复杂场景下无人车辆识别运动目标方法探究.docVIP

复杂场景下无人车辆识别运动目标方法探究 　　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