董慧穎，徐 鵬

(沈陽(yáng)理工大學(xué) 自動(dòng)化與電氣工程學(xué)院，沈陽(yáng)110159)

?

水面無(wú)人艇運(yùn)動(dòng)目標(biāo)檢測(cè)技術(shù)研究

董慧穎，徐 鵬

(沈陽(yáng)理工大學(xué) 自動(dòng)化與電氣工程學(xué)院，沈陽(yáng)110159)

水面無(wú)人艇作業(yè)過(guò)程中，運(yùn)動(dòng)目標(biāo)是其重要的信息參考來(lái)源。為了提高水面運(yùn)動(dòng)目標(biāo)檢測(cè)效率，研究了多種運(yùn)動(dòng)目標(biāo)檢測(cè)方法。在此基礎(chǔ)上，研究了一種有效的水面無(wú)人艇動(dòng)態(tài)目標(biāo)檢測(cè)方法。首先，以改進(jìn)的高斯差分對(duì)圖像進(jìn)行處理。其次，結(jié)合三幀差分法的原理對(duì)圖像進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)。最后，利用數(shù)學(xué)形態(tài)學(xué)原理對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行更好的提取。實(shí)驗(yàn)結(jié)果表明，該算法可以較好地進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)，且算法復(fù)雜度低，易實(shí)現(xiàn)。

三幀差分；高斯差分；形態(tài)學(xué)

水面無(wú)人艇[1]是一種新型的無(wú)人操作的水面艦艇，近些年國(guó)內(nèi)外研究的熱點(diǎn)。它是一種一配備先進(jìn)的控制系統(tǒng)、傳感器系統(tǒng)、通信系統(tǒng)，主要用于軍事任務(wù)以及港口監(jiān)視等民用任務(wù)，執(zhí)行危險(xiǎn)以及不適于有人船只執(zhí)行的任務(wù)。對(duì)于水面無(wú)人艇執(zhí)行任務(wù)過(guò)程中，運(yùn)動(dòng)目標(biāo)是其重要的輸入信息，研究水面運(yùn)動(dòng)目標(biāo)檢測(cè)方法，對(duì)發(fā)揮USV完成各種任務(wù)具有重要的意義。運(yùn)動(dòng)目標(biāo)檢測(cè)方法主要有幀間差分法[2]、光流法[3-4]、混合高斯模型[5]背景減差法[6]等。ZHOU等人提出了一種基于二重的光流場(chǎng)運(yùn)動(dòng)檢測(cè)算法，利用光流場(chǎng)結(jié)合差分法檢測(cè)運(yùn)動(dòng)目標(biāo)[7]。本文研究了一種基于改進(jìn)三幀差分的運(yùn)動(dòng)目標(biāo)檢測(cè)方法。首先，以改進(jìn)的高斯差分對(duì)圖像進(jìn)行處理。其次，結(jié)合三幀差分法的原理對(duì)圖像進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)。最后，利用數(shù)學(xué)形態(tài)學(xué)原理對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行更好的提取。

1 改進(jìn)三幀差法

1.1 圖像濾波

圖像濾波，最大程度上保留圖像細(xì)節(jié)特征并對(duì)目標(biāo)圖像的噪聲進(jìn)行抑制，其處理效果的好壞將直接影響到后續(xù)圖像處理和分析的有效性和可靠性。圖像濾波的目的有兩個(gè):一是抽出對(duì)象的特征作為圖像識(shí)別的特征模式;另一個(gè)是為適應(yīng)圖像處理的要求，消除圖像數(shù)字化時(shí)所混入的噪聲。

中值濾波[8]，主要思想是利用像素點(diǎn)鄰域灰度值的中值來(lái)代替該像素點(diǎn)的值，此方法能夠在去除噪聲的同時(shí)，也能夠保留圖像邊緣細(xì)節(jié)，計(jì)算過(guò)程就是按數(shù)學(xué)中位數(shù)的方法應(yīng)用在像素集中，中間值作為中心點(diǎn)x的新值。圖1描述了一個(gè)3×3模板及結(jié)果。

圖1 中值濾波模板及結(jié)果

中值濾波的結(jié)果值是其源圖像鄰域中的某個(gè)點(diǎn)，模板在跨過(guò)邊界時(shí)，其中值濾波并不會(huì)創(chuàng)造實(shí)際中沒(méi)有的點(diǎn)。正是這個(gè)原因，中值濾波對(duì)于突變的邊緣點(diǎn)保存時(shí)會(huì)比均值濾波好。

1.2 高斯差分

1.2.1 DoG

DoG[9](Difference of Gaussian)可以理解為是對(duì)LoG[10]的近似，其也就是對(duì)σ2Δ2G[10-11]的近似，如圖2所示。SIFT[12]算法描述中，同一尺度上的特征檢測(cè)，可以通過(guò)對(duì)兩個(gè)相鄰高斯尺度空間的圖像相減，圖像D(x,y,σ)為DoG響應(yīng)值。類比于LoG方法，可以通過(guò)對(duì)D(x,y,σ)進(jìn)行局部最大值搜索處理，在尺度空間和空間位置定位局部特征點(diǎn)。其中：

(1)

k為相鄰兩個(gè)尺度空間倍數(shù)的常數(shù)。

圖2 DoG的三維圖以及DoG與LoG的對(duì)比

高斯金字塔，在分辨率金字塔圖像上做簡(jiǎn)單降采樣，然后加入高斯濾波，這樣可以使得每層金字塔有多張高斯模糊圖像，如圖3所示。

圖3 圖像高斯金字塔

高斯金字塔的組數(shù)為

θ=[log2(min(m,n))]-3

(2)

式中m、n分別為圖像的寬度和高度。其中σ為高斯模糊系數(shù)，具體關(guān)系如下

(3)

式中：c為每組中層坐標(biāo)；S為每組層數(shù)(一般為3～5)；σ0為初始尺度；σ為尺度空間坐標(biāo)。由此公式，就可以得到金字塔組內(nèi)各層尺度以及組間各圖像尺度關(guān)系。

組內(nèi)相鄰圖像尺度關(guān)系：

(4)

相鄰組間尺度關(guān)系：

(5)

所以，相鄰兩組的同一層尺度為2倍的關(guān)系。

最終尺度序列總結(jié)為

(6)

式中，s為每組金字塔層數(shù);θ為金字塔組數(shù)。實(shí)驗(yàn)仿真圖如圖4所示。

圖4 DoG效果圖

圖4a是原圖，圖4b、圖4c分別是由高斯模糊得到，圖4d為二者作差后，并對(duì)其結(jié)果進(jìn)行灰度均衡化的結(jié)果。

1.2.2 構(gòu)建高斯金字塔

構(gòu)建高斯金字塔之后，利用金字塔相鄰圖像相減從而構(gòu)造出DoG金字塔，如圖5所示。

圖5 高斯差分圖

1.2.3 三幀差分法

三幀差分，對(duì)于高斯模糊后的圖像，按公式(7)處理，可以得出第k幀圖像、第k-1幀圖像之間的差分后的圖像Dk,再利用公式(7)得出k+1幀圖像與第k幀圖像之間的差分圖像Dk+1，對(duì)Dk、Dk+1使用圖像閾值分割算法，即按公式(8)進(jìn)行二值化處理，當(dāng)差分圖像中某一像素的差大于設(shè)定的閾值時(shí)，則認(rèn)為該像素是前景像素，否則認(rèn)為其是背景像素。再對(duì)Dk、Dk+1進(jìn)行與操作，獲取相同部分，從而得到新的圖像Dk+2。

Dk(x,y)=|fk(x,y)-fk-1(x,y)|

(7)

式中，fk(x,y)、fk-1(x,y)為連續(xù)兩幀圖像；Dk(x,y)為幀差圖像。高斯模糊結(jié)合三幀差分試驗(yàn)效果如圖6所示。

圖6 三幀差分效果圖

圖中，圖6a、圖6b、圖6c是連續(xù)三幀圖像，圖6d是對(duì)其進(jìn)行三幀差分的結(jié)果圖。

(8)

將前述算法中得到的圖6d進(jìn)行閾值化后的結(jié)果圖為Rk(x,y)，即幀差結(jié)果圖。T的選取由Dk(x,y)應(yīng)用OTSU方法得到。相關(guān)試驗(yàn)結(jié)果說(shuō)明如圖7所示。

圖7 閾值分割圖

圖中，圖7a是圖6閾值處理結(jié)果,圖7b是在上述算法過(guò)程圖像序列中隨機(jī)抽取一張作閾值處理的結(jié)果。

1.2.4 數(shù)學(xué)形態(tài)學(xué)方法[13]

數(shù)學(xué)形態(tài)學(xué)方法是以形態(tài)為基礎(chǔ)，對(duì)圖像進(jìn)行分析的數(shù)學(xué)方法。其主要思想是利用具有一定形態(tài)的結(jié)構(gòu)元素來(lái)度量并且提取圖像中的對(duì)應(yīng)形狀，從而以達(dá)到對(duì)圖像分析和識(shí)別的目的。

膨脹[14-16]是用來(lái)填補(bǔ)物體中小的空洞現(xiàn)象以及狹窄的間隙。它能夠使目標(biāo)的尺寸增大。腐蝕[14-16]是對(duì)集合元素采用向量減法，利用兩個(gè)圖像集合合并的結(jié)果，腐蝕是膨脹的對(duì)偶運(yùn)算且腐蝕和膨脹都是不可逆運(yùn)算。

在數(shù)字圖像處理中，對(duì)一幅圖像先進(jìn)行腐蝕，然后再膨脹操作，將得不到原始圖像。其結(jié)果圖像將會(huì)比原始圖像更加簡(jiǎn)單，一些細(xì)節(jié)將會(huì)被抹掉。先腐蝕再膨脹在數(shù)字圖像處理領(lǐng)域里，是一個(gè)重要的形態(tài)學(xué)變換，稱為開運(yùn)算(Opening)[11]。相反，先膨脹再腐蝕稱為閉運(yùn)算(Closing)[11]。試驗(yàn)效果如圖8所示。

圖8 形態(tài)學(xué)處理對(duì)比圖

圖8a是原圖，圖8b是經(jīng)過(guò)閉運(yùn)算后得到的實(shí)驗(yàn)結(jié)果圖。從圖8可以明顯地看出，圖像邊緣信息更加豐富、清晰，為目標(biāo)輪廓特征提取提供了較好的基礎(chǔ)。

2 水面運(yùn)動(dòng)目標(biāo)檢測(cè)與提取

2.1 改進(jìn)算法與效果圖

圖9a、9b是相同水域、距離不同、光照角度不同兩張?jiān)瓐D像；圖9c是三幀差分結(jié)果的圖；圖9d是三幀差分結(jié)合高斯差分結(jié)果的圖像；圖9e是混合高斯模型結(jié)果的圖像；圖9f是幀差法結(jié)合高斯差分處理后結(jié)合數(shù)學(xué)形態(tài)學(xué)處理的結(jié)果；圖9g是相比于圖9d距離較近運(yùn)用三幀差分結(jié)合高斯差分的結(jié)果圖；圖9h是相比于圖9e距離較近運(yùn)用混合高斯模型的結(jié)果圖；圖9i是相比于圖9f距離較近運(yùn)用幀差法、高斯差分結(jié)合數(shù)學(xué)形態(tài)學(xué)處理的結(jié)果圖。

2.2 幾何特征[17]提取

輪廓特征是幾何特征提取的前提，也是正確識(shí)別目標(biāo)的要素。幾何特征定義為目標(biāo)圖像區(qū)域外圍輪廓及其包含的像素點(diǎn)的數(shù)量。幾何特征是根據(jù)目標(biāo)最小外接矩得到。包括輪廓面積特征、緊密度特征、凸包性特征、凸起度量等。

圖9 實(shí)驗(yàn)結(jié)果圖

本文，提取目標(biāo)輪廓，多邊形逼近，外接矩形特征的提取，為了便于從直觀上感受幾何特征，在此，將原圖像作透視變換和仿射變換，既旋轉(zhuǎn)一定的角度和平移一定距離，并將內(nèi)部填充。實(shí)驗(yàn)結(jié)果如圖10所示。

圖10 目標(biāo)幾何特征提取圖

根據(jù)圖10，可以得到目標(biāo)輪廓的緊密度特征，其輪廓周長(zhǎng)為1299.6，面積為12451，緊密度特征為0.10438。利用此特征，可以為目標(biāo)識(shí)別提供良好的特征信息。

3 實(shí)驗(yàn)結(jié)果與分析

實(shí)驗(yàn)中處理的視頻圖像具有背景復(fù)雜、光照角度不同，距離不同等特點(diǎn)。按照算法流程在VS2013+OpenCV平臺(tái)上運(yùn)行得到實(shí)驗(yàn)結(jié)果，仿真界面如圖11所示。

圖11 實(shí)驗(yàn)仿真界面

從圖9可以看出，圖9c中，出現(xiàn)連通域較少，斷線嚴(yán)重，邊緣信息損失較多，不利于運(yùn)動(dòng)目標(biāo)輪廓的提??；圖9d較之圖9c，斷續(xù)現(xiàn)象得到一定的改善，整體輪廓較為清楚，但是邊緣存在缺失現(xiàn)象；圖9e中，出現(xiàn)很多“鬼影”，較難分、辨出運(yùn)動(dòng)目標(biāo)；圖9f中，由于DoG對(duì)于灰度增強(qiáng)有明顯的效果，可以看出運(yùn)動(dòng)目標(biāo)輪廓清晰，邊緣信息保存完整，斷層現(xiàn)象沒(méi)有，這里給出DoG具體公式如下：

(9)

DoG是一種將一個(gè)原始灰度圖像的模糊圖像從另一幅灰度圖像進(jìn)行增強(qiáng)的算法，通過(guò)DoG以降低模糊圖像的模糊度。這個(gè)模糊圖像是通過(guò)將原始灰度圖像經(jīng)過(guò)帶有不同標(biāo)準(zhǔn)差的高斯核進(jìn)行卷積得到的。用高斯核進(jìn)行高斯模糊只能壓制高頻信息。從一幅圖像中減去另一幅可以保持在兩幅圖像中所保持的頻帶中含有的空間信息。DoG相當(dāng)于一個(gè)能夠去除了那些在原始圖像中被保留下來(lái)的頻率之外的所有其他頻率信息的帶通濾波器?？梢杂脕?lái)增加邊緣和其他細(xì)節(jié)的可見性。將上述結(jié)果進(jìn)行灰度值均衡化處理既得出結(jié)果圖像。

對(duì)比與不同光照、不同距離、不同拍攝角度情況下得到的實(shí)驗(yàn)組圖，本文可以得到較好的實(shí)驗(yàn)效果，能夠提取水面目標(biāo)運(yùn)動(dòng)信息。文中對(duì)目標(biāo)視頻序列進(jìn)行檢測(cè)。實(shí)驗(yàn)過(guò)程中，由于水面起伏變化不定，造成運(yùn)動(dòng)背景復(fù)雜，會(huì)出現(xiàn)漏檢、誤檢現(xiàn)象，檢測(cè)結(jié)果見表1。

表1 檢測(cè)結(jié)果

由表1看出，誤檢量遠(yuǎn)遠(yuǎn)低于正確檢測(cè)量，虛警率也在接受的范圍內(nèi)，實(shí)驗(yàn)結(jié)果表明，本文方法能夠滿足水面無(wú)人艇動(dòng)態(tài)運(yùn)動(dòng)目標(biāo)檢測(cè)的要求。

4 結(jié)束語(yǔ)

研究了一種基于“三幀差法+DOG+形態(tài)學(xué)處理”運(yùn)動(dòng)目標(biāo)檢測(cè)方法。首先，將得到的三幀圖像進(jìn)行中值濾波，然后對(duì)其進(jìn)行構(gòu)建圖像金字塔，對(duì)同一層相鄰經(jīng)過(guò)高斯核卷積的圖像進(jìn)行差分。其次，結(jié)合三幀差法原理將得到的差分圖像進(jìn)行閾值處理，利用數(shù)學(xué)形態(tài)學(xué)方法對(duì)其處理。實(shí)驗(yàn)結(jié)果表明，此方法可以較好地進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)、算法復(fù)雜度低，易實(shí)現(xiàn)。

[1]Larson J,Brucha M,Halterman R,et al.Advances in autonomous obstacle avoidance for unmanned surface vehicles[C]//Proceedings of AUVSI Unmanned Systems North America 2007.Washington,USA,2007:1-15.

[2]朱明旱,羅大庸.基于幀間差分背景模型的運(yùn)動(dòng)物體檢測(cè)與跟蹤[J].計(jì)算機(jī)測(cè)量與控制,2006,14(8):1004-1006.

[3]程遠(yuǎn)航.基于光流法的視頻人臉特征點(diǎn)跟蹤方法[J].計(jì)算機(jī)與現(xiàn)代化,2010(7):120-122.

[4]徐俊紅.基于光流場(chǎng)的視頻運(yùn)動(dòng)檢測(cè)[C]//哈爾濱:哈爾濱工程大學(xué),2005.

[5]王東方,王玉德,王景武.基于改進(jìn)的混合高斯模型的運(yùn)動(dòng)目標(biāo)檢測(cè)方法[J].激光技術(shù),2014,38(6):776-779.

[6]趙佳.視頻圖像序列中運(yùn)動(dòng)目標(biāo)監(jiān)測(cè)與跟蹤方法研究[D].北京:北京交通大學(xué),2010.

[7]ZHOU L,ZHU H.Optical flow calculation based on dual subtraction for motion detection[J].Computer Simulation,2009,26(12):168-171.

[8]董穎.基于光流場(chǎng)的視頻運(yùn)動(dòng)檢測(cè)[D].濟(jì)南:山東大學(xué),2008.

[9]Stricker D A,Alba G P,Anderson C C,et al.Characteristics of high-transmission-probability tunnel junctions for use as particle detectors[J].Magnetics,IEEE Transactions on,1989,25(2):1343-1346.

[10]Burt P J,Adelson E H.The Laplacian Pyramid as a Compact Image Code[J].Communications,IEEE Transactions on,1983,31(4):532-540.

[11]李志強(qiáng),霍宏,方濤,等.Technique Based on Image Pyramid and Bayes Rule for Noise Reduction in Unsupervised Change Detection[J].Journal of Shanghai Jiaotong University(Science),2009,14(6):659-663.[12]Peker K A.Binary SIFT:Fast image retrieval using binary quantized SIFT features[C]//Content-Based Multimedia Indexing(CBMI),2011 9th International Workshop on.Madrid,Spain,2011:217-222.

[13]徐俊紅.基于光流場(chǎng)的視頻運(yùn)動(dòng)檢測(cè)[D].哈爾濱:哈爾濱工程大學(xué),2005.

[14]董士崇.視頻圖像的運(yùn)動(dòng)分析[D].武漢:武漢理工大學(xué),2005.

[15]張克偉.基于數(shù)學(xué)形態(tài)學(xué)的車流量檢測(cè)技術(shù)研究[D].西安:長(zhǎng)安大學(xué)，2011.

[16]趙世喆.基于序列圖像的運(yùn)動(dòng)目標(biāo)檢測(cè)和跟蹤算法研究[D].北京:北方工業(yè)大學(xué),2006.

[17]馬忠麗,文杰,梁秀梅,等.無(wú)人艇視覺(jué)系統(tǒng)多類水面目標(biāo)特征提取與識(shí)別[J].西安交通大學(xué)學(xué)報(bào),2014,48(8):60-66

(責(zé)任編輯：馬金發(fā))

The Motion Target Detection Technology Based on USV

DONG Huiying,XU Peng

(Shenyang Ligong University,Shenyang 110159,China)

During the unmanned surface vehicle homework process,moving object is the important source of information reference.In order to improve the efficiency of the water moving target detection,a variety of moving target detection method is studied.On this basis,a kind of effective method to detect dynamic target,unmanned craft on the surface of water is studied.First of all,the improved Gaussian difference of image processing is carried out.Secondly,moving object is detected by combining with the principle of three frame difference method.Finally,the motion target is well extracted by using mathematical morphology theory.Results show that the algorithm can be better for moving target detection,with low algorithm complexity and easy implementation.

three frame difference;gaussian difference;morphology

2015-09-14

董慧穎(1962—),女,教授,博士,研究方向:機(jī)器視覺(jué)與模式識(shí)別,人工智能。

1003-1251(2016)05-0033-06

TP391

A