CN104077789A - 一种基于概率统计模型的地平线检测方法 - Google Patents

Abstract

本发明涉及一种基于概率统计模型的地平线检测方法，包括：1)对原始图像进行金字塔分解，得到多分辨率的K层图像；2)对分解后的各层图像进行方向评估，获得边缘特征；3)在各层中对图像中的地平线构建概率统计模型；4)在每层图像中，根据像素点数目和边缘方向匹配这两个特性，利用MAP寻求最优区域，将其做标记，产生标记链；5)根据上一层得到的最优区域对当前层图像计算最优区域，直至最后一层；6)对最底层的最优区域进行细化，根据最优区域与边缘特征的对应性搜索最优像素点；7)将所述最优像素点连接，即得到地平线。与现有技术相比，本发明具有检测结果真实有效、精确度高等优点。

Description

一种基于概率统计模型的地平线检测方法

技术领域

本发明涉及图像处理领域，尤其是涉及一种基于概率统计模型的地平线检测方法。

背景技术

无人机(飞行器)在科研和军事方面发挥的作用越来越重要，无人机可以代替人们做一些惊险但又值得考察的事。

目前在各大高校中，对四翼飞行器的研究热情也正在冉冉升起，一些老师和学生通过构建实验平台对无人机的性能展开深入的研究和探讨。针对无人机(飞行器)飞行以及降落，有关的地平线检测和轨道识别技术，国内还没有一些较新方法来处理。此外大部分方法检测到的地平线是直线，并没有很好地以及真实地体现地平线的形状。

地平线的检测是一个重要的过程，它可以估计飞行器的姿态和角度，以及为下一步的轨道识别做好铺垫。它的检测算法一般有三类：基于边缘特征；区域特征；机器学习。目前还未出现使用概率统计的方法来检测的文章。

付丙岛等人结合航拍视频序列的特点与视觉导航系统的需求，提出了一种基于图像区域相似性和禁忌搜索算法的地平线拟合视觉导航算法。从航拍视频序列中提取单帧图像，并做下采样去噪等相应预处理，初始化禁忌搜索算法的初始解等参数，结合适配值函数，拟合图像中的地平线，用禁忌搜索算法的特赦准则和收敛准则评判拟合的准确性，直到适配值函数值满足收敛准则为止，得出最优解，但该算法得到的结果是直线，遇到山坡时得到不到真正的平滑的曲线。目前大多数地平线检测方法存在误差，且检测的结果均是直线，并非真正的地平线(有时是曲线)，精确度较低。

发明内容

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种检测结果真实有效、精确度高的基于概率统计模型的地平线检测方法。

本发明的目的可以通过以下技术方案来实现：

一种基于概率统计模型的地平线检测方法，包括以下步骤：

1)对原始图像进行金字塔分解，得到多分辨率的K层图像；

2)对分解后的各层图像进行方向评估；

3)在各层中对图像中的地平线构建概率统计模型；

4)在每层图像中，根据第3)步骤中建立的统计模型，在先验概率的基础上，对像素点数目和边缘方向匹配这两个特性，利用MAP寻求最优区域，将其做标记，产生标记链；

5)根据上一层得到的最优区域对当前层图像计算最优区域，直至最后一层；

6)对最底层的最优区域进行细化，根据最优区域与第2)步骤中边缘方向估计时得到的边缘特征的对应性搜索最优像素点；

7)将所述最优像素点连接，即得到地平线。

所述步骤1)中，对原始图像进行金字塔分解时，首先对每层图像进行高斯平滑滤波，然后进行降采样获得上层图像；

所述高斯平滑滤波具体为：

a)利用方差为σ的二维Gauss核函数对每一层图像I(x，y)作预平滑滤波，所述高斯函数公式：

$G(x,y,\mathrm{\σ})=\frac{1}{{2\mathrm{\π\σ}}^2}{e}^{-\frac{(x^2+y^2)}{2{\mathrm{\σ}}^2}}$

b)求高斯函数与每层图像的卷积进行滤波：

L(x，y，σ)＝G(x，y，σ)*I(x，y)

所述步骤2)具体为：

201)计算各层图像的窗口中每个地平线像素点的邻域像素的梯度幅值和方向：

$m(x,y)=\sqrt{{(L(x+1,y)-L(x-1,y))}^2+{(L(x,y+1)-L(x,y-1))}^2}$

θ(x，y)＝tan^-1(L(x，y+1)-L(x，y-1)/L(x+1，y)-L(x-1，y))

其中，L(x，y)为地平线像素点的尺度函数；

202)根据所述梯度幅值和方向计算方向直方图，直方图的峰值代表地平线像素点的主方向；

203)每个地平线像素点的主方向加权平均作为某一层图像中相关窗口的方向。

所述步骤3)中，概率统计模型为：

$P\left(n_i^{\left(k\right)}\right|l_1^{\left(k\right)},l_2^{\left(k\right)}{,l}_3^{\left(k\right)}\·\·\·l_n^{\left(k\right)})=P\left(n_i^{\left(k\right)}\right|l_i^{\left(k\right)})~N({\mathrm{\μ}}_1,{\mathrm{\σ}}_1^2)$

$P\left(d_i^{\left(k\right)}\right|l_1^{\left(k\right)},l_2^{\left(k\right)},l_3^{\left(k\right)}\·\·\·l_n^{\left(k\right)})=P\left(d_i^{\left(k\right)}\right|l_i^{\left(k\right)})~N(\mathrm{\μ},{\mathrm{\σ}}^2)$

其中，表示第k层图像第i个窗口中标记值为1的像素点个数，1表示该像素点属于地平线；表示第k层图像寻找最优区域的结果的标记向量，根据得到的标记窗口周围关联性得到标记链，表示第k层图像第i个窗口的标记，的取值范围：H＝{0，1}，表示第k层图像第i个窗口的方向，的取值为：Γ＝{1，2，...36}。

所述步骤4)中，最优区域采用最大后验概率MAP计算，具体公式为：

$\begin{array}{c}\widehat{L^{\left(k\right)}}=\underset{L^{\left(k\right)}}{\arg \max }P\left(L^{\left(k\right)}\right|N^{\left(k\right)},D^{\left(k\right)})=\underset{L^{\left(k\right)}}{\arg \max }P(L^{\left(k\right)},N^{\left(k\right)},D^{\left(k\right)})\\ =\underset{L^{\left(k\right)}}{\arg \max }P\left(N^{\left(k\right)}\right|L^{\left(k\right)})P\left(D^{\left(k\right)}\right|L^{\left(k\right)})\\ =\underset{L^{\left(k\right)}}{\arg \max \mathrm{\Σ}}\log P\left(n_i^{\left(k\right)}\right|l_i^{\left(k\right)})P\left(d_i^{\left(k\right)}\right|l_i^{\left(k\right)})\end{array}$

是L^(k)经过最大后验估计(MAP)得到的。

所述步骤5)中，根据上一层得到的最优区域对当前层图像计算最优区域具体为：将上一层得到的结果关联至当前中的多个窗口中，计算关联后每个窗口的方向和方差，得到相应先验概率，采用最大后验估计MAP求取当前层图像的最优区域。

所述步骤7)中，像素点连接的方向与窗口的方向一致。

与现有技术相比，本发明采用概率统计模型进行地平线的检测，与数学理论建立了紧密的联系，且检测的结果为平滑的地平线，而非直线，更加真实有效，而且理论上可以检测多种场景的地平线，适用范围广。

附图说明

图1为本发明的框架流程图；

图2为本发明的具体寻优示意图；

图3为本发明的一种窗口组合寻优过程图；

图4为本发明的另一种窗口组合寻优过程图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1所示，一种基于概率统计模型的地平线检测方法，包括如下步骤：

在步骤s1中，对原始图像进行金字塔分解，得到多分辨率的各个层的图像，图像层数为K。

原始图像可以来自Google Earth，在金字塔分解过程中，对每一层的图像都要先进行高斯平滑滤波，再做降采样。平滑目的是为了降采样后的像素点能更好的代表原图像的像素点；降采样就是对一幅图像的像素点进行隔行隔列采样，得到高一层的图像。高斯平滑滤波的过程如下：

a)利用方差为σ的二维Gauss核函数对每一层图像I(x，y)作预平滑滤波，所述高斯函数公式：

$G(x,y,\mathrm{\σ})=\frac{1}{{2\mathrm{\π\σ}}^2}{e}^{-\frac{(x^2+y^2)}{2{\mathrm{\σ}}^2}}---\left(1\right)$

b)求高斯函数与每层图像的卷积进行滤波：

L(x，y，σ)＝G(x，y，σ)*I(x，y)  (2)

对每一层图像滤波后再进行降采样，降采样的实质是每隔几行、几列得到取一点，组成一个新的图像。以比例因子为2的降采样来说：就是对一幅图像每隔一行一列取一点，对于n×n的图像就变为n/2×n/2的图像了，其程序如下：

在步骤s2中，采用边缘方向直方图(HOG)对分解后的各层图像进行方向性评估。每层图像包括至少一个窗口，窗口中属于地平线的像素点都分配一个方向，利用其邻域像素的梯度和方向，用直方图的形式来估计这个像素点的主方向，然后每个地平线像素点的主方向组成这个窗口的方向。步骤如下：

a)梯度直方图的范围是0～360度，其中每10度一个方向，共36个方向；

b)计算窗口中地平线像素点的邻域像素的梯度幅值和方向；

$m(x,y)=\sqrt{{(L(x+1,y)-L(x-1,y))}^2+{(L(x,y+1)-L(x,y-1))}^2}---\left(3\right)$

θ(x，y)＝tan^-1(L(x，y+1)-L(x，y-1)/L(x+1，y)-L(x-1，y))  (4)

其中，L为地平线像素点所在的尺度。

b)计算方向直方图，直方图的峰值就代表地平线像素点的主方向。

c)每个地平线像素点的主方向加权平均作为某一层图像中相关窗口的方向。

在步骤s3中，在各层中，对图像中的地平线像素点构建概率统计模型，公式如下：

$P\left(n_i^{\left(k\right)}\right|l_1^{\left(k\right)},l_2^{\left(k\right)}{,l}_3^{\left(k\right)}\·\·\·l_n^{\left(k\right)})=P\left(n_i^{\left(k\right)}\right|l_i^{\left(k\right)})~N({\mathrm{\μ}}_1,{\mathrm{\σ}}_1^2)---\left(5\right)$

$P\left(d_i^{\left(k\right)}\right|l_1^{\left(k\right)},l_2^{\left(k\right)},l_3^{\left(k\right)}\·\·\·l_n^{\left(k\right)})=P\left(d_i^{\left(k\right)}\right|l_i^{\left(k\right)})~N(\mathrm{\μ},{\mathrm{\σ}}^2)---\left(6\right)$

其中，表示第k层图像第i个窗口中标记值为1的像素点个数，1表示某个像素点属于地平线；表示第k层图像寻找最优区域的结果的标记向量，根据得到的标记窗口周围关联性得到标记链，表示第k层图像第i个窗口的标记，的取值范围：H＝{nonhorizontal，horizontal}＝{0，1}，表示第k层图像第i个窗口的方向，的取值为：Γ＝{1，2，...36}，、N(μ，σ²)均为正态分布。

在步骤s4中，在每层的窗口中，在先验概率的基础上，对像素点数目和边缘方向匹配这两个特性，采用最优点链概率搜素，利用MAP寻求最优区域，对搜索到的最优区域进行标记，产生标记链。

最大后验概率MAP计算：

$\begin{array}{c}\widehat{L^{\left(k\right)}}=\underset{L^{\left(k\right)}}{\arg \max }P\left(L^{\left(k\right)}\right|N^{\left(k\right)},D^{\left(k\right)})=\underset{L^{\left(k\right)}}{\arg \max }P(L^{\left(k\right)},N^{\left(k\right)},D^{\left(k\right)})\\ =\underset{L^{\left(k\right)}}{\arg \max }P\left(N^{\left(k\right)}\right|L^{\left(k\right)})P\left(D^{\left(k\right)}\right|L^{\left(k\right)})\\ =\underset{L^{\left(k\right)}}{\arg \max \mathrm{\Σ}}\log P\left(n_i^{\left(k\right)}\right|l_i^{\left(k\right)})P\left(d_i^{\left(k\right)}\right|l_i^{\left(k\right)})\end{array}---\left(7\right)$

是L^(k)经过最大后验估计(MAP)得到的，这一步得到的是每一层图像的最优区域，也是最优窗口组合。式(7)中，N^(k)为元素为的集合，D^(k)为元素为的集合，i为每层图像的窗口总数，

在步骤s5中，上一层的结果作为本层的处理对象，采用上一层的方法得到最优区域，直至最后一层。具体操作如图2所示：

a)从最高层(第0层)4*4图像开始进行搜素，在最高层像素点比较少，取一个窗口(可选择4*4的窗口)。计算一个先验概率数值P(l_i|n₁)，它表示是否存在地平线的先验概率，在最高层中，方向性没有参考，可以定义方向的先验概率P(l₁|d₁)。然后在其中通过MAP确定出最有可能的地平线区域。

b)上一层结果以图3或者图4的结构形式关联(相对应)次高层(第1层)的四个窗口(4*4)，计算每个窗口的方向和方差，可以得到相应的先验概率。按照四个窗口的多种组合(共种)，分别采用最大后验估计MAP求取最大可能的地平线窗口组。

c)再根据确定的最大可能的地平线窗口组，关联下一层16(即4²)个窗口中的某些个，再进行组合计算(依据步骤b)中类似组合)，得到最可能的地平线窗口。依次往下，直至最底层(第K层)。

在步骤s6中，对最底层的最优区域进行细化，得到地平线的像素点。这个过程像素点直接跟前面步骤HOG边缘提取中的边缘特征对应即可，如果没有边缘，可以找到梯度图，即没有进行阈值之前的边缘图，通过对比再进行逐个窗口的动态提取，得到最优像素点。因为没有方向数值，所以梯度数值就可以当成它的概率。

在步骤s7中，把最底层寻优的像素点连接起来，即得到地平线。这个过程中像素点连接的方向也要尽量跟窗口的方向一致。

Claims (7)

1.一种基于概率统计模型的地平线检测方法，其特征在于，包括以下步骤： 

1)对原始图像进行金字塔分解，得到多分辨率的K层图像； 

2)对分解后的各层图像进行方向评估，获得边缘特征； 

3)在各层中对图像中的地平线构建概率统计模型； 

4)在每层图像中，根据所述概率统计模型，在先验概率的基础上，基于像素点数目和边缘方向匹配这两个特性，利用MAP寻求最优区域，将其做标记，产生标记链； 

5)根据上一层得到的最优区域对当前层图像计算最优区域，直至最后一层； 

6)对最底层的最优区域进行细化，根据最优区域与步骤2)得到的边缘特征的对应性搜索最优像素点； 

7)将所述最优像素点连接，即得到地平线。 

2.根据权利要求1所述的一种基于概率统计模型的地平线检测方法，其特征在于，所述步骤1)中，对原始图像进行金字塔分解时，首先对每层图像进行高斯平滑滤波，然后进行降采样获得上层图像； 

所述高斯平滑滤波具体为： 

a)利用方差为σ的二维Gauss核函数对每一层图像I(x，y)作预平滑滤波，所述高斯函数公式： 

b)求高斯函数与每层图像的卷积进行滤波： 

L(x，y，σ)＝G(x，y，σ)*I(x，y) 。

3.根据权利要求1所述的一种基于概率统计模型的地平线检测方法，其特征在于，所述步骤2)具体为： 

201)计算各层图像的窗口中每个地平线像素点的邻域像素的梯度幅值和方向： 

θ(x，y)＝tan^-1(L(x，y+1)-L(x，y-1)/L(x+1，y)-L(x-1，y)) 

其中，L(·)为地平线像素点的尺度函数； 

202)根据所述梯度幅值和方向计算方向直方图，直方图的峰值代表地平线像素点的主方向； 

203)每个地平线像素点的主方向加权平均作为某一层图像中相关窗口的方向。 

4.根据权利要求1所述的一种基于概率统计模型的地平线检测方法，其特征在于，所述步骤3)中，概率统计模型为： 

其中，表示第k层图像第i个窗口中标记值为1的像素点个数，1表示该像素点属于地平线；表示第k层图像寻找最优区域的结果的标记向量，表示第k层图像第i个窗口的标记，的取值范围：H＝{0，1}，表示第k层图像第i个窗口的方向，的取值为：Γ＝{1，2，...36}。 

5.根据权利要求1所述的一种基于概率统计模型的地平线检测方法，其特征在于，所述步骤4)中，最优区域采用最大后验概率MAP计算，具体公式为： 

6.根据权利要求1所述的一种基于概率统计模型的地平线检测方法，其特征在于，所述步骤5)中，根据上一层得到的最优区域对当前层图像计算最优区域具体为：将上一层得到的结果关联至当前中的多个窗口中，计算关联后每个窗口的方向和方差，得到相应先验概率，采用最大后验估计MAP求取当前层图像的最优区域。 

7.根据权利要求1所述的一种基于概率统计模型的地平线检测方法，其特征在于，所述步骤7)中，像素点连接的方向与窗口的方向一致。