復雜場景下無人車輛識別運動目標方法的研究

賈繼紅++宋江鵬

摘 要：基于霧霾天氣的復雜場景，本文選用基于時空信息的圖像分割方法，最終選擇混合高斯模型。通過基于小波變換的多尺度邊緣提取方法對運動目標進行邊緣提取，從而實現無人車輛在不同程度的霧霾天氣和多障礙物的條件下，對運動障礙目標的識別和主動避讓的功能。

關鍵詞： 混合高斯模型；圖像分割；邊緣提?。贿\動目標識別

0 引言

重型軍用無人車輛憑借其強大的越野和載重能力廣泛用于前線物資運送和危險地域重裝作業；而輕型軍用無人車輛的自主作戰能力使得它們能夠承擔對人來說無法涉足的最危險、最艱苦的戰斗任務，大大延伸了作戰領域空間，并且，用無人車輛完成偵察任務，還可實現巷戰作戰態勢的單項透明，大大增強了作戰部隊的靈活性和機動性。由此可見，軍用無人地面車輛將在未來戰爭中成為聯合投送的重要大型陸路交通工具和作戰工具。

未來無人地面車輛必須具備障礙物判定、路徑規劃和環境感知等能力，才有可能繼續實現自主操作的功能，而以上三個能力中障礙物（靜態或動態運動目標）判定是基礎。由于車體運行和障礙物自身也可能運動，因此，車輛與障礙物之間往往是相對運動的，這就涉及計算機視覺中的運動目標識別問題。同時，對運動目標的檢測也是判定運動目標位置與速度、運動目標行為識別與跟蹤的前提和關鍵。

軍用無人車輛所處環境非常復雜，戰場上的條件更是極其惡劣，對此類場景下的運動目標的識別具有很高的實戰價值和現實意義。

1 圖像預處理

1.1 圖像去噪

根據信號與噪聲的關系，可分為乘性噪聲和加性噪聲。加性噪聲不會隨圖像信號的變化而變化，即與圖像信號不相關，自然圖像的噪聲都是加性噪聲，故本文所處理的圖像中的噪聲屬于加性噪聲。

設含噪圖像為v（i，j），噪聲為n（i，j），原始圖像信號為 ，則加性噪聲模型可以表示為：

v（i，j）=u（i，j）+n（i，j） 。

中值濾波法無需圖像的統計特征，是通過對估計像素點的鄰域進行中值處理從而達到去噪的目的，其中，鄰域以窗口的方式選取。而且，由于中值濾波是低通濾波器，能有效地抑制脈沖噪聲，所以可以較好地保護圖像得邊緣紋理或細節信息?；陟F天圖像特征，采用中值濾波去噪方法，滑動窗口選用3×3。

用公式描述中值濾波法的基本思想如下。設某一個像素點的某鄰域窗口內的所有像素點灰度值為一組數

，把這n個數按值大小順序排列： ，取其中值的公式為：

中值濾波去噪后的效果如圖1所示。

1.2 圖像增強

針對當前的霧霾天氣，CCD獲得的圖像在分割與特征提取之前尤其要做好增強預處理。目前，針對霧霾背景的圖像處理方法主要有：圖像的增強和圖像的復原。霧天圖像增強方法是通過提高圖像的對比度來突顯細節信息，可忽略圖像退化，在視覺效果上有明顯的改善，但該方法容易丟失或破壞突出部分的細節。霧天圖像增強方法又分為全局化增強方法和局部化增強方法。本文所研究的無人車輛對于目標識別與跟蹤功能，僅需識別運動目標并判斷運動趨勢，不需識別目標細節和深入理解行為意圖，故不需要圖像的局部增強。本課題選用全局化霧天圖像增強方法。

全局化霧天圖像增強方法是指依據整幅霧天圖像的統計信息決定對灰度值的調整，而不考慮被調整點所處的區域。圖像增強效果如圖2所示。

2 圖像分割

2.1 圖像分割原理

將運動目標從圖像序列中檢測出來就是將其與背景分離的過程，屬于空間分割的問題，對視頻圖像的分割就是把視頻中每一幀圖像中的運動區域或目標從背景中提取出來。

解決這樣一個空間分割的問題，既可以利用圖像的時域信息，也可以利用圖像的空域信息，還可以將時域信息和空域信息綜合起來運用。然而，分割運動目標與提取區域運動信息是密不可分的，常用方法主要有兩種，針對運動信息，或者是先分割再計算，或者是先計算再分割。先分割再計算運動信息的方法即為直接分割法，它是利用圖像的灰度和梯度來進行分割處理。其優點是可以較完好地保留運動目標的邊緣信息，但對于復雜場景，由于同一運動物體由多個不同的區域組成，所以經常造成過度分割。先計算運動信息再分割，即間接分割法，一般是基于光流場進行分割，所以首先在連續兩幀（或兩幀以上）的圖像之間作光流場估計。

針對復雜場景，Stauffer C等人首次提出了混合高斯背景建模的算法，該算法是為圖像背景建立多個混合高斯背景模型，通過多峰的概率分布來描述單個像素點在一段時間內的亮度變化。

2.2 針對復雜背景的混合高斯建模方法

混合高斯背景建模法其實質就是背景模型估計法。該方法彌補了以往單高斯模型法無法描述復雜背景的不足。混合高斯建模的基本思想是為每個像素點定義多個（K個）模型來表達不同的顏色，依據每個模型是否變化來判斷該模型的背景類型：若該點與背景模型匹配，則該點屬于背景，若該點不與背景模型匹配，則該點屬于前景或運動目標。每個模型分別用一個獨立的高斯函數來表示，模型數目（K）取決于計算機內存容量和處理速度，一般取3～5之間。若每個像素點的顏色取值用變量x表示，用K個三維高斯函數表示其概率密度函數為

式中， 為t時刻的第i個高斯模型，其均值為

，協方差矩陣為 ， 為第i個高斯模型在t時刻的權重，且有

式中，n表示xi的維數，且當建模圖像為灰度圖時，n=1。當建模圖像為彩色圖像時，為了減少計算量，假設每幀圖像中各像素點的R、G、B三顏色通道相互獨立，并具有相同的協方差。協方差矩陣為式

也就是說，為每個顏色通道各建立了一個一維混合高斯模型。

本文圖像分割效果如圖3所示。

3 圖像特征提取

3.1 小波變換的多分辨分析理論

多分辨率分析，又稱多尺度分析，是建立在函數空間概念上的理論，該理論提供的方法是在不同尺度下分析函數。首先把原始信號分解成具有不同分辨率的子信號，然后在各個分辨率上處理子信號。若信號為二維的圖像，就是將其分解成高分辨率圖像和低分辨率圖像，選擇合適的分辨率或在相同的分辨率上處理子圖像。其中，高分辨率圖像包含更多的細節信息。而小波分析正是提取圖像的細節信息。由此，Mallat將計算機視覺中的多分辨分析理論引入了小波原理，并建立了基于多分辨分析和小波理論之間關系的方法，推導出快速離散小波變換算法，即MALLAT算法。

多分辨分析的定義：空間L2（R）中的一系列閉子空間 如果滿足下列條件，則稱其為L2（R）上的一個多分辨分析或逼近。

一致單調性：

漸近完全性：

伸縮規律性：

平移不變性： ，對所有

Rieze基存在性：存在 ，使得 是V0的正交基，即

通常稱vj為尺度j的尺度空間， 為多分辨率分析的尺度函數。在多分辨率分析理論中，所有閉子空間 都是由同一函數 經伸縮或平移后張成的尺度空間。

由此可得：

該序列就是 的一級二維小波分解。參照一維小波分解、重構的公式，可以得出二維小波分解、重構的Mallat塔式公式，即：

其中， 和 分別為低通和高通濾波器。

基于小波變換的多尺度邊緣提取結果如圖4所示。

4 結論

本文針對無人車輛所處的不同程度的霧霾天氣和復雜背景，結合無人車輛所要實現的功能，有選擇性地研究了圖像去噪和增強的預處理方法，同時分析了圖像分割與圖像特征提取方法。最終選擇中值濾波對圖像進行去噪，選擇全局化霧天圖像增強法對圖像進行增強；通過基于時空信息的混合高斯模型算法對圖像進行分割；通過基于小波變換的多尺度邊緣提取方法對運動目標進行邊緣提取，從而實現無人車輛在不同程度的霧霾天氣和多障礙物的條件下，對運動障礙目標的識別和主動避讓的功能。