苗錫奎，朱 楓，許以軍，吳清瀟，郝穎明，任申真

(1.中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所，遼寧沈陽(yáng) 110016;2.中國(guó)科學(xué)院研究生院，北京 100049;3.中國(guó)科學(xué)院光電信息處理重點(diǎn)實(shí)驗(yàn)室，遼寧沈陽(yáng) 110016;4.遼寧省圖像理解與視覺(jué)計(jì)算重點(diǎn)實(shí)驗(yàn)室，遼寧沈陽(yáng)110016)

基于視覺(jué)的水雷目標(biāo)識(shí)別方法研究

苗錫奎1，2，3，4，朱 楓1，3，4，許以軍1，吳清瀟1，3，4，郝穎明1，3，4，任申真1

(1.中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所，遼寧沈陽(yáng) 110016;2.中國(guó)科學(xué)院研究生院，北京 100049;3.中國(guó)科學(xué)院光電信息處理重點(diǎn)實(shí)驗(yàn)室，遼寧沈陽(yáng) 110016;4.遼寧省圖像理解與視覺(jué)計(jì)算重點(diǎn)實(shí)驗(yàn)室，遼寧沈陽(yáng)110016)

水下目標(biāo)識(shí)別一直是目標(biāo)識(shí)別領(lǐng)域的研究熱點(diǎn)，為此，以水雷目標(biāo)識(shí)別為需求背景提出了一種基于視覺(jué)的水雷目標(biāo)識(shí)別方法。該方法從水雷目標(biāo)形狀的本質(zhì)特征出發(fā)，根據(jù)幾何矩的物理意義，結(jié)合區(qū)域特征和邊界特征構(gòu)造了三個(gè)適合于水雷目標(biāo)形狀描述子，采用閾值判決的方法，實(shí)現(xiàn)水雷目標(biāo)的識(shí)別。實(shí)驗(yàn)結(jié)果表明，該方法比基于不變矩的方法識(shí)別率更高，具有較好的穩(wěn)定性，尤其適用于水下特定形狀的目標(biāo)識(shí)別和目標(biāo)受到部分遮擋的情況。其中水下圖像處理和特征的定義方法對(duì)水下目標(biāo)識(shí)別具有指導(dǎo)和借鑒意義。

水下機(jī)器人;水下圖像;目標(biāo)形狀;不變矩;水雷識(shí)別;視覺(jué)

水雷按其在水下的狀態(tài)大致分為:錨雷、沉底雷和掩埋雷，對(duì)于不同類型的水雷，應(yīng)選擇不同的識(shí)別方案。利用計(jì)算機(jī)視覺(jué)的方法可以對(duì)錨雷和沉底雷進(jìn)行識(shí)別，而且具有其它方法所不能比擬的優(yōu)點(diǎn):直觀、信息量大、處理方法多樣等［1］。其一般過(guò)程是利用攝像機(jī)并配合遠(yuǎn)距離光源(水下輔助照明設(shè)備)對(duì)目標(biāo)進(jìn)行成像，通過(guò)圖像處理，提取出目標(biāo)特征，采用模式識(shí)別的方法完成識(shí)別任務(wù)。

基于視覺(jué)的水下目標(biāo)識(shí)別方法關(guān)鍵是選擇具有穩(wěn)定性的目標(biāo)圖像特征。機(jī)器人在水下運(yùn)動(dòng)的過(guò)程中，因?yàn)樗颅h(huán)境惡劣及其在運(yùn)動(dòng)過(guò)程中姿態(tài)的變化，攝像機(jī)拍攝到的圖像質(zhì)量往往比較差，與理想圖像之間存在一定的差異。然而，水雷目標(biāo)的形狀卻有較好的穩(wěn)定性。另外，機(jī)器人本體離目標(biāo)距離的遠(yuǎn)近以及在不同方位對(duì)目標(biāo)進(jìn)行成像都會(huì)造成目標(biāo)區(qū)域形狀的平移、旋轉(zhuǎn)、比例縮放等變化。因此需要尋找一種具有平移、旋轉(zhuǎn)和比例不變性的圖像特征提取方法，以滿足實(shí)際應(yīng)用的需要。

在本應(yīng)用中，通過(guò)采集的大量水雷目標(biāo)圖像發(fā)現(xiàn)目標(biāo)形狀特征具有較好的穩(wěn)定性。而基于形狀的目標(biāo)識(shí)別方法有利用目標(biāo)的不變矩特征完成識(shí)別，如文獻(xiàn)［2］利用幾何矩的方法構(gòu)造了Hu矩，該矩具有平移、旋轉(zhuǎn)、縮放不變性。文獻(xiàn)［3］提出了邊界矩，加快了矩的計(jì)算速度;文獻(xiàn)［4］提出了基于歸一化Zernike矩和偽Zernike矩的二值化商標(biāo)圖像的識(shí)別方法，利用0－5階共21個(gè)低階矩完成商標(biāo)圖像的識(shí)別，識(shí)別率為0.91;文獻(xiàn)［5］利用小波矩結(jié)合神經(jīng)網(wǎng)絡(luò)的方法完成高壓輸電線路除冰機(jī)器人三種障礙物的識(shí)別，平均識(shí)別率達(dá)到0.92;文獻(xiàn)［6］利用局部小波矩來(lái)表征三維目標(biāo)的形狀特征，有效地應(yīng)用于易混淆三維目標(biāo)識(shí)別中。然而這些識(shí)別方法中的圖像樣本一般都是來(lái)自圖像質(zhì)量較好的樣本圖像庫(kù)，噪聲較少。而這樣高質(zhì)量的目標(biāo)圖像，在實(shí)際中是很難獲得的。尤其是水下目標(biāo)圖像，經(jīng)常會(huì)伴有各種噪聲。文獻(xiàn)［7］利用Hu矩構(gòu)造了新的不變量，完成了水下4類目標(biāo)的識(shí)別。但該4類目標(biāo)成像后十分清晰，而且沒(méi)有考慮遮擋問(wèn)題，最高識(shí)別率為0.94。這些不變矩特征雖然在其各自的應(yīng)用背景下具有很好的效果，但對(duì)水下目標(biāo)識(shí)別來(lái)說(shuō)，由于水下成像質(zhì)量差，對(duì)比度低，噪聲復(fù)雜和受遮擋等問(wèn)題，以上不變矩特征并不適用于本應(yīng)用，所提取的水下目標(biāo)不變矩值變化較大。因此有必要針對(duì)水下目標(biāo)圖像特點(diǎn)開(kāi)展深入研究。

以水雷目標(biāo)為應(yīng)用對(duì)象開(kāi)展水下目標(biāo)識(shí)別方法研究，建立了水下目標(biāo)識(shí)別實(shí)驗(yàn)平臺(tái)，采集了水雷目標(biāo)模型的實(shí)際水下圖像，提出了新的目標(biāo)形狀描述子。通過(guò)對(duì)特征描述子的特征值做閾值判決來(lái)完成水雷目標(biāo)識(shí)別，用以克服水下不確定性因素給目標(biāo)識(shí)別帶來(lái)的困難。實(shí)驗(yàn)結(jié)果表明該特征能很好地表征水雷目標(biāo)的形狀特征，針對(duì)水雷這樣的目標(biāo)具有較好的穩(wěn)定性，識(shí)別率高達(dá)0.94以上。該方法不需要結(jié)構(gòu)約束，比較簡(jiǎn)單。而且在目標(biāo)提取的同時(shí)就可以完成特征值的計(jì)算，避免了花費(fèi)大量時(shí)間來(lái)計(jì)算目標(biāo)的不變矩值，因而實(shí)時(shí)性較高。該方法可有效地應(yīng)用于水下目標(biāo)識(shí)別。

首先介紹建立的水下目標(biāo)識(shí)別實(shí)驗(yàn)系統(tǒng)平臺(tái);在此基礎(chǔ)上詳細(xì)描述了水下目標(biāo)圖像處理與目標(biāo)識(shí)別方法，重點(diǎn)闡述了水雷目標(biāo)形狀描述子;最后給出了實(shí)驗(yàn)結(jié)果與分析;研究工作的重點(diǎn)是水雷目標(biāo)特征提取及識(shí)別。

1 水下目標(biāo)識(shí)別實(shí)驗(yàn)系統(tǒng)介紹

文中的水雷目標(biāo)識(shí)別系統(tǒng)搭載在水下機(jī)器人(AUV)上。作為一個(gè)水下目標(biāo)識(shí)別系統(tǒng)［8］，該系統(tǒng)主要包括遠(yuǎn)距離光源(水下輔助照明設(shè)備)，攝像機(jī)，嵌入式系統(tǒng)，其它輔助硬件設(shè)備等如傳感器等，如圖1所示。其中光源和攝像機(jī)位于水下機(jī)器人(AUV)艙外，嵌入式系統(tǒng)和輔助硬件設(shè)備均位于艙體內(nèi)部。其工作原理:水下機(jī)器人在運(yùn)動(dòng)過(guò)程中，安裝在其上的CCD攝像機(jī)借助于水下輔助照明設(shè)備，實(shí)時(shí)采集視野范圍內(nèi)的圖像信息。通過(guò)嵌入式系統(tǒng)和輔助硬件將其轉(zhuǎn)化成數(shù)字圖像保存到大容量的磁盤中，同時(shí)利用圖像處理、分析等方法獲取當(dāng)前圖像中目標(biāo)特征，借助模式識(shí)別的方法對(duì)圖像中目標(biāo)所屬類別進(jìn)行判決。

水雷目標(biāo)識(shí)別基本流程:1)水下圖像信息采集;2)對(duì)采集到的圖像做預(yù)處理;3)利用Otsu算法對(duì)預(yù)處理后的圖像二值化，得到目標(biāo)形狀;4)利用文中提出的水雷目標(biāo)形狀描述子表征目標(biāo)，并利用閾值判決的方法完成目標(biāo)識(shí)別。

2 圖像分割

水下成像與大氣中成像有很大的區(qū)別［9］，水體對(duì)光具有選擇吸收作用，同時(shí)不同波長(zhǎng)的光在水中衰減的速度也是不同的。而且水體對(duì)光的散射作用［10］導(dǎo)致圖像對(duì)比度下降、噪聲增強(qiáng)、圖像質(zhì)量退化嚴(yán)重。而且還會(huì)導(dǎo)致背景中出現(xiàn)強(qiáng)亮度點(diǎn)，這些亮點(diǎn)往往與目標(biāo)區(qū)域摻雜在一起，增加了圖像處理和目標(biāo)識(shí)別的難度。為了準(zhǔn)確地從采集到的水下圖像中將目標(biāo)分割出來(lái)，在圖像分割前，必須對(duì)圖像進(jìn)行預(yù)處理。圖2是三幅水下機(jī)器人采集到的水下目標(biāo)模型圖像，從中可以看到水下圖像的對(duì)比度都較低，圖像中目標(biāo)邊緣模糊，噪聲嚴(yán)重。此外受到光照條件的影響，圖像的清晰度差別較大，存在明顯的灰白效應(yīng)。

圖1 水下目標(biāo)識(shí)別實(shí)驗(yàn)平臺(tái)Fig.1 Underwater object recognition system

圖2 水下圖像噪聲Fig.2 Noise of the underwater images

2.1 圖像預(yù)處理

在圖像分割前，對(duì)水下圖像做了預(yù)處理。首先對(duì)彩色圖像做灰度化處理;其次對(duì)灰度圖像做高斯濾波;最后對(duì)濾波后的圖像做形態(tài)學(xué)處理。

彩色圖像灰度化主要是為了消除顏色信息，在實(shí)驗(yàn)過(guò)程中發(fā)現(xiàn)將彩色圖像轉(zhuǎn)換成灰度圖像的效果并沒(méi)有直接從三個(gè)通道中僅取出R通道的效果好。而且通過(guò)后面的實(shí)驗(yàn)也證實(shí)了這一點(diǎn)，單獨(dú)提取R通道作為灰度圖像;高斯濾波主要是為了消除水粒子散射的影響，模糊掉圖像中的水紋噪聲;形態(tài)學(xué)處理(腐蝕、膨脹)主要是為了消除背景區(qū)域中散布的一些小噪聲物體和強(qiáng)亮度點(diǎn)。預(yù)處理之后，去除了很多干擾噪聲。雖然圖像變得模糊了一些，但是圖像中目標(biāo)形狀區(qū)域內(nèi)部像素值的差異大大減少，這樣將有利于圖像的二值化。同時(shí)在實(shí)驗(yàn)過(guò)程中還發(fā)現(xiàn)，識(shí)別前期的圖像預(yù)處理在整個(gè)識(shí)別過(guò)程中起到了十分重要的作用。如膨脹和腐蝕的結(jié)構(gòu)元參數(shù)選取的不好，將會(huì)造成后面步驟的分割中出現(xiàn)一些雜亂的小目標(biāo)。通過(guò)對(duì)機(jī)器人水池實(shí)驗(yàn)采集到的水下目標(biāo)圖像進(jìn)行以上步驟的預(yù)處理，得到的圖像質(zhì)量滿足后續(xù)的目標(biāo)識(shí)別任務(wù)要求，表明所采用的圖像預(yù)處理方法是有效的。由于篇幅的關(guān)系，在這里不作詳細(xì)介紹。

2.2 圖像二值化

如何將水雷目標(biāo)從圖像中準(zhǔn)確地分割出來(lái)，對(duì)于目標(biāo)特征提取與識(shí)別起決定作用。如果用邊緣檢測(cè)的方法提取目標(biāo)的邊緣輪廓，則得到的目標(biāo)輪廓形狀隨著采集圖像的環(huán)境和目標(biāo)狀態(tài)的變化會(huì)發(fā)生顯著的變化，而且最關(guān)鍵的是邊緣提取的閾值不能做到自適應(yīng)。分析其原因，主要是因?yàn)樗颅h(huán)境變化劇烈，即便目標(biāo)距離變化很小，得到的圖像相差也很大。另外由于水中固有的后向散射噪聲、亮點(diǎn)及水雷目標(biāo)上的一些雜物都會(huì)使邊緣檢測(cè)結(jié)果相差很大。這樣會(huì)使目標(biāo)特征變得不穩(wěn)定，不能很好地反映水雷目標(biāo)的形狀，圖3(a)所示為水雷目標(biāo)模型邊緣檢測(cè)效果圖。相反閾值分割在這種情況下提取的目標(biāo)表現(xiàn)出良好的穩(wěn)定性，見(jiàn)圖3(b)所示為水雷目標(biāo)模型閾值分割效果圖。

使用Otsu自適應(yīng)閾值算法［11］(最大類間方差法)選取最佳的閾值來(lái)二值化圖像。通過(guò)對(duì)不同環(huán)境和目標(biāo)狀態(tài)下采集的圖像做Otsu自適應(yīng)閾值分割，分割出的目標(biāo)輪廓比較統(tǒng)一，具有很好的穩(wěn)定性，而且基本不受外界環(huán)境的影響(包括目標(biāo)狀態(tài))。分析其原因，主要是因?yàn)殚撝捣指畈粫?huì)像邊緣檢測(cè)那樣對(duì)灰度變化那樣敏感。結(jié)合圖像預(yù)處理中的濾波技術(shù)和形態(tài)學(xué)處理，可以很容易地去除噪聲得到比較滿意的目標(biāo)圖像。更重要的是，可以根據(jù)環(huán)境的不同自適應(yīng)地確定分割的閾值。限于篇幅，此處僅列舉一例。但實(shí)驗(yàn)證明，利用該方法不僅能夠得到較為穩(wěn)定的目標(biāo)輪廓，而且抗噪性能強(qiáng)，計(jì)算代價(jià)小，實(shí)時(shí)性能高。本方法也為研究者關(guān)于水下目標(biāo)提取提供了一定指導(dǎo)和借鑒意義。

圖3 邊緣檢測(cè)和閾值分割Fig.3 Edge detection and threshold segmentation

3 目標(biāo)識(shí)別

在水雷目標(biāo)識(shí)別過(guò)程中，最重要的步驟就是特征表示與提取。迄今為止，已經(jīng)有很多文獻(xiàn)對(duì)這個(gè)問(wèn)題進(jìn)行了分析研究［12］，但是還沒(méi)有統(tǒng)一的解決方法。特征選取的好壞將直接影響到識(shí)別方法的識(shí)別率。為此，使用形狀描述子，根據(jù)幾何矩的物理意義，并結(jié)合本應(yīng)用中水雷目標(biāo)自身特征和成像后特征，利用區(qū)域特征描述和邊界特征描述相結(jié)合的方法構(gòu)造了三個(gè)新的水雷目標(biāo)特征來(lái)表征水雷形狀。

3.1 目標(biāo)特征選擇

紋理、顏色和形狀是圖像基本的視覺(jué)特征。由于水下成像環(huán)境比較特殊，從采集到的水下目標(biāo)圖像來(lái)看，水雷目標(biāo)紋理比較弱，尤其是水下的背景環(huán)境紋理更弱，基本成黑灰色。而且顏色信息在水中的衰減速度很快，兩次拍攝水雷目標(biāo)前后距離僅相差10 cm這樣的數(shù)量級(jí)時(shí)，目標(biāo)顏色和背景在兩幅圖像中的變化很大。因此關(guān)于水雷目標(biāo)識(shí)別所選用的特征應(yīng)該首先排除紋理和顏色，故而選擇了形狀特征。實(shí)際上選擇形狀特征也有很多優(yōu)點(diǎn):1)水雷目標(biāo)的形狀特征能夠很好地描述水雷目標(biāo)固有的特征;2)水雷目標(biāo)在成像時(shí)其形狀特征具有一定的穩(wěn)定性;3)非水雷目標(biāo)與水雷目標(biāo)的形狀相差很大。

3.2 幾何矩

對(duì)于一幅給定的數(shù)字圖像，其亮度函數(shù)為f(x，y)，定義它的p+q階幾何矩為如下積分形式:

p+q階中心矩定義為:

矩特征有著明確的物理和數(shù)學(xué)意義，根據(jù)其定義形式，零階矩反映了目標(biāo)的面積，一階矩反映了目標(biāo)的質(zhì)心位置，因此利用這兩個(gè)矩量就可以避免因目標(biāo)大小和位移變化對(duì)目標(biāo)特征的影響。二階矩又稱為慣性矩，與一階矩和零階矩共同構(gòu)成了目標(biāo)的低階矩。低階矩所反映的目標(biāo)特征可以用圖像橢圓來(lái)表示，如圖4所示。對(duì)于二值圖像而言，圖像橢圓的面積和二階矩均與目標(biāo)的面積和二階矩相等，該橢圓的主軸方向角φ與橢圓的長(zhǎng)軸長(zhǎng)a、短軸長(zhǎng)b能反映目標(biāo)形狀特征，具體計(jì)算如下:

圖4 目標(biāo)圖像橢圓Fig.4 Image ellipse of the object

Hu矩、Zernike矩、偽Zernike矩和小波矩等不變矩都是在幾何矩和中心矩的基礎(chǔ)上發(fā)展起來(lái)的，而且具有平移、旋轉(zhuǎn)、縮放不變性。下面定義的目標(biāo)特征描述子正是基于目標(biāo)形狀的本質(zhì)特征，結(jié)合幾何矩的物理意義而定義的。

3.3 目標(biāo)特征描述

通過(guò)采集大量的水雷目標(biāo)模型圖像，總結(jié)了水雷模型形狀所具有的典型特征:

1)水雷目標(biāo)固有形狀為一圓柱體，柱體母線長(zhǎng)度比兩條母線之間的距離大的多，且兩條母線平行，在成像之后將利用該特征構(gòu)造水雷目標(biāo)模型所獨(dú)有的特征。

2)水雷目標(biāo)成像后，無(wú)論是錨雷還是沉底雷，經(jīng)過(guò)目標(biāo)提取，目標(biāo)區(qū)域呈狹長(zhǎng)狀，可近視為長(zhǎng)方形，即近視為一柱體成像，長(zhǎng)和寬的比例一般大于1.5。這主要是由水雷目標(biāo)固有的形狀特征決定。

3)成像后水雷目標(biāo)輪廓上有一對(duì)接近平行的對(duì)邊，而且這對(duì)對(duì)邊比另外一對(duì)對(duì)邊長(zhǎng)的多，在這對(duì)對(duì)邊上相應(yīng)點(diǎn)處曲率大體上相等而且較小。曲率在一個(gè)范圍內(nèi)波動(dòng)變化，接近直線的曲率0。由于水下環(huán)境的惡劣和成像過(guò)程的攝影變換，另外一對(duì)對(duì)邊不具有這樣的性質(zhì)。一般另一對(duì)邊由于受到環(huán)境和遮擋等原因不能完整地提取出來(lái)。

3.4 目標(biāo)特征定義與識(shí)別

Hu矩中有7個(gè)不變矩，但這7個(gè)矩都是由低階(二階和三階)歸一化中心矩的乘法、加法、減法的非線性組合構(gòu)成，不能很好地描述水雷目標(biāo)的形狀特征。為了更好地描述水雷目標(biāo)形狀特征，根據(jù)幾何矩的物理意義(見(jiàn)3.2小節(jié))，并結(jié)合本應(yīng)用中水雷目標(biāo)本身和成像后特征，利用區(qū)域特征描述和邊界特征描述相結(jié)合的方法構(gòu)造了三個(gè)新的水雷目標(biāo)特征。這三個(gè)特征能夠很好地表征水雷的形狀，而且這三個(gè)特征矩也具有平移、縮放、旋轉(zhuǎn)不變的特性。

目標(biāo)長(zhǎng)寬比E:圖像低階矩具有穩(wěn)定性，反應(yīng)目標(biāo)整體特征。利用圖像目標(biāo)橢圓長(zhǎng)軸與短軸之比定義長(zhǎng)寬比特征E，定義如下:

該特征可以很容易地將長(zhǎng)條形目標(biāo)與非長(zhǎng)條形目標(biāo)區(qū)分開(kāi);能將緊湊型與非緊湊型目標(biāo)區(qū)分開(kāi)。該特征描述子也正是基于矩的物理意義定義的。在本應(yīng)用中，當(dāng)E大于1.5時(shí)，表明目標(biāo)形狀是狹長(zhǎng)形的。

目標(biāo)矩形度R:利用相應(yīng)的算法求出目標(biāo)輪廓的最小外接矩形，用目標(biāo)的面積與其最小外接矩形的面積之比來(lái)定義矩形度特征。它反映目標(biāo)對(duì)其最小外接矩形的充滿程度，即R=Sobj/Srec。Sobj為目標(biāo)的面積，即目標(biāo)的零階矩m00，Srec為目標(biāo)最小外接矩形面積。R的值在0～1之間，當(dāng)目標(biāo)為矩形時(shí)，R取得最大值1.0;當(dāng)目標(biāo)為圓形時(shí)，R取值為π/4;細(xì)長(zhǎng)且彎曲的目標(biāo)，R的取值變小。該特征能夠?qū)⒑苋菀椎貙⒕匦?包括正方形)目標(biāo)與其它形狀目標(biāo)區(qū)分開(kāi)。

較長(zhǎng)對(duì)邊夾角C:根據(jù)3.3小節(jié)中的3)所描述，較長(zhǎng)對(duì)邊上相應(yīng)點(diǎn)處曲率大體上相等而且較小，接近直線的曲率0。那么就可以用較長(zhǎng)對(duì)邊上輪廓點(diǎn)擬合兩條直線段，兩條直線段的斜率在一個(gè)范圍內(nèi)波動(dòng)變化，即兩條對(duì)邊接近平行。為此，定義了較長(zhǎng)對(duì)邊夾角特征。沿長(zhǎng)軸方向上且過(guò)圖像橢圓中心的直線L將水雷目標(biāo)輪廓的邊緣點(diǎn)分成兩部分，上部和下部，用S1、S2分別表示這兩部分邊緣輪廓上的點(diǎn)集。將直線L漸近平行向上移動(dòng)，當(dāng)S1集合中在該直線以上的點(diǎn)的數(shù)目占S1集合總數(shù)目的80%(可調(diào))時(shí)，停止移動(dòng)，用T1表示S1中在該直線上方的點(diǎn)集合;同樣將直線L漸近平行向下移動(dòng)，當(dāng)S2集合中在該直線以下的點(diǎn)的數(shù)目占S2集合總數(shù)目的80%(可調(diào))時(shí)，停止移動(dòng)，用T2表示S2中在該直線下方的點(diǎn)集合。用最小二乘方法或隨機(jī)抽樣一致性方法對(duì)T1和T2集合中的點(diǎn)擬合兩條直線段L1和L2。判斷L1和L2是否接近平行，同時(shí)擬合的兩條直線段也要足夠的長(zhǎng)，比如L1和L2兩條線段的長(zhǎng)度都要大于一定的閾值(長(zhǎng)度至少要大于橢圓短軸長(zhǎng)的1.5倍)。利用該特征可以很容易地判斷出在目標(biāo)橢圓長(zhǎng)軸方向上目標(biāo)是否具有一對(duì)較長(zhǎng)且接近平行的對(duì)邊。

長(zhǎng)寬比特征是一種無(wú)量綱，對(duì)尺度變化不敏感，其計(jì)算顯然與平移、旋轉(zhuǎn)、縮放無(wú)關(guān);在計(jì)算矩形度特征時(shí)，使用的是兩個(gè)面積相除的方法，沒(méi)有量綱，顯然具有平移、縮放、旋轉(zhuǎn)不變性;對(duì)于較長(zhǎng)對(duì)邊夾角特征，經(jīng)過(guò)二值化后得到的目標(biāo)邊緣并不是很光滑，帶有鋸齒狀。這里使用了適當(dāng)大小的模板對(duì)其進(jìn)行中值濾波以便使邊緣變得光滑，但并不影響目標(biāo)的整體形狀特征。輪廓邊緣變得光滑后，擬合的直線將更加準(zhǔn)確。當(dāng)目標(biāo)發(fā)生旋轉(zhuǎn)和平移時(shí)，邊夾角的計(jì)算沒(méi)有改變。因此該特征與旋轉(zhuǎn)、平移無(wú)關(guān)。當(dāng)目標(biāo)發(fā)生尺度縮放時(shí)，由于計(jì)算邊夾角，擬合直線選用的是兩對(duì)邊上的點(diǎn)，與目標(biāo)尺寸大小并無(wú)關(guān)系。因此對(duì)縮放也具有不變性。

目標(biāo)長(zhǎng)寬比和矩形度兩個(gè)特征還不能完全表征水雷目標(biāo)所具有的特點(diǎn)，例如有些彎狀長(zhǎng)寬比和矩形度都較大，但是其較長(zhǎng)對(duì)邊夾角超過(guò)一定的閾值，對(duì)邊不平行，故不能判決為水雷目標(biāo)。這里又選擇了較長(zhǎng)對(duì)邊夾角這一特征來(lái)提高識(shí)別率。

由于本方法重點(diǎn)關(guān)注的是目標(biāo)特征的表示與提取，對(duì)于分類器的設(shè)計(jì)，這里僅僅使用了閾值判決的方法完成目標(biāo)分類。即統(tǒng)計(jì)上文定義的三個(gè)目標(biāo)特征的閾值，以此作為依據(jù)來(lái)判斷目標(biāo)是否是水雷目標(biāo)模型。

4 實(shí)驗(yàn)結(jié)果

為了驗(yàn)證所提出方法的有效性，設(shè)計(jì)開(kāi)發(fā)了實(shí)驗(yàn)托體(水下目標(biāo)識(shí)別實(shí)驗(yàn)平臺(tái))。在實(shí)驗(yàn)水池中放入水雷目標(biāo)模型實(shí)體，在不同光照、不同水深以及不同位姿等條件下進(jìn)行了多次水下目標(biāo)圖像采集和目標(biāo)識(shí)別實(shí)驗(yàn)，識(shí)別率高于94%，驗(yàn)證了本方法的可行性和有效性。

4.1 實(shí)驗(yàn)條件

實(shí)驗(yàn)中，光源和視覺(jué)攝像機(jī)垂直安裝在機(jī)器人艙外，所獲取的圖像大小為640×480。針對(duì)水雷目標(biāo)模型，采集了大量的水下圖像。具體如下:機(jī)器人本體離目標(biāo)距離范圍設(shè)置為1～3 m，每0.1 m作為一個(gè)距離段，共計(jì)30處位置;在每一處水平方向分別以大約45°為步長(zhǎng)旋轉(zhuǎn)8次，在垂直方向分別以小于30°正向和逆向旋轉(zhuǎn)2次，共16次;然后再變化水雷的狀態(tài)，目標(biāo)完整成像，部分成像和受到部分遮擋3種狀態(tài)，共拍攝圖像1 440幅。

4.2 目標(biāo)特征閾值的確定

通過(guò)上文的方法已經(jīng)能夠完成水下目標(biāo)特征的表示與提取，結(jié)合采集的大量水雷模型樣本圖像，利用實(shí)驗(yàn)統(tǒng)計(jì)的方法確定水雷目標(biāo)模型三個(gè)特征量的閾值。即同時(shí)滿足以下三個(gè)條件的目標(biāo)視為水雷目標(biāo)模型:1)目標(biāo)的長(zhǎng)寬比E大于1.5;2)目標(biāo)上較長(zhǎng)對(duì)邊夾角C小于10°(即有一對(duì)接近平行的較長(zhǎng)對(duì)邊);3)目標(biāo)矩形度R大于0.75。將所提取到的水下目標(biāo)三個(gè)特征值與相應(yīng)的閾值作比較即可判斷出該目標(biāo)是否為水雷目標(biāo)模型。

4.3 實(shí)驗(yàn)結(jié)果及分析

針對(duì)4.1節(jié)所采集的圖像，按照上面小節(jié)所介紹的方法首先進(jìn)行圖像預(yù)處理;然后自適應(yīng)閾值分割，對(duì)分割出的目標(biāo)計(jì)算三個(gè)新特征值;最后做閾值判決進(jìn)行目標(biāo)識(shí)別，識(shí)別率為94.85%。由于篇幅的限制，本節(jié)選取了典型的目標(biāo)圖像，如圖5所示。表1列出了圖5所示目標(biāo)圖像的三個(gè)特征值，同時(shí)在實(shí)驗(yàn)中也考慮了在圖像中存在多個(gè)虛假干擾目標(biāo)的情況，如圖6所示。表2列出了虛假干擾目標(biāo)的三個(gè)特征值的大小，已與各特征值的閾值做了比較，其中圓狀目標(biāo)和彎狀目標(biāo)沒(méi)有特征C，具體見(jiàn)表中的各特征值。

圖5 目標(biāo)兩端受遮擋、噪聲、缺失等影響Fig.5 The two ends block，noise or missed

表1 水雷目標(biāo)各特征值Tab.1 Mines object feature values

圖6 水雷目標(biāo)和虛假目標(biāo)Fig.6 Mine objects and false objects

另外為了對(duì)比本方法在水雷識(shí)別上的優(yōu)勢(shì)，針對(duì)應(yīng)用中的目標(biāo)圖像，將本方法的識(shí)別率與基于不變矩(Zernike矩、偽Zernike矩、小波矩)方法的識(shí)別率進(jìn)行了比較，如表3所示，實(shí)驗(yàn)中所用圖像采集條件同上。從表中可以看出基于不變矩的方法識(shí)別率之所以低主要是因?yàn)槟繕?biāo)受到噪聲的干擾和部分的遮擋，所提取的目標(biāo)細(xì)節(jié)發(fā)生了較大變化，而且存在的一些虛假目標(biāo)，使全局矩值變化較大。

表2 虛假目標(biāo)各特征值Tab.2 Feature values of false objects

表3 水雷模型各方法的識(shí)別結(jié)果Tab.3 Mine models recognition results of four methods

5 結(jié)語(yǔ)

水下圖像質(zhì)量差，目標(biāo)狀態(tài)的改變和部分遮擋的存在都給水下目標(biāo)識(shí)別增加了難度。基于水雷目標(biāo)形狀的本質(zhì)特征，根據(jù)幾何矩的物理意義，利用區(qū)域特征描述和邊界特征描述相結(jié)合的方法構(gòu)造了三個(gè)適合于水雷目標(biāo)形狀描述子，提出了一種新的水下目標(biāo)識(shí)別方法。方法首先采用Otsu方法對(duì)預(yù)處理圖像做閾值分割，然后提取目標(biāo)的三個(gè)特征值，采用閾值判決的方法，完成識(shí)別任務(wù)，其識(shí)別率高于基于不變矩的方法。該方法為水下目標(biāo)識(shí)別問(wèn)題提供了一種新的解決思路，對(duì)水下目標(biāo)識(shí)別具有一定的指導(dǎo)和借鑒意義。由于水雷目標(biāo)形狀各異，而本方法僅考慮了一種形狀的水雷目標(biāo)。因此下一步的研究工作是對(duì)多種形狀的水雷目標(biāo)識(shí)別方法開(kāi)展研究，而且要設(shè)計(jì)更好的分類器，進(jìn)一步提高識(shí)別率。

［1］Balasuriya A，Ura T.Vision-based underwater cable detection and following using AUVs［C］∥Proceedings of the Oceans 2002 Conference and Exhibition.2002:1582-1587.

［2］Hu M K.Visual-pattern recognition by moment invariants［J］.IEEE Transactions on Information Theory，1962，8(2):179-187.

［3］Chen C C.Improved moment invariants for shape discrimination［J］.Pattern Recognition，1993，26(5):683-686.

［4］Ye Bin，Peng Jia-Xiong.Invariance analysis of improved Zernike moments［J］.Journal of Optics.A:Pure and Applied optics，2002(4):606-614.

［5］繆思怡，孫 煒，張海霞.基于小波矩的高壓輸電線路除冰機(jī)器人障礙智能視覺(jué)識(shí)別方法［J］.機(jī)器人，2010，32(3):425-431.

［6］王松偉，李言俊，張 科.基于局部小波矩的易混淆三維目標(biāo)識(shí)別［J］.紅外與激光工程，2008，37(6):1106-1110.

［7］唐旭東，朱 煒，龐永杰，等.水下機(jī)器人光視覺(jué)目標(biāo)識(shí)別系統(tǒng)［J］.機(jī)器人，2009，3l(2):171-178.

［8］Jain R，Kasnlri R，Schunck B G.Machine Vision［M］.Beijing:China Machine Press，2003.

［9］張 赫，徐玉如，萬(wàn) 磊，等.水下退化圖像處理方法［J］.天津大學(xué)學(xué)報(bào)，2010，43(9):827-833.

［10］藍(lán)國(guó)寧，李 建，籍 芳.基于小波的水下圖像后向散射噪聲去除［J］.海洋技術(shù)，2010，29(2):43-47.

［11］Otsu N.A threshold selection method from gray-level histogram［J］.IEEE Transactions on Systems，Man，and Cybernetics，1979，9(1):62-66.

［12］邊肇祺，張學(xué)工.模式識(shí)別［M］.北京:清華大學(xué)出版社，2000:253-257.

Mine object recognition method research of AUV based on vision

MIAO Xi-kui1，2，3，4，ZHU Feng1，3，4，XU Yi-jun1，WU Qing-xiao1，3，4，HAO Ying-ming1，3，4，REN Shen-zhen1
(1.Shenyang Institute of Automation，Chinese Academy of Sciences，Shenyang 110016，China;2.Graduate School of Chinese Academy of Sciences，Beijing 100049，China;3.Key Laboratory of Optical-Electronics Information Processing，Chinese Academy of Sciences，Shenyang 110016，China;4.Key Laboratory of Image Understanding and Computer Vision，Liaoning Province，Shenyang 110016，China)

Underwater object recognition has long been the research focus in the field of object recognition.For mine object recognition，we propose a novel method based on vision.Based on the essential features of the mines＇shape，the method proposes three shape feature descriptors of the mines.According to the physical significance of the geometric moments，it combines the regional characteristics and boundary characteristics，and employs threshold decision to complete mine object recognition.The experimental results show that the recognition rate of the method is much higher than that of the methods based on invariant moments.The method has good stability，especially suitable for the specific shape of the underwater object recognition and partial occlusion of the object.In the method，underwater image processing and feature definition approaches provide guidance and reference for underwater object recognition.

autonomous underwater vehicle;underwater image;object shape;invariant moments;mine recognition;vision

TP242

A

1005-9865(2012)04-0154-07

2011-12-16

中國(guó)科學(xué)院知識(shí)創(chuàng)新工程重大資助項(xiàng)目(YYYJ-0917)

苗錫奎(1984－)，男，山東濰坊人，博士生，主要從事計(jì)算機(jī)視覺(jué)，模式識(shí)別和圖像處理方面的研究。E-mail:miaoxikui@163.com