食物摄取事件中器皿边缘检测与识别的研究

开篇：润墨网以专业的文秘视角，为您筛选了一篇食物摄取事件中器皿边缘检测与识别的研究范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘 要：当今社会，越来越多的病症不断出现，如：肥胖症，糖尿病等多种“现代文明病”早已经成为危害人们健康的主要病症。文章是通过人体携带可穿戴的电子监控设备，对一天的生理活动视频进行分析，对食物摄取行为事件进行判定的研究。提出了一种基于多融合处理的椭圆检测算法，按照算法流程分别阐述了边缘检测，轮廓分割，轮廓检测，弧线段过滤与重组，引入凸性约束的影响和基于最小二乘椭圆拟合方法的检测方法。将实际复杂问题转换成器皿的边缘检测问题，从而为人体摄取能量与健康的主要因素的研究提供有效地科学依据。

关键词：边缘检测；轮廓分割；椭圆检测

1 概述

一种可穿戴的电子设备是匹斯堡大学医学中心计算神经科学实验室（laboratory for computational Neuroscience），体重管理中心（weight management center），电工实验室联合研制的[3]。该电子设备结构十分简单，轻巧，可以直接将该电子设备佩戴在胸前，拍摄周围的环境，内置存储卡可以自动保存视频。监控周期设置为24小时，监控结束后，拍摄好的监控录像可以作为多种参考依据进行处理。文章中主要研究生活环境中的影响身体健康的因素，作为医学参考依据。

文章是关于食物摄取行为的器皿边缘检测与识别的研究。将实际复杂问题转换成器皿的边缘检测问题，运用相对应的边缘检测算法，并对检测结果的处理与分析，判定食物摄取行为事件，从而为人体摄取能量与健康的主要因素的研究提供有效地科学依据。

2 关键技术

基于传统的椭圆检测算法的优势与不足，文章提出了一种基于多融合处理的椭圆检测算法，该框架按照图像的处理过程进行搭建，首先对图像进行边缘检测，提取关键帧，对关键帧进行轮廓检测和分割处理，得到多条弧线段，对弧线段进行过滤处理后，基于凸性约束原则重新组合弧线段，最后通过椭圆参数拟合方式进行椭圆存在检测。

在基于多融合处理的椭圆检测框架图1中，提取关键帧，对关键帧图像进行边缘检测后，边缘部分的像素点是离散的，经过轮廓检测和轮廓分割处理，连接检测出来的边缘点，构成比较平滑的曲线。然后将该曲线划分成多条弧线段，运用统计学思想，提出干扰数据，过滤筛选弧线段，并且基于凸性约束原则，重新组合了剩余的弧线段，构成集合，最后对弧线段集合进行椭圆检测，通过椭圆参数拟合，达到椭圆检测的目的。

在本论文中，考虑到实际场景问题的解决，为了保证结果的正确性，因此选用Sobel算子。

上述已有定义：

Sobel算子中，有两组3x3的矩阵，横向矩阵和纵向矩阵，将矩阵与图像作平面卷积，分别求出横向和纵向的亮度差分估算值。原始图像用M表示，经过横向及纵向边缘检测后的图像用GX及Gy代表，公式表示如下：

从上式可以看出，如果角度？兹取零值，代表待检测的图像中包含纵向边缘。

3 设计

经过边缘检测后，只是得到一些离散的边缘点，但是边缘点之间的关系是未知的，将离散的边缘点重新组合在一起，还必须经过轮廓的检测过程。轮廓分割技术是基于轮廓检测的基础上进行的。由于单纯的轮廓检测之后，并不能完整的、明确的判定图像中的分类信息。为了避免图像中的信息出现重叠，或者图像中的边缘划分不清，导致传输的信息错误，还必须经过轮廓的分割处理过程，将处理后的图像分割为不同的类别，明确图像中的信息。轮廓分割的主要目的是将图像信息的内容进行区分。由于充分的切割曲线后，图像检测后的各条曲线都被划分为多个弧段来表示，展示了轮廓分割后弧线的分布情况。不同的弧线段代表不同的图像信息，区分每个弧段的含义，这种方法有效的避免了图像中的信息重叠问题。不经过轮廓分割的图像轮廓，是包含所有的信息融合在一起的轮廓，不同的物体之间可能存在错误的连接曲线，而轮廓的分割处理后不存在这一问题。但不可避免的是，轮廓分割可能会导致原有正确的连贯曲线被切割，从而破坏了原有的轮廓。轮廓分割存在优点和不足，但这种方法基本保证了物体轮廓检测与分割的正确性。

轮廓经过了分割和过滤两项处理后，有利用价值的信息被保存了下来，噪声数据信息被删除掉。但是，并不能直接将这些保留的信息进行检测应用。这是因为保留的信息中依然存在隐患，并不能百分百的保证过滤后的数据一定是正确的，椭圆的检测精度不能被忽视。其次，轮廓分割过程中，破坏的原始轮廓的形状，无法区分离散的弧线段是含有同样的信息，可以将这些弧线段进行重新组合，划分并且合并这些轮廓，这种方法将会大大提高检测的准确度。一般来讲，图像通常是含有多个椭圆形的，保留下的弧段可以是来自不同的边缘区域，采用组合的方法，更能够确保检测结果有较高的准确精度。因此，弧线段的重新组合问题是椭圆检测的关键。

将基于多融合处理的椭圆检测算法应用于实际生活场景的检测中，被监控者佩戴可穿戴的电子设备进行一天的生理活动视频的录制，每隔24小时作为一个检测周期，视频中包含了被监控者每天进行规律性的行为活动，该视频可以上传给医师，便于医师分析影响被监控者身体健康的各种因素。由于食物摄取行为的判定是通过检测图像中器皿边缘的存在来决定的。因此，对于这一问题的检测，只要考虑人体在摄取食物状态即可。由于人在吃东西时，身体基本保持静止状态，所以需要将拍摄的视频首先进行初步处理，从海量视频中提取静态视频片段，截取静止图像，并在大量的静止图像中提取关键帧，对提取的关键帧进行简单的预处理过程，得到待检测的特征图像，然后采用多融合处理检测算法进行图像的器皿边缘检测，检测图像中是否含有圆形器皿边缘，由于实际的生活场景图片中包含大量的复杂信息，干扰数据繁多，因此经过边缘检测，轮廓分割与检测，弧线段的筛选与过滤，重组弧线段，最小二乘拟合算法之后获取的检测结果存在一定的误差，但是检测结果足以验证了算法的有效性，在实际生活场景中判定食物摄取行为准确度较高。

基于真实的生活场景，通过多融合处理椭圆检测算法检测器皿的边缘，轮廓检测与分割，过滤筛选弧线段，重新组合弧线段并判定的处理，得到不同的仿真结果，对仿真结果进行进一步的分析和研究。因此，人体生理活动进行监测和监控的视频，可以用来分析影响人们身体健康的因素，并且对未来社会中，人们不断追求更健康更环保的生活具有非常深远的意义。

参考文献

[1]王晓明，顾晓东，刘健.基于张量的图像检测及滤波[J].中国图形图像学报，2002（8）.

[2]钮毅，部分遮挡条件下椭圆目标识别[D].上海：上海交通大学自动化学院，2007.