董少敏 馬永政 郭 麗 付 浩

（1.某部隊，浙江 舟山 316000；2.集美大學(xué)計算機學(xué)院，福建 廈門 361021）

0.引言

在野外救援中，利用無人機對周邊環(huán)境進行偵查監(jiān)視，對于救援環(huán)境實時感知具有重要的意義。利用無人機搭載可見光、紅外傳感器可以遠距離快速發(fā)現(xiàn)人體目標，并依據(jù)相應(yīng)算法對數(shù)據(jù)進行秒級預(yù)處理，然后把預(yù)處理數(shù)據(jù)通過通訊單元快速傳輸給后方專家系統(tǒng)，形成科學(xué)的救援方案，輔助救援決策，以提高救援速度，爭取黃金救援時間減少人員的傷亡。

紅外成像（特別是遠紅外成像）相較于可見光成像具有顯著的優(yōu)勢。由于紅外圖像是熱成像，不依賴于外界光線條件，即使在黑暗和煙霧環(huán)境，也可以探測到人體發(fā)射的紅外信息并成像。同時紅外線圖像還具有良好的切割特性。但是紅外線圖像自身存在的特性,如低反差、低信噪比、無法校驗的黑白極性顛倒及其身體周邊易產(chǎn)生的光暈效果等,導(dǎo)致紅外線圖像中身體目標的測量、跟蹤和行為識別依然是一個極具挑戰(zhàn)性的課題[4]。特別是對于人體這種非剛體目標，運動的主觀隨意性強、無固定規(guī)律、姿態(tài)和形狀變化大，增加了目標提取的難度。

趙君欽[1]提出了一種改進的Haar-like特征提取算法，在Haar-like特征中融合了HOG特征，較好地對目標邊緣的特征進行了Haar-like增強，對目標的外形特征能夠有效地進行分析，充分利用了所提出的特征提取算法，并彌補了樣本空間不足的缺點，能夠?qū)⒎指畛龅腞OI準確地分為人體目標、汽車和其他目標等三類。范峻銘[2]提出了一種深度學(xué)習(xí)和場景標定的頭部檢測算法，選擇深入學(xué)習(xí)實現(xiàn)行人的檢測；多目標跟蹤匹配是經(jīng)過多個跟蹤目標關(guān)系的相似性和目標特征確定與檢測結(jié)果的匹配關(guān)系。李建福提出了復(fù)合分類特征的序列紅外人體實時檢測方法，目的是較快檢測到序列紅外圖像中的人體目標。為了提高描繪人體目標候選地域特點的準確度，融入了形體特點、亮度分布慣性特征和方向梯度直方圖特點，最后通過使用支持向量機對候選地域做出劃分以測試[3，4]。

以上方法在人體目標提取中都取得了一定的研究成果，但針對無人機紅外影像人體目標提取方法尚存在不足。針對以上現(xiàn)狀，本文研究了利用形態(tài)學(xué)方法識別無人機紅外影像中的人體目標，為野外醫(yī)療救援提供技術(shù)支撐。

1.基本原理

數(shù)學(xué)形態(tài)學(xué)是具有嚴格理論基礎(chǔ)的學(xué)科，最基本的理論是利用集合論作為數(shù)學(xué)語言和基礎(chǔ)，用集合論對一定的形態(tài)構(gòu)建起結(jié)構(gòu)元素，對元素進行度量與解析，從而對圖像進行分析與解譯，達到識別的目的。具體應(yīng)用方法如下：在保持圖像基本特征的前提下，簡化圖像數(shù)據(jù)，去除圖像數(shù)據(jù)之間的無關(guān)結(jié)構(gòu)，盡量保留圖像數(shù)據(jù)之間并行實現(xiàn)的結(jié)構(gòu)，移動圖像數(shù)據(jù)集中的一個結(jié)構(gòu)元素，在結(jié)構(gòu)元素和圖像數(shù)據(jù)集之間執(zhí)行集合運算。利用形態(tài)學(xué)識別紅外影像中人體目標的主要步驟是：對原始影像進行去噪、增強等處理后，對影像進行分割，將不同目標分割為不同的基元，最后根據(jù)人體的形態(tài)學(xué)特點對人體目標進行識別。主要流程（如圖1所示）：

1.1 紅外影像預(yù)處理

紅外傳感器成像的特點導(dǎo)致紅外影像上噪聲點較多，對于后期的目標識別有一定影響，因此要對影像進行去噪處理。紅外影像是灰度圖像，它的噪聲分布與椒鹽噪聲(saltand-pepper noise)非常相似。椒鹽噪聲也稱為脈沖噪聲，可以隨機改變一些像素值。在二值圖像上，它將一些像素變?yōu)榘咨?，一些像素變?yōu)楹谏D像處理和解碼是由明暗通道產(chǎn)生的。因此，要想更好地消除圖像上的噪聲點，可以用低通濾波法。常用的低通濾波方法有中值濾波、高斯濾波和均值濾波等。對于紅外圖像中類似椒鹽噪聲的點，中值濾波或均值濾波可以有效地消除。其中，高斯濾波算法計算復(fù)雜，圖像中會出現(xiàn)影像模糊現(xiàn)象，所以紅外影像濾波中一般不采用。中值濾波是一種基于統(tǒng)計理論的非線性信號處理技術(shù)，抑制噪聲效果明顯。

圖1 紅外影像人體目標識別流程

由于紅外影像反映的是目標的熱輻射特征，因此圖像的對比度通常較低。在后期處理過程中，為了提高目標解譯的成功率，需要進行影像的增強處理?；叶扔跋竦脑鰪娡ǔ２捎弥狈綀D均衡化或線性拉伸的方法。直方圖均衡化計算相對復(fù)雜，而線性拉伸比較簡單，且線性拉伸后得到的影像更適合后期的分割處理。所以紅外影像的對比度采用線性拉伸法去增強。

直方圖線性拉伸也稱為對比度拉伸，其基本數(shù)學(xué)基礎(chǔ)是采用分段線性變換函數(shù)，這也是一種較為簡便的數(shù)學(xué)工具，主要通過提高圖像處理時灰度級的動態(tài)范圍，來實現(xiàn)影像的增強處理。具體實現(xiàn)過程是，對一定的灰度區(qū)間進行有意選擇，并對其拉伸，從而改善輸出圖像。這個過程主要目的有兩個：（1）處理圖像偏暗（圖像的灰度集中在較暗的區(qū)域所致），用灰度拉伸功能來拉伸目標灰度區(qū)間以改善圖像；（2）處理圖像偏亮（圖像灰度集中在較亮的區(qū)域所致），用灰度拉伸功能來壓縮目標灰度區(qū)間以改善圖像質(zhì)量。

1.2 紅外影像分割

在計算機視覺和圖像解譯的技術(shù)體系里，圖像分割是具有底層支撐性質(zhì)的基本技術(shù)，它把圖像按某種技術(shù)標準進行分割，得到若干個特定的、具有獨特性質(zhì)的區(qū)域，并對這些區(qū)域解算，從而獲取感興趣的目標。從圖像處理到圖像分析，這個技術(shù)點是至關(guān)重要的一環(huán)，從具體算法技術(shù)層面來說，它是用特定技術(shù)標準把數(shù)字圖像劃分，即圖像分割，得到不相交區(qū)域，這個過程也可以理解為一個標記過程，也就是把具有同一區(qū)域特征的像素賦予相同的編號。

紅外圖像分割最主要方法是依據(jù)圖像的某些特征或者特征集合相似性準則，對圖像像素進行分類與聚類，把圖像特征劃分為一系列具有特性意義的區(qū)域。經(jīng)過1.1 步驟噪聲去除和對比度增強處理后的紅外影像質(zhì)量得到明顯提升，利用影像分割方法可以將影像中不同的目標與背景分割開來，作為目標識別的先驗知識。按照總體分割策略，可分為基于模型的分割和基于圖像數(shù)據(jù)的分割?；谀Ｐ偷姆指钍侵冈诜指顣r根據(jù)被分割對象的先驗?zāi)Ｐ图爸R規(guī)則指導(dǎo)分割過程[5]?；趫D像數(shù)據(jù)的分割是一種直接分割法，首先確立圖像的基本特征，并根據(jù)這些特征對高分辨率空間圖像數(shù)據(jù)進行分割。

鑒于紅外圖像對比度低、邊緣模糊、信噪比低，且需達到實現(xiàn)簡單、實時性好、復(fù)雜度低、分割精度高的要求，同時考慮救援無人機紅外影像及實際應(yīng)用場景，綜合考慮上述紅外圖像分割方法優(yōu)缺點，決定采用多尺度分割和光譜差異分割相結(jié)合的方法為人體目標識別做準備工作?；緦崿F(xiàn)方法為：

（1）基于先驗知識確定包含目標的感興趣區(qū)域；

（2）根據(jù)多尺度算法求取直方圖；

（3）根據(jù)光譜差異性算法求取相應(yīng)分割參數(shù)；

（4）對（2）與（3）進行最優(yōu)化迭代；

（5）確定最佳的分割參數(shù)并結(jié)合邊緣信息獲得最終的分割結(jié)果。

1.3 基于形態(tài)學(xué)的人體目標識別

經(jīng)過紅外影像預(yù)處理和紅外影像分割的圖像，可看作是一個二值數(shù)學(xué)形態(tài)學(xué)問題。二值數(shù)學(xué)形態(tài)學(xué)的基本運算有4個：膨脹、腐蝕、開啟和關(guān)閉?；谶@些運算可以組合和推導(dǎo)出不同的數(shù)學(xué)形態(tài)學(xué)算法。

在紅外遙感影像上，車輛、建筑物、背景等大多數(shù)目標屬于剛體目標，有比較規(guī)則的形狀特征，可以建立模板庫對此類目標進行識別。而人體目標形狀特征不是十分明顯，且人體是非剛體，形態(tài)變化多樣，難以用固定的模板進行描述。需要針對人體目標形態(tài)多變的特點設(shè)計更加科學(xué)的模板，提高人體目標識別的成功率。

人體目標雖然形態(tài)變化多樣，但是主體骨架特點也比較明顯，軀干、四肢、頭幾個主體部分在紅外影像上有代表性特點。因此，利用形態(tài)學(xué)的方法，提取目標的骨架，并對骨架特征進行分析，與人體骨架特征模板庫相比較，可以識別出人體目標。人體骨架集的特征主要有尺度（Scale）、形狀（Shape）、互相比例關(guān)系（Ratio）、鄰接關(guān)系（Neighbourhood），利用以上4 個特征信息能夠比較客觀有效描述出人體的形態(tài)學(xué)特點，且對于人體的不同運動姿態(tài)具有魯棒性（如圖2所示）：

圖2 人體形態(tài)學(xué)描述符

根據(jù)人體常見的運動姿態(tài)，對紅外影像人體目標運動姿態(tài)建立模板庫，并利用上述描述符（形狀、尺度、方向、鄰接關(guān)系）對模板庫中的目標進行描述，作為人體識別時的匹配模板（如圖3所示）。

圖3 人體運動模板庫

2.實驗及分析

為了驗證提出方法的有效性，使用紅外相機拍攝的影像進行了測試實驗。實驗數(shù)據(jù)的具體情況（如表1所示），實驗環(huán)境為Dell臺式計算機，處理器為Intel i7處理器，內(nèi)存16GB，硬盤2000G，操作系統(tǒng)Windows7 64位，開發(fā)環(huán)境為MATLAB 2012。實驗中共采取具有代表性的4組數(shù)據(jù)，其中A組包含單個人體目標，B組包含多個人體目標，C組為低對比度影像，D組不包含人體目標，作為干擾項測試算法的魯棒性。利用提出的方法分別對4組數(shù)據(jù)進行測試，以此驗證方法的有效性。實驗結(jié)果（如圖4—圖7所示）：

表1 實驗數(shù)據(jù)情況

圖4A組原始影像a經(jīng)過預(yù)處理，進行圖像分割得到b圖，其中藍色區(qū)域為具有關(guān)聯(lián)性特征區(qū)，經(jīng)形態(tài)學(xué)人體目標識別得到圖c，其中紅色區(qū)為識別到的1個人體。

圖5B組原始影像a經(jīng)過預(yù)處理，進行圖像分割得到b圖，其中藍色區(qū)域為具有關(guān)聯(lián)性特征區(qū)，經(jīng)形態(tài)學(xué)人體目標識別得到圖c，其中紅色區(qū)為識別到的5個人體。

圖4 A 組數(shù)據(jù)實驗結(jié)果

圖5 B 組數(shù)據(jù)實驗結(jié)果

圖6 C 組數(shù)據(jù)實驗結(jié)果

圖6C組原始影像a經(jīng)過預(yù)處理，進行圖像分割得到b圖，其中藍色區(qū)域為具有關(guān)聯(lián)性特征區(qū)，經(jīng)形態(tài)學(xué)人體目標識別得到圖c，其中紅色區(qū)為識別到的2個人體。

圖7 D 組數(shù)據(jù)實驗結(jié)果

圖7D組原始影像a經(jīng)過預(yù)處理，進行圖像分割得到b圖，其中藍色區(qū)域為具有關(guān)聯(lián)性特征區(qū)，經(jīng)形態(tài)學(xué)人體目標識別無人體，故不再輸出結(jié)果。

從A、B、C組實驗的結(jié)果來看，不論是單個人體目標還是多個人體目標，所提出的方法均能夠有效地識別出紅外影像中的人體目標，特別是對于C組影像的亮度較低，對比度較差的惡劣條件仍然能夠正確識別人體目標。而對于D組數(shù)據(jù)，影像分割后將與人體形態(tài)模板庫進行匹配沒有識別出人體目標，說明算法具有一定的魯棒性。

3.結(jié)束語

識別紅外無人機遙感影像中的人體目標對于野外醫(yī)療救援具有重要的意義。本文在充分分析紅外遙感影像特點的基礎(chǔ)上，提出了一種紅外影像人體目標識別算法，主要流程包括影像預(yù)處理、影像分割、基于形態(tài)學(xué)的人體識別。利用具有代表性的紅外影像對所提出的方法進行了實驗驗證，實驗結(jié)果表明，無論是單個人體目標，還是多個人體目標，甚至在亮度較低、對比度較小的紅外影像中，均可以識別出人體目標。