蘇立平

(聊城大學東昌學院，山東 聊城 252000)

0 引言

在船舶航行過程中，受到海洋環(huán)境和天氣等因素的影響，需要對航行過程中的障礙物進行有效識別，通過航行路徑規(guī)劃和避障設計，結合圖像動態(tài)視覺跟蹤識別方法，實現(xiàn)對船舶航行過程中的動態(tài)分析，提高船舶航行過程的穩(wěn)定性和可靠性。研究船舶航行障礙物識別方法建立在對紅外圖像特征分析基礎上，通過采集船舶航行障礙物動態(tài)參數(shù)[1]，結合海洋環(huán)境特征分析和紅外視覺跟蹤識別的方法，提取船舶航行障礙物的分布特征點，采用分塊和分組區(qū)域映射的方法實現(xiàn)對船舶航行障礙物識別。

目前，對船舶航行障礙物識別的方法主要有基于紅外光譜特征分析的船舶航行障礙物識別方法、基于灰度不變矩特征分析的障礙物識別和路徑規(guī)劃方法以及不規(guī)則三角網(wǎng)分割的船舶航行障礙物識別方法等[2–3]。Marino A等[4]中提出基于可見光與紅外圖像并行控制的船舶航行障礙物識別方法，結合物體輻射的紅外特征點差異性進行航行避障控制，但該方法的計算實時性不好。Pelich R等[5]提出基于層次對象模型化視覺幀匹配的船舶航行障礙物識別和避障路徑規(guī)劃技術，通過不同的場景參數(shù)融合，結合障礙物的空間分布規(guī)劃性進行障礙物識別，但該方法的收斂性不好。

針對以上方法存在的不足，本文提出基于圖像分塊特征匹配和視覺跟蹤識別的船舶航行障礙物識別技術，通過仿真測試驗證了本文方法在提高船舶航行障礙物識別能力方面的優(yōu)越性能。

1 船舶航行紅外圖像采集和特征提取

1.1 船舶航行紅外圖像采集

采用紅外傳感成像技術進行圖像采集，對采集的船舶航行障礙物紅外圖像進行體元數(shù)據(jù)融合，通過多尺度變換和圖像區(qū)域劃分的方法，進行船舶航行障礙物的視覺特征分析，提取圖像的顯著性區(qū)域或目標，進行航行障礙物跟蹤識別，船舶航行紅外圖像采集的結構圖如圖1 所示。

圖1 船舶航行紅外圖像采集的結構圖Fig.1 Structure diagram of infrared image acquisition for ship navigation

假設顯著性分析的圖像融分布域為 ?，對船舶航行紅外圖像I(x,y)，采用分塊輪廓曲線C進行目標障礙物的定位匹配和跟蹤識別，在特定場景下障礙物動態(tài)融合區(qū)域為R1和R2，其中一個為目標，一個為背景障礙物。將高維圖像投影到低維子空間中，得到圖像分布模型：

式中：c1和c2分別表示可見光與近紅外的多模態(tài)特征參數(shù)；Length(C)表示目標障礙物的邊界輪廓的長度；Area(inside(C))表示特征點、線段、輪廓的包圍面積；μ，ν，λ1和 λ2分別表示特征點、線段、輪廓的邊緣特征分量，均為大于0 的常數(shù)。

選擇合適的特征，在閉合曲線C用水平集函數(shù)表示為C={(x,y)∈?:?(x,y)=0}，由此得到2 個模態(tài)的圖像外觀分布模型參數(shù)為：

式中，H(z)和δ(z)分別為Heaviside 函數(shù)和Dirac 函數(shù)。

由此，構建了圖像采集模型，采用點跟蹤匹配和動態(tài)幀點檢測的方法進行船舶航行障礙物識別的紅外圖像信息采集，根據(jù)圖像采集結果，結合圖像配準和邊緣信息分布式融合的方法進行船舶航行障礙物識別。

1.2 圖像特征提取

采用光和近紅外圖像聯(lián)合識別的方法進行障礙物識別和特征提取，構建深度學習模型，在提取到的特征之間建立對應關系，得到船舶航行障礙物特征分布點集中的點之間映射關系，表示如下：

式中：λ1,λ2,ν,μ均為局部特征子空間分布系數(shù)，為一組非負常數(shù)；Kσ為標準差 σ為高斯函數(shù)，通過選擇σ的大小來調整船舶航行紅外圖像分布鄰域的大小。

對有可能的對應點障礙物集合水平集構建水平約束特征項，其中第一項是用來保持船舶航行紅外圖像水平集在演化特征量，第二項是船舶航行紅外圖像中障礙物的長度約束項，第三項和第四項為局部二值擬合項，基于幾何約束的估計算得到障礙物的動態(tài)分配函數(shù)f1(x)和f2(x)，在輪廓區(qū)域外，得到模型函數(shù)f1(x)和f2(x)隨空域變化，采用重采樣獲取無異常值來確定障礙物分布，障礙物動態(tài)檢測的能量函數(shù)為：

式中：θ為圖像中包含的信息量，L(?)為曲線長度約束項，從紅外以及從可見光圖像進行平滑特征分析，定義如下：

式中，P(?)為障礙物的距離正則項。

根據(jù)傳遞的信息熵分布，采用融合圖F的邊緣直方圖作為特征分配點，得到結構相似性指標分布集為：

式中：ELBF為相關性、亮度、對比度的關聯(lián)項，ELGF是局部梯度能量項。

根據(jù)變分法和Euler-Lagrange 方程，得到原圖及融合圖的像素分配函數(shù)。

根據(jù)上述分析，對采集的船舶航行障礙物紅外視覺圖像進行區(qū)域組合檢測和融合處理。

2 船舶航行障礙物識別

2.1 圖像分塊特征匹配

在對采集的船舶航行障礙物紅外視覺圖像進行區(qū)域組合檢測和融合處理的基礎上，采用邊緣信息保留的方法，得到航行障礙物分布的Heaviside 函數(shù)和規(guī)則化的Dirac 函數(shù)，具體如下：

固定式(3)能量泛函中的 ?，分析邊緣信息保留在融合圖中的殘差信息，對f1,f2,|?f1|,|?f2|極小化處理，得到相應的表達式如下：

基于圖像梯度的評價指標分析方法，在輪廓曲線演化分析障礙物的真實邊界點，實現(xiàn)紋理細節(jié)信息匹配，采用圖2 所示的多模型拼接方法。

圖2 障礙物的多模型拼接Fig.2 Multiple model splicing of obstacles

2.2 障礙物的動態(tài)跟蹤識別

構建融合圖像中的峰值匹配模型，通過對目標障礙物特定波長的紅、綠、藍三原色分析，得到障礙物檢測的中心距：

式中：μpq為物體對不同波長光線檢測的像素透射強度，μ00為顏色恢復的多尺度信息分量，γ為不同波長光學的反射參數(shù)。

采用HSV 色彩空間匹配，得到船舶航行障礙物特征點分布的直方圖表示為：

式中：m和n為融入物體表面信息的反特征點編號，i和j為反射分量為物體行列編號，s為頻域的高斯濾波系數(shù)，k為平滑濾波系數(shù)，為太氣散射系數(shù)，為海洋環(huán)境散射系數(shù)。

綜上，提取圖像的差異性和突變性特征點，根據(jù)特征點的分布情況采用視覺跟蹤識別方法實現(xiàn)對船舶航行障礙物識別。

3 測試結果與分析

對船舶航行障礙物檢測仿真采用VC 軟件設計，設定障礙物分布的局部窗口大小為12×12，對船舶紅外圖像采集的透射率為0.13，高斯核 σ為9，障礙物的分布坐標及動態(tài)匹配參數(shù)分布見表1。

表1 船舶航行障礙物分布參數(shù)Tab.1 Distribution parameters of ship navigation obstacles

在仿真參數(shù)設定的基礎上，進行航行障礙物識別仿真，得到原始的船舶航行紅外圖像如圖3 所示。

圖3 障礙物識別的原始圖像Fig.3 Original image of obstacle recognition

采用本文方法進行障礙物識別，得到識別結果如圖4 所示。分析可知，本文方法能有效實現(xiàn)對船舶航行障礙物識別，識別過程的動態(tài)跟蹤能力較好。

圖4 障礙物識別結果Fig.4 Obstacle identification results

障礙物識別精度對比如表2 所示。分析可知，本文方法識別可靠性和精度較高。

表2 船舶航行障礙物識別精度對比Tab.2 Comparison of identification accuracy of navigation obstacles on ships

4 結語

通過采集船舶航行障礙物動態(tài)參數(shù)，結合海洋環(huán)境特征分析和紅外視覺跟蹤識別的方法，提取船舶航行障礙物的分布特征點，本文提出基于圖像分塊特征匹配和視覺跟蹤識別的船舶航行障礙物識別技術。提取圖像的差異性和突變性特征點，根據(jù)特征點的分布情況采用視覺跟蹤識別方法實現(xiàn)對船舶航行障礙物識別。分析可知，本文方法對障礙物的檢測識別能力較好。