圖像處理技術(shù)在船舶航行障礙物識(shí)別中的應(yīng)用

蘇立平

(聊城大學(xué)東昌學(xué)院，山東 聊城 252000)

0 引言

在船舶航行過程中，受到海洋環(huán)境和天氣等因素的影響，需要對(duì)航行過程中的障礙物進(jìn)行有效識(shí)別，通過航行路徑規(guī)劃和避障設(shè)計(jì)，結(jié)合圖像動(dòng)態(tài)視覺跟蹤識(shí)別方法，實(shí)現(xiàn)對(duì)船舶航行過程中的動(dòng)態(tài)分析，提高船舶航行過程的穩(wěn)定性和可靠性。研究船舶航行障礙物識(shí)別方法建立在對(duì)紅外圖像特征分析基礎(chǔ)上，通過采集船舶航行障礙物動(dòng)態(tài)參數(shù)[1]，結(jié)合海洋環(huán)境特征分析和紅外視覺跟蹤識(shí)別的方法，提取船舶航行障礙物的分布特征點(diǎn)，采用分塊和分組區(qū)域映射的方法實(shí)現(xiàn)對(duì)船舶航行障礙物識(shí)別。

目前，對(duì)船舶航行障礙物識(shí)別的方法主要有基于紅外光譜特征分析的船舶航行障礙物識(shí)別方法、基于灰度不變矩特征分析的障礙物識(shí)別和路徑規(guī)劃方法以及不規(guī)則三角網(wǎng)分割的船舶航行障礙物識(shí)別方法等[2–3]。Marino A等[4]中提出基于可見光與紅外圖像并行控制的船舶航行障礙物識(shí)別方法，結(jié)合物體輻射的紅外特征點(diǎn)差異性進(jìn)行航行避障控制，但該方法的計(jì)算實(shí)時(shí)性不好。Pelich R等[5]提出基于層次對(duì)象模型化視覺幀匹配的船舶航行障礙物識(shí)別和避障路徑規(guī)劃技術(shù)，通過不同的場(chǎng)景參數(shù)融合，結(jié)合障礙物的空間分布規(guī)劃性進(jìn)行障礙物識(shí)別，但該方法的收斂性不好。

針對(duì)以上方法存在的不足，本文提出基于圖像分塊特征匹配和視覺跟蹤識(shí)別的船舶航行障礙物識(shí)別技術(shù)，通過仿真測(cè)試驗(yàn)證了本文方法在提高船舶航行障礙物識(shí)別能力方面的優(yōu)越性能。

1 船舶航行紅外圖像采集和特征提取

1.1 船舶航行紅外圖像采集

采用紅外傳感成像技術(shù)進(jìn)行圖像采集，對(duì)采集的船舶航行障礙物紅外圖像進(jìn)行體元數(shù)據(jù)融合，通過多尺度變換和圖像區(qū)域劃分的方法，進(jìn)行船舶航行障礙物的視覺特征分析，提取圖像的顯著性區(qū)域或目標(biāo)，進(jìn)行航行障礙物跟蹤識(shí)別，船舶航行紅外圖像采集的結(jié)構(gòu)圖如圖1 所示。

圖1 船舶航行紅外圖像采集的結(jié)構(gòu)圖Fig.1 Structure diagram of infrared image acquisition for ship navigation

假設(shè)顯著性分析的圖像融分布域?yàn)??，對(duì)船舶航行紅外圖像I(x,y)，采用分塊輪廓曲線C進(jìn)行目標(biāo)障礙物的定位匹配和跟蹤識(shí)別，在特定場(chǎng)景下障礙物動(dòng)態(tài)融合區(qū)域?yàn)镽1和R2，其中一個(gè)為目標(biāo)，一個(gè)為背景障礙物。將高維圖像投影到低維子空間中，得到圖像分布模型：

式中：c1和c2分別表示可見光與近紅外的多模態(tài)特征參數(shù)；Length(C)表示目標(biāo)障礙物的邊界輪廓的長(zhǎng)度；Area(inside(C))表示特征點(diǎn)、線段、輪廓的包圍面積；μ，ν，λ1和 λ2分別表示特征點(diǎn)、線段、輪廓的邊緣特征分量，均為大于0 的常數(shù)。

選擇合適的特征，在閉合曲線C用水平集函數(shù)表示為C={(x,y)∈?:?(x,y)=0}，由此得到2 個(gè)模態(tài)的圖像外觀分布模型參數(shù)為：

式中，H(z)和δ(z)分別為Heaviside 函數(shù)和Dirac 函數(shù)。

由此，構(gòu)建了圖像采集模型，采用點(diǎn)跟蹤匹配和動(dòng)態(tài)幀點(diǎn)檢測(cè)的方法進(jìn)行船舶航行障礙物識(shí)別的紅外圖像信息采集，根據(jù)圖像采集結(jié)果，結(jié)合圖像配準(zhǔn)和邊緣信息分布式融合的方法進(jìn)行船舶航行障礙物識(shí)別。

1.2 圖像特征提取

采用光和近紅外圖像聯(lián)合識(shí)別的方法進(jìn)行障礙物識(shí)別和特征提取，構(gòu)建深度學(xué)習(xí)模型，在提取到的特征之間建立對(duì)應(yīng)關(guān)系，得到船舶航行障礙物特征分布點(diǎn)集中的點(diǎn)之間映射關(guān)系，表示如下：

式中：λ1,λ2,ν,μ均為局部特征子空間分布系數(shù)，為一組非負(fù)常數(shù)；Kσ為標(biāo)準(zhǔn)差 σ為高斯函數(shù)，通過選擇σ的大小來調(diào)整船舶航行紅外圖像分布鄰域的大小。

對(duì)有可能的對(duì)應(yīng)點(diǎn)障礙物集合水平集構(gòu)建水平約束特征項(xiàng)，其中第一項(xiàng)是用來保持船舶航行紅外圖像水平集在演化特征量，第二項(xiàng)是船舶航行紅外圖像中障礙物的長(zhǎng)度約束項(xiàng)，第三項(xiàng)和第四項(xiàng)為局部二值擬合項(xiàng)，基于幾何約束的估計(jì)算得到障礙物的動(dòng)態(tài)分配函數(shù)f1(x)和f2(x)，在輪廓區(qū)域外，得到模型函數(shù)f1(x)和f2(x)隨空域變化，采用重采樣獲取無異常值來確定障礙物分布，障礙物動(dòng)態(tài)檢測(cè)的能量函數(shù)為：

式中：θ為圖像中包含的信息量，L(?)為曲線長(zhǎng)度約束項(xiàng)，從紅外以及從可見光圖像進(jìn)行平滑特征分析，定義如下：

式中，P(?)為障礙物的距離正則項(xiàng)。

根據(jù)傳遞的信息熵分布，采用融合圖F的邊緣直方圖作為特征分配點(diǎn)，得到結(jié)構(gòu)相似性指標(biāo)分布集為：

式中：ELBF為相關(guān)性、亮度、對(duì)比度的關(guān)聯(lián)項(xiàng)，ELGF是局部梯度能量項(xiàng)。

根據(jù)變分法和Euler-Lagrange 方程，得到原圖及融合圖的像素分配函數(shù)。

根據(jù)上述分析，對(duì)采集的船舶航行障礙物紅外視覺圖像進(jìn)行區(qū)域組合檢測(cè)和融合處理。

2 船舶航行障礙物識(shí)別

2.1 圖像分塊特征匹配

在對(duì)采集的船舶航行障礙物紅外視覺圖像進(jìn)行區(qū)域組合檢測(cè)和融合處理的基礎(chǔ)上，采用邊緣信息保留的方法，得到航行障礙物分布的Heaviside 函數(shù)和規(guī)則化的Dirac 函數(shù)，具體如下：

固定式(3)能量泛函中的 ?，分析邊緣信息保留在融合圖中的殘差信息，對(duì)f1,f2,|?f1|,|?f2|極小化處理，得到相應(yīng)的表達(dá)式如下：

基于圖像梯度的評(píng)價(jià)指標(biāo)分析方法，在輪廓曲線演化分析障礙物的真實(shí)邊界點(diǎn)，實(shí)現(xiàn)紋理細(xì)節(jié)信息匹配，采用圖2 所示的多模型拼接方法。

圖2 障礙物的多模型拼接Fig.2 Multiple model splicing of obstacles

2.2 障礙物的動(dòng)態(tài)跟蹤識(shí)別

構(gòu)建融合圖像中的峰值匹配模型，通過對(duì)目標(biāo)障礙物特定波長(zhǎng)的紅、綠、藍(lán)三原色分析，得到障礙物檢測(cè)的中心距：

式中：μpq為物體對(duì)不同波長(zhǎng)光線檢測(cè)的像素透射強(qiáng)度，μ00為顏色恢復(fù)的多尺度信息分量，γ為不同波長(zhǎng)光學(xué)的反射參數(shù)。

采用HSV 色彩空間匹配，得到船舶航行障礙物特征點(diǎn)分布的直方圖表示為：

式中：m和n為融入物體表面信息的反特征點(diǎn)編號(hào)，i和j為反射分量為物體行列編號(hào)，s為頻域的高斯濾波系數(shù)，k為平滑濾波系數(shù)，為太氣散射系數(shù)，為海洋環(huán)境散射系數(shù)。

綜上，提取圖像的差異性和突變性特征點(diǎn)，根據(jù)特征點(diǎn)的分布情況采用視覺跟蹤識(shí)別方法實(shí)現(xiàn)對(duì)船舶航行障礙物識(shí)別。

3 測(cè)試結(jié)果與分析

對(duì)船舶航行障礙物檢測(cè)仿真采用VC 軟件設(shè)計(jì)，設(shè)定障礙物分布的局部窗口大小為12×12，對(duì)船舶紅外圖像采集的透射率為0.13，高斯核 σ為9，障礙物的分布坐標(biāo)及動(dòng)態(tài)匹配參數(shù)分布見表1。

表1 船舶航行障礙物分布參數(shù)Tab.1 Distribution parameters of ship navigation obstacles

在仿真參數(shù)設(shè)定的基礎(chǔ)上，進(jìn)行航行障礙物識(shí)別仿真，得到原始的船舶航行紅外圖像如圖3 所示。

圖3 障礙物識(shí)別的原始圖像Fig.3 Original image of obstacle recognition

采用本文方法進(jìn)行障礙物識(shí)別，得到識(shí)別結(jié)果如圖4 所示。分析可知，本文方法能有效實(shí)現(xiàn)對(duì)船舶航行障礙物識(shí)別，識(shí)別過程的動(dòng)態(tài)跟蹤能力較好。

圖4 障礙物識(shí)別結(jié)果Fig.4 Obstacle identification results

障礙物識(shí)別精度對(duì)比如表2 所示。分析可知，本文方法識(shí)別可靠性和精度較高。

表2 船舶航行障礙物識(shí)別精度對(duì)比Tab.2 Comparison of identification accuracy of navigation obstacles on ships

4 結(jié)語

通過采集船舶航行障礙物動(dòng)態(tài)參數(shù)，結(jié)合海洋環(huán)境特征分析和紅外視覺跟蹤識(shí)別的方法，提取船舶航行障礙物的分布特征點(diǎn)，本文提出基于圖像分塊特征匹配和視覺跟蹤識(shí)別的船舶航行障礙物識(shí)別技術(shù)。提取圖像的差異性和突變性特征點(diǎn)，根據(jù)特征點(diǎn)的分布情況采用視覺跟蹤識(shí)別方法實(shí)現(xiàn)對(duì)船舶航行障礙物識(shí)別。分析可知，本文方法對(duì)障礙物的檢測(cè)識(shí)別能力較好。