论文部分内容阅读
摘要：本文对自主机器人的运动目标检测和跟踪中的一些关键技术进行了研究，通过传统的帧间差分的改进，引入HSI差值模型、图像序列的连续差分图像运算、自适应分割算法、自适应阴影部分分割算法。实验结果表明该算法有效。
关键词：目标检测；HSI差值模型；自适应分割算法；机器人
中图分类号：TP391文献标识码：A文章编号：1009-3044(2007)18-31685-02
1 引言
运动目标检测和跟踪是自主机器人视觉的研究及智能视频监控中的重要关键技术，从序列图像中有效的自动提取运动目标区域和跟踪运动目标是自主机器人运动控制的研究热点之一。
在运动目标检测算法中常用方法的有光流场法和图像差分法[1-3]。由于光流场法的计算量大，不适合于实时性的要求。对背景图像的帧间差分法对环境变化有较强的适应性和运算简单方便特点，但帧间差分不能提出完整的运动目标，且场景中会出现大量噪声，如光线的强弱，运动目标的阴影等[4-6]。
2 运动目标图像HSI差值模型
机器视觉系统的视频序列图像的典型输出模式为RGB，理论分析和试验结果都表明，对同一颜色属性物体，在光照光源种类、照度、物体反射特性不同条件下，测得的RGB颜色值分布很分散，3个分量互相关联变化，占据整个颜色空间的比例非常大，很难确定识别RGB的阈值范围，而且容易把并非指定颜色的物体包括进去，或漏掉应该识别的部分物体。
接近人眼对颜色感知的色调、饱和度和亮度属性（H,S,I）模型更适合于图像识别处理。因此，本文引入改进型HIS帧差模型。
设自主机器人在某一位置采得的连续三帧图像序列fk-1(x,y)，fk(x,y)，fk+1(x,y)，根据仿人眼对色度的敏感系数比亮度要低[5]，通过对图像色调H、饱和度S和亮度I属性的敏感系数调整[9]，将所得序列每一帧图像转换为更能突出移动目标的改进型HSI图像fi(x,y)，如下式：
其中：WH，WS，WI分别为设定的色调、饱和度和亮度的敏感系数。
通过公式(1)转化后的第k与第k-1帧图像差分，第k+1与第k帧图像差分。
定义1 帧差分图像计算模型如下：
其中：fd1(x,y)，fd2(x,y)为连续三帧图像序列的帧差分后的结果。
3 运动目标图像噪声的处理
差分后的图像中含有较多噪声斑点，其中部分是背景被误检为运动区域，还有就是背景的扰动，如树木，草等的摆动。为了去除这些干扰，使用了数学形态学中的开启和闭合算法作为噪声滤除器。
4 运动目标阴影部分自适应分割
在理想状态下fd1(x,y)，fd2(x,y)中应该只包括运动目标的移动部分，实际结果中运动目标往往存在阴影部分，并很难区分。因为运动目标本身与阴影部分有相似的视觉特征，通常在检测中无法直接区分运动目标和阴影。仿人对阴影的认识，当非运动目标像素点被阴影覆盖，则它的亮度值会显著变小，色度信号变化不大，而当它被运动目标覆盖时则亮度可能变大也可能变小，但色度的变化会很大，且阴影部分应具有相似的亮度值和色度值。HSI图像颜色空间具有较好的色度和亮色感知一致性。通过计算图像间颜色的相似性，找出运动目标移动区域中的阴影部分。
为减少计算量并不失一般性，可仅对公式(2)和(3)运算结果相与所得区域计算出运动目标移动区域中的阴影部分亮度和色度值的相似性。
定义2二次帧差分图像运算为：
运算规则为：
其中：Y(x,y)为相与运算所得结果，相与运算为对fd1(x,y)，fd2(x,y)两个帧差分图像的色度H、饱和度S和亮度I值取极小运算。
HSI图像颜色空间的色调属性H能比较准确地反映颜色种类，对外界光照条件的变化敏感度程度低，具有比较稳定和较窄的数值范围。但是亮度I较小时，H的值趋向于不确定，为了确定出两个帧差分图像结果fd1(x,y)，fd2(x,y)做相与运算结果所得区域，利用类间距与类内距之比作为最佳分割的目标函数[10]。为了更好的自适应确定其分割阈值，本文在差分图像计算时采用取色调H和亮度I双属性的改进型HSI帧差分模型，
定义3改进型HSI颜色空间图像的二次帧差分模型为：
T(x,y)=YH(x,y)+YI(x,y) (5)
其中：T(x,y)为帧差分图像的计算结果，帧差分模型为色度H和亮度I值求和运算。
设将HSI颜色空间图像象素值为大于T的像素区域构成区域A1(x,y)，设其方差为δA1(T)，小于等于T构成区域A2(x,y)，设其方差为δA2(T)，则可设：
求(6)式对T的导数，并令其为零，求取该式最大值对应的Tmax便是图像分割的二值化阈值。这样可使目标移动部分和非目标物的像素值差别最大，而各自区域内部的像素值分布差别最小，从而达到以Tmax为阈值将图像Y(x,y)二值化成运动目标移动部分区域Ym(x,y)和不变背景部分区域Yb(x,y)的两个区域的最佳分割。
当非运动目标像素点被阴影覆盖应具有相似的亮度值和色度值，可计算出图像间颜色的相似性。对图像序列fk(x,y) 中的运动目标移动部分区域Ym(x,y)，本文采用如下公式计算可找到该区域中的阴影部分[11]。
定义4阴影区域的判断式为：
其中：参数?坠是考虑光源的影响，光源越亮取值越小，β是为了去除噪声的影响(0<?坠<β<1)，τk是为了判断当前帧移动区域与非目标区域之间的明显差异。
5 运动目标的自适应分割提取
对图像序列fk(x,y)中运动目标的移动部分区域Ym(x,y)中每个连通域Yi的面积大于设定值B的区域，计算其区域的色度、亮度之和的平均值，记为：
每个连通域Yi的边缘点以hi±θ为阈值，对应图像fk(x,y)的每行/列进行左右方向和上下连通域增长，若行/列出现连续N个像素点T≠hi±θ，则认为不连通，连通域增长停止。依次对每个连通域Yi进行连通域增长。
对连通域增长后区域进行边缘检测，检测出来的每一个封闭边缘区域就记为一个运动目标Fk(x,y)[12]，并以Fk(x,y)区域对fk(x,y)进行图像分割。对分割后的图像每一个封闭边缘区域内记为“1” 表示运动目标区域，其余部分记为“1”表示背景区域进行二值化处理，并记每一个封闭边缘区域为一个运动目标Fi，i=1,2, …。
6 运动目标检测和识别实验
本文对提出的方法在户外场景运动目标检测进行了实验验证。运动目标检测和识别实验条件，实验条件如下：检测与识别的运动目标选择为汽车，机器视觉系统摄像机分辨率为320*240，高度H为653mm，焦距f为15mm，每秒钟25帧，摄像机成像像素的横向，纵向物理尺寸为：dy=0.12mm，HIS空间下的敏感系数取：WH =0.1，WS =0.1，WI =0.80，设定运动目标都归一化为距离摄像机为L=5000mm的位置得到成像面积，该位置上所设成像面积阈值t0=400像素，每个目标点连通区域B=50，θ=10。
运动目标检测和识别实验步骤：
①摄像机在t时刻捕捉的三帧原始图像为图(a)、图(b)和图(c)。
②由公式(1)转化成的新的HIS空间下的图像为图(d)至图(f)。
③分别图(e)与图(d)和图(f)与图(e)差分，结果为图(g)和图(h)。
④由公式(4)对图(g)和图(h)相与运算，结果为图(i)。
⑤由公式(5)和(6)求图(i)的自适应二值化阈值得到二值化图像图(j)。
⑥由图(j)中的每个目标点连通区域代回图(e)中，由公式(8)以及定义4相应方法得到图(k)。
⑦由公式(9)～(11) 和定义5，通过给出的特征识别方法对图(k)可识别出两个运动目标分别为：N1为车辆，N2为人体。
7 结束语
本文对机器视觉系统视觉的运动目标检测和识别中的一些关键技术进行了研究，实验结果表明：
(1)给出了改进的图像HIS差分模型，定义了连续图像帧差分和二次帧差分运算，可有效的适应环境变化的影响，能对无背景图像条件下自动提取运动目标区域；
(2)引入了一些运动物体的特征分析，定义了运动目标区域的特征值计算，可对运动目标进行特征匹配，能提取和识别所需识别的运动目标区域；
(3)本文方法对于运动物体的遮挡造成的目标消失或运动物体移动过快等问题需要进一步研究。
参考文献：
[1]阮秋琦. 数字图像处理学[M]. 北京:电子工业出版社，2001.
[2]沈清，汤霖，模式识别导论[M]. 北京:国防科技大学出版社，1991.
[3]王耀男，等，计算机图像处理与识别技术[M]. 北京:高等教育出版社，2001.
[4]李庆忠，陈显华，王立红. 一种视频运动目标的检测与识别方法[J]. 模式识别与人工智能，2006,19(2).
[5]杨威，张田文. 复杂景物环境下运动目标检测的新方法[J]. 计算机研究与发展，1998,35(8).
[6]张辉，王强，徐光佑，朱志刚. 运动目标的快速检测和识别[J]. 清华大学学报(自然科学版)，2002,42(10).
注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。
关键词：目标检测；HSI差值模型；自适应分割算法；机器人
中图分类号：TP391文献标识码：A文章编号：1009-3044(2007)18-31685-02
1 引言
运动目标检测和跟踪是自主机器人视觉的研究及智能视频监控中的重要关键技术，从序列图像中有效的自动提取运动目标区域和跟踪运动目标是自主机器人运动控制的研究热点之一。
在运动目标检测算法中常用方法的有光流场法和图像差分法[1-3]。由于光流场法的计算量大，不适合于实时性的要求。对背景图像的帧间差分法对环境变化有较强的适应性和运算简单方便特点，但帧间差分不能提出完整的运动目标，且场景中会出现大量噪声，如光线的强弱，运动目标的阴影等[4-6]。
2 运动目标图像HSI差值模型
机器视觉系统的视频序列图像的典型输出模式为RGB，理论分析和试验结果都表明，对同一颜色属性物体，在光照光源种类、照度、物体反射特性不同条件下，测得的RGB颜色值分布很分散，3个分量互相关联变化，占据整个颜色空间的比例非常大，很难确定识别RGB的阈值范围，而且容易把并非指定颜色的物体包括进去，或漏掉应该识别的部分物体。
接近人眼对颜色感知的色调、饱和度和亮度属性（H,S,I）模型更适合于图像识别处理。因此，本文引入改进型HIS帧差模型。
设自主机器人在某一位置采得的连续三帧图像序列fk-1(x,y)，fk(x,y)，fk+1(x,y)，根据仿人眼对色度的敏感系数比亮度要低[5]，通过对图像色调H、饱和度S和亮度I属性的敏感系数调整[9]，将所得序列每一帧图像转换为更能突出移动目标的改进型HSI图像fi(x,y)，如下式：
其中：WH，WS，WI分别为设定的色调、饱和度和亮度的敏感系数。
通过公式(1)转化后的第k与第k-1帧图像差分，第k+1与第k帧图像差分。
定义1 帧差分图像计算模型如下：
其中：fd1(x,y)，fd2(x,y)为连续三帧图像序列的帧差分后的结果。
3 运动目标图像噪声的处理
差分后的图像中含有较多噪声斑点，其中部分是背景被误检为运动区域，还有就是背景的扰动，如树木，草等的摆动。为了去除这些干扰，使用了数学形态学中的开启和闭合算法作为噪声滤除器。
4 运动目标阴影部分自适应分割
在理想状态下fd1(x,y)，fd2(x,y)中应该只包括运动目标的移动部分，实际结果中运动目标往往存在阴影部分，并很难区分。因为运动目标本身与阴影部分有相似的视觉特征，通常在检测中无法直接区分运动目标和阴影。仿人对阴影的认识，当非运动目标像素点被阴影覆盖，则它的亮度值会显著变小，色度信号变化不大，而当它被运动目标覆盖时则亮度可能变大也可能变小，但色度的变化会很大，且阴影部分应具有相似的亮度值和色度值。HSI图像颜色空间具有较好的色度和亮色感知一致性。通过计算图像间颜色的相似性，找出运动目标移动区域中的阴影部分。
为减少计算量并不失一般性，可仅对公式(2)和(3)运算结果相与所得区域计算出运动目标移动区域中的阴影部分亮度和色度值的相似性。
定义2二次帧差分图像运算为：
运算规则为：
其中：Y(x,y)为相与运算所得结果，相与运算为对fd1(x,y)，fd2(x,y)两个帧差分图像的色度H、饱和度S和亮度I值取极小运算。
HSI图像颜色空间的色调属性H能比较准确地反映颜色种类，对外界光照条件的变化敏感度程度低，具有比较稳定和较窄的数值范围。但是亮度I较小时，H的值趋向于不确定，为了确定出两个帧差分图像结果fd1(x,y)，fd2(x,y)做相与运算结果所得区域，利用类间距与类内距之比作为最佳分割的目标函数[10]。为了更好的自适应确定其分割阈值，本文在差分图像计算时采用取色调H和亮度I双属性的改进型HSI帧差分模型，
定义3改进型HSI颜色空间图像的二次帧差分模型为：
T(x,y)=YH(x,y)+YI(x,y) (5)
其中：T(x,y)为帧差分图像的计算结果，帧差分模型为色度H和亮度I值求和运算。
设将HSI颜色空间图像象素值为大于T的像素区域构成区域A1(x,y)，设其方差为δA1(T)，小于等于T构成区域A2(x,y)，设其方差为δA2(T)，则可设：
求(6)式对T的导数，并令其为零，求取该式最大值对应的Tmax便是图像分割的二值化阈值。这样可使目标移动部分和非目标物的像素值差别最大，而各自区域内部的像素值分布差别最小，从而达到以Tmax为阈值将图像Y(x,y)二值化成运动目标移动部分区域Ym(x,y)和不变背景部分区域Yb(x,y)的两个区域的最佳分割。
当非运动目标像素点被阴影覆盖应具有相似的亮度值和色度值，可计算出图像间颜色的相似性。对图像序列fk(x,y) 中的运动目标移动部分区域Ym(x,y)，本文采用如下公式计算可找到该区域中的阴影部分[11]。
定义4阴影区域的判断式为：
其中：参数?坠是考虑光源的影响，光源越亮取值越小，β是为了去除噪声的影响(0<?坠<β<1)，τk是为了判断当前帧移动区域与非目标区域之间的明显差异。
5 运动目标的自适应分割提取
对图像序列fk(x,y)中运动目标的移动部分区域Ym(x,y)中每个连通域Yi的面积大于设定值B的区域，计算其区域的色度、亮度之和的平均值，记为：
每个连通域Yi的边缘点以hi±θ为阈值，对应图像fk(x,y)的每行/列进行左右方向和上下连通域增长，若行/列出现连续N个像素点T≠hi±θ，则认为不连通，连通域增长停止。依次对每个连通域Yi进行连通域增长。
对连通域增长后区域进行边缘检测，检测出来的每一个封闭边缘区域就记为一个运动目标Fk(x,y)[12]，并以Fk(x,y)区域对fk(x,y)进行图像分割。对分割后的图像每一个封闭边缘区域内记为“1” 表示运动目标区域，其余部分记为“1”表示背景区域进行二值化处理，并记每一个封闭边缘区域为一个运动目标Fi，i=1,2, …。
6 运动目标检测和识别实验
本文对提出的方法在户外场景运动目标检测进行了实验验证。运动目标检测和识别实验条件，实验条件如下：检测与识别的运动目标选择为汽车，机器视觉系统摄像机分辨率为320*240，高度H为653mm，焦距f为15mm，每秒钟25帧，摄像机成像像素的横向，纵向物理尺寸为：dy=0.12mm，HIS空间下的敏感系数取：WH =0.1，WS =0.1，WI =0.80，设定运动目标都归一化为距离摄像机为L=5000mm的位置得到成像面积，该位置上所设成像面积阈值t0=400像素，每个目标点连通区域B=50，θ=10。
运动目标检测和识别实验步骤：
①摄像机在t时刻捕捉的三帧原始图像为图(a)、图(b)和图(c)。
②由公式(1)转化成的新的HIS空间下的图像为图(d)至图(f)。
③分别图(e)与图(d)和图(f)与图(e)差分，结果为图(g)和图(h)。
④由公式(4)对图(g)和图(h)相与运算，结果为图(i)。
⑤由公式(5)和(6)求图(i)的自适应二值化阈值得到二值化图像图(j)。
⑥由图(j)中的每个目标点连通区域代回图(e)中，由公式(8)以及定义4相应方法得到图(k)。
⑦由公式(9)～(11) 和定义5，通过给出的特征识别方法对图(k)可识别出两个运动目标分别为：N1为车辆，N2为人体。
7 结束语
本文对机器视觉系统视觉的运动目标检测和识别中的一些关键技术进行了研究，实验结果表明：
(1)给出了改进的图像HIS差分模型，定义了连续图像帧差分和二次帧差分运算，可有效的适应环境变化的影响，能对无背景图像条件下自动提取运动目标区域；
(2)引入了一些运动物体的特征分析，定义了运动目标区域的特征值计算，可对运动目标进行特征匹配，能提取和识别所需识别的运动目标区域；
(3)本文方法对于运动物体的遮挡造成的目标消失或运动物体移动过快等问题需要进一步研究。
参考文献：
[1]阮秋琦. 数字图像处理学[M]. 北京:电子工业出版社，2001.
[2]沈清，汤霖，模式识别导论[M]. 北京:国防科技大学出版社，1991.
[3]王耀男，等，计算机图像处理与识别技术[M]. 北京:高等教育出版社，2001.
[4]李庆忠，陈显华，王立红. 一种视频运动目标的检测与识别方法[J]. 模式识别与人工智能，2006,19(2).
[5]杨威，张田文. 复杂景物环境下运动目标检测的新方法[J]. 计算机研究与发展，1998,35(8).
[6]张辉，王强，徐光佑，朱志刚. 运动目标的快速检测和识别[J]. 清华大学学报(自然科学版)，2002,42(10).
注：本文中所涉及到的图表、注解、公式等内容请以PDF格式阅读原文。