孫 茜， 余幸運(yùn)

(北京工商大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，北京 100048)

?

一種障礙物模型檢測(cè)算法*

孫 茜， 余幸運(yùn)

(北京工商大學(xué) 計(jì)算機(jī)與信息工程學(xué)院，北京 100048)

針對(duì)觀測(cè)場(chǎng)景結(jié)構(gòu)復(fù)雜、建模困難的問題，提出了一種基于運(yùn)動(dòng)目標(biāo)跟蹤的場(chǎng)景障礙物模型檢測(cè)方法。結(jié)合對(duì)目標(biāo)的檢測(cè)與跟蹤過程，利用空間投影關(guān)系確定場(chǎng)景中障礙物的位置，并將其映射到場(chǎng)景模型上，即可得到場(chǎng)景觀測(cè)模型。該方法只需要對(duì)目標(biāo)運(yùn)動(dòng)進(jìn)行簡(jiǎn)單地跟蹤和統(tǒng)計(jì)，不需要進(jìn)行三維結(jié)構(gòu)恢復(fù)以及圖像拼接處理，能夠有效解決場(chǎng)景的在線自適應(yīng)建模問題。

場(chǎng)景模型； 障礙物檢測(cè)； 圖像傳感器網(wǎng)絡(luò)

0 引 言

一般來說，恢復(fù)場(chǎng)景結(jié)構(gòu)是指對(duì)同一場(chǎng)景的圖像或圖像序列進(jìn)行三維重建，獲得場(chǎng)景三維結(jié)構(gòu)的過程。其核心思想是利用圖像序列推導(dǎo)出空間點(diǎn)在空間中的三維坐標(biāo)位置及像機(jī)的位置和方向。常見的方法包括輪廓法[1,2]、紋理法[3,4]、變焦法[5,6]等等。比較經(jīng)典的研究包括Faugeras在攝影重建中利用基礎(chǔ)矩陣證明，如果兩幅圖像間的基礎(chǔ)矩陣已知，就可以實(shí)現(xiàn)攝影重建[7]；Hartley R I提出了像機(jī)自標(biāo)定和分層歐式重建的算法，即從攝影重建到仿攝重建再由仿攝重建到歐式重建[8]。Rother C等人提出了一種線性多視圖重建和恢復(fù)像機(jī)參數(shù)的方法[9]。國(guó)內(nèi)一些學(xué)者也提出了改進(jìn)的三維重建的方法，如張永福等人提出了一種基于分層的線性迭代三維重建方法，線性迭代地實(shí)現(xiàn)了相機(jī)的自定標(biāo),完成到歐氏重建的過渡[10]。上述這些方法可以準(zhǔn)確恢復(fù)場(chǎng)景的三維結(jié)構(gòu)，而實(shí)際上，在視頻監(jiān)控這一應(yīng)用中，為實(shí)現(xiàn)對(duì)場(chǎng)景進(jìn)行有效監(jiān)測(cè)，需要建立場(chǎng)景的觀測(cè)模型，這其中主要需要標(biāo)明場(chǎng)景中障礙物所在位置以方便像機(jī)的部署。因此，無需精確恢復(fù)場(chǎng)景的三維結(jié)構(gòu)，只須標(biāo)明場(chǎng)景中障礙物分布情況即可。

鑒于上述場(chǎng)景建模過程復(fù)雜的問題，本文提出一種基于運(yùn)動(dòng)目標(biāo)跟蹤的在線自適應(yīng)場(chǎng)景建模方法。結(jié)合對(duì)目標(biāo)的檢測(cè)與跟蹤過程，利用空間投影關(guān)系確定場(chǎng)景中障礙物的位置，并將其映射到場(chǎng)景模型上，即可得到場(chǎng)景觀測(cè)模型。該方法只需要對(duì)目標(biāo)運(yùn)動(dòng)進(jìn)行簡(jiǎn)單地跟蹤和統(tǒng)計(jì)，不需要進(jìn)行三維結(jié)構(gòu)恢復(fù)以及圖像拼接處理，能夠有效解決場(chǎng)景的在線自適應(yīng)建模問題。

1 算法基本思想

造成像機(jī)不能或不能完全觀測(cè)到目標(biāo)的原因有兩種，一種是由目標(biāo)的大小或像機(jī)和目標(biāo)之間的位置引起的；另一種則是由于場(chǎng)景中存在障礙物，由障礙物的遮擋所引起的，如圖1所示，像機(jī)C3不能觀測(cè)到目標(biāo)。

當(dāng)目標(biāo)出現(xiàn)在觀測(cè)區(qū)域內(nèi)，像機(jī)的自身參數(shù)及像機(jī)間的相對(duì)位置和姿態(tài)都已知時(shí)，假設(shè)有兩個(gè)以上的像機(jī)可同時(shí)觀測(cè)到某一目標(biāo)，則該目標(biāo)的位置可以通過投影關(guān)系確定。因而，首先可以確定目標(biāo)能被哪些像機(jī)觀測(cè)到，不能被哪些像機(jī)觀測(cè)到。此時(shí)，若預(yù)期能夠觀測(cè)到目標(biāo)的像機(jī)在實(shí)際檢測(cè)中不能觀測(cè)到目標(biāo)，則認(rèn)為像機(jī)和目標(biāo)之間存在障礙物遮擋，但障礙物的具體位置和形狀大小還需進(jìn)一步分析和確定。

圖1 觀測(cè)場(chǎng)景示意圖Fig 1 Schematic diagram of observation scene

2 觀測(cè)場(chǎng)景映射算法

首先，為計(jì)算簡(jiǎn)便，對(duì)觀測(cè)場(chǎng)景做離散化處理，將其劃分成小的網(wǎng)格點(diǎn)。場(chǎng)景模型的建立過程即是確定每個(gè)網(wǎng)格點(diǎn)性質(zhì)的過程：有無被障礙物遮擋、是否為場(chǎng)景的熱點(diǎn)區(qū)域。對(duì)于每一幀圖像，每個(gè)像機(jī)在其視場(chǎng)內(nèi)進(jìn)行目標(biāo)檢測(cè)算法。如圖1所示，像機(jī)C1和C2可以完全觀測(cè)到目標(biāo)，而像機(jī)C3,C4和C5則或是由于像機(jī)的視場(chǎng)限制，或是由于障礙物的遮擋而無法觀測(cè)到目標(biāo)。

在同一時(shí)刻，若有2臺(tái)或2臺(tái)以上的像機(jī)可以同時(shí)觀測(cè)到目標(biāo)，則像機(jī)到目標(biāo)的視場(chǎng)在觀測(cè)區(qū)域的投影為無障礙遮擋區(qū)域，如圖1所示，區(qū)域1和區(qū)域2所在位置。

此時(shí)，由于目標(biāo)的位置可以確定，像機(jī)的自身參數(shù)及像機(jī)間的相對(duì)位置和姿態(tài)都是已知的，因此，可以預(yù)先確定每個(gè)像機(jī)對(duì)目標(biāo)的可視性：可以觀測(cè)到目標(biāo)和不能觀測(cè)到目標(biāo)。若預(yù)期能觀測(cè)到目標(biāo)的像機(jī)此時(shí)并不能觀測(cè)到目標(biāo)，則認(rèn)為像機(jī)到目標(biāo)的視場(chǎng)在觀測(cè)區(qū)域的投影為潛在遮擋區(qū)域，如圖1所示，區(qū)域3所在位置。

若判斷網(wǎng)格點(diǎn)為非遮擋區(qū)域，則該處的值不再更新，而潛在遮擋區(qū)域在每次算法執(zhí)行過程中其值都需要更新，直至其被判斷為非遮擋區(qū)域。如果某些區(qū)域連續(xù)被判斷為潛在遮擋區(qū)域則其值一直累加，達(dá)到一定信任度閾值，則被確定為障礙物遮擋區(qū)域。

像機(jī)通過對(duì)場(chǎng)景中目標(biāo)的長(zhǎng)期觀測(cè)，可以逐步確定場(chǎng)景中網(wǎng)格點(diǎn)的性質(zhì)，將被障礙物遮擋的區(qū)域標(biāo)記出來。

程序流程圖如圖2所示。

圖2 障礙物檢測(cè)算法程序流程圖Fig 2 Procedure flow chart of obstacle detection algorithm

3 算法性能分析

實(shí)際監(jiān)控過程中，場(chǎng)景中傳感器的數(shù)量、性能指標(biāo)、場(chǎng)景的復(fù)雜程度、圖像拍攝數(shù)量等等都會(huì)影響對(duì)場(chǎng)景中障礙物的檢測(cè)。下面將針對(duì)不同情況，對(duì)本文提出的算法進(jìn)行評(píng)估。

假設(shè)監(jiān)控區(qū)域?yàn)?00 m×100 m，網(wǎng)格密度為1 ，場(chǎng)景中部署單個(gè)或多個(gè)障礙物。網(wǎng)絡(luò)中所有像機(jī)節(jié)點(diǎn)均同構(gòu)，節(jié)點(diǎn)傳感半徑R=30 m或R=50 m，像機(jī)的觀測(cè)角為θ=45°。目標(biāo)在場(chǎng)景中隨機(jī)運(yùn)動(dòng)，拍攝圖片數(shù)量分別為n=50幅或n=100幅。

圖3所示為不同傳感器數(shù)量，拍攝不同圖片數(shù)量的情況下，對(duì)場(chǎng)景中障礙物的誤檢率。誤檢率的定義為估計(jì)錯(cuò)誤的網(wǎng)格數(shù)與場(chǎng)景中所有網(wǎng)格數(shù)之比。由圖可知，隨著傳感器數(shù)量的增加，對(duì)場(chǎng)景中存在單個(gè)或多個(gè)障礙物的情況，本文提出的算法可以將障礙物估計(jì)的誤檢率控制在10 %以下，且隨著傳感器感知半徑的增加以及拍攝圖片的增加，誤檢率會(huì)明顯的降低。

圖3 傳感器數(shù)量、參數(shù)及拍攝圖片數(shù)對(duì)誤檢率的影響Fig 3 Influence of sensor number,parameters andimage number on false detection rate

4 仿真結(jié)果與分析

給定監(jiān)控區(qū)域大小為Ω=100 m×100 m，網(wǎng)格密度為1 m，場(chǎng)景中部署單個(gè)障礙物，目標(biāo)大小為r=3 m。網(wǎng)絡(luò)中所有像機(jī)節(jié)點(diǎn)均同構(gòu)，節(jié)點(diǎn)傳感半徑R=30 m，像機(jī)的觀測(cè)角為θ=45°，圖片數(shù)量為n=500幅。圖4所示為給定區(qū)域模型，圖5所示為仿真得到的區(qū)域模型，該場(chǎng)景下障礙物的誤檢率為2.73 %。

圖4 給定區(qū)域模型Fig 4 Given scene model

圖5 利用本文算法得到的區(qū)域模型Fig 5 Scene model calculated by this algorithm

5 結(jié)束語

本文針對(duì)視頻監(jiān)控這一應(yīng)用提出一種基于運(yùn)動(dòng)目標(biāo)跟蹤的場(chǎng)景障礙物模型檢測(cè)方法。通過對(duì)目標(biāo)的檢測(cè)與跟蹤過程，利用空間投影關(guān)系確定場(chǎng)景中障礙物的位置，并將其映射到場(chǎng)景模型上，即可得到場(chǎng)景觀測(cè)模型。該方法只需要對(duì)目標(biāo)運(yùn)動(dòng)進(jìn)行簡(jiǎn)單地跟蹤和統(tǒng)計(jì)，不需要進(jìn)行三維結(jié)構(gòu)恢復(fù)和圖像拼接處理，能夠有效解決場(chǎng)景在線自適應(yīng)建模問題，避免了傳統(tǒng)的三維重建計(jì)算量大、模型復(fù)雜等問題。

[1] Rajagopalan A N,Chaudhuri S.An MRF model-based approach to simultaneous recovery of depth and restoration from defocused images[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1999,21(7):577-589.

[2] Favaro P,Soatto S.A geometric approach to shape from defo-cus[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2005,27(3):406-417.

[3] Clerc M,Mallat S.The texture gradient equation for recovering shape from texture[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(4):536-549.

[4] Basri R,Jacobs D,Kemelmacher I.Photometric stereo with gene-ral,unknown lighting[J].International Journal of Computer Vision,2007,72(3):239-257.

[5] Noakes L,Kozera R.Nonlinearities and noise reduction in 3-source photometric stereo[J].Journal of Mathematical Imaging and Vision,2003,18(2):119-127l.

[6] Pollefeys M,Koch R,Gool L V.Self-calibration and metric reconstruction inspite of varying and unknown intrinsic camera parameters[J].International Journal of Computer Vision,1999,32(1):7-25.

[7] Faugeras O D.What can be seen in three dimensions with an uncalibrated stereo rig[C]∥European Conference on Computer Vision,Berlin Heidelberg:Springer，1992:563-578.

[8] Hartley R I.An algorithm for self calibration from several view-s[C]∥Proceedings of IEEE Confference on Computer Vision and Pattern Recognition,1994:908-912.

[9] Rother C.Linear multi-view reconstruction and camera recover-y[C]∥Proceedings of IEEE International Conference on Com-puter Vision,2001:42-50.

[10] 張永福,劉侍剛,裘國(guó)永等.分層的線性迭代三維重建方法[J].傳感器與微系統(tǒng),2010,29(10):71-74.

An algorithm for obstacle model detection*

SUN Qian, YU Xing-yun

(School of Computer and Information Engineering,Beijing Technology and Business University,Beijing 100048,China)

Aiming at problem of complex observation scene structure and difficulty of modeling,a scene obstacle model detection method is proposed based on moving target tracking.Combined with target detection and tracking,using spatial projection relation to determine position of the obstacles in the scene,and map it onto the scene model,and the scene observation model can be obtained.The method only need simply tracking and statistics of target motion,do not need 3D reconstruction and image matching.It can realize online adaptive modeling of scene effectively.

scene model; obstacle detection; image sensor networks

10.13873/J.1000—9787(2016)12—0119—03

2016—10—19

北京工商大學(xué)青年教師科研啟動(dòng)基金資助項(xiàng)目(QNJJ2015—20)； 北京市市屬高校創(chuàng)新能力提升計(jì)劃資助項(xiàng)目(PXM2014—014213—000033)； 2014年度北京市市屬高校青年拔尖人才培育計(jì)劃資助項(xiàng)目(CIT&TCD201404031)

TP 212.9

A

1000—9787(2016)12—0119—03

孫 茜(1985-)，女，山東煙臺(tái)人，博士，講師，從事圖像傳感器網(wǎng)絡(luò)、水環(huán)境監(jiān)測(cè)研究工作。