[发明专利]基于SVM和SURF的无人车野外水体检测与跟踪方法

摘要

本发明公开了一种基于SVM和SURF的无人车野外水体检测与跟踪方法，包括以下步骤：提取水体障碍物颜色与纹理特征；建立水体目标与地表的正负样本库，构造支持向量机分类器基于SURF算法的搜索窗口位置和尺度更新；利用支持向量机算法对实时视频中水体障碍物进行检测跟踪。由于本发明提取了水体的四个纹理特征同时提取水体障碍物S/V作为颜色特征，对纹理与颜色特征组合构成水体范围特征，较单独使用亮度特征检测方法具有更高检测准确率。由于本发明通过利用SVM算法对颜色和纹理特征进行训练而得到分类器，利用核函数RBF将非线性问题转化至高维空间的线性问题进行求解，从而提高了水体检测准确率。

主权项

基于SVM和SURF的无人车野外水体检测与跟踪方法，其特征在于：包括以下步骤：S1：提取水体障碍物颜色与纹理特征；S11：将摄像机获取的彩色图像分别转换到HSV颜色空间与灰度空间；S12：在HSV颜色空间中，采用8×8的窗口遍历图片，分别计算并提取窗口范围内的水体与地表区域的饱和度Saturation与亮度Value的比值特征，即S/V特征；在灰度空间中，对灰度级进行压缩，计算灰度共生矩阵，提取能量ASM、熵ENT、相关性COR和惯性矩CON四个纹理特征值；S13：将S/V特征与ASM、ENT、COR、CON四个纹理特征值合并，分别形成五维水体特征描述向量和地表特征描述向量；S2：建立水体目标与地表的正负样本库，构造支持向量机分类器即SVM分类器对水体障碍物检测识别，所述的检测识别过程包括离线训练、在线检测和分类器性能优化三个模块；S21：针对S1中通过分别提取水体的颜色特征与纹理特征而形成的五维水体特征描述向量和地表特征描述向量，利用SVM分类器对水体与地表进行训练分类，水体区域记为正样本，地表区域记为负样本，从而形成正负样本库；S22：对SVM分类器进行性能优化，针对提高SVM分类器性能这一目标，设计采样窗口尺寸变化实验和核函数选择实验，通过实验确定采样窗口大小，并选定径向基核函数RBF加入到SVM分类器的具体算法中以提升分类准确性；考虑到径向基核函数RBF的参数γ和惩罚参数C对分类效果影响较大，采用交叉验证方法对参数γ和惩罚参数C进行优化；S23：在线检测过程，依然采用8×8窗口遍历图片提取窗口范围内待检测图像的颜色和纹理特征，将检测得到的颜色和纹理特征数据送入已经训练好并进行过参数优化的SVM分类器进行类别判定，最后将水体区域的轮廓提取标记出来；S3：基于SURF算法的搜索窗口位置和尺度更新；所述的SURF为Speeded Up Robust Feature的缩写；S31：提取SURF关键点特征；S311：构建尺度空间；利用不同尺度的盒状滤波器建立多尺度空间,设盒状滤波器的尺寸为：size＝9×(σ‑1.2)；式中，size代表盒状滤波器的尺寸，σ为多尺度空间的尺度；S312：检测Hessian矩阵；对于待检测图像I中给定的一个像素点p：p＝f(x,y)；那么该像素点的Hessian矩阵为：$H\left(f\right(x,y\left)\right)=\left[\begin{array}{cc}\frac{{\∂}^{2}f}{\∂x^2}& \frac{{\∂}^{2}f}{\∂x\∂y}\\ \frac{{\∂}^{2}f}{\∂x\∂y}& \frac{{\∂}^{2}f}{\∂y^2}\end{array}\right]---\left(1\right)$Hessian矩阵的判别式为：$\det \left(H\right)=\frac{{\∂}^{2}f}{\∂x^2}\frac{{\∂}^{2}f}{\∂y^2}-{\left(\frac{{\∂}^{2}f}{\∂x\∂y}\right)}^2---\left(2\right)$判别式的值是Hessian矩阵的特征值，同样对待检测图像I中其他的像素点也进行Hessian矩阵判别式计算并根据判别式值的符号将所有像素点分类，由判别式值的正负来判断该点是不是极值点；像素点p在尺度σ上的Hessian矩阵H(p,σ)定义为：$H(p,\mathrm{\σ})=\left[\begin{array}{cc}{L}_{xx}(p,\mathrm{\σ})& L_{xy}(p,\mathrm{\σ})\\ L_{yx}(p,\mathrm{\σ})& L_{yy}(p,\mathrm{\σ})\end{array}\right]---\left(3\right)$其中，L_xx(p,σ)是高斯二阶偏导数在该像素点处与待检测图像I的卷积，同样的，L_xy(p,σ)和L_yy(p,σ)分别是p点处高斯二阶偏导数和在该像素点处与待检测图像I的卷积，g为高斯函数；S313：对标准高斯二阶微分算子L_xx,L_xy,L_yy进行化简近似，分别用D_xx,D_xy,D_yy代替表示；这样对Hessian矩阵的行列式值用下式近似计算：det(H_approx)＝D_xxD_yy‑(0.9D_xy)²        (4)S314：定位特征点；经过Hessian矩阵处理过的每个像素点与其3维邻域的26个点进行大小比较，如果它是这26个点中的最大值或者最小值，则保留下来，当做初步的特征点；S32：对特征点进行特征描述，构建SURF特征描述符；S321：确定主方向；特征点的主方向保证了特征具有旋转不变性；首先，要在以特征点为圆心，以该特征点被检测出时所在的尺度s的6倍为半径的圆形区域内，计算待检测图像I在X方向和Y方向上的Haar小波响应值，接下来用一个张角为π/3的扇形以特征点为圆心、0.2弧度为步长旋转滑动，同时对扇形窗口内X方向和Y方向上的Haar小波响应值进行累加，最终得到一个矢量，选择最长矢量的方向为该特征点的主方向；S322：构建特征描述符；以特征点为中心，沿主方向将20s×20s的图像区域划分为4×4个子块，每个子块用尺寸2s的Haar模板进行响应值计算，并统计每个子块中Σdx、Σ|dx|、Σdy、Σ|dy|，这样就形成一个4×4×4＝64维的特征向量；S33：根据描述水体区域特征的特征描述符对两帧图像进行SURF特征点匹配；S34：在前后两帧图像中，目标区域的位置与尺度会发生相应的变化；所以对相邻帧之间匹配的SURF特征点的位置和尺度变化进行详细的统计，得出其与搜索窗口位置变动的关系，并通过对数据库中的400多帧图像的特征检测数据进行拟合，得到特征点尺度变化系数与窗口尺寸变化系数的函数关系；S4：利用支持向量机算法对实时视频中水体障碍物进行检测跟踪，具体步骤如下：S41：利用支持向量机算法对单帧图像进行水体障碍物检测；S42：对单帧图像进行SURF特征检测；S43：在下一帧图像中扩大搜索窗口；S44：检测搜索窗口内SURF特征点，并与上一帧图像进行特征点匹配；S45：将两帧匹配图像进行信息比对，计算相同特征点在两帧图像之间的移动情况，包括：特征点横向和纵向移动距离，特征点尺度变化程度；S46：根据特征点移动情况，对比前一帧图像的窗口尺寸和位置，计算出当前帧图像窗口移动位置和尺寸变化，当相邻两帧图像间相同特征点移动幅度超过s，则考虑将当前帧图像搜索窗口尺寸扩大s；S47：在当前帧图像的搜索窗口内利用支持向量机算法做精确水体障碍物检测，并获取包含水体障碍物的最小矩形为新的感兴趣窗口，返回步骤S43；直至所有帧图像均被检测完毕。