基于計算機視覺的無人機目標識別技術研究

于坤林

（長沙航空職業技術學院，湖南 長沙 410124）

目標識別技術是指利用雷達和計算機對遙遠目標進行辨認的技術[1]。無人機目標識別技術是無人機自動避障技術的基礎，目前無人機的目標識別技術已在航拍航測、抗災救援、電力巡檢、目標搜尋等無人機應用領域發揮著非常重要的作用。因此開展無人機目標識別技術的研究有非常重要的應用價值。

1 無人機的目標圖像識別算法流程

無人機的目標圖像識別算法流程如圖1所示。

圖1 無人機的目標圖像識別算法流程

圖像傳感器獲得無人機的目標圖像后，先要對采集到的目標圖像進行噪聲濾波和圖像增強等預處理，為了使待識別的無人機的目標圖像從采集到的目標圖像中分出來，需要對濾波及圖像增強后的圖像進行無人機的目標圖像分割，無人機的目標圖像分割后就要進行特征提取，從而可以從圖像信息提取反映無人機的目標本質特征，特征提取之后對分類的特征進行分類并對無人機的目標進行判決，也就是分類判決，最后對無人機的目標進行識別和跟蹤處理。

2 無人機的目標圖像識別算法研究

2.1 圖像預處理

2.1.1 圖像濾波

圖像濾波是為了去掉原始圖像里面的噪聲，圖像濾波的方法有很多種，如均值濾波、中值濾波等等，采用均值濾波對雖然能降低噪聲，但濾波后的圖像邊緣變得模糊，而采用中值濾波則既能降低噪聲，又能使圖像邊緣比較清晰，特別是對于椒鹽噪聲，濾波效果較好。

2.1.2 圖像增強

圖像增強分為基于空間域的圖像增強以及基于頻率域的圖像增強兩大類：基于頻域的算法是在圖像的某種變換域內對圖像的變換系數值進行某種修正；基于空間域的圖像增強算法是直接對圖像灰度級做運算，如直方圖修正、灰度變換等算法[2]。直方圖均衡化可以使圖像更加清晰，能夠增強目標與背景的灰度對比度，擴大目標與背景之間的灰度差值，以便圖像的邊緣細節能夠更加容易地被檢測出來。

2. 2 圖像分割

圖像分割是指根據需要將圖像劃分為有意義的若干區域或部分的圖像處理技術，分割質量的好壞直接影響著后續圖像處理的效果[3]。圖像量化后就要對其進行圖像分割，圖像分割的算法主要分以下3大類：1）基于閾值的分割方法；2）基于邊緣的分割方法；3）基于區域的分割方法。區域分割方法有區域分裂合并法和區域增長法等。

2.2.1 閾值分割法

閾值圖像分割法是一種有效且簡單的方法，它用設定的一個或多個閾值將圖像的灰度級分為2個或多個部分，屬于同一部分的像素可以認為是同一個物體。閾值法的特點是運算比較簡單且效率高，應用比較廣泛。為了增加圖像分割的魯棒性，圖像分割需要具有自動閾值選擇功能。

2.2.2 邊緣分割法

邊緣是圖像的最基本特征，它能夠反映圖像灰度的不連續性。圖像邊緣檢測是圖像分割、圖像特征提取以及圖像紋理分析等的重要基礎，此類算法簡單，對簡單場景中的圖像分割效果較好，但在復雜場景中，易出現目標邊界不完整或偽邊緣較多等問題，很難將目標分割出來且對噪聲敏感。常用的圖像邊緣檢測算法是采用roberts、sobel 、prewitt以及canny等算子來進行邊緣檢測的。

(1) Roberts 算子邊緣檢測算法

Roberts 算子是利用掩模結構的模板算子來進行空間卷積運算的一階微分算子。Roberts算子模板如下：

Roberts 算子的特點是沒有平滑和濾波的環節，它直接通過差分計算來尋找邊緣的，因此對細微的噪聲比較敏感；

(2) Sobel算子邊緣檢測算法

Sobel算子模板如下：

Sobel算子是利用掩模結構的模板算子進行空間卷積運算的一階微分算子。Sobel算子由于增加了中心像點的權值比重，所以比 Roberts 算子具有更好的噪音抑制能力。

(3) Prewitt算子邊緣檢測算法

Prewitt邊緣檢測算子是在圖像空間上利用水平邊緣以及垂直邊緣兩個方向的模板與圖像進行鄰域卷積運算來完成[4]。該算子通常由下列公式表示：

Prewitt算子模板如下：

Prewitt算子把灰度值大于或等于閾值的像素點都認為是邊緣點，由于許多噪聲點的灰度值很大，因此容易造成把噪聲點誤判定為邊緣點，而且容易丟失幅值較小的邊緣點。

(4) Canny算子邊緣檢測算法

Canny算子采用不同方向上的模板對給定圖像進行卷積并且獲取最優邊緣，Canny算子優點是檢測精度高，信噪比大，缺點是實時性較差。

Canny算子邊緣檢測步驟為[5]：

I.高斯濾波

采用高斯函數對要邊緣檢測的源圖像進行去噪濾波，高斯函數為

II.計算濾波后圖像的梯度幅值和方向

采用2X2鄰域內的一階偏導求圖像的梯度和方向：

III.對梯度幅值進行非極大值抑制，把梯度中非極大值點置零得到細化的邊緣

IV.用雙閾值法檢測和連接邊緣

采用高、低閾值對經非極大值抑制后的結果進行檢測，得到兩個閾值邊緣圖像Th和Tl，將梯度幅值大于Th的點認為是邊緣點，將梯度幅值小于Tl的點認為不是邊緣點，用Tl來連接邊緣。

2.2.3 區域分割法

區域生長的基本思想是：檢查它的近鄰，判斷它們是否具有相似性，把相似的近鄰歸入到一個區域中。這個相似性準則可以是顏色、灰度、紋理或其他特性。該類算法的分割效果雖然好，但運算復雜，實時性差。

2.3 圖像特征提取

常用的圖像特征有：顏色特征、紋理特征、空間關系特征和形狀特征這4種特征。

基于顏色特征的提取方法的優點是具有一定的魯棒性，其顏色分量特征不受視角的變化和物體的尺寸的影響，缺點是對光照變化比較敏感，不能反映目標的局部特征并且計算比較復雜。

基于紋理特征的提取方法的優點是對噪聲有一定的魯棒性，缺點是可能會受圖像分辨率的影響，而產生較大的偏差。

基于空間特征的提取方法的優點是可加強區分圖像的內容和描述能力，缺點是對圖像的旋轉以及縮放等變化都比較敏感。

基于形狀特征的提取方法的優點是比較有效的運用于感興趣目標的識別，缺點是識別結果受到目標的形狀影響較大，當產生變形或者變形不太明顯時候偏差較大。

2.4 目標識別

目前國內外目標識別的方法主要有:基于經典的統計識別方法、基于知識的目標識別方法、基于模型的統計識別方法、 基于信息融合的目標識別方法、基于統計學習的目標識別方法等5種目標識別方法[6]。

2.4.1 基于經典的統計識別方法

該方法對大量樣本進行訓練，統計觀察目標特性的分布情況，在模式空間距離中，利用特征匹配分類技術對場景定義域內目標進行識別。這種方法在復雜背景下或目標發生變化時，無法正確識別目標。

2.4.2 基于知識的目標識別方法

該方法主要對可供利用的知識源辨別、適用新場景時知識的有效組織和驗證、規則的理解和明確表達。領域知識的組合和處理能力決定著識別算法的性能。

2.4.3 基于模型的統計識別方法

該方法利用目標、環境、背景和傳感器等模型來對目標進行識別，依據模型特征來匹配實際及預測后的特征。

2.4.4 基于信息融合的目標識別方法

該方法就是融合各種不同功能的傳感器來提高系統對復雜場景中的目標識別能力。該目標識別方法目前主要集中在對算法的研究和模型的開發上。

2.4.5 基于統計學習的目標識別方法

該方法通過對大量目標和非目標樣本進行學習而得到一些統計特征，依據這些特征建立模型，來識別目標。該方法能夠較好地區別樣本，魯棒性較好。

3 仿真實驗及分析

圖2 目標圖像仿真實驗

圖2是采用加有椒鹽噪聲的lena圖像進行了目標識別實驗，圖2（a）是疊加了椒鹽噪聲的lena圖像，圖2（b）是對加有椒鹽噪聲的lena圖像進行了中值濾波，濾波后不但濾掉了大量的椒鹽噪聲，而且保留了圖像的許多重要細節，圖像比較清晰。圖2（c）是對中值濾波后的圖像進行直方圖均衡化，目的是為了增強目標和背景的灰度對比度以及擴大目標與背景之間的灰度差值，以便更容易地檢測出圖像的邊緣細節，圖像進行直方圖均衡化后，圖像明顯增強，而且圖像的細節更加突出清晰。圖2（d）是對加強后的圖像采用了基于邊緣的圖像分割方法獲得的圖像，獲得了比較滿意的邊緣檢測和分割效果。

4 結論

本文詳細地研究了現有的無人機目標識別技術，對圖像分割技術、特征提取技術、目標識別技術的各算法進行了系統地研究和對比分析，并對無人機目標圖像識別算法進行了仿真實驗，為無人機自動避障技術提供了技術基礎，該技術將會在軍事、民用領域都有著廣泛的應用價值。