基于運動信息的車輛目標姿態(tài)估計

曹　霞，吳　玲，王　波

(1.武漢晴川學院,湖北　武漢　430064；2.華中師范大學, 湖北　武漢　430079)

基于運動信息的車輛目標姿態(tài)估計

曹霞1，吳玲2，王波1

(1.武漢晴川學院,湖北武漢430064；2.華中師范大學, 湖北武漢430079)

對車輛目標而言,預先對目標圖像的運動方位角估計，能提高整個車輛目標識別和分類系統(tǒng)的效率。對常用的主軸分析方法進行比較，為了降低方位角度估計的誤差，提出采用基于局部特征的運動方向提取方法對車輛運動姿態(tài)進行估計。該方法首先基于全局運動補償后的圖像，在目標區(qū)域提取強響應(yīng)角點，然后在目標區(qū)域范圍采用KLT算法進行局部特征跟蹤，通過點運動估計車輛目標運動方位角.實驗結(jié)果顯示，所提方法能較準確地估計運動目標的姿態(tài)，對目標方位角估計的誤差明顯低于上述多種主軸分析方法。

主軸分析；KLT算法;運動估計；目標識別

自動目標識別在威脅評估、打擊目標選擇和打擊效果分析中占據(jù)著重要位置，是目標圖像解譯的重要環(huán)節(jié)。由于目標成像結(jié)果對目標方位角變化的高度敏感性，對于每一類特定的目標而言，基于模板的目標識別方法，必須包括目標不同角度的大量模板庫；基于模型的識別方法，必須針對數(shù)據(jù)庫中的目標概念模型計算每個角度的目標圖像，若能預先計算目標的具體方位角，將能有效降低模板庫搜索時間和計算目標預測圖像的次數(shù)，從而有效地提高整個自動目標識別系統(tǒng)的效率。因此，目標圖像方位角估計是自動目標識別研究中的一個非常重要的課題[1-3]。

通過運動目標檢測可以獲得目標的位置描述，對車輛目標而言，目標的運動方向、幾何主軸、車型等信息對目標識別和分類至關(guān)重要。車輛目標的姿態(tài)估計，可以借助目標掩膜、邊緣、局部特征等信息，大致可分為基于幾何描述的方法和基于運動信息的方法。

本文采用基于局部特征的運動方向提取方法對車輛運動姿態(tài)進行估計，并同常用的主軸分析方法進行了比較，實驗結(jié)果表明本文所提出的方法能較正確地估計車輛運動目標的姿態(tài)。

1　基于PCA的主軸分析

主成分分析PCA是一種常用的數(shù)據(jù)分析方法[4-5]。它通過線性變換，將原始數(shù)據(jù)的主要信息保存為一組最優(yōu)的單位正交向量的加權(quán)組合，并使得變換后的數(shù)據(jù)和原始數(shù)據(jù)的均方差誤差最小。PCA在保留原始數(shù)據(jù)的大部分特征的同時，去除了數(shù)據(jù)之間的相關(guān)性。它可用于提取數(shù)據(jù)的主要特征分量，并常用于高維數(shù)據(jù)的降維處理。

采用PCA算法進行幾何主軸的估計[6]，就是在二維平面內(nèi)分析目標區(qū)域的主方向，這樣就將幾何問題轉(zhuǎn)化為數(shù)據(jù)分析問題。尋找數(shù)據(jù)的主軸方向，等價于尋找一個新的坐標系，使得原坐標系數(shù)據(jù)投影到新的坐標系時仍能較好的反應(yīng)原來數(shù)據(jù)的實際分布情況。這里坐標系的維數(shù)可以比原坐標系維數(shù)低，而這個投影的過程就可以理解為降維的過程。如圖1所示，黑色圓點代表在二維平面的一些數(shù)據(jù)點，把這些點投影到直線AB上時仍能代表數(shù)據(jù)在原來直角坐標平面內(nèi)的分布情況，因此直線AB就是數(shù)據(jù)分布的主軸方向。

圖1　PCA在二維平面尋找數(shù)據(jù)主軸示意圖

2　基于RANSAC的主軸分析

利用RANSAC擬合直線時[7]，先假設(shè)變換模型，然后隨機抽樣，不斷迭代，計算符合該模型的最大一致集。如圖2(a)所示黑色圓點代表二維平面空間分散的一些數(shù)據(jù)點，假設(shè)它們服從一次函數(shù)模型，那么利用RANSAC擬合出來的直線希望是僅用虛線內(nèi)的圓點數(shù)據(jù)計算出來的模型，如右圖(b)中直線。右圖(b)中虛線內(nèi)圓點代表的就是內(nèi)點，而虛線外部圓點代表的是外點。

圖2　RANSAC算法擬合直線

3　基于Hough的主軸分析

霍夫變換[8-9](Hough)可以有效地檢測具有某種特定幾何形狀的物體，它通過一種投票思想來檢測直線、圓、橢圓等?；舴蜃儞Q通過將一個坐標系空間的具有特定幾何形狀的物體轉(zhuǎn)化成另一個空間里面的點峰值，通過統(tǒng)計峰值情況推測幾何圖形。

運用霍夫變換提取目標主軸，是在“車輛目標符合近似長方形形狀的物理模型”假設(shè)前提下進行的。實驗中的主要思想是：通過霍夫變換檢測車輛目標邊緣的長邊所在的兩條直線，然后根據(jù)這兩條直線估計目標的主軸方向。圖3(a)為原圖灰度圖，圖3(b)為通過霍夫變換對車輛目標圖像檢測到直線的理想情況，圖中兩條虛線為理想中的檢測到的直線，利用這兩條直線信息可以粗略估計目標主軸線如右圖兩條虛線中間的直線。

圖3　霍夫變換檢測直線理想情況

4　基于運動方向的主軸分析

基于運動方向的主軸分析是根據(jù)相鄰幀中目標的位移近似代替目標主軸。假設(shè)t時刻對應(yīng)的圖像幀為，時刻對應(yīng)的圖像幀為，它們之間的運動位移 ，那么有

當Δt很小時，d的方向可以近似等于目標的主軸方向。因此對目標的主軸提取問題可以轉(zhuǎn)化成求取目標的運動位移。由于相鄰幀目標的質(zhì)心位置一般比較穩(wěn)定，可以通過求取前后幀的質(zhì)心坐標，然后相減即可得到運動位移。由于目標提取過程中可能帶來的各種誤差以及噪聲等因素的影響，僅僅通過目標掩膜圖像質(zhì)心來求取運動位移可能不是那么準確。因此，本課題借助局部特征，在目標區(qū)域采用KLT算法進行局部特征跟蹤，通過點運動估計車輛目標運動方向。首先基于全局運動補償后的圖像，在目標區(qū)域采用Good Feature方法[10]提取強響應(yīng)角點，然后在局部范圍進行跟蹤，從而可以計算運動矢量，分析目標的主軸方向。

5　主軸分析實驗比較

本節(jié)實驗中的測試數(shù)據(jù)為VIVID數(shù)據(jù)集egtest01圖像序列中提取出來的6 148幅目標掩膜圖像。由于目標掩膜圖像和對應(yīng)的灰度原圖存在位置偏移，為了方便在灰度原圖上做標記，實驗中的目標掩膜圖像大小統(tǒng)一為90*90像素(尺寸大小足以包圍目標，同時也不帶來無關(guān)干擾)。

(1)各種方法提取出來的主軸對比

如圖4(a)～(c)所示,其中每一行圖像從左到右依次代表同一個目標掩膜圖像分別用PCA、RANSAC、Hough和基于運動方向的方法提取出來的主軸示意圖，圖中直線為各種算法得出來的目標主軸線。

圖4　各種方法提取出來的主軸線對比

(2)誤差偏移角

為了定量的分析各種算法提取目標主軸線的效果，定義誤差偏移角為提取出來的目標主軸線與實際主軸線在圖像坐標系中的傾斜角度之差。實驗過程中，實際主軸線全都是用手工標記的，如圖5 (a)～(c)所示，每一幅灰度原圖對應(yīng)的目標掩膜圖像分別為圖4(a)～(c)。

圖5　手工標記主軸線示意圖

實驗過程中以egtest01圖像序列中提取出來的6148幅目標掩膜圖像為例，通過計算各幅圖像在每種算法下面的誤差偏移角，統(tǒng)計分析范圍為0°～10°，10°～20°，20°～30°，≥30°的圖片個數(shù)如表1所示。

表1　誤差偏移角在各范圍百分比

6　結(jié)論

采用基于局部特征的運動信息的方法對車輛運動姿態(tài)進行估計。借助局部特征，在目標區(qū)域采用KLT算法進行局部特征跟蹤，通過點運動估計車輛目標運動方向。實驗中與多種主軸方法進行了對比，分析表1中的統(tǒng)計數(shù)據(jù)，基于運動方向的方法提取目標主軸線78.53%誤差偏移角為10°以內(nèi)，誤差偏移角超過20°的情況小于3%。實驗數(shù)據(jù)表明所提方法具有較高的精度，能較正確地估計車輛運動目標的姿態(tài)。

[1]劉迪,文貢堅,劉曉明,等.一種快速的SAR車輛目標方位角估計方法[J].現(xiàn)代電子技術(shù),2012,35(19)：37-40．

[2]周琳,計科峰.一種聯(lián)合的SAR目標方位角估計方法[J].計算機仿真,2008,25(8)：27-31．

[3]GAO GUI,HE JUAN,KUANG GANG-YAO,et al. A survey of target’s sorientation estimation in SAR image[J]．Singal Processing，2008，24(3):438-443．

[4]YANG J,ZHANG D,FRANGI A F,et al. Two-dimensional PCA: a new approach to appearance-based face representation and recognition[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2004，26(1)：131-137.

[5]孫宏偉,顧明,孫家廣.基于主分量分析的相關(guān)矢量量化編碼算法[J].計算機輔助設(shè)計與圖形學學報,2005,17(8)：1 662-1 666.

[6]LEE Y S,KOO H S,JEONG C S. Astraight line detection using principal component analysis[J]. Pattern Recognition Letters, 2006, 27(14): 1 744-1 754.

[7]XU M,LU J. Distributed RANSAC for the robust estimation of three-dimensional reconstruction[J].IET Computer Vision, 2012, 6(4): 324-333.

[8]XU MU，WANG XUE-SONG，XIAO SHUN-PING．Target aspet estimationin SAR imagey basedon Hough transform and major axis extraction[J]．Journal of Electronics & Information Technology，2007，29(2) : 370-374．

[9]曾接賢，王斌斌，陳志良.基于距離約束的隨機Hough變換直線檢測算法[J].南昌航空大學學報(自然科學版),2011,25(3)：7-11．

[10]徐牧，王雪松，肖順平. 基于Hough變換與目標主軸提取的SAR圖像目標方位角估計方法[J]．電子與信息學報,2007,29(2)：370-374．

Estimation on Pose of Vehicle Target Based on Moving Information

CAO Xia1, WU Ling2, WANG Bo1

(1.Wuhan Qingchuan University, Wuhan Hubei 430064, China; 2. Central China Normal University, Wuhan Hubei 430079, China)

In terms of the vehicle target, the estimation of moving azimuth of the target image in advance can improve the efficiency of the whole vehicle target recognition and classification system. A variety of spindle methods are compared in this paper, in order to reduce the azimuth angle estimation error, and a motion direction extraction method based on local feature is proposed to estimate the vehicle motion attitude. Based on image after global motion compensation, strong response corners in the target region are extracted, then local feature is tracked by KLT algorithm in the range of the target area, and the moving direction towards target of vehicle is estimated by point movement. The experimental results show that the proposed method is of higher accuracy, and the error of the azimuth estimation of the target is obviously lower than that of the above spindle methods.

spindle analysis; KLT algorithm; motion estimation; target recognition

2016-05-23

曹霞(1982-)，女，湖北武漢人，講師，研究方向：信號處理、通信工程。

TP391

A

1672-1098(2016)06-0066-04