基于计算机视觉的无人机目标识别技术研究

2018-12-18于坤林

长沙航空职业技术学院学报 2018年4期

于坤林

（长沙航空职业技术学院，湖南长沙 410124）

目标识别技术是指利用雷达和计算机对遥远目标进行辨认的技术[1]。无人机目标识别技术是无人机自动避障技术的基础，目前无人机的目标识别技术已在航拍航测、抗灾救援、电力巡检、目标搜寻等无人机应用领域发挥着非常重要的作用。因此开展无人机目标识别技术的研究有非常重要的应用价值。

1 无人机的目标图像识别算法流程

无人机的目标图像识别算法流程如图1所示。

图1 无人机的目标图像识别算法流程

图像传感器获得无人机的目标图像后，先要对采集到的目标图像进行噪声滤波和图像增强等预处理，为了使待识别的无人机的目标图像从采集到的目标图像中分出来，需要对滤波及图像增强后的图像进行无人机的目标图像分割，无人机的目标图像分割后就要进行特征提取，从而可以从图像信息提取反映无人机的目标本质特征，特征提取之后对分类的特征进行分类并对无人机的目标进行判决，也就是分类判决，最后对无人机的目标进行识别和跟踪处理。

2 无人机的目标图像识别算法研究

2.1 图像预处理

2.1.1 图像滤波

图像滤波是为了去掉原始图像里面的噪声，图像滤波的方法有很多种，如均值滤波、中值滤波等等，采用均值滤波对虽然能降低噪声，但滤波后的图像边缘变得模糊，而采用中值滤波则既能降低噪声，又能使图像边缘比较清晰，特别是对于椒盐噪声，滤波效果较好。

2.1.2 图像增强

图像增强分为基于空间域的图像增强以及基于频率域的图像增强两大类：基于频域的算法是在图像的某种变换域内对图像的变换系数值进行某种修正；基于空间域的图像增强算法是直接对图像灰度级做运算，如直方图修正、灰度变换等算法[2]。直方图均衡化可以使图像更加清晰，能够增强目标与背景的灰度对比度，扩大目标与背景之间的灰度差值，以便图像的边缘细节能够更加容易地被检测出来。

2. 2 图像分割

图像分割是指根据需要将图像划分为有意义的若干区域或部分的图像处理技术，分割质量的好坏直接影响着后续图像处理的效果[3]。图像量化后就要对其进行图像分割，图像分割的算法主要分以下3大类：1）基于阈值的分割方法；2）基于边缘的分割方法；3）基于区域的分割方法。区域分割方法有区域分裂合并法和区域增长法等。

2.2.1 阈值分割法

阈值图像分割法是一种有效且简单的方法，它用设定的一个或多个阈值将图像的灰度级分为2个或多个部分，属于同一部分的像素可以认为是同一个物体。阈值法的特点是运算比较简单且效率高，应用比较广泛。为了增加图像分割的鲁棒性，图像分割需要具有自动阈值选择功能。

2.2.2 边缘分割法

边缘是图像的最基本特征，它能够反映图像灰度的不连续性。图像边缘检测是图像分割、图像特征提取以及图像纹理分析等的重要基础，此类算法简单，对简单场景中的图像分割效果较好，但在复杂场景中，易出现目标边界不完整或伪边缘较多等问题，很难将目标分割出来且对噪声敏感。常用的图像边缘检测算法是采用roberts、sobel 、prewitt以及canny等算子来进行边缘检测的。

(1) Roberts 算子边缘检测算法

Roberts 算子是利用掩模结构的模板算子来进行空间卷积运算的一阶微分算子。Roberts算子模板如下：

Roberts 算子的特点是没有平滑和滤波的环节，它直接通过差分计算来寻找边缘的，因此对细微的噪声比较敏感；

(2) Sobel算子边缘检测算法

Sobel算子模板如下：

Sobel算子是利用掩模结构的模板算子进行空间卷积运算的一阶微分算子。Sobel算子由于增加了中心像点的权值比重，所以比 Roberts 算子具有更好的噪音抑制能力。

(3) Prewitt算子边缘检测算法

Prewitt边缘检测算子是在图像空间上利用水平边缘以及垂直边缘两个方向的模板与图像进行邻域卷积运算来完成[4]。该算子通常由下列公式表示：

Prewitt算子模板如下：

Prewitt算子把灰度值大于或等于阈值的像素点都认为是边缘点，由于许多噪声点的灰度值很大，因此容易造成把噪声点误判定为边缘点，而且容易丢失幅值较小的边缘点。

(4) Canny算子边缘检测算法

Canny算子采用不同方向上的模板对给定图像进行卷积并且获取最优边缘，Canny算子优点是检测精度高，信噪比大，缺点是实时性较差。

Canny算子边缘检测步骤为[5]：

I.高斯滤波

采用高斯函数对要边缘检测的源图像进行去噪滤波，高斯函数为

II.计算滤波后图像的梯度幅值和方向

采用2X2邻域内的一阶偏导求图像的梯度和方向：

III.对梯度幅值进行非极大值抑制，把梯度中非极大值点置零得到细化的边缘

IV.用双阈值法检测和连接边缘

采用高、低阈值对经非极大值抑制后的结果进行检测，得到两个阈值边缘图像Th和Tl，将梯度幅值大于Th的点认为是边缘点，将梯度幅值小于Tl的点认为不是边缘点，用Tl来连接边缘。

2.2.3 区域分割法

区域生长的基本思想是：检查它的近邻，判断它们是否具有相似性，把相似的近邻归入到一个区域中。这个相似性准则可以是颜色、灰度、纹理或其他特性。该类算法的分割效果虽然好，但运算复杂，实时性差。

2.3 图像特征提取

常用的图像特征有：颜色特征、纹理特征、空间关系特征和形状特征这4种特征。

基于颜色特征的提取方法的优点是具有一定的鲁棒性，其颜色分量特征不受视角的变化和物体的尺寸的影响，缺点是对光照变化比较敏感，不能反映目标的局部特征并且计算比较复杂。

基于纹理特征的提取方法的优点是对噪声有一定的鲁棒性，缺点是可能会受图像分辨率的影响，而产生较大的偏差。

基于空间特征的提取方法的优点是可加强区分图像的内容和描述能力，缺点是对图像的旋转以及缩放等变化都比较敏感。

基于形状特征的提取方法的优点是比较有效的运用于感兴趣目标的识别，缺点是识别结果受到目标的形状影响较大，当产生变形或者变形不太明显时候偏差较大。

2.4 目标识别

目前国内外目标识别的方法主要有:基于经典的统计识别方法、基于知识的目标识别方法、基于模型的统计识别方法、基于信息融合的目标识别方法、基于统计学习的目标识别方法等5种目标识别方法[6]。

2.4.1 基于经典的统计识别方法

该方法对大量样本进行训练，统计观察目标特性的分布情况，在模式空间距离中，利用特征匹配分类技术对场景定义域内目标进行识别。这种方法在复杂背景下或目标发生变化时，无法正确识别目标。

2.4.2 基于知识的目标识别方法

该方法主要对可供利用的知识源辨别、适用新场景时知识的有效组织和验证、规则的理解和明确表达。领域知识的组合和处理能力决定着识别算法的性能。

2.4.3 基于模型的统计识别方法

该方法利用目标、环境、背景和传感器等模型来对目标进行识别，依据模型特征来匹配实际及预测后的特征。

2.4.4 基于信息融合的目标识别方法

该方法就是融合各种不同功能的传感器来提高系统对复杂场景中的目标识别能力。该目标识别方法目前主要集中在对算法的研究和模型的开发上。

2.4.5 基于统计学习的目标识别方法

该方法通过对大量目标和非目标样本进行学习而得到一些统计特征，依据这些特征建立模型，来识别目标。该方法能够较好地区别样本，鲁棒性较好。

3 仿真实验及分析

图2 目标图像仿真实验

图2是采用加有椒盐噪声的lena图像进行了目标识别实验，图2（a）是叠加了椒盐噪声的lena图像，图2（b）是对加有椒盐噪声的lena图像进行了中值滤波，滤波后不但滤掉了大量的椒盐噪声，而且保留了图像的许多重要细节，图像比较清晰。图2（c）是对中值滤波后的图像进行直方图均衡化，目的是为了增强目标和背景的灰度对比度以及扩大目标与背景之间的灰度差值，以便更容易地检测出图像的边缘细节，图像进行直方图均衡化后，图像明显增强，而且图像的细节更加突出清晰。图2（d）是对加强后的图像采用了基于边缘的图像分割方法获得的图像，获得了比较满意的边缘检测和分割效果。