基于SVM和SURF的无人车野外水体检测与跟踪方法与流程

本发明涉及模式识别与图像处理
技术领域：
，尤其是一种无人驾驶车野外水体检测与跟踪方法，适用于无人车在越野环境下行驶时，对水体障碍物进行检测跟踪。
背景技术：
：地面无人车(UGV)是一种典型的户外移动智能机器人，而障碍物检测是智能移动机器人的研究热点之一。相对于结构化的城镇道路和高速公路，越野环境下的行驶环境和道路路况更为复杂，甚至没有明显的道路边界和可行驶区域界限，障碍物类型变化多，形态不一且随机出现，这也对UGV自主行驶系统，尤其是环境感知模块性能提出了严苛的要求。各种类型的水体，作为野外环境中最为常见的障碍类型之一，成为野外障碍物检测的难点。水体障碍物的检测分为检测与跟踪两个部分，目前对各种水体障碍物的检测方法主要有：基于彩色摄像机的方法；基于偏振相机的方法；基于红外的方法；基于立体视觉的方法。以上方法涉及到的仪器设备成本较高，同时在障碍物检测时由于其算法复杂或者容易受到外界环境因素的影响而对检测速度以及准确率构成非常大的影响。而障碍物的跟踪算法大致有以下几种方法：基于模型匹配的方法；基于区域的匹配方法；基于活动轮廓的匹配方法。以上方法都在一定程度上对障碍物的跟踪的实时性构成一定影响，其中基于模型匹配的方法在计算分析过程和目标模型的更新过程计算较为复杂，获得目标精确的模型较为复杂，因此无法满足较高的实时性要求；基于区域匹配的方法在处理目标物体形态变化较大或有较大面积遮挡的情况时，该类算法对目标物体的跟踪精度会有所下降，甚至造成被跟踪目标的失踪。技术实现要素：为解决现有技术存在的上述问题，本发明要设计一种简单有效、检测快速、准确率高、实时性好的基于SVM和SURF的无人车野外水体检测与跟踪方法。为了实现上述目的，本发明的技术方案如下：一种基于SVM和SURF的无人车野外水体检测与跟踪方法，包括以下步骤：S1：提取水体障碍物颜色与纹理特征；S11：将摄像机获取的彩色图像分别转换到HSV颜色空间与灰度空间；S12：在HSV颜色空间中，采用8×8的窗口遍历图片，分别计算并提取窗口范围内的水体与地表区域的饱和度Saturation与亮度Value的比值特征，即S/V特征；在灰度空间中，对灰度级进行压缩，计算灰度共生矩阵，提取能量ASM、熵ENT、相关性COR和惯性矩CON四个纹理特征值；S13：将S/V特征与ASM、ENT、COR、CON四个纹理特征值合并，分别形成五维水体特征描述向量和地表特征描述向量；S2：建立水体目标与地表的正负样本库，构造支持向量机分类器即SVM分类器对水体障碍物检测识别，所述的检测识别过程包括离线训练、在线检测和分类器性能优化三个模块；S21：针对S1中通过分别提取水体的颜色特征与纹理特征而形成的五维水体特征描述向量和地表特征描述向量，利用SVM分类器对水体与地表进行训练分类，水体区域记为正样本，地表区域记为负样本，从而形成正负样本库；S22：对SVM分类器进行性能优化，针对提高SVM分类器性能这一目标，设计采样窗口尺寸变化实验和核函数选择实验，通过实验确定采样窗口大小，并选定径向基核函数RBF加入到SVM分类器的具体算法中以提升分类准确性。考虑到径向基核函数RBF的参数γ和惩罚参数C对分类效果影响较大，采用交叉验证方法对参数γ和惩罚参数C进行优化；S23：在线检测过程，依然采用8×8窗口遍历图片提取窗口范围内待检测图像的颜色和纹理特征，将检测得到的颜色和纹理特征数据送入已经训练好并进行过参数优化的SVM分类器进行类别判定，最后将水体区域的轮廓提取标记出来；S3：基于SURF算法的搜索窗口位置和尺度更新；所述的SURF为SpeededUpRobustFeature的缩写；S31：提取SURF关键点特征；S311：构建尺度空间；利用不同尺度的盒状滤波器建立多尺度空间,设盒状滤波器的尺寸为：size＝9×(σ-1.2)；式中，size代表盒状滤波器的尺寸，σ为多尺度空间的尺度；S312：检测Hessian矩阵；对于待检测图像I中给定的一个像素点p：p＝f(x,y)。那么该像素点的Hessian矩阵为：H(f(x,y))=∂2f∂x2∂2f∂x∂y∂2f∂x∂y∂2f∂y2---(1)]]>Hessian矩阵的判别式为：det(H)=∂2f∂x2∂2f∂y2-(∂2f∂x∂y)2---(2)]]>判别式的值是Hessian矩阵的特征值，同样对待检测图像I中其他的像素点也进行Hessian矩阵判别式计算并根据判别式值的符号将所有像素点分类，由判别式值的正负来判断该点是不是极值点。像素点p在尺度σ上的Hessian矩阵H(p,σ)定义为：H(p,σ)=Lxx(p,σ)Lxy(p,σ)Lyx(p,σ)Lyy(p,σ)---(3)]]>其中，Lxx(p,σ)是高斯二阶偏导数在该像素点处与待检测图像I的卷积，同样的，Lxy(p,σ)和Lyy(p,σ)分别是p点处高斯二阶偏导数和在该像素点处与待检测图像I的卷积，g为高斯函数。S313：对标准高斯二阶微分算子Lxx,Lxy,Lyy进行化简近似，分别用Dxx,Dxy,Dyy代替表示；这样对Hessian矩阵的行列式值用下式近似计算：det(Happrox)＝DxxDyy-(0.9Dxy)2(4)S314：定位特征点；经过Hessian矩阵处理过的每个像素点与其3维邻域的26个点进行大小比较，如果它是这26个点中的最大值或者最小值，则保留下来，当做初步的特征点。S32：对特征点进行特征描述，构建SURF特征描述符；S321：确定主方向；特征点的主方向保证了特征具有旋转不变性；首先，要在以特征点为圆心，以该特征点被检测出时所在的尺度s的6倍为半径的圆形区域内，计算待检测图像I在X方向和Y方向上的Haar小波响应值，接下来用一个张角为π/3的扇形以特征点为圆心、0.2弧度为步长旋转滑动，同时对扇形窗口内X方向和Y方向上的Haar小波响应值进行累加，最终得到一个矢量，选择最长矢量的方向为该特征点的主方向。S322：构建特征描述符。以特征点为中心，沿主方向将20s×20s的图像区域划分为4×4个子块，每个子块用尺寸2s的Haar模板进行响应值计算，并统计每个子块中Σdx、Σ|dx|、Σdy、Σ|dy|，这样就形成一个4×4×4＝64维的特征向量。S33：根据描述水体区域特征的特征描述符对两帧图像进行SURF特征点匹配；S34：在前后两帧图像中，目标区域的位置与尺度会发生相应的变化。所以对相邻帧之间匹配的SURF特征点的位置和尺度变化进行详细的统计，得出其与搜索窗口位置变动的关系，并通过对数据库中的400多帧图像的特征检测数据进行拟合，得到特征点尺度变化系数与窗口尺寸变化系数的函数关系。S4：利用支持向量机算法对实时视频中水体障碍物进行检测跟踪，具体步骤如下：S41：利用支持向量机算法对单帧图像进行水体障碍物检测；S42：对单帧图像进行SURF特征检测；S43：在下一帧图像中扩大搜索窗口；S44：检测搜索窗口内SURF特征点，并与上一帧图像进行特征点匹配；S45：将两帧匹配图像进行信息比对，计算相同特征点在两帧图像之间的移动情况，包括：特征点横向和纵向移动距离，特征点尺度变化程度；S46：根据特征点移动情况，对比前一帧图像的窗口尺寸和位置，计算出当前帧图像窗口移动位置和尺寸变化，当相邻两帧图像间相同特征点移动幅度超过s，则考虑将当前帧图像搜索窗口尺寸扩大s；S47：在当前帧图像的搜索窗口内利用支持向量机算法做精确水体障碍物检测，并获取包含水体障碍物的最小矩形为新的感兴趣窗口，返回步骤S43。直至所有帧图像均被检测完毕。与现有技术相比，本发明具有以下有益效果：1、由于本发明提取了水体的四个纹理特征同时提取水体障碍物S/V作为颜色特征，对纹理与颜色特征组合构成水体范围特征，较单独使用亮度特征检测方法具有更高检测准确率。2、由于本发明通过利用SVM算法对颜色和纹理特征进行训练而得到分类器，同时针对部分水体和地表在部分特征上分布混杂、不适用线性分类的情况，利用核函数RBF将非线性问题转化至高维空间的线性问题进行求解，从而提高了水体检测准确率。3、由于本发明利用SURF算法对特征点进行匹配，从而实现对水体障碍物的检测跟踪，大大提高了算法的执行时间，提高了检测跟踪速度。4、由于本发明利用SURF算法在相邻帧之间确定进行特征点匹配，通过计算相邻帧之间特征的运动特征，实时更新水体障碍物待检测窗口的位置和尺寸，从而极大的缩小了特征提取窗口的遍历范围，从而使跟踪满足实时性要求。5、本发明提出的水体障碍检测跟踪方法能够以较小的误差自动检测并跟踪序列图像中出现在车辆前方中远距离下的水体目标。附图说明图1是水体特征描述构建方法流程图；图2是SVM水体障碍物静态图像检测实验设计流程图；图3是SVM静态水体障碍物检测结果图；图4是SURF特征点主方向确定示意图；图5是SURF特征向量描述示意图；图6是SURF特征匹配结果示意图；图7是基于SVM和SURF的无人驾驶车野外水体检测与跟踪流程图；图8是基于SVM和SURF的无人驾驶车野外水体检测与跟踪结果示意图。具体实施方式下面结合附图对本发明作进一步地说明。本发明的流程如图1所示，步骤S1中水体障碍物颜色与纹理特征提取如图2所示；步骤S2中构造SVM分类器对水体障碍物检测识别，该过程主要包括离线训练、在线检测、分类器性能优化三个模块，如图2所示；步骤S23的SVM在线检测过程中，依然采用8×8窗口遍历图片提取窗口范围内样本图像的颜色和纹理特征，将样本特征库送入已经训练好并进行过参数优化的SVM分类器进行类别判定，最后将标记为水体的区域轮廓提取出来，如图3所示，从图3中可以看出，本发明在应对无波纹的水面时检测效果较好；当水体较浅时，水体障碍物颜色和纹理特征由水底地面特征主导，在这种情况下，还不能够提取到水体障碍物完整轮廓信息，如图3右上图所示。步骤S321中确定主方向的过程，如图4所示。以图4中小波响应值的分布为例，根据前面描述的确定主方向的方法，可以看到在第一幅图中的张角为π/3的扇形区域中，其小波响应值较少，累加之后最终得到的矢量相对较短；在第二幅图中的张角为π/3的扇形区域中，其小波响应值有所增加，累加之后最终得到的结果相对第一幅图增长；在第三幅图中的张角为π/3的扇形区域中，其小波响应值分布最多、最集中，所以累加之后最终得到的矢量最长；故在该分布情况下所确定的主方向为第三幅图像中的矢量方向。步骤S322构建特征描述符，如图5所示；步骤S33的匹配结果如图6所示；步骤S4利用SVM和SURF对实时视频中水体障碍物进行检测跟踪的步骤如图7所示，步骤S47的检测跟踪结果如图8所示。为验证本发明中提出的跟踪方法有效性，进行了实际野外环境下的水体障碍物序列图像跟踪检测，图8序列图像拍摄于少云天气情况下的太阳高度较低的清晨，该图为车体向前缓慢运动过程中，从CCD拍摄的包含单个水体障碍物序列图像中跟踪并标记障碍物位置的实验结果图片。每帧图像中跟踪到的水体障碍物范围用方框表示，水体障碍物质心位置用黑色圆点表示。在太阳高度较低、环境亮度普遍不高的情况下，水体障碍物区域较周围地表具有明显更高的亮度，同时水体范围还具有更平滑的纹理特征，在水面无倒影的情况下，本发明中的方法能够从序列图像中检测出水体的完整区域并实现跟踪。本发明不局限于本实施例，任何在本发明披露的技术范围内的等同构思或者改变，均列为本发明的保护范围。当前第1页1 2 3