一种障碍物模型检测算法*

孙 茜， 余幸运

(北京工商大学 计算机与信息工程学院，北京 100048)



一种障碍物模型检测算法*

孙 茜， 余幸运

(北京工商大学 计算机与信息工程学院，北京 100048)

针对观测场景结构复杂、建模困难的问题，提出了一种基于运动目标跟踪的场景障碍物模型检测方法。结合对目标的检测与跟踪过程，利用空间投影关系确定场景中障碍物的位置，并将其映射到场景模型上，即可得到场景观测模型。该方法只需要对目标运动进行简单地跟踪和统计，不需要进行三维结构恢复以及图像拼接处理，能够有效解决场景的在线自适应建模问题。

场景模型； 障碍物检测； 图像传感器网络

0 引 言

一般来说，恢复场景结构是指对同一场景的图像或图像序列进行三维重建，获得场景三维结构的过程。其核心思想是利用图像序列推导出空间点在空间中的三维坐标位置及像机的位置和方向。常见的方法包括轮廓法[1,2]、纹理法[3,4]、变焦法[5,6]等等。比较经典的研究包括Faugeras在摄影重建中利用基础矩阵证明，如果两幅图像间的基础矩阵已知，就可以实现摄影重建[7]；Hartley R I提出了像机自标定和分层欧式重建的算法，即从摄影重建到仿摄重建再由仿摄重建到欧式重建[8]。Rother C等人提出了一种线性多视图重建和恢复像机参数的方法[9]。国内一些学者也提出了改进的三维重建的方法，如张永福等人提出了一种基于分层的线性迭代三维重建方法，线性迭代地实现了相机的自定标,完成到欧氏重建的过渡[10]。上述这些方法可以准确恢复场景的三维结构，而实际上，在视频监控这一应用中，为实现对场景进行有效监测，需要建立场景的观测模型，这其中主要需要标明场景中障碍物所在位置以方便像机的部署。因此，无需精确恢复场景的三维结构，只须标明场景中障碍物分布情况即可。

鉴于上述场景建模过程复杂的问题，本文提出一种基于运动目标跟踪的在线自适应场景建模方法。结合对目标的检测与跟踪过程，利用空间投影关系确定场景中障碍物的位置，并将其映射到场景模型上，即可得到场景观测模型。该方法只需要对目标运动进行简单地跟踪和统计，不需要进行三维结构恢复以及图像拼接处理，能够有效解决场景的在线自适应建模问题。

1 算法基本思想

造成像机不能或不能完全观测到目标的原因有两种，一种是由目标的大小或像机和目标之间的位置引起的；另一种则是由于场景中存在障碍物，由障碍物的遮挡所引起的，如图1所示，像机C3不能观测到目标。

当目标出现在观测区域内，像机的自身参数及像机间的相对位置和姿态都已知时，假设有两个以上的像机可同时观测到某一目标，则该目标的位置可以通过投影关系确定。因而，首先可以确定目标能被哪些像机观测到，不能被哪些像机观测到。此时，若预期能够观测到目标的像机在实际检测中不能观测到目标，则认为像机和目标之间存在障碍物遮挡，但障碍物的具体位置和形状大小还需进一步分析和确定。

图1 观测场景示意图Fig 1 Schematic diagram of observation scene

2 观测场景映射算法

首先，为计算简便，对观测场景做离散化处理，将其划分成小的网格点。场景模型的建立过程即是确定每个网格点性质的过程：有无被障碍物遮挡、是否为场景的热点区域。对于每一帧图像，每个像机在其视场内进行目标检测算法。如图1所示，像机C1和C2可以完全观测到目标，而像机C3,C4和C5则或是由于像机的视场限制，或是由于障碍物的遮挡而无法观测到目标。

在同一时刻，若有2台或2台以上的像机可以同时观测到目标，则像机到目标的视场在观测区域的投影为无障碍遮挡区域，如图1所示，区域1和区域2所在位置。

此时，由于目标的位置可以确定，像机的自身参数及像机间的相对位置和姿态都是已知的，因此，可以预先确定每个像机对目标的可视性：可以观测到目标和不能观测到目标。若预期能观测到目标的像机此时并不能观测到目标，则认为像机到目标的视场在观测区域的投影为潜在遮挡区域，如图1所示，区域3所在位置。

若判断网格点为非遮挡区域，则该处的值不再更新，而潜在遮挡区域在每次算法执行过程中其值都需要更新，直至其被判断为非遮挡区域。如果某些区域连续被判断为潜在遮挡区域则其值一直累加，达到一定信任度阈值，则被确定为障碍物遮挡区域。

像机通过对场景中目标的长期观测，可以逐步确定场景中网格点的性质，将被障碍物遮挡的区域标记出来。

程序流程图如图2所示。

图2 障碍物检测算法程序流程图Fig 2 Procedure flow chart of obstacle detection algorithm

3 算法性能分析

实际监控过程中，场景中传感器的数量、性能指标、场景的复杂程度、图像拍摄数量等等都会影响对场景中障碍物的检测。下面将针对不同情况，对本文提出的算法进行评估。

假设监控区域为100 m×100 m，网格密度为1 ，场景中部署单个或多个障碍物。网络中所有像机节点均同构，节点传感半径R=30 m或R=50 m，像机的观测角为θ=45°。目标在场景中随机运动，拍摄图片数量分别为n=50幅或n=100幅。

图3所示为不同传感器数量，拍摄不同图片数量的情况下，对场景中障碍物的误检率。误检率的定义为估计错误的网格数与场景中所有网格数之比。由图可知，随着传感器数量的增加，对场景中存在单个或多个障碍物的情况，本文提出的算法可以将障碍物估计的误检率控制在10 %以下，且随着传感器感知半径的增加以及拍摄图片的增加，误检率会明显的降低。

图3 传感器数量、参数及拍摄图片数对误检率的影响Fig 3 Influence of sensor number,parameters andimage number on false detection rate

4 仿真结果与分析

给定监控区域大小为Ω=100 m×100 m，网格密度为1 m，场景中部署单个障碍物，目标大小为r=3 m。网络中所有像机节点均同构，节点传感半径R=30 m，像机的观测角为θ=45°，图片数量为n=500幅。图4所示为给定区域模型，图5所示为仿真得到的区域模型，该场景下障碍物的误检率为2.73 %。

图4 给定区域模型Fig 4 Given scene model

图5 利用本文算法得到的区域模型Fig 5 Scene model calculated by this algorithm

5 结束语

本文针对视频监控这一应用提出一种基于运动目标跟踪的场景障碍物模型检测方法。通过对目标的检测与跟踪过程，利用空间投影关系确定场景中障碍物的位置，并将其映射到场景模型上，即可得到场景观测模型。该方法只需要对目标运动进行简单地跟踪和统计，不需要进行三维结构恢复和图像拼接处理，能够有效解决场景在线自适应建模问题，避免了传统的三维重建计算量大、模型复杂等问题。

[1] Rajagopalan A N,Chaudhuri S.An MRF model-based approach to simultaneous recovery of depth and restoration from defocused images[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1999,21(7):577-589.

[2] Favaro P,Soatto S.A geometric approach to shape from defo-cus[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2005,27(3):406-417.

[3] Clerc M,Mallat S.The texture gradient equation for recovering shape from texture[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(4):536-549.

[4] Basri R,Jacobs D,Kemelmacher I.Photometric stereo with gene-ral,unknown lighting[J].International Journal of Computer Vision,2007,72(3):239-257.

[5] Noakes L,Kozera R.Nonlinearities and noise reduction in 3-source photometric stereo[J].Journal of Mathematical Imaging and Vision,2003,18(2):119-127l.

[6] Pollefeys M,Koch R,Gool L V.Self-calibration and metric reconstruction inspite of varying and unknown intrinsic camera parameters[J].International Journal of Computer Vision,1999,32(1):7-25.

[7] Faugeras O D.What can be seen in three dimensions with an uncalibrated stereo rig[C]∥European Conference on Computer Vision,Berlin Heidelberg:Springer，1992:563-578.

[8] Hartley R I.An algorithm for self calibration from several view-s[C]∥Proceedings of IEEE Confference on Computer Vision and Pattern Recognition,1994:908-912.

[9] Rother C.Linear multi-view reconstruction and camera recover-y[C]∥Proceedings of IEEE International Conference on Com-puter Vision,2001:42-50.

[10] 张永福,刘侍刚,裘国永等.分层的线性迭代三维重建方法[J].传感器与微系统,2010,29(10):71-74.

An algorithm for obstacle model detection*

SUN Qian, YU Xing-yun

(School of Computer and Information Engineering,Beijing Technology and Business University,Beijing 100048,China)

Aiming at problem of complex observation scene structure and difficulty of modeling,a scene obstacle model detection method is proposed based on moving target tracking.Combined with target detection and tracking,using spatial projection relation to determine position of the obstacles in the scene,and map it onto the scene model,and the scene observation model can be obtained.The method only need simply tracking and statistics of target motion,do not need 3D reconstruction and image matching.It can realize online adaptive modeling of scene effectively.

scene model; obstacle detection; image sensor networks

10.13873/J.1000—9787(2016)12—0119—03

2016—10—19

北京工商大学青年教师科研启动基金资助项目(QNJJ2015—20)； 北京市市属高校创新能力提升计划资助项目(PXM2014—014213—000033)； 2014年度北京市市属高校青年拔尖人才培育计划资助项目(CIT&TCD201404031)

TP 212.9

A

1000—9787(2016)12—0119—03

孙 茜(1985-)，女，山东烟台人，博士，讲师，从事图像传感器网络、水环境监测研究工作。