杨 洁，刘海民，叶晶晶
（黔南民族师范学院 物理与电子科学学院，贵州 都匀 558000）
摘 要：针对行车辅助驾驶系统在进行动态障碍物检测时遇到的背景复杂和实时性要求，提出了一种基于快速鲁棒的动态目标假设检测算法，算法首先采用相邻帧间特征点位置估计改进SIFT匹配算子，实现全局背景运动补偿参数快速估计，然后利用三帧差分法对图像处理后，通过改进背景方差估计，改善传统假设检验方法对图像边缘目标漏检的问题，进一步提高动态目标检测的准确性。实验表明，算法不仅保持了SIFT算子的优越性能，提高了参数估计精确性，而且极大地提高了特征配准和检测速度，满足系统的实时性要求。
关键词：全局背景运动补偿；改进SIFT算法；假设检验；帧间位置估计；三帧差分法
利用计算机视觉方法获得车前视景图像进而识别其中的动态障碍物以便有效避障对于行车辅助驾驶系统具有重要应用价值，但行车中，车速的变化、天气多变及开放的行车环境对障碍物检测的鲁棒性提出很高的要求，同时摄像机随车体运行，运动背景下动态障碍物的检测进一步增加算法的难度。帧间差分法用连续的二帧或者三帧图像逐像素差分消除背景的影响，对光线等环境因素有较强的适应性，其进行动态障碍物检测时通常分为背景全局运动补偿和在补偿基础上的目标检测，文献[1]从理论上分析了全局背景补偿对帧间差分的重要性，其补偿参数值直接影响帧间背景的配准精度及最终目标检测效果。
为此，文献[2]采用图像灰度编码方法实现快速匹配；文献[3]采用固定阈值去除外点以提高参数估计的精度；Albu提取残差均值代替固定阈值对Raath方法进行改进，但不能准确地估计全局运动参数；刘佳等人多分辨率小波变换和积分图像剔除SIFT算子由于空间相似性而出现的误匹配点，从而提高匹配精度；文献[4]利用主成分分析对SIFT算法改进，但需要先验知识，否则会增加计算量，且投影矩阵输入图像有限制。文献[5]充分利用全局信息来减少误匹配，对局部相似造成的错误配准效果明显，但计算较复杂，且丢失SIFT算子的尺度不变性。
在前人的研究基础上，提出基于改进SIFT算子背景补偿和改进假设检验方法的目标检测方法，算法通过帧间特征点位置估计改进SIFT算子，提高参数估计的实时性，通过改进假设检验方法提高动态目标的检测准确性，实验验证了算法的有效性。
文献[6]特征点对图像的旋转、尺度缩放以及光照变化具有较好的稳定性，对目标的运动、遮挡、噪声等因素也有很好的鲁棒性，但其128维描述符和特征点配准策略，速度较慢，虽然出现了SURF、ASIFT等改进算法，但其实时性和稳定性不满足要求[7]。首先采用小波多分辨率分析和图像分块方法保持参与匹配的特征点数及其分布的稳定，其次采用帧间特征点位置估计策略，在提高配准精度的同时，满足实时性要求。
2.1 小波变换均衡特征点数
图像中的高频成分较多的为噪声和边缘，小波多分辨率分析去除这些高频成分可以减少边缘点对计算SIFT算子的影响。对图像进行小波分解形成多分辨率图像层，首先对低分辨率图像进行分块并提取块中的SIFT特征点，如果当前分辨率下块中特征点数达到预设阈值，则该图像块不再提取特征点，否则，则将高一层分辨率图像也用于特征点提取，以达到点数阈值。这样处理的优势首先在于当车前图像背景复杂时，低分辨率图像减少每次参与匹配的像素点，而背景相对简单时，高分辨率图像保证足够特征点，从而保持特征点数量的稳定；其次图像分块可以避免特征点密集部分对全局背景补偿影响偏大。
2.2 多层窗口对特征点描述符降维
根据文献[8]方法，采用的邻域窗口计算每一个SIFT特征点描述符，描述符窗口以中央黑色点表示的特征点为中心，以两个像素的宽度为一层，建立四层邻域，以增强距离近像素点对特征描述符的贡献，如图1所示。
图 1特征描述符计算邻域
Fig.1 Neighborhood for Calculating Feature Descriptor
特征描述符的计算以45°为间隔对图1空间均分为8个子区域，累加每层梯度值形成（4×8）=32维特征描述向量，累加像素的灰度值并归一化以减少光照的影响。兼顾向量降维和反映邻域像素的距离贡献特性，因而对特征点的描述更准确。
则最终计算得到的32维描述符向量为：
Fi兼顾向量降维和反映邻域像素的距离贡献特性，因而对特征点的描述更准确。
2.3 基于位置估计的快速特征点配准
车载摄像机视频两帧图像间隔时间内，车辆的行进及外界环境的变化不会带来相邻帧间行车背景的大幅变化，可以使用前一帧的全局背景补偿参数对当前帧特征点的一下帧图像中的配准点位置进行粗略估计，从而减少配准点的搜索范围，缩小配准时间。
2.3.1 基于仿射变换的全局运动参数估计
采用仿射参数模型估计全局背景运动补偿的参数，其计算相对简单，对摄像机运动相对较小情况较适合，而行车过程中相邻两帧图像通常时间间隔较少，图像的背景信息变化不大，因此适于使用仿射参数模型。设当前帧图像中特征点（x′，y′）变换到下一帧图像中的匹配特征点（x，y）的仿射变换关系为：
式中：γ—缩放因子；θ—旋转角；（c，d）—图像平移量，相邻帧特征点配准后，利用得到的特征点对 fn=｛（x′n，y′n）（xn，yn）｝，根据式（3）建立超定方程组，可以求解摄像机的变化参数，实现对背景的补偿。
2.3.2 基于位置估计的快速特征点配准
基于位置估计的特征点配准过程为：
步骤1，将当前帧图像划分为相互不重叠的矩形块，并根据预设阈值计算相邻两帧图像SIFT特征点及其描述符；
步骤 2，对当前帧特征点（x′，y′），利用上一帧图像的全局运动参数和式（3）计算其在下一帧图像中的预估位置（x′′，y′′），然后以为（x′′，y′′）中心，搜索圆形邻域范围内满足式（4）的特征点（x，y）即为（x′，y′）配准点。
步骤3，当出现多对一的情况时，首先判断特征点与其邻域特征点的位置关系在当前帧图像和下一帧图像中是否一致，然后按式（5）计算的相关系数最大的特征点进行配准。
式中：x（n）、y（n）—待配准描述符。
采用三帧差法并经自适应阈值分割和形态学处理降噪后，图像噪声和目标分别服从N～（0，σ21）和 N～（0，σ22）的高斯正态分布[9]，而目标区域的方差要明显大于噪声及背景区域的方差。为此，以大小为n的观察窗口取样构建假设检验：H0表示背景区域,即窗口方差 σ22近似于背景方差 σ21，而 H1则为 σ22＞σ21的目标区域。
由于方差未知，设S21和S22分别是σ21和 σ22的估计值，则S21/σ21～ χ21（n1-1）和 S22/σ22～ χ21（n2-1），从而有：
式中：n1和n2—样本数。设定置信度为α,则若式（7）成立则拒绝
假设H0，否则接受H0。
文献[9]采用假设检测方法取得较好的目标检测效果，但由于待检测目标主要集中在中间区域，因而选定距边界10个像素宽的区域作为背景区域可以取得较好的检测效果，但在行车视频图像中，目标可以出现在图像中的任何区域，采用边界像素计算背景方差并不准确，为此本文采用配准特征点对做为种子点，以种子点的邻域计算背景方差。由于目标仅占有较少的配准特征点或者多目标时各目标运动参数不一致，因而图像配准后的特征点对主要为背景区域的特征点，以这些特征点的领域计算方差可以将更准确的估计背景方差σ21。以每个像素点为中心，计算判断窗口内的σx，根据式（7）检测目标像素点并通过形态学运算和连通性检测可检测出最终的动态障碍物目标。
在 Intel Core i5-6500M CPU、3.2GHz、16G RAM 环境下利用OPenCV 2.4库和C++进行仿真实验，图像分块大小为45个像素宽度，置信度为10-2，窗口大小5个像素。
4.1 算法性能对比实验
实验采用三种方法进行对比，方法一为传统的SIFT方法和假设检验方法进行目标检测[10]，简记为SIFT-HT；方法二采用本文改进SIFT方法和未改进假设检验方法，简记为ISIFT-HT；方法三为文中方法，记为ISIFT-IHT。两种不同背景下目标检测结果，如图2所示。其中图2（a）为目标检测结果（一种颜色为算法检测目标区域，另一种颜色为SIFT-HT方法检测目标区域），图2（b）～图2（c）为帧差图像，可以看出，算法能正确检测动态目标，并尽可能消除了背景干扰的影响，这主要是因为图像分块使配准的特征点分布较均匀，而传统SIFT算法易在相似背景区域误配准；从第二列图像结果可以看出，当图像中目标分布在边界部分时，原假设检验方法[9]会出现漏检，而方法通过改进背景方差计算方法，较好的检测出图像中的动态目标。
图2 不同背景和目标分布下四种方法动态目标检测结果
Fig.2 Target Detection Results Under Different Background and Target Distribution
4.2 算法运行效率对比实验
实验中取图2所示的背景相对简单和复杂的两组视频图像（分辨率（1024×776）），每帧图像进行50次运算并取平均值，三种算法实验结果，如表1所示。从表中特征点对可以看出，本文方法在简单背景和复杂背景下，通过小波多分辨率分析和图像分块配准特征点对数约束，取得稳定的特征点数目和点对；从算法总耗时可以看出，算法通过特征点对数约束和位置估计，极大的减少了算法的运行时间。从两类对比实验结果可以看出，方法在提高传统SIFT方法性能的同时，实现了算法的快速解算，满足系统对算法实时性要求。
表1 对比实验目标检测结果
Tab.1 Target Detection Results of the Contrast Experiments
性能测试 特征点数 配准对数 总耗时（m s）简单背景S I F T-H T 9 7 5 2 8 5 1 0 6 7.3 6 I S I F T-H T 1 7 6 5 5 3 5.6 8 I S I F T-I H T 1 7 6 5 3 3 5.5 5复杂背景I S I F T-H T 2 0 5 5 9 3 6.2 1 S I F T-H T 1 6 0 4 3 7 1 1 5 1 4.7 6 I S I F T-I H T 2 0 5 5 9 3 6.1 9
为解决行车辅助驾驶系统进行自动障碍物检测时面临的复杂多变背景和实时性要求，提出一种基于改进SIFT算子和改进假设检验的动态目标实时检测算法，算法在保持SIFT算子的各种良好性能的同时通过特征点和点对数量约束及相邻帧位置估计提高了全局背景补偿参数的估计速度，通过改进背景区域方差计算方法提高目标检测性能，实验结果进一步验证算法的有效性。
参考文献
［1］游安清，程义民.基于背景运动补偿的红外目标运动分析［J］.强激光与粒子束，2003，15（5）：431-434.（You An-qing，Cheng Yi-min.Motion analysis and tracking infrared target based on compensation with background movement［J］.High Power laser and particle Beams，2003，15（5）：431-434.）
［2］李强，张钹.一种基于图像灰度的快速匹配算法［J］.软件学报，2006，17（2）：216-222.（Li Qiang，Zhang Bo.A fast matching algorithm based on image gray value［J］.Journal of Software，2006，17（2）：216-222.）
［3］RAATH G B，MAKUR A.Iterative least squares and compression based estimations for a four-parameter linear global motion model and global motion compensation［J］.IEEE Transactions on Circuits and Systems for Video Technology，2005，9（7）：1075-1099．
［4］YE K，SUKTANKAR R.PCA-SIFT：A More Distinctive Representation for Local ImageDescriptors［C］.ProceedingsConference Computer Vision and Pattern Recognition，2004：511-517．
［5］MORTENSEN E N，DENG H，SHAPIRO L.A SIFT Descriptor with Global Context［C］.Proc.of CVPR'05.SanDiego，California，USA：IEEE Press，2005.
［6］LOWE D G.Distinctive Image Features from Scale-Invariant Key points［J］.The International Journal of Computer Vision，2004，60（2）：91-110.
［7］霍良青，张奇峰，张竺英.基于单目视觉的水下目标三维信息重建方法研究［J］.机械设计与制造，2012（7）：136-138.（Huo Liang-qing，Zhang Qi-feng，Zhang Zhu-ying.Research on 3D information reconstruction of underwater target based on monocular vision［J］.Machinery Designamp;manufacture，2012（7）：136-138.）
［8］刘佳，傅卫平，王雯.基于改进SIFT算法的图像匹配［J］.仪器仪表学报，2013，34（5）：1107-1112.（Liu Jia，Fu Wei-ping，Wang Wen.Image matching based on improved SIFT algorithm［J］.Chinese Journal of scientific Instrument，2013，34（5）：1107-1112.）
［9］赖作镁，王敬儒，张启衡.背景运动补偿和假设检验的目标检测算法［J］.光学精密工程，2007，15（1）：112-116.（Lai Zuo-mei，Wang Jing-ru，Zhang Qi-heng.Object detection algorithm based on background motion compensation and hypothesis test［J］.Optics and Precision Engineering，2007，15（1）：112-116.）
［10］GAO T，LI G，LIAN S.Tracking Video Objects with Feature points-based Particle Filtering［J］.Multimedia Tools Applications，2012，58（1）：1-21．
Detection of Moving Targets in Auxiliary Driving System Based on Improved SIFT Descriptor
YANG Jie，LIU Hai-min，YE Jing-jing
（College of Physics and Electronics，Qiannan Normal University for Nationalities，Guizhou Duyun 558000，China）
Abstract：In view of the complex background and real time requirement of the dynamic target detection of the vehicle driving system，a fast robust target detection algorithm is proposed.Firstly，the position estimation of feature points between adjacent frames are used to improve the SIFT method to achieve fast parameter estimation for global background motion compensation.And then，by improving the background variance estimation in the three frame difference image，the moving targets closing to the edge of the image can be detected exactly which will be missed in the traditional Hypothesis Testing method.Experimental results demonstrate that not only the superior performance of the SIFT operator is maintained，and the accuracy of parameter estimation is improved in the proposed algorithm，but also the speech of the feature points matching and targets detection is improved greatly，meeting the real-time requirements of the system.
Key Words：GlobalBackgroundMotionCompensation；ImprovedSIFTMethod；HypothesisTesting；Estimationof Feature Points between Adjacent Frames；Three Frame Difference
中图分类号：TH16
文献标识码：A
文章编号：1001-3997（2017）11-0270-03
来稿日期：2017-05-13
基金项目：贵州省科学技术基金项目（黔科合LH[2014]7434），贵州省教育厅产学研基地（黔教合KY字[2013]136）
作者简介：杨 洁，（1977-），女，贵州兴仁人，硕士研究生，副教授，主要研究方向：电子技术
刘海民，（1958-），男，江西赣州人，本科，副教授，主要研究方向：电子技术
联系客服
