改進KAZE算法的移動目標檢測*

羅 宇, 黃玉清, 石繁榮

(西南科技大學 信息工程學院, 四川 綿陽 621010)

0 引 言

隨著無人機技術的迅猛發展,被廣泛用于視覺跟蹤、道路監控等重要領域當中。在無人機技術用于目標檢測方面,由于無人機的自由移動,會面臨著未知的監視環境、目標的外觀以及運動發生變化等問題,因此是一個非常具有挑戰性的問題。比較流行的檢測策略[1]是通過提取圖像穩健的特征點和精確配準的方法,將每幀與它的相鄰幀通過單應矩陣校準,以消除攝像機運動的影響,以此來達到分割前景的目的。文獻[2]中采用了FAST(features from accelerated segment test)角點的幀間配準算法,能夠滿足無人機圖像配準的要求,但提取的特征點也包含了很多背景像素；文獻[3]通過SURF特征算法完成了全景圖像的配準,提高了配準算法的穩定性,但只適用于單一場景下的靜態圖像配準；文獻[4]中采用了基于改進KAZE算法完成了航拍圖像的配準,但依然不能有效分割出前景區域。KAZE算法雖說在光照、旋轉、尺度等方面具有不變性[5,6],但特征提取速度較慢,直接用于移動目標檢測效果較差。

本文通過重新定義KAZE算法在求解非線性尺度空間的迭代步長以及計算相鄰幀之間特征點的位移用于背景的消除,提高了特征提取速度以及匹配正確率。用于無人機航拍圖像中進行移動目標檢測時,同樣取得了良好的效果。

1 KAZE算法

KAZE算法是一種基于多尺度檢測和非線性尺度空間描述的算法[4,6,7]。

1)計算非線性尺度空間。對尺度空間采用對數離散化,內嵌到一系列的金字塔O與子空間S中,并將它們的索引向量(o,s)映射到相應的尺度空間σ中

式中σ0為基本尺度空間層數,N為高斯濾波后的圖像,o∈[0,…,O-1],s∈[0,…,S-1],i∈[0,…,N]。

2)構造非線性尺度空間。在迭代時間集合ti中,利用可變傳導擴散方法和加性算子分裂(additive operator splitting,AOS)算法以迭代方式構建的非線性尺度空間

3)特征點檢測與定位。計算歸一化后多尺度Hessian矩陣的響應即為特征點位置和對應尺度

式中σ為尺度參數σi的整數值,Nxx,Nyy,Nxy均為N的二階導數。最后利用尺度空間函數的泰勒展開式并求解得到特征點精確位置以及亞像素坐標解

4)確定特征點主方向。以特征點為中心,半徑為6σi,采樣步長為σi,對搜索區域內所有鄰點的一階微分N(x),N(y)進行高斯加權,并在角度為60°的滑動扇形窗口中疊加點集中的向量,對整個圓形區域進行遍歷,以獲得最長向量,該向量對應的角度即為特征點主方向。

5)構造特征向量描述符。確定特征向量主方向之后,采用M-SURF描述子對尺度參數為σi的特征點作為中心,對其梯度圖像上取24σi×24σi的窗口劃分為大小9σi×9σi的4×4個子區域,相鄰子區域有交疊且寬度為2σi,使用的高斯核對每個劃分區域進行加權,得到長度為4的子區域描述量dv為

dv=(∑Nx,∑Ny,∑|Nx|,∑|Ny|)

(5)

然后,使用尺寸為4×4的σ2=1.5σi高斯核對每一個子區域的dv進行加權與歸一化處理。最終,特征點由一個64維的特征矢量進行表示。

6)特征向量的匹配。特征向量的匹配計算兩個特征描述向量的相似性來判定的,KAZE算法通過計算其歐氏距離對其進行匹配計算

式中 (x1,y1)和(x2,y2)為兩特征向量的坐標。

2 KAZE算法的改進與目標檢測

2.1 加速非線性尺度空間求解

針對原有算法中求解非線性尺度空間的式(2),需要在每一個迭代步長Δtn=ti+1-ti上求解,會耗費大量的時間。通過文獻[8]提出的快速顯示算法對迭代步長進行了修正

式中 Δtmax為最大迭代步長,i為迭代步長集合。并且對于所有修正的Δt′n而言,求和以后結果為

上式說明了對于任意的Δt′n而言,迭代運算過程都是收斂的,再由式(7)得出對迭代步長重新修正后取得最小值為Δt′n=Δtmax/2仍然是收斂的。通過減少迭代求解時的步長,達到加速了非線性尺度空間的求解過程,相應地提高了KAZE特征提取的速度。為了驗證改進迭代步長能加速特征提取速度的有效性,對圖1所示的無人機航拍圖片進行了KAZE特征提取速度的比較,其計算結果如表1所示。

圖1 無人機圖像(編號為:1,2,3,4)

ms

由上述表中結果看出,提取到的特征點數相同情況下,改進迭代步長以后,特征點提取速度在原有算法的基礎上有明顯的提升,說明了修正以后的迭代步長加速了非線性尺度空間的求解。

2.2 目標檢測

傳統的KAZE算法用于移動目標的檢測時,通過相鄰兩幀之間的特征點采用式(6)進行匹配,來達到分割背景和前景的目的。由于無人機航拍圖像中,目標和攝像頭存在相對運動,直接進行特征匹配時會存在著大量背景像素區域。因此,在特征匹配之前,通過估計特征點在下幀中的位移[9],使得特征點能夠保留在下一幀相應的位置來達到兩幀之間背景變化的估計,能更加有效地分割出前景目標。特征位移矢量解

表2 匹配正確率比較

表2中匹配正確率表述為R=Mc/Qc,式中Mc為正確匹配對數,Qc為特征提取對數。該式客觀的反映了特征點匹配的正確率,其值越大說明匹配正確率越高。通過表中數據可知,引入兩幀之間特征點位移的估計以后,特征匹配正確率也有所上升。為了進一步驗證引入式(9)以后背景估計的有效性和前景檢測效果,將特征點用于背景估計與原有KAZE算法進行了比較,實驗結果如圖2所示。

圖2 背景估計效果

圖2從上往下為KAZE算法與本文算法,可以看出對特征點的位移估計以后,背景消去效果有顯著提升,剔除了冗余的背景區域。再對背景消除以后的差分圖像進行操作

式中T為閾值,N(x,y)為圖像像素點。

圖3 目標檢測效果

圖3中將目標檢測效果與原有算法進行了對比,可以看出本文算法背景估計效果好于原有算法,目標檢測效果圖中,不存在背景區域,提高了前景分割效果。

3 結束語

針對KAZE算法特征提取速度耗時以及移動目標檢測用于無人機場景下魯棒性差的問題,本文提出了一種改進KAZE算法的移動目標檢測算法,并與原KAZE算法進行了對比。將原算法中非線性尺度空間求解的迭代步長修正為原來的50%,加速了求解過程,使特征提取速度提升了9.3 %；在特征匹配階段計算特征點在相鄰幀的位移用于背景估計后,使匹配正確率提升了1.6 %。在無人機場景下的移動目標檢測中,本文算法在原算法基礎上剔除了大量背景像素區域,使得目標分割效果顯著,說明本文算法更適用于無人機場景下移動目標的檢測。