CN102184544A - 校畸和识别围棋棋谱图像的方法 - Google Patents

Abstract

本发明涉及校畸和实时识别围棋棋谱图像的方法，首先是图像的畸形校正：将围棋棋盘位置和摄像机位置固定，确定361个着子点在摄像机采集的棋谱图像上的坐标和进行棋子识别时需要计算的矩形框的大小。其次是围棋棋子的识别：采集一帧灰度图像作为前景，和背景图像做差分运算得到差值图像，根据各着子点的坐标，逐一在差值图像中，计算每个着子点的矩形框内的有效像素灰度平均值和有效像素个数等参数，和设定的阈值比较，再根据当前着手方和棋盘信息即可检测出棋子的颜色、位置、提子和落子等棋谱数据，然后将背景图像更新为前景图像。本发明的算法简洁、准确、效率高，能适应一定程度的光照变化，尤其适用于嵌入式系统下的实时棋谱识别。

Description

校畸和识别围棋棋谱图像的方法

技术领域

本发明涉及校畸和识别围棋棋谱图像的方法.它利用图像处理技术，对摄像机采集的棋谱图像进行畸形校正和实时棋谱识别。

背景技术

摄像机的畸形校正和基于灰度值的图像匹配技术是计算机视觉和数字图像处理的重要内容，是识别棋谱图像需要解决的二个技术难题。

摄像机的畸形校正是确定空间物体表面某点的三维几何位置与其在图像中对应点之间的相互关系，畸形校正的参数一般须通过较复杂的实验和计算才能得到，而且需要对摄像机采集的每一副图像都进行畸形校正。面对如此大的计算量，能力有限的嵌入式系统无法完成实时图像处理。

基于灰度的图像匹配技术中的算法一般都需要大量的计算，如果不进行适当的改进和引用其他的已知判定条件，也不能满足嵌入式系统下的实时图像处理要求。

发明内容

本发明的目的是提供一种校畸和识别围棋棋谱图像的方法，它能够对围棋比赛中摄像机采集的棋谱图像进行畸形校正和实时棋谱识别，为开发基于数字图像处理的自动围棋软件和便携式装置奠定基础。

本发明采用的技术方案如下：

一种校畸和识别围棋棋谱图像的方法，包括以下步骤：

1)对围棋棋盘图像进行畸形校正，得到各个着子点的坐标和矩形框：

2)在比赛过程中对围棋棋子进行识别：每次棋手着子后，采集一帧灰度图像作为前景图像，和上一次采集的背景图像做差分运算得到差值图像，根据各着子点的坐标，逐一在差值图像中，计算每个着子点的矩形框内的有效像素灰度平均值和有效像素个数，和设定的阈值比较，再根据当前着手方和棋盘信息记录棋子的颜色、位置、提子和落子的棋谱数据：

3)若比赛结束则退出，否则将背景图像更新为前景图像，返回步骤2)。

进一步地：

对围棋棋盘图像进行畸形校正的详细步骤为：

1.1)保持摄像机和围棋棋盘之间的相对位置不变，采集一帧棋盘图像：

1.2)标定棋盘图像上的的四个角点坐标，计算并确定每个围棋着子点的坐标：

1.3)确定每个围棋着子点在进行棋子识别时需要计算的矩形框的宽和高。

对围棋棋子进行识别的详细步骤为：

2.1)创建记录围棋棋盘着子点信息的数组S：

2.2)采集一帧棋盘图像作为背景图像：

2.3)若比赛结束则退出，否则，棋手每次着子后，采集一帧棋盘图像作为前景图像：

2.4)根据当前着手方，把前景图像和背景图像做差分运算得到差值图像：

2.5)根据当前着手方、各着子点坐标和矩形框的大小，计算每一个着子点处的有效像素数k(i)和每一个着子点处的灰度均值A(i)：

2.6)检测每个着子点，根据当前着手方对每个着子点的信息进行更新，其中：

2.6.1)在当前着手方是黑方时：

如果着子点信息S_i是黑子，S_i无变化：

否则如果有效像素数k(i)＜阈值T1，或者有效像素灰度均值A(i)＜阈值T2，则S_i无变化：

否则如果S_i是无子，则当前着子点的变化是黑方着黑子，更新S_i为黑子：

否则如果S_i是白子，则当前着子点的变化是黑方提白子，更新S_i为无子：

2.6.2)在当前着手方是白方时：

如果着子点信息Si是白子，S_i无变化：

否则如果有效像素数k(i)＜阈值T1，或者有效像素灰度均值A(i)＜阈值T2，则Si无变化：

否则如果Si是无子，则当前着子点的变化是白方着白子，更新Si为白子：

否则如果Si是黑子，则当前着子点的变化是白方提黑子，更新Si为无子：

2.7)用前景图像更新背景图像，返回步骤2.3)。

更进一步地：

在步骤2.4)中：

若当前着手方是黑方，则将前景图像和背景图像做负差分运算，公式如下：

$R(x,v)=\left\{\begin{array}{cc}0,& d(x,v)\&GreaterEqual;0\\ d(x,v),& d(x,v)<0\end{array}\right.$

d(x，v)＝F(x，v)-B(x，v)

若当前着手方是白方，则将前景图像和背景图像做正差分运算，公式如下：

$R(x,v)=\left\{\begin{array}{cc}0,& d(x,v)\&le;0\\ d(x,v),& d(x,v)>0\end{array}\right.$

d(x，v)＝F(x，v)-B(x，v)

其中，F(x，v)是前景图像在坐标(x，v)处的灰度值，B(x，v)是背景图像在坐标(x，v)处的灰度值，R(x，v)是坐标(x，v)处的灰度差分值。

在步骤2.5)中：

根据当前着手方、各着子点坐标和矩形框的大小，计算每一个着子点处的有效像素数k(i)和灰度均值A(i)的公式如下：

$k\left(i\right)=\underset{u=-\frac{U_i}{2}}{\overset{+\frac{U_i}{2}}{\mathrm{\&Sigma;}}}\underset{v=-\frac{V_i}{2}}{\overset{+\frac{V_i}{2}}{\mathrm{\&Sigma;}}}T(x_i+u,v_i+v)$

$T(x_i+u,v_i+v)=\left\{\begin{array}{cc}1,& R(x_i+u,v_i+v)\&NotEqual;0\\ 0,& R(x_i+u,v_i+v)=0\end{array}\right.$

$A\left(i\right)=\frac{1}{k\left(i\right)}\underset{u=-\frac{U_i}{2}}{\overset{+\frac{U_i}{2}}{\mathrm{\&Sigma;}}}\underset{v=-\frac{V_i}{2}}{\overset{+\frac{V_i}{2}}{\mathrm{\&Sigma;}}}R(x_i+u,v_i+v)$

其中：U_i、V_i是落子点i处的矩形框的宽和高，x_i和v_i是落子点i的坐标。

本发明具有简洁准确高效优点.其采用的算法简洁、准确、效率高，能适应一定程度的光照变化，尤其适用于嵌入式系统下的实时棋谱识别。

附图说明

图1为在畸形校正中，确定棋谱图像上361个着子点的坐标和确定该点用于特征计算的矩形框的宽高示意图：

图2为围棋棋谱图像识别总流程图：

图3为根据有效像素数和有效像素均值进行棋谱图像特征识别的具体流程图。

具体实施方式

本发明涉及校畸和识别围棋棋谱图像的方法，分为二大步：

一是对摄像机采集的棋谱图像的畸形校正，这一步只需完成一次即可。首先，将围棋棋盘位置尺寸固定和摄像机位置高度固定，使围棋棋盘和摄像机的相对位置保持不变，这样摄像机采集的棋盘图像可以看作是静止不动的，然后在棋盘图像上预先确定361个着子点在棋谱图像上的坐标，同时确定每个着子点进行棋子识别时需要计算的矩形框的大小，即当前着子点围棋棋子的外接矩形。之后采集的图像根据坐标和矩形框计算特征值检测识别棋子。

这一步的特点是在棋盘和摄像机相对位置不变的前提下，预先确立361个着子点坐标，以空间换时间，避免后期图像处理时对棋子坐标的检测，减少大量的计算。同时确定每个着子点进行棋子识别时需要计算的矩形框的大小，在计算棋子特征值时不需要整幅图像参与计算，即减少计算量又可以保证特征值计算的准确性。

二是棋谱图像的识别，首先在比赛开始时，摄像机先采集一帧图像作为背景，棋手着手完毕，摄像机再采集一帧图像作为前景，根据当前着手方把前景图像和背景图像做正差分或负差分运算得到差值图像，根据361个着子点的坐标和矩形框的大小，在差值图像上计算每一个着子点的有效像素数灰度均值和有效像素数这二个特征值，和预先确定的阈值比较，再根据当前着手方(黑方或者白方)和当前着子点的信息(黑子、白子、无子)，即可检测出棋谱数据(棋子的颜色、位置、提子和落子等)，最后用前景图像更新背景图像，准备下一步计算。如此循环直到比赛结束。

这一步的特点是把落子前后的二帧图像做差分运算，为了充分利用已知信息，这个差分运算是根据当前着子方(黑方或白方)分别作负差分和正差分，然后迅速遍历361个着子点的坐标计算特征值，保证了图像的实时处理。有效像素灰度均值和有效像素数双特征值，以及利用当前着手方和着子点等多种已知信息，保证了图像识别的正确性。

下面结合附图作进一步说明。

本发明第一步，如图1所示，要对摄像机采集的棋谱图像的畸形校正，确定361个着子点在棋谱图像上的坐标，同时确定每个着子点进行棋子识别时需要计算的外接矩形框的大小。流程如下：

1.1)将围棋棋盘固定，将摄像机位置高度固定，使围棋棋盘和摄像机的相对位置保持不变，摄像机采集一帧棋盘图像：

1.2)标定围棋棋盘图像上的的四个角点坐标(X_k，Y_k)，k＝0…3，计算并确定361个围棋着子点的坐标，坐标对应关系如图1所示，(x_i，v_i)即为第i个着子点在棋盘图像上的坐标值。计算结果表明坐标误差在1~2个像素之间，误差很小对后面特征值计算的影响可以忽略不计。

1.3)确定每个着子点i进行棋子识别时需要计算的矩形框的宽高：U_i和V_i。

本发明第二大步，如图2所示，是比赛过程中围棋棋谱图像的识别，步骤如下：

2.1)创建记录围棋棋盘着子点信息的数组S，数组大小为361，S_i表示棋盘上第i个着子点的信息(即黑子、白子和无子)，初始化数组的着子点信息为无子，此步骤只需一次即可。

2.2)在比赛开始时摄像机先采集一帧灰度图像作为背景，待每次棋手着手后，摄像机再采集一帧图像作为前景：

2.3)根据当前着手方把前景图像和背景图像做正差分或负差分运算得到差值图像，具体方法如下：

(1)若当前着手方是黑方，黑棋子的灰度值小于棋盘背景色的灰度值，因此前景图像和背景图像做负差分运算，公式如下：

$R(x,v)=\left\{\begin{array}{cc}0,& d(x,v)\&GreaterEqual;0\\ d(x,v),& d(x,v)<0\end{array}\right.$

d(x，v)＝F(x，v)-B(x，v)

(2)若当前着手方是白方，一般白棋子的灰度值大于棋盘背景色的灰度值，前景图像和背景图像做正差分运算，公式如下：

$R(x,v)=\left\{\begin{array}{cc}0,& d(x,v)\&le;0\\ d(x,v),& d(x,v)>0\end{array}\right.$

d(x，v)＝F(x，v)-B(x，v)

其中，F(x，v)是前景图像在坐标(x，v)处的灰度值，B(x，v)是背景图像在坐标(x，v)处的灰度值，R(x，v)是坐标(x，v)处的灰度差分值。

2.4)根据当前着手方、361个着子点坐标和矩形框的大小，计算每一个着子点处的有效像素数k(i)：公式如下：

$k\left(i\right)=\underset{u=-\frac{U_i}{2}}{\overset{+\frac{U_i}{2}}{\mathrm{\&Sigma;}}}\underset{v=-\frac{V_i}{2}}{\overset{+\frac{V_i}{2}}{\mathrm{\&Sigma;}}}T(x_i+u,v_i+v)$

$T(x_i+u,v_i+v)=\left\{\begin{array}{cc}1,& R(x_i+u,v_i+v)\&NotEqual;0\\ 0,& R(x_i+u,v_i+v)=0\end{array}\right.$

U_i、V_i是落子点i处的矩形框的宽和高。x_i和v_i是落子点i的坐标。

2.5)根据当前着手方、361个着子点坐标和矩形框的大小，计算每一个着子点处的灰度均值A(i)，公式如下：

$A\left(i\right)=\frac{1}{k\left(i\right)}\underset{u=-\frac{U_i}{2}}{\overset{+\frac{U_i}{2}}{\mathrm{\&Sigma;}}}\underset{v=-\frac{V_i}{2}}{\overset{+\frac{V_i}{2}}{\mathrm{\&Sigma;}}}R(x_i+u,v_i+v)$

2.6)根据有效像素数k(i)和有效像素灰度均值A(i)与预先设定的阈值T1、T2进行比较，根据比较结果即可得到棋谱数据，如图3所示，具体的程序流程描述如下：

(1)当前着手方是黑方，对361个着子点进行下述检测：

如果着子点信息S_i是黑子，跳过此着子点，不检测，S_i无变化：

如果有效像素数k(i)＜T1，或者有效像素灰度均值A(i)＜T2，则S_i无变化，检测完毕：

否则，即当前着子点有变化，进一步判断：

如果S_i是无子，则当前着子点的变化是黑方着黑子，更新S_i为黑子，检测完毕：

如果S_i是白子，则当前着子点的变化是黑方提白子，更新S_i为无子，检测完毕。

(2)当前着手方是白方，对361个着子点进行下述检测：

如果着子点信息S_i是白子，跳过此着子点，不检测：

如果有效像素数k(i)＜T1，或者有效像素灰度均值A(i)＜T2，则S_i无变化，检测完毕：

否则，即当前着子点有变化，进一步判断：

如果S_i是无子，则当前着子点的变化是白方着白子，更新S_i为白子，检测完毕：

如果S_i是黑子，则当前着子点的变化是白方提黑子，更新S_i为无子，检测完毕。

2.7)若比赛结束，则围棋棋谱图像的识别步骤结束，否则，用前景图像更新背景图像，待棋手着手后，再采集一帧图像作为前景，返回步骤2.3)。

Claims (5)

1.一种校畸和识别围棋棋谱图像的方法，其特征在于包括以下步骤：

1)对围棋棋盘图像进行畸形校正，得到各个着子点的坐标和矩形框：

2)在比赛过程中对围棋棋子进行识别：每次棋手着子后，采集一帧灰度图像作为前景图像，和上一次采集的背景图像做差分运算得到差值图像，根据各着子点的坐标，逐一在差值图像中，计算每个着子点的矩形框内的有效像素灰度平均值和有效像素个数，和设定的阈值比较，再根据当前着手方和棋盘信息记录棋子的颜色、位置、提子和落子的棋谱数据：

3)若比赛结束则退出，否则将背景图像更新为前景图像，返回步骤2)。

2.如权利要求1所述的校畸和识别围棋棋谱图像的方法，其特征在于：

对围棋棋盘图像进行畸形校正的详细步骤为：

1.1)保持摄像机和围棋棋盘之间的相对位置不变，采集一帧棋盘图像：

1.2)标定棋盘图像上的的四个角点坐标，计算并确定每个围棋着子点的坐标：

1.3)确定每个围棋着子点在进行棋子识别时需要计算的矩形框的宽和高。

3.如权利要求2所述的校畸和识别围棋棋谱图像的方法，其特征在于：

对围棋棋子进行识别的详细步骤为：

2.1)创建记录围棋棋盘着子点信息的数组S：

2.2)采集一帧棋盘图像作为背景图像：

2.3)若比赛结束则退出，否则，棋手每次着子后，采集一帧棋盘图像作为前景图像：

2.4)根据当前着手方，把前景图像和背景图像做差分运算得到差值图像：

2.5)根据当前着手方、各着子点坐标和矩形框的大小，计算每一个着子点处的有效像素数k(i)和每一个着子点处的灰度均值A(i)：

2.6)检测每个着子点，根据当前着手方对每个着子点的信息进行更新，其中：

2.6.1)在当前着手方是黑方时：

如果着子点信息S_i是黑子，S_i无变化：

否则如果有效像素数k(i)＜阈值T1，或者有效像素灰度均值A(i)＜阈值T2，则S_i无变化：

否则如果S_i是无子，则当前着子点的变化是黑方着黑子，更新S_i为黑子：

否则如果S_i是白子，则当前着子点的变化是黑方提白子，更新S_i为无子：

2.6.2)在当前着手方是白方时：

如果着子点信息Si是白子，S_i无变化：

否则如果有效像素数k(i)＜阈值T1，或者有效像素灰度均值A(i)＜阈值T2，则Si无变化：

否则如果Si是无子，则当前着子点的变化是白方着白子，更新Si为白子：

否则如果Si是黑子，则当前着子点的变化是白方提黑子，更新Si为无子：

2.7)用前景图像更新背景图像，返回步骤2.3)。

4.如权利要求3所述的校畸和识别围棋棋谱图像的方法，其特征在于：

在步骤2.4)中：

若当前着手方是黑方，则将前景图像和背景图像做负差分运算，公式如下：

$R(x,v)=\left\{\begin{array}{cc}0,& d(x,v)\&GreaterEqual;0\\ d(x,v),& d(x,v)<0\end{array}\right.$

d(x，v)＝F(x，v)-B(x，v)

若当前着手方是白方，则将前景图像和背景图像做正差分运算，公式如下：

$R(x,v)=\left\{\begin{array}{cc}0,& d(x,v)\&le;0\\ d(x,v),& d(x,v)>0\end{array}\right.$

d(x，v)＝F(x，v)-B(x，v)

其中，F(x，v)是前景图像在坐标(x，v)处的灰度值，B(x.v)是背景图像在坐标(x，v)处的灰度值，R(x，v)是坐标(x，v)处的灰度差分值。

5.如权利要求4所述的校畸和识别围棋棋谱图像的方法，其特征在于：

在步骤2.5)中：

根据当前着手方、各着子点坐标和矩形框的大小，计算每一个着子点处的有效像素数k(i)和灰度均值A(i)的公式如下：

$k\left(i\right)=\underset{u=-\frac{U_i}{2}}{\overset{+\frac{U_i}{2}}{\mathrm{\&Sigma;}}}\underset{v=-\frac{V_i}{2}}{\overset{+\frac{V_i}{2}}{\mathrm{\&Sigma;}}}T(x_i+u,v_i+v)$

$T(x_i+u,v_i+v)=\left\{\begin{array}{cc}1,& R(x_i+u,v_i+v)\&NotEqual;0\\ 0,& R(x_i+u,v_i+v)=0\end{array}\right.$

$A\left(i\right)=\frac{1}{k\left(i\right)}\underset{u=-\frac{U_i}{2}}{\overset{+\frac{U_i}{2}}{\mathrm{\&Sigma;}}}\underset{v=-\frac{V_i}{2}}{\overset{+\frac{V_i}{2}}{\mathrm{\&Sigma;}}}R(x_i+u,v_i+v)$

其中：U_i、V_i是落子点i处的矩形框的宽和高，x_i和v_i是落子点i的坐标。

Images