无人机红外遥感影像人体目标识别方法研究

董少敏 马永政 郭 丽 付 浩

（1.某部队，浙江 舟山 316000；2.集美大学计算机学院，福建 厦门 361021）

0.引言

在野外救援中，利用无人机对周边环境进行侦查监视，对于救援环境实时感知具有重要的意义。利用无人机搭载可见光、红外传感器可以远距离快速发现人体目标，并依据相应算法对数据进行秒级预处理，然后把预处理数据通过通讯单元快速传输给后方专家系统，形成科学的救援方案，辅助救援决策，以提高救援速度，争取黄金救援时间减少人员的伤亡。

红外成像（特别是远红外成像）相较于可见光成像具有显著的优势。由于红外图像是热成像，不依赖于外界光线条件，即使在黑暗和烟雾环境，也可以探测到人体发射的红外信息并成像。同时红外线图像还具有良好的切割特性。但是红外线图像自身存在的特性,如低反差、低信噪比、无法校验的黑白极性颠倒及其身体周边易产生的光晕效果等,导致红外线图像中身体目标的测量、跟踪和行为识别依然是一个极具挑战性的课题[4]。特别是对于人体这种非刚体目标，运动的主观随意性强、无固定规律、姿态和形状变化大，增加了目标提取的难度。

赵君钦[1]提出了一种改进的Haar-like特征提取算法，在Haar-like特征中融合了HOG特征，较好地对目标边缘的特征进行了Haar-like增强，对目标的外形特征能够有效地进行分析，充分利用了所提出的特征提取算法，并弥补了样本空间不足的缺点，能够将分割出的ROI准确地分为人体目标、汽车和其他目标等三类。范峻铭[2]提出了一种深度学习和场景标定的头部检测算法，选择深入学习实现行人的检测；多目标跟踪匹配是经过多个跟踪目标关系的相似性和目标特征确定与检测结果的匹配关系。李建福提出了复合分类特征的序列红外人体实时检测方法，目的是较快检测到序列红外图像中的人体目标。为了提高描绘人体目标候选地域特点的准确度，融入了形体特点、亮度分布惯性特征和方向梯度直方图特点，最后通过使用支持向量机对候选地域做出划分以测试[3，4]。

以上方法在人体目标提取中都取得了一定的研究成果，但针对无人机红外影像人体目标提取方法尚存在不足。针对以上现状，本文研究了利用形态学方法识别无人机红外影像中的人体目标，为野外医疗救援提供技术支撑。

1.基本原理

数学形态学是具有严格理论基础的学科，最基本的理论是利用集合论作为数学语言和基础，用集合论对一定的形态构建起结构元素，对元素进行度量与解析，从而对图像进行分析与解译，达到识别的目的。具体应用方法如下：在保持图像基本特征的前提下，简化图像数据，去除图像数据之间的无关结构，尽量保留图像数据之间并行实现的结构，移动图像数据集中的一个结构元素，在结构元素和图像数据集之间执行集合运算。利用形态学识别红外影像中人体目标的主要步骤是：对原始影像进行去噪、增强等处理后，对影像进行分割，将不同目标分割为不同的基元，最后根据人体的形态学特点对人体目标进行识别。主要流程（如图1所示）：

1.1 红外影像预处理

红外传感器成像的特点导致红外影像上噪声点较多，对于后期的目标识别有一定影响，因此要对影像进行去噪处理。红外影像是灰度图像，它的噪声分布与椒盐噪声(saltand-pepper noise)非常相似。椒盐噪声也称为脉冲噪声，可以随机改变一些像素值。在二值图像上，它将一些像素变为白色，一些像素变为黑色。图像处理和解码是由明暗通道产生的。因此，要想更好地消除图像上的噪声点，可以用低通滤波法。常用的低通滤波方法有中值滤波、高斯滤波和均值滤波等。对于红外图像中类似椒盐噪声的点，中值滤波或均值滤波可以有效地消除。其中，高斯滤波算法计算复杂，图像中会出现影像模糊现象，所以红外影像滤波中一般不采用。中值滤波是一种基于统计理论的非线性信号处理技术，抑制噪声效果明显。

图1 红外影像人体目标识别流程

由于红外影像反映的是目标的热辐射特征，因此图像的对比度通常较低。在后期处理过程中，为了提高目标解译的成功率，需要进行影像的增强处理。灰度影像的增强通常采用直方图均衡化或线性拉伸的方法。直方图均衡化计算相对复杂，而线性拉伸比较简单，且线性拉伸后得到的影像更适合后期的分割处理。所以红外影像的对比度采用线性拉伸法去增强。

直方图线性拉伸也称为对比度拉伸，其基本数学基础是采用分段线性变换函数，这也是一种较为简便的数学工具，主要通过提高图像处理时灰度级的动态范围，来实现影像的增强处理。具体实现过程是，对一定的灰度区间进行有意选择，并对其拉伸，从而改善输出图像。这个过程主要目的有两个：（1）处理图像偏暗（图像的灰度集中在较暗的区域所致），用灰度拉伸功能来拉伸目标灰度区间以改善图像；（2）处理图像偏亮（图像灰度集中在较亮的区域所致），用灰度拉伸功能来压缩目标灰度区间以改善图像质量。

1.2 红外影像分割

在计算机视觉和图像解译的技术体系里，图像分割是具有底层支撑性质的基本技术，它把图像按某种技术标准进行分割，得到若干个特定的、具有独特性质的区域，并对这些区域解算，从而获取感兴趣的目标。从图像处理到图像分析，这个技术点是至关重要的一环，从具体算法技术层面来说，它是用特定技术标准把数字图像划分，即图像分割，得到不相交区域，这个过程也可以理解为一个标记过程，也就是把具有同一区域特征的像素赋予相同的编号。

红外图像分割最主要方法是依据图像的某些特征或者特征集合相似性准则，对图像像素进行分类与聚类，把图像特征划分为一系列具有特性意义的区域。经过1.1 步骤噪声去除和对比度增强处理后的红外影像质量得到明显提升，利用影像分割方法可以将影像中不同的目标与背景分割开来，作为目标识别的先验知识。按照总体分割策略，可分为基于模型的分割和基于图像数据的分割。基于模型的分割是指在分割时根据被分割对象的先验模型及知识规则指导分割过程[5]。基于图像数据的分割是一种直接分割法，首先确立图像的基本特征，并根据这些特征对高分辨率空间图像数据进行分割。

鉴于红外图像对比度低、边缘模糊、信噪比低，且需达到实现简单、实时性好、复杂度低、分割精度高的要求，同时考虑救援无人机红外影像及实际应用场景，综合考虑上述红外图像分割方法优缺点，决定采用多尺度分割和光谱差异分割相结合的方法为人体目标识别做准备工作。基本实现方法为：

（1）基于先验知识确定包含目标的感兴趣区域；

（2）根据多尺度算法求取直方图；

（3）根据光谱差异性算法求取相应分割参数；

（4）对（2）与（3）进行最优化迭代；

（5）确定最佳的分割参数并结合边缘信息获得最终的分割结果。

1.3 基于形态学的人体目标识别

经过红外影像预处理和红外影像分割的图像，可看作是一个二值数学形态学问题。二值数学形态学的基本运算有4个：膨胀、腐蚀、开启和关闭。基于这些运算可以组合和推导出不同的数学形态学算法。

在红外遥感影像上，车辆、建筑物、背景等大多数目标属于刚体目标，有比较规则的形状特征，可以建立模板库对此类目标进行识别。而人体目标形状特征不是十分明显，且人体是非刚体，形态变化多样，难以用固定的模板进行描述。需要针对人体目标形态多变的特点设计更加科学的模板，提高人体目标识别的成功率。

人体目标虽然形态变化多样，但是主体骨架特点也比较明显，躯干、四肢、头几个主体部分在红外影像上有代表性特点。因此，利用形态学的方法，提取目标的骨架，并对骨架特征进行分析，与人体骨架特征模板库相比较，可以识别出人体目标。人体骨架集的特征主要有尺度（Scale）、形状（Shape）、互相比例关系（Ratio）、邻接关系（Neighbourhood），利用以上4 个特征信息能够比较客观有效描述出人体的形态学特点，且对于人体的不同运动姿态具有鲁棒性（如图2所示）：

图2 人体形态学描述符

根据人体常见的运动姿态，对红外影像人体目标运动姿态建立模板库，并利用上述描述符（形状、尺度、方向、邻接关系）对模板库中的目标进行描述，作为人体识别时的匹配模板（如图3所示）。

图3 人体运动模板库

2.实验及分析

为了验证提出方法的有效性，使用红外相机拍摄的影像进行了测试实验。实验数据的具体情况（如表1所示），实验环境为Dell台式计算机，处理器为Intel i7处理器，内存16GB，硬盘2000G，操作系统Windows7 64位，开发环境为MATLAB 2012。实验中共采取具有代表性的4组数据，其中A组包含单个人体目标，B组包含多个人体目标，C组为低对比度影像，D组不包含人体目标，作为干扰项测试算法的鲁棒性。利用提出的方法分别对4组数据进行测试，以此验证方法的有效性。实验结果（如图4—图7所示）：

表1 实验数据情况

图4A组原始影像a经过预处理，进行图像分割得到b图，其中蓝色区域为具有关联性特征区，经形态学人体目标识别得到图c，其中红色区为识别到的1个人体。

图5B组原始影像a经过预处理，进行图像分割得到b图，其中蓝色区域为具有关联性特征区，经形态学人体目标识别得到图c，其中红色区为识别到的5个人体。

图4 A 组数据实验结果

图5 B 组数据实验结果

图6 C 组数据实验结果

图6C组原始影像a经过预处理，进行图像分割得到b图，其中蓝色区域为具有关联性特征区，经形态学人体目标识别得到图c，其中红色区为识别到的2个人体。

图7 D 组数据实验结果

图7D组原始影像a经过预处理，进行图像分割得到b图，其中蓝色区域为具有关联性特征区，经形态学人体目标识别无人体，故不再输出结果。

从A、B、C组实验的结果来看，不论是单个人体目标还是多个人体目标，所提出的方法均能够有效地识别出红外影像中的人体目标，特别是对于C组影像的亮度较低，对比度较差的恶劣条件仍然能够正确识别人体目标。而对于D组数据，影像分割后将与人体形态模板库进行匹配没有识别出人体目标，说明算法具有一定的鲁棒性。

3.结束语

识别红外无人机遥感影像中的人体目标对于野外医疗救援具有重要的意义。本文在充分分析红外遥感影像特点的基础上，提出了一种红外影像人体目标识别算法，主要流程包括影像预处理、影像分割、基于形态学的人体识别。利用具有代表性的红外影像对所提出的方法进行了实验验证，实验结果表明，无论是单个人体目标，还是多个人体目标，甚至在亮度较低、对比度较小的红外影像中，均可以识别出人体目标。