贝叶斯决策分析在医学步态分析中运动目标检测的应用研究

周显国，苑森淼

1.吉林省人民医院 信息科，吉林长春 130025；2.吉林大学 通信工程学院，吉林 长春 130025

贝叶斯决策分析在医学步态分析中运动目标检测的应用研究

周显国1，苑森淼2

1.吉林省人民医院 信息科，吉林长春 130025；2.吉林大学 通信工程学院，吉林 长春 130025

针对医学步态分析中的运动目标检测问题，提出了基于最小错误率的贝叶斯决策规则的方法。该方法由变化检测、变化分类、前景目标提取和背景更新四部分组成。变化检测采用自适应阈值法检测二值化变化点和非变化点。变化分类基于颜色共生特征向量，采用贝叶斯规则进行决策，前景对象的提取融合了时间差分法和减背景法。针对复杂场景中背景的“渐变”和“突变”情况，提出了不同的背景更新策略。实验表明，该方法能将包含有摇动的树枝或者灯的开关等复杂背景中运动目标准确地提取，可用在医学步态分析的研究中。

医学步态分析；贝叶斯决策规则； 目标检测

本文导读 >>

课题：本课题受吉林省科技发展计划项目（No.20070323）资助，研究运用贝叶斯决策规则理论，为解决复杂环境下医学步态分析中的运动目标检测问题，提供准确科学的评价手段。

重要概念/术语解析：贝叶斯决策规则：基于最小错误率的贝叶斯决策规则的方法。该方法由变化检测、变化分类、前景目标提取和背景更新四部分组成。变化检测采用自适应阈值法检测二值化变化点和非变化点，变化分类基于颜色共生特征向量，采用贝叶斯规则进行决策，前景对象的提取融合了时间差分法和减背景法。

应用要点：利用自适应的混合高斯模型可靠地处理了光照变化、树叶摇动等影响。运用维纳滤波器预测每个背景像素的颜色值变化；采用基于卡尔曼滤波的自适应背景模型以适应天气和光照的时间变化。

医学步态分析是集医学、运动学、力学、生物学、数学、物理学、计算机于一身的运动生物力学的一个分支。医学步态分析可以帮助临床医生进行疾病或康复进程评定，为临床提供准确科学的诊断和评价手段。医学步态分析最关键的一步就是要进行运动目标的检测。然而，由于光照变化（灯的开关、天气变化、背景物体自身的阴影等）、背景扰动（摄像机的抖动、摇动的树枝、喷泉等）等给运动目标的检测带来了极大的挑战。

目前常用的运动目标检测方法是减背景法[1]。减背景法的关键是背景模型的建立和更新，研究思路主要在于开发不同的背景模型，其中混合高斯模型（MOG，Mixture of Gaussians）[2]是效果较好的一种。混合高斯模型是将每个像素按照多个高斯混合建模，该模型的参数可以自适应更新。Friedman利用3个高斯分布的交通监控场景中的道路、阴影和车辆的像素分别进行建模。文献[3]利用自适应的混合高斯模型可靠地处理了光照变化、树叶摇动等影响。其它的背景建模方法如参考文献[4]，运用维纳滤波器预测每个背景像素的颜色值变化；kalmann与brandt、Kilger采用基于卡尔曼滤波的自适应背景模型以适应天气和光照的时间变化。

本文对复杂场景中背景的静止物体和运动物体，用不同的特征向量来表征其像素。对于静止背景物体，用其颜色值来表示；对于运动背景物体，充分利用其帧间信息，用颜色共生特征（color co-occurrence feature）来表示。在此特征表示的基础上，采用贝叶斯决策规则来判断一个像素是背影中的运动点还是前景点。在更新方法中针对复杂场景中背景的“渐变”和“突变”情况，提出了不同的更新策略。实验表明，该方法在包含有摇动的树枝或者灯的开关等复杂背景中能准确地提取运动目标。

1 运动目标检总体结构

图 1 运动目标检测的总体结构

运动目标检测首先需要检测出图像中的变化部分，但是由于背景的复杂性，如灯光、背景扰动等因素的影响，并不是所有变化的像素都是由前景目标所引起的，因此需要区分背景中的变化像素和前景运动目标中的像素。基于上述的要求，我们提出了如下的运动目标检测总体结构。该结构按功能大致可分为四个部分：变化检测、变化分类、前景目标提取、背景更新和验证。首先，采用时间差分法（Temporal difference）[5]进行变化检测。然后，将检测结果输入到变化分类器中，通过贝叶斯决策规则判断当前的变化点是背影点还是前景点。其次，提取前景目标，更新背景图像。各部分的结构关系如图1所示。

2 变化检测

时间差分法是利用视频序列中当前两帧或当前帧的某一帧的差分来提取图像中的变化区域。该方法具有较强的场景变化适应能力。背景不随时间积累，更新速度快。文中的变化检测方法如下：

(1)将t时刻的视频帧和t-1时刻的视频帧相减得到差分图（Difference Map）；

(2)将t时刻的视频帧和一参考背景图像相减得到另一差分图；

3 变化分类

设Ftd(s,t)表示t时刻在二值化图像Ftd在s=(s,y)处像素的值，Ftd(s,t)=1表示运动物体上像素值发生变化的点，Ftd(s,t)=0表示静止物体上的像素点。它们通过基于贝叶斯决策规则的分类器进一步判断到底是前景还是背影表。对于Ftd(s,t)=0的像素点，其颜色特征向量Vt=[rt,gt,bt]T，每个颜色分量的量化级别为64；对于Ftd(s,t)=1，其颜色特征向量Vt=[rt-1,gt-1,bt-1,rt,gt,b]T，每个颜色分量的量化级别为32，采用这种特殊的颜色特征向量表示法是因为由于物体表面的局部一致性，在一个很小的时间段内，不同视频帧同一位置上的像素通常产生相似的变化，实验证明采用这种像素特征表示法增强了系统的鲁棒性。另外，通过对颜色分量进行量化提高了系统的运行效率，节省了存储空间。

3.1 贝叶斯决策规则

运动目标检测的目的就是将前景点和背景点分开，可以看作是模式识别中的两类别分类问题。本文采用基于最小错误率的贝叶斯决策规则，即：

其中：Vt表示t时刻像素点S=(x,y)的颜色特征值；b表示背景像素点的集合，f表示前景像素点的集合。

又因为一个像素点要么是背景点，要么是前景点，所以有以下的式子成立：

由先验概率P(b｜S)、类条件概率P(Vt｜b,S)和P(Vt｜S)就可判断一个像素点是否是背景点。

3.2 统计特征的表示与计算

统计特征的表示在许多视频处理的应用中，背景点只是在短时间内被前景点遮住。因此我们通过考察长度为N的视频序列中同一位置像素的颜色特征值，计算出其先验概率、类条件概率，最后通过贝叶斯决策规则就可判断它是背景点还是前景点。下面描述式(5)中几个统计特征的表示与计算。

其中N1的值取决于颜色特征向量和量化的级别。

对于图像中的每个像素，与其相关的统计特征有：

其中i=1，2….N2>N1，前N1个数用来计算公式(5)中各项值，N2-N1个数用于背景模型的更新。在我们的试验中，当量化等级为32时，N1=50，N2=80；当量化等级为64时，N1=30，N2=50。

在确定了N2和N1的值之后，公式(5)中各项的计算方法如下：

实验证明当δ=2时效果较好。将以上各项的值算出来代入到式(5)之后就可以判断出当前点是前景点还是背景点。

4 前景目标提取

实验中我们发现变化分类之后只有一小部分的背景点被误认为前景点。这些孤立的点可以通过腐蚀和膨胀操作将其去除。

5 背景更新

5.1 背景图像的更新[7-12]

本文采用运行值均值法（Running Average）来进行背景更新，其思想是通过引入学习率α1来体现背景图像对场景变化的响应。α1通常取0.05，α1越低，则前景的变化越不会影响背景。

其中B（s,t） 表示t时刻的背景图像，I（s,t）表示t时刻的帧图像。

采用这种更新方式使得参考背景图像能够及时更新以适应变化的背景，如树叶的摇动、天空的变化等。

5.2 “渐变”变化像素统计特征更新

设t时刻的特征向量为v1,则此时与该像素相关的各个统计特征的更新如下：

其中，i=1,2……,N2，α2是更新速度，通常取α2>1-(1-T)1/n；

5.3 “突变”像素统计特征更新

其中 i=1,2….N1

本文用患者带有不同背景的视频对本算法进行仿真实验（图2）。实验结果见表1。

图 2 本算法进行仿真实验

表 1 不同背景的视频对本算法仿真实验结果

6 结论

本文提出了运用贝叶斯决策规则在复杂场景中有效地提取运动目标的方法。该方法对背景中的运动点和前景中的运动点进行分类，实验表明，该方法能准确提取复杂场景中的运动目标，也获得了较高的时间一致性，可以应用在医学步态分析等相关领域中。

[1] 李国辉,等.监控视频运动目标检测背景技术的研究现状和展望[J].现代科学,2006,11(7):920-927.

[2] LIPTON A,FUJIYOSHI H,PATIL R.Moving target classification and tracking from real-time video.In proceedings IEEE Workshop on Application of computer Vision[J].IEEE Computer Society,1998:8-14

[3] STSUFFER C,GRIMSON W.Adaptive background mixture models for real-time tracking[C].Fort Collins:Proceeding of IEEE International Conference on Computer Recognitiong, 1999:246-252.

[4] TOYAMA K,KRUMM J,BRUMITT B,et al.Wallflower: principles and practice of background maintenance[C].Kerkyra: Seventh International Conference on Computer Vision,1999: 255-261.

[5] LIPTON A,FUJIYOSHI H,PATIL R.Moving target classification and tracking from real-time video[M].Washington, DC:IEEE Computer Society,1998.

[6] ROSIN P.Thresholding for change Detection [M]. Washington, DC:IEEE Computer Society,1998:274.

[7] 刘渊,等.基于USB摄像头的通用Morris水迷宫实验系统[J].中国医疗设备,2009(5):26-29.

[8] 苏松志,王丽,李绍滋.医学步态分析中的复杂场景下运动目标检测技术[J].中国数字医学,2001(10):28-31.

[9] 王丽,李晓磊,李绍滋,等.人的异常步态检测算法[J].中国数字医学,2007(11):41-45.

[10] 张娟.基于单目视觉运动背景下的动目标检测有关问题的研究[D].西安:西北大学,2009.

[11] 虞永方.基于步态的身份识别的算法实现[D].长春:吉林大学,2009.

[12] 袁剑华.广域监视中的运动目标检测相关技术研究与实现[D].南京:南京理工大学,2009.

Research on Application of Bayes Decision Ruler in Moving Object Detection of Medical Gait Analysis

ZHOU Xian-guo1,YUAN Sen-miao2
1.Information Department,Jilin Provincial People's Hospital,Changchun Jilin 130025,China;2.Communication Engineering College,Jilin University, Changchun Jilin 130025, China

R319

A

10.3969/j.issn.1674-1633.2010.09.006

1674-1633(2010)09-0016-04

2008-10-24

2010-06-30

吉林省科技重点项目（20070323）资助。

本文作者：周显国，高级工程师，主要从事信息处理专业。

作者邮箱：Zxg2004zxg@126.com

Abstract:This paper proposes a novel method for moving object detection from a video in medical gait analysis. It consists of four parts: change detection, change classification, foreground object abstraction and background updating. We used the Bayes decision rule for classification of background and foreground changes based on color co-occurrence feature. Foreground object abstraction fuse the classification results from both stationary and moving pixels. Learning strategies for the gradual and "once-off" background changes were proposed to adapt to various changes in background through the video. Extensive experiments on detecting foreground objects from a video containing wavering tree branches or light open/close demonstrated that the proposed method was effective and could be used in medical gait analysis.

Key words:medical gait analysis;the Bayes decision rule;object detection