基于特征融合的目標檢測技術研究

孫銘鐳，楊波，韓立園

（長春理工大學 電子信息工程學院，長春 130022）

目標檢測的難點在于如何在環境中找到目標物的特征，從而準確的檢測。現如今對于目標特征的檢測主要有幾種：（1）對于目標顏色特征的檢測方法，如：Arya P.Unnikrishnan[1]等人提出的利用顏色特征來檢測車牌的研究和張慧君[2]提出的目標顏色檢測與跟蹤系統；（2）對于目標紋理特征的檢測方法，如：Jo?o Batista Florindo[3]等提出了一種基于離散Schroedinger紋理特征的新方法和程淑紅[4]等利用紋理特征來檢測汽車型號的方法；（3）對于目標輪廓特征的檢測方法，如：Paraic Quirke[5]提出利用輪廓特征檢測鐵路橋損傷檢測和史思琦[6]對輪廓特征的提取、描述和評價這一主題展開研究；（4）對于目標局部特征描述子的檢測方法，如：李根[7]提出的基于局部特征的人臉檢測和崔廣才[8]提出了一種基于傅里葉與局部特征結合的人體姿態識別方法檢測的方法；（5）對于目標混合特征的檢測方法，如：D.S.Jang，H.I.Choi（2010）[9]提出了一種基于圖像檢測的模型，通過對目標物體的移動產生的圖像序列的檢測。然而這些檢測的方法都有局限性，如在復雜的環境背景下檢測的準確性會有所降低或者檢測方法復雜。本文采用顏色特征和輪廓特征相融合的檢測方法，能夠在復雜的環境下提升檢測的準確率并且檢測起來更加簡便。

1 目標檢測原理

由于使用數字化所表示的圖像數據維數一般都很高，所以如果直接對目標圖像所在的原始數據進行操作或者處理會變得比較困難。為了便于使用，通常對數字圖像進行各種處理和操作以提取圖像本身的各類特征。事實上，對物體的認知也是建立在對物體特征的分類和描述的基礎上得來的。人們了解事物的過程就是將目標表示為各種特征的組合，這樣才能對各種特征進行準確分類并與已知的特征進行比較和判別，得到理想的目標。所以，對于目標檢測，可以理解為通過使用合適的描述目標的特征描述方式尋找某類特征，在得到特征后與已知數據相互比較，得出相似程度，最終實現目標的分類和檢測的過程。從之前的介紹可以看出，特征的相似度判別和目標特征及其描述方式是決定檢測準確度的關鍵一環。

考慮到環境背景、技術手段、應用場合等因素的影響和限制，為了獲得準確的檢測數據，選取合適的方式來獲得最佳目標特征就變得十分重要。一般來說，在目標檢測過程中，在進行特征描述和選擇時需要考慮的幾個主要因素有：獨特性、顯著性和穩定性。

（1）獨特性。在目標檢測時會有許多的干擾物，而如何區分干擾物和目標，就要在選取特征時，選取一個目標所具有的獨特的特征，該特征可以把目標和干擾物準確的區分開來，這就被稱作目標的獨特性。能否有效的選取具有獨特性的目標特征，會影響到在檢測上的效率和準確性，而往往使用一種特征無法準確的區分目標和背景。

（2）顯著性。選取的特征是否能夠反映出目標所具有的特性或者可以代表目標的特性被稱作特征的顯著性。每個物體都有許多不同屬性和類別的特征，而在不同的場景下如何選取合適的特征，使該特征能夠更加準確和容易的檢測到目標是在目標檢測時一個很重要的環節。

（3）穩定性。如果在一種場景中準確的檢測到了目標，而當場景變化時卻無法找到目標，這時就可以說所選取的特征穩定性不夠。特征的穩定性可以說是在外界環境變化時，依然可以使用之前的特征準確檢測到目標，但是往往使用單一特征很難做到這點。

為了能夠有效地檢測到目標，在選取目標特征時應盡量考慮到這三點特性，并最大程度的滿足這三點。但是在現實環境中，有來自目標遮擋、物體運動和噪聲等因素的干擾，很難使用單一特性同時滿足這三點。所以本文采用目標顏色及輪廓特征融合的方式使來檢測目標，從而更好的抓取目標特征的顯著性與獨特性，從而提高檢測準確率和穩定性。

2 基于HSV色彩空間的顏色特征檢測

色彩空間模型是一種描述使用一組值表示顏色的抽象數學模型。本文使用的是HSV色彩空間模型，這種色彩空間模型具有能夠非常直觀的表達色彩的明暗、色調，以及鮮艷程度的特點，這個特點可以利用到目標的顏色特征的獲取。

2.1 HSV色彩空間

1978年美國的計算機科學家埃爾維·雷·史密斯提出了HSV色彩空間模型這個概念，它是由RGB色彩空間模型的一種非線性變換得來的。

HSV色彩空間中的H、S和V分別代表著色調（Hue）、飽和度（Saturation）和明度（Value）。其中H是色彩的基本屬性，用角度來度量它。色調H取值范圍為0-360°，如果按逆時針方向同時從紅色開始計算，則可以知道紅色、綠色和藍色分別為0°、120°和240°。而它們的補色是：黃色、青色和品紅，使用色角度表示分別為60°、180°和300°；S是指色彩的純度，取值范圍為0-100%，S越高色彩越深并且艷麗；V是指色彩的明亮程度，取值范圍為0（白）-100%（黑）。HSV色彩空間模型如圖1所示。

圖1 HSV色彩空間模型

2.2 顏色特征檢測

首先對圖像作預處理（圖像作灰度化、二值化和濾波）。將圖像預處理后，將圖像進行RGB到HSV色彩空間的轉化，做完準備工作后就可以進行對目標的顏色檢測了。算法流程圖如圖2所示。

圖2 顏色檢測流程圖

2.3 HSV轉換與顏色特征的檢測

RGB轉化到HSV是有數學理論依據的，設max為R、G、和B中的最大值，而min為它們中的最小值，則轉換公式如（1）、（2）和（3）所示：

在進行完預處理和HSV轉換后，對于圖像的顏色特征檢測就可以開始了。在進行顏色檢測后將得到的顏色檢測特征數據與目標所在的原始圖像顏色數據進行作差比較，最后得到的差值與閾值作一個比較，小于閾值的像素點就是目標像素點。

其中閾值的選擇使用動態閾值。使用Otsu[10]方法來確定閾值。Otsu方法是一種最佳全局閾值處理的方法。但是該方法比較復雜，本文對Otsu進行了一些算法的改進。假設原圖是一副大小為M*N的像素圖像，令{0，1，2，…，L-1}為圖像的L個不同灰度級，同時選擇一個閾值k，閾值k把圖像分割成了兩部分，T1和T2，其中T1由圖像中灰度值區間在[0，k]的像素組成，并記像素個數為N1；而T2由灰度級區間在[k+1，L-1]像素組成，并記像素個數為N2。則有像素被分類到T1中的概率P為：

同理可知像素被分類到T2的概率P2為：

被分配到T1、T2的像素的平均灰度值m1、m2分別為：

整個圖像的平均灰度mG為：

則類間方差σ2為：

將公式（8）代入（9）中可得：

通過公式（10）可以看出，兩個均值m1和m2彼此間隔越大，則σ2越大，所選取使得σ2最大的k值。

顏色檢測的結果如圖3所示。

圖3 顏色檢測結果

3 輪廓特征檢測

如圖3所示，可以看到在目標的顏色特征和環境背景有相似的時候，很容易產生錯誤的檢測結果，導致目標檢測的失敗。因此加入了對于目標輪廓特征的檢測，來提高檢測的正確率。

對于圖像的輪廓檢測過程由以下五部分組成：圖像預處理、對于目標的檢測、圖像的目標分割、圖像的目標特征提取與選擇、圖像的目標分類，如圖4所示。

圖4 圖像輪廓檢測流程圖

（1）圖像預處理：為了提高目標與背景還有其他干擾物的對比度，增強數據的有效性和可用性，從而在圖像處理時做到事半功倍的效果，在目標檢測前先做些圖像的預處理。

（2）目標檢測：在圖像中有一些區域可能是目標所在的地方，而目標檢測的目的就是把這些區域劃分出來。

（3）圖像分割：分割的依據就是目標檢測中得到的可能存在目標的區域。從而把圖像分割成若干個特定的目標區域。邊緣輪廓檢測使用邊緣提取技術來確定目標的邊緣位置。本文圖像分割選取前文介紹的閾值法中的Otsu方法。

（4）特征提取與選擇：目標的提取，就是要計算每一個所知目標的特征向量。在計算完成后就能夠區分在圖像中每個物體的獨特特征。而特征選取是為了獲得一些有用的數據，從而可以讓目標和干擾物之間產生最大差異，這樣可以提高下一步中目標分類的計算效率和準確性。

（5）目標分類：在完成上面幾步的處理后，開始對目標進行分類。分類的過程就是將在圖像中的檢測到的每個目標的特征矢量與已知的目標的理想特征矢量進行一一比較，每次進行特征比較后，都會給該目標一個與所要檢測的目標相似的概率，在將所有可能是目標的特征向量進行計算比較后，再將所得到的相似概率與門限值作比較，如果超過門限值的相似概率過多，則將具有最高相似概率的目標看成所要檢測的目標。

對于目標的輪廓檢測結果如圖5所示。

圖5 輪廓檢測結果

4 顏色與輪廓的混合特征的目標檢測

在顏色特征和輪廓特征的檢測圖中，檢測信息不是相互排斥的，而是互相補充的，檢測信息的融合可以使目標物的信息更加完整。同時，能夠更加準確的檢測目標。首先進行顏色和輪廓檢測，假設顏色檢測完成后有N個顏色符合目標，而輪廓檢測后有M個符合目標輪廓，此時進行融合，同時符合兩種特征檢測的為目標物。算法流程圖如圖6所示。

圖6 顏色特征和輪廓特征融合檢測流程圖

5 實驗結果與分析

通過顏色特征和輪廓特征的融合檢測的到了如圖7所示的結果，可以看出對于目標和背景顏色差別很大，只用顏色檢測就可以很好地檢測出目標物。然而，在背景顏色與目標顏色近似時，當單一用顏色檢測時，會將與目標顏色相近的物體全部檢測，導致結果不準確。同理，當對目標進行輪廓檢測時，目標輪廓在環境中與其他物體的輪廓差異很大，則可以很好地檢測出目標物。但是，當有其他物體和目標物有相似的輪廓時就會干擾檢測結果，導致結果出錯。

因此采用了顏色檢測和輪廓檢測的融合檢測，可以看到實驗結果顯示，在復雜的環境情況下，能夠做到準確的檢測到目標物。

6 結論

在復雜的環境下對目標進行檢測存在著很多限制和不穩定性，因而單單使用一種特征方法進行檢測很容易出現誤檢測和檢測準確率下降等諸多問題，因此使用多特征相結合檢測的方法有利于提高檢測的準確率和穩定性。通過實驗結果可知本文所使用的顏色特征和輪廓特征相結合的方法，能夠有效的在復雜環境下準確檢測目標。

圖7 融合檢測結果