王紅雨， 尹午榮， 汪 梁， 胡江顥， 喬文超

(上海交通大學(xué) 儀器科學(xué)與工程系， 上海 200240)

隨著無(wú)人機(jī)(UAV)在生活中的應(yīng)用越來(lái)越廣泛，對(duì)無(wú)人機(jī)安全性能的要求也越來(lái)越高.為了保證無(wú)人機(jī)的安全作業(yè)，以超聲波、紅外線、激光、視覺(jué)等為基礎(chǔ)的避障技術(shù)是當(dāng)前的研究熱點(diǎn)[1-3].文獻(xiàn)[1]利用激光掃描儀進(jìn)行無(wú)人機(jī)避障，雖然可以獲得良好的避障效果，但因成本過(guò)高而無(wú)法大規(guī)模應(yīng)用.視覺(jué)避障技術(shù)利用攝像頭獲取無(wú)人機(jī)周邊環(huán)境中大量的障礙物信息，可以為無(wú)人機(jī)避障及路徑規(guī)劃提供充分的依據(jù)，并且成本較低，因此具有較大的優(yōu)勢(shì).文獻(xiàn)[2]通過(guò)雙目立體視覺(jué)技術(shù)獲取無(wú)人機(jī)前方場(chǎng)景的深度圖進(jìn)行無(wú)人機(jī)避障.無(wú)人機(jī)正常飛行時(shí)僅測(cè)量圖像中央一小塊區(qū)域的距離，一旦發(fā)現(xiàn)障礙物再進(jìn)行全局測(cè)距，從而引導(dǎo)無(wú)人機(jī)向深度圖中景深較遠(yuǎn)的方向飛行.這種方法實(shí)時(shí)性較強(qiáng)，但沒(méi)有充分利用視覺(jué)避障的優(yōu)勢(shì).從本質(zhì)上而言，攝像頭等同于一個(gè)測(cè)距傳感器，雖然它拍攝到了前方場(chǎng)景中的全部障礙物，但由于缺少相應(yīng)的算法識(shí)別，兩個(gè)攝像頭僅用于測(cè)量距離，并未進(jìn)行目標(biāo)識(shí)別，導(dǎo)致無(wú)人機(jī)不能實(shí)時(shí)地感知障礙物的分布情況.目前，無(wú)人機(jī)避障技術(shù)的研究重點(diǎn)為測(cè)距技術(shù)和避障路徑規(guī)劃算法，在智能感知障礙物方面尚未受到廣泛關(guān)注，而圖像邊緣提取算法在這方面具有很大的優(yōu)勢(shì).通過(guò)提取圖像邊緣信息準(zhǔn)確地獲取障礙物的大小、形狀及方位，再輔以一定的測(cè)距手段，即可為避障路徑規(guī)劃算法提供可靠的判斷依據(jù).

高實(shí)時(shí)性的圖像邊緣提取算法主要利用Sobel算子、Laplace算子、Canny算子等檢測(cè)算子[4-7]來(lái)提取邊緣特征.這些檢測(cè)算子，具有計(jì)算量小、計(jì)算速度快的優(yōu)點(diǎn)，實(shí)時(shí)性很強(qiáng)，但對(duì)光照和噪聲比較敏感，在光照條件較差和有噪聲污染的情況下對(duì)圖像邊緣的檢測(cè)效果較差.

除了檢測(cè)算子之外，模糊集理論也可用于圖像邊緣提取[8-11].然而，該方法在帶來(lái)良好的邊緣提取效果的同時(shí)需要耗費(fèi)大量的計(jì)算時(shí)間，難以應(yīng)用于無(wú)人機(jī)避障的高實(shí)時(shí)性場(chǎng)景.本文提出一種基于HSV (Hue, Saturation, Value) 顏色空間的快速邊緣提取算法，通過(guò)模糊集理論改進(jìn)局部二值模式(LBP)算子對(duì)像素點(diǎn)局部紋理特征的描述，并用Hausdorff距離確定邊緣點(diǎn)，最后用矩形框圈出障礙物輪廓.在保證邊緣提取效果良好的同時(shí)提高實(shí)時(shí)性，并增強(qiáng)了無(wú)人機(jī)障礙物檢測(cè)的能力.

圖1 I-LBP算子整體結(jié)構(gòu)Fig.1 Structure of the I-LBP operator

1 改進(jìn)型LBP算子

障礙物檢測(cè)的第一步是提取圖像邊緣信息，運(yùn)用數(shù)學(xué)方法描述具有邊緣特征的像素點(diǎn).圖1所示為改進(jìn)型LBP(I-LBP)算子的整體結(jié)構(gòu).

I-LBP算子處理的基礎(chǔ)數(shù)據(jù)是HSV顏色空間[12-13]中的色相值數(shù)據(jù)，而非經(jīng)典LBP算子處理的是灰度值數(shù)據(jù).為了便于模糊推理，首先需要進(jìn)行數(shù)據(jù)修正與預(yù)處理.然后，通過(guò)模糊推理得到改進(jìn)的紋理特征描述，由于該特征為8維向量，為了便于之后利用Hausdorff距離確定邊緣特征，需要將其降維成3維向量(每一維分別表示色相值的差異性、連續(xù)性和奇異性).

1.1 數(shù)據(jù)修正與預(yù)處理

LBP算子[14-15]的計(jì)算公式為

(1)

(2)

式中：LBP(xI,yI)為像素點(diǎn)I的LBP碼；s(x)為符號(hào)函數(shù)；iI為像素點(diǎn)I的灰度值；ik為像素點(diǎn)I在p個(gè)連通區(qū)域中像素點(diǎn)k的灰度值，如在8連通區(qū)域中，p=8，從左上角按順時(shí)針?lè)较蛞来螢閕0～i7.

雖然LBP算子可以很好地描述圖像的局部紋理特征，但簡(jiǎn)單的二值化處理會(huì)導(dǎo)致圖像信息的缺失.傳統(tǒng)的LBP算子只能獲取8連通區(qū)域中ik與iI的大小關(guān)系，而無(wú)法獲取ik與iI的量化差異大小.基于LBP算子，將計(jì)算灰度值改為計(jì)算色相值，并對(duì)簡(jiǎn)單的二值化處理進(jìn)行擴(kuò)展，將LBP算子中僅表示色相值大小關(guān)系的1和0轉(zhuǎn)換為用于量化色相值差異大小的[0,10]區(qū)間內(nèi)的數(shù)據(jù).

受噪聲污染的HSV圖像局部細(xì)節(jié)圖如圖2所示.將像素點(diǎn)1記為一般點(diǎn)，即沒(méi)有被噪聲污染，也不是圖像中的邊緣像素點(diǎn)；將像素點(diǎn)2記為邊緣點(diǎn)，它是圖像中具有邊緣特征的像素點(diǎn)；將像素點(diǎn)3記為噪聲點(diǎn)，表明該像素點(diǎn)受到了噪聲污染.

圖2 圖像局部細(xì)節(jié)圖Fig.2 Local details of the image

令dk=|hk-hI|(k=0,1,…,p-1),dk為像素點(diǎn)I周圍8連通區(qū)域中像素點(diǎn)k的色相值，hI為像素點(diǎn)I的色相值.若像素點(diǎn)I為一般點(diǎn)，則dk均較??；若I為邊緣點(diǎn)，則約有1/2的dk較大；若I為噪聲點(diǎn)，則dk均較大.

為了減小噪聲干擾，用像素點(diǎn)I附近的8連通區(qū)域?qū)ο袼攸c(diǎn)的色相值進(jìn)行修正.如圖3所示，區(qū)域內(nèi)的像素點(diǎn)依次編號(hào)為0～7.

圖3 像素點(diǎn)I附近8連通區(qū)域的像素編號(hào)Fig.3 The numbers of the pixels within 8-connected regions near pixel I

修正算法過(guò)程如下：

(1) 計(jì)算區(qū)塊內(nèi)像素點(diǎn)0～7及I的色相值均值；

(2) 求出d0～d7；

(3) 找出d0～d7色相值最小的像素點(diǎn)，并用該像素點(diǎn)的色相值代替像素點(diǎn)I的色相值.

該算法的本質(zhì)是提取區(qū)塊內(nèi)出現(xiàn)頻率最高的色相值以達(dá)到不失真和濾波的目的.對(duì)像素點(diǎn)I及其8連通區(qū)域內(nèi)的每個(gè)像素點(diǎn)的色相值均需使用上述算法進(jìn)行修正.雖然利用區(qū)塊修正的色相值在一定程度上會(huì)使邊緣特征模糊化，降低圖像邊緣部分的高頻成分，導(dǎo)致提取出的邊緣粒子較粗，但其應(yīng)用于障礙物檢測(cè)時(shí)，由于最重要的指標(biāo)是邊緣的連續(xù)性，故這一缺陷并不影響檢測(cè)效果.

色相值的本質(zhì)為色彩在色相環(huán)上的位置所成的角度，即[0°,360°].色相之間的差異不是簡(jiǎn)單的色相值相減，而是在色相環(huán)上由一個(gè)色相變?yōu)榱硪粋€(gè)色相所需要的最小角度，故色相之間的最大差異實(shí)際為180°，例如：0°和200°的差異為160°而不是200°.所以，dk用于表示色相差異大小時(shí)要進(jìn)行預(yù)處理，其計(jì)算公式可表示為

(3)

1.2 模糊推理系統(tǒng)

采用模糊推理中的if-then-else機(jī)制設(shè)定以下4條規(guī)則.其中：PB代表大；PM代表中；PMB代表偏大； PS代表小.輸入Din的論域?yàn)閇0°,180°]，輸出Dout的論域?yàn)閇0,10].

規(guī)則1如果Din為PB，則Dout為PB.

規(guī)則2如果Din為PM，則Dout為PM.

規(guī)則3如果Din為PMB，則Dout為PMB.

規(guī)則4如果Din為PS，則Dout為PS.

隸屬度函數(shù)使用梯形隸屬函數(shù)，其表達(dá)式為

(4)

式中：Y為輸出；X為輸入；a，b，c，d為常數(shù)，且滿足a≤b≤c≤d.通過(guò)選取合適的數(shù)值，Din和Dout的隸屬度函數(shù)(μX,μY)分別如圖4所示.常數(shù)a,b,c,d的取值如表1所示.

根據(jù)模糊推理的4條規(guī)則以及輸入輸出各自的隸屬度函數(shù)，可以得出輸入輸出曲線，如圖5所示.

表1 不同輸入輸出的常數(shù)取值

Tab.1 The values of the constants with different inputs and outputs

輸入輸出項(xiàng)目abcd輸入 PS00510 PM5153545 PMB35457585 PB7585180180輸出 PS0013 PM1.52.545 PMB456.57.5 PB681010

圖4 輸入輸出的隸屬度曲線Fig.4 The membership curves of different inputs and outputs

圖5 輸入輸出曲線Fig.5 Function curve of input and output

由于輸入輸出曲線可以近似為分段函數(shù)，所以將模糊推理系統(tǒng)得出的輸入輸出曲線以分段函數(shù)的形式來(lái)擬合可以極大地減小計(jì)算量，提高系統(tǒng)的實(shí)時(shí)性.擬合后的分段函數(shù)表達(dá)式為

(5)

1.3 樣本降維

每個(gè)像素點(diǎn)的LBP特征經(jīng)過(guò)模糊推理系統(tǒng)后可以轉(zhuǎn)換為一個(gè)8維向量Dout，但過(guò)高的維數(shù)會(huì)增加計(jì)算量.因此，在確定邊緣特征前，先要對(duì)圖像中存在的大量數(shù)據(jù)樣本進(jìn)行降維.

定義：當(dāng)數(shù)據(jù)樣本降維為3維向量時(shí)，記為V.樣本V的第1維數(shù)據(jù)表征8連通區(qū)域中色相值的差異性.Dout中的每一維代表色相值的差異大小，將Dout中每一個(gè)值的和作為V的第1維數(shù)據(jù).該維數(shù)據(jù)的值越大，表征Dout中差異較大的色相值越多.第1維數(shù)據(jù)中數(shù)值最大的是噪聲點(diǎn)，數(shù)值較大的是邊緣點(diǎn)，數(shù)值較小的是一般點(diǎn).通常認(rèn)為若一個(gè)像素點(diǎn)是邊緣點(diǎn)，那么這個(gè)點(diǎn)經(jīng)過(guò)模糊推理得到的8維輸出向量Dout中，有4個(gè)數(shù)值較大，理論上Dout中較大的數(shù)值為5，一共4個(gè)，合計(jì)為20.然而，僅僅靠這一數(shù)據(jù)得出的結(jié)果可靠性較差，基于8連通區(qū)域中像素點(diǎn)之間的分布特征，分別加入第2維和第3維數(shù)據(jù)來(lái)提高算子的可靠性.

圖6 僅使用第1維數(shù)據(jù)會(huì)被誤判的一般點(diǎn)Fig.6 The general point misjudged by only the first dimension

(6)

k=0,1,…,6

(7)

k=7

(8)

k=0,1,…,7

(9)

圖7 僅使用第1和第2維數(shù)據(jù)會(huì)被誤判的一般點(diǎn)附近被噪聲污染的一般點(diǎn)Fig.7 The general point misjudged by the first and second dimension

I-LBP算子的LBP特征將傳統(tǒng)的LBP算子計(jì)算結(jié)果(0～255之間的數(shù)字)由1維值改進(jìn)為3維向量V，且具備旋轉(zhuǎn)不變性，可以識(shí)別不同方向的邊緣特征.結(jié)合上述對(duì)V的每一維數(shù)據(jù)的分析，理論上3維向量V=[20 2 0].

2 利用Hausdorff距離確定邊緣

為了確定哪些特征屬于邊緣特征，本文利用 Hausdorff 距離對(duì)圖像像素點(diǎn)的LBP特征與邊緣LBP特征進(jìn)行匹配.

2.1 邊緣LBP特征確定

模糊C均值(FCM)是一種典型的無(wú)監(jiān)督模糊聚類算法.在樣本的分類過(guò)程中不需要人為干預(yù)，且在化分多類目標(biāo)方面具有明顯的優(yōu)勢(shì)[16].

為了使FCM算法適合本文的數(shù)據(jù)樣本，將樣本V的第2維和第3維數(shù)據(jù)的權(quán)重設(shè)為10，以使3維數(shù)據(jù)處于同一數(shù)量級(jí)，從而增加區(qū)分度.通過(guò)FCM算法分類，最終確定的邊緣LBP特征為[19.32 24.36 1.41].該特征基本符合上述理論分析.

2.2 利用Hausdorff距離確定邊緣點(diǎn)

Hausdorff距離描述的是2個(gè)點(diǎn)集的相似性.設(shè)有2個(gè)點(diǎn)集A={a1,a2,…,aN}和B={b1,b2,…,bJ}，A和B之間的Hausdorff距離[17-18]表達(dá)式為

(10)

式中：‖·‖為距離范數(shù).在Euclidean空間中，點(diǎn)集A和B可以看成2個(gè)圖形輪廓，Hausdorff距離則度量了2個(gè)輪廓間的最大不匹配度.

借鑒Hausdorff距離的定義，將Hausdorff距離對(duì)于空間中輪廓間的度量轉(zhuǎn)化為對(duì)于空間中像素點(diǎn)之間的度量.數(shù)據(jù)集A為圖像中像素點(diǎn)的LBP特征集合，集合中的每個(gè)元素均為3維向量，數(shù)據(jù)集A代表3維空間中的一個(gè)點(diǎn)集；數(shù)據(jù)集B為邊緣LBP特征，僅包含1個(gè)元素，代表3維空間中的一個(gè)固定點(diǎn).選取閾值為15，將點(diǎn)集A中Hausdorff距離H<15的點(diǎn)篩選出來(lái)作為邊緣點(diǎn).為了方便后續(xù)的框選障礙物輪廓步驟，新生成1幅二值圖像供框選算法處理，二值圖像與原圖像大小相同，所有像素點(diǎn)的值初始化為0.每找到1個(gè)邊緣點(diǎn)，就將二值圖像中相應(yīng)位置的值修改為1.

3 框選障礙物輪廓

經(jīng)過(guò)邊緣提取的障礙物輪廓往往是不規(guī)則的圖形，選取矩形框圈選障礙物輪廓，得到其在圖像中的位置和大小信息.框選算法過(guò)程如下：

(1) 以圖像左上角作為圖像坐標(biāo)原點(diǎn)，寬度方向?yàn)閤軸，高度方向?yàn)閥軸.

(2) 提取一個(gè)輪廓中坐標(biāo)的最大、最小值xmax,xmin,ymax,ymin.如果輪廓位于圖像邊界且被邊界切斷，則將圖像邊界視為該輪廓的一部分.

(3) 將(xmin,ymin)和(xmax,ymax)2個(gè)點(diǎn)作為矩形的對(duì)角點(diǎn)，則矩形可被唯一確定為包含障礙物輪廓的最小矩形.同時(shí)，計(jì)算矩形的寬度Wr=xmax-xmin，高度Hr=ymax-ymin以及面積Sr=WrHr.

(4) 不保存面積過(guò)小的矩形數(shù)據(jù)，認(rèn)為該矩形是檢測(cè)過(guò)程中出現(xiàn)的誤檢或是距離特別遠(yuǎn)的物體，故無(wú)需考慮.

(5) 重復(fù)步驟(2)～(4)，找出下一個(gè)矩形，并判斷該矩形是否被之前找出的矩形所包含，互相包含的矩形只保留面積最大的矩形，即僅提取最大面積的外輪廓.

(6) 重復(fù)步驟(5)，直至所有矩形都被找到.

基于輪廓框選障礙物，與目標(biāo)跟蹤不同，避障時(shí)不對(duì)特定的障礙物進(jìn)行跟蹤，而是將出現(xiàn)在圖像中的物體均視為障礙物，因此沒(méi)有嚴(yán)格的前景和背景之分.當(dāng)無(wú)人機(jī)飛行速度變化較大、圖像變化不穩(wěn)定時(shí)，一旦檢測(cè)到前方有距離較近的障礙物(使用超聲波、毫米波雷達(dá)或雙目攝像頭輔助測(cè)距)，避障算法會(huì)控制無(wú)人機(jī)進(jìn)入避障模式，根據(jù)當(dāng)前的障礙物分布情況規(guī)劃避障路徑，使無(wú)人機(jī)飛行進(jìn)入穩(wěn)定狀態(tài).此時(shí)的圖像變化及障礙物檢測(cè)情況均不會(huì)發(fā)生太大的變化.

4 仿真實(shí)驗(yàn)驗(yàn)證

在MATLAB r2017a平臺(tái)上對(duì)算法進(jìn)行仿真實(shí)驗(yàn)驗(yàn)證.PC機(jī)CPU為i5-4430@3.0GHz，內(nèi)存為8 GB.

以分辨率為512像素×512像素的Lena圖像作為實(shí)驗(yàn)對(duì)象，加入密度為 0.01 的椒鹽噪聲.I-LBP算子與 Sobel算子、Roberts算子、Laplace算子和Canny算子的檢測(cè)效果對(duì)比如圖8所示.

圖8 I-LBP算子與其他算子的檢測(cè)結(jié)果對(duì)比Fig.8 Comparison of I-LBP operator with other operators

由圖8可知：I-LBP算子對(duì)噪聲的抑制能力更強(qiáng)；Laplace算子和Canny算子對(duì)噪聲的抑制能力最差；Sobel算子和Roberts算子具有一定的噪聲抑制能力，然而其邊緣信息提取不完整.

在傍晚光照條件較差的情況下，拍攝1張分辨率為720像素×540像素的石碑圖片.I-LBP算子與Sobel算子、Roberts算子、Laplace算子和Canny算子的檢測(cè)效果對(duì)比如圖9所示.

由圖9可見(jiàn)：在光照條件較差的情況下，I-LBP算子的檢測(cè)效果較好；Sobel算子、Roberts算子檢測(cè)效果類似，只能檢測(cè)出圖中最為明顯的3個(gè)目標(biāo)，且輪廓斷裂較嚴(yán)重；Laplace算子和Canny算子噪聲太多，無(wú)法順利提取輪廓.此外，I-LBP算子還具有較高的實(shí)時(shí)性，處理分辨率為720像素×540像素的圖片平均耗時(shí)100 ms，可以滿足無(wú)人機(jī)避障的實(shí)時(shí)性要求.

使用結(jié)構(gòu)相似性(SSIM)指標(biāo)對(duì)邊緣信息的提取效果進(jìn)行量化，其量化指標(biāo)對(duì)比結(jié)果如表2所示.由表2可知，I-LBP算子的SSIM指標(biāo)優(yōu)于其他算子.另外，當(dāng)圖像加噪后，I-LBP算子的SSIM指標(biāo)降低幅度最小，所以，I-LBP算子具有良好的穩(wěn)健性.

I-LBP算子對(duì)部分典型場(chǎng)景的障礙物框選實(shí)驗(yàn)如圖10所示.前兩幅圖為在正常光照下拍攝的場(chǎng)景，后兩幅為在傍晚弱光照條件下拍攝的場(chǎng)景，圖片分辨率為720像素×540像素.由圖10可見(jiàn)：I-LBP算子可以在正常光照條件下識(shí)別出圖中的全部障礙物；在光照條件較差的傍晚也可以識(shí)別出絕大多數(shù)的障礙物.以I-LBP算子為基礎(chǔ)的邊緣提取算法可以為障礙物框選提供重要依據(jù)，達(dá)到無(wú)人機(jī)避障對(duì)障礙物的高實(shí)時(shí)性檢測(cè)要求.

表2 不同算法檢測(cè)結(jié)果的結(jié)構(gòu)相似性指標(biāo)Tab.2 SSIM of different algorithms

圖9 光照條件較差時(shí)I-LBP算子與其他算子的檢測(cè)結(jié)果對(duì)比Fig.9 Comparison of I-LBP operator with other operators under extreme illumination conditions

圖10 障礙物框選效果Fig.10 Results of obstacle selection

5 結(jié)語(yǔ)

本文提出了一種基于HSV顏色空間的快速邊緣提取算法，用模糊集理論改進(jìn)LBP算子對(duì)像素點(diǎn)局部紋理特征的描述；用Hausdorff距離確定邊緣點(diǎn)；用矩形框圈選障礙物輪廓.I-LBP算子可以在光照條件較差和高噪聲污染的環(huán)境下，提取邊緣信息，且具有較高的穩(wěn)健性，可以有效地提升無(wú)人機(jī)避障系統(tǒng)對(duì)于光照條件的適應(yīng)性，同時(shí)降低攝像頭成本.此外，I-LBP算子還具有較高的實(shí)時(shí)性，處理分辨率為720像素×540像素的圖片平均耗時(shí)100 ms，可以滿足無(wú)人機(jī)避障的實(shí)時(shí)性要求.

I-LBP算子所提取的圖像邊緣連續(xù)性較好，但邊緣粒子較粗.為提高I-LBP算子的適用范圍，在今后的工作中將進(jìn)一步研究邊緣信息的細(xì)化問(wèn)題.