車(chē)輛目標(biāo)特征量提取技術(shù)研究

北京信息科技大學(xué) 馮清娟 唐勝春

車(chē)輛目標(biāo)特征量提取技術(shù)研究

北京信息科技大學(xué) 馮清娟 唐勝春

在圖像跟蹤系統(tǒng)中，目標(biāo)特征量的有效提取至關(guān)重要。本文以一組運(yùn)動(dòng)目標(biāo)（汽車(chē)）的序列圖像為研究對(duì)圖中每個(gè)像素賦予不同的RGB值時(shí)，就能呈現(xiàn)出五彩繽紛的顏色，即形成了彩色圖。

1. 引言

用計(jì)算機(jī)代替人去認(rèn)識(shí)圖像和找出一幅圖像中人們感興趣的目標(biāo)物，是數(shù)字圖像處理的一個(gè)重要目的。本文以一組運(yùn)動(dòng)目標(biāo)（汽車(chē)）的序列圖像為研究對(duì)象，針對(duì)圖像中運(yùn)動(dòng)目標(biāo)（汽車(chē)）的平移、旋轉(zhuǎn)等變化情況，實(shí)現(xiàn)了基于目標(biāo)顏色、灰度投影、邊緣提取與輪廓跟蹤、種子填充的特征量提取算法，并對(duì)所提取的特征量進(jìn)行列表分析，力求找出比較有效的特征量提取方法。

2. 基本預(yù)處理過(guò)程

圖像跟蹤的預(yù)處理過(guò)程包括顏色提取、平滑濾波和閾值分割三個(gè)步驟之后，再進(jìn)行特征量提取。

2.1 圖像顏色提取

自然界中的所有顏色都可以由紅、綠、藍(lán)（R，G，B）組合而成的。針對(duì)所含有顏色成分的多少，可以分成0到255共256個(gè)等級(jí)，這種分級(jí)的概念稱(chēng)作量化。當(dāng)一幅圖中每個(gè)像素賦予不同的RGB值時(shí)，就能呈現(xiàn)出五彩繽紛的顏色，即形成了彩色圖。

本文所采用的一組彩色汽車(chē)圖片即為24位色圖。抽取其中一幀（圖1）通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)，提取紅色分量后的效果最好，所以本文采用提取紅色分量的方法來(lái)提取小車(chē)，提取之后的效果如圖2所示。

圖1 原圖像

圖2 提取紅色分量之后的效果圖

2.2 圖像平滑濾波

本文采用了一種簡(jiǎn)單的平滑濾波算法，即鄰域平均法。即是將原圖中的每一點(diǎn)的灰度和它周?chē)?4個(gè)點(diǎn)的灰度相加，然后除以25，作為新圖中對(duì)應(yīng)點(diǎn)的灰度，表示如下：

這種表示方法有點(diǎn)像矩陣，我們稱(chēng)其為模板(template)。中間的黑點(diǎn)表示中心元素，即是，用哪個(gè)元素作為處理后的元素。通常，模板不允許移出邊界，所以結(jié)果圖像會(huì)比原圖小，為了避免這種情況,我們引入“補(bǔ)”的概念,就是給邊界的外鄰域補(bǔ)上圖像數(shù)據(jù)。補(bǔ)的方法很多,本論文采樣了對(duì)稱(chēng)補(bǔ)的方法,比如在圖像的右邊界的右側(cè)補(bǔ)上邊界左側(cè)的圖像數(shù)據(jù)。本文中采用了5×5平滑濾波，經(jīng)過(guò)兩次平滑濾波后的效果如圖3。

圖3 提取紅色分量之后的效果圖

圖4 閾值分割之后的效果圖

2.3 圖像域值分割

嚴(yán)格的說(shuō)，閾值分割并不是圖像預(yù)處理的一部分，而是圖像分割技術(shù)的一種重要方法，但本文所提的特征量提取算法大多都是在閾值分割后的圖像上完成，故在本文中作為圖像預(yù)處理的一部分。本文采用高斯模板加權(quán)求取閾值。這種方法的優(yōu)勢(shì)在于其閾值可隨整幅圖像的灰度均值與局部方差而改變，它不受限于灰度的分布是否滿(mǎn)足雙峰形狀。這也是它比直方圖法的優(yōu)越之處。單閾值分割法后得到的效果如圖4所示。

3. 特征量的提取

本文主要研究基于灰度投影的特征量提取算法、基于邊緣提取與輪廓跟蹤的特征量提取算法、基于種子填充的特征量提取算法。

3.1 基于灰度投影的特征量提取算法

經(jīng)過(guò)圖像平滑處理和閾值分割后，得到的二值圖像中主要存在車(chē)體和灌木叢干擾。在處理區(qū)域內(nèi)，設(shè)定兩個(gè)計(jì)數(shù)器。分別沿著水平方向和垂直方向掃描圖像，每當(dāng)像素點(diǎn)的灰度值為255時(shí)，計(jì)數(shù)器自加1。每當(dāng)進(jìn)入新的行或列之前，計(jì)數(shù)器自動(dòng)清零，然后繼續(xù)對(duì)新的行或列里的黑色像素點(diǎn)個(gè)數(shù)進(jìn)行累加。由此統(tǒng)計(jì)出每行和每列的黑色像素點(diǎn)（目標(biāo)或干擾物）個(gè)數(shù)，分別向X軸和Y軸投影

這個(gè)過(guò)程中得到的車(chē)體外接矩形并不夠精確，為了得到更精確的外接矩形，還要排除干擾物，對(duì)區(qū)域進(jìn)行優(yōu)化。此處的干擾物主要是灌木叢，要優(yōu)化的區(qū)域是車(chē)體的外接矩形。在用灰度投影法確定的車(chē)體的外接矩形中，再次利用“灰度投影”的原理，按照先X方向，后Y方向的步驟進(jìn)一步優(yōu)化得到一個(gè)更精確的區(qū)域，使得此區(qū)域能完全包含車(chē)體的目標(biāo)像素，并且沒(méi)有其他干擾。效果如圖5所示。

圖5 帶有趨于優(yōu)化的灰度投影算法效果圖

可以看出此時(shí)的區(qū)域是車(chē)體較為精確外接矩形，統(tǒng)計(jì)此時(shí)的區(qū)域長(zhǎng)度和寬度值，進(jìn)而計(jì)算得到面積、長(zhǎng)寬比，即可作為目標(biāo)的特征量，作為目標(biāo)識(shí)別的依據(jù)。

3.2 基于邊緣提取與輪廓跟蹤的特征量提取算法

邊緣蘊(yùn)含了豐富的內(nèi)在信息（如方向,階躍性質(zhì),形狀等），是圖像識(shí)別中重要的圖像特征之一。邊緣提取首先檢測(cè)出圖像局部特征的不連續(xù)性,然后再將這些不連續(xù)的邊緣像素連接成完備的邊界。邊緣的特征是沿著邊緣走向的像素變化平緩，而垂直于邊緣走向的像素變化劇烈。所以從這個(gè)意義上說(shuō)，提取邊緣的算法就是檢測(cè)出符合邊緣特征的邊緣像素的數(shù)學(xué)算子。圖6和圖7分別是利用邊緣提取和輪廓跟蹤所得的效果圖。

圖6 邊緣提取效果圖

圖7 輪廓跟蹤效果圖

圖8 漫水法種子填充效果圖

表1 6幀圖像特征量的比較

表2 各組圖片特征量統(tǒng)計(jì)數(shù)據(jù)表

3.3 基于種子

填充的量提取算法：

種子填充算法用來(lái)在封閉曲線(xiàn)形成的環(huán)中填充某種顏色，在這里我們只填充黑色。本文采用漫水法種子填充算法。具體方法是：首先初始化一個(gè)堆棧，并以圖像的中心點(diǎn)作為種子，先將要填充的點(diǎn)壓進(jìn)堆棧中，此后每彈出一個(gè)點(diǎn)，將該點(diǎn)涂成黑色，然后按左上右下的順序一次填充，直到堆棧為空。此時(shí)，區(qū)域內(nèi)所有的點(diǎn)都被涂成了黑色，如圖8所示。對(duì)被填充的車(chē)體內(nèi)部像素點(diǎn)進(jìn)行累加，便可以得到車(chē)的面積。

4. 小結(jié)

本文通過(guò)實(shí)驗(yàn)獲取了采集圖像中第1幀、第10幀、第20幀、第30幀、第40幀和第50幀，并利用灰度法對(duì)其進(jìn)行了特征量提取，統(tǒng)計(jì)計(jì)算了特征量的變化范圍、均值、方差、標(biāo)準(zhǔn)差以及綜合偏差進(jìn)行了統(tǒng)計(jì)計(jì)算。統(tǒng)計(jì)結(jié)果見(jiàn)表1和表2。可見(jiàn)，利用灰度投影法得到的目標(biāo)外接矩形的長(zhǎng)度、寬度和面積在各組圖片中的變化量都很小。這是因?yàn)檐?chē)體在運(yùn)動(dòng)過(guò)程中旋轉(zhuǎn)的角度不是很大。可見(jiàn)灰度投影法比較適合于提取旋轉(zhuǎn)角度較小、平移較大的目標(biāo)的特征量。

[1]張貝.基于特征提取與灰度投影聯(lián)合穩(wěn)像的算法研究[碩士學(xué)位論文].哈爾濱.哈爾濱工程大學(xué),2014年.

[2]吳鳳和.基于計(jì)算機(jī)視覺(jué)測(cè)量技術(shù)的圖像輪廓提取方法研究.計(jì)量學(xué)報(bào),第28卷, 第1期,2012年.

[3]吳潛,居太亮,姚伯威.應(yīng)用種子填充算法提取圖像的形狀特征.電訊技術(shù),2007年第4期.

[4]孫豐榮,劉積仁.快速霍夫變換算法.計(jì)算機(jī)學(xué)報(bào),第24卷,第10期,2011年.

[5]閆娟.數(shù)字圖像的平滑處理方法研究.軟件導(dǎo)刊,第8卷,第1期,2015年.

馮清娟（1978-），女，山西運(yùn)城人，北京信息科技大學(xué)副教授，博士，研究方向：計(jì)算機(jī)視覺(jué)、人機(jī)交互。

本成果受北京市教委科技計(jì)劃面上項(xiàng)目資助（KM201611232023）；本成果受北京信息科技大學(xué)“勤信人才”培育計(jì)劃資助。