賈繼紅++宋江鵬

摘 要：基于霧霾天氣的復(fù)雜場(chǎng)景，本文選用基于時(shí)空信息的圖像分割方法，最終選擇混合高斯模型。通過基于小波變換的多尺度邊緣提取方法對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行邊緣提取，從而實(shí)現(xiàn)無人車輛在不同程度的霧霾天氣和多障礙物的條件下，對(duì)運(yùn)動(dòng)障礙目標(biāo)的識(shí)別和主動(dòng)避讓的功能。

關(guān)鍵詞： 混合高斯模型；圖像分割；邊緣提?。贿\(yùn)動(dòng)目標(biāo)識(shí)別

0 引言

重型軍用無人車輛憑借其強(qiáng)大的越野和載重能力廣泛用于前線物資運(yùn)送和危險(xiǎn)地域重裝作業(yè)；而輕型軍用無人車輛的自主作戰(zhàn)能力使得它們能夠承擔(dān)對(duì)人來說無法涉足的最危險(xiǎn)、最艱苦的戰(zhàn)斗任務(wù)，大大延伸了作戰(zhàn)領(lǐng)域空間，并且，用無人車輛完成偵察任務(wù)，還可實(shí)現(xiàn)巷戰(zhàn)作戰(zhàn)態(tài)勢(shì)的單項(xiàng)透明，大大增強(qiáng)了作戰(zhàn)部隊(duì)的靈活性和機(jī)動(dòng)性。由此可見，軍用無人地面車輛將在未來戰(zhàn)爭(zhēng)中成為聯(lián)合投送的重要大型陸路交通工具和作戰(zhàn)工具。

未來無人地面車輛必須具備障礙物判定、路徑規(guī)劃和環(huán)境感知等能力，才有可能繼續(xù)實(shí)現(xiàn)自主操作的功能，而以上三個(gè)能力中障礙物（靜態(tài)或動(dòng)態(tài)運(yùn)動(dòng)目標(biāo)）判定是基礎(chǔ)。由于車體運(yùn)行和障礙物自身也可能運(yùn)動(dòng)，因此，車輛與障礙物之間往往是相對(duì)運(yùn)動(dòng)的，這就涉及計(jì)算機(jī)視覺中的運(yùn)動(dòng)目標(biāo)識(shí)別問題。同時(shí)，對(duì)運(yùn)動(dòng)目標(biāo)的檢測(cè)也是判定運(yùn)動(dòng)目標(biāo)位置與速度、運(yùn)動(dòng)目標(biāo)行為識(shí)別與跟蹤的前提和關(guān)鍵。

軍用無人車輛所處環(huán)境非常復(fù)雜，戰(zhàn)場(chǎng)上的條件更是極其惡劣，對(duì)此類場(chǎng)景下的運(yùn)動(dòng)目標(biāo)的識(shí)別具有很高的實(shí)戰(zhàn)價(jià)值和現(xiàn)實(shí)意義。

1 圖像預(yù)處理

1.1 圖像去噪

根據(jù)信號(hào)與噪聲的關(guān)系，可分為乘性噪聲和加性噪聲。加性噪聲不會(huì)隨圖像信號(hào)的變化而變化，即與圖像信號(hào)不相關(guān)，自然圖像的噪聲都是加性噪聲，故本文所處理的圖像中的噪聲屬于加性噪聲。

設(shè)含噪圖像為v（i，j），噪聲為n（i，j），原始圖像信號(hào)為 ，則加性噪聲模型可以表示為：

v（i，j）=u（i，j）+n（i，j） 。

中值濾波法無需圖像的統(tǒng)計(jì)特征，是通過對(duì)估計(jì)像素點(diǎn)的鄰域進(jìn)行中值處理從而達(dá)到去噪的目的，其中，鄰域以窗口的方式選取。而且，由于中值濾波是低通濾波器，能有效地抑制脈沖噪聲，所以可以較好地保護(hù)圖像得邊緣紋理或細(xì)節(jié)信息。基于霧天圖像特征，采用中值濾波去噪方法，滑動(dòng)窗口選用3×3。

用公式描述中值濾波法的基本思想如下。設(shè)某一個(gè)像素點(diǎn)的某鄰域窗口內(nèi)的所有像素點(diǎn)灰度值為一組數(shù)

，把這n個(gè)數(shù)按值大小順序排列： ，取其中值的公式為：

中值濾波去噪后的效果如圖1所示。

1.2 圖像增強(qiáng)

針對(duì)當(dāng)前的霧霾天氣，CCD獲得的圖像在分割與特征提取之前尤其要做好增強(qiáng)預(yù)處理。目前，針對(duì)霧霾背景的圖像處理方法主要有：圖像的增強(qiáng)和圖像的復(fù)原。霧天圖像增強(qiáng)方法是通過提高圖像的對(duì)比度來突顯細(xì)節(jié)信息，可忽略圖像退化，在視覺效果上有明顯的改善，但該方法容易丟失或破壞突出部分的細(xì)節(jié)。霧天圖像增強(qiáng)方法又分為全局化增強(qiáng)方法和局部化增強(qiáng)方法。本文所研究的無人車輛對(duì)于目標(biāo)識(shí)別與跟蹤功能，僅需識(shí)別運(yùn)動(dòng)目標(biāo)并判斷運(yùn)動(dòng)趨勢(shì)，不需識(shí)別目標(biāo)細(xì)節(jié)和深入理解行為意圖，故不需要圖像的局部增強(qiáng)。本課題選用全局化霧天圖像增強(qiáng)方法。

全局化霧天圖像增強(qiáng)方法是指依據(jù)整幅霧天圖像的統(tǒng)計(jì)信息決定對(duì)灰度值的調(diào)整，而不考慮被調(diào)整點(diǎn)所處的區(qū)域。圖像增強(qiáng)效果如圖2所示。

2 圖像分割

2.1 圖像分割原理

將運(yùn)動(dòng)目標(biāo)從圖像序列中檢測(cè)出來就是將其與背景分離的過程，屬于空間分割的問題，對(duì)視頻圖像的分割就是把視頻中每一幀圖像中的運(yùn)動(dòng)區(qū)域或目標(biāo)從背景中提取出來。

解決這樣一個(gè)空間分割的問題，既可以利用圖像的時(shí)域信息，也可以利用圖像的空域信息，還可以將時(shí)域信息和空域信息綜合起來運(yùn)用。然而，分割運(yùn)動(dòng)目標(biāo)與提取區(qū)域運(yùn)動(dòng)信息是密不可分的，常用方法主要有兩種，針對(duì)運(yùn)動(dòng)信息，或者是先分割再計(jì)算，或者是先計(jì)算再分割。先分割再計(jì)算運(yùn)動(dòng)信息的方法即為直接分割法，它是利用圖像的灰度和梯度來進(jìn)行分割處理。其優(yōu)點(diǎn)是可以較完好地保留運(yùn)動(dòng)目標(biāo)的邊緣信息，但對(duì)于復(fù)雜場(chǎng)景，由于同一運(yùn)動(dòng)物體由多個(gè)不同的區(qū)域組成，所以經(jīng)常造成過度分割。先計(jì)算運(yùn)動(dòng)信息再分割，即間接分割法，一般是基于光流場(chǎng)進(jìn)行分割，所以首先在連續(xù)兩幀（或兩幀以上）的圖像之間作光流場(chǎng)估計(jì)。

針對(duì)復(fù)雜場(chǎng)景，Stauffer C等人首次提出了混合高斯背景建模的算法，該算法是為圖像背景建立多個(gè)混合高斯背景模型，通過多峰的概率分布來描述單個(gè)像素點(diǎn)在一段時(shí)間內(nèi)的亮度變化。

2.2 針對(duì)復(fù)雜背景的混合高斯建模方法

混合高斯背景建模法其實(shí)質(zhì)就是背景模型估計(jì)法。該方法彌補(bǔ)了以往單高斯模型法無法描述復(fù)雜背景的不足?；旌细咚菇５幕舅枷胧菫槊總€(gè)像素點(diǎn)定義多個(gè)（K個(gè)）模型來表達(dá)不同的顏色，依據(jù)每個(gè)模型是否變化來判斷該模型的背景類型：若該點(diǎn)與背景模型匹配，則該點(diǎn)屬于背景，若該點(diǎn)不與背景模型匹配，則該點(diǎn)屬于前景或運(yùn)動(dòng)目標(biāo)。每個(gè)模型分別用一個(gè)獨(dú)立的高斯函數(shù)來表示，模型數(shù)目（K）取決于計(jì)算機(jī)內(nèi)存容量和處理速度，一般取3～5之間。若每個(gè)像素點(diǎn)的顏色取值用變量x表示，用K個(gè)三維高斯函數(shù)表示其概率密度函數(shù)為

式中， 為t時(shí)刻的第i個(gè)高斯模型，其均值為

，協(xié)方差矩陣為 ， 為第i個(gè)高斯模型在t時(shí)刻的權(quán)重，且有

式中，n表示xi的維數(shù)，且當(dāng)建模圖像為灰度圖時(shí)，n=1。當(dāng)建模圖像為彩色圖像時(shí)，為了減少計(jì)算量，假設(shè)每幀圖像中各像素點(diǎn)的R、G、B三顏色通道相互獨(dú)立，并具有相同的協(xié)方差。協(xié)方差矩陣為式

也就是說，為每個(gè)顏色通道各建立了一個(gè)一維混合高斯模型。

本文圖像分割效果如圖3所示。

3 圖像特征提取

3.1 小波變換的多分辨分析理論

多分辨率分析，又稱多尺度分析，是建立在函數(shù)空間概念上的理論，該理論提供的方法是在不同尺度下分析函數(shù)。首先把原始信號(hào)分解成具有不同分辨率的子信號(hào)，然后在各個(gè)分辨率上處理子信號(hào)。若信號(hào)為二維的圖像，就是將其分解成高分辨率圖像和低分辨率圖像，選擇合適的分辨率或在相同的分辨率上處理子圖像。其中，高分辨率圖像包含更多的細(xì)節(jié)信息。而小波分析正是提取圖像的細(xì)節(jié)信息。由此，Mallat將計(jì)算機(jī)視覺中的多分辨分析理論引入了小波原理，并建立了基于多分辨分析和小波理論之間關(guān)系的方法，推導(dǎo)出快速離散小波變換算法，即MALLAT算法。

多分辨分析的定義：空間L2（R）中的一系列閉子空間 如果滿足下列條件，則稱其為L(zhǎng)2（R）上的一個(gè)多分辨分析或逼近。

一致單調(diào)性：

漸近完全性：

伸縮規(guī)律性：

平移不變性： ，對(duì)所有

Rieze基存在性：存在 ，使得 是V0的正交基，即

通常稱vj為尺度j的尺度空間， 為多分辨率分析的尺度函數(shù)。在多分辨率分析理論中，所有閉子空間 都是由同一函數(shù) 經(jīng)伸縮或平移后張成的尺度空間。

由此可得：

該序列就是 的一級(jí)二維小波分解。參照一維小波分解、重構(gòu)的公式，可以得出二維小波分解、重構(gòu)的Mallat塔式公式，即：

其中， 和 分別為低通和高通濾波器。

基于小波變換的多尺度邊緣提取結(jié)果如圖4所示。

4 結(jié)論

本文針對(duì)無人車輛所處的不同程度的霧霾天氣和復(fù)雜背景，結(jié)合無人車輛所要實(shí)現(xiàn)的功能，有選擇性地研究了圖像去噪和增強(qiáng)的預(yù)處理方法，同時(shí)分析了圖像分割與圖像特征提取方法。最終選擇中值濾波對(duì)圖像進(jìn)行去噪，選擇全局化霧天圖像增強(qiáng)法對(duì)圖像進(jìn)行增強(qiáng)；通過基于時(shí)空信息的混合高斯模型算法對(duì)圖像進(jìn)行分割；通過基于小波變換的多尺度邊緣提取方法對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行邊緣提取，從而實(shí)現(xiàn)無人車輛在不同程度的霧霾天氣和多障礙物的條件下，對(duì)運(yùn)動(dòng)障礙目標(biāo)的識(shí)別和主動(dòng)避讓的功能。