基于視覺感知的運(yùn)動(dòng)目標(biāo)檢測算法性能的評(píng)價(jià)方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種圖像處理技術(shù)，特別是一種基于視覺感知的運(yùn)動(dòng)目標(biāo)檢測算法性 能的評(píng)價(jià)方法。
【背景技術(shù)】
[0002] 運(yùn)動(dòng)目標(biāo)檢測作為許多計(jì)算機(jī)視覺應(yīng)用中的預(yù)處理環(huán)節(jié)，在諸如視頻監(jiān)控、視頻 搜索等領(lǐng)域中都有著重要的應(yīng)用，在受到越來越多人的關(guān)注的同時(shí)，近年來基于不同理論 的運(yùn)動(dòng)目標(biāo)檢測算法不斷被提出。因此，建立一個(gè)統(tǒng)一客觀的標(biāo)準(zhǔn)數(shù)據(jù)集和評(píng)價(jià)標(biāo)準(zhǔn)對(duì)現(xiàn) 有的運(yùn)動(dòng)目標(biāo)檢測算法性能進(jìn)行客觀公正的評(píng)價(jià)，對(duì)現(xiàn)有運(yùn)動(dòng)目標(biāo)檢測算法的認(rèn)識(shí)、改進(jìn) 以及新算法的提出具有重要作用。
[0003] 目前，運(yùn)動(dòng)目標(biāo)檢測算法性能的評(píng)價(jià)方法主要分為兩大類：主觀評(píng)價(jià)法和客觀評(píng) 價(jià)法。
[0004] (1)主觀評(píng)價(jià)法就是以人作為觀察者，對(duì)圖像的優(yōu)劣做出主觀定性評(píng)價(jià)。主觀評(píng) 價(jià)法又可分為絕對(duì)評(píng)價(jià)和相對(duì)評(píng)價(jià)兩種。絕對(duì)評(píng)價(jià)是將圖像直接按照視覺感受進(jìn)行分級(jí)評(píng) 分；相對(duì)評(píng)價(jià)是由觀察者將一批圖像從好到壞進(jìn)行分類，將它們相互比較得出好壞，并給出 相應(yīng)的評(píng)分。主觀評(píng)價(jià)法對(duì)一些明顯的圖像信息進(jìn)行評(píng)價(jià)顯得直觀、快捷和易于實(shí)現(xiàn)，評(píng) 價(jià)結(jié)果也比較全面，符合人類視覺系統(tǒng)感知特點(diǎn)，對(duì)最終的圖像質(zhì)量評(píng)測也是十分有用的。 但是這種評(píng)價(jià)方法受觀察者心理因素、觀察者數(shù)量、圖像類型、應(yīng)用場合和觀測環(huán)境等因素 影響較大，評(píng)價(jià)過程繁瑣，加之人的視覺心理因素很難用物理量度量，致使評(píng)價(jià)結(jié)果不夠精 確，而且主觀評(píng)價(jià)法難以實(shí)現(xiàn)自動(dòng)化處理，不利于運(yùn)動(dòng)目標(biāo)檢測評(píng)價(jià)系統(tǒng)的自動(dòng)化設(shè)計(jì)。
[0005] (2)客觀評(píng)價(jià)法是根據(jù)人眼的主觀視覺系統(tǒng)來建立一定的數(shù)學(xué)模型來計(jì)算運(yùn)動(dòng)目 標(biāo)檢測算法檢測到的運(yùn)動(dòng)目標(biāo)，并通過具體的公式計(jì)算，得出量化的數(shù)字來比較運(yùn)動(dòng)目標(biāo) 檢測算法的好壞。常見的運(yùn)動(dòng)目標(biāo)檢測算法客觀評(píng)價(jià)方法主要包括前景識(shí)別率、背景識(shí)別 率、假陽率、假陰率、誤檢率及精度幾種指標(biāo)：
[0006] 前景識(shí)別率（Recall，Re)是反映運(yùn)動(dòng)目標(biāo)檢測算法能正確識(shí)別運(yùn)動(dòng)目標(biāo)程度的 指標(biāo)；
[0007] 背景識(shí)別率（Specificity，Sp)是反映運(yùn)動(dòng)目標(biāo)檢測算法能正確識(shí)別背景程度的 指標(biāo)；
[0008] 假陽率（False Positive Rate，F(xiàn)PR)是反映運(yùn)動(dòng)目標(biāo)檢測算法在檢測過程中把背 景誤判為前景程度的指標(biāo)，主要與背景點(diǎn)誤判為前景點(diǎn)（即鬼影）有關(guān)；
[0009] 假陰率（False Negative Rate，F(xiàn)NR)是反映運(yùn)動(dòng)目標(biāo)檢測算法在檢測過程中把如 景目標(biāo)誤判為背景程度的指標(biāo)，主要用于反應(yīng)檢測目標(biāo)的空洞程度；
[0010] 誤檢率（Percentage ofwrong Classifications，PWC)是反映運(yùn)動(dòng)目標(biāo)檢測算法 在檢測過程中誤判程度的指標(biāo)，包括背景被誤判為前景和前景被誤判為背景兩種情況；
[0011] 精度（Precision，Pre)是反映運(yùn)動(dòng)目標(biāo)檢測算法在檢測過程中前景被正確判斷 程度的指標(biāo)。它只與正確檢測出的前景點(diǎn)及錯(cuò)誤檢測出的前景點(diǎn)有關(guān)。
[0012] 以上六種統(tǒng)計(jì)指標(biāo)計(jì)算方法如下式所示：
[0013] Re = TP/ (TP+FN)
[0014] Sp = TN/ (TN+FP)
[0015] FPR = FP/ (FP+TN)
[0016] FNR = FN/ (TP+FN)
[0018] Pr e = TP/ (TP+FP)
[0019] TP為前景目標(biāo)被正確識(shí)別的點(diǎn)數(shù)；FP為背景被誤判為前景的點(diǎn)數(shù)；TN為背景目標(biāo) 被正確識(shí)別的點(diǎn)數(shù)；FN為前景目標(biāo)被誤判為背景的點(diǎn)數(shù)。其中，Re，Sp和Pre指標(biāo)越大，說 明運(yùn)動(dòng)目標(biāo)檢測算法檢測運(yùn)動(dòng)目標(biāo)的性能越好，而FPR、FNR及PWC指標(biāo)越小，說明運(yùn)動(dòng)目標(biāo) 檢測算法檢測運(yùn)動(dòng)目標(biāo)的性能越好。
[0020] 針對(duì)以上不同的客觀評(píng)價(jià)指標(biāo)，它們能夠克服人的視覺特性、心理狀態(tài)、知識(shí)背景 等因素的影響，可以提高判斷的準(zhǔn)確性和速度，能夠?qū)崿F(xiàn)自動(dòng)化處理。但是它們反映出的運(yùn) 動(dòng)目標(biāo)檢測算法檢測運(yùn)動(dòng)目標(biāo)的性能側(cè)重點(diǎn)各有差異，我們單獨(dú)根據(jù)某一個(gè)指標(biāo)并不能客 觀評(píng)價(jià)運(yùn)動(dòng)目標(biāo)檢測算法檢測運(yùn)動(dòng)目標(biāo)的性能，而綜合六個(gè)指標(biāo)會(huì)存在某個(gè)檢測算法的某 個(gè)指標(biāo)最為優(yōu)異而另一個(gè)檢測算法的另一個(gè)指標(biāo)最為優(yōu)異的情況，甚至?xí)霈F(xiàn)兩個(gè)指標(biāo)得 出結(jié)論恰好相反的情況，這會(huì)使判斷者產(chǎn)生困惑，同樣不便于運(yùn)動(dòng)目標(biāo)檢測算法最終檢測 性能的客觀判定。

【發(fā)明內(nèi)容】

[0021] 本發(fā)明的目的在于提供一種基于視覺感知的運(yùn)動(dòng)目標(biāo)檢測算法性能的評(píng)價(jià)方法， 在本方法中使用了一種新的評(píng)價(jià)指標(biāo)，它能夠符合人類視覺系統(tǒng)感知特點(diǎn)，有效、客觀的對(duì) 運(yùn)動(dòng)目標(biāo)檢測算法性能進(jìn)行綜合評(píng)價(jià)。
[0022] -種基于視覺感知的運(yùn)動(dòng)目標(biāo)檢測算法性能的評(píng)價(jià)方法，包括：
[0023] 步驟1，選取標(biāo)準(zhǔn)檢測圖片A，通過一種運(yùn)動(dòng)目標(biāo)檢測算法檢測到的圖片B，對(duì)圖片 A和B進(jìn)行灰度處理；
[0024] 步驟2,獲取處理后的標(biāo)準(zhǔn)檢測圖片A目標(biāo)位置區(qū)域中像素點(diǎn)的個(gè)數(shù)Nu ;
[0025] 步驟3,將處理后的算法檢測圖片B和處理后的標(biāo)準(zhǔn)檢測圖片A的像素點(diǎn)一一對(duì)應(yīng) 求得運(yùn)動(dòng)目標(biāo)檢測算法檢測出的正確前景點(diǎn)個(gè)數(shù)TP和背景點(diǎn)被錯(cuò)誤判斷為前景點(diǎn)的個(gè)數(shù) FP ；
[0026] 步驟4,采用圖像分塊原理分別將處理后的標(biāo)準(zhǔn)檢測圖片A和算法檢測圖片B以 M*M像素矩陣為單位分解成若干個(gè)小矩陣；
[0027] 步驟5,選擇標(biāo)準(zhǔn)檢測圖片A中某一個(gè)小矩陣a及算法檢測圖片B中相同位置小矩 陣b ;
[0028] 步驟6,若該矩陣是零矩陣，返回步驟5,重新選取一新的小矩陣；否則，執(zhí)行步驟 7 ；
[0029] 步驟7,獲得矩陣a中像素點(diǎn)的灰度均值P ;
[0030] 步驟8,求出a、b兩矩陣一一對(duì)應(yīng)像素點(diǎn)中相同位置且像素點(diǎn)灰度值相同點(diǎn)的個(gè) 數(shù)K ;
[0031] 步驟9,若K = 0,返回步驟5,重新選取一新的小矩陣；否則，執(zhí)行步驟10 ;
[0032] 步驟10,計(jì)算矩陣b的灰度值，存入數(shù)組W中，直至圖片A中所有小矩陣遍歷完全；
[0033] 步驟11，對(duì)數(shù)組W求標(biāo)準(zhǔn)差S和求均值E，再根據(jù)公式D = S/E計(jì)算差異系數(shù)D ;
[0034] 步驟12,差異系數(shù)D、標(biāo)準(zhǔn)前景點(diǎn)個(gè)數(shù)Nu、算法檢測出的正確前景點(diǎn)個(gè)數(shù)TP和背景 點(diǎn)被錯(cuò)誤判斷為前景點(diǎn)的個(gè)數(shù)FP代入到公式VF = D*(Nu+FP)/TP計(jì)算出最終的評(píng)價(jià)指標(biāo) VF ；
[0035] 步驟13,對(duì)不同運(yùn)動(dòng)目標(biāo)檢測算法檢測到的圖片B，重復(fù)步驟1至步驟12 ;
[0036] 步驟14,對(duì)所有評(píng)價(jià)指標(biāo)按降序排列，最小值對(duì)應(yīng)的運(yùn)動(dòng)目標(biāo)檢測算法性能最優(yōu)。
[0037] 本發(fā)明與現(xiàn)有技術(shù)相比，其顯著優(yōu)點(diǎn)：（1)本發(fā)明提出的方法中計(jì)算新評(píng)價(jià)指標(biāo) 時(shí)也引入了 TP、FP等參數(shù)，新評(píng)價(jià)指標(biāo)與各項(xiàng)傳統(tǒng)指標(biāo)有了一定關(guān)聯(lián)，新評(píng)價(jià)指標(biāo)相對(duì)于 對(duì)傳統(tǒng)運(yùn)動(dòng)目標(biāo)檢測性能評(píng)價(jià)的各項(xiàng)指標(biāo)做了統(tǒng)一，相比于傳統(tǒng)的多組評(píng)價(jià)指標(biāo)，可以更 加方便及客觀地反映一個(gè)運(yùn)動(dòng)目標(biāo)檢測算法檢測運(yùn)動(dòng)目標(biāo)的性能；（2)傳統(tǒng)的運(yùn)動(dòng)目標(biāo)檢 測算法性能評(píng)價(jià)指標(biāo)以單個(gè)像素點(diǎn)為單位進(jìn)行指標(biāo)的計(jì)算，如果出現(xiàn)不同運(yùn)動(dòng)目標(biāo)檢測算 法檢測出的前景點(diǎn)個(gè)數(shù)相同的情況，由于前景個(gè)數(shù)相同，不同運(yùn)動(dòng)目標(biāo)檢測算法檢測出的 效果對(duì)應(yīng)的TP、FP、TN和FN的值都各自相等，因此兩種檢測算法的各項(xiàng)傳統(tǒng)指標(biāo)均相同，也 就無法區(qū)分兩者檢測性能的優(yōu)劣。這也是傳統(tǒng)評(píng)價(jià)指標(biāo)以像素點(diǎn)為單位進(jìn)行指標(biāo)計(jì)算的不 足之處。本發(fā)明中提出的新指標(biāo)基于圖像分塊原理對(duì)運(yùn)動(dòng)目標(biāo)檢測算法進(jìn)行評(píng)價(jià)，我們將 圖片進(jìn)行分塊細(xì)化，以分塊矩陣為單位，逐一對(duì)比標(biāo)準(zhǔn)檢測圖片和算法檢測圖片中相應(yīng)小 矩陣的相似情況，并引入標(biāo)準(zhǔn)差、平均值和差異系數(shù)等參數(shù)來描述兩幅圖的相似程度，可以 有效地解決當(dāng)不同算法檢測出的前景點(diǎn)個(gè)數(shù)相同，無法根據(jù)該組指標(biāo)比較運(yùn)動(dòng)目標(biāo)檢測算 法性能好壞的問題；（3)傳統(tǒng)的運(yùn)動(dòng)目標(biāo)檢測算法性能評(píng)價(jià)指標(biāo)反映的是算法檢測運(yùn)動(dòng)目