無人船的障礙物動態識別

楊坤 黃立新

摘要：通過相鄰幀差法和變換域法依次配合，實現對障礙物的識別，跟蹤顯示。本文采用基于視頻序列構建一個移動目標檢測系統模型，該模型用跟蹤算法分析靜止背景下的移動目標;使用相鄰幀差法來實現運動對象的檢測，快速、準確地提取背景模型，得到良好的前景移動目標圖像;借助變換域的方法實現移動目標的有效跟蹤，且在跟蹤的基礎上實現軌跡顯示。實驗證明視頻提取出的背景輪廓完整，去除的背景噪點圖片效果良好，障礙物運動軌跡線生成清晰。仿真和視頻處理結果驗證了算法理論的有效性。

關鍵詞：背景模型：相鄰幀減法;障礙物識別

0引言

無人船分為非自主型無人船、內嵌編程的半自主型無人船和具有自主規劃、自主航行，自主導航的全自主型無人船。隨著物聯網等技術的迅速發展，為無人船的全自動化實現提供了良好的技術支撐。

非自主型無人船起源于1898年，尼古拉特拉斯發明了遙控艇，將其命名為“無線機器人”：20世紀五十年代前蘇聯出現小型遙控式無入水面艇：60年代后期，美國研發出“拖鏈式”遙控掃雷艇：90年代美國研制“遙控獵雷作戰原型艇：21世紀美國海軍水下作戰開發“斯巴達偵察兵”（SpartanScout）號無人艇，該船系半自主無人船，具有模塊化、可重構、多任務、高速、半自主航行的特點。2008年，國內新光公司研發提供氣象保障的“天象1號”無人艇：云洲智能研制出在線水質污染和核污染監測的無人船。以色列的中型“SilverMarlin”號無人艇、美國海軍研制的模塊化三體無人快速偵察艇“X-2”號是全自主型無人船的代表。2013年，我國研發具有良好的機動性、抗沉性和抗風浪能力的“海巡166號”無人艇。2014年，上海大學研制配備北斗導航系統的“精海”系列無人艇。

針對以上問題運用差值平均法，快速提取出圖像序列中障礙物的背景模型，得到良好的前景移動目標圖像。借助變換域的方法，實現移動目標的有效跟蹤，且在跟蹤的基礎上實現軌跡顯示。本文將對無人船或者無人船艇的障礙識別和追蹤作進一步探討。

1 視覺監控系統設計及實現

1.1 系統設計思想

假設無人船在持續行駛中所處的背景不變，以運動障礙物為檢測對象。利用攝像機獲取被檢測環境視頻圖像，在視頻圖像中識別動態目標，追蹤、顯示運動軌跡曲線。

1.2算法選擇

（1）目標檢測：采用差值平均法，提取運動目標外部點集，確定移動目標質心。

（2）邊緣檢測：采用canny算法進行邊緣檢測，該算法的平滑性相對于其它方法，去噪能力更強，在一階傳統微分、中階躍型邊緣檢測中，效果最優。

（3）目標跟蹤：選用基于變換域和特征的跟蹤方法，達到移動目標跟蹤和特征提取識別的目的。

（4）目標表示：采取目標的質心點作為行船或者障礙物的位置標定。

（5）軌跡顯示：采用矩陣坐標系和內嵌for循環算法實現小船位置的動態顯示。

1.3 系統組成

視覺監控系統工作流程如圖1所示，各單元功能如下：

（1）監控視頻序列：讀取視頻數據并保存等待處理。

（2）圖像預處理：讀入視頻幀進行灰度化、二值化處理，對每幀圖像連通區域進行標記。

（3）目標區域檢測：通過標記的連通區域確定目標區域的上、下、左、右邊界。

（4）目標跟蹤：對移動目標進行跟蹤，確定移動目標質心，標出運動軌跡。

（5）視頻內容分析：理解對得到的視頻進行障礙物識別和障礙物跟蹤顯示。

1.4 算法實現

1.4.1 高斯背景模型算法提取

無人船處于動態不確定環境，造成圖像處理困難，需對圖像進行預處理。預處理采用高斯背景模型算法提取背景模型。首先運用函數讀取視頻文件，對于視頻文件中每一幀的圖像進行讀取保存，為增加圖像的可處理性，將圖像數據轉化為雙精度，讀取圖像的RGB。為提高準確性，采取舍棄第一幀的方式，嵌入for循環語句，將第二幀到最后一幀的圖像進行讀取，之后依次采用imshow函數顯示，drawnow不斷的刷新屏幕，顯示并保存每幀圖像背景。疊加每幀圖像的RGB，采用矩陣取平均值后進行矩陣疊加的方法隱去前景部分，提取背景。為方便程序的自檢，采用函數進行顯示和保存到需要的路徑。由于視頻處理的計算量較大，故采用視頻幀的灰度化和二值化處理。

1.4.2 腐蝕、膨脹函數去除背景噪點

圖像背景存在諸多噪點，為提取小船前景圖像，設計運用灰度化和二值化處理。基于噪點和小船實際面積大小對比，灰度腐蝕函數先腐蝕去除背景噪點之后，采用灰度膨脹函數膨脹擴大小船顯示，循環兩次除去背景圖像噪點。隨后，內嵌入for循環語句提取小船坐標位置矩陣。

1.4.3 去除背景

為實現MATLAB處理要求。采用矩陣化將小船位置化為二維數組，采用函數程序讀取視頻背景文件和提高視頻圖像背景質量。基于已得到背景進行矩陣化，過濾去除背景得到前景矩陣。采用一個時間矩陣來監視序列圖像的穩定性特征，利用背景在時間上的緩變特性來實現對背景的提取和更新。

1.4.4 軌跡追蹤和動態顯示

設計運用軌跡跟蹤和動態刷新處理。為減少計算機運算量，采取隔十幀選一幀的方式，選取小船的質心點軌跡。內嵌條件循環語句，實現小船完整路徑的跟蹤。程序的主要流程：

（1）用坐標系矩陣描述背景圖像，統計上、下、左、右圖像位置矩陣點。

（2）矩陣數列標識前后景圖像，依據相關點找到兩矩陣關系。

（3）前景和背景矩陣，進行矩陣差異對比。

（4）計算船體質心位置并顯示。

（5）顯示視頻圖像幀數，間隔保留質心位置以減少計算。

（6）循環讀幀和動態路徑顯示。

前景和背景矩陣化得到數學圖像矩陣，采用函數提高圖像質量;運用for循環結構語句得到小船軌跡坐標點，進一步采用差值平均取整法：顯示小船位置圖像，保存每幀質心位置，畫出軌跡路徑圖。圖4為運動過程中追蹤到的小船運動軌跡。

初步處理得到小船運動軌跡，但與小船實際運動軌跡存在較大偏差。原因是實際操作過程中攝像機抖動和樹林中樹葉隨風而動，形成動態噪點。導致實際的小船位置顯示混亂。針對這一問題，運用背景閾值過濾去除視頻背景的動態噪點，依據圖像二維數組畫出路徑圖，保存每幀小船質心得到軌跡圖5（a）和小船矩陣點數值分布圖5（b）。

去除動態噪點后，小船運動軌跡顯示較好。但是，為了將小船的視頻動態圖像進行較好的展示，采取每隔20幀保留一個小船運動質心，使用紅色方框標記。軌跡線采用綠色實線表示。軌跡顯示如圖6所示。

為展示小船運動軌跡圖，特意截取三個時間段的小船運動軌跡圖。顯示如圖7所示。

2 結束語

為實現動態不確定環境，障礙物動態識別，設計了視頻監控系統。通過靜態環境下采用高斯模型算法，得到視頻背景：采用差值平均數法實現運動目標檢測和障礙物跟蹤：通過計算機視覺工具箱，實現障礙物特征提取和跟蹤。

本系統針對障礙物識別和追蹤中遇到的不同問題給出了不同的程序算法。最后，通過視頻處理實驗驗證了算法理論上的可行性，滿足了在動態不確定環境下的視頻監控系統對圖像進行動態識別跟蹤的要求。