• 
    

    
    

      99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

      近距大偏角圓形目標(biāo)的檢測

      2015-04-17 02:46:18劉曉俊孫永榮王瀟瀟楊博文
      計算機工程與應(yīng)用 2015年16期
      關(guān)鍵詞:近距偏角圓形

      劉曉俊,孫永榮,王瀟瀟,楊博文

      LIU Xiaojun,SUN Yongrong,WANG Xiaoxiao,YANG Bowen

      南京航空航天大學(xué) 自動化學(xué)院 導(dǎo)航研究中心,南京210016

      Navigation Research Center, College of Automation Engineering, Nanjing University of Aeronautics and Astronautics,Nanjing 210016,China

      目前,具有圓形特征目標(biāo)的圖像實時檢測技術(shù)在智能交通系統(tǒng)、智能監(jiān)控系統(tǒng)、軍事目標(biāo)檢測以及醫(yī)學(xué)導(dǎo)航手術(shù)中的器械定位方面具有廣泛的應(yīng)用價值。根據(jù)算法實現(xiàn)的基本原理,檢測算法可以分為Hough 變換算法以及模板匹配算法。霍夫變換是利用空間對偶關(guān)系,把原空間的問題轉(zhuǎn)換到對偶空間求解,即將圖像空間中的給定曲線通過數(shù)學(xué)表達式變?yōu)閰?shù)空間中的一個點,進而將曲線檢測問題轉(zhuǎn)化為尋找參數(shù)空間的峰值問題。但是,當(dāng)參數(shù)空間超過兩維時,這種變換的時間消耗和內(nèi)存需求急劇增大,在實際中難以實現(xiàn)和應(yīng)用。另外,國內(nèi)外學(xué)者以Hough 變換算法為基礎(chǔ),也提出了其他的一些改進算法,例如改進的Hough 變換[1-2]、隨機Hough變換(RHT)[3]、三點圓檢測算法[4-5]、利用梯度方向信息檢測圓算法[6]以及基于子圖分解的多圓橢圓檢測算法[7],然而,這些均是在算法的運行效率或者精確性方面進行改進,對于存在嚴重形變條件下的圓形特征目標(biāo)的檢測效果并不理想。根據(jù)匹配信息的不同,模板匹配算法有基于灰度相關(guān)和基于幾何特征兩類?;诨叶认嚓P(guān)算法根據(jù)圖像灰度信息進行匹配,算法原理簡單,但其抗干擾性差。基于幾何特征的模板匹配算法以模板的幾何基元[8-9],如邊緣角點、模板重心等作為匹配信息進行匹配。如基于Hausdorff 距離的模板匹配算法[10]和基于廣義霍夫變換的模板匹配算法[11]等,此類算法的魯棒性、實用性強,但其運算量大。雖然可以利用金字塔分割法來提高計算速度,但卻帶來了內(nèi)存消耗劇增的問題。

      當(dāng)圓形目標(biāo)與攝像機光軸不垂直時,目標(biāo)的俯仰和偏轉(zhuǎn)會導(dǎo)致其成像的變形;隨著目標(biāo)相對攝像機的距離減小,目標(biāo)相對攝像機的角度增大,成像形變同樣會越發(fā)嚴重。這種情況下,圓形目標(biāo)在攝像機的成像平面上呈現(xiàn)橢圓形,受自身不同的立體形狀以及光線不均等環(huán)境因素的影響,圓形目標(biāo)甚至?xí)尸F(xiàn)出一個類圓形變形體。由于幾何形狀特征的丟失,Hough 變換以及相關(guān)的改進算法對于此類近距大偏角的圓形目標(biāo)的檢測精度急劇下降、效率低下,甚至完全失效。模板匹配算法雖然可以實現(xiàn)微小變形條件下的圓心目標(biāo)的檢測,但是對于近距離大偏角條件下的圓形目標(biāo)的檢測精度也并不理想,同時檢測的效率也不能滿足實時性的要求。針對以上問題,本文提出了輪廓特征提取算法和輪廓信息輔助檢測算法,特征提取算法可以將目標(biāo)輪廓從現(xiàn)有輪廓中有效地檢測出來,而輪廓信息輔助算法則可以利用近距目標(biāo)所包含的細節(jié)信息,精確判定目標(biāo)輪廓的有效性。

      1 復(fù)雜背景預(yù)處理研究

      1.1 色彩空間轉(zhuǎn)換

      通過攝像機經(jīng)圖像采集卡獲取的實時圖像是以RGB 模型為存儲方式的,RGB 彩色模型是由紅(R)、綠(G)、藍(B)三基色組成,R、G、B 三基色混合而得到的彩色光的亮度等于各基色的亮度之和,三基色的比例決定了混合色的色調(diào)和飽和度。所以在實時采集的相鄰兩幀圖像在亮度上會存在差異;并且由于這種顏色空間的原理是物理學(xué)中的三色疊加原理,雖然應(yīng)用廣泛,但在處理圖像時往往因為三個分量的相關(guān)性而無法獲得滿意的結(jié)果。

      HSV 模型在計算機圖形中常被使用,該模型具有較強的感知度,其中H(hue)表示色調(diào),S(saturation)表示飽和度,V(value)表示物體表面反射光對人眼的刺激強度。本文中利用了HSV 模型中的亮度通道可以排除顏色信息的干擾、反映物體表面反射光能量的特性,在圓形目標(biāo)同攝像機距離較近、存在大偏角時,將圖像從RGB色彩空間轉(zhuǎn)換為HSV 色彩空間,來突顯目標(biāo)的輪廓特征,增強算法的處理效果,降低后期處理的復(fù)雜性。

      1.2 閾值分割處理

      閾值處理也稱為二值化,是一種圖像區(qū)域分割技術(shù)。它根據(jù)圖像中目標(biāo)與背景在灰度上的差異,通過選擇合適的閾值,判斷每一個像素是否滿足閾值要求,進而將圖像分割為兩個或多個灰度區(qū)間。但是,將圖像從灰度空間轉(zhuǎn)化為二值空間,必然會造成圖像細節(jié)信息的丟失。由于目標(biāo)距離、背景環(huán)境、光線條件的不同,采用單一的閾值分割處理效果并不理想;并且單一閾值分割處理也不能實現(xiàn)一幅圖像上不同類型信息的采集;本文通過對閾值分割處理方法中參數(shù)的連續(xù)調(diào)節(jié),實現(xiàn)了在各種不同環(huán)境條件下,對目標(biāo)圖像中干擾像素的濾除以及目標(biāo)輪廓的增強,提高了整體算法的有效性與魯棒性,如圖1(b)所示。

      圖1 閉運算處理結(jié)果

      1.3 閉運算處理

      通常由于噪聲的影響,圖像經(jīng)過閾值化處理后所得到的邊界往往存在“毛刺”,連通區(qū)域內(nèi)部會出現(xiàn)一些噪聲孔,背景中散布著小的噪聲物體,如圖1(b),使用閉運算可以有效地改善這種情況。

      閉運算是一種典型的形態(tài)學(xué)圖像處理方法;算法首先對圖像進行膨脹運算,然后對膨脹圖像再作腐蝕處理,不僅可以消除圖像中比核尺寸小的噪聲像素,對于比核尺寸大的輪廓區(qū)域,還可以消除邊界的“毛刺”,使圖像中的輪廓變得光滑,同時并不明顯改變其面積,如圖1(c)所示。

      2 高效輪廓提取算法

      經(jīng)過閉運算處理后的圖像雖然去除了背景中的一部分噪聲像素,目標(biāo)區(qū)域也得到了彌補與修正,但是仍然會留存有干擾像素;同時由于目標(biāo)圖像在近距大偏角情況下的嚴重形變,普通檢測算法的效果仍然不夠理想;為了實現(xiàn)目標(biāo)的精確檢測,首先要提取圖像內(nèi)的輪廓,然后通過輪廓特征的約束獲得目標(biāo)輪廓。

      2.1 嵌套雙層輪廓提取算法

      本文采用嵌套雙層輪廓提取方法[12-15]完成輪廓提取,同時去除圖像內(nèi)的層次干擾信息輪廓。算法中將最外層連通域的邊界定義為外輪廓,第二層連通域的邊界定義為內(nèi)輪廓,第三層連通域的邊界再次定義為外輪廓,依次類推,如圖2 所示,c“X”表示外輪廓,h“X”表示內(nèi)輪廓,“X”表示數(shù)字。實際圖像處理結(jié)果如圖3 所示,外邊緣輪廓為外輪廓,中間類圓輪廓為內(nèi)輪廓;利用二值形態(tài)學(xué)閉運算后內(nèi)部一般不會出現(xiàn)復(fù)雜嵌套結(jié)構(gòu)的特點,雙層輪廓提取算法可以快速、精確地濾除背景干擾所在層的輪廓。

      圖2 嵌套雙層輪廓示意圖

      圖3 嵌套雙層輪廓提取算法效果圖

      2.2 輪廓特征提取算法

      濾除內(nèi)層輪廓干擾之后,由于近距大偏角圓形目標(biāo)的成像會發(fā)生嚴重形變,通過傳統(tǒng)的圓形幾何特征約束從樹木、建筑物等復(fù)雜背景干擾輪廓中難以得到目標(biāo)輪廓,本文中使用了特殊的輪廓特征約束篩選預(yù)選輪廓,分別為:

      條件1計算輪廓的長h和寬w,目標(biāo)輪廓的長寬比需滿足如下條件:

      式中,kd為限定參數(shù),取值范圍為0.5 <kd<1。

      條件2計算輪廓的周長L,目標(biāo)輪廓的周長需滿足如下條件:

      條件3目標(biāo)輪廓的面積是所有滿足條件1、2 的輪廓中最大的。

      近距大偏角的圓形目標(biāo)成像一般呈橢圓形或類圓形變形體,所以可以通過計算預(yù)選輪廓外接圓的參數(shù),然后與預(yù)選輪廓的相應(yīng)參數(shù)對比,如果差值在容許范圍內(nèi),則判定該輪廓為圖像中目標(biāo)的初選輪廓,效果如圖3所示。

      2.3 輪廓信息輔助檢測算法

      在近距大偏角的情況下,雖然待檢測的圓形目標(biāo)成像形變嚴重,但是在目標(biāo)接近圖像采集設(shè)備的過程中,目標(biāo)成像尺寸增大,在圖像中所占的像素逐漸增多,目標(biāo)的細節(jié)信息不斷豐富,如圖1 所示。針對上述特點,應(yīng)用了圓形目標(biāo)細節(jié)特征匹配輔助輪廓檢測的方法。

      首先擬合初選輪廓的最小外接矩形,同時以初選輪廓中心點為中心,最小外接正矩形長、寬的1.25 倍為邊長,構(gòu)建框架特征矩形;然后,采集框架特征矩形各邊的特征點,如圖4 所示,實線類圓輪廓為初選輪廓,實線矩形輪廓為最小外接矩形,虛線矩形輪廓為框架特征矩形,圓形目標(biāo)在框架特征矩形各邊點集即為目標(biāo)細節(jié)特征點。計算目標(biāo)細節(jié)特征點在框架特征矩形各邊中所占的比例,如果該比例滿足如下條件,則可完全判定為目標(biāo)輪廓:

      式中,kp的取值范圍是(0,1),px1、px2、py1、py2 分別為各條投影邊上包含的目標(biāo)特征點數(shù)。

      圖4 最小外接矩形投影示意圖

      2.4 模板匹配算法

      雖然二值圖的模板匹配算法抗干擾性以及魯棒性比較差,不能單獨作為檢測算法,但是它的算法原理簡單,運行效率高,本文通過該算法對算法的運行效率以及穩(wěn)定性進行改善。具體步驟為:

      首先對目標(biāo)模板進行采集、存儲,并且實現(xiàn)對目標(biāo)模板的實時更新,以提高算法匹配度。同時將模板在目標(biāo)圖像中滑動,利用公式:

      得到模板與目標(biāo)圖像的匹配結(jié)果,并將結(jié)果存儲在對應(yīng)坐標(biāo)的二維數(shù)組空間中,公式中I表示目標(biāo)圖像,T表示模板,R表示匹配結(jié)果。

      然后在結(jié)果中搜索極值點。極值點的坐標(biāo)便是匹配區(qū)域的位置,而其值則反映了算法的匹配度,如若匹配度滿足要求,則判定為匹配成功。

      若匹配成功便將以匹配點為頂點,同模板大小相同的匹配區(qū)域作為下一次算法的檢測區(qū)域。下一時刻的檢測僅對該區(qū)域作處理,從而縮短了算法運行時間,增加了檢測效率,最終實現(xiàn)對近距大偏角圓形目標(biāo)的高效檢測,效果如圖5 所示,矩形框為匹配結(jié)果。

      圖5 模板匹配效果圖

      最終的近距大偏角圓形目標(biāo)高效檢測算法流程圖如圖6 所示。

      圖6 近距大偏角圓形目標(biāo)檢測算法流程圖

      圖7 匹配模板

      3 實驗驗證與結(jié)果分析

      為了對本文算法的效果進行驗證,將本文算法Hough變換算法[16-19]和模板匹配算法[20-21]分別做了對比性實驗,在不同的背景、不同的光照條件下,對大小為768 像素×576 像素的600 幅目標(biāo)圖像進行檢測,進而評價算法性能。算法采用C++進行編寫,測試平臺采用CPU 為Inter Core i7-3555LE(2.5 GHz)、內(nèi)存為4 GB 的計算機,匹配算法采用OpenCV 庫提供的平方差匹配法,為了能夠?qū)Σ煌叽绲哪繕?biāo)進行匹配識別,該算法首先將如圖7 所示的模板由50%至200%以1%的步長進行縮放,然后由縮放后的150 個模板組成模板庫,每一次檢測均需對所有模板進行匹配,然后將匹配最佳的區(qū)域作為檢測結(jié)果,該算法檢測成功率相對較高,但算法效率會非常低。

      為了更加直觀地顯示出算法的檢測效果,本文從600 幅圖像中挑選了6 幅具有代表性的圖像進行對比說明。如圖8(a1)~(f1)所示為本文算法對不同條件下目標(biāo)圖像的檢測效果圖,可以看出本文算法在不同背景環(huán)境、不同天氣條件、不同距離情況下均可以有效地檢測到近距大偏角圓形目標(biāo)。

      圖8 算法解算對比效果圖

      圖8(a2)~(c2)為Hough 變換算法的檢測效果圖,可以看出該算法的檢測區(qū)域同授油管輪廓并不精確吻合,解算穩(wěn)定性較差;該算法原理為尋找具有圓形形狀特征的目標(biāo),如圖(d1)、(e1)、(f1)所示,在圓形目標(biāo)距離攝像頭較近存在較大形變或者背景比較復(fù)雜時,檢測失效。

      圖8(a3)~(b3)為模板匹配算法對相同目標(biāo)圖像的檢測效果圖。如圖8(c1)、(d1)、(e1)、(f1)所示背景相對簡單(晴天天空),圓形目標(biāo)距離攝像頭較近,或者存在樹木干擾,背景比較復(fù)雜時,目標(biāo)圖像同匹配模板的相關(guān)系數(shù)下降,匹配算法解算失效。

      表1 為三種算法對600 幅目標(biāo)圖像的解算成功率以及平均解算時間的對比表,可以看出本文算法幾乎可以對所有的目標(biāo)圖像檢測成功,解算成功率具有明顯優(yōu)勢,同時解算時間基本可以達到實時性的要求;Hough變換算法解算時間具有較大優(yōu)勢,但是在目標(biāo)圖像變形嚴重或者存在遮擋、目標(biāo)形狀特征不明顯時,成功檢測率偏低。模板匹配算法的成功解算率依賴于目標(biāo)圖像同匹配模板的相似度,目標(biāo)圖像存在的偏轉(zhuǎn)角或者背景干擾物會降低兩者的匹配相關(guān)系數(shù),從而導(dǎo)致檢測失效,同時該算法效率相比于前兩種算法非常低,不能滿足實際工程的應(yīng)用要求。

      表1 算法檢測性能對比表

      4 結(jié)束語

      針對近距大偏角的圓形目標(biāo)難以檢測的問題,本文研究了基于圖像的近距大偏角圓形目標(biāo)的檢測算法,通過融合輪廓檢測算法和模板匹配算法,實現(xiàn)了對近距大偏角圓形目標(biāo)的高效檢測。實驗結(jié)果表明,文中所研究的檢測算法可以有效地適應(yīng)不同的背景環(huán)境,具有較強的魯棒性、實時性和穩(wěn)定性。

      [1] Kim Heung-Soo,Kim Jong-Hwan.A two-step circle detection algorithm from the intersection chords[J].Pattern Recognition Letters,2001,22(6/7):787-798.

      [2] Yin Peng-yeng.A new circle/ellipse detector using genetic algorithms[J].Pattern Recognition Letters,1999,20(7):731-740.

      [3] Xu L,Oja E.Randomized Hough transform:basic mechanisms,algorithms and computational complexities[J].Computer Vision Graphic Image Process:Image Understanding,1993,57(2):131-154.

      [4] Yoo J H,Sethi I K.An ellipse detection method from the polar and poles definition of conics[J].Pattern Recognition,1993,26(2):307-315.

      [5] 陳燕新,戚飛虎.一種新的基于隨機Hough 變換的橢圓檢測方法[J].紅外與毫米波學(xué)報,2000,19(1):43-47.

      [6] 陳燕新,戚飛虎.利用梯度方向信息的隨機Hough 變換[J].紅外與毫米波學(xué)報,1998,17(5):375-379.

      [7] 胡正平,王成儒,練秋生.基于圖像分解的快速多圓/橢圓檢測方法[J].儀器儀表學(xué)報,2002,23(3):292-294.

      [8] Shark L K,Kurekin A A,Matuszewski B J.Development and evaluation of fast branch-and-bound algorithm for feature matching based on line segments[J].Pattern Recognition,2007,40(5):1432-1450.

      [9] Paramanand C,Rajagopalan A N.Efficient geometric matching with higher-order features[C]//19th International Conf on Pattern Recognition,2008.

      [10] Huttenlocher D P,Klanderman G A,Rucklidge W J.Comparing images using the hausdorff distance[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1993,15(9):850-863.

      [11] Ulrich M,Steger C,Baumgartner A.Realtime object recognition using a modified generalized Hough transform[J].Pattern Recognition,2003,36(11):2557-2570.

      [12] Shi Jinwei,Guo Chaoyong.The extraction of circle contour based on improved boundary tracing[C]//2012 4th International Conference on Intelligent Human-Machine Systems and Cybernetics.Nanchang:IEEE Conference Publications,2012:104-107.

      [13] 楊淼,龔成龍,魏志強.基于彩色形態(tài)篩的建筑物主題輪廓提取算法[J].數(shù)據(jù)采集與處理,2011,26(3):263-268.

      [14] Liu You,Xin Chunbo.Template matching algorithm based on edge detection[C]//2011 International Symposium on Computer Science and Society.Kinabalu:IEEE Conference Publications,2011.

      [15] 張大奇,曲仕茹,石爽.基于序列圖像運動分割的車輛邊界輪廓提取算法[J].交通運輸工程學(xué)報,2009,9(3):117-121.

      [16] 付琰,盧榮勝,夏瑞雪,等.基于重要性采樣隨機Hough 變換圓檢測算法[J].電子測量技術(shù),2012,35(5):45-48.

      [17] Guo Siyu,Zhang Xufang,Zhang Fan.Adaptive randomized hough transform for circle detection using moving window[C]//2006 Proceedings of the Fifth International Conference on Machine Learning and Cybernetics.Dalian:IEEE Conference Publications,2006:3880-3885.

      [18] 張翼,孫永榮,王艷,等.圓形目標(biāo)實時檢測的改進算法研究[J].計算機與數(shù)字工程,2012,40(3):89-92.

      [19] 王艷,孫永榮,張翼,等.圓形工件檢測及對準(zhǔn)方法的研究與實現(xiàn)[J].現(xiàn)代電子技術(shù),2012,35(10):62-67.

      [20] 謝志江,呂波,劉琴,等.旋轉(zhuǎn)不變性圖像模板匹配快速算法[J].吉林大學(xué)學(xué)報,2013(3).

      [21] 王欣,殷肖川,周翔翔.一種改進的模版匹配識別算法[J].計算機工程與應(yīng)用,2007,43(36):238-240.

      猜你喜歡
      近距偏角圓形
      基于CEL方法的鋼制平板近距水下爆炸數(shù)值模擬
      近距空戰(zhàn)訓(xùn)練中的智能虛擬對手決策與導(dǎo)引方法
      翼吊長涵道發(fā)動機短艙內(nèi)偏角優(yōu)化和機理研究
      2018全國Ⅱ卷選修3-4中偏角的解法探討
      歐姆表偶然誤差分析
      為什么窨井蓋大多都是圓形的
      近距二次反射式楊氏模量測量儀簡介
      物理實驗(2017年2期)2017-03-21 07:20:41
      肥皂泡為什么是圓形?
      圓形題
      圓形變身喵星人
      广元市| 余姚市| 平阳县| 平陆县| 丹江口市| 河西区| 潍坊市| 鹤庆县| 静海县| 西乡县| 汉沽区| 阿瓦提县| 临潭县| 赤城县| 万盛区| 大竹县| 白玉县| 贵州省| 鲁甸县| 佛坪县| 滨州市| 石屏县| 拉萨市| 化州市| 罗平县| 射洪县| 获嘉县| 淅川县| 永州市| 黔西县| 宜丰县| 长治市| 龙里县| 胶州市| 武安市| 德阳市| 长岭县| 阿坝县| 海城市| 儋州市| 舟山市|