馬如遠，金明亮，劉繼忠* ，柴國鐘

(1.浙江工業(yè)大學機械學院，杭州310000;2.南昌大學機電工程學院，南昌330031;3.嘉興學院機電工程學院，浙江嘉興314001)

環(huán)境認知是通過圖像傳感器獲取環(huán)境圖像信息，將圖信息像看成一個數(shù)據(jù)矩陣，通過計算機分析處理，進行特征提取和模式識別，完成相關(guān)后續(xù)任務(wù)(如智能機器人自主運行，智能交通等)的重要舉措。圖像采集部分大多采用DSP與圖像傳感器相連，采集到的數(shù)據(jù)由PC機進行后續(xù)處理。然而采集到的數(shù)據(jù)量龐大，一般都有幾十萬到幾百萬個數(shù)據(jù)，會嚴重影響系統(tǒng)運行速度與處理性能，特別是對嵌入式視覺系統(tǒng)或處理實時性要求較高的視覺系統(tǒng)。自從2006美國斯坦福大學的Donoho和Candès從信號分解和逼近理論提出了壓縮傳感［1］，為這一問題的解決提供了新的方法。壓縮傳感將采樣與壓縮結(jié)合起來，有效減少采集的數(shù)據(jù)量，降低系統(tǒng)整體復雜度，加快系統(tǒng)運行速度和提高系統(tǒng)處理性能，但目前壓縮傳感的研究仍還大都集中在不同方法的壓縮傳感及信號重構(gòu)方面［2－8］。2011年米紅妹［9］針對雷達回波壓縮傳感信號進行了低分辨雷達目標識別研究，Ren Yuemei［10］也對基于壓縮傳感的空間目標識別進行了有益的嘗試，雖然前者是基于雷達信號特征的稀疏采樣抽取，后者是通過稀疏系數(shù)構(gòu)建獲得識別信息庫，但也從側(cè)面對直接壓縮傳感信號特征識別提供了支持。本文將從提高移動機器人嵌入式視覺處理速度和實時性出發(fā)，進行機器人環(huán)境視覺壓縮傳感信號直接特征識別研究。不同于事先路徑規(guī)劃的移動機器人運行［11］，移動機器人嵌入式視覺系統(tǒng)處理實時性對于自主運行機器人具有極其重要性，環(huán)境視覺壓縮傳感信息的直接特征識別，對于提高嵌入式視覺系統(tǒng)處理速度和處理性具有更進一步的意義。文獻［12］借用壓縮傳感思想和壓縮圖像矩陣實現(xiàn)了移動機器人嵌入式視覺實時導航，趙士彬等提出了一種基于壓縮感知的低功耗高效率CMOS圖像傳感器［13］，為移動機器人嵌入式視覺壓縮感知提供了可行性。本文基于正交小波稀疏，通過道路和草坪典型環(huán)境圖像壓縮傳感直接特征提取識別與環(huán)境認知研究和實驗，驗證壓縮傳感信息直接特征提取識別的可行性。

1 壓縮傳感理論

壓縮傳感理論表明:如果原始信號或圖像具有稀疏表示，通過合適的優(yōu)化算法，可由少量的采樣值或觀測值來進行信號或圖像的重建。其核心思想是將壓縮與采樣合并進行，可以大大減少數(shù)據(jù)處理量，一般過程是:首先采集信號的非自適應線性投影(測量值)，然后根據(jù)相應重構(gòu)算法由測量值重構(gòu)原始信號。因此，壓縮傳感理論主要包括信號的稀疏表示、編碼測量和重構(gòu)算法等三個方面［14］。

(1)信號的稀疏表示就是將信號投影到正交變換基時，絕大部分變換系數(shù)絕對值很小，所得到的變換向量是稀疏或者近似稀疏的，可看作是原始信號的一種簡潔表達，這也是壓縮傳感的先驗條件。通常變換基可以根據(jù)信號本身的特點靈活選取，常用有離散余弦變換基、快速傅里葉變換基、離散小波變換基、Curvelet基、Gabor基以及冗余字典等。

(2)在編碼測量中，首先選擇穩(wěn)定的投影矩陣，為了確保信號的線性投影能夠保持信號的原始結(jié)構(gòu)，投影矩陣必須滿足約束等距性RIP(Restricted I-sometry Property)條件，然后通過原始信號與測量矩陣的乘積獲得原始信號的線性投影測量。最后，運用重構(gòu)算法由測量值及投影矩陣重構(gòu)原始信號。

(3)信號重構(gòu)過程一般轉(zhuǎn)換為一個最小L0范數(shù)的優(yōu)化問題，求解方法主要有最小L1范數(shù)法、匹配追蹤系列算法、最小全變分方法、迭代閾值算法等。

本文主要針對自主移動機器人視覺環(huán)境感知的實時性問題，對環(huán)境視覺壓縮傳感采樣，不經(jīng)過信號重構(gòu)過程，而是基于小波稀疏，直接進行典型紋理環(huán)境圖像壓縮傳感信息的特征提取與識別研究，驗證這種方法及提高視覺處理實時性的可行性。

2 小波稀疏

稀疏性是信號本身的特性，指信號可由少量的非零元素來表示。圖像信號包括已壓縮后的商用編碼標準的JPEG和JPEG2000多為稀疏信號［15］。設(shè)信號x是長度為N的K稀疏信號，那么它則可由冗余基ψ∈RM的K(K?M，M≥C0KlogN)個基向量的線性組合來表示，如下式(1)所示。

式中α表示變換系數(shù)，α=ψTx。文中采用正交小波基進行稀疏，給定基本小波函數(shù)ψ(t)，則信號f(t)的連續(xù)小波變換為:

a為尺度參數(shù)，b為平移參數(shù)。

通常小波框架都不是L2(R)的正交基，其信息存在冗余，若小波函數(shù)的伸縮平移系{ψa，b(t)}a，b∈Z是正交系就可以得到無冗余的小波框架。設(shè)ψ(t)∈L2(R)的一個可容許小波，若其二進伸縮平移系滿足下面關(guān)系:

正交小波提供原始信號的正交分解，各分解系數(shù)彼此獨立，從而可以去除冗余，減少數(shù)據(jù)量。由于小波只對信號的低頻部分做了進一步的分解，而對高頻部分也即是信號的細節(jié)部分不再做繼續(xù)分解，所以小波變換能夠很好表征一大類以低頻信息為主成分的信息，但它不能很好地分解和表示包含大量細節(jié)信息。數(shù)據(jù)量較大的高頻系數(shù)只是在信號具有奇異性的地方，其小波系數(shù)模值才顯著大于零，其它地方將非常小甚至為零，小波細節(jié)的這種特性為信號壓縮和減少數(shù)據(jù)量提供了可能。與一般小波不同的是，正交小波可以對高頻部分提供更精細的分解，而且這種分解是無冗余的。為驗證正交小波稀疏效果，本文首先采用經(jīng)典Lena圖像進行了稀疏分析，結(jié)果如圖1所示，可以看出稀疏后的圖像在較小范圍內(nèi)的保留了原始圖像的信息。實際環(huán)境圖像本文采用表征移動機器人野外運行環(huán)境的路面和草坪兩種典型環(huán)境圖像，由于包含了許多邊緣和紋理的重要細節(jié)信息，采用正交小波稀疏后得到的柏油道路、同類草坪紋理環(huán)境圖像的正交小波稀疏后的圖像分別如圖2和圖3所示。

圖1 Lena圖像正交小波稀疏

圖2 路面圖像正交小波稀疏

圖3 草坪圖像正交小波稀疏

3 壓縮傳感信息特征提取與環(huán)境認知

3.1 紋理特征參數(shù)提取

紋理是很多自然景物的一個重要特征。通常認為紋理是指圖像在灰度或顏色分布呈現(xiàn)某種規(guī)律性，這種規(guī)律性在不同類別的紋理中有其不同特點。自然界中的馬路和草地，它們的紋理基元沒有明確的形狀，而是某種灰度或顏色的分布，這種分布在空間位置上的反復出現(xiàn)形成紋理，這樣的重復在局部范圍內(nèi)往往難以體察出來，只有從整體上才能顯露，屬于典型的自然紋理。紋理特征描述對象物表面的粗糙程度和它的方向性，一般而言，自然紋理圖像通常采用統(tǒng)計分析方法，主要是基于圖像像素的灰度值的分布與相互關(guān)系，基本原理是選擇不同的統(tǒng)計量提取紋理圖像的統(tǒng)計特征。文中采用灰度共生矩陣方法［16］，進行紋理特征提取，原理方法如下:

設(shè)一幅N×N圖像的在任意一點(x，y)掃描至另外一點(x+a，y+b)，若對應的灰度值為(g1，g2)，統(tǒng)計出每一種(g1，g2)值出現(xiàn)的次數(shù)，然后排列成一個方陣，并用(g1，g2)出現(xiàn)的總次數(shù)將它們歸一化為出現(xiàn)的概率p(g1，g2)，這樣的方陣稱為灰度共生矩陣。若a=1，b=0，像素對是水平的，為0°掃描;a=1，b=1，像素對是右對角線的，為 45°掃描;a=0，b=1，像素對是垂直的，為 90°掃描;a=1，b=－1 時，像素對是左對角線，即135°掃描。紋理圖像的共生灰度矩陣一般采用下面的四個主要參數(shù)對圖像進行識別:

紋理能量:

紋理慣性:

紋理熵:

紋理相關(guān)性:

本文隨機選取10幅柏油道路、同類草坪環(huán)境圖像，對小波稀疏后的圖像進行了紋理特征參數(shù)提取，結(jié)果發(fā)現(xiàn)此兩類環(huán)境圖像的四個掃描方向上的同種參數(shù)結(jié)果相近，具有一定的旋轉(zhuǎn)不變性的紋理參數(shù)特征。因此，可取參數(shù)均值ˉE、ˉH、ˉI、ˉC作為圖像認知的特征參數(shù)。兩種圖像小波稀疏后的四種特征參數(shù)均值和最大均值誤差如表1所示。

表1 小波稀疏后兩種典型環(huán)境圖像的特征參數(shù)

文中圖像是在智能輪椅移動機器人固定嵌入式視覺系統(tǒng)與環(huán)境距離，圖像傳感器裝有輔助照明裝置情況下［12］采取得到。為分析日照對嵌入式視覺壓縮傳感圖像紋理特征參數(shù)的影響，取不同光照下(稍弱、中等、較強)的同一環(huán)境圖像進行了小波稀疏壓縮傳感紋理參數(shù)特征提取研究，結(jié)果發(fā)現(xiàn)當光照強度增強的情況下，實驗樣本中的紋理慣性I、紋理熵H略有增加，紋理能量E、紋理相關(guān)性C略有減小，當光照變化不大的情況下可近似忽略光照影響。

3.2 典型環(huán)境認知識別

由上述可知，同種環(huán)境壓縮傳感圖像具有相近的特征參數(shù)，可取訓練樣本特征參數(shù)均值ˉE、ˉI、ˉH、ˉC作為特征判斷閾值，我們將待識別壓縮傳感環(huán)境圖像的特征參數(shù)與判斷閾值的相近度定義為相似度函數(shù)作為識別依據(jù)。那么與某種環(huán)境壓縮傳感信息特征閾值相近度越大，越說明屬于該種環(huán)境。為使相似度函數(shù)與其數(shù)值結(jié)果相一致，我們?nèi)〈R別圖像特征參數(shù)與判斷閾值的歐氏距離的倒數(shù)作為相似度判據(jù)函數(shù)FS，即

i表示不同壓縮傳感環(huán)境參數(shù)特征閾值序號，如果該種壓縮環(huán)境圖像的第i個相似度函數(shù)FS的數(shù)值最大，說明待識別壓縮傳感環(huán)境圖像與第i種特征閾值最為相近，也就說明屬于第i種特征環(huán)境，即

FS(i)=max(FS)

?{待識別環(huán)境∈第i種特征環(huán)境}

本文i取1或，即柏油道路或同類草坪。

隨機取4幅柏油道路、4幅同類草坪共8幅圖像作為驗證樣本，進行小波稀疏后分別計算特征參數(shù)紋理能量ˉE、紋理慣性ˉI、紋理熵ˉH、紋理相關(guān)性ˉC和相似度判據(jù)函數(shù)FS，得到對應8幅圖像的相似度判據(jù)函數(shù)的數(shù)值如表2所示。

表2 壓縮傳感信息典型環(huán)境圖像識別結(jié)果

由表2結(jié)果可以看出，待識別圖像與兩個判據(jù)特征閾值的相似度差別較大，通過壓縮傳感后的直接信息，可以正確識別兩種典型環(huán)境，說明了通過壓縮傳感信息進行直接環(huán)境認知的可行性。下一步可進一步研究多類型環(huán)境感知(包括其他不同類型環(huán)境和形狀等其他圖像特征壓縮傳感表征)與嵌入式視覺處理實時性問題，以及光照、距離對壓縮傳感特征表征影響的函數(shù)修正。

4 結(jié)束語

為了提高移動機器人視覺環(huán)境感知處理實時性和視覺系統(tǒng)運行性能，文中基于小波稀疏進行了兩種典型環(huán)境的壓縮傳感信息直接特征處理識別研究，結(jié)果表明在小波稀疏下，利用壓縮傳感信息可以直接識別紋理環(huán)境圖像，為進一步的壓縮傳感信息的直接特征識別和特征保留研究提供了前期基礎(chǔ)，為基于視覺特別是嵌入式視覺的自主移動機器人環(huán)境認知實時性問題的解決提供了一種新的思路。

［1］ Donoho D.Compressed Sensing［J］.IEEE Transactions on Information Theory，2006，52(4):1289－1306.

［2］ 佘青山，徐平，羅志增，等.一種新的分塊壓縮傳感圖像重建算法［J］.東南大學學報(自然科學版)，2011，41(sup):27－31.

［3］ 魏苗，練秋生.基于壓縮傳感的寬帶頻譜協(xié)方差感知算法［J］.傳感技術(shù)學報，2011，24(7):1022－1026.

［4］ Usman M，Prieto C，Odille F，et al.A Computationally Efficient OMP-Based Compressed Sensing Reconstruction for Dynamic MRI［J］.Physics in Medicine and Biology，2011，56(7):N99－N114.

［5］ Amini Arash，Marvasti Farokh.Deterministic Construction of Binary，Bipolar，and Ternary Compressed Sensing Matrices［J］.IEEE Transactions on Information Theory，2011，57(4):2360－2370.

［6］ 練秋生，陳書貞.基于混合基稀疏圖像表示的壓縮傳感圖像重構(gòu)［J］.自動化學報，2010，36(3):385－391.

［7］ 蘇曉園，練秋生.基于迭代收縮法和三維復數(shù)小波的視頻壓縮傳感重構(gòu)［J］.光電工程，2010，37(2):108－112，121.

［8］ 金煒，符冉迪，葉明，等.采用殘差估算的衛(wèi)星云圖壓縮傳感重建［J］.應用科學學報，2011，29(5):495－499.

［9］ 米紅妹，邱天爽.基于壓縮傳感特征提取的低分辨雷達目標識別［J］.計算機應用，2011，31(8):2105－2107.

［10］ Ren Yuemei，Zhang Yangning，Li Ying.A Space Target Recognition Method Based on Compressive Sensing［C］//Proceedings-6th International Conference on Image and Graphics，Hefei，China，2011:582－586.

［11］陳世明，聶森，麗楠，等.模糊空間中基于人工勢場的移動機器人運動規(guī)劃［J］.南昌大學學報(工科版)，2010，32(2):192－195.

［12］ Liu Jizhong，Wu Xuepei，Xia Jiating，et al.Visual Navigation of a NovelEconomicalEmbedded Multi-Mode IntelligentControl System for Powered Wheelchair［C］//Advances in Neural Network Research and Applications，LNEE，2010，67(6):503－511.

［13］趙士彬，姚素英，徐江濤.基于壓縮感知的低功耗高效率CMOS圖像傳感器設(shè)計［J］.傳感技術(shù)學報，2011，24(8):1151－1157.

［14］ 李樹濤，魏丹.壓縮傳感綜述［J］.自動化學報，2009，35(11):1369－1374.

［15］金堅，谷源濤，梅順良.壓縮采樣技術(shù)及其應用［J］.電子與信息學報，2010，32(2):470－475.

［16］彭輝.基于紋理特征的圖像識別分類［J］.計算機與信息技術(shù)，2007，11:16－20.