CN101859384A - 目标图像序列度量方法 - Google Patents

Abstract

本发明披露了一种用于自动目标识别算法评价的目标图像序列度量方法，该方法利用帧间目标变化程度来度量目标图像序列。帧间目标变化程度的计算式中包含三个元素，分别为：(1)目标纹理变化程度，主要描述了图像序列中帧间目标纹理的变化信息，其中纹理信息利用灰度共生矩阵进行描述；(2)目标大小变化程度，主要描述了图像序列中帧间目标大小的变化信息，其中目标大小信息利用包含目标最小矩形的长和宽表示；(3)目标位置变化程度，主要描述了图像序列中帧间目标位置变化信息，其中目标位置利用目标在图像中的坐标来表示。本方法实现了对目标序列图像的度量，可以为自动目标识别算法评价提供准确可靠的输入信息。

Description

目标图像序列度量方法

(一)技术领域：

本发明涉及的是一种自动目标识别中的图像度量方法，特别是针对目标图像序列的度量方法。属于自动目标识别领域。

(二)背景技术：

自动目标识别技术是当今军事技术研究领域的一个前沿课题。在自动目标识别算法的理论研究方面，基于各种理论的算法层出不穷、日新月异，空频域滤波、小波变换、模版匹配、卡尔曼滤波、粒子滤波等理论都已经应用到算法的设计中。算法创新上的瓶颈已经不再是缺乏理论的支持或是算法本身如何构造，而是如何客观准确地评价算法性能，从而指导算法的设计。在评价自动目标识别算法性能时，许多学者利用图像库测试其算法，但却很难准确比较这些算法的性能。因为在某个图像库上得出的测试结果不一定在其它图像库上也能得出相同的结果；而且，由于测试时往往使用的是有限个战场条件下的图像，算法的性能测试也就被限制在少数战场条件范围内，无法验证所有战场条件下的鲁棒性。另外，很多学者在评价算法时使用自己采集或模拟合成的图像，利用这些图像对算法进行评价可靠性更低。因此，算法性能评价迫切要求对输入图像进行准确的定量描述。

对国内外相关文献进行总结分析后发现，该领域的研究主要集中在对单幅图像的度量，目前为止尚未发现针对图像序列特点的图像度量方法。然而，目标跟踪作为自动目标识别的重要组成部分，面对的正是由多帧图像构成的图像序列，这使得对图像序列的度量成为不可忽视的问题。目前应用最广泛的图像度量方法如目标与背景对比度(TBC)、目标信噪比(SNR)、信杂比(SCR)等都只是考虑了单幅图像内部的相关因素，而没有考虑多幅图像之间的相互影响，所以这些指标用于图像序列的度量是不妥当的。在检索中，迄今为止尚未发现有关于包含目标的图像序列度量方面的报道。所以，设计一种目标图像序列度量方法具有很强的实际意义。

(三)发明内容：

本发明的目的在于提出一种目标图像序列度量方法，以实现对序列图像的定量度量，该方法突破传统图像度量方法只针对单幅图像的局限性，利用本发明提出的方法可以有效的描述目标图像序列，为目标跟踪算法评价提供可靠的输入。

本发明目标图像序列度量方法，是通过如下步骤来实现：

步骤1：标定图像序列中各帧图像中包含目标的最小矩形

人工确定目标在每帧图像中的坐标位置，并记录能够包含目标最小矩形的长和宽。

步骤2：计算图像序列的目标纹理变化程度

计算每帧图像中包含目标最小矩形内图像的共生矩阵CM_i，并将每帧图像的共生矩阵带入式(1)，计算得到目标纹理变化程度c_i的值：

$c_i=\frac{1}{N-1}\underset{i=2}{\overset{N}{\mathrm{\Σ}}}\left(\frac{\mathrm{\Σ}|{\mathrm{CM}}_i-{\mathrm{CM}}_{i-1}|}{\mathrm{\Σ}|{\mathrm{CM}}_i+{\mathrm{CM}}_{i-1}|}\right)---\left(1\right)$

其中，N为图像序列中的图像数目，共生矩阵的计算方法可由如下例子表述：

如图1所示，图1(a)为3×3像素大小的一幅图像，灰度值如图中所示。共生矩阵为一个N×N的矩阵，N为图像中可能出现的灰度值的数目，如对于一幅灰度值范围为0～255的图像，N＝256，在该实例中N＝3。共生矩阵的计算中，每个像素对计算该矩阵的贡献取决于该像素相邻像素的灰度分布，以图1(a)中的中心像素为例，该像素的灰度值为2，与其相邻有1个1，3个2，4个3，则该像素对共生矩阵的贡献如图1(b)所示。依照上述规则，可以得到图像图1(a)完备的共生矩阵，如图1(c)所示。

步骤3：计算图像序列的目标大小变化程度

将步骤1记录得到的每帧图像中包含目标最小矩形的长l_i和宽w_i带入到式(2)，计算得到目标大小变化程度c_s的值：

$c_s=\frac{1}{N-1}\underset{i=2}{\overset{N}{\mathrm{\Σ}}}(\frac{|l_i-l_{i-1}|}{l_{i-1}}+\frac{|w_i-w_{i-1}|}{w_{i-1}})---\left(2\right)$

其中，N为图像序列中的图像数目。

步骤4：计算图像序列的目标位置变化程度

根据步骤1记录得到的每帧图像中目标的位置以及包含目标最小矩形的长l_i和宽w_i，计算得到图像序列中目标从第(i-1)帧到第i帧的位移d_i以及第i帧中目标图像的各向平均尺寸(目标矩形长和宽的平均值)Δ_i，并将它们带入到式(3)，计算得到目标位置变化程度的值c_p。

$c_p=\frac{1}{N-2}\underset{i=3}{\overset{N}{\mathrm{\Σ}}}\frac{|d_i-d_{i-1}|}{{\mathrm{\Δ}}_{i-2}}---\left(4\right)$

步骤5：计算图像序列的帧间目标变化程度

将步骤2、3、4计算得到的目标纹理变化程度c_i、目标大小变化程度c_s以及目标位置变化程度c_p带入到公式(5)计算得到帧间目标变化程度IFCDT的值。

$\mathrm{IFCDT}=\sqrt{{c_i}^2+{c_s}^2+{c_p}^2}---\left(5\right)$

本发明的实现方法是步骤1-5，计算得到的帧间目标变化程度IFCDT的值即为本发明度量图像序列的结果。该方法的创新之处在于，利用目标在帧间的变化信息来定量地度量图像序列，该信息中包含的纹理、大小及位置信息。

本发明的优点及功效在于：该目标图像序列度量方法实现定量的序列图像度量，打破了传统方法只能对单幅图像进行度量的局限；同时，该方法包含了目标纹理、大小和位置的信息，描述的信息全面。

(四)附图说明：

图1为本发明中关于灰度共生矩阵计算的实例。

图2为本发明实施例中包含20帧图像的目标图像序列。

(五)具体实施方式：

以下通过具体的实施例对本发明的技术方案作进一步的详细描述。

本实例中用到的图像序列为飞机图像序列，该序列包含20帧图像，如图2所示。

整个实施例的具体实现过程如下：

步骤1：标定并记录图像序列各帧图像中目标的位置以及包含目标最小矩形的长和宽。

本实施例对图2中的20帧图像中目标在图像中的坐标位置，以及包含目标最小矩形的长和宽进行了标定和记录，结果如表1所示。

表120帧图像中目标坐标位置及包含目标最小矩形的长宽值

帧序号	坐标(x方向)	坐标(y方向)	长	宽
					1	151	121.5	36	19
2	154	120.5	38	19
					3	159.5	118	39	20
4	163.5	116.5	39	23
					5	170	114	40	24
6	177	112.5	40	27
					7	176.5	112	39	28
8	178	117	38	30
					9	177	122	38	32
10	175.5	124.5	37	33
					11	172.5	126	35	36
12	166.5	129.5	33	37
					13	165	130	32	38
14	165	125.5	30	41
					15	171	116.5	28	39

帧序号	坐标(x方向)	坐标(y方向)	长	宽
					16	175.5	116	25	38
17	180	117	24	42
					18	179.5	122	19	40
19	177.5	124.5	19	39
					20	173.5	127.5	17	39

步骤2：计算图像序列的目标纹理变化程度

本实施例中根据步骤1标定的包含目标最小矩形，同时根据图1所示的方法计算得到每帧图像中包含目标最小矩形内图像的共生矩阵CM_i，并将每帧图像的共生矩阵带入式(1)，

$c_i=\frac{1}{N-1}\underset{i=2}{\overset{N}{\mathrm{\Σ}}}\left(\frac{\mathrm{\Σ}|{\mathrm{CM}}_i-{\mathrm{CM}}_{i-1}|}{\mathrm{\Σ}|{\mathrm{CM}}_i+{\mathrm{CM}}_{i-1}|}\right)---\left(1\right)$

在实施例中，N为图像序列中的图像数目20，计算得到目标纹理变化程度c_i的值为0.1977。

步骤3：计算图像序列的目标大小变化程度

本实施例中根据步骤1标定的每帧图像中包含目标最小矩形的长l_i和宽w_i带入到式(2)，

$c_s=\frac{1}{N-1}\underset{i=2}{\overset{N}{\mathrm{\Σ}}}(\frac{|l_i-l_{i-1}|}{l_{i-1}}+\frac{|w_i-w_{i-1}|}{w_{i-1}})---\left(2\right)$

在实施例中，N为图像序列中的图像数目20，计算得到目标大小变化程度c_s的值为0.2226。

步骤4：计算图像序列的目标位置变化程度

本实施例中根据步骤1记录得到的每帧图像中目标的位置以及包含目标最小矩形的长l_i和宽w_i，计算得到图像序列中目标从第(i-1)帧到第i帧的位移d_i以及第i帧中目标图像的各向平均尺寸(目标矩形长和宽的平均值)Δ_i，并将它们带入到式(3)，计算得到目标位置变化程度的值c_p等于0.1232。

$c_p=\frac{1}{N-2}\underset{i=3}{\overset{N}{\mathrm{\Σ}}}\frac{|d_i-d_{i-1}|}{{\mathrm{\Δ}}_{i-2}}---\left(3\right)$

步骤5：计算图像序列的帧间目标变化程度

本实施例中将步骤2、3、4计算得到的目标纹理变化程度c_i、目标大小变化程度c_s以及目标位置变化程度c_p带入到公式(4)计算帧间目标变化程度IFCDT的值，最终得到帧间目标变化程度的值等于0.3222。

$\mathrm{IFCDT}=\sqrt{{c_i}^2+{c_s}^2+{c_p}^2}---\left(4\right)$

该实施例中，图2所示序列的度量结果为：该序列的帧间目标变化程度的值为0.3222。

Claims (4)

1.一种目标图像序列度量方法，其特征在于：人工标定并记录下图像序列各帧图像中目标的位置，以及包含目标最小矩形的长和宽，利用帧间目标变化程度IFCDT来度量目标图像序列，帧间目标变化程度的计算式中包含三个变量，分别为：目标纹理变化程度c_i、目标大小变化程度c_s以及目标位置变化程度c_p，本发明建立的帧间目标变化程度计算公式如式(1)所示。

$\mathrm{IFCDT}=\sqrt{{c_i}^2+{c_s}^2+{c_p}^2}---\left(1\right)$

2.根据权利要求1所述目标图像序列度量方法，其特征在于：计算公式中的变量目标纹理变化程度c_i主要描述了序列图像中不同帧图像之间纹理的变化信息，利用式(2)获取：

$c_i=\frac{1}{N-1}\underset{i=2}{\overset{N}{\mathrm{\Σ}}}\left(\frac{\mathrm{\Σ}|{\mathrm{CM}}_i-{\mathrm{CM}}_{i-1}|}{\mathrm{\Σ}|{\mathrm{CM}}_i+{\mathrm{CM}}_{i-1}|}\right)---\left(2\right)$

其中，CM_i为序列第i帧图像中包含目标最小矩形内图像的共生矩阵，N表示图像序列包含的图像数目。

3.根据权利要求1所述目标图像序列度量方法，其特征在于：计算公式中的变量目标大小变化程度c_s主要描述了序列图像中不同帧图像之间所包含目标大小的变化信息，利用式(3)获取：

$c_s=\frac{1}{N-1}\underset{i=2}{\overset{N}{\mathrm{\Σ}}}(\frac{|l_i-l_{i-1}|}{l_{i-1}}+\frac{|w_i-w_{i-1}|}{w_{i-1}})---\left(3\right)$

其中，N为图像序列中的图像数目，l_i为权利要求1中记录的第i帧图像中包含目标最小矩形的长，w_i为权利要求1中记录的第i帧图像中包含目标最小矩形的宽。

4.根据权利要求1所述目标图像序列度量方法，其特征在于：计算公式中的变量目标位置变化程度c_p主要描述了序列图像中不同帧图像之间所包含目标位置的变化信息，利用式(4)获取：

$c_p=\frac{1}{N-2}\underset{i=3}{\overset{N}{\mathrm{\Σ}}}\frac{|d_i-d_{i-1}|}{{\mathrm{\Δ}}_{i-2}}---\left(4\right)$

其中，d_i表示图像序列中目标从第(i-1)帧到第i帧的位移，该位移的值通过权利要求1中记录的不同帧图像目标位置相减得到，Δ_i表示第i帧中目标图像的各向平均尺寸即目标矩形长和宽的平均值，N表示图像序列中图像的数目。