CN101131733A - 一种自适应目标定位方法 - Google Patents
一种自适应目标定位方法 Download PDFInfo
- Publication number
- CN101131733A CN101131733A CNA2006100623243A CN200610062324A CN101131733A CN 101131733 A CN101131733 A CN 101131733A CN A2006100623243 A CNA2006100623243 A CN A2006100623243A CN 200610062324 A CN200610062324 A CN 200610062324A CN 101131733 A CN101131733 A CN 101131733A
- Authority
- CN
- China
- Prior art keywords
- target
- energy
- adaptive
- value
- candidate
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
一种自适应目标定位方法,计算原始图像的能量值;基于自适应能量滤波进行目标粗定位,得到目标侯选区;对目标候选区域进行检验;若该候选区域为真正的候选区,则进行后续步骤,否则,重新进行目标粗定位;对检验通过的目标区域进行修正;最后输出定位的目标精确位置。本发明先通过一种自适应的高通能量滤波快速地粗分割出目标的候选区域,再用较为细致的纹理特征对候选区域进行校验和修正,最后得到目标的精确位置,定位速度快、准确率高、鲁棒性强,特别适用于实时目标自动识别系统中的目标定位。
Description
技术领域:
本发明涉及图像处理和模式识别领域中的目标自动定位。
背景技术:
在图像处理和模式识别领域的目标自动识别技术中,目标定位是一个至关重要的环节,其定位的速度和准确程度直接影响到目标识别系统的性能。当前目标定位的方法主要有模板匹配、利用颜色信息、基于小波和形态学相结合、二值化投影等方法。这些方法主要存在的缺陷是:
1、系统参数的调节受环境因素(如天气、摄像角度、捕获图片的质量等)的影响较大,即当这些环境因素发生改变时由于参数选择不当往往会造成目标的误定位和漏定位;
2、计算复杂度较高,因此目标定位速度往往较慢,从而影响目标识别系统整体的实时性能。
而在实时目标识别系统中,对于目标定位速度和系统的鲁棒性(Robust)要求都很高,因此快速、高准确率的自适应目标定位方法成为图像处理和模式识别领域中的研究热点。
发明内容:
本发明要解决的技术问题是,提出一种自适应目标定位方法,能够快速准确地定位待识别的目标,且参数调节受环境因素的影响小。
本发明的技术方案包括以下步骤:
步骤1:计算原始图像的能量值;
步骤2:基于自适应能量滤波进行目标粗定位,得到目标侯选区;
步骤3:对目标候选区域进行检验;若该候选区域为真正的侯选区,则进行后续步骤,否则,重新进行目标粗定位。
步骤4:对检验通过的目标区域进行修正;
步骤5:最后输出定位的目标精确位置。
步骤1中的计算原始图像的能量值,是将原图像平均划分为大小为n×n的小方块,然后分别计算各个小方块内的能量值,最后计算这些能量值的统计值。
步骤中的进行目标粗定位,是先通过高通能量滤波将图像中能量低的区域滤除掉,然后在剩余能量高的区域根据目标形状的先验知识粗分割出目标的候选区域。包括以下步骤:
步骤2-1根据计算出来能量数组的统计值确定一个初始阈值;
步骤2-2由选取的阈值滤除能量低的区域,即能量小于该阈值的小方块区域被滤除掉;
步骤2-3将剩下的能量高且相邻的小方块区域连通在一起;
步骤2-4根据目标形状的先验知识检查高能量的连通区域有无可能目标,若有则输出该目标作为候选区域,执行后面步骤3,否则执行步骤2-5;
步骤2-5将本次阈值减去一步长值从而确定一个新的阈值,然后重新执行步骤2-2。
步骤3对目标候选区域进行检验,是指利用目标较为细致的纹理特征进一步去除掉那些干扰区域并将真正的目标区域分割出来,可以包括以下步骤:
3-1二值化候选区域,提取一些行作为检验行;
3-2对各检验行的跳变次数进行计数;
3-3计算跳变次数均值和各行跳变次数方差;
3-4由均值和方差校验该候选区是否为真正的侯选区。
本发明根据目标在某一方向上能量高并且集中的特点,先通过一种自适应的高通能量滤波快速地粗分割出目标的候选区域,再用较为细致的纹理特征对候选区域进行校验和修正,最后得到目标的精确位置。该方法定位速度快、准确率高、鲁棒性强,特别适用于实时目标自动识别系统中的目标定位。因此具有很强的实时性和鲁棒性,尤其适用于车牌识别、人脸识别等实时识别系统。
附图说明:
图1是本发明提出的目标定位方法的总体流程图。
图2是本发明通过自适应能量滤波法快速粗定位目标的流程图。
图3是对目标粗定位的结果进行校验的流程图。
具体实施方式:
本发明流程如图1所示,其步骤描述如下:
步骤1:计算原始图像的能量值。在图像处理中,能量是一种描述目标整体特征的统计参数。这里图像能量值的计算过程是将原图像平均划分为大小为n×n的小方块,然后分别计算各个小方块内的能量值,最后计算这些能量值的统计值(如均值等)。划分小方块的优点一是将对原始图像所有像素的处理转化为对缩小了n×n倍的二维数组处理,这样可极大加快了后面目标分割速度,二是可去除掉该方向上特征值跳变剧烈但分布稀疏的区域,从而最大限度地减少噪声的影响。
步骤2:基于自适应能量滤波进行目标粗定位。在原始图像中,目标区域往往是在某一方向上特征值跳变剧烈且集中的区域。所以基于自适应能量滤波进行目标粗定位的主要思想是先通过一种高通能量滤波快速地将图像中绝大部分平滑区域(即能量低的区域)滤除掉,然后在剩余能量高的区域根据目标形状的先验知识粗分割出目标的候选区域。这里所谓的自适应是指用于能量滤波的阈值是根据原始图像本身的能量分布和目标分割的结果自动调节。阈值的取值至关重要,因为阈值若过大,真正的目标区域有可能部分或全部被滤除掉,从而出现漏定位;若阈值过小,会出现大量的干扰区域,不仅会大幅度增加后面检验时间,还会导致错定位。本步骤的具体处理流程如图2所示,其主要过程如下:
步骤2-1:根据计算出来能量数组的统计值确定一个初始阈值;
步骤2-2:由选取的阈值滤除能量低的区域,即能量小于该阈值的小方块区域被滤除掉;
步骤2-3:将剩下的能量高且相邻的小方块区域连通在一起;
步骤2-4:根据目标形状的先验知识检查高能量的连通区域有无可能目标(即候选目标),若有则输出该目标候选区域(即目标粗定位结果)执行后续步骤3,否则执行步骤2-5;
步骤2-5:将本次阈值减去一步长值从而确定一个新的阈值,然后重新执行步骤2-2;
通过以上步骤,少量包含目标的候选区域便被快速地分割出来。
步骤3:对目标候选区域进行检验。基于能量滤波进行目标粗定位主要利用了目标较为粗略的纹理特征快速地分割出目标候选区域。而目标定位检验则利用目标较为细致的纹理特征进一步去除掉那些干扰区域并将真正的目标区域分割出来。相对于能量计算,通常细致的纹理特征计算复杂度要高得多。但是由于进行了上一步的粗定位,目标的校验仅在较小的候选区域进行,因此并不影响系统的整体实时性。通过对目标候选区域进行检验,若该候选区域为非真目标区域则重新进行粗定位,可以执行步骤2-5,否则执行后续步骤4。
步骤4:对检验通过的目标区域进行修正。由于在以上步骤中,为了加快定位速度和降低噪声的影响,各个步骤均采用基于小方块为单位进行处理。因此目标的定位结果不可避免地引入了方块效应,即真实目标的位置和实际定位结果可能存在一定范围的偏差,所以必须恢复到以像素为单位来对定位的目标区域进行修正处理。修正时可在较小的范围内使用模板匹配或提取更精细的纹理特征等方法来进行最后的目标精确定位。
步骤5:最后输出定位的目标精确位置,用于以后的识别工作中。
下面以本发明在车牌自动识别系统中车牌定位的应用为例来进一步地详细说明。
本发明方法根据车牌在图像中的水平方向上能量高而集中的特点,首先用上述自适应能量滤波法快速地分割出车牌候选区域,再用车牌较为细致的纹理特征对候选区域进行检验去除掉伪车牌区域而得到车牌的大致区域,最后对车牌的大致区域进行修正得到车牌的精确位置,从而达到快速和精确定位车牌的目的。其
具体过程如下:
1设原始输入图像大小为M×N,先将该图像(M×N)平均划分为大小为8×8的小方块;
2计算各个小方块内的能量值。在数字图像处理中,能量的计算表达式如下:
式中,p(x,y)为图像坐标(x,y)的特征值。考虑到在实际捕获的汽车图片中,车牌区域往往是在水平方向上灰度值跳变剧烈且集中的区域,所以选取p(x,y)为水平方向上的灰度差分值,即:
p(x,y)=|2I(x,y)-I(x-1,y)-I(x+1,y)| (2)
则,第(i,j)小方块的能量值计算如下:
3然后将各个小方块内的能量值量化到(0,255)区间;
4选取初始的阈值Th,且Thmin≤Th≤Thmax,其中阈值上限Thmax和阈值下限Thmin计算如下:
5接着通过选取的阈值粗分割出车牌候选区域,即:
式中,Th为选取的阈值,B(i,j)=1表示(i,j)在原图中对应的大小为8×8的区域为车牌候选区域,反之为其它区域而被滤除掉。
6然后将B(i,j)=1且相邻的区域连接成连通体C(k)(k=1,...);
7根据车牌区域在水平方向上能量集中的特点和车牌形状的先验知识,并得到包围C(k)的最小矩形框R(k)。再由R(k)的水平宽度可进一步去掉部分非车牌区域,即:若
Width(R(k))<l (6)
则R(k)为非车牌区域,被滤除掉。式(6)中Width表示区域的水平宽度,l是与车牌实际宽度成正比的常系数。检查有无满足式(6)的R(k),若有执行后面第9步;若无则执行下面第8步;
8若Th10≥Thmin,则Th=Th-10重新执行第5步;若Th-10<Thmin,则判断无车牌退出;
9检验R(k)是否有真车牌区域,若有真车牌则输出车牌的粗分割位置进行第10步修正,若无真车牌区域则执行第8步。
图3是在步骤中对车牌粗定位的结果进行校验的流程。能量滤波主要利用了车牌较为粗略的纹理特征快速地分割出车牌的候选区域,而车牌的检验则利用车牌较为细致的纹理特征进一步去除掉那些干扰区域并将真正的车牌区域分割出来。根据我国车牌的特点,一般有7至10个字符,将车牌区域二值化并进行水平扫描后,一般可得18至30次的跳变次数,且在垂直方向上各行的跳变次数相差较小。因此可选取候选区域在水平方向的跳变次数均值和各行跳变次数方差作为校验车牌的特征,具体步骤如下:
9-1值化候选区域,提取中间行上下各3行(包括中间行)共7行作为检验行;
9-2水平扫描各检验行,对各检验行的跳变次数进行计数得到ch(i)(i=1,...,7);
9-3计算跳变次数均值Mean和各行跳变次数方差Dev,即:
9-4由均值和方差判断,即若:
18≤Mean≤30且Dev≤40 (9)
则该候选区域是车牌区域,否则为非车牌区域。步骤9-1中取候选区域中间部分作为检验行是为了避免因车牌上下边定位不准和车牌歪斜带来的负面影响。
10车牌定位修正。经过车牌检验,干扰区域基本上被滤除掉,剩下的车牌区域因方块效应可能存在左右和上下边的错位,所以还需进一步进行修正以便车牌识别时字符的分割和识别。车牌的修正也是根据车牌在水平方向上灰度值跳变剧烈且集中的特点,先用水平Sober算子提取灰度图中车牌字符的水平边缘并二值化,再用形态学的膨胀算子处理,使车牌上所有字符连通在一起,最后由水平和垂直投影可在图像的像素级别上确定车牌的上下和左右边,从而实现车牌的精确定位。
Claims (6)
1.一种自适应目标定位方法,包括以下步骤:
步骤1:计算原始图像的能量值;
步骤2:基于自适应能量滤波进行目标粗定位,得到目标候选区;
步骤3:对目标候选区域进行检验;若该候选区域为真正的侯选区,则进行后续步骤,否则,重新进行目标粗定位;
步骤4:对检验通过的目标区域进行修正;
步骤5:最后输出定位的目标精确位置。
2.权利要求1所述的自适应目标定位方法,其特征在于,所述步骤1中的计算原始图像的能量值,是将原图像平均划分为大小为n×n的小方块,然后分别计算各个小方块内的能量值,最后计算这些能量值的统计值。
3.权利要求1所述的自适应目标定位方法,其特征在于,所述步骤2中的进行目标粗定位,是先通过高通能量滤波将图像中能量低的区域滤除掉,然后在剩余能量高的区域根据目标形状的先验知识粗分割出目标的候选区域。
4.权利要求3所述的自适应目标定位方法,其特征在于,进行目标粗定位包括以下步骤:
步骤2-1根据计算出来能量数组的统计值确定一个初始阈值;
步骤2-2由选取的阈值滤除能量低的区域,即能量小于该阈值的小方块区域被滤除掉;
步骤2-3将剩下的能量高且相邻的小方块区域连通在一起;
步骤2-4根据目标形状的先验知识检查高能量的连通区域有无可能目标,若有则输出该目标作为候选区域,执行后面步骤3,否则执行步骤2-5;
步骤2-5将本次阈值减去一步长值从而确定一个新的阈值,然后重新执行步骤2-2。
5.权利要求1所述的自适应目标定位方法,其特征在于,所述步骤3对目标候选区域进行检验,是指利用目标较为细致的纹理特征进一步去除掉那些干扰区域并将真正的目标区域分割出来。
6.权利要求5所述的自适应目标定位方法,其特征在于,对目标候选区域进行检验,包括以下步骤:
3-1二值化候选区域,提取一些行作为检验行;
3-2对各检验行的跳变次数进行计数;
4-3计算跳变次数均值和各行跳变次数方差;
4-4由均值和方差校验该侯选区是否为真正的侯选区。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2006100623243A CN101131733A (zh) | 2006-08-22 | 2006-08-22 | 一种自适应目标定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNA2006100623243A CN101131733A (zh) | 2006-08-22 | 2006-08-22 | 一种自适应目标定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN101131733A true CN101131733A (zh) | 2008-02-27 |
Family
ID=39128996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNA2006100623243A Pending CN101131733A (zh) | 2006-08-22 | 2006-08-22 | 一种自适应目标定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN101131733A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682299A (zh) * | 2012-05-11 | 2012-09-19 | 中国科学院半导体研究所 | 一种基于字符整体特征的快速车牌验证方法 |
CN103400400A (zh) * | 2013-08-07 | 2013-11-20 | 南京巨鲨显示科技有限公司 | 一种基于区域的图像校正方法 |
CN104268584A (zh) * | 2014-09-16 | 2015-01-07 | 南京邮电大学 | 一种基于分层过滤的人脸检测方法 |
CN105913082A (zh) * | 2016-04-08 | 2016-08-31 | 北京邦焜威讯网络技术有限公司 | 一种对图像中目标进行分类的方法及系统 |
CN107203754A (zh) * | 2017-05-26 | 2017-09-26 | 北京邮电大学 | 一种基于深度学习的车牌定位方法及装置 |
CN110773842A (zh) * | 2019-10-21 | 2020-02-11 | 大族激光科技产业集团股份有限公司 | 一种焊接定位方法及装置 |
-
2006
- 2006-08-22 CN CNA2006100623243A patent/CN101131733A/zh active Pending
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102682299A (zh) * | 2012-05-11 | 2012-09-19 | 中国科学院半导体研究所 | 一种基于字符整体特征的快速车牌验证方法 |
CN103400400A (zh) * | 2013-08-07 | 2013-11-20 | 南京巨鲨显示科技有限公司 | 一种基于区域的图像校正方法 |
CN103400400B (zh) * | 2013-08-07 | 2017-03-01 | 南京巨鲨显示科技有限公司 | 一种基于区域的图像校正方法 |
CN104268584A (zh) * | 2014-09-16 | 2015-01-07 | 南京邮电大学 | 一种基于分层过滤的人脸检测方法 |
CN105913082A (zh) * | 2016-04-08 | 2016-08-31 | 北京邦焜威讯网络技术有限公司 | 一种对图像中目标进行分类的方法及系统 |
CN105913082B (zh) * | 2016-04-08 | 2020-11-27 | 北京邦视科技有限公司 | 一种对图像中目标进行分类的方法及系统 |
CN107203754A (zh) * | 2017-05-26 | 2017-09-26 | 北京邮电大学 | 一种基于深度学习的车牌定位方法及装置 |
CN107203754B (zh) * | 2017-05-26 | 2019-04-12 | 北京邮电大学 | 一种基于深度学习的车牌定位方法及装置 |
CN110773842A (zh) * | 2019-10-21 | 2020-02-11 | 大族激光科技产业集团股份有限公司 | 一种焊接定位方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11797886B2 (en) | Image processing device, image processing method, and image processing program | |
CN109191459B (zh) | 连铸坯低倍组织中心偏析缺陷的自动识别与评级方法 | |
CN108038883B (zh) | 一种应用于公路路面视频图像的裂缝检测及识别方法 | |
CN111260616A (zh) | 一种基于Canny算子二维阈值分割优化的绝缘子裂纹检测方法 | |
CN101131733A (zh) | 一种自适应目标定位方法 | |
JP2012002531A (ja) | ひび割れ検出方法 | |
CN113109368A (zh) | 玻璃裂纹检测方法、装置、设备及介质 | |
CN105447489B (zh) | 一种图片ocr识别系统的字符与背景粘连噪声消除方法 | |
CN111354047B (zh) | 一种基于计算机视觉的摄像模组定位方法及系统 | |
CN110807763A (zh) | 一种陶瓦表面鼓包检测方法及系统 | |
CN111753749A (zh) | 一种基于特征匹配的车道线检测方法 | |
CN111553878A (zh) | 基于双目视觉的沥青路面混合料摊铺均匀性的检测方法 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN112614109A (zh) | 图像质量评估方法、装置以及计算机可读存储介质 | |
JP2013002839A (ja) | ひび割れ検出方法 | |
CN114359251A (zh) | 一种混凝土表面破损的自动识别方法 | |
CN113971681A (zh) | 一种复杂环境下带式输送机边缘检测方法 | |
CN116563298B (zh) | 基于高斯拟合的十字线中心亚像素检测方法 | |
CN104408430B (zh) | 一种车牌定位方法及装置 | |
CN111178111A (zh) | 二维码检测方法、电子设备、存储介质及系统 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN112465817B (zh) | 一种基于方向滤波器的路面裂缝检测方法 | |
CN115222652A (zh) | 一种成捆钢筋端面的识别计数及中心定位方法与其存储器 | |
CN109272498B (zh) | 一种枯叶图图卡视频的实时细节自动分析方法 | |
JP2009236550A (ja) | 欠陥検出方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |