羅昆 孫一蓬

摘要：智能技術(shù)在現(xiàn)代社會發(fā)展當中十分普及與深入，因而出現(xiàn)了“無人駕駛”技術(shù)，此項技術(shù)在理論上可以解放人駕車時的雙手，通過智能系統(tǒng)來獲取路況、交警手勢、交通指示牌等信息，再決策駕駛策略，但實際上此項技術(shù)目前還沒有大范圍投入實際應(yīng)用當中，原因在于其信息獲取、識別能力還存在缺陷，對此本文出于改善目的，在深度圖像角度上針對“無人駕駛”技術(shù)的交警關(guān)鍵手勢獲取及預(yù)處理方法進行分析。

關(guān)鍵詞：深度圖像；交警關(guān)鍵手勢；預(yù)處理

中圖分類號：TP391.41 文獻標識碼：A 文章編號：1009-3044（2019）06-0178-03

關(guān)于“無人駕駛”技術(shù)的交警關(guān)鍵手勢獲取、識別、預(yù)處理方法，在早期研究當中主要通過數(shù)據(jù)手套來實現(xiàn)，即交警佩戴具有圖像信息傳輸功能的手套來指揮交通，而“無人駕駛”技術(shù)的智能系統(tǒng)能夠獲取到實時的圖像信息，并在短時間內(nèi)進行分析處理，最終決策駕駛方案，在理論上這種方法是可行的，但實際上因為早期技術(shù)水平不足，其識別精準性不足，說明智能系統(tǒng)的圖像信息處理、計算精度不足，因而需要采用一種精確性更高的計算方法來進行改善。

1 早期“無人駕駛”技術(shù)交警關(guān)鍵手勢獲取及預(yù)處理方法不足具體表現(xiàn)

早期“無人駕駛”技術(shù)單純在交警關(guān)鍵手勢獲取及預(yù)處理方面穩(wěn)定性表現(xiàn)良好，但因為精度不夠所以可靠性上相對不足。具體來說，不同的交警其因為身高、習慣等其他原因，其做出的關(guān)鍵手勢會存在差異，此時早期“無人駕駛”技術(shù)交警關(guān)鍵手勢獲取及預(yù)處理方法很難進行準確識別，同時在部分情況下，交警可能會做出一些近似指揮動作的手勢，此時智能系統(tǒng)容易受到誤導(dǎo)，相應(yīng)產(chǎn)生錯誤的駕駛策略[1]。此外，在上述問題表現(xiàn)當中可見，早期“無人駕駛”技術(shù)交警關(guān)鍵手勢獲取及預(yù)處理方法的精度存在缺陷，并會導(dǎo)致一些智能決策駕駛方案錯誤，所以對于交通安全有不利影響。

2 深度圖像交警關(guān)鍵手勢獲取方法

在“無人駕駛”技術(shù)基礎(chǔ)上，結(jié)合深度圖像對其中交警關(guān)鍵手勢特征、技術(shù)優(yōu)勢、步驟、預(yù)處理技術(shù)進行分析。

2.1 交警關(guān)鍵手勢特征

交警關(guān)鍵手勢是指交警指揮交通時的手勢動作，根據(jù)當前交警專業(yè)知識得知，關(guān)鍵手勢主要分為8種：停止、直行、變道、左轉(zhuǎn)彎、右轉(zhuǎn)彎、減速慢行、左轉(zhuǎn)彎待轉(zhuǎn)和靠邊停車，通過這些手勢，可以對駕車目標進行引導(dǎo)，完成交通指揮工作。在“無人駕駛”技術(shù)基礎(chǔ)上，8種交警關(guān)鍵手勢會衍生出8種相應(yīng)的圖像信息，而這些信息當中結(jié)合交警指揮時的方位得知，其中絕大部分都需要面向進行指揮，因此在無人駕駛車輛角度上，交警關(guān)鍵手勢信息不會出現(xiàn)中斷、斷續(xù)現(xiàn)象，全部都具有連續(xù)性特征，而在此特征條件下，任意兩個關(guān)鍵手勢動作的切換，都會出現(xiàn)上百幀的圖像信息序列，那么為了確保交警關(guān)鍵手勢識別的準確性，就需要智能系統(tǒng)具備識別幀內(nèi)圖像信息的能力。此外，值得注意的是在現(xiàn)代技術(shù)水平之下，無人駕駛技術(shù)在面對上百幀的圖像信息序列時，是無法對每一幀的序列進行直接識別的，所以在技術(shù)本身功能上，其準確性依舊存在缺陷，而為了消除缺陷影響，智能系統(tǒng)需要具有關(guān)鍵圖像信息特征識別、獲取能力，通過這些信息可以為智能化決策提供有利幫助[2]。

2.2 深度圖像在交警關(guān)鍵手勢獲取中的優(yōu)勢

在交警關(guān)鍵手勢獲取當中，深度圖像相較于彩色圖像具有以下優(yōu)勢：深度圖像得到的圖像信息可以排除交警做關(guān)鍵手勢的遮擋問題；深度圖像在絕大部分情況下，可以提取交警做關(guān)鍵手勢時的手臂動作，即使手臂動作與交警身體主干存在傾斜、跨越等情況，手臂信息是區(qū)分關(guān)鍵手勢、無用手勢的重要信息；深度圖像在對交警關(guān)鍵手勢獲取時，映入其獲取范圍中的交警身體主干灰度值不會發(fā)生變化，因為交警介于職業(yè)素養(yǎng)會保持直立狀態(tài)，以避免造成圖像干擾，而手臂的灰度值則具有靈活變化的特征，具體動態(tài)變化走向由交警手臂動作幅度而定，有利于手勢獲取的準確性；在識別邏輯之下，結(jié)合深度圖像獲取到的信息，可以分析出手勢特征，推斷出具體意圖，例如當手勢圖像信息顯示手臂上升，則說明交警正在做出手勢，再結(jié)合邏輯對比手勢含義，可區(qū)分當前手勢是否為關(guān)鍵手勢。綜合上述說明，深度圖像相較于早期的彩色圖像，在交警關(guān)鍵手勢獲取當中具有明顯優(yōu)勢[3]。

2.3 深度圖像交警關(guān)鍵手勢獲取步驟

結(jié)合前人研究，了解到一種利用深度圖像來獲取交警關(guān)鍵手勢的方法，具體獲取步驟分為5步，內(nèi)容如下。

步驟一：

依照智能系統(tǒng)功能，對深度圖像獲取的所有圖像信息，以視頻的方式進行排列，此時就得到了深度視頻流，對一系列深度視頻流進行深度解析，可以得到視頻幀序列。

2.4 深度圖像交警關(guān)鍵手勢獲取結(jié)果分析

針對上述像素點序列直方圖，以交警關(guān)鍵手勢當中的“右轉(zhuǎn)彎手勢”為例來進行分析。根據(jù)直方圖可見，其中橫軸代表了深度視頻幀序t、縱軸代表了像素點個數(shù)nt，在此基礎(chǔ)上進行分析得知，首先交警在做出右轉(zhuǎn)彎手勢時，其左臂必須向前伸直，且保持平整，該動作需要手臂脫離身體主干，所以會引起像素點發(fā)生變化，變化特征為：隨著手臂與身體主干脫離幅度增大，在整個動態(tài)過程當中像素點變化會持續(xù)上漲，而當動作完成且定制之后，像素點的變化則會停止，同時對應(yīng)像素點的前后像素點也不會發(fā)生變化。圖2為右轉(zhuǎn)彎關(guān)鍵手勢幀示意圖。

3 深度圖像交警關(guān)鍵手勢預(yù)處理方法

深度圖像交警關(guān)鍵手勢預(yù)處理方法主要分為3個步驟，即背景去除、中值濾波、歸一化處理，具體內(nèi)容如下所述。

1）背景去除

背景去除在本質(zhì)上是一種針對某場景，將其中無用信息起初，得到準確信息的一種方法，這種方法具有較高的通用性，所以在本文分析當中可以適用。具體方法上，首先需要采用背景重建方法對背景進行更新，更新之后可以得到新的背景模型，其次根據(jù)背景模型當中的參數(shù)特征，區(qū)分需求信息以及無用信息，最終將無用信息去除即可。但在本文分析當中，常規(guī)的背景去除方法并不能對準確性做出保障，所以需要對常規(guī)方法進行改良，對此本文主要采用背景差分對背景模型當中的可靠特征、深度圖像對光照不敏感的特性、場景不變的訓(xùn)練環(huán)境進行計算，在之后步驟當中，主要根據(jù)背景差分結(jié)果來確定模型當中，目標的具體位置，在改良方法應(yīng)用之下，可以有效降低距離不同背景物對目標的影響。圖3背景差分法框圖，圖中Ik代表當前圖像；Ibk代表背景圖像；Dk代表差分運算過程。圖4為差分法下的背景差分示意圖。

2）中值濾波

在差分法下應(yīng)用下，可以對深度圖像進行優(yōu)化，但其中還存在噪聲問題，那么為了降低噪聲影響，需要通過中值濾波來進行處理。中值濾波應(yīng)用當中，首先需要確定將某像素作為中心待處理為鄰域窗口w，其次針對窗口內(nèi)的像素，根據(jù)各像素的灰度值大小進行排列，同時需要確認各像素灰度值的均值，確認后用于代替選擇窗口像素點灰度值，最終在窗口移動過程中，就可以實現(xiàn)中值濾波處理。值濾波的表達式如公式（4）。

公式（4）：f（i，j）=median{f（r，s）}[∈]Nf（i，j）。式中f（r，s）代表W中任意像素點的像素值。

3）歸一化處理

在最小外接矩形條件下，先對手勢實際位置進行確認，之后，在最小外接矩形的四個邊界處，設(shè)置50個像素間隙，此時就形成了新外接矩形，最終在新外接矩形基礎(chǔ)上進行分割，得到手勢像素區(qū)，按比例縮放后得到120 x 120的歸一化圖像。圖5為歸一化處理下的最終圖像。

4 結(jié)語

本文主要對基于深度圖像的交警關(guān)鍵手勢獲取及預(yù)處理方法進行了分析，通過分析得到結(jié)論：早期的“無人駕駛”技術(shù)，在交警關(guān)鍵手勢獲取、預(yù)處理方法當中均存在準確性不足的問題，所以需要進行改善；在深度圖像基礎(chǔ)上，了解了交警關(guān)鍵手勢獲取方法、預(yù)處理方法的應(yīng)用，并對深度圖像的優(yōu)勢進行了闡述；根據(jù)圖5說明本文深度圖像預(yù)處理法有效。

參考文獻：

[1] 華旭奮，孫俊.基于深度信息的手勢識別算法研究[J].傳感器與微系統(tǒng)，2017（12）：122-125.

[2] VanBang L E，朱煜，趙江坤，等.基于深度圖像HOG特征的實時手勢識別方法[J].華東理工大學學報，2015，41（5）：698-702.

[3] 瞿暢，沈芳，于陳陳，等.基于Kinect深度圖像的腕部及手指活動度測量方法[J].中國生物醫(yī)學工程學報，2016，35（5）：626-630.

[4] 沈潔.基于手勢識別技術(shù)的交互式虛擬攝影系統(tǒng)設(shè)計與實現(xiàn)[J].現(xiàn)代電子技術(shù)，2018（5）：93-96.

【通聯(lián)編輯：張薇】