基于單位統(tǒng)計曲率特征匹配的紅外目標(biāo)檢測方法

(武漢理工大學(xué) 物流工程學(xué)院，武漢 430063)

0 引言

目標(biāo)的自動檢測是機器視覺中一項廣泛應(yīng)用的技術(shù)。例如，無人駕駛車輛的避障和道路安全的預(yù)警等。在過去的幾十年中，目標(biāo)檢測技術(shù)得到了普遍的研究。然而，到目前為止，目標(biāo)檢測的各種方法對于復(fù)雜黑暗場景下的目標(biāo)識別效果不佳。例如隧道施工現(xiàn)場，環(huán)境陰暗，浮塵和強光的存在，道路崎嶇不平，導(dǎo)致包含檢測目標(biāo)的紅外圖像的信息存在很多干擾，現(xiàn)有的傳統(tǒng)方法無法對目標(biāo)進行可靠的檢測。

現(xiàn)有的方法實現(xiàn)紅外目標(biāo)的檢測在很大程度上取決于圖像特征，例如邊緣特征、不變特征和統(tǒng)計特征。基于邊緣特征[1]的匹配方法首先提取目標(biāo)的邊緣信息，然后通過倒角距離匹配技術(shù)[2]來匹配目標(biāo)的邊緣，或者轉(zhuǎn)換成其它特征，例如形狀描述符[3]、輪廓描述符[4]或者感知驅(qū)動的圖像特征[5]，雖然采集的圖像經(jīng)過預(yù)處理，但在隧道環(huán)境中待識別的目標(biāo)輪廓較模糊，依然不足以用這些方法準(zhǔn)確識別。基于不變特征的方法主流是對照度和尺度特征的提取。SIFT、SURF和ORB都是基于局部不變特征的經(jīng)典算法，有諸多學(xué)者針對此類算法進行了改進[6-8]，然而，這些經(jīng)典算法很難從一個紅外圖像的目標(biāo)中提取足夠多的關(guān)鍵點。Gray Histogram、Entroy、Unit Entroy、HoG和GIST等[9-12]統(tǒng)計特征方法，可用于表征紅外圖像中的目標(biāo)，然而，Gray Histogram和Entroy僅僅依靠灰度值來檢測目標(biāo)，不包含任何關(guān)于像素位置的信息，這就會導(dǎo)致不同的目標(biāo)可能被標(biāo)識為相同的目標(biāo)的問題。此外，當(dāng)目標(biāo)方向變化時，HoG和GIST不起作用。

實際隧道場景中機器人因自身的運動，獲取的目標(biāo)以及環(huán)境一直處于不斷變化的狀態(tài)下，針對此場景如果依舊使用傳統(tǒng)的基于邊緣、統(tǒng)計等特征的相關(guān)圖像特征匹配算法就會存在一定的局限性。當(dāng)視頻中的目標(biāo)方向和尺度發(fā)生變化，以及采集工具的視角、隧道環(huán)境中的照度等情況發(fā)生變化的情況下，傳統(tǒng)算法無法進行可靠的識別，最終導(dǎo)致目標(biāo)檢測失敗。為此，提出一種圖像的單位統(tǒng)計曲率特征(unit statistical curvature feature，USCF)，該特征比傳統(tǒng)的特征具有更好的表征能力，不受隧道場景各種變化的影響。該方法實現(xiàn)過程為把由平均曲率和高斯曲率構(gòu)成的曲率平面劃分為多個單位，并對每個單位中的像素數(shù)進行計數(shù)，以構(gòu)建USCF矩陣；USCF描述符使用圖像中所有點的灰度值和位置信息，基于每個單位的平均曲率和高斯曲率分布的統(tǒng)計結(jié)果來表示待檢目標(biāo)的圖像特征。

1 單位統(tǒng)計曲率特征匹配算法原理

為了檢測紅外圖像中的目標(biāo)，首先構(gòu)建一個三維坐標(biāo)系Οxyz如圖1所示。其中(x,y,z)代表一個點，z是圖像I中像素(x,y)的灰度值。

圖1 三維坐標(biāo)系示意圖

構(gòu)造如下表達(dá)式(1)的擬合函數(shù)以將Οxyz中的離散點轉(zhuǎn)換為曲面，從而表示出圖像I的灰度值分布趨勢。

z=f(x,y)

(1)

圖2展示了單個目標(biāo)在不同條件下的擬合曲面，目標(biāo)圖像來自ALOI-COL數(shù)據(jù)庫。第一列為原始目標(biāo)，目標(biāo)基本參數(shù)為尺度40×40像素(pixel,px)，初始沿坐標(biāo)系z軸方向旋轉(zhuǎn)角γ為0°，初始照度為250勒克斯(lx)，沿坐標(biāo)系y軸方向旋轉(zhuǎn)角β為0°，后邊列依次只分別改變目標(biāo)的γ角、照度、β角和目標(biāo)尺度各一個條件，可以得到幾個重要的結(jié)論。首先，初始目標(biāo)的擬合曲面與其它條件變化的目標(biāo)的擬合曲面不同，這意味著擬合曲面能用于唯一地表示一個特定目標(biāo)；第二，如圖2所示，在圖像尺度和γ角，照度和β角變化的情況下，目標(biāo)曲面的形狀不變，因此，該方法非常適合隧道場景這種復(fù)雜環(huán)境下的目標(biāo)檢測；第三，曲面的形狀隨著目標(biāo)縮放對目標(biāo)的尺度不敏感，因此，如果能夠提取物體的曲面形狀的穩(wěn)定特征，則可以有效地進行目標(biāo)的識別。

圖2 目標(biāo)在不同條件下的圖像(上)和擬合曲面(下)

曲率不僅可以表示灰度值的分布趨勢，并且能夠描述曲面的局部形狀。因此，本文采用曲率構(gòu)造圖像特征描述符來估計目標(biāo)的相似度。目前主流大多采用梯度來表示圖像的信息，在這種條件下，只需計算目標(biāo)圖像的一階微分，此時目標(biāo)的邊緣能夠突顯，但目標(biāo)的細(xì)節(jié)信息會保留較少。與梯度法相比，曲率法需要計算二階微分，二階微分對灰度值的變化非常敏感，可以更加突出目標(biāo)圖像的紋理結(jié)構(gòu)，因此，曲率法包含更詳細(xì)的目標(biāo)圖像的細(xì)節(jié)信息。此外，梯度法是相對于目標(biāo)的γ角，當(dāng)目標(biāo)γ角變化時顯示的圖像特征不能保持不變，曲率法對于目標(biāo)γ角變化和照度變化時顯示的圖像特征是不變的，因為它僅依賴于曲面的形狀。

曲面的局部形狀可以由兩種曲率唯一而完整地表示：平均曲率和高斯曲率。平均曲率和高斯曲率在表示目標(biāo)的特征時扮演著不同的角色，平均曲率反映曲面的局部形狀特征，高斯曲率反映曲面的凹凸特征。因此，需要將高斯曲率K(x,y,z)與平均曲率H(x,y,z)結(jié)合起來以唯一地表示目標(biāo)的特征描述符。

為了建立目標(biāo)的特征描述，將K(x,y,z)和H(x,y,z)映射到二維坐標(biāo)系OHK，如圖3所示。使用(H,K)代表坐標(biāo)系中的一個點，曲率平面可以反映灰度值分布的變化，倘若像素與其相鄰像素之間的灰度值差異不大，則此像素的高斯曲率和平均曲率的絕對值都應(yīng)該很小。因此，灰度值分布越平滑，越靠近坐標(biāo)系原點的點越多；相反，當(dāng)圖像紋理發(fā)生顯著變化時，與坐標(biāo)系的原點相距越遠(yuǎn)的點越多。通常坐標(biāo)系中的大多數(shù)點都靠近原點，因為平滑區(qū)域占圖像的大部分。

圖3 目標(biāo)的映射描述

每個像素的曲率是基于其鄰域像素計算得出的，因此它對相鄰像素的變化都很敏感；像素的灰度值的變化將影響曲率的值，這意味著目標(biāo)的曲率平面對每個像素的灰度值的波動也很敏感。為了建立穩(wěn)定的目標(biāo)特征并有效地檢測特征，將圖3所示的目標(biāo)的曲率平面劃分為若干個單位區(qū)域，并對每個單位中的像素使用統(tǒng)計信息來生成穩(wěn)定的曲率特征矩陣，即USCF。圖4顯示了目標(biāo)在不同條件下的USCF矩陣，同樣第一列為原始目標(biāo)，目標(biāo)基本參數(shù)同前文交代，這里不再贅述，可以看出不同目標(biāo)的USCF矩陣顯著不同，而相同目標(biāo)在不同條件下具有相似的USCF矩陣。此外，目標(biāo)尺度的變化只影響到每個單元中映射的曲率點的數(shù)量，不會改變曲率點分布的比重。結(jié)果表明，采用基于曲率和統(tǒng)計的方法，即使在不同的外部條件下，也能有效地識別出目標(biāo)。

圖4 目標(biāo)在不同條件下的圖像(上)和USCF矩陣(下)

USCF算法通過同時使用平均曲率和高斯曲率來檢測目標(biāo)，這兩種曲率能精確地定義擬合曲面的局部形狀。應(yīng)用平均曲率和高斯曲率的不同形態(tài)的組合，能夠得到8個基本的局部曲面形狀，如表1所示。8個基本的局部曲面形狀組合可以完全表示具有任意形狀和紋理的圖像目標(biāo)，實際上，USCF矩陣就是這些局部曲面形狀的統(tǒng)計結(jié)果。

表1 局部曲面形狀組合類型

目標(biāo)γ角變化和照度的變化對擬合曲面的形狀影響很小，而β角變化則會影響目標(biāo)圖像的紋理和擬合曲面的形狀。此外，雖然在目標(biāo)尺度變化時擬合曲面的基本形狀可以保持不變，但圖像細(xì)節(jié)紋理結(jié)構(gòu)丟失，會影響USCF算法的檢測精度。不過，輕微的β角變化和尺度變化對大多數(shù)紋理結(jié)構(gòu)的相似性和USCF算法的檢測精度影響不大，除非當(dāng)目標(biāo)尺度縮小很多時，圖像的許多細(xì)節(jié)丟失，這可能導(dǎo)致擬合曲面的匹配失敗。不過在這種情況下，對于不同尺度的目標(biāo)而言，影響擬合曲面形狀的主要關(guān)鍵點將保持相似；相比之下，由于缺少目標(biāo)的關(guān)鍵點，SIFT、SURF和ORB等經(jīng)典算法在目標(biāo)檢測中的檢測準(zhǔn)確率較低。

2 基于USCF匹配算法的實現(xiàn)過程

2.1 算法流程

首先，使用最小二乘法對目標(biāo)圖像的曲面進行擬合；其次，根據(jù)擬合曲面計算出目標(biāo)圖像中各像素的高斯曲率和平均曲率；第三步，建立曲率平面OHK，并根據(jù)曲率分布的密度將其劃分為多個單位區(qū)域；然后，計算每個單位區(qū)域中的點數(shù)來構(gòu)造USCF矩陣；最后，通過計算USCF矩陣之間的歐氏距離得到目標(biāo)的相似性，從而達(dá)到檢測目標(biāo)的結(jié)果，流程如圖5所示。

圖5 USCF匹配算法流程圖

2.2 具體步驟

定義x的P+1項的多項式函數(shù)為φr(x)，其中r=0,1,…,P；定義y的Q+1項的多項式函數(shù)為φs(y)，其中s=0,1,…,Q。

令φr(x)φs(y)為主函數(shù)，{crs}(r=0,1,…,P;s=0,1,…,Q)為未知系數(shù)的集合。可以構(gòu)造一個函數(shù)來表示未知的曲面，如式(2)所示：

(2)

假設(shè)在坐標(biāo)系中有(m+1)×(n+1)個點，點集表示為S={(xi,yj,zij)}，其中i=0,1,…,m，j=0,1,…,n。由于曲面是擬合形成，因此擬合值與實際灰度值之間存在誤差。定義實際灰度值和擬合值之間的平方差的總和，如式(3)所示：

(3)

(4)

其中：r=0,1,…,P；s=0,1,…,Q。

擬合的曲面以矩陣形式表示如下式：

A=[φr(xi)](m+1)×(P+1)

B=[φs(yj)](n+1)×(Q+1)

Z=[zij](m+1)×(n+1)

(5)

將式(5)中的矩陣代入式(4)，可以簡化式(4)來獲得系數(shù)值。最后，可以得到式(6)：

C=(ATA)-1ATZB(BTB)-1

(6)

相應(yīng)地，經(jīng)過上述過程也就初步建立了點集S的擬合曲面f*(x,y)。

基于建立的擬合曲面，計算擬合曲面的曲率。擬合曲面的函數(shù)可以寫為向量方程，如式(7)所示：

(7)

將f*替換為f*(x,y)，可以得到關(guān)于向量t在x和y方向上的一階微分和二階微分，如式(8)所示：

(8)

通過定義曲面的基本形式，能夠得到高斯曲率K和平均曲率H的值，如式(9)所示：

(9)

式中，E，F(xiàn)，G，L，M，N是曲面的第一基本形式和第二基本形式的參數(shù)，它們的值由式(8)的向量計算得出，如式(10)所示：

(10)

將式(9)中的參數(shù)替換為式(10)中的參數(shù)，并與式(8)結(jié)合，可以得到由f*的微分形式表示的高斯曲率K和平均曲率H,如式(11)所示：

(11)

通過式(11)可以根據(jù)圖像的擬合函數(shù)得到目標(biāo)圖像中像素的高斯曲率K和平均曲率H。

獲得坐標(biāo)系OHK中的曲率平面后，就將其劃分為w×v個單元，計算每個單元中的像素數(shù)，生成圖像中目標(biāo)的USCF矩陣。

由于坐標(biāo)系中像素的分布不均勻，因此通過均勻劃分曲率分布區(qū)域而獲得的USCF矩陣是稀疏矩陣，無法唯一地表示圖像中目標(biāo)的細(xì)節(jié)。坐標(biāo)系中的點分布廣泛，但根據(jù)圖3來看，大多數(shù)點都靠近原點。曲率平面的均勻劃分將導(dǎo)致統(tǒng)計特征不均勻，例如，少數(shù)單元包含大多數(shù)點，而其它單元僅包含幾個點，這將導(dǎo)致不同目標(biāo)的USCF矩陣有很大的相似性。因此，需要根據(jù)圖3中曲率坐標(biāo)點的分布密度非均勻地劃分曲率平面，以生成具有數(shù)量一致統(tǒng)計特征的USCF矩陣。圖6給出了在像素大小相同的3個不同的目標(biāo)的曲率平面的均勻劃分和非均勻劃分之間的比較，其中目標(biāo)尺度均為40×40 px，其中圖(b)為均勻劃分的各目標(biāo)分別對應(yīng)的曲率平面，圖(c)為非均勻劃分的結(jié)果，可以看出，當(dāng)均勻劃分曲率平面時，大多數(shù)點散布在幾個單元上，此時不同目標(biāo)的USCF矩陣相似，這會嚴(yán)重影響檢測目標(biāo)的準(zhǔn)確性；非均勻劃分時將點平均分配給所有單元，可以提供足夠的信息來比較不同目標(biāo)的USCF矩陣，從而達(dá)到目標(biāo)檢測的目的。

圖6 不同目標(biāo)曲率平面均勻分區(qū)和非均勻分區(qū)的比較

假設(shè)定義一個目標(biāo)的曲率平面為Area，其表達(dá)式為Area={(H,K)|a

Areaji={(H,K)|Hi-1

(12)

其中:i=0,1,…,w，j=0,1,…,v。

使用count(Areaji)表示曲率坐標(biāo)(H,K)位于Areaji中的像素數(shù)。隨后，可將USCF矩陣定義如下：

D=[count(Areaji)]v×w

(13)

USCF矩陣D反映目標(biāo)曲面的曲率特征，可以使用矩陣D表示曲面擬合的圖像。USCF算法的檢測精度在很大程度上取決于曲率平面的劃分方式，曲率平面劃分的單元越多，保留的圖像目標(biāo)紋理的細(xì)節(jié)就越多。同時，由于單元分區(qū)面積較小，削弱了目標(biāo)的總體特征并且對局部特征的變化更加敏感，因此檢測的結(jié)果容易受到圖像變化的影響；另一方面，曲率平面被劃分的部分?jǐn)?shù)量越少，USCF算法對于圖像變化的抗擾性就越好，但會降低算法的檢測精度。因此，選擇合適的分區(qū)劃分來構(gòu)建矩陣對于成功檢測的結(jié)果尤為重要。

通過計算模板目標(biāo)圖像和候選目標(biāo)圖像的USCF矩陣之間的歐氏距離，判斷檢測目標(biāo)的相似性。定義D[i,j]表示位于矩陣D的第i行和第j列的元素，定義DT和DM分別代表模板目標(biāo)圖像和候選目標(biāo)圖像的USCF矩陣，定義dist為測量DT和DM之間相似度的度量的歐氏距離。通過對結(jié)果的歸一化處理，將矩陣中的每個元素除以矩陣中所有元素的總和，使所有值都在區(qū)間[0,1]之間。應(yīng)用式(14)來計算模板圖像與候選圖像之間的相似度，如果DT=DM，則結(jié)果為零。

(14)

3 USCF匹配算法對比實驗與評價

本文搭建隧道機器人作為實驗平臺，如圖7所示。機器人用于采集視頻和圖像的紅外攝像頭固定在機器人正前部，通過USB串口與機器人內(nèi)倉的工控機進行通信。機器人基座為履帶式差速驅(qū)動的移動平臺，通過內(nèi)置搭載工控機運行程序，實現(xiàn)移動機器人進行棧橋的檢測。本文使用ETH-80數(shù)據(jù)集，ETHZ數(shù)據(jù)集和Ukbench數(shù)據(jù)集中的圖像作為示例目標(biāo)，程序在Windows平臺下編寫，程序開發(fā)環(huán)境為Visual Studio 2013，使用計算機視覺庫OpenCV 3.4.1實現(xiàn)棧橋的檢測，并分別改變目標(biāo)的尺度、γ角、照度、β角多個條件將USCF算法與SIFT，SURF，ORB，Gray Histogram，Entroy，Unit Entroy，GIST，HoG和Hu’s MI九種算法進行對比實驗，通過數(shù)據(jù)集的樣本和隧道實際場景中的棧橋?qū)υ撍惴ǖ臋z測準(zhǔn)確率進行評價。

圖7 機器人實驗平臺

3.1 實驗參數(shù)的選擇

曲面擬合參數(shù)的選擇會影響USCF算法的結(jié)果。當(dāng)計算一個像素的曲率時，用于擬合一個局部曲面的像素周圍的像素越多，得到的曲率值越準(zhǔn)確。現(xiàn)分別在3×3(標(biāo)記為USCF3)和7×7(標(biāo)記為USCF7)領(lǐng)域像素中擬合了一個局部曲面，這樣做是為了比較不同大小的窗口的效果。

對于USCF3，由于擬合曲面的形狀較簡單，可以用低階多項式表示主函數(shù)。定義曲面逼近函數(shù)f3(x,y)如下：

(15)

對于USCF7，擬合曲面的形狀比USCF3復(fù)雜，因此使用更高階的多項式表示主函數(shù)。定義曲面逼近函數(shù)f7(x,y)如下：

(16)

經(jīng)過實驗后，得出大多數(shù)像素的平均曲率H和高斯曲率K分布在(-1 000,1 000)的范圍內(nèi)，根據(jù)經(jīng)驗將分布區(qū)域分別劃分為11個部分和17個部分，每個部分都包含足夠的點以區(qū)分目標(biāo)并消除干擾。使用此分區(qū)，能夠取得較好的檢測精度。分界點表達(dá)式如下給出：

(17)

其中:i=0,1,…,11，j=0,1,…,17。

在實驗中采用最近鄰近似匹配策略，對SIFT，SURF和ORB算法中的候選目標(biāo)和模板目標(biāo)進行至少3個關(guān)鍵點的匹配；對于Entroy算法，模板和候選目標(biāo)圖像之間的熵差的絕對值作為匹配準(zhǔn)則；對于Unit Entroy和HoG算法，每個單位的尺度設(shè)置為5×5 px；直接應(yīng)用Hu’s MI算法對整個圖像進行匹配，使用特征向量的余弦值作為衡量模板目標(biāo)和候選目標(biāo)圖像相似性的指標(biāo)；對于Gray Histogram和GIST算法，使用歐式距離比較它們特征向量的相似性。

3.2 數(shù)據(jù)集目標(biāo)的檢測實驗與分析

在隧道環(huán)境中，目標(biāo)檢測通常是在復(fù)雜的條件下進行的，其中多個變量(包括目標(biāo)尺度及γ角，光照和β角)同時變化，而不是單個變化。本文首先利用ETH-80和ETHZ數(shù)據(jù)集的53個目標(biāo)對算法在復(fù)雜條件下的檢測性能進行測試，參照隧道機器人的行駛速度和采集的棧橋樣本，設(shè)定實驗中使用的目標(biāo)尺度分別為15×15、20×20、25×25、30×30、35×35、40×40、70×70和140×140 px。在這兩個數(shù)據(jù)集中，每個目標(biāo)都處于不同狀態(tài)(例如上下顛倒，β角不定，尺度不一，照度變化)，部分測試圖像如圖8所示。

圖8 測試目標(biāo)圖像示例

圖9給出了實驗后不同算法的檢測性能統(tǒng)計，可以看出，當(dāng)目標(biāo)的尺度在25×25至70×70 px范圍內(nèi)時，USCF3的檢測準(zhǔn)確率超過90%，當(dāng)目標(biāo)尺度為40×40 px時，USCF3算法的檢測準(zhǔn)確率達(dá)到最佳的95%；當(dāng)目標(biāo)的尺度從35×35到140×140 px時，USCF7的檢測準(zhǔn)確率也超過90%。當(dāng)擬合局部曲面時，靠近目標(biāo)圖像邊界的點沒有足夠的鄰域像素來擬合，因此無法計算這些點的曲率。窗口大小越大，丟失的像素信息就越多，USCF7比USCF3丟失更多的像素信息，當(dāng)圖像尺度小于40×40 px時，USCF7丟失了超過30%的像素信息，遠(yuǎn)超過了USCF3的5%。當(dāng)目標(biāo)尺度增加時，由于靠近邊界的點在整個圖像中所占的比例減少，窗口大小的影響也隨之減小。因此，對于采集的距離更遠(yuǎn)的目標(biāo)，USCF3的性能優(yōu)于USCF7，對于距離較近的目標(biāo)，USCF3的表現(xiàn)較USCF7差，但總體而言，USCF算法的檢測性能優(yōu)于其它的9種算法。

圖9 不同算法在復(fù)雜環(huán)境條件下的實驗結(jié)果

如圖9所示，在該實驗中，USCF算法具備最佳的檢測性能。由于Unit Entroy、HoG和GIST算法對目標(biāo)的γ角變化較敏感，因此，Unit Entroy算法的最佳性能僅為當(dāng)目標(biāo)尺度為35×35 px時的75%，而HoG和GIST算法對所有尺度目標(biāo)的檢測準(zhǔn)確率均不超過60%；隨著目標(biāo)尺度從15×15 px增加到140×140 px，Gray Histogram的檢測準(zhǔn)確率從50%增加到72%，這是因為Gray Histogram算法基于灰度值(顏色)分布，目標(biāo)之間的顏色分布差異很大，并且隨著目標(biāo)尺度的增大而變得更大；Hu’s MI算法的最佳檢測準(zhǔn)確率為當(dāng)目標(biāo)尺度為30×30 px時的70%；當(dāng)目標(biāo)尺度為20×20 px時，Entroy算法的檢測準(zhǔn)確率達(dá)到最佳僅為35%；在這種復(fù)雜的條件下，ORB、SIFT和SURF算法的性能相對更差，當(dāng)目標(biāo)尺度為140×140 px時，SIFT和ORB達(dá)到最佳檢測性能，檢測準(zhǔn)確率分別為44%和52%，而當(dāng)目標(biāo)尺度小于35×35 px時，SURF算法無法執(zhí)行有效的檢測，由于本實驗中的樣本選擇均參考隧道內(nèi)的目標(biāo)和環(huán)境的情況，因此使用的很多目標(biāo)只有一個或多個不同界面的顏色塊，應(yīng)用ORB、SIFT和SURF算法，很難從這些色塊中提取關(guān)鍵點，即使在目標(biāo)很大的情況下，這3種算法在本實驗中的效果也不理想。

為了進一步檢驗USCF算法在復(fù)雜環(huán)境條件下的性能，在下面的實驗中使用了目標(biāo)尺度為64×48 px的Ukbench數(shù)據(jù)集。與前文實驗的數(shù)據(jù)集相比，Ukbench數(shù)據(jù)集的目標(biāo)包含更復(fù)雜的特征，例如精細(xì)的紋理，模糊的顏色邊界和更多的背景干擾，從Ukbench數(shù)據(jù)集中選擇的部分測試圖像如圖10所示。

圖10 Ukbench數(shù)據(jù)集中的測試目標(biāo)圖像示例

對于來自Ukbench數(shù)據(jù)集的測試圖像的實驗結(jié)果如表2所示，USCF3在實驗中的測試算法中性能最佳，檢測準(zhǔn)確率為93.6%，USCF7的表現(xiàn)比USCF3差，檢測準(zhǔn)確率為74%，這是因為USCF7使用了更多的相鄰像素來擬合局部曲面，與USCF3相比，該算法具有更高的曲率精度，但更容易受到目標(biāo)圖像變化的影響。在復(fù)雜的環(huán)境中，Hu’s MI、Gray Histogram和Entroy算法幾乎無法進行有效檢測，檢測準(zhǔn)確率不超過23.2%；Unit Entroy、HoG和GIST算法的檢測準(zhǔn)確率不超過80%，Unit Entroy的檢測準(zhǔn)確率僅為56.8%；ORB，SIFT和SURF算法的性能也很差，在3種算法中ORB的性能最佳，但其檢測準(zhǔn)確率最佳也僅能達(dá)為61.6%。實驗結(jié)果表明，USCF可用于檢測復(fù)雜條件下的目標(biāo)，如現(xiàn)實隧道環(huán)境中的目標(biāo)檢測。

表2 使用Ukbench數(shù)據(jù)集測試圖像的實驗結(jié)果

3.3 棧橋檢測實驗與分析

為了評估USCF算法在隧道環(huán)境中的檢測性能，本部分對紅外攝像頭采集的視頻中截取的液壓棧橋圖像進行了在背景干擾、棧橋尺度和γ角變化、β角變化和照度變化條件下的檢測實驗。測試圖像上的信息分為4個圖像數(shù)據(jù)集，目標(biāo)的尺度從數(shù)據(jù)集一到數(shù)據(jù)集四逐漸減小，數(shù)據(jù)集一、二、四和其它數(shù)據(jù)集相比，分別改變各自的照度、γ角和β角，具體參數(shù)如表3所示。圖11給出了數(shù)據(jù)集中的目標(biāo)模板的樣本示例及使用USCF算法的檢測結(jié)果。所有的測試圖像都是直接從視頻中剪輯出來，從一幀圖像中分割出目標(biāo)的圖像作為模板，并使用其他幀中具有相似比例的圖像作為候選圖像。

表3 實驗中使用的測試圖像數(shù)據(jù)集信息

圖11 部分模板圖像和檢測結(jié)果示例

本文對上述4個數(shù)據(jù)集使用其它9種算法進行檢測實驗，最終檢測準(zhǔn)確率統(tǒng)計如表4所示。在測試算法中，USCF3和USCF7的檢測性能最好，檢測準(zhǔn)確率在85%～95%和92% ～ 97%之間；而在其它算法中表現(xiàn)最好的HoG和GIST的檢測準(zhǔn)確率在68% ～ 90%和72% ～ 87%之間，在數(shù)據(jù)集四中，當(dāng)棧橋β角發(fā)生輕微變化，HoG和GIST的表現(xiàn)較差，二者的檢測準(zhǔn)確率分別僅為68%和72%；在圖像數(shù)據(jù)集一中的實驗結(jié)果表明，基于灰度值的統(tǒng)計算法(如SIFT，ORB，Gray Histogram，Entropy，Unit Entropy和Hu’s MI)受到目標(biāo)照度變化的影響較大，當(dāng)圖像照度發(fā)生明顯變化時，此類算法的檢測準(zhǔn)確率均低于80%；SURF無法檢測圖像中過小的目標(biāo)，因此在數(shù)據(jù)集二、數(shù)據(jù)集三和數(shù)據(jù)集四中不起作用。

表4 實驗算法對棧橋數(shù)據(jù)集的檢測性能比較

實驗結(jié)果表明，USCF算法根據(jù)曲率平面上的曲率分布對單元進行非均勻分割，而在原始圖像上不進行均勻分割，在目標(biāo)環(huán)境和條件發(fā)生變化時具有較強的魯棒性。從4個數(shù)據(jù)集的實驗中能夠看出，無論是目標(biāo)尺度和γ角的改變，還是β角和環(huán)境的照度發(fā)生變化，USCF3和USCF7的檢測準(zhǔn)確率均超過85%，該算法在實際工程中棧橋檢測的表現(xiàn)出色。

4 結(jié)束語

傳統(tǒng)特征匹配的目標(biāo)檢測方法在隧道機器人的實際應(yīng)用中，受檢測目標(biāo)尺度、β角和γ角變化，環(huán)境中照度變化和背景干擾的影響，導(dǎo)致檢測準(zhǔn)確率較低的問題。本文提出了一種基于單位統(tǒng)計曲率特征(USCF)匹配算法，首先介紹了該算法的原理及實現(xiàn)過程，該算法通過計算目標(biāo)圖像的灰度擬合曲面中每個像素的平均曲率和高斯曲率，生成單位統(tǒng)計曲率特征矩陣來表征目標(biāo)，保證提取更穩(wěn)定的目標(biāo)圖像特征；然后通過調(diào)整變量的方法對于圖像數(shù)據(jù)集進行多組對比實驗，檢驗該算法在實際環(huán)境中的可行性；最后，依照在實際隧道的復(fù)雜環(huán)境下進行液壓棧橋檢測實驗，USCF算法的檢測準(zhǔn)確率在所有測試算法中最高，結(jié)果表明，USCF算法對目標(biāo)尺度、γ角和照度的變化具有較強的魯棒性，并且可以容忍輕微的β角變化。本文算法對于隧道工程中機器人的目標(biāo)檢測具有良好適應(yīng)性，能夠提高機器人在隧道施工場景中目標(biāo)檢測的檢測準(zhǔn)確率。