本發(fā)明涉及模式識(shí)別與圖像處理
技術(shù)領(lǐng)域：
，尤其是一種無人駕駛車野外水體檢測(cè)與跟蹤方法，適用于無人車在越野環(huán)境下行駛時(shí)，對(duì)水體障礙物進(jìn)行檢測(cè)跟蹤。
背景技術(shù)：
：地面無人車(UGV)是一種典型的戶外移動(dòng)智能機(jī)器人，而障礙物檢測(cè)是智能移動(dòng)機(jī)器人的研究熱點(diǎn)之一。相對(duì)于結(jié)構(gòu)化的城鎮(zhèn)道路和高速公路，越野環(huán)境下的行駛環(huán)境和道路路況更為復(fù)雜，甚至沒有明顯的道路邊界和可行駛區(qū)域界限，障礙物類型變化多，形態(tài)不一且隨機(jī)出現(xiàn)，這也對(duì)UGV自主行駛系統(tǒng)，尤其是環(huán)境感知模塊性能提出了嚴(yán)苛的要求。各種類型的水體，作為野外環(huán)境中最為常見的障礙類型之一，成為野外障礙物檢測(cè)的難點(diǎn)。水體障礙物的檢測(cè)分為檢測(cè)與跟蹤兩個(gè)部分，目前對(duì)各種水體障礙物的檢測(cè)方法主要有：基于彩色攝像機(jī)的方法；基于偏振相機(jī)的方法；基于紅外的方法；基于立體視覺的方法。以上方法涉及到的儀器設(shè)備成本較高，同時(shí)在障礙物檢測(cè)時(shí)由于其算法復(fù)雜或者容易受到外界環(huán)境因素的影響而對(duì)檢測(cè)速度以及準(zhǔn)確率構(gòu)成非常大的影響。而障礙物的跟蹤算法大致有以下幾種方法：基于模型匹配的方法；基于區(qū)域的匹配方法；基于活動(dòng)輪廓的匹配方法。以上方法都在一定程度上對(duì)障礙物的跟蹤的實(shí)時(shí)性構(gòu)成一定影響，其中基于模型匹配的方法在計(jì)算分析過程和目標(biāo)模型的更新過程計(jì)算較為復(fù)雜，獲得目標(biāo)精確的模型較為復(fù)雜，因此無法滿足較高的實(shí)時(shí)性要求；基于區(qū)域匹配的方法在處理目標(biāo)物體形態(tài)變化較大或有較大面積遮擋的情況時(shí)，該類算法對(duì)目標(biāo)物體的跟蹤精度會(huì)有所下降，甚至造成被跟蹤目標(biāo)的失蹤。技術(shù)實(shí)現(xiàn)要素：為解決現(xiàn)有技術(shù)存在的上述問題，本發(fā)明要設(shè)計(jì)一種簡(jiǎn)單有效、檢測(cè)快速、準(zhǔn)確率高、實(shí)時(shí)性好的基于SVM和SURF的無人車野外水體檢測(cè)與跟蹤方法。為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下：一種基于SVM和SURF的無人車野外水體檢測(cè)與跟蹤方法，包括以下步驟：S1：提取水體障礙物顏色與紋理特征；S11：將攝像機(jī)獲取的彩色圖像分別轉(zhuǎn)換到HSV顏色空間與灰度空間；S12：在HSV顏色空間中，采用8×8的窗口遍歷圖片，分別計(jì)算并提取窗口范圍內(nèi)的水體與地表區(qū)域的飽和度Saturation與亮度Value的比值特征，即S/V特征；在灰度空間中，對(duì)灰度級(jí)進(jìn)行壓縮，計(jì)算灰度共生矩陣，提取能量ASM、熵ENT、相關(guān)性COR和慣性矩CON四個(gè)紋理特征值；S13：將S/V特征與ASM、ENT、COR、CON四個(gè)紋理特征值合并，分別形成五維水體特征描述向量和地表特征描述向量；S2：建立水體目標(biāo)與地表的正負(fù)樣本庫，構(gòu)造支持向量機(jī)分類器即SVM分類器對(duì)水體障礙物檢測(cè)識(shí)別，所述的檢測(cè)識(shí)別過程包括離線訓(xùn)練、在線檢測(cè)和分類器性能優(yōu)化三個(gè)模塊；S21：針對(duì)S1中通過分別提取水體的顏色特征與紋理特征而形成的五維水體特征描述向量和地表特征描述向量，利用SVM分類器對(duì)水體與地表進(jìn)行訓(xùn)練分類，水體區(qū)域記為正樣本，地表區(qū)域記為負(fù)樣本，從而形成正負(fù)樣本庫；S22：對(duì)SVM分類器進(jìn)行性能優(yōu)化，針對(duì)提高SVM分類器性能這一目標(biāo)，設(shè)計(jì)采樣窗口尺寸變化實(shí)驗(yàn)和核函數(shù)選擇實(shí)驗(yàn)，通過實(shí)驗(yàn)確定采樣窗口大小，并選定徑向基核函數(shù)RBF加入到SVM分類器的具體算法中以提升分類準(zhǔn)確性?？紤]到徑向基核函數(shù)RBF的參數(shù)γ和懲罰參數(shù)C對(duì)分類效果影響較大，采用交叉驗(yàn)證方法對(duì)參數(shù)γ和懲罰參數(shù)C進(jìn)行優(yōu)化；S23：在線檢測(cè)過程，依然采用8×8窗口遍歷圖片提取窗口范圍內(nèi)待檢測(cè)圖像的顏色和紋理特征，將檢測(cè)得到的顏色和紋理特征數(shù)據(jù)送入已經(jīng)訓(xùn)練好并進(jìn)行過參數(shù)優(yōu)化的SVM分類器進(jìn)行類別判定，最后將水體區(qū)域的輪廓提取標(biāo)記出來；S3：基于SURF算法的搜索窗口位置和尺度更新；所述的SURF為SpeededUpRobustFeature的縮寫；S31：提取SURF關(guān)鍵點(diǎn)特征；S311：構(gòu)建尺度空間；利用不同尺度的盒狀濾波器建立多尺度空間,設(shè)盒狀濾波器的尺寸為：size＝9×(σ-1.2)；式中，size代表盒狀濾波器的尺寸，σ為多尺度空間的尺度；S312：檢測(cè)Hessian矩陣；對(duì)于待檢測(cè)圖像I中給定的一個(gè)像素點(diǎn)p：p＝f(x,y)。那么該像素點(diǎn)的Hessian矩陣為：H(f(x,y))=∂2f∂x2∂2f∂x∂y∂2f∂x∂y∂2f∂y2---(1)]]>Hessian矩陣的判別式為：det(H)=∂2f∂x2∂2f∂y2-(∂2f∂x∂y)2---(2)]]>判別式的值是Hessian矩陣的特征值，同樣對(duì)待檢測(cè)圖像I中其他的像素點(diǎn)也進(jìn)行Hessian矩陣判別式計(jì)算并根據(jù)判別式值的符號(hào)將所有像素點(diǎn)分類，由判別式值的正負(fù)來判斷該點(diǎn)是不是極值點(diǎn)。像素點(diǎn)p在尺度σ上的Hessian矩陣H(p,σ)定義為：H(p,σ)=Lxx(p,σ)Lxy(p,σ)Lyx(p,σ)Lyy(p,σ)---(3)]]>其中，Lxx(p,σ)是高斯二階偏導(dǎo)數(shù)在該像素點(diǎn)處與待檢測(cè)圖像I的卷積，同樣的，Lxy(p,σ)和Lyy(p,σ)分別是p點(diǎn)處高斯二階偏導(dǎo)數(shù)和在該像素點(diǎn)處與待檢測(cè)圖像I的卷積，g為高斯函數(shù)。S313：對(duì)標(biāo)準(zhǔn)高斯二階微分算子Lxx,Lxy,Lyy進(jìn)行化簡(jiǎn)近似，分別用Dxx,Dxy,Dyy代替表示；這樣對(duì)Hessian矩陣的行列式值用下式近似計(jì)算：det(Happrox)＝DxxDyy-(0.9Dxy)2(4)S314：定位特征點(diǎn)；經(jīng)過Hessian矩陣處理過的每個(gè)像素點(diǎn)與其3維鄰域的26個(gè)點(diǎn)進(jìn)行大小比較，如果它是這26個(gè)點(diǎn)中的最大值或者最小值，則保留下來，當(dāng)做初步的特征點(diǎn)。S32：對(duì)特征點(diǎn)進(jìn)行特征描述，構(gòu)建SURF特征描述符；S321：確定主方向；特征點(diǎn)的主方向保證了特征具有旋轉(zhuǎn)不變性；首先，要在以特征點(diǎn)為圓心，以該特征點(diǎn)被檢測(cè)出時(shí)所在的尺度s的6倍為半徑的圓形區(qū)域內(nèi)，計(jì)算待檢測(cè)圖像I在X方向和Y方向上的Haar小波響應(yīng)值，接下來用一個(gè)張角為π/3的扇形以特征點(diǎn)為圓心、0.2弧度為步長(zhǎng)旋轉(zhuǎn)滑動(dòng)，同時(shí)對(duì)扇形窗口內(nèi)X方向和Y方向上的Haar小波響應(yīng)值進(jìn)行累加，最終得到一個(gè)矢量，選擇最長(zhǎng)矢量的方向?yàn)樵撎卣鼽c(diǎn)的主方向。S322：構(gòu)建特征描述符。以特征點(diǎn)為中心，沿主方向?qū)?0s×20s的圖像區(qū)域劃分為4×4個(gè)子塊，每個(gè)子塊用尺寸2s的Haar模板進(jìn)行響應(yīng)值計(jì)算，并統(tǒng)計(jì)每個(gè)子塊中Σdx、Σ|dx|、Σdy、Σ|dy|，這樣就形成一個(gè)4×4×4＝64維的特征向量。S33：根據(jù)描述水體區(qū)域特征的特征描述符對(duì)兩幀圖像進(jìn)行SURF特征點(diǎn)匹配；S34：在前后兩幀圖像中，目標(biāo)區(qū)域的位置與尺度會(huì)發(fā)生相應(yīng)的變化。所以對(duì)相鄰幀之間匹配的SURF特征點(diǎn)的位置和尺度變化進(jìn)行詳細(xì)的統(tǒng)計(jì)，得出其與搜索窗口位置變動(dòng)的關(guān)系，并通過對(duì)數(shù)據(jù)庫中的400多幀圖像的特征檢測(cè)數(shù)據(jù)進(jìn)行擬合，得到特征點(diǎn)尺度變化系數(shù)與窗口尺寸變化系數(shù)的函數(shù)關(guān)系。S4：利用支持向量機(jī)算法對(duì)實(shí)時(shí)視頻中水體障礙物進(jìn)行檢測(cè)跟蹤，具體步驟如下：S41：利用支持向量機(jī)算法對(duì)單幀圖像進(jìn)行水體障礙物檢測(cè)；S42：對(duì)單幀圖像進(jìn)行SURF特征檢測(cè)；S43：在下一幀圖像中擴(kuò)大搜索窗口；S44：檢測(cè)搜索窗口內(nèi)SURF特征點(diǎn)，并與上一幀圖像進(jìn)行特征點(diǎn)匹配；S45：將兩幀匹配圖像進(jìn)行信息比對(duì)，計(jì)算相同特征點(diǎn)在兩幀圖像之間的移動(dòng)情況，包括：特征點(diǎn)橫向和縱向移動(dòng)距離，特征點(diǎn)尺度變化程度；S46：根據(jù)特征點(diǎn)移動(dòng)情況，對(duì)比前一幀圖像的窗口尺寸和位置，計(jì)算出當(dāng)前幀圖像窗口移動(dòng)位置和尺寸變化，當(dāng)相鄰兩幀圖像間相同特征點(diǎn)移動(dòng)幅度超過s，則考慮將當(dāng)前幀圖像搜索窗口尺寸擴(kuò)大s；S47：在當(dāng)前幀圖像的搜索窗口內(nèi)利用支持向量機(jī)算法做精確水體障礙物檢測(cè)，并獲取包含水體障礙物的最小矩形為新的感興趣窗口，返回步驟S43。直至所有幀圖像均被檢測(cè)完畢。與現(xiàn)有技術(shù)相比，本發(fā)明具有以下有益效果：1、由于本發(fā)明提取了水體的四個(gè)紋理特征同時(shí)提取水體障礙物S/V作為顏色特征，對(duì)紋理與顏色特征組合構(gòu)成水體范圍特征，較單獨(dú)使用亮度特征檢測(cè)方法具有更高檢測(cè)準(zhǔn)確率。2、由于本發(fā)明通過利用SVM算法對(duì)顏色和紋理特征進(jìn)行訓(xùn)練而得到分類器，同時(shí)針對(duì)部分水體和地表在部分特征上分布混雜、不適用線性分類的情況，利用核函數(shù)RBF將非線性問題轉(zhuǎn)化至高維空間的線性問題進(jìn)行求解，從而提高了水體檢測(cè)準(zhǔn)確率。3、由于本發(fā)明利用SURF算法對(duì)特征點(diǎn)進(jìn)行匹配，從而實(shí)現(xiàn)對(duì)水體障礙物的檢測(cè)跟蹤，大大提高了算法的執(zhí)行時(shí)間，提高了檢測(cè)跟蹤速度。4、由于本發(fā)明利用SURF算法在相鄰幀之間確定進(jìn)行特征點(diǎn)匹配，通過計(jì)算相鄰幀之間特征的運(yùn)動(dòng)特征，實(shí)時(shí)更新水體障礙物待檢測(cè)窗口的位置和尺寸，從而極大的縮小了特征提取窗口的遍歷范圍，從而使跟蹤滿足實(shí)時(shí)性要求。5、本發(fā)明提出的水體障礙檢測(cè)跟蹤方法能夠以較小的誤差自動(dòng)檢測(cè)并跟蹤序列圖像中出現(xiàn)在車輛前方中遠(yuǎn)距離下的水體目標(biāo)。附圖說明圖1是水體特征描述構(gòu)建方法流程圖；圖2是SVM水體障礙物靜態(tài)圖像檢測(cè)實(shí)驗(yàn)設(shè)計(jì)流程圖；圖3是SVM靜態(tài)水體障礙物檢測(cè)結(jié)果圖；圖4是SURF特征點(diǎn)主方向確定示意圖；圖5是SURF特征向量描述示意圖；圖6是SURF特征匹配結(jié)果示意圖；圖7是基于SVM和SURF的無人駕駛車野外水體檢測(cè)與跟蹤流程圖；圖8是基于SVM和SURF的無人駕駛車野外水體檢測(cè)與跟蹤結(jié)果示意圖。具體實(shí)施方式下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步地說明。本發(fā)明的流程如圖1所示，步驟S1中水體障礙物顏色與紋理特征提取如圖2所示；步驟S2中構(gòu)造SVM分類器對(duì)水體障礙物檢測(cè)識(shí)別，該過程主要包括離線訓(xùn)練、在線檢測(cè)、分類器性能優(yōu)化三個(gè)模塊，如圖2所示；步驟S23的SVM在線檢測(cè)過程中，依然采用8×8窗口遍歷圖片提取窗口范圍內(nèi)樣本圖像的顏色和紋理特征，將樣本特征庫送入已經(jīng)訓(xùn)練好并進(jìn)行過參數(shù)優(yōu)化的SVM分類器進(jìn)行類別判定，最后將標(biāo)記為水體的區(qū)域輪廓提取出來，如圖3所示，從圖3中可以看出，本發(fā)明在應(yīng)對(duì)無波紋的水面時(shí)檢測(cè)效果較好；當(dāng)水體較淺時(shí)，水體障礙物顏色和紋理特征由水底地面特征主導(dǎo)，在這種情況下，還不能夠提取到水體障礙物完整輪廓信息，如圖3右上圖所示。步驟S321中確定主方向的過程，如圖4所示。以圖4中小波響應(yīng)值的分布為例，根據(jù)前面描述的確定主方向的方法，可以看到在第一幅圖中的張角為π/3的扇形區(qū)域中，其小波響應(yīng)值較少，累加之后最終得到的矢量相對(duì)較短；在第二幅圖中的張角為π/3的扇形區(qū)域中，其小波響應(yīng)值有所增加，累加之后最終得到的結(jié)果相對(duì)第一幅圖增長(zhǎng)；在第三幅圖中的張角為π/3的扇形區(qū)域中，其小波響應(yīng)值分布最多、最集中，所以累加之后最終得到的矢量最長(zhǎng)；故在該分布情況下所確定的主方向?yàn)榈谌鶊D像中的矢量方向。步驟S322構(gòu)建特征描述符，如圖5所示；步驟S33的匹配結(jié)果如圖6所示；步驟S4利用SVM和SURF對(duì)實(shí)時(shí)視頻中水體障礙物進(jìn)行檢測(cè)跟蹤的步驟如圖7所示，步驟S47的檢測(cè)跟蹤結(jié)果如圖8所示。為驗(yàn)證本發(fā)明中提出的跟蹤方法有效性，進(jìn)行了實(shí)際野外環(huán)境下的水體障礙物序列圖像跟蹤檢測(cè)，圖8序列圖像拍攝于少云天氣情況下的太陽高度較低的清晨，該圖為車體向前緩慢運(yùn)動(dòng)過程中，從CCD拍攝的包含單個(gè)水體障礙物序列圖像中跟蹤并標(biāo)記障礙物位置的實(shí)驗(yàn)結(jié)果圖片。每幀圖像中跟蹤到的水體障礙物范圍用方框表示，水體障礙物質(zhì)心位置用黑色圓點(diǎn)表示。在太陽高度較低、環(huán)境亮度普遍不高的情況下，水體障礙物區(qū)域較周圍地表具有明顯更高的亮度，同時(shí)水體范圍還具有更平滑的紋理特征，在水面無倒影的情況下，本發(fā)明中的方法能夠從序列圖像中檢測(cè)出水體的完整區(qū)域并實(shí)現(xiàn)跟蹤。本發(fā)明不局限于本實(shí)施例，任何在本發(fā)明披露的技術(shù)范圍內(nèi)的等同構(gòu)思或者改變，均列為本發(fā)明的保護(hù)范圍。當(dāng)前第1頁1 2 3