CN108765439A - 一种基于无人水面艇的海天线检测方法 - Google Patents

Abstract

本发明提供了一种基于无人水面艇的海天线检测方法。海天线检测是无人水面艇视觉系统的主要任务之一。本发明首先对摄像头采集的海天背景图像进行高斯滤波预处理。其次，训练一个随机森林分类器，用于对图像进行快速的边缘检测，获取原始图像的边缘图。然后，对边缘图进行二值化处理，获取呈现黑白效果的二值化边缘图像。最后，在二值化边缘图像上执行Hough变化来拟合直线，将最长的直线作为检测所得的海天线，输出海天线在海天背景图像中的位置。与现有技术相比，本发明提供的方法能够有效地剔除云层、浪纹等对复杂海天背景下海天线检测的边缘干扰,实现高鲁棒性、高准确性的海天线检测。

Description

一种基于无人水面艇的海天线检测方法

技术领域

本发明涉及无人水面艇的检测技术，具体涉及一种基于无人水面艇的海天线检测方法。

背景技术

无人水面艇(unmanned surface vehicle，USV)是一种新型的海上智能体，可以用来执行侦察、反潜、巡逻等军事任务以及搜救、导航、水文地理勘察等民用任务。无人水面艇视觉系统的作用是代替人眼对海上的目标以及障碍物进行检测、跟踪和测量，并进行场景和行为的理解。其中，目标检测是无人水面艇视觉系统最主要的任务之一，是实现无人水面艇对海上目标进行识别和跟踪的基础。由于无人水面艇在实行上述自主功能时对实时性的要求较高，且一些目标检测算法计算量较大，故对于目标检测而言，减小计算量、提高运算速度和效率是关键。

海天线是海面环境图像的重要特征之一。在空间上将图像划分为3个区域：天空区域、海界线区域和海面区域。而自然环境中天空区域连续分布的云层、海界线区域复杂的背景轮廓、海面区域的浪纹都会对海界线检测造成干扰，可能会导致海天线检测结果的偏差。对于无人水面艇而言，影响其航行的障碍物主要在海天线以下，水面障碍物检测工作实际上就可以限制在海天线以下区域完成，因此对海天线的有效提取不仅可以减少图像中的干扰信息，而且还可以降低处理算法的时间消耗，有利于后续目标检测方法的计算，实现对目标的精确检测。

发明内容

发明目的在于针对现有技术中的缺陷以及水面特点，提供一种基于无人水面艇的海天线检测方法。

为达到上述目的，本发明采用下述技术方案：

一种基于无人水面艇的海天线检测方法，操作步骤如下：

1)对摄像头采集的海天背景图像进行高斯滤波预处理；

2)训练一个随机森林分类器，用于对图像进行快速的边缘检测，获取原始图像的边缘图；

3)对边缘图进行二值化处理，获取呈现黑白效果的二值化边缘图像；

4)在二值化边缘图像上执行Hough变化来拟合直线，将最长的直线作为检测所得的海天线；最后，输出海天线在海天背景图像中的位置。

所述步骤1)中的对海天背景图像进行高斯滤波预处理，具体为：

使用高斯平滑滤波对海天背景图像进行预处理，目的是降低图像分辨率，减少云层、海面水花浪纹等细节干扰边缘，而较好的保留边界信息；采用二维零均值离散高斯函数作平滑滤波器：

式中，u,v为图像中的横向、纵向像素坐标值，σ为正态分布的标准偏差；

使用高斯滤波器的每个像素的值都是周围相邻像素值的加权平均，原始像素的值有最大的高斯分布值，权重最大，相邻像素距离原始像素越远，其权重越小；这样进行模糊处理比其它的均衡模糊滤波器更好地保留了边缘效果；

设大小为M×N的图像f(x,y)，m×n的滤波器模板w(x,y)，对于图像中的任意点(x,y)，滤波器的响应为滤波器系数与由该滤波器包围的图像像素的乘积之和，即：

式中，m＝2a+1,n＝2b+1，取a＝b且a为正整数；

取高斯滤波器模板为m＝n＝5，高斯分布的标准偏差σ＝1，那么所得的高斯平滑图像G(x,y)为：

G(x,y)＝w(x,y)·f(x,y)

式中，w(x,y)为滤波器模板，f(x,y)为原始图像。

所述步骤2)中的训练随机森林分类器，用于对图像进行快速的边缘检测，获取原始图像的边缘图，具体步骤如下：

给定一个样本训练集合X为样本图像，Y为X中的像素特征标签集合，根据对样本训练数据的计算确定每颗决策树f_t(x)的节点分离函数参数，以得到训练好的决策树模型；决策树f_t(x)的节点分离函数根据信息增益I_j最大化原则定义：

式中，k为像素块x的某一量化特征，γ为该像素块x拥有该量化特征值的阈值；θ_j为使信息增益I_j最大化的增益参数，θ＝(k,γ)；然后使用归类到左支的样本数据集合作为训练样本继续训练左支节点，归类到右支的样本数据集合作为训练样本继续训练右支节点，递归进行训练，直到达到了设定的树深度或者信息增益的阈值；标准信息增益定义为：

H(S)＝-∑_yp_ylog₂(p_y)

式中，H(S)为香农熵，p_y为S中带有标签y的概率；

单颗决策树容易出现不稳定和过拟合的情况，通过训练多颗不相关的决策树，将它们组合成随机森林F_t(x)能够很好解决不稳定和过拟合的问题；在训练随机森林中的单棵决策树时使用的训练集是从总的训练集中有放回采样出来的，在训练每棵树的节点时，使用的特征是从所有特征中按照一定比例随机地无放回抽取出来的，这样做能够提高随机决策森林分类器预测的准确率；最后，通过该分类器对输入的海天背景图像进行边缘检测，获取原始图像的边缘图。

所述步骤3)中的对边缘图进行二值化处理，获取二值化边缘图像，具体为：

对边缘图进行二值化处理，取阈值为90，将边缘图上的灰度值小于90的像素点二值化为0，将边缘图上的灰度值大于90的像素点二值化为255，使整个图像呈现出黑白效果，得到反映图像整体和局部特征的二值化边缘图像。

所述步骤4)中的在二值化边缘图像上执行Hough变化检测海天线，具体为：

Hough变换利用图像的全局特征连接特定形状的边缘形成连续平滑的边缘，它通过将原图像上的点映射到用于累加的参数空间，实现对已知解析式曲线的识别；一条直线在图像中是一系列离散点的集合，通过一个直线的离散极坐标公式表示：

ρ＝xcosθ+ysinθ

每个像素点的坐标值I(x,y)是已知的，根据像素点坐标x，y的值绘制每个(ρ,θ)值，从而实现图像笛卡尔坐标系统到极坐标霍夫空间系统的转换；

输入二值化边缘图像上的边缘点，在极坐标下绘制出所有经过这些边缘点的直线对应的正弦曲线；由点和正弦曲线对偶性得：如果越多的正弦曲线相交于一点那么就有越多的边缘点在该点所对应的直线上；这些边缘点组成了一条最长的直线，而这条直线就是海天背景图像中对应的海天线；最后，输出这条海天线在海天背景图像中的位置。

与现有技术相比，本发明具有如下有益效果：

本发明提供的方法能够有效地剔除云层、浪纹等对复杂海天背景下海天线检测的边缘干扰，实现高鲁棒性、高准确性的海天线检测。

附图说明

图1为本发明的视觉系统结构示意图。

图2为本发明的海天线检测流程框图。

图3为本发明的高斯滤波预处理示意图。

图4为本发明的随机森林分类器模型图。

图5为本发明的分类器检测所得边缘图。

图6为本发明的二值化边缘图。

图7为本发明的Hough变化检测海天线示意图。

具体实施方式

下面结合附图对本发明技术方案实施例进行详细说明，但是本发明的保护范围不局限于所述实施例。

如图1所示，本发明采用无人水面艇视觉系统进行操作，该视觉系统包括摄像头、图像采集卡、工控机等设备。其中，摄像头安装在无人水面艇的正上方距离艇头部约1.5米的位置，工控机安装固定在无人水面艇的艇舱中。通过IEEE 1394接口将摄像头连接到工控机上，图像采集卡通过PCI卡槽连接到工控机上。

如图2所示，本发明提供了一种基于无人水面艇的海天线检测方法。首先，对摄像头采集的海天背景图像进行高斯滤波预处理。其次，训练一个随机森林分类器，用于对图像进行快速的边缘检测，获取原始图像的边缘图。然后，对边缘图进行二值化处理，获取呈现黑白效果的二值化边缘图像。最后，在二值化边缘图像上执行Hough变化来拟合直线，将最长的直线作为检测所得的海天线，输出海天线在海天背景图像中的位置。

上述基于无人水面艇的海天线检测方法，具体包括以下步骤：

1)如图3所示，对摄像头采集的海天背景图像进行高斯滤波预处理。本发明使用高斯平滑滤波对海天背景图像进行预处理，目的是降低图像分辨率，减少云层、海面水花浪纹等细节干扰边缘，而较好的保留边界信息。本方法采用二维零均值离散高斯函数作平滑滤波器：

式中，u,v为图像中的横向、纵向像素坐标值，σ为正态分布的标准偏差。

使用高斯滤波器的每个像素的值都是周围相邻像素值的加权平均，原始像素的值有最大的高斯分布值，权重最大，相邻像素距离原始像素越远，其权重越小。这样进行模糊处理比其它的均衡模糊滤波器更好地保留了边缘效果。

设大小为M×N的图像f(x,y)，m×n的滤波器模板w(x,y)，对于图像中的任意点(x,y)，滤波器的响应为滤波器系数与由该滤波器包围的图像像素的乘积之和，即：

式中，m＝2a+1,n＝2b+1，取a＝b且a为正整数。

本发明取高斯滤波器模板为m＝n＝5，高斯分布的标准偏差σ＝1，那么所得的高斯平滑图像G(x,y)为：

G(x,y)＝w(x,y)·f(x,y)

式中，w(x,y)为滤波器模板，f(x,y)为原始图像。

2)如图4所示，本发明训练一个随机森林分类器，用于对图像进行快速的边缘检测，获取原始图像的边缘图。具体步骤为：

给定一个样本训练集合X为样本图像，Y为X中的像素特征标签集合，根据对样本训练数据的计算确定每颗决策树f_t(x)的节点分离函数参数，以得到训练好的决策树模型。决策树f_t(x)的节点分离函数根据信息增益I_j最大化原则定义：

式中，k为像素块x的某一量化特征，γ为该像素块x拥有该量化特征值的阈值；θ_j为使信息增益I_j最大化的增益参数，θ＝(k,γ)。然后使用归类到左支的样本数据集合作为训练样本继续训练左支节点，归类到右支的样本数据集合作为训练样本继续训练右支节点，递归进行训练，直到达到了设定的树深度或者信息增益的阈值。标准信息增益定义为：

H(S)＝-∑_yp_ylog₂(p_y)

式中，H(S)为香农熵，p_y为S中带有标签y的概率。

单颗决策树容易出现不稳定和过拟合的情况，通过训练多颗不相关的决策树，将它们组合成随机森林F_t(x)可以很好解决不稳定和过拟合的问题。在训练随机森林中的单棵决策树时使用的训练集是从总的训练集中有放回采样出来的，在训练每棵树的节点时，使用的特征是从所有特征中按照一定比例随机地无放回抽取出来的，这样做可以提高随机决策森林分类器预测的准确率。最后，通过该分类器对输入的海天背景图像进行边缘检测，获取原始图像的边缘图，如图5所示。

3)如图6所示，对边缘图进行二值化处理，获取呈现黑白效果的二值化边缘图像。本发明对边缘图进行二值化处理，取阈值为90，将边缘图上的灰度值小于90的像素点二值化为0，将边缘图上的灰度值大于90的像素点二值化为255，使整个图像呈现出黑白效果，得到反映图像整体和局部特征的二值化边缘图像。

4)如图7所示，在二值化边缘图像上执行Hough变化检测海天线。Hough变换利用图像的全局特征连接特定形状的边缘形成连续平滑的边缘，它通过将原图像上的点映射到用于累加的参数空间，实现对已知解析式曲线的识别。一条直线在图像中是一系列离散点的集合，可通过一个直线的离散极坐标公式表示：

ρ＝xcosθ+ysinθ

每个像素点的坐标值I(x,y)是已知的，根据像素点坐标(x,y)的值绘制每个(ρ,θ)值，从而实现图像笛卡尔坐标系统到极坐标霍夫空间系统的转换。

输入二值化边缘图像上的边缘点，在极坐标下绘制出所有经过这些边缘点的直线对应的正弦曲线。由点和正弦曲线对偶性可得：如果越多的正弦曲线相交于一点那么就有越多的边缘点在该点所对应的直线上。这些边缘点组成了一条最长的直线，而这条直线就是海天背景图像中对应的海天线。最后，输出这条直线(海天线)在海天背景图像中的位置。

Claims (5)

1.一种基于无人水面艇的海天线检测方法，采用无人水面艇视觉系统进行操作，该视觉系统包括摄像头、图像采集卡、工控机；其中，摄像头安装在无人水面艇前部的正上方的位置，工控机安装固定在无人水面艇的艇舱中，通过IEEE 1394接口将摄像头连接到工控机上，图像采集卡通过PCI卡槽连接到工控机上；其特征在于，本方法操作步骤如下：

1)对摄像头采集的海天背景图像进行高斯滤波预处理；

2)训练一个随机森林分类器，用于对图像进行快速的边缘检测，获取原始图像的边缘图；

3)对边缘图进行二值化处理，获取呈现黑白效果的二值化边缘图像；

4)在二值化边缘图像上执行Hough变化来拟合直线，将最长的直线作为检测所得的海天线；最后，输出海天线在海天背景图像中的位置。

2.根据权利要求1所述的一种基于无人水面艇的海天线检测方法，其特征在于：所述步骤1)中的对海天背景图像进行高斯滤波预处理，具体为：

使用高斯平滑滤波对海天背景图像进行预处理，目的是降低图像分辨率，减少云层、海面水花浪纹等细节干扰边缘，而较好的保留边界信息；采用二维零均值离散高斯函数作平滑滤波器：

式中，u,v为图像中的横向、纵向像素坐标值，σ为正态分布的标准偏差；

使用高斯滤波器的每个像素的值都是周围相邻像素值的加权平均，原始像素的值有最大的高斯分布值，权重最大，相邻像素距离原始像素越远，其权重越小；这样进行模糊处理比其它的均衡模糊滤波器更好地保留了边缘效果；

设大小为M×N的图像f(x,y)，m×n的滤波器模板w(x,y)，对于图像中的任意点(x,y)，滤波器的响应为滤波器系数与由该滤波器包围的图像像素的乘积之和，即：

式中，m＝2a+1,n＝2b+1，取a＝b且a为正整数；

取高斯滤波器模板为m＝n＝5，高斯分布的标准偏差σ＝1，那么所得的高斯平滑图像G(x,y)为：

G(x,y)＝w(x,y)·f(x,y)

式中，w(x,y)为滤波器模板，f(x,y)为原始图像。

3.根据权利要求1所述的一种基于无人水面艇的海天线检测方法，其特征在于：所述步骤2)中的训练随机森林分类器，用于对图像进行快速的边缘检测，获取原始图像的边缘图，具体步骤如下：

给定一个样本训练集合X为样本图像，Y为X中的像素特征标签集合，根据对样本训练数据的计算确定每颗决策树f_t(x)的节点分离函数参数，以得到训练好的决策树模型；决策树f_t(x)的节点分离函数根据信息增益I_j最大化原则定义：

式中，k为像素块x的某一量化特征，γ为该像素块x拥有该量化特征值的阈值；θ_j为使信息增益I_j最大化的增益参数，θ＝(k,γ)；然后使用归类到左支的样本数据集合作为训练样本继续训练左支节点，归类到右支的样本数据集合作为训练样本继续训练右支节点，递归进行训练，直到达到了设定的树深度或者信息增益的阈值；标准信息增益定义为：

H(S)＝-∑_yp_ylog₂(p_y)

式中，H(S)为香农熵，p_y为S中带有标签y的概率；

单颗决策树容易出现不稳定和过拟合的情况，通过训练多颗不相关的决策树，将它们组合成随机森林F_t(x)能够很好解决不稳定和过拟合的问题；在训练随机森林中的单棵决策树时使用的训练集是从总的训练集中有放回采样出来的，在训练每棵树的节点时，使用的特征是从所有特征中按照一定比例随机地无放回抽取出来的，这样做能够提高随机决策森林分类器预测的准确率；最后，通过该分类器对输入的海天背景图像进行边缘检测，获取原始图像的边缘图。

4.根据权利要求1所述的一种基于无人水面艇的海天线检测方法，其特征在于：所述步骤3)中的对边缘图进行二值化处理，获取二值化边缘图像，具体为：

对边缘图进行二值化处理，取阈值为90，将边缘图上的灰度值小于90的像素点二值化为0，将边缘图上的灰度值大于90的像素点二值化为255，使整个图像呈现出黑白效果，得到反映图像整体和局部特征的二值化边缘图像。

5.根据权利要求1所述的一种基于无人水面艇的海天线检测方法，其特征在于：所述步骤4)中的在二值化边缘图像上执行Hough变化检测海天线，具体为：

Hough变换利用图像的全局特征连接特定形状的边缘形成连续平滑的边缘，它通过将原图像上的点映射到用于累加的参数空间，实现对已知解析式曲线的识别；一条直线在图像中是一系列离散点的集合，通过一个直线的离散极坐标公式表示：

ρ＝xcosθ+ysinθ

每个像素点的坐标值I(x,y)是已知的，根据像素点坐标x，y的值绘制每个(ρ,θ)值，从而实现图像笛卡尔坐标系统到极坐标霍夫空间系统的转换；

输入二值化边缘图像上的边缘点，在极坐标下绘制出所有经过这些边缘点的直线对应的正弦曲线；由点和正弦曲线对偶性得：如果越多的正弦曲线相交于一点那么就有越多的边缘点在该点所对应的直线上；这些边缘点组成了一条最长的直线，而这条直线就是海天背景图像中对应的海天线；最后，输出这条海天线在海天背景图像中的位置。