CN101567046A - 一种基于最小覆盖圆匹配的无人机目标识别方法 - Google Patents

Abstract

一种基于最小覆盖圆匹配的无人机目标识别方法，它有五大步骤：步骤一：对目标区域进行边缘检测，连通域标定，划分为若干个待匹配区域；步骤二：建立目标模型形状特征信息库；步骤三：对目标区域内所有待检测目标进行最小覆盖圆的检测，并同时记录其直径方位；步骤四：匹配目标模板同待匹配轮廓的直径，使得后续步骤可以在一定的方位内进行；步骤五：进行目标模板同待匹配轮廓的匹配，对目标区域的多个连通域目标依次进行；最后比较求得最小的像素灰度差的平方和(SSD)测度，其对应的轮廓匹配即为所求。本发明是利用计算几何、优化理论、计算机视觉等技术，实现了无人机多目标的识别，并大大提高识别目标的速度和精度，它具有广泛的实用价值和应用前景。

Description

一种基于最小覆盖圆匹配的无人机目标识别方法

(一)技术领域

本发明涉及一种基于最小覆盖圆(Smallest Covering Circle，SCC)匹配的无人机目标识别方法，属于航空航天和计算机视觉信息处理交叉技术领域。

(二)背景技术

无人机(Unmanned Air Vehicle，UAV)是一种有动力、可控制、能携带多种任务设备、执行多种任务，并能重复使用的无人飞行器。随着无人机性能的不断提高，以及其所具有的体积小、机动灵活、不易被发现等优点，使得无人机在侦察和巡逻、建筑物勘察、航空地图绘制、危险环境下的清障等军事和民用特殊领域显示出了巨大的应用潜力，因此一直受到世界各国的普遍重视。目标跟踪历来是无人机一个很重要的任务。

图像中颜色信息可以完全表征我们所获取的原始信息，理论上我们可以基于颜色信息进行所有信息的提取工作，但在实际情况中这是很难实现的。形状信息的借助可以有助于帮助人们以及机器完成目标的识别过程，在目标的形状描述方面，边缘，不变矩，傅立叶描述子，质心，矩形度等各种概念被引入，但是往往都随着实际情况的复杂出现了应用上的困难，如缩放，旋转造成的匹配困难。目前为止，使机器达到像人一样快速准确识别目标形状仍然是视觉领域一个亟待突破的难题。

相比于一般形状而言，圆形物体具有很好的几何对称性质。对旋转不敏感，使其较一般的形状更容易完成匹配的任务，简单的几何描述特性也使其可以很快地完成在缩放情况下的匹配。根据实际情况不同，目前圆形匹配可以采用最小二乘圆，最小覆盖圆，广义Hogh变换等多种方法进行拟合，检测或匹配。

最小覆盖圆是属于计算几何范畴中的一个问题，对于平面上有限点列p₁，p₂，p₃，...，p_n，寻找一个圆试图将所有点进行覆盖，称为最小覆盖圆问题。如图1、2，其非线形规划模型为：

$\stackrel{\min r}{s.t.\left|\right|x-p_i\left|\right|\≤r,i=\mathrm{1,2},\·\·\·,n}---\left(1\right)$

其中，x，p_i∈R²，n≥2。r，x分别为目标圆的半径及圆心，|| ||为范数符号，表示x，p_i的欧氏距离。

(三)发明内容

1、发明目的：

本发明提出了一种基于最小覆盖圆匹配的无人机目标识别方法，其目的是提供一种解决无人机在进行目标形状识别的有效策略，尤其是克服一般形状特征匹配方法在面对旋转缩放问题下的困难。

该方案以目标形状的最小覆盖圆，直径作为形状特征，可以快速准确进行待检测目标同已知目标的匹配。

2、技术方案：

对于一个凸区域的待匹配轮廓而言，我们定义其轮廓点为一个集合{p_i|i＝1，2…，n}，其直径定义为轮廓点集中任意两个点之间距离的最大值

$L=\underset{i,j-\mathrm{1,2},\·\·\·n}{\max }\left(p_i{p}_j\right),$ 其中i≠j                   (2)

显然除了标准的圆及弧形外，一般的凸区域形状直径都是有限的，对于特定无人机目标识别问题，待匹配轮廓基本上都可以认定为具有有限数量个直径。这样的情况下，意味着直径的方位可以基本确定整个待匹配轮廓的旋转方位。因此我们可以通过待检测目标体的直径同目标模型的直径进行初步匹配，基本确认待匹配轮廓的旋转方位。

在完成直径匹配之后，可大大减少旋转效应对于形状匹配的不良影响。然后我们可以通过最小覆盖圆的引入进行再匹配。对于待匹配轮廓的目标点集{p_i|i＝1，2…，n}，其最小覆盖圆是显然存在的，我们可以使用Shamos算法进行求解。

(1)计算点集S的凸壳CH(S)；

(2)计算CH(S)的直径，设为p[i]p[j]，以p[i]p[j]为直径做圆C，如果S中的点都在圆C内，则C就是所求的最小覆盖圆；否则转S3；

(3)计算点集S的最远点意义下的Voronoi图即Vor(S)；

(4)设v是Vor(S)中的一个Voronoi点，以v为圆心，v至S点集中3个最远点的距离为半径做圆，该圆就是所求。

最远点意义下的Voronoi定义如下：

最远点意义下的V图定义：以这些点为圆心，作过点集P中3个点的圆，该圆正好包含中其他全部点，这些点称为最远点意义下的Voronoi结点；这种最远点意义下的Voronoi结点及相应的无限凸多边形组成最远点意义下的V图。如图3所示。

在对待匹配轮廓求得最小覆盖圆的情况下，可以进行如下处理：

记最小覆盖圆的圆心为x，半径为r。计算待匹配轮廓到最小覆盖圆的一个映射关系。以最小覆盖圆的圆心为原点，建立极坐标系，对于待匹配轮廓点集{p_i|i＝1，2…，n}，改用极坐标的形式进行描述，对于点i，记为r_i(θ)，其中(r，θ)为相应的极坐标。最小覆盖圆可视为以圆心位置x为原点，建立的一个映射，对于向量

乘以一个缩放因子λ_i，缩放后的各向量终点构成最小覆盖圆。

则有

λ_i＝r/||p_ix||。                                        (3)

在以上两步骤完成的情况下，便可以使用一个最小覆盖圆及若干个缩放因子进行待检测待匹配轮廓形状的描述了，然后我们使用这些描述同模板轮廓进行匹配。

对模板轮廓，同样进行求最小外接圆及缩放因子的操作，模板轮廓点集为{q_j|j＝1，2…，m}，m≥n，对应的缩放因子为{μ_j}，然后便可以使用{λ_i}同{μ_j}的相似度比较，进行最优匹配的选定。当二者匹配度最高时，便可以认定匹配成功。

根据以上所述，本发明一种基于最小覆盖圆匹配的无人机目标识别方法，该方法具体步骤如下：

步骤一：对目标区域进行边缘检测，连通域标定，划分为若干个待匹配区域。

(1)边缘检测：采用Sobe1边缘提取算子对图像进行分析，采用Matlab默认选取阈值方式设定阈值，进行边缘检测。

(2)连通域标定：连通域标定是将图像中的连通域进行编号的一个过程。

Step1：从左到右从上到下进行扫描，遇到没有加标记的目标像索p时，给这个点的像素赋一新值。

Step2：给与P连接在一起(即相同连接成分)的像素添加相同的标记。

Step3：进一步给所有加标记像素连接在一起的像素添加相同的标记。

Step4：知道同一连通域的像素全部被添加标记。这样，一个连通区域就被添加了相同的标记，即赋予了相同的像素值。返回每个连接成分的像素点。这样图5中所有左上部分的区域在MatLab内部都被赋以新的属性编号。

Step5：返回到第一步，继续查找新的没有加标记的像素，重复以上Step1～4各个步骤。

连通标记算法可以找到图像中所有的连通成分，并对同一连通成分的所有点分配同一标记。二值图像连通域标记法处理后，得到n个标记的连通区域，第i个连通区域的像素值标记为i(i＝1，2，......n)。

步骤二：建立目标模型形状特征信息库，包括目标点集的最小覆盖圆，相应点的缩放因子，直径方位，注意j的编号从直径一端开始。

步骤三：对目标区域内所有待检测目标进行最小覆盖圆的检测，并同时记录其直径方位。

(1)计算点集{p_i}的凸壳CH；

(2)计算CH的直径，设为D，以D为直径做圆C，如果S中的点都在圆C内，则C就是所求的最小覆盖圆；否则转下述第(3)步；

(3)计算点集{p_i}的最远点意义下的Voronoi图即Vor(S)；

(4)设v是Vor(S)中的一个Voronoi点，以v为圆心，v至点{p_i}集中3个最远点的距离为半径做圆，该圆就是所求。

(5)记录直径(直径)方位以及缩放因子{λ_i}，注意i的编号从直径一端开始记起。

步骤四：匹配目标模板同待匹配轮廓的直径，使得后续步骤可以在一定的方位内进行，(注：所述的“在一定的方位内进行”，是指目标模板同待匹配轮廓的直径方向相同，匹配直接在该方向内进行)。

步骤五：进行目标模板同待匹配轮廓的匹配，对目标区域的多个连通域目标依次进行。

(1)从{μ_j}中m个点等分选取n个点μ_jn，然后计算其到点集{λ_i}的像素灰度差的平方和(Sum of Squared Differences，S SD)。

$S=\underset{i,\mathrm{in}=\mathrm{1,2},\·\·\·n}{\mathrm{\Σ}}{({\mathrm{\μ}}_{\mathrm{jn}}-{\mathrm{\λ}}_i)}^2---\left(4\right)$

(2)回到步骤四，换取另一个直径方位进行匹配，计算相应的，直到有限个方位计算完毕

(3)进行下一个区域的轮廓匹配，同上述(1)、(2)两步。

完毕后比较求得最小的SSD测度，其对应的轮廓匹配即为所求。

3、优点及效果：本发明一种基于最小覆盖圆匹配的无人机目标识别方法，它与现有技术比较，该方法可大大提高无人机识别目标的速度和精度，是解决无人机目标识别问题的有效途径，可广泛应用于航空、航天、机器人、工业生产等涉及图像信息处理的领域。

(四)附图说明

图1随机点集示意图

图2随机点集的最小覆盖圆

图3最远点意义下的V图

图4基于最小覆盖圆匹配的无人机目标识别方法的程序流程方框示意图

图5目标区域的待匹配目标

图6目标三角型的模板图像

图7对目标区域进行图像预处理后得到的边缘点集

图8应用本发明中的方法所得到的匹配结果

图中符号说明如下：

{λ_i}，i＝1，2，…n：待匹配轮廓计算最小覆盖圆之后，获得的缩放因子集合

{μ_j}，j＝1，2…m：目标模板对于最小覆盖圆的缩放因子集合

(五)具体实施方式

为了验证本发明所提出的一种基于最小覆盖圆匹配的无人机目标识别方法，这里在一幅图上画上三角形，矩形，圆形，平行四边形四种形状区域。以三角形为目标模板，进行匹配。实验环境为主频为1.7GHz、内存为1G的处理器。本发明一种基于最小覆盖圆匹配的无人机目标识别方法，该方法具体步骤如下：

步骤一：对目标区域进行边缘检测，连通域标定，划分为若干个待匹配区域。

(1)边缘检测：

采用Sobe1边缘提取算子对图像进行分析，采用Matlab默认选取阈值方式设定阈值，进行边缘检测。图5所示原图，在进行边缘提取后得到边缘图象图7。

(2)连通域标定：

连通域标定：连通域标定是将图像中的连通域进行编号的一个过程。

Step1：从左到右从上到下进行扫描，遇到没有加标记的目标像索p时，给这个点的像素赋一新值。如图5在矩形及椭圆形混合体中找到首个目标像素。

Step2：给与P连接在一起(即相同连接成分)的像素添加相同的标记。

Step3：进一步给所有加标记像素连接在一起的像素添加相同的标记。

Step4：知道同一连通域的像素全部被添加标记。这样，一个连通区域就被添加了相同的标记，即赋予了相同的像素值。返回每个连接成分的像素点。这样图(5)中所有左上部分的区域在MatLab内部都被赋以新的属性编号。

Step5：返回到第一步，继续查找新的没有加标记的像素，重复以上Step1～4各个步骤。

连通标记算法可以找到图像中所有的连通成分，并对同一连通成分的所有点分配同一标记。二值图像连通域标记法处理后，得到n个标记的连通区域，第i个连通区域的像素值标记为i(i＝1，2，......n)。图(5)中有两个连通域，我们的目标连通域是连通域2.

步骤二：建立目标模型形状特征信息库，包括目标点集的最小覆盖圆，相应点的缩放因子，直径方位。

步骤三：对目标区域内所有待检测目标进行最小覆盖圆的检测，并同时记录其直径方位。

(1)计算点集{p_i}的凸壳CH；

(2)计算CH的直径，设为D，以D为直径做圆C，如果S中的点都在圆C内，则C就是所求的最小覆盖圆；否则转下述第(3)步；

(3)计算点集{p_i}的最远点意义下的Voronoi图即Vor(S)；

(4)设v是Vor(S)中的一个Voronoi点，以v为圆心，v至点{p_i}集中3个最远点的距离为半径做圆，该圆就是所求。

(5)记录直径(直径)方位以及缩放因子{λ_i}。

步骤四：匹配目标模板同待匹配轮廓的直径，使得后续步骤可以在一定的方位内进行，所述的“在一定的方位内进行”，是指目标模板同待匹配轮廓的直径方向相同，匹配直接在该方向内进行。

步骤五：进行目标模板同待匹配轮廓的匹配，对目标区域的多个连通域目标依次进行。

如图5、图6所示，首先进行图5矩形及椭圆区域同图6所示三角形之间的匹配。

(1)从图6模板三角形缩放因子集合{μ_j}中m个点等分选取n个点，然后计算其到点集目标区域一矩形及椭圆区域缩放因子集{λ_i}的SSD测度；

(2)回到步骤四，换取另一个直径方位进行匹配，直到有限个方位计算完毕；

(3)进行下一个区域的轮廓匹配，同上述(1)、(2)两步。即进行模版三角形同目标区域三角形之间的匹配。如图5、6所示两个三角形之间的匹配。完毕后比较求得最小的SSD测度，其对应的轮廓匹配即为所求。图8给出了应用本发明方法所得到的无人机目标识别结果。图4是基于最小覆盖圆匹配的无人机目标识别方法的程序流程方框示意图。

该方法可大大提高复杂环境下无人机识别目标的速度和精度，是解决无人机目标识别问题的有效途径，可广泛应用于航空、航天、机器人、工业生产等涉及图像信息处理的领域。

Claims (1)

1、一种基于最小覆盖圆匹配的无人机目标识别方法，其特征在于：该方法的具体实现步骤如下：

步骤一：对目标区域进行边缘检测，连通域标定，划分为若干个待匹配区域；

(1)边缘检测：采用Sobel边缘提取算子对图像进行分析，采用Matlab默认选取阈值方式设定阈值，进行边缘检测；

(2)连通域标定：连通域标定是将图像中的连通域进行编号的一个过程；

Step1：从左到右从上到下进行扫描，遇到没有加标记的目标像索p时，给这个点的像素赋一新值；

Step2：给与P连接在一起即相同连接成分的像素添加相同的标记；

Step3：进一步给所有加标记像素连接在一起的像素添加相同的标记；

Step4：知道同一连通域的像素全部被添加标记，这样，一个连通区域就被添加了相同的标记，即赋予了相同的像素值；返回每个连接成分的像素点，这样目标区域的待匹配目标图中所有左上部分的区域在MatLab内部都被赋以新的属性编号；

Step5：返回到第一步，继续查找新的没有加标记的像素，重复以上Step1～4各个步骤；

连通标记算法可以找到图像中所有的连通成分，并对同一连通成分的所有点分配同一标记；二值图像连通域标记法处理后，得到n个标记的连通区域，第i个连通区域的像素值标记为i(i＝1，2，......n)；

步骤二：建立目标模型形状特征信息库，包括目标点集的最小覆盖圆，相应点的缩放因子，直径方位，注意j的编号从直径一端开始；

步骤三：对目标区域内所有待检测目标进行最小覆盖圆的检测，并同时记录其直径方位；

(1)计算点集{p_i}的凸壳CH；

(2)计算CH的直径，设为D，以D为直径做圆C，如果S中的点都在圆C内，则C就是所求的最小覆盖圆；否则转下述第(3)步；

(3)计算点集{p_i}的最远点意义下的Voronoi图即Vor(S)；

(4)设v是Vor(S)中的一个Voronoi点，以v为圆心，v至点{p_i}集中3个最远点的距离为半径做圆，该圆就是所求；

(5)记录直径、直径方位以及缩放因子{λ_i}，注意i的编号从直径一端开始记起；

步骤四：匹配目标模板同待匹配轮廓的直径，使得后续步骤可以在一定的方位内进行，所述的“在一定的方位内进行”，是指目标模板同待匹配轮廓的直径方向相同，匹配直接在该方向内进行；

步骤五：进行目标模板同待匹配轮廓的匹配，对目标区域的连通域目标依次进行；

(1)从{μ_j}中m个点等分选取n个点μ_jn，然后计算其到点集{λ_i}的像素灰度差的平方和即Sum of Squared Differences SSD；

$S=\underset{i,\mathrm{jn}=\mathrm{1,2},...n}{\mathrm{\Σ}}{({\mathrm{\μ}}_{\mathrm{jn}}-{\mathrm{\λ}}_i)}^2---\left(4\right)$

其中，

{λ_i}，i＝1，2，...n表示待匹配轮廓计算最小覆盖圆之后，获得的缩放因子集合；

{μ_j}，j＝1，2...m表示目标模板对于最小覆盖圆的缩放因子集合；

(2)回到步骤四，换取另一个直径方位进行匹配，计算相应的，直到有限个方位计算完毕；

(3)进行下一个区域的轮廓匹配，同上述(1)、(2)两步；

完毕后比较求得最小的SSD测度，其对应的轮廓匹配即为所求。

Images