法修复结果

对于PRO使用的LSAC模块，其参数c的作用是促使轮廓曲线更加逼近人体上极度凹陷的区域。c值过小起不到应有的效果，而过大则易使曲线越过目标边缘。实验表明其合理取值为0.1～0.35。参数μ1和μ2控制了模型中图像边缘和区域信息的作用比例。μ1/μ2过小或过大都将导致仅有单种信息起作用。图3.42（a）～（c）展示了它们在不同取值下的修复效果。可见两者应合理取值，使两种信息都能有效地发挥作用以准确提取人体目标区域。

图3.42　PRO在不同参数下的修复结果

向图3.38（b）、图3.39（b）、图3.40（b）添加强度q=1%～20%的椒盐噪声后，运用PRO在不同μ1和μ2取值下进行修复。如图3.42（d）～（f）所示为μ1=1，μ2=1.8（其余参数不变）时的部分结果，图3.42（g）～（i）则显示了固定μ1=1，但根据噪声强度优化μ2，从而优化μ1/μ2比值下的结果。另外，图3.41（g）～（i）、图3.41（j）～（l）还分别展示了张量投票算法结果（参数同前）和采用r=2圆盘形结构元素的形态学闭运算在加噪图像上的结果。

对比图3.42（d）～（i）和图3.41（g）～（l）可见，相对未加噪时，PRO定位人体真实轮廓的准确度虽然有所降低，但仍给出可接受的结果，而对比算法则随着噪声强度的增大性能明显变差。原因是在张量投票算法中，噪声和目标间以及噪声与噪声间的投票经叠加导致出现虚假局部极大值，而且噪声强度越大问题越严重，导致算法性能严重退化。形态学闭运算中，经膨胀操作后，部分噪声点与其他噪声点或人体碎片相连通形成较大面积连通区，但这些区域在随后的腐蚀操作中未被有效清除，形成虚假图像结构。因此，在使用PRO前须尽力排除图像中的干扰结构，才能取得较好的修复效果。本节算法则只要区域能量项占比不过低，图像中的噪声就会在活动曲线内部或外部区域内被平均，其影响被极大减弱，活动轮廓曲线仍将停止在与未加噪时大致相同的位置，而仅在真实人体轮廓附近产生较小的偏离。