基于激光雷達與紅外圖像融合的車輛目標識別算法

戰蔭澤,張立東,秦 穎

(長春理工大學光電信息學院,吉林 長春 130000)

1 引 言

目標識別技術廣泛應用于軍事、工業等領域,常見的目標識別的方法有激光雷達、紅外成像[1-4]等。基于激光雷達的主動成像技術具有分辨率高、可獲取距離向信息等優勢,但由于目標表面反射效果不同,照射角度、遮擋等都會對測試數據帶來很大的影響[5-6]；基于紅外成像的目標識別主要取決于被測目標輻射特性,照射角度、遮蔽等對目標識別結果影響小,但其空間分辨率低,沒有距離向信息,無法實現目標三維圖像重建[7-8]。

針對激光雷達數據中的目標識別成為了一個研究熱點,Cao L H[9]提出了一種基于輻射能量守恒的單點目標輻射特性測量的優化算法,提高了單點目標的識別概率。Kumar等人[10]通過對特征數據分配權值的方法構建分類器,從而優化分類規則,最終實現了提高組合分類效率的目的。楊帆等人[11]將數據挖掘算法應用于激光雷達圖像中完成目標識別,相比傳統目標識別算法,提高了目標檢出率。李春苗等人[12]對激光雷達數據進行特征提取,從而降低了目標的誤檢率。薛培林等人[13]通過激光雷達與可見光圖像融合技術完成了城市中自主車輛識別技術,在可見光充分的條件下得到了很好的應用。仝選悅等人[14]將激光雷達數據融合到紅外圖像中,并對三種典型坦克目標進行了分析,結果顯示其識別精度得到了提升。由此可見,基于激光雷達與二維成像的數據融合是提高目標識別精度的一種新途徑,其優勢在于可以利用工作機理的不同抑制不同類別的噪聲及干擾,從而提高目標識別精度。

本文將紅外圖像與激光距離向圖像進行配準,然后以待測區域中的目標紅外特征區域作為限定條件,結合待識別目標的先驗知識,完成噪聲抑制和目標提取。該算法適用于目標與背景存在光譜特征差異的待測目標,具有很好的魯棒性。

2 數據特征的表達

目標的特征提取是目標識別的先決條件,目標特征的提取規則直接影響了噪聲的抑制效果。融合紅外圖像特征與激光雷達距離向圖像特征的提取方法可以兼容兩種方法的優勢,實現對不同類型噪聲的有效抑制。

2.1 紅外特征

采用小波不變矩提取紅外圖像數據特征,設圖像函數為g(x,y),其笛卡爾坐標系中(s+t)階原點矩Mst有:

(1)

其中,s和t的取值范圍是非負整數;x和y是圖像直角坐標系中的二維位置,其極坐標關系可以表示為:

(2)

將式(2)帶代式(1)可得:

(3)

由此獲得紅外圖像中用于表征目標的原點矩參量,即紅外特征的表達。

2.2 激光雷達點云特征

利用標準目標模型的點云距離特征與激光雷達測試點云進行配準擬合分析,為了獲取識別被測目標。雖然實測過程中存在遮擋等會造成數據不完整,但目標點云結構中存在相應的位置特征關系,仍可以用于判斷,判斷依據為匹配相似度F(x,y),其可表示為:

(4)

其中,p(x,y)為測試點云投影得到的圖像;T(x,y)為模板圖像;x和y分別表示圖像的橫軸和縱軸坐標值;X和Y表示最大值。F()為匹配相似度,Ft為預設的相似度閾值。當F(x,y)Ft時,模板圖像與測試圖像不匹配,即不為同一特征類型。

3 算法設計

當激光雷達系統與紅外系統采用共光路設計時,就可以認為其圖像經平移、旋轉、尺度對齊就能夠實現圖像匹配了。圖像配準步驟有:

(1)將激光雷達圖像與紅外圖像的基準坐標進行對齊,從而使兩組數據使用相同坐標系。設激光雷達系統測試距離為d,激光雷達圖像在x軸和y軸上的視場角和長度分別是θx、Mx和θy、My。紅外圖像在x軸和y軸上的視場角和長度分別是φx、Nx和φy、Ny。由此激光雷達距離分辨率可表示為:

(5)

紅外圖像的距離分辨率可表示為:

(6)

(2)依據圖像范圍,計算圖像之間的尺度變換因子,完成圖像尺度換算。對兩類圖像得分辨率進行計算可以將圖像之間的尺度關系求解出來,從而用該尺度關系完成圖像之間的尺度變換,x和y軸兩個方向的比例取值有:

(7)

由此可見,要實現兩類圖像的配準,在將兩組圖像中心對準的基礎上,將待配準圖像乘以相應的尺度變換因子即可。

(3)在激光雷達圖像中尋找目標特征點,從而以對齊的坐標原點為中心將激光雷達圖像匹配到紅外圖像的相應位置上,完成圖像融合。

4 算法實現

若紅外圖像的尺寸IIR=X×Y,目標尺寸為I目標=X目標×Y目標,設檢測目標的實際尺寸為S實際=x×y,則紅外圖像中的尺寸為SIR=(X目標/X)x×(Y目標/Y)y。則SIR可以作為濾波函數的邊界條件。故算法流程如圖1所示。

圖1 目標識別算法流程圖Fig.1 Flow chart of target recognition algorithm

算法流程中主要分為兩個部分,左側為數據采集與識別結果輸出,對輸入的紅外圖像和激光雷達圖像進行圖像信息采集,再提取相應的特征信息；右側為目標循環檢測判斷部分,用于完成對符合目標特征但信息不完整的目標圖像進行篩選,實現目標增強并消除偽目標。工作步驟如下:

(1)紅外與激光雷達圖像數據采集；

(2)完成圖像特征提取,獲得Mst和F(x,y),實現對目標特征信息的采集；

(3)圖像坐標對齊,包括原點重合和軸系對齊；

(4)計算x和y軸的尺度因子,完成尺度變換；

(5)計算實際目標與紅外圖像之間的換算關系SIR；

(6)完成圖像匹配；

(7)利用匹配比例閾值完成對整個圖像中所有目標的篩選。

5 實驗與結果分析

5.1 測試結果

為了驗證激光和紅外融合目標檢測算法的性能,首先測試地面移動目標汽車的紅外圖像和激光圖像數據。圖2(a)～(c)分別示出了幀1、20和40的檢測結果。圖2(d)～(f )分別示出了幀1、20和40的檢測和識別結果。

圖2 汽車目標識別算法對比圖Fig.2 Comparison of cars target recognition algorithms

由圖2(a)和圖2(d)、圖2(b)和圖2(e)和圖2(c)和圖2(f )可以看出,不同幀采集的激光雷達圖像與紅外圖像融合后按照特征條件可以將汽車目標進行有效提取。由圖2(a)、圖2(b)和圖2(c)可知,由于采集幀圖像是發生在不同時刻的,所以雖然是針對同一個區域采集的,但是圖像發生了變化,其中第1幀中沒有的汽車目標是后來運動駛入的,而第20和40幀中采集到了,并且在圖2(e)和圖2(f )實現了目標識別。可見算法具有數據實時更新迭代的能力。對比圖2(a)和圖2(d)可知,其中從左向右第一輛汽車存在樹葉遮擋,單純的紅外二維像是不能有效識別的,但由于采用了激光雷達點云特征的邊界條件,將目標與樹葉在二維圖像中進行了分離,故目標被有效識別。對比圖2(d)和圖2(e)可知,其中一輛目標車由于激光雷達照射角度問題使其在圖2(d)中僅獲取了一個反射面的融合圖像,這是由于激光雷達照射角度導致的數據丟失,如果僅采用激光雷達圖像會導致漏檢,而融合圖像中該目標由于符合紅外目標邊界條件,故被有效識別。由此可見,本文所使用的激光和紅外融合目標檢測算法可以有效地提高目標識別效率,適應不同測試環境造成偏差。

5.2 測試數據統計對比分析

為了驗證算法的普適性,實驗將1000幀圖像數據的目標識別結果進行了統計分析。假設在測試過程中,車輛目標靜止且無遮擋的情況為條件A,車輛目標靜止存在小于總面積1/3的遮擋的情況為條件B,車輛運動且無遮擋的情況為條件C,車輛運動且存在小于總面積1/3的遮擋的情況為條件D。測試數據分別采用激光雷達目標識別算法(距離向數據分類)、紅外成像目標算法(光譜譜段數據分類)以及本融合算法對四類目標進行提取與識別,并通過漏檢率(目標存在但未被檢出的次數與總檢測次數的比值)與誤檢率(并非目標而被誤判為目標檢出的次數與總檢測次數的比值)對三種識別方法進行評價,測試結果如表1所示。

表1 車輛目標測試結果分析Tab.1 Analysis of vehicle target test results

由表1數據可知,當測試為條件A時,三種測試方式的漏檢率和誤檢率相近,都能夠很好地完成目標的識別；當測試為條件B時,光譜分類法的漏檢率顯著增大,即僅以光譜分類的目標識別受到明顯影響。分析認為雖然目標仍為靜止,即數據采集比較穩定,但由于存在部分遮擋,待測區域的光譜交疊程度增強,故造成目標分離困難,從而漏檢率與誤檢率的大幅增加。相比之下,由于仍是靜態,基于激光雷達的距離向數據分類法要略優于光譜分類法；當測試為條件C時,雖然不存在遮擋但是由于目標運動,故使數據采集存在抖動誤差,此時可以看出,距離向數據分類法受影響較大,分析認為是由于車輛運動使不同幀的點云拼接存在較大誤差造成的；當測試為條件D時,由于目標在移動,同時還伴隨部分遮擋,故兩種傳統識別方法的漏檢率均超過20.0 %,誤檢率也大幅增加,超過10.0 %。在整個四種條件下,本融合算法的漏檢率均小于10.0 %,誤檢率均小于5.0 %,檢測效果隨環境條件的復雜而有所降低,但總體測試效果明顯優于傳統方法,對不同測試條件具有更好的魯棒性。

6 結 論

本文針對目標靜止、存在遮擋等不同測試條件下目標識別效果下降的問題,提出了一種基于激光雷達與紅外圖像融合的車輛目標識別算法。該算法將點云特征與紅外特征進行圖像融合,再通過目標匹配閾值迭代的方式降低系統漏檢率與誤檢率。結果顯示,在1000幀圖像分組實驗中,本算法的漏檢率均小于10.0 %,誤檢率均小于5.0 %,明顯優于兩種傳統算法,具有更好的應用價值。