佘 青 山， 楊 偉 健， 田 卓， 李 前 戎， 孟 明

( 杭州電子科技大學(xué) 智能控制與機(jī)器人研究所， 浙江 杭州 310018 )

?

基于運(yùn)動(dòng)輪廓標(biāo)記提取的分水嶺運(yùn)動(dòng)目標(biāo)檢測(cè)

佘 青 山*， 楊 偉 健， 田 卓， 李 前 戎， 孟 明

( 杭州電子科技大學(xué) 智能控制與機(jī)器人研究所， 浙江 杭州 310018 )

針對(duì)運(yùn)動(dòng)目標(biāo)差分相乘產(chǎn)生的空洞問題，提出了一種基于運(yùn)動(dòng)區(qū)域輪廓信息和自適應(yīng)標(biāo)記約束的分水嶺運(yùn)動(dòng)目標(biāo)檢測(cè)新算法，來實(shí)現(xiàn)移動(dòng)機(jī)器人平臺(tái)上較大運(yùn)動(dòng)目標(biāo)的完整檢測(cè)．首先，結(jié)合相位相關(guān)法和Fourier-Mellin變換配準(zhǔn)圖像的縮放和平移量；然后，利用運(yùn)動(dòng)區(qū)域輪廓信息和分層投影法來提取前景和背景標(biāo)記．先通過連續(xù)三幀配準(zhǔn)圖像差分相乘方法檢測(cè)出運(yùn)動(dòng)區(qū)域輪廓，并結(jié)合形態(tài)學(xué)腐蝕、膨脹操作和投影法生成前景和背景標(biāo)記模板；再將前景和背景標(biāo)記模板分為若干層，通過水平投影得到每一層輪廓的邊界點(diǎn)，并按一定方式連接得到前景和背景標(biāo)記；最后，根據(jù)重構(gòu)的梯度圖像，用標(biāo)記約束分水嶺分割出完整的運(yùn)動(dòng)區(qū)域．實(shí)驗(yàn)結(jié)果表明，該算法能夠準(zhǔn)確完整地分割出規(guī)則和非規(guī)則運(yùn)動(dòng)目標(biāo)，具有較好的實(shí)時(shí)性．

運(yùn)動(dòng)目標(biāo)檢測(cè)；圖像配準(zhǔn)；標(biāo)記約束分水嶺；移動(dòng)機(jī)器人

0 引 言

視頻序列圖像中運(yùn)動(dòng)目標(biāo)的檢測(cè)是基于視覺的智能系統(tǒng)的重要部分，在機(jī)器人技術(shù)、人工智能、人機(jī)交互等領(lǐng)域都有著廣泛的應(yīng)用，其效果好壞將直接影響后續(xù)工作．隨著近年來機(jī)器人技術(shù)的迅猛發(fā)展，基于視覺的移動(dòng)機(jī)器人運(yùn)動(dòng)目標(biāo)檢測(cè)成為研究的熱點(diǎn)[1-4]．

移動(dòng)機(jī)器人平臺(tái)上獲取的序列圖像背景是動(dòng)態(tài)的．目前常見的動(dòng)態(tài)背景下運(yùn)動(dòng)目標(biāo)檢測(cè)方法主要有光流法[4-5]和基于運(yùn)動(dòng)補(bǔ)償方法[6-9]．光流法能夠克服復(fù)雜無規(guī)律的運(yùn)動(dòng)背景，較完整地檢測(cè)出運(yùn)動(dòng)目標(biāo)，但其計(jì)算耗時(shí)，實(shí)時(shí)性差，并不適用于移動(dòng)機(jī)器人平臺(tái)的運(yùn)動(dòng)目標(biāo)檢測(cè)．基于運(yùn)動(dòng)補(bǔ)償?shù)姆椒☉?yīng)用較廣，是一種通過連續(xù)數(shù)幀的背景配準(zhǔn)將動(dòng)態(tài)背景運(yùn)動(dòng)目標(biāo)檢測(cè)轉(zhuǎn)為趨于成熟的靜態(tài)運(yùn)動(dòng)目標(biāo)檢測(cè)的方法，其中，差分相乘[7]是靜態(tài)運(yùn)動(dòng)目標(biāo)檢測(cè)的常用方法．然而大運(yùn)動(dòng)目標(biāo)和小運(yùn)動(dòng)目標(biāo)相比，在數(shù)幀圖像后更容易出現(xiàn)運(yùn)動(dòng)目標(biāo)的重疊，再對(duì)其進(jìn)行差分相乘檢測(cè)就比較容易產(chǎn)生空洞，往往還需要后續(xù)諸如形態(tài)學(xué)填充等方法對(duì)其完整分割．

針對(duì)上述問題，本文提出一種基于運(yùn)動(dòng)區(qū)域輪廓信息和自適應(yīng)標(biāo)記約束的分水嶺運(yùn)動(dòng)目標(biāo)檢測(cè)新算法，即根據(jù)運(yùn)動(dòng)目標(biāo)輪廓信息和分層投影提取的前景和背景標(biāo)記，完整表示整個(gè)運(yùn)動(dòng)目標(biāo)，再用該標(biāo)記約束的分水嶺分割出運(yùn)動(dòng)區(qū)域，以準(zhǔn)確完整地檢測(cè)出較大的規(guī)則和非規(guī)則運(yùn)動(dòng)目標(biāo)．

1 算法描述

1.1 動(dòng)態(tài)背景圖像配準(zhǔn)

相位相關(guān)算法[10-11]是一種基于傅里葉功率譜的頻域相關(guān)技術(shù)，它只利用互功率譜中的相位信息，對(duì)光照變化、圖像內(nèi)容、部分遮擋、加性噪聲等影響因素具有很強(qiáng)的魯棒性，而且算法計(jì)算量小，同時(shí)相位信息包含了大量的圖像特征信息，因此適用于移動(dòng)機(jī)器人平臺(tái)所采集背景圖像的實(shí)時(shí)配準(zhǔn)．移動(dòng)機(jī)器人具有前、后、左、右4個(gè)基本運(yùn)動(dòng)狀態(tài)，不同的運(yùn)動(dòng)狀態(tài)會(huì)造成不同的背景變化．背景圖像的配準(zhǔn)主要包括平移、旋轉(zhuǎn)和縮放3個(gè)基本過程．因此在移動(dòng)機(jī)器人不同的運(yùn)動(dòng)狀態(tài)下可將圖像配準(zhǔn)過程分為以下兩種：

(1)當(dāng)移動(dòng)機(jī)器人左右轉(zhuǎn)動(dòng)時(shí)，序列圖像幀間背景可以近似作平移變化，用相位相關(guān)估計(jì)出幀間背景圖像的平移量，并完成圖像的配準(zhǔn)；

(2)當(dāng)移動(dòng)機(jī)器人前后運(yùn)動(dòng)時(shí)，序列圖像幀間背景并不僅僅是簡(jiǎn)單的平移變化，還存在縮放變化，因此不同于移動(dòng)機(jī)器人左右轉(zhuǎn)時(shí)的配準(zhǔn)算法，其具體算法步驟如下：

Step1用Fourier-Mellin變換[12]估計(jì)出一致尺度縮放因子；

Step2利用縮放因子對(duì)原圖像序列進(jìn)行縮放補(bǔ)償；

Step3根據(jù)估計(jì)的平移量完成對(duì)圖像配準(zhǔn)；

Step4用相位相關(guān)算法對(duì)縮放補(bǔ)償后的圖像序列進(jìn)行平移量計(jì)算．

1.2 自適應(yīng)標(biāo)記提取

哺乳期早期乳腺炎是因金黃色葡萄球菌、白色葡萄球菌等感染所致,在發(fā)病早期若不采取及時(shí)有效的干預(yù)手段,可能會(huì)導(dǎo)致治療不當(dāng)或者治療不及時(shí),而引起化膿問題,從而使得患者往往需要遭受換藥和手術(shù)的而痛苦,甚至不得不停止哺乳。早期階段多表現(xiàn)為乳汁排泄不暢、局部疼痛性腫塊,皮膚微紅等癥狀,對(duì)此,西醫(yī)多以吸奶器給予干預(yù),但其療效并不理想,甚至還可能致使癥狀加重[3]。中醫(yī)認(rèn)為引起“乳癰”的病因,多是由于乳汁瘀積而導(dǎo)致的,為此,在治療中當(dāng)以“以通論治”、“以通為用”為主要治療原則。

分水嶺分割算法模擬地貌浸水的過程，是一種經(jīng)典的形態(tài)學(xué)圖像分割算法．基于標(biāo)記提取的分水嶺分割是一種有效的運(yùn)動(dòng)目標(biāo)分割方法，通過提取與運(yùn)動(dòng)區(qū)域相關(guān)的標(biāo)記，可以提高分割的精確性．標(biāo)記約束分水嶺是從標(biāo)記指定區(qū)域開始浸水，只要對(duì)運(yùn)動(dòng)區(qū)域進(jìn)行合適的標(biāo)記就可以對(duì)其進(jìn)行準(zhǔn)確提取．運(yùn)動(dòng)區(qū)域最直觀的信息是運(yùn)動(dòng)區(qū)域邊緣輪廓，因此，運(yùn)動(dòng)區(qū)域的標(biāo)記可以通過其輪廓信息來獲得．

前景標(biāo)記和背景標(biāo)記提取得好壞將直接影響到最后運(yùn)動(dòng)區(qū)域分割的完整性．為了保證算法的實(shí)時(shí)性和運(yùn)動(dòng)區(qū)域分割的完整性，本文提出了一種基于運(yùn)動(dòng)輪廓和分層投影的方法來提取前景和背景標(biāo)記．先用連續(xù)三幀配準(zhǔn)圖像差分相乘方法檢測(cè)出運(yùn)動(dòng)區(qū)域輪廓，然后結(jié)合形態(tài)學(xué)膨脹、腐蝕和投影法生成前景和背景標(biāo)記模板，再分別利用分層投影法提取前景和背景標(biāo)記．具體實(shí)現(xiàn)步驟如下：

(1)運(yùn)動(dòng)區(qū)域輪廓檢測(cè)．對(duì)圖像進(jìn)行運(yùn)動(dòng)補(bǔ)償后，圖像間的背景差異減小，因此可以利用幀間差分法檢測(cè)運(yùn)動(dòng)目標(biāo)．然而，圖像中光照變化、背景噪聲和圖像配準(zhǔn)誤差等因素的影響，使得二值幀差圖存在除運(yùn)動(dòng)目標(biāo)以外的偽運(yùn)動(dòng)目標(biāo)點(diǎn)和噪聲點(diǎn)，必須有效消除這些偽運(yùn)動(dòng)目標(biāo)點(diǎn)和隨機(jī)分布的噪聲點(diǎn)才能準(zhǔn)確地檢測(cè)出運(yùn)動(dòng)目標(biāo)．考慮到緩慢的運(yùn)動(dòng)目標(biāo)幀間必然存在運(yùn)動(dòng)重疊區(qū)域，因此用圖像差分相乘方法可以有效排除偽運(yùn)動(dòng)目標(biāo)點(diǎn)和噪聲點(diǎn)，精確檢測(cè)出運(yùn)動(dòng)目標(biāo)輪廓．

綜合考慮運(yùn)動(dòng)目標(biāo)的分割精度和速度等影響因素，本文用連續(xù)三幀配準(zhǔn)圖像差分相乘方法檢測(cè)運(yùn)動(dòng)目標(biāo)輪廓．任意取連續(xù)的三幀圖像fk-1(x,y)、fk(x,y)和fk+1(x,y)，將fk-1(x,y)和fk+1(x,y)兩幀向fk(x,y)配準(zhǔn)，得到配準(zhǔn)后的三幀圖像f′k-1(x,y)、fk(x,y)和f′k+1(x,y)，然后進(jìn)行差分相乘，差分相乘計(jì)算模型如下：

f(x,y)=[f′k-1(x,y)-fk(x,y)]× [f′k+1(x,y)-fk(x,y)]

(1)

式中：f(x,y)為差分相乘后的運(yùn)動(dòng)目標(biāo)輪廓圖像．通過差分相乘，偽運(yùn)動(dòng)目標(biāo)點(diǎn)和噪聲點(diǎn)得到抑制，目標(biāo)運(yùn)動(dòng)區(qū)域輪廓的像素點(diǎn)得到增強(qiáng)．然而，f(x,y)中可能還殘留一些孤立的噪聲點(diǎn)，因此，本文還對(duì)f(x,y)進(jìn)行形態(tài)學(xué)圖像處理，得到f′(x,y)．

(2)前景和背景標(biāo)記模板生成．先對(duì)f′(x,y)進(jìn)行形態(tài)學(xué)膨脹處理得到f′A(x,y)(膨脹后的運(yùn)動(dòng)區(qū)域輪廓邊界處于背景區(qū)域)，再對(duì)f′(x,y)進(jìn)行形態(tài)學(xué)腐蝕處理得到f′B(x,y)(腐蝕后的運(yùn)動(dòng)區(qū)域輪廓邊界處于前景區(qū)域)，然后采用投影法分別對(duì)f′A(x,y)和f′B(x,y)中的運(yùn)動(dòng)區(qū)域輪廓進(jìn)行定位，即將f′A(x,y)和f′B(x,y)作水平和垂直方向的投影，得到運(yùn)動(dòng)區(qū)域輪廓的外接矩形，并將得到的外接矩形區(qū)域作為接下來標(biāo)記提取的背景和前景標(biāo)記模板．顯然，將外接矩形區(qū)域作為標(biāo)記模板，可以有效降低接下來標(biāo)記提取時(shí)遍歷圖像過程的耗時(shí)．

需要注意的是，由于不能確保f′A(x,y)和f′B(x,y) 是零噪聲圖像，殘余的噪聲仍然會(huì)對(duì)投影得到運(yùn)動(dòng)區(qū)域輪廓外接矩形的大小和位置產(chǎn)生影響．因此，為了排除投影時(shí)一些毛刺等噪聲的干擾，本文考察了以突變點(diǎn)為中心的鄰域內(nèi)是否包含連續(xù)或多個(gè)投影點(diǎn)，若沒有，則認(rèn)為此突變點(diǎn)為干擾點(diǎn)，予以去除，并得到準(zhǔn)確的運(yùn)動(dòng)區(qū)域輪廓外接矩形．

Step1以h為層高對(duì)f′A(x,y)和f′B(x,y)的外接矩形區(qū)域進(jìn)行水平分層，分層后得到的層數(shù)

(2)

α={f′A(x,y),f′B(x,y)}

式中：ceil為向上取整函數(shù)，Hα為圖α外接矩形高度．

Step2將每一水平層進(jìn)行x軸投影，分別得到每一層輪廓的左右邊界橫坐標(biāo)信息，再將每一層一半高度處作為左右邊界點(diǎn)縱坐標(biāo)信息，最終得到nα個(gè)左邊界點(diǎn)Plα[(x,y)|i]和nα個(gè)右邊界點(diǎn)Prα[(x,y)|i]，如式(3)所示:

(3)

i=1,2,…,nα,α={f′A(x,y),f′B(x,y)}

式中：Xmin,i、Xmax,i分別為圖α外接矩形第i層的左右輪廓邊界橫坐標(biāo)值．

Step3分別獲取背景標(biāo)記模板f′A(x,y)頂層和底層之外的兩個(gè)點(diǎn)Ptop(x,y)和Pbottom(x,y)，坐標(biāo)值如式(4)所示：

(4)

Step4將f′A(x,y)中所得的2nα個(gè)邊界點(diǎn)以及Ptop(x,y)和Pbottom(x,y)兩點(diǎn)首尾相連得到連續(xù)封閉的背景標(biāo)記．

Step5將f′B(x,y)中每一層的兩個(gè)左右邊界點(diǎn)相連，再將相鄰層左右邊界點(diǎn)首尾相連，最終得到連續(xù)的、能夠較好反映運(yùn)動(dòng)區(qū)域的前景標(biāo)記．

利用本文基于運(yùn)動(dòng)輪廓和分層投影的方法提取的前景和背景標(biāo)記，能夠反映出實(shí)際運(yùn)動(dòng)區(qū)域的輪廓，為接下來分水嶺分割提供準(zhǔn)確的感興趣區(qū)域．

1.3 分水嶺分割

將上一小節(jié)提取的前景標(biāo)記和背景標(biāo)記相“并”，作為標(biāo)記掩模，使用強(qiáng)制最小技術(shù)[13]強(qiáng)制性地將提取的標(biāo)記作為梯度圖像的極小值，并重構(gòu)梯度圖像，再對(duì)重構(gòu)的梯度圖像進(jìn)行分水嶺分割，得到最終分割的運(yùn)動(dòng)區(qū)域．

2 實(shí)驗(yàn)結(jié)果與分析

2.1 算法流程

移動(dòng)機(jī)器人平臺(tái)的運(yùn)動(dòng)目標(biāo)檢測(cè)的詳細(xì)算法如圖1所示．

2.2 實(shí)驗(yàn)結(jié)果與分析

根據(jù)上述介紹的圖像配準(zhǔn)和運(yùn)動(dòng)目標(biāo)檢測(cè)算法，本文在VS2010和OpenCV軟件平臺(tái)上編寫完成實(shí)驗(yàn)程序，并在搭建的移動(dòng)機(jī)器人實(shí)驗(yàn)平臺(tái)(如圖2所示)上驗(yàn)證算法在左轉(zhuǎn)、右轉(zhuǎn)和前進(jìn)3種不同運(yùn)動(dòng)狀態(tài)下的有效性．

圖1 運(yùn)動(dòng)目標(biāo)檢測(cè)流程圖

圖2 移動(dòng)機(jī)器人實(shí)驗(yàn)平臺(tái)

首先，對(duì)本文算法的可行性進(jìn)行了實(shí)驗(yàn)測(cè)試．綜合考慮本文算法對(duì)較大規(guī)則和非規(guī)則運(yùn)動(dòng)目標(biāo)分割的有效性以及移動(dòng)機(jī)器人實(shí)驗(yàn)平臺(tái)空間的局限性，本實(shí)驗(yàn)選取了3種運(yùn)動(dòng)目標(biāo)圖像序列來進(jìn)行算法的可行性驗(yàn)證:

(1)機(jī)器人移動(dòng)平臺(tái)右轉(zhuǎn)過程拍攝的較大且相對(duì)規(guī)則頭部擺動(dòng)的圖像序列;

(2)機(jī)器人移動(dòng)平臺(tái)左轉(zhuǎn)過程拍攝的較大且非規(guī)則瓶子移動(dòng)的圖像序列;

(3)機(jī)器人移動(dòng)平臺(tái)前進(jìn)過程拍攝的非規(guī)則手部移動(dòng)的圖像序列．

所有圖像序列是通過移動(dòng)機(jī)器人實(shí)驗(yàn)平臺(tái)上的筆記本內(nèi)置攝像頭采集的，幀頻為25 f/s，同時(shí)考慮到實(shí)驗(yàn)過程的安全性，移動(dòng)機(jī)器人實(shí)驗(yàn)平臺(tái)前進(jìn)速度為0.11 m/s，左/右轉(zhuǎn)速度均為0.26 rad/s．

實(shí)驗(yàn)結(jié)果如圖3～5所示．圖3是頭部運(yùn)動(dòng)圖像序列第32～34幀圖像運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果，圖4是瓶子運(yùn)動(dòng)圖像序列第45～47幀圖像運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果，圖5是手部運(yùn)動(dòng)圖像序列第52～54幀圖像運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果．在圖3～5中，圖(a)、(b)和(c)分別是連續(xù)三幀原始運(yùn)動(dòng)目標(biāo)圖像序列．先將圖(a)相對(duì)圖(b)配準(zhǔn)，圖(c)相對(duì)圖(b)配準(zhǔn)，配準(zhǔn)后的圖像如圖(d)和(f)所示．需要說明的是，由于移動(dòng)機(jī)器人實(shí)驗(yàn)平臺(tái)運(yùn)動(dòng)速度緩慢，相鄰幀之間背景變化較小，因此配準(zhǔn)后的圖(d)和(f)幾乎與原圖像序列一致．然后，將圖(d)與圖(e)和圖(e)與圖(f)分別進(jìn)行差分，并將差分結(jié)果相乘，通過生成的標(biāo)記模板和分層投影方法提取出能夠完整覆蓋整個(gè)運(yùn)動(dòng)區(qū)域的前景和背景標(biāo)記結(jié)果圖(g)．考慮到算法的實(shí)時(shí)性和分割效果，本文實(shí)驗(yàn)中取h=10，表示每一層的層高為10 pixel．最后，通過標(biāo)記掩模梯度重構(gòu)后分水嶺分割，得到運(yùn)動(dòng)目標(biāo)檢測(cè)結(jié)果圖(h)．

從實(shí)驗(yàn)結(jié)果來看，圖3(h)和圖5(h)能夠較完整地分割出運(yùn)動(dòng)目標(biāo)，而圖4(h)的分割結(jié)果出現(xiàn)了一個(gè)小缺口，這主要是由于透明水瓶跟背景重疊部分的灰度值與背景中衣服的灰度值相近，分水嶺分割時(shí)誤將前景標(biāo)記未覆蓋的區(qū)域歸為背景區(qū)域．

其次，將本文算法與背景補(bǔ)償后差分相乘算法的分割結(jié)果進(jìn)行了比較．由圖3(h)與圖3(i)、圖4(h)與圖4(i)和圖5(h)與圖5(i)對(duì)比可得，由于數(shù)幀后仍存在運(yùn)動(dòng)目標(biāo)本身的重疊，差分相乘算法分割結(jié)果存在著較大空洞，而本文算法在準(zhǔn)確提取前景和背景標(biāo)記的前提下能夠較完整地分割出運(yùn)動(dòng)區(qū)域．

圖3 右轉(zhuǎn)過程實(shí)現(xiàn)結(jié)果

圖4 左轉(zhuǎn)過程實(shí)現(xiàn)結(jié)果

圖5 前進(jìn)過程實(shí)現(xiàn)結(jié)果

最后，對(duì)算法的實(shí)時(shí)性做了測(cè)試．算法耗時(shí)測(cè)試環(huán)境為主頻2.4 GHz，內(nèi)存4 GB的PC機(jī)．本文前景和背景標(biāo)記的提取等過程是在運(yùn)動(dòng)目標(biāo)所在區(qū)域進(jìn)行的，整個(gè)算法的耗時(shí)與運(yùn)動(dòng)目標(biāo)的大小存在正比關(guān)系．因此，本文對(duì)實(shí)驗(yàn)中最大運(yùn)動(dòng)目標(biāo)，即頭部擺動(dòng)過程進(jìn)行10次測(cè)試，測(cè)試結(jié)果如圖6所示，其中測(cè)試的圖像序列大小為320 pixel×240 pixel．從圖中可知，整個(gè)算法平均每幀處理速度在32 ms左右，可以滿足實(shí)時(shí)視頻處理的需求．

圖6 算法耗時(shí)統(tǒng)計(jì)圖

3 結(jié) 語

本文對(duì)移動(dòng)機(jī)器人平臺(tái)的運(yùn)動(dòng)目標(biāo)檢測(cè)方法進(jìn)行研究，實(shí)現(xiàn)了較大運(yùn)動(dòng)目標(biāo)的完整檢測(cè)．提出了一種基于運(yùn)動(dòng)區(qū)域輪廓信息和自適應(yīng)標(biāo)記約束的分水嶺運(yùn)動(dòng)目標(biāo)檢測(cè)新算法．其中，前景標(biāo)記和背景標(biāo)記提取的質(zhì)量將直接影響到最后運(yùn)動(dòng)區(qū)域分割的完整性．系列實(shí)驗(yàn)結(jié)果顯示，本文算法提取的前景和背景標(biāo)記能夠準(zhǔn)確反映出實(shí)際運(yùn)動(dòng)區(qū)域的輪廓，最終有效地分割出規(guī)則和非規(guī)則運(yùn)動(dòng)目標(biāo)．同時(shí)，將本文算法與差分相乘檢測(cè)方法進(jìn)行比較，結(jié)果顯示，本文算法能夠完整地分割出運(yùn)動(dòng)目標(biāo)．最后，還對(duì)本文算法的實(shí)時(shí)性做了測(cè)試，結(jié)果表明，整個(gè)算法具有較高的實(shí)時(shí)性，可以滿足視覺系統(tǒng)的實(shí)時(shí)需求．

[1] Ruiz-del-Solar J, Vallejos P A. Motion detection and tracking for an AIBO robot using camera motion compensation and Kalman filtering [J].LectureNotesinComputerScience, 2005,3276:619-627.

[2] 蘇麗穎,王樹才,余躍慶. 移動(dòng)機(jī)器人室內(nèi)運(yùn)動(dòng)目標(biāo)檢測(cè)的一種新方法[J]. 華中科技大學(xué)學(xué)報(bào):自然科學(xué)版, 2011,39(2):212-215.

SU Li-ying, WANG Shu-cai, YU Yue-qing. A new method of moving object detection for indoor mobile robot [J].JournalofHuazhongUniversityofScienceandTechnology:NaturalScienceEdition, 2011,39(2):212-215. (in Chinese)

[3] WU Ming, SUN Ji-ying. Simultaneous localization, mapping and detection of moving object with mobile robot in dynamic environments [C] //ICCET2010-2010IEEEInternationalConferenceonComputerEngineeringandTechnology,Proceedings. Piscataway:IEEE Computer Society, 2010:696-701.

[4] Fernandez-Caballero A, Castillo J C, Martinez-Cantos J. Optical flow or image subtraction in human detection from infrared camera on mobile robot [J].RoboticsandAutonomousSystems, 2010,58(12):1273-1281.

[5] Dessauer M P, Dua S. Optical flow object detection, motion estimation, and tracking on moving vehicles using wavelet decomposition [C] //ProceedingsofSocietyofPhoto-OpticalInstrumentationEngineers. Bellingham:SPIE, 2010:1-10.

[6] Jung B, Sukhatme G S. Detecting moving objects using a single camera on a mobile robot in an outdoor environment [C] //Proceedingsofthe8thInternationalConferenceonIntelligentAutonomousSystems. Amsterdam:IAS, 2004:980-987.

[7] 周許超,屠大維,陳 勇,等. 基于相位相關(guān)和差分相乘的動(dòng)態(tài)背景下運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 儀器儀表學(xué)報(bào), 2010,31(5):980-983.

ZHOU Xu-chao, TU Da-wei, CHEN Yong,etal. Moving object detection under dynamic background based on phase-correlation and differential multiplication [J].ChineseJournalofScientificInstrument, 2010,31(5):980-983. (in Chinese)

[8] 王 梅,屠大維,周許超. SIFT特征匹配和差分相乘融合的運(yùn)動(dòng)目標(biāo)檢測(cè)[J]. 光學(xué)精密工程, 2011,19(4):892-899.

WANG Mei, TU Da-wei, ZHOU Xu-chao. Moving object detection by combining SIFT and differential multiplication [J].OpticsandPrecisionEngineering, 2011,19(4):892-899. (in Chinese)

[9] 易 盟,郭寶龍,嚴(yán)春滿. 結(jié)合優(yōu)化梯度濾波與投影不變的航拍視頻配準(zhǔn)[J]. 光學(xué)精密工程, 2012,20(3):651-660.

YI Meng, GUO Bao-long, YAN Chun-man. Aerial video registration combining optimal gradient filters and projective invariant [J].OpticsandPrecisionEngineering, 2012,20(3):651-660. (in Chinese)

[10] Kuglin C D, Hines D C. The phase correlation image alignment method [C] //ProceedingsofIEEEInternationalConferenceonCyberneticsandSociety. New York:IEEE Cybernetics and Society, 1975:163-165.

[11] 王 運(yùn),顏昌翔. 光譜儀圖像的亞像素配準(zhǔn)[J]. 光學(xué)精密工程, 2012,20(3):661-667.

WANG Yun, YAN Chang-xiang. Sub-pixel image registration of spectrometer images [J].OpticsandPrecisionEngineering, 2012,20(3):661-667. (in Chinese)

[12] Chen Q S, Defrise M, Deconinck F. Symmetric phase-only matched filtering of Fourier-Mellin transforms for image registration and recognition [J].IEEETransactionsonPatternAnalysisandMachineIntelligence, 1994,16(12):1156-1168.

[13] Soille P.MorphologicaImageAnalysisPrincipleandApplication[M]. 2nd ed. Berlin:Spring-Verlag, 2003.

Movingobjectdetectionbymarker-extractedwatershedbasedonmotioncontour

SHE Qing-shan*, YANG Wei-jian, TIAN Zhuo, LI Qian-rong, MENG Ming

( Institute of Intelligent Control and Robotics, Hangzhou Dianzi University, Hangzhou 310018, China )

Aiming at the problem of empty caused by using difference multiplication to a moving object, a new algorithm is introduced based on motion region contour and adaptive marker-constrained watershed to realize the integrity of bigger moving object detection on a mobile robot platform. Firstly, scaling and translating of background caused by the mobile robot are matched using the phase correlation and Fourier-Mellin transform algorithm. Secondly, the foreground and background markers are extracted based on motion region contour and layered projection method. The motion region contour is detected by multiplying the two difference images of three frames. And then, through the combination of the open, close operation and projection method, the foreground and background marker templates are generated. These marker templates are divided into several layers, and the foreground and background markers are extracted via connecting the boundary points of each layer in a certain way, these boundary points are gained by horizontal projection. Finally, based on the reconstructed gradient image, the motion region is completely segmented using the marker-constrained watershed algorithm. The experimental results demonstrate the effectiveness of the algorithm for segment of ordered and dis-ordered moving objects and its real-time performance.

moving object detection; image registration; marker-constrained watershed; motion robot

1000-8608(2014)06-0656-06

2014-04-08；

: 2014-09-22．

國(guó)家自然科學(xué)基金資助項(xiàng)目(61201302)；浙江省科技計(jì)劃資助項(xiàng)目(2012C33075)；浙江省國(guó)際科技合作項(xiàng)目(2013C24016).

佘青山*(1980-)，男，博士，副教授，E-mail:qsshe@hdu.edu.cn.

TP391.41

：Adoi:10.7511/dllgxb201406010