姚 俊,蔣 超,,華春生,宋大雷
(1.沈陽(yáng)理工大學(xué) 自動(dòng)化與電氣工程學(xué)院,沈陽(yáng) 110159;2.中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所 機(jī)器人學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室,沈陽(yáng) 110016)
?
顯著性的無(wú)人機(jī)遠(yuǎn)距離障礙物檢測(cè)
姚 俊1,蔣 超1,2,華春生2,宋大雷2
(1.沈陽(yáng)理工大學(xué) 自動(dòng)化與電氣工程學(xué)院,沈陽(yáng) 110159;2.中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所 機(jī)器人學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室,沈陽(yáng) 110016)
針對(duì)旋翼無(wú)人機(jī)的避障問(wèn)題,結(jié)合人眼視覺的顯著性注意機(jī)制和HOG特征,提出一種實(shí)時(shí)的障礙物檢測(cè)算法。該算法首先采用形態(tài)Haar小波分解的方法構(gòu)建增強(qiáng)圖像,然后根據(jù)增強(qiáng)圖像的投影曲線提取出障礙物的候選區(qū)域。其后,對(duì)障礙物候選區(qū)域進(jìn)行尺度歸一化后提取HOG特征,并采用線性SVM分類器進(jìn)行分類判別。該算法采用C++語(yǔ)言實(shí)現(xiàn),在 Celeron 2.3GHz處理器、2G內(nèi)存的單板計(jì)算機(jī)上測(cè)試分辨率為640×480的VGA視頻圖像的處理速度約為14f/s。實(shí)驗(yàn)結(jié)果表明該算法滿足無(wú)人機(jī)在低空環(huán)境下的障礙物的實(shí)時(shí)檢測(cè)需求。
形態(tài)Haar小波;障礙物檢測(cè);HOG特征;SVM分類器
隨著現(xiàn)代科技的進(jìn)一步發(fā)展,智能機(jī)器人及各種無(wú)人駕駛設(shè)備正逐漸進(jìn)入人們的視野。具有自主飛行能力的小型無(wú)人旋翼機(jī)由于其輕巧、低成本以及靈活多變的飛行方式等特點(diǎn),在軍事、民用以及前沿科學(xué)研究中均具有重要的應(yīng)用價(jià)值。近年來(lái)旋翼無(wú)人機(jī)在地震救災(zāi)、軍事偵查,工農(nóng)林業(yè)等多領(lǐng)域受到了廣泛的關(guān)注。在旋翼無(wú)人機(jī)工作的低空環(huán)境下,可視范圍以內(nèi)可以通過(guò)人為的遙控飛行,而在可視范圍以外,由于建筑物、樹木、電線桿等障礙物都將危及旋翼無(wú)人機(jī)的安全飛行,因此在無(wú)人機(jī)自主飛行控制技術(shù)發(fā)展的進(jìn)程中,實(shí)時(shí)穩(wěn)定的環(huán)境感知和障礙物避免技術(shù)已成為旋翼無(wú)人機(jī)的自主飛行研究中的一個(gè)極其重要的課題。
常用的環(huán)境感知傳感器,如毫米波雷達(dá)、單目及雙目視覺、激光等均有被國(guó)內(nèi)外的研究團(tuán)隊(duì)?wèi)?yīng)用于無(wú)人機(jī)的環(huán)境感知和障礙物避免中[1]。如Marlow Sean Quin等[2]整合了單目視覺傳感器和GPS使用光流法實(shí)現(xiàn)障礙物定位和避障;K Yamamoto等[3]利用紅外傳感器實(shí)現(xiàn)無(wú)人機(jī)旋翼機(jī)的障礙物檢測(cè);Gokogan 等[4]使用毫米波雷達(dá)獲取旋翼無(wú)人機(jī)的周圍環(huán)境信息。然而在構(gòu)建遠(yuǎn)距離的障礙物的超前預(yù)警系統(tǒng)時(shí),激光、毫米波雷達(dá)等傳感器探測(cè)距離有限難以滿足其檢測(cè)要求。單目視覺由于其可視距離遠(yuǎn)、體積小、功耗低、性能穩(wěn)定等特點(diǎn),在旋翼無(wú)人機(jī)的避障等研究中具有重要的應(yīng)用前景。如Cho sungwook等[5-7]利用單目視覺系統(tǒng)實(shí)現(xiàn)了旋翼無(wú)人機(jī)的目標(biāo)檢測(cè)以及跟蹤等任務(wù)。
在單目視覺的目標(biāo)檢測(cè)中,目前研究的主要方法有兩種。第一種為帶監(jiān)督的自頂向下的方法和依據(jù)人眼視覺注意機(jī)制的自底向上的顯著性目標(biāo)檢測(cè)方法。其中帶監(jiān)督的自頂向下方法如Dalal N等[8]利用HOG特征實(shí)現(xiàn)的行人檢測(cè),以及Paul Viola等[9]在Papageorgiou的基礎(chǔ)上發(fā)展起來(lái)的Haar特征的人臉檢測(cè)等。然而在這些方法的計(jì)算過(guò)程中提取了數(shù)量巨大的與目標(biāo)無(wú)關(guān)的候選區(qū)域,耗費(fèi)了大量的計(jì)算時(shí)間。因此在實(shí)際工程應(yīng)用中,難以滿足運(yùn)動(dòng)速度較快的無(wú)人機(jī)系統(tǒng)的障礙物檢測(cè)的實(shí)時(shí)性需求。
第二種視覺注意機(jī)制是人類和其他靈長(zhǎng)類動(dòng)物的一個(gè)重要的內(nèi)在屬性,它可以幫助人們?cè)诖罅康囊曈X信息中找到顯著的或有趣的物體,而忽視其他不重要的內(nèi)容,從而減少信息處理的計(jì)算量。自底向上的顯著性目標(biāo)檢測(cè)方法如Itti L等[10]基于生物啟發(fā)的視覺計(jì)算模型,Cheng Ming Ming等[11]基于區(qū)域的全局對(duì)比度方法。Liu Tie等[12]提出基于多尺度對(duì)比度、中央-周圍對(duì)比度、顏色空間分布3種feature maps,通過(guò)條件隨機(jī)場(chǎng)模型組合進(jìn)行顯著性檢測(cè)的方法。然而實(shí)際應(yīng)用中相比自底向上、低層次的顯著性,很多情況下具有特定“意義”的物體更會(huì)引起人們的注意。如Shen等[13]提出一種高層次先驗(yàn)知識(shí)和低層次特征相結(jié)合的算法,將位置先驗(yàn)、語(yǔ)義先驗(yàn)和顏色先驗(yàn)與自下而上的顯著性結(jié)合在一起,取得了較好的檢測(cè)結(jié)果。
本文基于形態(tài)學(xué)Haar小波分解的信息構(gòu)建低層次顯著性圖,通過(guò)結(jié)合障礙物和背景差異的先驗(yàn)知識(shí)來(lái)進(jìn)行障礙物感興趣區(qū)域的提取。感興趣區(qū)域提取為目標(biāo)檢測(cè)提供相關(guān)的障礙物候選區(qū)域,然后通過(guò)提取感興趣區(qū)域的HOG特征,最后利用支持向量機(jī)對(duì)感興趣區(qū)域進(jìn)行分類判別。
無(wú)人機(jī)的障礙物檢測(cè)系統(tǒng)主要分為目標(biāo)障礙物的感興趣區(qū)域(ROI)提取和基于HOG特征的ROI檢測(cè)兩個(gè)部分。
感興趣區(qū)域(ROI)提取階段是為了檢測(cè)出障礙物在圖像中可能存在的區(qū)域,下一步只需對(duì)可能存在障礙物的候選區(qū)域做進(jìn)一步的處理,既縮小了圖像處理的區(qū)域,也減少了背景噪聲的影響,提高了系統(tǒng)的運(yùn)行效率和檢測(cè)準(zhǔn)確率?;贖OG特征的ROI檢測(cè)階段,主要內(nèi)容為將障礙物候選區(qū)域尺寸歸一化到與訓(xùn)練樣本相同尺寸,再提取候選區(qū)域的HOG特征,最后將HOG特征向量送到高維的線性SVM分類器進(jìn)行分類判別。
由于在待檢測(cè)圖像中,障礙物所在的位置不確定,當(dāng)前基于HOG、Haar等特征的目標(biāo)檢測(cè)算法通常采用滑窗法進(jìn)行窮盡搜索,難以滿足實(shí)時(shí)性的要求。人類的視覺能夠快速找到感興趣的目標(biāo),如高大和背景對(duì)比度強(qiáng)的物體能夠比較容易引起注意,利用這種視覺注意機(jī)制能夠把有限的處理資源快速而準(zhǔn)確地分配到感興趣的視覺區(qū)域上,可以避免窮盡搜索,減少運(yùn)算時(shí)間。
通常,無(wú)人機(jī)正常飛行中所檢測(cè)的障礙物大都是以天空為背景,可以通過(guò)圖像算法計(jì)算出障礙物和天空的交界線,從而將障礙物區(qū)域分離出來(lái)。傳統(tǒng)基于區(qū)域或邊緣的圖像分割一般要求分割的區(qū)域具有一致的顏色紋理等性質(zhì),但是在城市低空等環(huán)境中,人工建筑通常具有豐富繁雜的顏色和紋理,采用常用的分割方式通常不能完整分割出障礙物,本文利用形態(tài)Haar小波分解提取的高頻結(jié)構(gòu)信息對(duì)障礙物區(qū)域進(jìn)行增強(qiáng),進(jìn)一步實(shí)現(xiàn)對(duì)障礙物區(qū)域的分割。
小波作為一種強(qiáng)有力的數(shù)學(xué)工具,由于其良好的多分辨率特性和對(duì)圖像的結(jié)構(gòu)、細(xì)節(jié)信息提取能力,使其在圖像處理等領(lǐng)域中得到了廣泛的應(yīng)用。然而對(duì)于信號(hào)或圖像的非線性特征其線性分析方法,仍具有一定的局限性。Heijmans等提出的將數(shù)學(xué)形態(tài)學(xué)的形態(tài)濾波特性與小波變換相結(jié)合的形態(tài)小波為多分辨率信號(hào)分析提供了一種非線性分析方法。同時(shí)形態(tài)Haar小波的信號(hào)分析濾波器由膨脹或腐蝕實(shí)現(xiàn),對(duì)分解信號(hào)采取最大或最小運(yùn)算,因此相比線性Haar小波其計(jì)算簡(jiǎn)單,速度更快,更適合無(wú)人機(jī)避障等對(duì)實(shí)時(shí)性要求較高的應(yīng)用。
圖像處理中采取二維形態(tài)Harr小波算子,對(duì)于輸入圖像I(m,n),二維形態(tài)小波分解表示為
Ψ↑(I)(x,y)=I(2x,2y)∧I(2x,2y+1)∧I(2x+1,2y)∧I(2x+1,2y+1)
ω↑(I)(x,y)=(ωv(I)(x,y),ωh(I)(x,y),ωd(I)(x,y))
(1)
式中ωv、ωh和ωd分別表示垂直、水平和對(duì)角方向(高頻)細(xì)節(jié)分量,即
ωv(I)(x,y)=(I(2x,2y)-I(2x,2y+1)+I(2x+1,2y)-I(2x+1,2y+1))/2
ωh(I)(x,y)=(I(2x,2y)-I(2x+1,2y)+I(2x,2y+1)-I(2x+1,2y+1))/2
ωd(I)(x,y)=(I(2x,2y)-I(2x,2y+1)-I(2x+1,2y)+I(2x+1,2y+1))/2
(2)
與線性小波變換一樣,對(duì)圖像I(m,n)進(jìn)行形態(tài)Haar小波分解可以得到4個(gè)子圖像:低頻子圖LL和水平高頻HL、垂直高頻LH及對(duì)角線高頻HH。為了能將背景與障礙物區(qū)域較好的分割,采用對(duì)水平邊緣有增強(qiáng)作用的HL子圖像和對(duì)垂直邊緣有增強(qiáng)作用的LH子圖像來(lái)構(gòu)建障礙物的增強(qiáng)圖。綜合考慮分割的準(zhǔn)確性和運(yùn)算時(shí)間,采用兩級(jí)形態(tài)Haar小波分解,令第二層得到的HL子圖像ω2h(I)(x/2,y/2)和LH子圖像ω2v(I)(x/2,y/2),按下式構(gòu)造增強(qiáng)圖:
E(I)(x/2,y/2)=ω2h(I)(x/2,y/2)2+ω2v(I)(x/2,y/2)2
(3)
圖1為障礙物的增強(qiáng)圖像效果圖,圖1a為灰度化處理的原始圖像,圖1b和圖1c為采用式(1)、(2)進(jìn)行小波分解得到的垂直高頻LH和水平高頻HL再分別進(jìn)行小波分解得到的第二層垂直高頻LH和水平高頻HL,圖1d為根據(jù)式(3)構(gòu)建的增強(qiáng)圖。
圖1 基于小波分解的圖像增強(qiáng)處理效果圖
得到增強(qiáng)圖像后,對(duì)它進(jìn)行垂直方向投影,找到天空的邊界,然后對(duì)投影曲線進(jìn)行閾值分割,找到建筑候選區(qū)域,其算法步驟如下:
(1)采用中值濾波,濾除增強(qiáng)圖E(I)(x,y)的噪聲。
(2)對(duì)增強(qiáng)圖進(jìn)行垂直投影,計(jì)算每列中第一個(gè)非零值坐標(biāo)建立投影曲線,投影曲線P(x)計(jì)算公式如下:
PD(x)=min{y|E(I)(x,y)>0},
1≤y≤n/4
(4)
計(jì)算投影曲線各坐標(biāo)點(diǎn)的斜率,得到斜率曲線PD(x),通過(guò)初步閾值分割濾除斜率較小的區(qū)域(非顯著區(qū)域)。
PD(x)=P(x+1)-P(x)
(5)
PD(x)=PD(x)|atan(PD(x))|>T1,
T1為閾值
(6)
(3)增強(qiáng)連續(xù)同向變化(斜率均為正或均為負(fù))的區(qū)域,再次通過(guò)閾值分割,濾除由于增強(qiáng)圖不完整帶來(lái)的投影曲線斜率劇烈波動(dòng)。
PD(x)=C+PD(x-1),PD(x-1)≠0& PD(x)=0& PD(x+1)=0
(7)
PD(x)=PD(x)|atan(PD(x))|>T2,
T2為閾值
(8)
計(jì)算潛在的邊界,并計(jì)算潛在邊界中的最優(yōu)值作為邊界的上升沿Ln和下降沿Rn。
Ln={x1|(PD(x1)>0)&(PD(x2)<0)&(PD(x3)=0),1 (9) Rn={x1|(PD(x1)<0)&(PD(x2)>0)&(PD(x3)=0),3 (10) (4)根據(jù)上升沿Ln、下降沿Rn的值以及投影曲線函數(shù)計(jì)算障礙物區(qū)域的上邊界Un和下邊界Dn。 Dn=max(min(P(Ln+k)),min(P(Rn+k))),k={-2,-1,0,1,2} (11) Un=max(P(x)),Ln+k≤x≤Rn+k,k={-2,-1,0,1,2} (12) 采用以上算法得到的感興趣區(qū)域檢測(cè)結(jié)果如圖2所示。 圖2 投影曲線感興趣區(qū)域檢測(cè)圖 ROI(感興趣區(qū)域)提取能夠在較短時(shí)間獲取較為復(fù)雜場(chǎng)景的主要信息,這些場(chǎng)景的主要信息構(gòu)成的區(qū)域即為感興趣區(qū)域。然而它并不完全等同于障礙物所在區(qū)域,因此在得到了障礙物的ROI后,通過(guò)提取該區(qū)域的HOG特征,再用SVM分類器進(jìn)行分類識(shí)別,判斷當(dāng)前區(qū)域是否存在障礙物及其所屬類別。由于ROI的尺寸和訓(xùn)練樣本大小不同,且無(wú)人機(jī)到障礙物的距離發(fā)生改變時(shí),ROI的大小也隨之改變,因此在進(jìn)行HOG特征提取前需要將該區(qū)域的圖像尺寸調(diào)整為與訓(xùn)練樣本圖像相同的大小,即128×128像素。 文中HOG特征提取采用文獻(xiàn)[14]中方向梯度直方圖(Histogram of Oriented Gradient,HOG)的計(jì)算思路,將感興趣區(qū)域圖像分割成若干像素的單元(cell),在每個(gè)單元內(nèi)計(jì)算梯度方向,把0°到180°梯度方向平均劃分為9個(gè)區(qū)間,在每個(gè)單元內(nèi)進(jìn)行梯度方向的直方圖統(tǒng)計(jì),可以得到一個(gè)9維的特征向量,將相鄰的4個(gè)單元構(gòu)成一個(gè)塊(block),塊內(nèi)的特征向量串聯(lián)起來(lái)構(gòu)成36維的特征向量,用塊對(duì)感興趣區(qū)域圖像掃描,掃描步長(zhǎng)為8個(gè)像素。最后將掃描得到所有塊的特征串聯(lián)起來(lái)構(gòu)成感興趣區(qū)域圖像的特征。它的具體實(shí)現(xiàn)流程如圖3所示。 圖3 HOG特征實(shí)現(xiàn)流程 支持向量機(jī)(SVM)作為一種標(biāo)準(zhǔn)的分類算法,以統(tǒng)計(jì)學(xué)習(xí)理論和結(jié)構(gòu)風(fēng)險(xiǎn)最小原理為基礎(chǔ),它尋求有限的樣本信息在模型復(fù)雜性和學(xué)習(xí)能力之間的最佳折衷。由于其算法復(fù)雜度與樣本維數(shù)無(wú)關(guān),因此對(duì)于小樣本以及高維數(shù)據(jù)具有良好的分類效果。同時(shí)由于良好的泛化能力,它在很多領(lǐng)域都有廣泛應(yīng)用。本文采用Opencv2.32提供的線性SVM函數(shù)進(jìn)行分類訓(xùn)練。 采用無(wú)人機(jī)采集的多場(chǎng)景的障礙物圖像和網(wǎng)絡(luò)中收集的圖像建立障礙物的正負(fù)樣本庫(kù),進(jìn)行分類器的訓(xùn)練和檢測(cè)算法測(cè)試。樣本的組成具有隨機(jī)性,訓(xùn)練樣本圖像的尺寸為128×128像素。測(cè)試算法采用C++語(yǔ)言編寫,在研華MIO-5251(CPU:Intel?Celeron?J1900,2G內(nèi)存,Windows7 64位操作系統(tǒng))單板機(jī)平臺(tái)上進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)采用的評(píng)價(jià)指標(biāo)為檢測(cè)率(PDR),虛警概率(PFR)和平均檢測(cè)時(shí)間(Time)。其中, 為了測(cè)試本文所提出的方法(形態(tài)Haar小波/HOG/SVM方法)的性能,分別選用HOG/SVM方法、Haar小波/HOG/SVM方法和Haar小波/Sobel/SVM方法作對(duì)比試驗(yàn),SVM均采用線性核函數(shù)。測(cè)試樣本為從樣本數(shù)據(jù)庫(kù)中選取的與訓(xùn)練樣本不同的200幅圖片,其中顯著性障礙物數(shù)目為 635。 圖4給出了四種方法檢測(cè)結(jié)果示例,圖中紅色和白色框分別表示被判斷為障礙物和非障礙物的感興趣區(qū)域。 圖4 四種方法檢測(cè)結(jié)果示例 表1給出了四種方法的檢測(cè)率、虛警率和平均檢測(cè)時(shí)間。 表1 四種障礙物檢測(cè)算法的性能比較 對(duì)比HOG/SVM和Haar小波/Soble/SVM兩種方法可以看到,利用Sobel算子提取的結(jié)構(gòu)特征簡(jiǎn)單對(duì)目標(biāo)的描述能力較弱,容易導(dǎo)致錯(cuò)分。形態(tài)Haar 小波/HOG/SVM方法比Haar小波/HOG/SVM方法在性能和效率上均有一定的提高。形態(tài)Haar小波/HOG/SVM和HOG/SVM相比,前者的性能與后者的性能非常接近,然而平均檢測(cè)時(shí)間約快3倍。 利用本文的算法(形態(tài)Haar小波/HOG/SVM)檢測(cè)一幅640×480的VGA圖像平均只需70ms,可以滿足無(wú)人機(jī)平臺(tái)的實(shí)時(shí)檢測(cè)需求。 現(xiàn)階段基于視覺的無(wú)人機(jī)障礙物檢測(cè)系統(tǒng)由于實(shí)時(shí)性和魯棒性等限制未能廣泛投入實(shí)際的應(yīng)用,而障礙物檢測(cè)速度主要受候選區(qū)域搜索、特征提取和識(shí)別分類的計(jì)算復(fù)雜度所限制,為了提高檢測(cè)速度,提出了一種基于顯著性檢測(cè)與 HOG特征相結(jié)合的實(shí)時(shí)障礙物檢測(cè)方法,具有如下優(yōu)點(diǎn):首先,通過(guò)自底向上的顯著性注意機(jī)制獲取障礙物候的選區(qū)域,可以減少對(duì)無(wú)關(guān)區(qū)域處理帶來(lái)的計(jì)算耗時(shí);其次,形態(tài)Haar小波具有良好的細(xì)節(jié)和高頻結(jié)構(gòu)信息提取能力,利用其構(gòu)建的增強(qiáng)圖能夠?qū)崿F(xiàn)對(duì)障礙物完整、準(zhǔn)確的分割,同時(shí)相比傳統(tǒng)Haar小波其計(jì)算簡(jiǎn)單,速度更快;最后,HOG特征對(duì)圖像光學(xué)和幾何形變能保持良好的不變性,對(duì)于存在光照和視角變化的無(wú)人機(jī)障礙物檢測(cè)具有良好的魯棒性。實(shí)驗(yàn)結(jié)果表明,文中所采用的方法較傳統(tǒng)的小波分解檢測(cè)率高0.9%,在同配置下的檢測(cè)速度要快5ms,同時(shí)相比HOG/SVM 方法誤檢率低2.3%,檢測(cè)速度約為后者3倍。在硬件設(shè)計(jì)中節(jié)省了算法占用的硬件資源,降低了對(duì)硬件設(shè)備的性能要求。無(wú)人機(jī)的障礙物檢測(cè)系統(tǒng)研發(fā)是一個(gè)具有挑戰(zhàn)性的課題,未來(lái)將從感興趣區(qū)域提取、特征選取等多個(gè)方面持續(xù)改進(jìn)文中的方案。 [1]OYABU T.Sensing technology on human science[J].Sensor Letters,2011,9(1):379-383. [2]MARLOW S Q,LANGELAAN J W.Poputation of a range brearing map for local obstacle avoidance using monocular vision[C]//American Astronautical Society Guigance and Control Conference.Colorado:Space Links,2012:559-573. [3]YAMAMOTO K,YAMADA K.Obstacle detection for helicopter flights by infrared in ages[C]//Enhanced and Synthetic Vision,2001.Orlando:SPIE,2001:76-85. [4]GOKTOGAN A H,BROOKER G,Sukkarieh Salah.A compact millimeter wave radar sensor for unmanned air vehicles[J].Field and Service Robotics:Recent Advances in Research and Applications,2006,24(1):311-320. [5]CHO S,HUK Su,SHIM D H.Vision-based detection and tracking of airborne obstacles in a cluttered environmen[J].Journal of Intelligent & Robotic Systems,2013,69(1-4):475-488. [6]CHOWDHARY G,JOHNSON E N,MAGREE D,et al.GPS-denied Indoor and outdoor monocular vision aided navigation and control of unmanned aircraft[J].Journal of Field Robotics,2013,30(3):415-438. [7]MEJIAS L,SARIPALLI S,CAMPOY P,et al.Visual servoing of an autonomous helicopter in urban areas using feature tracking[J].Journal of Field Robotics,2006,23(3-4):185-199. [8]DALAL N,TFIGGS B.Histograms of oriented gradients for human detection[C]//Proceedings of IEEE Computer Vision and Pattern Recognition.San Diego:IEEE,2005:886-893. [9]Viola P,Jones M.Robust real-time face detection[J].International Journal of Computer Vision,2004,57(2):137-154. [10]Itti L,Kouch C.Computational modeling of visual attention[J].Nature Reviews:Neuroscience,2001,2(3):1-11. [11]CHENG M M,ZHANG G X,MITRA N J,et al.Global contrast based salient region detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition.Providence:IEEE,2011:409-416. [12]LIU T,SUN J,ZHENG N N,et al.Learning to Detect A Salient Object[C]//Pattern Analysis and Machine Intelligence.Los Alamitos:IEEE,2011:353-367. [13]SHEN X H,WU Y.A unified approach to salient object detection via low rank matrix recovery[C]//Computer Vision and Pattern Recognition.Providence:IEEE,2012:853-860. [14]SHIH F Y,CHENG S.Automatic seeded region growing for color image segmentation[J].Image and Vision Computing,2005,23(10):877-886. (責(zé)任編輯:馬金發(fā)) Remote Obstacle Detection Based on Saliency Feature for UAV YAO Jun1,JIANG Chao1,2,HUA Chunsheng2,SONG Dalei2 (1.Shenyang Ligong University,Shenyang 110159,China;2.State Key Laboratory of Robotics,Shenyang Institute of Automation,Chinese Academy of Sciences,Shenyang 110016,China) In view of the rotor-wing UAV′s obstacle avoidance problem,a real-time obstacle detection algorithm is presented,which is based on the significant of the human visual attention mechanism and HOG features.The proposed algorithm uses the method of two layers morphological Haar wavelet decomposition to built up the enhanced image.Then according to the projection curve of enhanced image,the border of obstacle candidate areas are extracted.Afterwards,the size of the obstacle candidate area is normalized,and the area′s HOG feature is extracted,then the linear SVM classifier is used for classification.The method is implemented using C++ language.For a resolution of 640×480 VGA video image,the test processing speed is about 14f/s on the single board computer with 2G RAM and Celeron 2.3GHz processor.Experimental results show that the algorithm satisfies the demand of real-time obstacles detection when UAV is flying at low altitude. morphological Haar wavelet;obstacle detection;HOG feature;SVM classifier 2015-11-24 姚俊(1962—),男,教授,研究方向:先進(jìn)控制理論與應(yīng)用等。 1003-1251(2016)04-0021-06 TP391.4 A3 基于HOG特征的ROI檢測(cè)
4 實(shí)驗(yàn)結(jié)果
5 結(jié)束語(yǔ)