無人船的障礙物動態(tài)識別

楊坤 黃立新

摘要：通過相鄰幀差法和變換域法依次配合，實現(xiàn)對障礙物的識別，跟蹤顯示。本文采用基于視頻序列構(gòu)建一個移動目標(biāo)檢測系統(tǒng)模型，該模型用跟蹤算法分析靜止背景下的移動目標(biāo);使用相鄰幀差法來實現(xiàn)運動對象的檢測，快速、準(zhǔn)確地提取背景模型，得到良好的前景移動目標(biāo)圖像;借助變換域的方法實現(xiàn)移動目標(biāo)的有效跟蹤，且在跟蹤的基礎(chǔ)上實現(xiàn)軌跡顯示。實驗證明視頻提取出的背景輪廓完整，去除的背景噪點圖片效果良好，障礙物運動軌跡線生成清晰。仿真和視頻處理結(jié)果驗證了算法理論的有效性。

關(guān)鍵詞：背景模型：相鄰幀減法;障礙物識別

0引言

無人船分為非自主型無人船、內(nèi)嵌編程的半自主型無人船和具有自主規(guī)劃、自主航行，自主導(dǎo)航的全自主型無人船。隨著物聯(lián)網(wǎng)等技術(shù)的迅速發(fā)展，為無人船的全自動化實現(xiàn)提供了良好的技術(shù)支撐。

非自主型無人船起源于1898年，尼古拉特拉斯發(fā)明了遙控艇，將其命名為“無線機(jī)器人”：20世紀(jì)五十年代前蘇聯(lián)出現(xiàn)小型遙控式無入水面艇：60年代后期，美國研發(fā)出“拖鏈?zhǔn)健边b控掃雷艇：90年代美國研制“遙控獵雷作戰(zhàn)原型艇：21世紀(jì)美國海軍水下作戰(zhàn)開發(fā)“斯巴達(dá)偵察兵”（SpartanScout）號無人艇，該船系半自主無人船，具有模塊化、可重構(gòu)、多任務(wù)、高速、半自主航行的特點。2008年，國內(nèi)新光公司研發(fā)提供氣象保障的“天象1號”無人艇：云洲智能研制出在線水質(zhì)污染和核污染監(jiān)測的無人船。以色列的中型“SilverMarlin”號無人艇、美國海軍研制的模塊化三體無人快速偵察艇“X-2”號是全自主型無人船的代表。2013年，我國研發(fā)具有良好的機(jī)動性、抗沉性和抗風(fēng)浪能力的“海巡166號”無人艇。2014年，上海大學(xué)研制配備北斗導(dǎo)航系統(tǒng)的“精?！毕盗袩o人艇。

針對以上問題運用差值平均法，快速提取出圖像序列中障礙物的背景模型，得到良好的前景移動目標(biāo)圖像。借助變換域的方法，實現(xiàn)移動目標(biāo)的有效跟蹤，且在跟蹤的基礎(chǔ)上實現(xiàn)軌跡顯示。本文將對無人船或者無人船艇的障礙識別和追蹤作進(jìn)一步探討。

1 視覺監(jiān)控系統(tǒng)設(shè)計及實現(xiàn)

1.1 系統(tǒng)設(shè)計思想

假設(shè)無人船在持續(xù)行駛中所處的背景不變，以運動障礙物為檢測對象。利用攝像機(jī)獲取被檢測環(huán)境視頻圖像，在視頻圖像中識別動態(tài)目標(biāo)，追蹤、顯示運動軌跡曲線。

1.2算法選擇

（1）目標(biāo)檢測：采用差值平均法，提取運動目標(biāo)外部點集，確定移動目標(biāo)質(zhì)心。

（2）邊緣檢測：采用canny算法進(jìn)行邊緣檢測，該算法的平滑性相對于其它方法，去噪能力更強(qiáng)，在一階傳統(tǒng)微分、中階躍型邊緣檢測中，效果最優(yōu)。

（3）目標(biāo)跟蹤：選用基于變換域和特征的跟蹤方法，達(dá)到移動目標(biāo)跟蹤和特征提取識別的目的。

（4）目標(biāo)表示：采取目標(biāo)的質(zhì)心點作為行船或者障礙物的位置標(biāo)定。

（5）軌跡顯示：采用矩陣坐標(biāo)系和內(nèi)嵌for循環(huán)算法實現(xiàn)小船位置的動態(tài)顯示。

1.3 系統(tǒng)組成

視覺監(jiān)控系統(tǒng)工作流程如圖1所示，各單元功能如下：

（1）監(jiān)控視頻序列：讀取視頻數(shù)據(jù)并保存等待處理。

（2）圖像預(yù)處理：讀入視頻幀進(jìn)行灰度化、二值化處理，對每幀圖像連通區(qū)域進(jìn)行標(biāo)記。

（3）目標(biāo)區(qū)域檢測：通過標(biāo)記的連通區(qū)域確定目標(biāo)區(qū)域的上、下、左、右邊界。

（4）目標(biāo)跟蹤：對移動目標(biāo)進(jìn)行跟蹤，確定移動目標(biāo)質(zhì)心，標(biāo)出運動軌跡。

（5）視頻內(nèi)容分析：理解對得到的視頻進(jìn)行障礙物識別和障礙物跟蹤顯示。

1.4 算法實現(xiàn)

1.4.1 高斯背景模型算法提取

無人船處于動態(tài)不確定環(huán)境，造成圖像處理困難，需對圖像進(jìn)行預(yù)處理。預(yù)處理采用高斯背景模型算法提取背景模型。首先運用函數(shù)讀取視頻文件，對于視頻文件中每一幀的圖像進(jìn)行讀取保存，為增加圖像的可處理性，將圖像數(shù)據(jù)轉(zhuǎn)化為雙精度，讀取圖像的RGB。為提高準(zhǔn)確性，采取舍棄第一幀的方式，嵌入for循環(huán)語句，將第二幀到最后一幀的圖像進(jìn)行讀取，之后依次采用imshow函數(shù)顯示，drawnow不斷的刷新屏幕，顯示并保存每幀圖像背景。疊加每幀圖像的RGB，采用矩陣取平均值后進(jìn)行矩陣疊加的方法隱去前景部分，提取背景。為方便程序的自檢，采用函數(shù)進(jìn)行顯示和保存到需要的路徑。由于視頻處理的計算量較大，故采用視頻幀的灰度化和二值化處理。

1.4.2 腐蝕、膨脹函數(shù)去除背景噪點

圖像背景存在諸多噪點，為提取小船前景圖像，設(shè)計運用灰度化和二值化處理?；谠朦c和小船實際面積大小對比，灰度腐蝕函數(shù)先腐蝕去除背景噪點之后，采用灰度膨脹函數(shù)膨脹擴(kuò)大小船顯示，循環(huán)兩次除去背景圖像噪點。隨后，內(nèi)嵌入for循環(huán)語句提取小船坐標(biāo)位置矩陣。

1.4.3 去除背景

為實現(xiàn)MATLAB處理要求。采用矩陣化將小船位置化為二維數(shù)組，采用函數(shù)程序讀取視頻背景文件和提高視頻圖像背景質(zhì)量?；谝训玫奖尘斑M(jìn)行矩陣化，過濾去除背景得到前景矩陣。采用一個時間矩陣來監(jiān)視序列圖像的穩(wěn)定性特征，利用背景在時間上的緩變特性來實現(xiàn)對背景的提取和更新。

1.4.4 軌跡追蹤和動態(tài)顯示

設(shè)計運用軌跡跟蹤和動態(tài)刷新處理。為減少計算機(jī)運算量，采取隔十幀選一幀的方式，選取小船的質(zhì)心點軌跡。內(nèi)嵌條件循環(huán)語句，實現(xiàn)小船完整路徑的跟蹤。程序的主要流程：

（1）用坐標(biāo)系矩陣描述背景圖像，統(tǒng)計上、下、左、右圖像位置矩陣點。

（2）矩陣數(shù)列標(biāo)識前后景圖像，依據(jù)相關(guān)點找到兩矩陣關(guān)系。

（3）前景和背景矩陣，進(jìn)行矩陣差異對比。

（4）計算船體質(zhì)心位置并顯示。

（5）顯示視頻圖像幀數(shù)，間隔保留質(zhì)心位置以減少計算。

（6）循環(huán)讀幀和動態(tài)路徑顯示。

前景和背景矩陣化得到數(shù)學(xué)圖像矩陣，采用函數(shù)提高圖像質(zhì)量;運用for循環(huán)結(jié)構(gòu)語句得到小船軌跡坐標(biāo)點，進(jìn)一步采用差值平均取整法：顯示小船位置圖像，保存每幀質(zhì)心位置，畫出軌跡路徑圖。圖4為運動過程中追蹤到的小船運動軌跡。

初步處理得到小船運動軌跡，但與小船實際運動軌跡存在較大偏差。原因是實際操作過程中攝像機(jī)抖動和樹林中樹葉隨風(fēng)而動，形成動態(tài)噪點。導(dǎo)致實際的小船位置顯示混亂。針對這一問題，運用背景閾值過濾去除視頻背景的動態(tài)噪點，依據(jù)圖像二維數(shù)組畫出路徑圖，保存每幀小船質(zhì)心得到軌跡圖5（a）和小船矩陣點數(shù)值分布圖5（b）。

去除動態(tài)噪點后，小船運動軌跡顯示較好。但是，為了將小船的視頻動態(tài)圖像進(jìn)行較好的展示，采取每隔20幀保留一個小船運動質(zhì)心，使用紅色方框標(biāo)記。軌跡線采用綠色實線表示。軌跡顯示如圖6所示。

為展示小船運動軌跡圖，特意截取三個時間段的小船運動軌跡圖。顯示如圖7所示。

2 結(jié)束語

為實現(xiàn)動態(tài)不確定環(huán)境，障礙物動態(tài)識別，設(shè)計了視頻監(jiān)控系統(tǒng)。通過靜態(tài)環(huán)境下采用高斯模型算法，得到視頻背景：采用差值平均數(shù)法實現(xiàn)運動目標(biāo)檢測和障礙物跟蹤：通過計算機(jī)視覺工具箱，實現(xiàn)障礙物特征提取和跟蹤。

本系統(tǒng)針對障礙物識別和追蹤中遇到的不同問題給出了不同的程序算法。最后，通過視頻處理實驗驗證了算法理論上的可行性，滿足了在動態(tài)不確定環(huán)境下的視頻監(jiān)控系統(tǒng)對圖像進(jìn)行動態(tài)識別跟蹤的要求。