曹　霞，吳　玲，王　波

(1.武漢晴川學(xué)院,湖北　武漢　430064；2.華中師范大學(xué), 湖北　武漢　430079)

基于運(yùn)動(dòng)信息的車輛目標(biāo)姿態(tài)估計(jì)

曹霞1，吳玲2，王波1

(1.武漢晴川學(xué)院,湖北武漢430064；2.華中師范大學(xué), 湖北武漢430079)

對(duì)車輛目標(biāo)而言,預(yù)先對(duì)目標(biāo)圖像的運(yùn)動(dòng)方位角估計(jì)，能提高整個(gè)車輛目標(biāo)識(shí)別和分類系統(tǒng)的效率。對(duì)常用的主軸分析方法進(jìn)行比較，為了降低方位角度估計(jì)的誤差，提出采用基于局部特征的運(yùn)動(dòng)方向提取方法對(duì)車輛運(yùn)動(dòng)姿態(tài)進(jìn)行估計(jì)。該方法首先基于全局運(yùn)動(dòng)補(bǔ)償后的圖像，在目標(biāo)區(qū)域提取強(qiáng)響應(yīng)角點(diǎn)，然后在目標(biāo)區(qū)域范圍采用KLT算法進(jìn)行局部特征跟蹤，通過(guò)點(diǎn)運(yùn)動(dòng)估計(jì)車輛目標(biāo)運(yùn)動(dòng)方位角.實(shí)驗(yàn)結(jié)果顯示，所提方法能較準(zhǔn)確地估計(jì)運(yùn)動(dòng)目標(biāo)的姿態(tài)，對(duì)目標(biāo)方位角估計(jì)的誤差明顯低于上述多種主軸分析方法。

主軸分析；KLT算法;運(yùn)動(dòng)估計(jì)；目標(biāo)識(shí)別

自動(dòng)目標(biāo)識(shí)別在威脅評(píng)估、打擊目標(biāo)選擇和打擊效果分析中占據(jù)著重要位置，是目標(biāo)圖像解譯的重要環(huán)節(jié)。由于目標(biāo)成像結(jié)果對(duì)目標(biāo)方位角變化的高度敏感性，對(duì)于每一類特定的目標(biāo)而言，基于模板的目標(biāo)識(shí)別方法，必須包括目標(biāo)不同角度的大量模板庫(kù)；基于模型的識(shí)別方法，必須針對(duì)數(shù)據(jù)庫(kù)中的目標(biāo)概念模型計(jì)算每個(gè)角度的目標(biāo)圖像，若能預(yù)先計(jì)算目標(biāo)的具體方位角，將能有效降低模板庫(kù)搜索時(shí)間和計(jì)算目標(biāo)預(yù)測(cè)圖像的次數(shù)，從而有效地提高整個(gè)自動(dòng)目標(biāo)識(shí)別系統(tǒng)的效率。因此，目標(biāo)圖像方位角估計(jì)是自動(dòng)目標(biāo)識(shí)別研究中的一個(gè)非常重要的課題[1-3]。

通過(guò)運(yùn)動(dòng)目標(biāo)檢測(cè)可以獲得目標(biāo)的位置描述，對(duì)車輛目標(biāo)而言，目標(biāo)的運(yùn)動(dòng)方向、幾何主軸、車型等信息對(duì)目標(biāo)識(shí)別和分類至關(guān)重要。車輛目標(biāo)的姿態(tài)估計(jì)，可以借助目標(biāo)掩膜、邊緣、局部特征等信息，大致可分為基于幾何描述的方法和基于運(yùn)動(dòng)信息的方法。

本文采用基于局部特征的運(yùn)動(dòng)方向提取方法對(duì)車輛運(yùn)動(dòng)姿態(tài)進(jìn)行估計(jì)，并同常用的主軸分析方法進(jìn)行了比較，實(shí)驗(yàn)結(jié)果表明本文所提出的方法能較正確地估計(jì)車輛運(yùn)動(dòng)目標(biāo)的姿態(tài)。

1　基于PCA的主軸分析

主成分分析PCA是一種常用的數(shù)據(jù)分析方法[4-5]。它通過(guò)線性變換，將原始數(shù)據(jù)的主要信息保存為一組最優(yōu)的單位正交向量的加權(quán)組合，并使得變換后的數(shù)據(jù)和原始數(shù)據(jù)的均方差誤差最小。PCA在保留原始數(shù)據(jù)的大部分特征的同時(shí)，去除了數(shù)據(jù)之間的相關(guān)性。它可用于提取數(shù)據(jù)的主要特征分量，并常用于高維數(shù)據(jù)的降維處理。

采用PCA算法進(jìn)行幾何主軸的估計(jì)[6]，就是在二維平面內(nèi)分析目標(biāo)區(qū)域的主方向，這樣就將幾何問題轉(zhuǎn)化為數(shù)據(jù)分析問題。尋找數(shù)據(jù)的主軸方向，等價(jià)于尋找一個(gè)新的坐標(biāo)系，使得原坐標(biāo)系數(shù)據(jù)投影到新的坐標(biāo)系時(shí)仍能較好的反應(yīng)原來(lái)數(shù)據(jù)的實(shí)際分布情況。這里坐標(biāo)系的維數(shù)可以比原坐標(biāo)系維數(shù)低，而這個(gè)投影的過(guò)程就可以理解為降維的過(guò)程。如圖1所示，黑色圓點(diǎn)代表在二維平面的一些數(shù)據(jù)點(diǎn)，把這些點(diǎn)投影到直線AB上時(shí)仍能代表數(shù)據(jù)在原來(lái)直角坐標(biāo)平面內(nèi)的分布情況，因此直線AB就是數(shù)據(jù)分布的主軸方向。

圖1　PCA在二維平面尋找數(shù)據(jù)主軸示意圖

2　基于RANSAC的主軸分析

利用RANSAC擬合直線時(shí)[7]，先假設(shè)變換模型，然后隨機(jī)抽樣，不斷迭代，計(jì)算符合該模型的最大一致集。如圖2(a)所示黑色圓點(diǎn)代表二維平面空間分散的一些數(shù)據(jù)點(diǎn)，假設(shè)它們服從一次函數(shù)模型，那么利用RANSAC擬合出來(lái)的直線希望是僅用虛線內(nèi)的圓點(diǎn)數(shù)據(jù)計(jì)算出來(lái)的模型，如右圖(b)中直線。右圖(b)中虛線內(nèi)圓點(diǎn)代表的就是內(nèi)點(diǎn)，而虛線外部圓點(diǎn)代表的是外點(diǎn)。

圖2　RANSAC算法擬合直線

3　基于Hough的主軸分析

霍夫變換[8-9](Hough)可以有效地檢測(cè)具有某種特定幾何形狀的物體，它通過(guò)一種投票思想來(lái)檢測(cè)直線、圓、橢圓等。霍夫變換通過(guò)將一個(gè)坐標(biāo)系空間的具有特定幾何形狀的物體轉(zhuǎn)化成另一個(gè)空間里面的點(diǎn)峰值，通過(guò)統(tǒng)計(jì)峰值情況推測(cè)幾何圖形。

運(yùn)用霍夫變換提取目標(biāo)主軸，是在“車輛目標(biāo)符合近似長(zhǎng)方形形狀的物理模型”假設(shè)前提下進(jìn)行的。實(shí)驗(yàn)中的主要思想是：通過(guò)霍夫變換檢測(cè)車輛目標(biāo)邊緣的長(zhǎng)邊所在的兩條直線，然后根據(jù)這兩條直線估計(jì)目標(biāo)的主軸方向。圖3(a)為原圖灰度圖，圖3(b)為通過(guò)霍夫變換對(duì)車輛目標(biāo)圖像檢測(cè)到直線的理想情況，圖中兩條虛線為理想中的檢測(cè)到的直線，利用這兩條直線信息可以粗略估計(jì)目標(biāo)主軸線如右圖兩條虛線中間的直線。

圖3　霍夫變換檢測(cè)直線理想情況

4　基于運(yùn)動(dòng)方向的主軸分析

基于運(yùn)動(dòng)方向的主軸分析是根據(jù)相鄰幀中目標(biāo)的位移近似代替目標(biāo)主軸。假設(shè)t時(shí)刻對(duì)應(yīng)的圖像幀為，時(shí)刻對(duì)應(yīng)的圖像幀為，它們之間的運(yùn)動(dòng)位移 ，那么有

當(dāng)Δt很小時(shí)，d的方向可以近似等于目標(biāo)的主軸方向。因此對(duì)目標(biāo)的主軸提取問題可以轉(zhuǎn)化成求取目標(biāo)的運(yùn)動(dòng)位移。由于相鄰幀目標(biāo)的質(zhì)心位置一般比較穩(wěn)定，可以通過(guò)求取前后幀的質(zhì)心坐標(biāo)，然后相減即可得到運(yùn)動(dòng)位移。由于目標(biāo)提取過(guò)程中可能帶來(lái)的各種誤差以及噪聲等因素的影響，僅僅通過(guò)目標(biāo)掩膜圖像質(zhì)心來(lái)求取運(yùn)動(dòng)位移可能不是那么準(zhǔn)確。因此，本課題借助局部特征，在目標(biāo)區(qū)域采用KLT算法進(jìn)行局部特征跟蹤，通過(guò)點(diǎn)運(yùn)動(dòng)估計(jì)車輛目標(biāo)運(yùn)動(dòng)方向。首先基于全局運(yùn)動(dòng)補(bǔ)償后的圖像，在目標(biāo)區(qū)域采用Good Feature方法[10]提取強(qiáng)響應(yīng)角點(diǎn)，然后在局部范圍進(jìn)行跟蹤，從而可以計(jì)算運(yùn)動(dòng)矢量，分析目標(biāo)的主軸方向。

5　主軸分析實(shí)驗(yàn)比較

本節(jié)實(shí)驗(yàn)中的測(cè)試數(shù)據(jù)為VIVID數(shù)據(jù)集egtest01圖像序列中提取出來(lái)的6 148幅目標(biāo)掩膜圖像。由于目標(biāo)掩膜圖像和對(duì)應(yīng)的灰度原圖存在位置偏移，為了方便在灰度原圖上做標(biāo)記，實(shí)驗(yàn)中的目標(biāo)掩膜圖像大小統(tǒng)一為90*90像素(尺寸大小足以包圍目標(biāo)，同時(shí)也不帶來(lái)無(wú)關(guān)干擾)。

(1)各種方法提取出來(lái)的主軸對(duì)比

如圖4(a)～(c)所示,其中每一行圖像從左到右依次代表同一個(gè)目標(biāo)掩膜圖像分別用PCA、RANSAC、Hough和基于運(yùn)動(dòng)方向的方法提取出來(lái)的主軸示意圖，圖中直線為各種算法得出來(lái)的目標(biāo)主軸線。

圖4　各種方法提取出來(lái)的主軸線對(duì)比

(2)誤差偏移角

為了定量的分析各種算法提取目標(biāo)主軸線的效果，定義誤差偏移角為提取出來(lái)的目標(biāo)主軸線與實(shí)際主軸線在圖像坐標(biāo)系中的傾斜角度之差。實(shí)驗(yàn)過(guò)程中，實(shí)際主軸線全都是用手工標(biāo)記的，如圖5 (a)～(c)所示，每一幅灰度原圖對(duì)應(yīng)的目標(biāo)掩膜圖像分別為圖4(a)～(c)。

圖5　手工標(biāo)記主軸線示意圖

實(shí)驗(yàn)過(guò)程中以egtest01圖像序列中提取出來(lái)的6148幅目標(biāo)掩膜圖像為例，通過(guò)計(jì)算各幅圖像在每種算法下面的誤差偏移角，統(tǒng)計(jì)分析范圍為0°～10°，10°～20°，20°～30°，≥30°的圖片個(gè)數(shù)如表1所示。

表1　誤差偏移角在各范圍百分比

6　結(jié)論

采用基于局部特征的運(yùn)動(dòng)信息的方法對(duì)車輛運(yùn)動(dòng)姿態(tài)進(jìn)行估計(jì)。借助局部特征，在目標(biāo)區(qū)域采用KLT算法進(jìn)行局部特征跟蹤，通過(guò)點(diǎn)運(yùn)動(dòng)估計(jì)車輛目標(biāo)運(yùn)動(dòng)方向。實(shí)驗(yàn)中與多種主軸方法進(jìn)行了對(duì)比，分析表1中的統(tǒng)計(jì)數(shù)據(jù)，基于運(yùn)動(dòng)方向的方法提取目標(biāo)主軸線78.53%誤差偏移角為10°以內(nèi)，誤差偏移角超過(guò)20°的情況小于3%。實(shí)驗(yàn)數(shù)據(jù)表明所提方法具有較高的精度，能較正確地估計(jì)車輛運(yùn)動(dòng)目標(biāo)的姿態(tài)。

[1]劉迪,文貢堅(jiān),劉曉明,等.一種快速的SAR車輛目標(biāo)方位角估計(jì)方法[J].現(xiàn)代電子技術(shù),2012,35(19)：37-40．

[2]周琳,計(jì)科峰.一種聯(lián)合的SAR目標(biāo)方位角估計(jì)方法[J].計(jì)算機(jī)仿真,2008,25(8)：27-31．

[3]GAO GUI,HE JUAN,KUANG GANG-YAO,et al. A survey of target’s sorientation estimation in SAR image[J]．Singal Processing，2008，24(3):438-443．

[4]YANG J,ZHANG D,FRANGI A F,et al. Two-dimensional PCA: a new approach to appearance-based face representation and recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2004，26(1)：131-137.

[5]孫宏偉,顧明,孫家廣.基于主分量分析的相關(guān)矢量量化編碼算法[J].計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào),2005,17(8)：1 662-1 666.

[6]LEE Y S,KOO H S,JEONG C S. Astraight line detection using principal component analysis[J]. Pattern Recognition Letters, 2006, 27(14): 1 744-1 754.

[7]XU M,LU J. Distributed RANSAC for the robust estimation of three-dimensional reconstruction[J].IET Computer Vision, 2012, 6(4): 324-333.

[8]XU MU，WANG XUE-SONG，XIAO SHUN-PING．Target aspet estimationin SAR imagey basedon Hough transform and major axis extraction[J]．Journal of Electronics & Information Technology，2007，29(2) : 370-374．

[9]曾接賢，王斌斌，陳志良.基于距離約束的隨機(jī)Hough變換直線檢測(cè)算法[J].南昌航空大學(xué)學(xué)報(bào)(自然科學(xué)版),2011,25(3)：7-11．

[10]徐牧，王雪松，肖順平. 基于Hough變換與目標(biāo)主軸提取的SAR圖像目標(biāo)方位角估計(jì)方法[J]．電子與信息學(xué)報(bào),2007,29(2)：370-374．

Estimation on Pose of Vehicle Target Based on Moving Information

CAO Xia1, WU Ling2, WANG Bo1

(1.Wuhan Qingchuan University, Wuhan Hubei 430064, China; 2. Central China Normal University, Wuhan Hubei 430079, China)

In terms of the vehicle target, the estimation of moving azimuth of the target image in advance can improve the efficiency of the whole vehicle target recognition and classification system. A variety of spindle methods are compared in this paper, in order to reduce the azimuth angle estimation error, and a motion direction extraction method based on local feature is proposed to estimate the vehicle motion attitude. Based on image after global motion compensation, strong response corners in the target region are extracted, then local feature is tracked by KLT algorithm in the range of the target area, and the moving direction towards target of vehicle is estimated by point movement. The experimental results show that the proposed method is of higher accuracy, and the error of the azimuth estimation of the target is obviously lower than that of the above spindle methods.

spindle analysis; KLT algorithm; motion estimation; target recognition

2016-05-23

曹霞(1982-)，女，湖北武漢人，講師，研究方向：信號(hào)處理、通信工程。

TP391

A

1672-1098(2016)06-0066-04