一種基于運動模板的障礙物檢測算法

匡 佩

同濟大學軟件學院，上海 201804

1 概述

目前，基于視覺的障礙物檢測方法主要分三類。第一類是從單幅圖像中提取特征信息，并與數據庫中信息比較，從而感知是否有障礙物。第二類是利用運動信息提取障礙物，其中最流行的方法是基于光流的障礙物檢測。該類方法對于障礙物運動時有顯著的檢測效果，但是當障礙物太小或靜止時將會失敗。另外，光流法需處理大量的數據，實時性受到影響。第三類是利用立體視覺方式提取障礙物，類似三維重建，運算量大，通常需要專用的硬件。[1]

本文提出一種基于運動模板的障礙物檢測算法，屬于第二類方法，但是采用基于運動模板的歷史運動信息來檢測障礙物，有效解決了實時性問題，且不管是動態還是靜態障礙物，只要相對于盲人有運動，就可將該障礙物檢測出來。

2 運動模板

運動模板（Motion Template）是由MIT媒體實驗室的Bobick和Davis提出的[2]。運動模板是一種有效的跟蹤普通運動的方法，尤其可應用在姿態識別中。運用運動模板需要知道物體的輪廓（或者輪廓的一部分，此處輪廓指實心輪廓），而輪廓的獲取有不同的方法。我們采用幀間差分得到物體的運動邊緣，既簡單，也便于計算，而準確度也不受太大影響。

3 基于運動模板的障礙物檢測算法

本算法根據運動模板的模型提取運動目標的整體運動方向，共需要兩個線程同步處理。一個線程計算圖像數據，獲取MHI，判斷從攝像頭獲取的每幀中是否含有障礙物，另一個線程計時并統計單位時間內檢測到的障礙物數，若超過閾值，則報警。總算法流程表述如下：

線程1，計時統計線程：統計每秒內出現在圖像正前方區域的障礙物次數count，若在1s內檢測到的障礙物次數超過閾值，則報警，提醒盲人做出正確避讓。

線程2，圖像處理線程。應用幀間差分法獲取相鄰兩幀間的差分圖像；

1）對差分圖像做二值化處理，同時對圖像進行降噪，以消除路面紋理等噪聲，求取運動目標的輪廓圖像；

2）由輪廓圖像更新序列運動歷史圖像MHI；

3）選取3*3的Sobel模板和MHI卷積計算得到每一個坐標點的局部梯度方向；

4）針對MHI圖像作運動分割，得到各運動部分的序列圖像；

5）針對所有運動部分的序列圖像，做以下循環：

（1）針對整幅圖像判斷運動區域的大小，選取最大的運動目標，該步驟也會濾去部分強噪聲；

（2）計算該運動目標的全局運動方向；

（3）確定運動目標的中心點并在圖像中繪出其全局運動方向；

（4）若運動目標的中心點在圖像的正前方區域則認為該幀圖像中存在妨礙盲人正常行走的障礙物，該秒內障礙物count數加1。轉到步驟1執行，直至視頻流結束或算法退出。

4 實驗結果

為驗證本算法的效果，我們在以下硬件平臺上測試：Intel Atom N5401.66GHz處理器，2G內存，Intel GMA 3150顯卡。軟件借助Intel開源包OpenCV進行開發[3]。

圖1中，圓心位置為運動物體中心點，從圓心位置指出來的半徑為物體相對盲人的運動方向。根據該方向為盲人具體往什么方向避障提供了參考。

圖1 運動模板檢測結果

圖2為一段序列圖像中處理結果選取。其中圖2(A)中，障礙物剛進入鏡頭在圖2(B)中，障礙物在1s內出現次數超過閾值，則向盲人報警。盲人根據提示，向左避讓，故圖2(C)中障礙物相對盲人向右移動。圖2(D)中，由于檢測到的運動物體未在圖像敏感區域，無需報警。

由于該方法是針對盲人出行使用，所以路面紋理和光線對該方法有很大的影響。在柏油路面中，會將人行道等道路線誤認為是障礙物。實驗結果表明，在不同天氣情況下水泥路面障礙物識別準確率接近100%。水泥和柏油路面比混合路面準確率高。夜間由于光線較暗，準確度大大下降。

在實時采集圖像過程中，受攝像頭影響，障礙物檢測能達到是15幀/s～16幀/s。在讀取視頻文件進行處理時，處理幀速能達到36幀/s～40幀/s，完全達到實時性要求。

圖2 序列圖像處理部分過程

5 結論

本文針對運動模板能夠檢測與跟蹤運動物體的特點，提出了一種基于運動模板的障礙物檢測算法。經過實驗，該算法在運行速度上達到了實時的效果，同時，相比于傳統基于視覺的方法，本文中方法減弱了地面紋理對系統準確性的影響，使系統魯棒性得到了提高。但是，畢竟該系統是基于視覺的系統，晚上使用時效果不佳，在地面紋理過于復雜的時候，系統準確性也受到影響，這將作為今后研究的重點。

[1]BERTOZZI M., GOLD A.A parallel real-time stetro vision system for generic obstacle and lane detection.IEEE Transactions on Image Processing, 1998, 7(1): 62-81.

[2]G.Bradski, J.Davis.Motion Segmentation and Pose Recognition with Motion History Gradients.MACHINE VISION AND APPLICATIONS, 2002, 13：174-184.

[3]G.Bradski, A.Kaebler.Learning OpenCV.O’REILLY Press.2008：340-362.