复杂场景下无人车辆识别运动目标方法的研究

贾继红++宋江鹏

摘 要：基于雾霾天气的复杂场景，本文选用基于时空信息的图像分割方法，最终选择混合高斯模型。通过基于小波变换的多尺度边缘提取方法对运动目标进行边缘提取，从而实现无人车辆在不同程度的雾霾天气和多障碍物的条件下，对运动障碍目标的识别和主动避让的功能。

关键词： 混合高斯模型；图像分割；边缘提取；运动目标识别

0 引言

重型军用无人车辆凭借其强大的越野和载重能力广泛用于前线物资运送和危险地域重装作业；而轻型军用无人车辆的自主作战能力使得它们能够承担对人来说无法涉足的最危险、最艰苦的战斗任务，大大延伸了作战领域空间，并且，用无人车辆完成侦察任务，还可实现巷战作战态势的单项透明，大大增强了作战部队的灵活性和机动性。由此可见，军用无人地面车辆将在未来战争中成为联合投送的重要大型陆路交通工具和作战工具。

未来无人地面车辆必须具备障碍物判定、路径规划和环境感知等能力，才有可能继续实现自主操作的功能，而以上三个能力中障碍物（静态或动态运动目标）判定是基础。由于车体运行和障碍物自身也可能运动，因此，车辆与障碍物之间往往是相对运动的，这就涉及计算机视觉中的运动目标识别问题。同时，对运动目标的检测也是判定运动目标位置与速度、运动目标行为识别与跟踪的前提和关键。

军用无人车辆所处环境非常复杂，战场上的条件更是极其恶劣，对此类场景下的运动目标的识别具有很高的实战价值和现实意义。

1 图像预处理

1.1 图像去噪

根据信号与噪声的关系，可分为乘性噪声和加性噪声。加性噪声不会随图像信号的变化而变化，即与图像信号不相关，自然图像的噪声都是加性噪声，故本文所处理的图像中的噪声属于加性噪声。

设含噪图像为v（i，j），噪声为n（i，j），原始图像信号为 ，则加性噪声模型可以表示为：

v（i，j）=u（i，j）+n（i，j） 。

中值滤波法无需图像的统计特征，是通过对估计像素点的邻域进行中值处理从而达到去噪的目的，其中，邻域以窗口的方式选取。而且，由于中值滤波是低通滤波器，能有效地抑制脉冲噪声，所以可以较好地保护图像得边缘纹理或细节信息。基于雾天图像特征，采用中值滤波去噪方法，滑动窗口选用3×3。

用公式描述中值滤波法的基本思想如下。设某一个像素点的某邻域窗口内的所有像素点灰度值为一组数

，把这n个数按值大小顺序排列： ，取其中值的公式为：

中值滤波去噪后的效果如图1所示。

1.2 图像增强

针对当前的雾霾天气，CCD获得的图像在分割与特征提取之前尤其要做好增强预处理。目前，针对雾霾背景的图像处理方法主要有：图像的增强和图像的复原。雾天图像增强方法是通过提高图像的对比度来突显细节信息，可忽略图像退化，在视觉效果上有明显的改善，但该方法容易丢失或破坏突出部分的细节。雾天图像增强方法又分为全局化增强方法和局部化增强方法。本文所研究的无人车辆对于目标识别与跟踪功能，仅需识别运动目标并判断运动趋势，不需识别目标细节和深入理解行为意图，故不需要图像的局部增强。本课题选用全局化雾天图像增强方法。

全局化雾天图像增强方法是指依据整幅雾天图像的统计信息决定对灰度值的调整，而不考虑被调整点所处的区域。图像增强效果如图2所示。

2 图像分割

2.1 图像分割原理

将运动目标从图像序列中检测出来就是将其与背景分离的过程，属于空间分割的问题，对视频图像的分割就是把视频中每一帧图像中的运动区域或目标从背景中提取出来。

解决这样一个空间分割的问题，既可以利用图像的时域信息，也可以利用图像的空域信息，还可以将时域信息和空域信息综合起来运用。然而，分割运动目标与提取区域运动信息是密不可分的，常用方法主要有两种，针对运动信息，或者是先分割再计算，或者是先计算再分割。先分割再计算运动信息的方法即为直接分割法，它是利用图像的灰度和梯度来进行分割处理。其优点是可以较完好地保留运动目标的边缘信息，但对于复杂场景，由于同一运动物体由多个不同的区域组成，所以经常造成过度分割。先计算运动信息再分割，即间接分割法，一般是基于光流场进行分割，所以首先在连续两帧（或两帧以上）的图像之间作光流场估计。

针对复杂场景，Stauffer C等人首次提出了混合高斯背景建模的算法，该算法是为图像背景建立多个混合高斯背景模型，通过多峰的概率分布来描述单个像素点在一段时间内的亮度变化。

2.2 针对复杂背景的混合高斯建模方法

混合高斯背景建模法其实质就是背景模型估计法。该方法弥补了以往单高斯模型法无法描述复杂背景的不足。混合高斯建模的基本思想是为每个像素点定义多个（K个）模型来表达不同的颜色，依据每个模型是否变化来判断该模型的背景类型：若该点与背景模型匹配，则该点属于背景，若该点不与背景模型匹配，则该点属于前景或运动目标。每个模型分别用一个独立的高斯函数来表示，模型数目（K）取决于计算机内存容量和处理速度，一般取3～5之间。若每个像素点的颜色取值用变量x表示，用K个三维高斯函数表示其概率密度函数为

式中， 为t时刻的第i个高斯模型，其均值为

，协方差矩阵为 ， 为第i个高斯模型在t时刻的权重，且有

式中，n表示xi的维数，且当建模图像为灰度图时，n=1。当建模图像为彩色图像时，为了减少计算量，假设每帧图像中各像素点的R、G、B三颜色通道相互独立，并具有相同的协方差。协方差矩阵为式

也就是说，为每个颜色通道各建立了一个一维混合高斯模型。

本文图像分割效果如图3所示。

3 图像特征提取

3.1 小波变换的多分辨分析理论

多分辨率分析，又称多尺度分析，是建立在函數空间概念上的理论，该理论提供的方法是在不同尺度下分析函数。首先把原始信号分解成具有不同分辨率的子信号，然后在各个分辨率上处理子信号。若信号为二维的图像，就是将其分解成高分辨率图像和低分辨率图像，选择合适的分辨率或在相同的分辨率上处理子图像。其中，高分辨率图像包含更多的细节信息。而小波分析正是提取图像的细节信息。由此，Mallat将计算机视觉中的多分辨分析理论引入了小波原理，并建立了基于多分辨分析和小波理论之间关系的方法，推导出快速离散小波变换算法，即MALLAT算法。

多分辨分析的定义：空间L2（R）中的一系列闭子空间 如果满足下列条件，则称其为L2（R）上的一个多分辨分析或逼近。

一致单调性：

渐近完全性：

伸缩规律性：

平移不变性： ，对所有

Rieze基存在性：存在 ，使得 是V0的正交基，即

通常称vj为尺度j的尺度空间， 为多分辨率分析的尺度函数。在多分辨率分析理论中，所有闭子空间 都是由同一函数 经伸缩或平移后张成的尺度空间。

由此可得：

该序列就是 的一级二维小波分解。参照一维小波分解、重构的公式，可以得出二维小波分解、重构的Mallat塔式公式，即：

其中， 和 分别为低通和高通滤波器。

基于小波变换的多尺度边缘提取结果如图4所示。

4 结论

本文针对无人车辆所处的不同程度的雾霾天气和复杂背景，结合无人车辆所要实现的功能，有选择性地研究了图像去噪和增强的预处理方法，同时分析了图像分割与图像特征提取方法。最终选择中值滤波对图像进行去噪，选择全局化雾天图像增强法对图像进行增强；通过基于时空信息的混合高斯模型算法对图像进行分割；通过基于小波变换的多尺度边缘提取方法对运动目标进行边缘提取，从而实现无人车辆在不同程度的雾霾天气和多障碍物的条件下，对运动障碍目标的识别和主动避让的功能。