無人機視覺下基于改進OTSU的負障礙物檢測

付浩龍 趙 津 席阿行 劉東杰 劉子豪

(貴州大學機械工程學院 貴州 貴陽 550025)

0 引 言

障礙物分為正障礙物和負障礙物，負障礙物具有較高的隱蔽性與危險性，容易導致無人車輛翻滾、傾覆，但針對負障礙物檢測的相關研究較少?，F有研究大多為基于無人車平臺搭載不同傳感器并結合相應識別算法進行負障礙物檢測的方法。然而，受無人車平臺觀測高度的影響，負障礙物的觀測角度隨車輛與其距離的增加而急劇減小。Wang等[1]結合陰影特征和邊緣散射特征，提出了一種無監督的正、負障礙物區分檢測方法；劉家銀等[2]提出了一種基于多激光雷達與組合特征的非結構化環境負障礙物檢測方法；Larson等[3]提出了一種名為Negative Obstacle DetectorR(NODR)的支持向量機的負障礙檢測方法；Karunasekera等[4]提出了一種利用視差圖檢測負障礙物的方法，并利用車載視覺傳感器開展了實驗。但上述方法均未解決無人車觀測角度受限的問題。本文針對該問題，提出了一種利用無人機廣闊視野在較大范圍內對地面負障礙物進行檢測的方法，利用圖像分割技術確認負障礙物區域，并為后續的負障礙物定位提供基礎。

基于最大類間方差的OTSU算法因其良好的分割效果在圖像分割以及相關的圖像處理領域廣泛應用[5]。但是OTSU算法具有一定的局限性，比如對于灰度直方圖不具備明顯雙峰特點的圖像，因目標像素比例過小、直方圖中存在大范圍波谷等原因，往往無法進行較為準確的分割[6]。因此，為增強OTSU算法的閾值分割適應性，相關學者對其做了許多優化與改進[7-9]。馬天兵等[10]將閾值與鄰近波峰之間灰度值的差值及二者像素數量之和在總體中的比例共同作為權重改進OTSU算法，避免了背景像素對閾值選取的影響。Fan等[11]考慮目標與背景的方差，將閾值鄰域灰度值的所有像素的分布概率作為權重改進OTSU算法，在目標與背景方差差距較大的圖像上獲得較好的分割效果。申鉉京等[12]在上述基礎上，考慮波谷與鄰近波峰的相對高度差，并將其作為權重加入方差求解公式中，進一步突出了波谷。

本文在分析傳統OTSU與其他改進OTSU算法原理的基礎上，結合負障礙區域內灰度值較低、灰度變化較小的特點，提出了一種適應負障礙物檢測的改進OTSU算法。算法用圖像的方差信息代替均值信息并將閾值鄰近灰度的所有像素的分布概率作為權重，來確定最佳的分割閾值，實現準確的負障礙物圖像分割。

1 負障礙物檢測示意

基于無人車的負障礙物檢測示意圖如圖1所示，其檢測原理符合tanα=d/(R+w)，tan(α+θ)=d/R。根據相似三角形原理h=dw/R，因為R>>d，故滿足α≈d/(R+w)，α+θ≈(d+h)/(R+w)，進而可知:

(1)

圖1 基于無人車的負障礙物檢測

在較遠距離時，受無人車高度d的限制，其觀測角度θ隨距離R的增大而急劇減小，因此很難檢測到負障礙物。

基于無人機的負障礙物檢測示意圖如圖2所示。針對無人車負障礙檢測過程中視角受限問題，本文提出了一種基于無人機視覺的負障礙物檢測方法。該方法在無人機處于懸停狀態時利用固定于無人機底部的攝像機進行近似垂直角度拍攝以獲取負障礙物圖像。其檢測原理為：tanβ=S/H，tan(β+θa)=(S+w)/H，因H>>S，β+θa≈(S+w)/H,故β≈S/H。由此可得:

(2)

圖2 基于無人機的負障礙物檢測

對比式(1)、式(2)：對于同一負障礙物，當無人車距離R與無人機高度H近似時θ正比于1/R2，θa正比于1/H，無人機獲得的有效觀測角度遠大于無人車。因此利用無人機的高度優勢，從較高視野獲取負障礙物的圖像信息并進行檢測，能有效解決傳統方法無法在較遠處檢測負障礙物的問題，提升負障礙物的檢測速度。

2 負障礙物圖像分割

2.1 HSV空間轉換

無人機搭載的視覺傳感器極易受到光線變化的影響，導致獲取的環境圖像質量降低，而采用轉化HSV色彩空間模型的方法可以有效減少光線變化對其造成的影響[13]。無人機獲取的簡單、復雜兩種環境下的負障礙物圖像如圖3所示,其中:(a)、(c)為原圖，對應V通道分量圖為(b)、(d)。

圖3 典型負障礙物圖像

2.2 圖像分割

閾值分割作為圖像分割的一種，具有計算簡單、運算速度快、效率高的特點，能有效提高圖像識別的效率與準確性。

2.2.1傳統的OTSU算法

OTSU算法將圖像根據閾值分為目標與背景兩部分，通過計算最大間類方差區分目標與背景，使得兩類像素之間區分度最大，從而獲得最佳閾值。

對于圖像I(x，y)，假設圖像大小為M×N，目標和背景的分割閾值記作T，圖像中像素的灰度值小于等于閾值T的像素個數為N0，大于閾值T的像素個數為N1。屬于目標的像素點數占整幅圖像的比例記為ω0，平均灰度為μ0；背景像素點數占整幅圖像的比例為ω1，平均灰度為μ1；整幅圖像的平均灰度記為μ，類間方差記為g。那么：

ω0=N0/(M×N)

(3)

ω1=N1/(M×N)

(4)

N0+N1=M×N

(5)

ω0+ω1=1

(6)

μ=ω0×μ0+ω1×μ1

(7)

g=ω0(μ0-μ)2+ω1(μ1-μ)2

(8)

采用遍歷方法獲得的類間方差g的最大值，即為所求最佳閾值T：

(9)

2.2.2改進的OTSU算法

文獻[11]提出一種基于權重系數的改進算法，在傳統OTSU的基礎上，將閾值鄰域灰度值的所有像素的分布概率作為權重加入式(8)。改進后的類間方差公式為：

(10)

文獻[14]提出一種基于圖像方差信息的改進算法，即用圖像方差信息代替式(8)中的均值信息。改進后的間類方差公式為：

g=ω0(σ1-σ)2+ω1(σ2-σ)2

(11)

式中：σ1、σ2、σ分別表示目標、背景以及總體的方差信息。

文獻[15]提出了一種加大背景像素占整幅圖像比例的改進方法。改進后的類間方差公式為：

g=ω0(μ0-μ)2+ω11.35(μ1-μ)2

(12)

文獻[12]提出了一種通過將波谷及其鄰近波峰灰度值的相對頻率作為權重加入式(8)的改進方法。改進后的類間方差公式為：

ω1(μ1-μ)2)

(13)

式中：P(t)、PL(t)、PR(t)分別表示閾值T與其鄰近左右波峰區域的像素分布概率。

3 基于方差與權重的OTSU改進算法

負障礙物圖像的圖像分割難點在于其圖像的灰度級多、環境信息復雜，難以準確定位負障礙物區域。然而負障礙物的內部區域灰度值變化較小且大部分為低灰度值，目標與背景之間的灰度值變化比較明顯。但是傳統的OTSU算法不能較好地分割出負障礙物區域。本文針對無人機獲取的簡單、復雜環境下兩種典型負障礙物的分割結果以及負障礙物的特征提出一種基于方差與權重的OTSU改進算法，使閾值向低灰度值趨近。

本文提出的改進OTSU算法的具體思路為：把圖像的均值信息代替為方差信息，并將閾值鄰近灰度值的所有像素的分布概率作為權重。其中，方差是表示圖像灰度分布均勻性的一種度量，對于負障礙物圖像而言，目標內部方差變化較小，而邊界及其附近點處的方差變化較大。因此，用方差信息代替式(8)中的均值信息對于負障礙物圖像來說具有更好的自適應性。同時考慮負障礙物區域內部灰度較低的特點，將閾值鄰域灰度值所有像素的分布概率作為權重，使閾值向低灰度區域偏移，以此獲得最佳的負障礙物圖像分割閾值。

定義目標類間方差為:

σ1=(μ0-μ)2

(14)

背景類間方差為:

σ2=(μ1-μ)2

(15)

圖像的總體方差為:

(16)

本文改進后的類間方差g為:

(17)

P(t+1)+…+P(t+k)]

(18)

最終，本文算法的最佳閾值判別準則函數為:

ω1(σ2-σ)2])

(19)

4 圖像分割實驗與負障礙物定位

采用本文算法對由無人機獲取的簡單、復雜兩種環境下的負障礙物圖像進行圖像分割實驗并與其他五種算法進行對比，最終根據最佳閾值分割結果進行負障礙區域定位實驗。

4.1 圖像分割結果

無人機獲取的簡單環境下的負障礙物圖像具有負障礙物區域小、目標與背景灰度區分明顯且二者面積相差甚遠等特點。其灰度直方圖及六種方法所得閾值結果如圖4所示，其中：A、B、C、D、E分別代表傳統的OTSU算法、文獻[11]、文獻[14]、文獻[15]、文獻[12]提出的改進算法?？梢钥闯?，灰度區域分為一高一低兩部分且兩者面積區域差距很大，顯然傳統的OTSU算法不適用于該形式。

圖4 簡單環境負障礙物圖像灰度直方圖

六種算法圖像分割結果如圖5所示?？梢钥闯觯夯趥鹘yOTSU算法(A方法)獲得的圖像分割結果，環境噪聲信息與負障礙物區域混雜，圖像分割結果較差；B方法的閾值向高灰度值趨近，不適用于目標與背景面積相差較大的負障礙物圖像，無法準確分割出負障礙物區域；C方法清晰地分割出了負障礙物區域，能較好地適應該情形的負障礙物圖像；D方法未能分割出負障礙物區域，分割結果較差；E方法分割出了負障礙物區域，但是負障礙物區域存在虛化問題，分割結果不理想，無法為后續的定位工作提供基礎；本文方法準確、清晰地分割出了負障礙物區域。

圖5 簡單環境負障礙物圖像分割結果對比

無人機獲取的復雜環境下的負障礙物圖像具有環境復雜、灰度混雜的特點。其V通道灰度直方圖及六種方法所得閾值如圖6所示?？梢钥闯?，該灰度直方圖具有明顯的雙峰特征，傳統的OTSU算法適用于該情形，但負障礙檢測要求閾值向低灰度趨近以獲得最佳的圖像分割結果。

圖6 復雜環境負障礙物圖像灰度直方圖

六種算法得到的圖像分割結果如圖7所示?？梢钥闯觯簜鹘yOTSU算法(A方法)獲得的閾值分割結果顯示負障礙物區域與上方環境信息混雜，圖像分割結果較差；B方法向高灰度趨近，圖像分割結果不理想；C方法雖然向低灰度值趨近，但是閾值結果過低，依舊未能成功分割出負障礙物區域；D方法與傳統OTSU獲得的分割結果相近，均未成功分割出負障礙物區域；而E方法與本文方法均較清晰地分割出負障礙物區域。

圖7 復雜環境負障礙物圖像分割結果對比

由無人機獲取的簡單、復雜兩種環境下的負障礙物圖像分割結果可知B、C、D、E四種方法雖然都對OTSU算法進行了改進，但分割結果僅有C、E方法適用于部分情況。其中，E方法雖然較清晰地分割出復雜環境下的負障礙物區域，但對于負障礙物與背景面積相差較大的情況，其分割結果呈現嚴重的虛化現象，無法為后續的圖像定位工作提供基礎。因此，OTSU算法與部分改進算法無法很好地適用于負障礙物圖像的分割。本文提出的基于方差與權重的改進算法清晰地分割出了無人機獲取的負障礙物圖像，為后續的圖像定位工作提供了良好的基礎。

4.2 障礙物圖像定位

以無人機獲取的復雜環境下的負障礙物圖像為例進行的負障礙物定位過程如圖8所示。先對基于本文算法得到的圖像分割結果進行形態學處理，然后進行圖像取反，再去除其中面積較小的連通區域，僅保留對車輛威脅較嚴重的大面積負障礙物區域，最終標出剩余的負障礙物區域并返回原圖。

圖8 根據圖像分割結果進行的負障礙物定位

根據最終的定位結果可知，由圖7(f)提供的負障礙物圖像分割結果通過一系列圖像處理后能準確地定位負障礙物區域。本文算法與其他五種算法對無人機獲取的復雜環境下的負障礙物圖像分割運行時間與閾值結果如表1所示。采用六種算法在包含175幅負障礙物圖的數據集上進行驗證實驗，實驗準確率如表2所示。

表1 復雜環境下負障礙物圖像分割結果

表2 實驗準確率

由圖8、表1及表2可知，本文方法具有明顯優越性。即使在運行時間上本文方法用時略長，但是依舊能夠滿足實時性要求。就圖像分割效果與準確率而言，本文充分分析傳統OTSU算法與四種改進算法，結合權重與方差兩種因素對圖像分割結果的影響，有效地克服了傳統OTSU算法較難分割出負障礙物區域的缺陷，獲得了理想的負障礙物圖像分割效果，完成了負障礙物區域的定位。

5 結 語

本文提出了一種基于無人機視覺的負障礙物檢測方法。該方法有效克服了傳統負障礙物檢測方法無法檢測較遠處負障礙物的缺陷，提高了檢測速率。在分析傳統OTSU算法與其他四種改進算法原理的基礎上，提出了一種基于方差與權重的OTSU改進算法，以此來確定負障礙物圖像的最佳分割閾值。對無人機獲取的簡單、復雜兩種環境下的負障礙物圖像進行圖像分割，并與其他五種算法進行對比，驗證了本文方法的優越性。最終在本文方法的圖像分割基礎上進行了復雜環境下的負障礙物區域定位，定位結果及實驗數據結果證明本文提出的改進算法是一種適應性與實時性兼顧的可靠算法，能為負障礙物檢測提供準確有效的圖像分割基礎。