CN102494675A - 一种运动目标特征高速视觉捕捉方法 - Google Patents

Abstract

一种运动目标特征高速视觉捕捉方法，属于图像处理领域及机器视觉图像测量领域，本发明为解决高速视觉测量中的实时处理速度不高和数据量大、传输速度无法满足实时传输的问题。本发明方法包括：一、采用高速图像传感器采集运动目标的灰度图像，并对该灰度图像进行中值滤波获取去噪灰度图像；二、进行基于背景图像差法的目标检测，获取运动目标的最小外接矩形及该运动目标的几何中心

三、对运动目标的目标区域进行扩张处理，获取扩张后目标区域；四、在扩张后目标区域内进行基于核的区域跟踪，获取运动目标在当前帧的位置点五、对当前帧的运动目标进行基于方向导数的角点检测，获取运动目标在当前帧的角点坐标，完成对运动目标特征的视觉捕捉。

Description

一种运动目标特征高速视觉捕捉方法

技术领域

本发明涉及一种运动目标特征高速视觉捕捉方法，属于图像处理领域及机器视觉图像测量领域。

背景技术

随着各国军事技术的飞速发展，出现了大量高速运动目标，如军用飞机、导弹等，飞行速度达到3马赫以上，对国家安全存在巨大的威胁。高速运动目标同样存在于航空航天、交通安全、军事侦察、靶场测试、空中目标拦截、力学研究等领域。现阶段，需要一种能对高速运动目标的位置、位姿、运动状态进行捕捉、跟踪、测量的手段。

基于机器视觉测试方法具有非接触、精度高、速度快、稳定性好等特点，是一种对运动目标进行测量的有效方法。随着CCD和CMOS传感器分辨率和速度上的提高，利用视觉手段对高速运动目标进行捕捉、跟踪和测量，成为一种有效的方法。然而，传感器性能的提高并未对基于视觉的高精度运动目标的实时测量带来巨大的推动，其原因在于，视觉传感器本身在采集速度上满足了要求，但还没有后续的实时处理的软件算法和硬件平台与之相适应。现有的算法基于计算机。而计算机的接口远不能满足高速视觉传感器对传输速度的要求。尤其是，在基于多目视觉的高精度运动目标测量中，多台相机同时传输的庞大数据量使计算机无论在传输速度还是实时处理能力上都显得无能为力。因此，需要一种能够应用于高速运动目标特征定位的实现方法，在对目标进行特征定位的同时，满足数据传输和实时处理的要求。

目前，国内外相关研究机构采用智能相机的结构实现基于硬件平台的特征提取，但在执行速度和定位精度上并不理想，无法满足对高速运动目标的实时测量，其关键在于尚没有高速而高效的特征捕捉软件算法。国内对智能相机相关高速实现方式的研究尚处于起步阶段，尚缺乏针对高速运动目标实时测量方法的相关研究。

发明内容

本发明目的是为了解决高速视觉测量中的实时处理速度不高和数据量大、传输速度无法满足实时传输的问题，提供了一种运动目标特征高速视觉捕捉方法。

本发明所述一种运动目标特征高速视觉捕捉方法，该方法包括以下步骤：

步骤一、采用高速图像传感器采集运动目标的灰度图像，并对该灰度图像进行中值滤波获取去噪灰度图像；

对灰度图像进行中值滤波获取去噪灰度图像的过程为：

采用3×3模板对灰度图像中的各个像素进行窗口采样，

对于每个非边缘像素，利用所述3×3模板选取像素本身及其周围8个像素，构成9个像素的采样结果，对于每个边缘像素利用所述3×3模板选取像素本身及其周围像素，其周围像素的个数少于8个；

对非边缘像素，对采样结果中的9个像素数据进行降序排序，用排序后的中值取代该像素原始值，对灰度图像中的噪声信号进行滤除；

对于边缘像素，以该像素为中心的3×3模板内实际包含的像素数据为基准进行降序排序，若像素个数为偶数，则滤波后的像素值为降序排序后中心附近的两个像素的平均值，对灰度图像中的噪声信号进行滤除。

步骤二、对步骤一获取的去噪灰度图像进行基于背景图像差法的目标检测，以获取运动目标的最小外接矩形及该动目标的几何中心

运动目标几何中心的获取过程为：

步骤21、进行背景模型初始化：取连续10帧去噪声灰度图像I_n(x.y)＝I₁(x.y)，I₂(x.y)，...I₁₀(x.y)，n＝1，2，...10，将该连续10帧去噪声灰度图像的相同位置的像素值构成n_h个10元素集合，n_h为每帧去噪声灰度图像中的像素点数，

每个10元素集合中像素值进行降序排序，对排序结果去掉2个最大值和2个最小值，然后对剩下的6个像素值取平均值作为背景模型中相应位置点的像素值，进而获取背景模型b(x，y)；

步骤22、确定自适应阈值TH：

TH＝2max|b(x，y)-I_n(x，y)|；

步骤23、判断条件|I_t(x，y)-b(x，y)|＞TH是否成立，I_t(x，y)为第t帧去噪声灰度图像，

判断结果为是，则判定当前像素为运动目标所在像素，然后执行步骤24；判断结果为否，则判定当前像素为运动目标所在像素为非运动目标像素，丢弃该帧去噪声灰度图像；

步骤24、在当前帧去噪声灰度图像中获得运动目标所在像素的集合，得到运动目标，确定其最小外接矩形，并根据所述最小外接矩形得到运动目标的几何中心

步骤三、对运动目标的目标区域进行扩张处理，获取扩张后目标区域；

以运动目标的最小外接矩形为基准，向四周分别加扩30像素～70像素，获取扩张后目标区域扩张像素的像素值为同位置下去噪灰度图像像素的像素值。

步骤四、在所述扩张后目标区域内进行基于核的区域跟踪，以获取运动目标在当前帧的位置点

获取运动目标在当前帧的位置点

的过程为：

步骤41、以最小外接矩形为核函数外形k()，计算运动目标的原始模型

运动目标在位置点

处的候选模型

和运动目标在位置点

处的对应相似性系数

原始模型

由公式一获取；

公式一： ${\hat{q}}_u=C\underset{i=1}{\overset{n_h}{\mathrm{\Σ}}}k\left({\left|\right|\frac{x_i-c}{h}\left|\right|}^2\right)\mathrm{\δ}[b\left(x_i\right)-u],u=1...m,$

公式一中：x_i为构成运动目标范围的n_h个点，即i＝1，2，...n_k；

c为当前帧中区域图像的中心，其值即为

h表示核函数的带宽，其值为1；

δ为delta函数；

b(x_i)为x_i所对应的像素所在的灰度划分，将n_h个点进行灰度直方图的统计，共分为m个灰度划分，m＝256；

C为归一化系数，并按公式二获取：

公式二： $C=\frac{1}{\underset{i=1}{\overset{n_h}{\mathrm{\Σ}}}k\left({\left|\right|\frac{x_i-c}{h}\left|\right|}^2\right)};$

候选目标模型

按公式三获取；

公式三： ${\hat{q}}_u=C\underset{i=1}{\overset{n_h}{\mathrm{\Σ}}}k\left({\left|\right|\frac{x_i-c}{h}\left|\right|}^2\right)\mathrm{\δ}[b\left(x_i\right)-u],$

对应相似性系数

按公式四获取：

公式四： $\mathrm{\ρ}[{\hat{p}}_u\left({\hat{y}}_0\right),\hat{q}]=\underset{u=1}{\overset{m}{\mathrm{\Σ}}}\sqrt{{\hat{p}}_u\left({\hat{y}}_0\right){\hat{q}}_u},$

步骤42、按公式五计算灰度权重w_i：

公式五： $w_i=\underset{u=1}{\overset{m}{\mathrm{\Σ}}}\sqrt{\frac{{\hat{q}}_u}{{\hat{p}}_u\left({\hat{y}}_0\right)}}\mathrm{\δ}[b\left(x_i\right)-u],$

步骤43、根据Meanshift递推公式，搜索候选目标从本帧的初始位置

移动到新位置

按公式六获取：

公式六： ${\hat{y}}_1=\frac{\underset{i=1}{\overset{n_h}{\mathrm{\Σ}}}{x}_i{w}_{i}g\left({\left|\right|\frac{{\hat{y}}_0-x_i}{h}\left|\right|}^2\right)}{\underset{i=1}{\overset{n_h}{\mathrm{\Σ}}}{w}_{i}g\left({\left|\right|\frac{{\hat{y}}_0-x_i}{h}\left|\right|}^2\right)},$

g()＝-k′()，

公式44、按公式七获取运动目标在位置点

处的候选目标模型

公式七： ${\hat{p}}_u\left({\hat{y}}_1\right)=C\underset{i=1}{\overset{n_h}{\mathrm{\Σ}}}k\left({\left|\right|\frac{x_i-{\hat{y}}_1}{h}\left|\right|}^2\right)\mathrm{\δ}[b\left(x_i\right)-u],$

按公式八获取运动目标在位置点

处的对应相似性系数

公式八： $\mathrm{\ρ}[{\hat{p}}_u\left({\hat{y}}_1\right),\hat{q}]=\underset{u=1}{\overset{m}{\mathrm{\Σ}}}\sqrt{{\hat{p}}_u\left({\hat{y}}_1\right){\hat{q}}_u},$

步骤45、判断条件 $\mathrm{\&rho;}[{\hat{p}}_u\left({\hat{y}}_1\right),\hat{q}]<\mathrm{\&rho;}[{\hat{p}}_u\left({\hat{y}}_0\right),\hat{q}]$ 是否成立，

判断结果为是，则令

${\hat{y}}_1=\frac{1}{2}({\hat{y}}_0+{\hat{y}}_1),$

并返回执行步骤44进行迭代；判断结果为否，则执行步骤46，

步骤46、当同时满足条件

$\left|\right|{\hat{y}}_1-{\hat{y}}_0\left|\right|\&GreaterEqual;\mathrm{\&epsiv;},$

并且迭代次数小于N，返回执行步骤42，

否则，当满足条件

或迭代次数大于等于N，则停止，并输出运动目标在当前帧的位置点及其对应的核函数外形k()，

ε＝0.70～0.85，

N＝7～9。

步骤五、对当前帧的运动目标进行基于方向导数的角点检测，以获取运动目标在当前帧的角点坐标，完成对运动目标特征的视觉捕捉，以供计算机后续处理。

获取运动目标在当前帧的角点坐标的过程为：

步骤51、对运动目标在当前帧的最小外接矩形k()内的每个像素点P，计算P_x(x，y)、P_y(x，y)、P_xx(x，y)和P_yy(x，y)值：

P_x(x，y)＝P(x+1，y)-P(x，y)；

P_y(x，y)＝P(x，y+1)-P(x，y)；

P_xx(x，y)＝P(x+1，y)-2P(x，y)+P(x-1，y)；

P_yy(x，y)＝P(x，y+1)-2P(x，y)+P(x，y-1)；

式中(x，y)为像素位置坐标；

步骤52、根据步骤一的P_x(x，y)、P_y(x，y)、P_xx(x，y)和P_yy(x，y)值获取高斯局部平滑变量K(x，y)：

$K(x,y)=G(\mathrm{\&sigma;},x,y)\&CircleTimes;{\mathrm{\&Delta;}}_0(x,y)$

其中σ＝1.0：

${\mathrm{\&Delta;}}_0=\frac{P_x^2(x,y)P_{\mathrm{yy}}^2(x,y)+P_y^2(x,y)P_{\mathrm{xx}}^2(x,y)}{{(P_x^2(x,y)+P_y^2(x,y))}^2};$

步骤53、获取运动目标在当前帧的角度Δ(x，y)：

$\mathrm{\&Delta;}(x,y)=P_x^2(x,y)P_{\mathrm{xy}}^2(x,y)+P_y^2(x,y)P_{\mathrm{xx}}^2(x,y)-K(x,y){(P_x^2(x,y)+P_y^2(x,y))}^2;$

步骤54、判断当前帧的角度Δ是否满足条件Δ(x，y)＞T，

判断结果为否，该点不是运动目标的角点；判断结果为是，则该点为运动目标的角点，所有Δ(x，y)＞T的局部最大值即为运动目标在当前帧的目标区域的角点，

其中：T＝120～200。

本发明的优点：

将通常在计算机中运行的具有高密度运算的特征提取及其相关算法，在基于智能相机的硬件平台中完成运算，只将运算密度较低的后续算法所需数据发送到计算机中处理。在处理过程中，利用多种算法在硬件中以流水线的方式执行，达到逐步减少数据量的目的，使整个测量系统的处理速度提升5倍以上。

执行算法包括：中值滤波、基于背景图像差法的目标检测、目标区域扩张、基于核的区域跟踪、基于方向导数的角点检测方法等。

通过上述方法，使基于智能相机的硬件平台在单位时间内的处理能力大幅提升，使之能与更高速的图像传感器的采集速度相匹配，使整个测量系统的灰度图像采集速度和处理能力达到500fps(图像传感器分辨率为1280×1024)。

附图说明

图1是图像处理的功能框图；

图2是采用本发明方法对图像处理的流程图；

图3是实施方式三的流程图；

图4是实施方式五的流程图；

图5是实施方式六的流程图。

具体实施方式

具体实施方式一：下面结合图1和图2说明本实施方式，本实施方式所述一种运动目标特征高速视觉捕捉方法，它包括中值滤波、基于背景图像差法的目标检测、目标区域扩张、基于核的区域跟踪、基于方向导数的角点检测方法等，

一种运动目标特征高速视觉捕捉方法，其特征在于，该方法包括以下步骤：

步骤一、采用高速相机采集运动目标的灰度图像，并对该灰度图像进行中值滤波获取去噪灰度图像；

步骤二、对步骤一获取的去噪灰度图像进行基于背景图像差法的目标检测，以获取运动目标的最小外接矩形及该运动目标的几何中心

步骤三、对运动目标的目标区域进行扩张处理，获取扩张后目标区域；

步骤四、在所述扩张后目标区域内进行基于核的区域跟踪，以获取运动目标在当前帧的位置点

步骤五、对当前帧的运动目标进行基于方向导数的角点检测，以获取运动目标在当前帧的角点坐标，完成对运动目标特征的视觉捕捉，以供计算机后续处理。

利用高速相机进行数据采集，将获得的灰度图像存入数据缓存中。对缓存中的图像执行进行处理。

计算机通过网络接口接收到角点坐标，对定位信息进行进一步计算，得到所需数据。

具体实施方式二：本实施方式对实施方式一作进一步说明，步骤一中对灰度图像进行中值滤波获取去噪灰度图像的过程为：

采用3×3模板对灰度图像中的各个像素进行窗口采样，

对于每个非边缘像素，利用所述3×3模板选取像素本身及其周围8个像素，构成9个像素的采样结果，对于每个边缘像素利用所述3×3模板选取像素本身及其周围像素，其周围像素的个数少于8个；

对非边缘像素，对采样结果中的9个像素数据进行降序排序，用排序后的中值取代该像素原始值，对灰度图像中的噪声信号进行滤除；

对于边缘像素，以该像素为中心的3×3模板内实际包含的像素数据为基准进行降序排序，若像素个数为偶数，则滤波后的像素值为降序排序后中心附近的两个像素的平均值，对灰度图像中的噪声信号进行滤除。

在获取图像的过程中，通常由于视觉传感器存在“坏点”，使得图像中存在脉冲噪声。图像采集和传输的过程中，存在高斯噪声。通过中值滤波，达到滤除脉冲噪声和部分高斯噪声的目的。

具体实施方式三：下面结合图3说明本实施方式，本实施方式对实施方式一作进一步说明，步骤二运动目标几何中心

的获取过程为：

步骤21、进行背景模型初始化：取连续10帧去噪声灰度图像I_n(x.y)＝I₁(x.y)，I₂(x.y)，...I₁₀(x.y)

，n＝1，2，...10，

将该连续10帧去噪声灰度图像的相同位置的像素值构成n_h个10元素集合，n_h为每帧去噪声灰度图像中的像素点数，

每个10元素集合中像素值进行降序排序，对排序结果去掉2个最大值和2个最小值，然后对剩下的6个像素值取平均值作为背景模型中相应位置点的像素值，进而获取背景模型b(x，y)；

步骤22、确定自适应阈值TH：

TH＝2max|b(x，y)-I_n(x，y)|；

步骤23、判断条件

|I_t(x，y)-b(x，y)|＞TH

是否成立，I_t(x，y)为第t帧去噪声灰度图像，

判断结果为是，则判定当前像素为运动目标所在像素，然后执行步骤24；判断结果为否，则判定当前像素为运动目标所在像素为非运动目标像素，丢弃该帧去噪声灰度图像；

步骤24、在当前帧去噪声灰度图像中获得运动目标所在像素的集合，得到运动目标，确定其最小外接矩形，并根据所述最小外接矩形得到运动目标的几何中心

通过基于图像差法的目标检测，得到运动目标的所在区域和几何中心，提供区域跟踪所需的初始参数。再通过目标区域扩张、基于核的区域跟踪等步骤，将基于方向导数的角点检测方法所需处理的图像限定在运动目标的周围区域，达到减少数据量、提高处理速度的目的。

由于中值滤波、基于背景图像差法的目标检测、目标区域扩张、基于核的区域跟踪等算法是在智能相机中，具有并行结构的FPGA内执行，并在执行过程中，将各个算法以流水线的方式编程实现，故一幅图像在同一流水线周期内，可完成上述算法，达到在不增加额外执行时间的基础上，减少角点检测中运算的数据量，同时可省略前景、背景角点的判别过程。

具体实施方式四：本实施方式对实施方式一作进一步说明，步骤三中对运动目标的目标区域进行扩张处理，获取扩张后目标区域的过程为：

以运动目标的最小外接矩形为基准，向四周加扩30像素～70像素，获取扩张后目标区域扩张像素的像素值为同位置下去噪灰度图像像素的像素值。

通过像素扩张，达到扩大区域跟踪的目标搜索范围的目的。

具体实施方式五：下面结合图4说明本实施方式，本实施方式对实施方式一作进一步说明，步骤四中获取运动目标在当前帧的位置点

的过程为：

步骤41、以最小外接矩形为核函数外形k()，计算运动目标的原始模型

运动目标在位置点

处的候选模型

和运动目标在位置点

处的对应相似性系数

原始模型

由公式一获取；

公式一： ${\hat{q}}_u=C\underset{i=1}{\overset{n_h}{\mathrm{\&Sigma;}}}k\left({\left|\right|\frac{x_i-c}{h}\left|\right|}^2\right)\mathrm{\&delta;}[b\left(x_i\right)-u],u=1...m,$

公式一中：x_i为构成运动目标范围的n_h个点，即i＝1，2，...n_k；

c为当前帧中区域图像的中心，其值即为

h表示核函数的带宽，其值为1；

δ为delta函数；

b(x_i)为x_i所对应的像素所在的灰度划分，将n_h个点进行灰度直方图的统计，共分为m个灰度划分，m＝256；

C为归一化系数，并按公式二获取：

公式二： $C=\frac{1}{\underset{i=1}{\overset{n_h}{\mathrm{\&Sigma;}}}k\left({\left|\right|\frac{x_i-c}{h}\left|\right|}^2\right)};$

候选目标模型

按公式三获取；

公式三： ${\hat{q}}_u=C\underset{i=1}{\overset{n_h}{\mathrm{\&Sigma;}}}k\left({\left|\right|\frac{x_i-c}{h}\left|\right|}^2\right)\mathrm{\&delta;}[b\left(x_i\right)-u],$

对应相似性系数

按公式四获取：

公式四： $\mathrm{\&rho;}[{\hat{p}}_u\left({\hat{y}}_0\right),\hat{q}]=\underset{u=1}{\overset{m}{\mathrm{\&Sigma;}}}\sqrt{{\hat{p}}_u\left({\hat{y}}_0\right){\hat{q}}_u},$

步骤42、按公式五计算灰度权重w_i：

公式五： $w_i=\underset{u=1}{\overset{m}{\mathrm{\&Sigma;}}}\sqrt{\frac{{\hat{q}}_u}{{\hat{p}}_u\left({\hat{y}}_0\right)}}\mathrm{\&delta;}[b\left(x_i\right)-u],$

步骤43、根据Meanshift递推公式，搜索候选目标从本帧的初始位置

移动到新位置

按公式六获取：

公式六： ${\hat{y}}_1=\frac{\underset{i=1}{\overset{n_h}{\mathrm{\&Sigma;}}}{x}_i{w}_{i}g\left({\left|\right|\frac{{\hat{y}}_0-x_i}{h}\left|\right|}^2\right)}{\underset{i=1}{\overset{n_h}{\mathrm{\&Sigma;}}}{w}_{i}g\left({\left|\right|\frac{{\hat{y}}_0-x_i}{h}\left|\right|}^2\right)},$

g()＝-k′()，

公式44、按公式七获取运动目标在位置点

处的候选目标模型

公式七： ${\hat{p}}_u\left({\hat{y}}_1\right)=C\underset{i=1}{\overset{n_h}{\mathrm{\&Sigma;}}}k\left({\left|\right|\frac{x_i-{\hat{y}}_1}{h}\left|\right|}^2\right)\mathrm{\&delta;}[b\left(x_i\right)-u],$

按公式八获取运动目标在位置点

处的对应相似性系数

公式八： $\mathrm{\&rho;}[{\hat{p}}_u\left({\hat{y}}_1\right),\hat{q}]=\underset{u=1}{\overset{m}{\mathrm{\&Sigma;}}}\sqrt{{\hat{p}}_u\left({\hat{y}}_1\right){\hat{q}}_u},$

步骤45、判断条件 $\mathrm{\&rho;}[{\hat{p}}_u\left({\hat{y}}_1\right),\hat{q}]<\mathrm{\&rho;}[{\hat{p}}_u\left({\hat{y}}_0\right),\hat{q}]$ 是否成立，

判断结果为是，则

令 ${\hat{y}}_1=\frac{1}{2}({\hat{y}}_0+{\hat{y}}_1),$

并返回执行步骤44进行迭代；判断结果为否，则执行步骤46，

步骤46、当同时满足条件

$\left|\right|{\hat{y}}_1-{\hat{y}}_0\left|\right|\&GreaterEqual;\mathrm{\&epsiv;},$

并且迭代次数小于N，返回执行步骤42，

否则，当满足条件

或迭代次数大于等于N，则停止，并输出运动目标在当前帧的位置点及其对应的核函数外形k()，

ε＝0.70～0.85，

N＝7～9。

通过区域跟踪，在不同帧的图像序列中连续的获得同一运动目标的活动区域，这种方式比单一的基于图像差法的目标检测，具有更好的鲁棒性和同一目标的连续性。

具体实施方式六：下面结合图5说明本实施方式，本实施方式对实施方式一作进一步说明，步骤五中获取运动目标在当前帧的角点坐标的过程为：

步骤51、对运动目标在当前帧的最小外接矩形k()内的每个像素点P，计算P_x(x，y)、P_y(x，y)、P_xx(x，y)和P_yy(x，y)值：

P_x(x，y)＝P(x+1，y)-P(x，y)；

P_y(x，y)＝P(x，y+1)-P(x，y)；

P_xx(x，y)＝P(x+1，y)-2P(x，y)+P(x-1，y)；

P_yy(x，y)＝P(x，y+1)-2P(x，y)+P(x，y-1)；

式中(x，y)为像素位置坐标；

步骤52、根据步骤一的P_x(x，y)、P_y(x，y)、P_xx(x，y)和P_yy(x，y)值获取高斯局部平滑变量K(x，y)：

$K(x,y)=G(\mathrm{\&sigma;},x,y)\&CircleTimes;{\mathrm{\&Delta;}}_0(x,y)$

其中σ＝1.0：

${\mathrm{\&Delta;}}_0=\frac{P_x^2(x,y)P_{\mathrm{yy}}^2(x,y)+P_y^2(x,y)P_{\mathrm{xx}}^2(x,y)}{{(P_x^2(x,y)+P_y^2(x,y))}^2};$

步骤53、获取运动目标在当前帧的角度Δ(x，y)：

$\mathrm{\&Delta;}(x,y)=P_x^2(x,y)P_{\mathrm{xy}}^2(x,y)+P_y^2(x,y)P_{\mathrm{xx}}^2(x,y)-K(x,y){(P_x^2(x,y)+P_y^2(x,y))}^2;$

步骤54、判断当前帧的角度Δ是否满足条件Δ(x，y)＞T，

判断结果为否，该点不是运动目标的角点；判断结果为是，则该点为运动目标的角点，所有Δ(x，y)＞T的局部最大值即为运动目标在当前帧的目标区域的角点，

其中：T＝120～200。

通过基于方向导数的角点检测方法，获得运动目标区域的角点特征。将这些相对于原始图像只具有极少数据量的角点特征信息，发送到计算机。计算机接收到多套相同智能相机硬件平台从不同视场角度获得的角点特征信息后，进行筛选和匹配，最终计算运动目标的位置、位姿和运动状态。

Claims (6)

1.一种运动目标特征高速视觉捕捉方法，其特征在于，该方法包括以下步骤：

步骤一、采用高速图像传感器采集运动目标的灰度图像，并对该灰度图像进行中值滤波获取去噪灰度图像；

步骤二、对步骤一获取的去噪灰度图像进行基于背景图像差法的目标检测，以获取运动目标的最小外接矩形及该运动目标的几何中心

步骤三、对运动目标的目标区域进行扩张处理，获取扩张后目标区域；

步骤四、在所述扩张后目标区域内进行基于核的区域跟踪，以获取运动目标在当前帧的位置点

步骤五、对当前帧的运动目标进行基于方向导数的角点检测，以获取运动目标在当前帧的角点坐标，完成对运动目标特征的视觉捕捉。

2.根据权利要求1所述一种运动目标特征高速视觉捕捉方法，其特征在于，步骤一中对灰度图像进行中值滤波获取去噪灰度图像的过程为：

采用3×3模板对灰度图像中的各个像素进行窗口采样，

对于每个非边缘像素，利用所述3×3模板选取像素本身及其周围8个像素，构成9个像素的采样结果，对于每个边缘像素利用所述3×3模板选取像素本身及其周围像素，其周围像素的个数少于8个；

对非边缘像素，对采样结果中的9个像素数据进行降序排序，用排序后的中值取代该像素原始值，对灰度图像中的噪声信号进行滤除；

对于边缘像素，以该像素为中心的3×3模板内实际包含的像素数据为基准进行降序排序，若像素个数为偶数，则滤波后的像素值为降序排序后中心附近的两个像素的平均值，对灰度图像中的噪声信号进行滤除。

3.根据权利要求1所述一种运动目标特征高速视觉捕捉方法，其特征在于，步骤二运动目标几何中心的获取过程为：

步骤21、进行背景模型初始化：取连续10帧去噪声灰度图像I_n(x.y)＝I₁(x.y)，I₂(x.y)，...I₁₀(x.y)，n＝1，2，...10，将该连续10帧去噪声灰度图像的相同位置的像素值构成n_h个10元素集合，n_h为每帧去噪声灰度图像中的像素点数，

每个10元素集合中像素值进行降序排序，对排序结果去掉2个最大值和2个最小值，然后对剩下的6个像素值取平均值作为背景模型中相应位置点的像素值，进而获取背景模型b(x，y)；

步骤22、确定自适应阈值TH：

TH＝2max|b(x，y)-I_n(x，y)|；

步骤23、判断条件|I_t(x，y)-b(x，y)|＞TH是否成立，I_t(x，y)为第t帧去噪声灰度图像，

判断结果为是，则判定当前像素为运动目标所在像素，然后执行步骤24；判断结果为否，则判定当前像素为运动目标所在像素为非运动目标像素，丢弃该帧去噪声灰度图像；

步骤24、在当前帧去噪声灰度图像中获得运动目标所在像素的集合，得到运动目标，确定其最小外接矩形，并根据所述最小外接矩形得到运动目标的几何中心

4.根据权利要求1所述一种运动目标特征高速视觉捕捉方法，其特征在于，步骤三中对运动目标的目标区域进行扩张处理，获取扩张后目标区域的过程为：

以运动目标的最小外接矩形为基准，向四周分别加扩30像素～70像素，获取扩张后目标区域扩张像素的像素值为同位置下去噪灰度图像像素的像素值。

5.根据权利要求1所述一种运动目标特征高速视觉捕捉方法，其特征在于，步骤四中获取运动目标在当前帧的位置点

的过程为：

步骤41、以最小外接矩形为核函数外形k()，计算运动目标的原始模型运动目标在位置点处的候选模型

和运动目标在位置点处的对应相似性系数

原始模型

由公式一获取；

公式一： ${\hat{q}}_u=C\underset{i=1}{\overset{n_h}{\mathrm{\&Sigma;}}}k\left({\left|\right|\frac{x_i-c}{h}\left|\right|}^2\right)\mathrm{\&delta;}[b\left(x_i\right)-u],u=1...m,$

公式一中：x_i为构成运动目标范围的n_h个点，即i＝1，2，...n_k；

c为当前帧中区域图像的中心，其值即为

h表示核函数的带宽，其值为1；

δ为delta函数；

b(x_i)为x_i所对应的像素所在的灰度划分，将n_h个点进行灰度直方图的统计，共分为m个灰度划分，m＝256；

C为归一化系数，并按公式二获取：

公式二： $C=\frac{1}{\underset{i=1}{\overset{n_h}{\mathrm{\&Sigma;}}}k\left({\left|\right|\frac{x_i-c}{h}\left|\right|}^2\right)};$

候选目标模型

按公式三获取；

公式三： ${\hat{q}}_u=C\underset{i=1}{\overset{n_h}{\mathrm{\&Sigma;}}}k\left({\left|\right|\frac{x_i-c}{h}\left|\right|}^2\right)\mathrm{\&delta;}[b\left(x_i\right)-u],$

对应相似性系数

按公式四获取：

公式四： $\mathrm{\&rho;}[{\hat{p}}_u\left({\hat{y}}_0\right),\hat{q}]=\underset{u=1}{\overset{m}{\mathrm{\&Sigma;}}}\sqrt{{\hat{p}}_u\left({\hat{y}}_0\right){\hat{q}}_u},$

步骤42、按公式五计算灰度权重w_i：

公式五： $w_i=\underset{u=1}{\overset{m}{\mathrm{\&Sigma;}}}\sqrt{\frac{{\hat{q}}_u}{{\hat{p}}_u\left({\hat{y}}_0\right)}}\mathrm{\&delta;}[b\left(x_i\right)-u],$

步骤43、根据Meanshift递推公式，搜索候选目标从本帧的初始位置

移动到新位置

按公式六获取：

公式六： ${\hat{y}}_1=\frac{\underset{i=1}{\overset{n_h}{\mathrm{\&Sigma;}}}{x}_i{w}_{i}g\left({\left|\right|\frac{{\hat{y}}_0-x_i}{h}\left|\right|}^2\right)}{\underset{i=1}{\overset{n_h}{\mathrm{\&Sigma;}}}{w}_{i}g\left({\left|\right|\frac{{\hat{y}}_0-x_i}{h}\left|\right|}^2\right)},$

g()＝-k′()，

公式44、按公式七获取运动目标在位置点处的候选目标模型

公式七： ${\hat{p}}_u\left({\hat{y}}_1\right)=C\underset{i=1}{\overset{n_h}{\mathrm{\&Sigma;}}}k\left({\left|\right|\frac{x_i-{\hat{y}}_1}{h}\left|\right|}^2\right)\mathrm{\&delta;}[b\left(x_i\right)-u],$

按公式八获取运动目标在位置点

处的对应相似性系数

公式八： $\mathrm{\&rho;}[{\hat{p}}_u\left({\hat{y}}_1\right),\hat{q}]=\underset{u=1}{\overset{m}{\mathrm{\&Sigma;}}}\sqrt{{\hat{p}}_u\left({\hat{y}}_1\right){\hat{q}}_u},$

步骤45、判断条件 $\mathrm{\&rho;}[{\hat{p}}_u\left({\hat{y}}_1\right),\hat{q}]<\mathrm{\&rho;}[{\hat{p}}_u\left({\hat{y}}_0\right),\hat{q}]$ 是否成立，

判断结果为是，则令

并返回执行步骤44进行迭代；判断结果为否，则执行步骤46，

步骤46、当同时满足条件并且迭代次数小于N，返回执行步骤42，否则，当满足条件

或迭代次数大于等于N，则停止，并输出运动目标在当前帧的位置点

及其对应的核函数外形k()，

ε＝0.70～0.85，N＝7～9。

6.根据权利要求1所述一种运动目标特征高速视觉捕捉方法，其特征在于，步骤五中获取运动目标在当前帧的角点坐标的过程为：

步骤51、对运动目标在当前帧的最小外接矩形k()内的每个像素点P，计算P_x(x，y)、P_y(x，y)、P_xx(x，y)和P_yy(x，y)值：

P_x(x，y)＝P(x+1，y)-P(x，y)；

P_y(x，y)＝P(x，y+1)-P(x，y)；

P_xx(x，y)＝P(x+1，y)-2P(x，y)+P(x-1，y)；

P_yy(x，y)＝P(x，y+1)-2P(x，y)+P(x，y-1)；

式中(x，y)为像素位置坐标；

步骤52、根据步骤一的P_x(x，y)、P_y(x，y)、P_xx(x，y)和P_yy(x，y)值获取高斯局部平滑变量K(x，y)：

$K(x,y)=G(\mathrm{\&sigma;},x,y)\&CircleTimes;{\mathrm{\&Delta;}}_0(x,y)$

其中σ＝1.0：

${\mathrm{\&Delta;}}_0=\frac{P_x^2(x,y)P_{\mathrm{yy}}^2(x,y)+P_y^2(x,y)P_{\mathrm{xx}}^2(x,y)}{{(P_x^2(x,y)+P_y^2(x,y))}^2};$

步骤53、获取运动目标在当前帧的角度Δ(x，y)：

$\mathrm{\&Delta;}(x,y)=P_x^2(x,y)P_{\mathrm{xy}}^2(x,y)+P_y^2(x,y)P_{\mathrm{xx}}^2(x,y)-K(x,y){(P_x^2(x,y)+P_y^2(x,y))}^2;$

步骤54、判断当前帧的角度Δ是否满足条件Δ(x，y)＞T，

判断结果为否，该点不是运动目标的角点；判断结果为是，则该点为运动目标的角点，所有Δ(x，y)＞T的局部最大值即为运动目标在当前帧的目标区域的角点，

其中：T＝120～200。

Images