CN102654902B - 基于轮廓向量特征的嵌入式实时图像匹配方法 - Google Patents

Abstract

本发明提出一种基于轮廓向量特征的嵌入式实时图像匹配方法。采用基于X、Y方向向量的线特征，抗图像畸变、噪声、遮挡、光照变化、极性反转等能力强。采用图像金字塔搜索策略，在高层小分辨率待测图中快速匹配模板，然后逐级向下精确找出目标位置，大大减少匹配时间。根据模板图像具体信息，自动计算出最佳金字塔分层数及每层金字塔模板匹配最佳旋转角度步长。图像金字塔最高层三级筛选匹配策略根据待测图具体内容进行处理，第一、二级筛选，仅利用加减运算和判断语句筛除非目标位置，在嵌入式系统中比乘除运算更高效，第三级则仅对满足上两级要求的较少位置进行处理，极大提高匹配速度。整体方法可实现任意角度、坐标下的目标匹配定位工作。

Description

基于轮廓向量特征的嵌入式实时图像匹配方法

技术领域

本发明涉及一种图像匹配方法，具体是指一种基于轮廓向量特征的嵌入式实时图像匹配方法。

背景技术

图像匹配，是指根据给定目标图像所包含的颜色、纹理、形状或它们的组合特征等信息建立索引，并且通过图像特征向量间的相似性度量，在一幅(或一批)图像中寻找与给定目标相同或相似的图像区域(子图像)的过程。通常将给定目标图像称为模板图像，而将后续待搜索的序列图像称为待测图像。

图像匹配技术在诸多领域内有着广泛的应用，其中包括如下方面。医学图像处理中的CT、MRI、PET、SPECT图像结构信息融合。遥感图像领域中的多电磁波段图像(如微波、红外、可见光或多光谱图像)信息融合，定位和识别已定义或已知特征的如飞机场、高速路、车站等场景，矿物寻找、特定区域搜索、农作物估产、森林和水源保护、台风追踪、天气预报等方面。在机器视觉领域中的字符识别、标志确认、波形分析、运动跟踪、序列图像分析等研究方向。在工业检测领域中的目标产品定位、表面缺陷检测、工业测量、产品质量评估、构建三维信息等。

根据图像匹配的基本原理可以将图像匹配算法分为二类：基于灰度相关的匹配和基于特征的匹配。其中，基于灰度相关的匹配方法简单，匹配精度较高。但是需要处理的数据量多，计算复杂，很难达到实时匹配的要求，对噪声较为敏感，当外界条件的变化如光照条件的影响或是目标图像缺损、遮挡都会很大地影响匹配精度。基于特征的匹配对图像畸变、噪声、遮挡、光照变化等具有一定的鲁棒性，计算量小，匹配速度高，目前先进的图像匹配都采用了这一类的方法。

Luigi Di stefano等提出了一种基于零均值归一化积相关的边界局部相关算法。Wang等首先利用灰度相关法进行出匹配，再用MAPSAC算法对变换矩阵进行修正，以消除误匹配。Lowe等利用尺度空间性质，提出了一种尺度不变关键点的检测方法，以同时在尺度域和空间域取得极值的点作为关键点，并以关键点作为特征区域的中心。同时，关键点所在的尺度还用以确定特征区域的大小。这种方法较好地同时解决了特征区域定位和大小选择的问题。在每个特征区域内，Lowe以梯度方向的直方图为基础构造了一种称为SIFT的局部不变特征提取性能的衡量标准。YKe等提出了PCA-SIFT算法，通过采用PCA方法把SIFT的128维特征向量降到36维，从而加快匹配速度。Herbert Bay等提出了一种新的特征提取算法SURF，它通过快速Hessian矩阵求极值点，并通过非极大值抑制进行插值方法得到特征点，计算特征描述向量是通过计算区域的Harr响应得到。Keller等提出的基于Fourier-Mellin变换的算法从原理上很好地解决了具有平移、旋转和尺度差异的图像匹配问题。随着极坐标Fourier变换计算方法的改进，Averbuch等利用伪极坐标Fourier变换技术改进了对图像平移、旋转和尺度的检测稳定性。

在商业领域，很多公司开发出了成熟的图像匹配定位算法包，如美国Cognex公司的PatMax根据模板定位原理进行几何特征模板匹配来取代基于像素灰度的匹配方式。但是几何模式匹配的基础是图像的几何特征提取，因而此法的定位精度依赖于图像几何特征的边缘检测精度，在特征提取过程中此方法比NCC法对随机噪声更敏感。比利时Euresys公司开发的基于点特征的图像分析软件EasyFind，采用创新的特征点技术，EasyFind可迅速在图像中找到一个或多个参考模型的例证。它不是将样本图像的像素层次与参考模型相对比，而是精心选择模型中的重要特征。Adept公司开发的HexSight机器视觉软件系统，其定位工具是根据几何特征，采用最先进的轮廓检测技术来识别对象和模式。Matrox公司的Inspector软件则先提取模板和待匹配对象的边缘点，再将边缘点进行匹配，从而计算出模板和对象之间的几何位姿关系。日本Keyence公司的定位软件ShapeTrax II则同样通过物体轮廓抽取的形状为特征基础，进行目标定位。德国MVTec公司的HALCON软件基于形状的匹配模块则使用边缘特征定位物体。此外，加拿大的Dalsa公司、丹麦的JAI/Pulnix公司、加拿大的Coreco Imaging公司、美国的Navitar公司、瑞士的Photonfocus公司、日本的CCS公司等世界一流的图像和机器视觉技术领先企业对图像匹配定位技术都有深入的研究和应用。

由于拍摄时间、拍摄角度、拍摄位置、自然环境的变化、多种传感器的使用、传感器本身的缺陷及噪声、相同规格不同个体之间的略微差别等因素的影响，对同一或相同规格的不同目标拍摄的图像之间会存在灰度失真和几何畸变等差别。同时，图像预处理过程又会引入误差，这都会导致模板图像与待测图像之间通常存在着一定程度上的差异。其差异主要表现为：不同的分辨率、不同的灰度属性、不同的位置(平移和旋转)、不同的大小(缩小和放大)、以及其他的非线性变化(部分物体被遮挡、光照不均)等。在这种情况下，如何使匹配算法精度高、正确匹配率高、速度快、鲁棒性和抗干扰性强成为人们关心的问题。

发明内容

本发明目的在于针对以往图像匹配方法计算量大、耗时严重、抗图像畸变、噪声、遮挡和光照变化等外界环境影响力小、模板极性反转时不易匹配的等多方面缺点，提出了一种在嵌入式系统上利用轮廓点方向向量为特征，考虑目标平移和旋转，根据待测图像具体图像内容，实现图像目标快速、准确匹配定位。

按照本发明提供的技术方案，所述基于轮廓向量特征的嵌入式实时图像匹配方法包括以下步骤：

第一步，模板图像特征提取模块在输入的模板灰度图中，利用2*2均值法构建图像金字塔、高斯滤波、Sobel边缘提取、大津法阈值分割、非极大值抑制、高低阈值处理算法，提取用于图像匹配的模板图像金字塔各层X、Y方向向量特征图和二值化轮廓图；

第二步，待测图像特征提取模块在输入的待测灰度图中，利用均值法构建图像金字塔、高斯滤波、Sobel边缘提取、大津法阈值分割算法，提取与模板特征进行相似度吻合比较的待测图图像金字塔各层X、Y方向向量特征图和二值化轮廓图；

第三步，匹配参数自动设置模块通过获取模板二值化轮廓图中距质心最远边缘点和统计边缘点总数，计算最佳旋转角度步长、金字塔分层数；

第四步，图像金字塔最高层匹配模块分析不同待测图像的具体内容，利用三级筛选匹配策略，剔除待测图像中非目标位置，在图像金字塔最高层实现快速准确的模板粗匹配；

第五步，图像金字塔非最高层匹配模块根据上一层图像金字塔传递来的匹配信息，通过图像金字塔构建逆向工程原理，定位出本层目标位置，然后将本层定位信息传递到下一层图像金字塔进行更精确匹配，直至图像金字塔第一层。

进一步的，所述第一步具体为：

(1.1)利用2*2均值法构建多层模板图像金字塔，模板原始灰度图作为第一层，高一层金字塔图像则根据其下一层灰度图相邻四个像素的灰度值的均值求得；

(1.2)对图像金字塔各层模板灰度图利用高斯滤波去噪，高斯卷积模板如下：

$h=\frac{1}{16}*\left[\begin{array}{ccc}1& 2& 1\\ 2& 4& 2\\ 1& 2& 1\end{array}\right],$

继而应用Sobel边缘检测算子提取图像中目标轮廓点的X、Y方向向量及对应的梯度值，X、Y方向检测子如下：

$g_1=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right],$ $g_2=\left[\begin{array}{ccc}-2& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right];$

(1.3)对图像金字塔各层模板图像对应的梯度图进行大津法全局阈值分割，剔除部分梯度较小的边缘点，以删除背景信息，保留前景目标信息；

(1.4)对经阈值分割的模板图像金字塔各层梯度图利用非极大值抑制的方法，比较边缘点梯度值与该边缘点梯度正、逆方向上相邻两个点的大小，若大于这两点梯度值，则保留该边缘点，否则去除该边缘点；

(1.5)对经非极大值抑制的模板梯度图利用高低阈值处理方法，提取模板前景目标的关键特征，去除细小、琐碎边缘，将此时模板梯度取直方图，当累加梯度值由小到大排列所对应的边缘点数达到0.4～0.6倍总边缘点数时，所对应的梯度值取为高阈值，所述高阈值的0.3～0.5倍取为低阈值；

判断经非极大值抑制的模板梯度图中梯度值与高低阈值的关系，若一点大于高阈值则保留，小于低阈值则剔除，介于高低阈值之间且与大于高阈值的点8方向连通则保留，否则剔除；

(1.6)根据上一步处理所得的模板梯度图与步骤1.2所得的X、Y方向向量图对应，获得图像金字塔各层模板X、Y方向向量图和二值化轮廓图。

所述第二步具体为：

(2.1)利用2*2均值法构建多层待测图图像金字塔，待测图原始灰度图作为第一层，高一层金字塔图像则根据其下一层灰度图相邻四个像素的灰度值的均值求得；

(2.2)对图像金字塔各层待测灰度图利用高斯滤波去噪，高斯卷积模板如下：

$h=\frac{1}{16}*\left[\begin{array}{ccc}1& 2& 1\\ 2& 4& 2\\ 1& 2& 1\end{array}\right];$

继而应用Sobel边缘检测算子提取图像中目标轮廓点的X、Y方向向量及对应的梯度值，X、Y方向检测子如下：

$g_1=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right],$ $g_2=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right];$

(2.3)对图像金字塔各层待测图像对应的梯度图进行大津法全局阈值分割，剔除部分梯度较小的边缘点，以删除背景信息，保留前景目标信息；

(2.4)根据上一步处理所得的待测图的梯度图与步骤2.2所得的X、Y方向向量图对应，获得图像金字塔各层对应的待测图的X、Y方向向量图和二值化轮廓图。

所述第三步具体为：

(3.1)根据处理过的图像金字塔各层模板二值化轮廓图计算其质心坐标及轮廓总点数，并求解距质心点欧式距离最远的模板轮廓点，以下为质心点求解：

$X_C=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{x}_i,$ $Y_C=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{y}_i;$

模板某层金字塔质心坐标为(X_C，X_C)，边缘总点数为K，边缘点X、Y方向坐标分别为X_C、X_C；

(3.2)在模板图像金字塔各层上，假设距离质心最远的轮廓点绕质心旋转1～2个像素距离后距离不变，则根据余弦定理求得的该点此时所转过的角度认为是该模板旋转角度步长；设点L为模板质心点，点p为模板最远轮廓点，点w、q为点p旋转过1、2个像素距离后对应的点，点L、p、w构成三角形Lpw，三边边长分别为Lp＝Lw＝a，pw＝1，则由余弦定理求∠wLp得：

$\∠\mathrm{wLp}=\arccos \left(\frac{{\mathrm{Lp}}^2+{\mathrm{Lw}}^2-{\mathrm{pw}}^2}{2*\mathrm{Lp}*\mathrm{Lw}}\right)=\arccos \left(\frac{a^2+a^2-1^2}{2*a^2}\right)=\arccos (1-\frac{1}{2*a^2});$

此时，∠wLp为保证模板旋转后至少有一个轮廓点旋转出原来像素点坐标所对应的最小角度，模板的旋转角度步长需保证模板旋转前后能够区分出来；

点p旋转2个像素距离所对应的角度一般模板旋转角度步长取值范围为

据此根据图像金字塔每一层模板信息，计算出相应层的旋转角度步长；

(3.3)当模板图像金字塔某一层轮廓点数大于20个，而其更高一层轮廓点数小于20时，则认为该层为图像金字塔最高层，能够进行整体有效的图像匹配工作。

所述第四步具体为：

(4.1)构建搜索框：根据图像金字塔最高层的模板二值化轮廓图，以其质心点N为旋转基准点，构建包围模板在旋转角度范围内任意角度位置的最小外接矩形，设置旋转角度范围为0～360°，并且使该矩形四条边与原模板图像坐标轴平行，该矩形即为搜索框，纵长M个像素，横长H个像素，旋转基准点即为搜索框基准点N；

(4.2)待测图搜索框范围内边缘总点数统计：假设该层模板轮廓总点数为K，相似度阈值为S，以搜索框基准点N在待测图中逐像素遍历移动搜索框，判断搜索框覆盖区域中待测图边缘点数，若统计点数大于K*S，则进入第4.3步；否则，则认为待测图该像素上不存在以它为质心的任意角度目标，而后搜索框成“S”形在待测图中移动再次执行本步操作；若搜索框沿X轴移动，只需在上一步统计的边缘总点数基础上，加上沿移动方向向前新进入搜索框范围的一列M个像素点中的待测图边缘点数，并减去相应移出搜索框范围的一列M个像素点中的待测图边缘点数；若搜索框沿Y轴移动，只需在上一步统计的边缘总点数基础上，加上沿移动方向向前新进入搜索框范围的一行H个像素点中的待测图边缘点数，并减去相应移出搜索框范围的一行H个像素点中的待测图边缘点数；

(4.3)模板旋转与待测图对应边缘点数统计：以搜索框基准点N与模板质心对齐并以搜索框基准点N为旋转中心，按该层旋转角度步长旋转模板二值化轮廓图，统计每旋转一个角度步长的模板边缘点对应到待测图的二值化轮廓图相应坐标下同时也存在边缘点的个数，当模板旋转至某角度该统计数大于K*S时，则进行第4.4步，否则，继续旋转至下一个角度；

其中轮廓点旋转采用如下公式：

$\left(\begin{array}{c}{x}_1\\ y_1\end{array}\right)=\left(\begin{array}{cc}\cos \mathrm{\θ}& -\sin \mathrm{\θ}\\ \sin \mathrm{\θ}& \cos \mathrm{\θ}\end{array}\right)\left(\begin{array}{c}{x}_0\\ y_0\end{array}\right),$

(x₀ x₀)^T为边缘点原坐标，(x₁ x₁)^T为边缘点旋转后坐标，θ为旋转角度步长；

(4.4)基于方向向量特征进行匹配判断：利用模板和待测图边缘点的方向向量通过如下公式，对旋转至某角度的模板与待测图进行匹配判断：

$s=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\frac{\left|d_i{e}_i^T\right|}{\left|\right|d_i\left|\right|\left|\right|e_i\left|\right|}=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\left|D_i{E}_i^T\right|,$

其中，d_i＝(a_i，b_i)由模板边缘点上的X、Y方向向量组成，e_i＝(w_i，r_i)由待测图边缘点上的X、Y方向向量组成，

分别为方向向量对应的梯度强度值；

为归一化的模板边缘点上的X、Y方向向量，

为归一化的待测图边缘点上的X、Y方向向量；s表示模板与待测图的相似度，取值范围为0～1，取s＝0时不匹配，随着s增加相似度提高，s＝1时完全匹配；因使用轮廓线特征，只要能够提取出轮廓，即可进行图像匹配操作；

为提高计算判断速度，每次相似度计算时，设立终止条件，当计算了待测图与模板对应的T个轮廓点后，设所得点相似度和值为

若

s′_T＜(K-1)S+T

则这T个点相似度未达到最低阈值，即使剩余的K-T个完全相同也不可能达到模板相似度阈值S，因此结束本次相似度计算；

若在某位置匹配出了满足相似度阈值的图形，则记录此时模板质心点坐标和旋转角度作为位置信息，当遍历完整个待测图后，将所述位置信息传递到下一层金字塔中。

所述第五步具体为：

(5.1)根据图像金字塔上一层在待测图中定位的目标位置信息，即：

(质心点坐标(x₀ y₀)^T，旋转角度θ₀)，

通过图像金字塔构建逆向工程原理，计算本层目标位置信息(质心点坐标(x y)^T，旋转角度θ)如下：

$\left(\begin{array}{c}x\\ y\end{array}\right)=2*\left(\begin{array}{c}{x}_0\\ y_0\end{array}\right),$ θ＝θ₀；

在以(x y)^T为中心、周围2～4个像素范围内，以θ为中心角度、左右1～2个该层对应的角度步长范围内，直接采用基于方向向量特征进行匹配判断的方法，即利用模板和待测图边缘点的方向向量通过如下公式，对旋转至某角度的模板与待测图进行匹配判断：

$s=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\frac{\left|d_i{e}_i^T\right|}{\left|\right|d_i\left|\right|\left|\right|e_i\left|\right|}=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\left|D_i{E}_i^T\right|;$

每次相似度计算时，设立终止条件，当计算了待测图与模板对应的T个轮廓点后，设所得点相似度和值为

若

s′_T＜(K-1)S+T ，

则这T个点相似度未达到最低阈值，结束本次相似度计算；

若在某位置匹配出了满足相似度阈值的图形，则记录此时模板质心点坐标和旋转角度作为位置信息，当遍历完整个待测图后，将所述位置信息传递到下一层金字塔中；

(5.2)根据以下两步筛选策略进行无效位置信息剔除：

当目标位置信息中在相同质心点坐标上检测有不同角度目标位置时，找出相似度最高所对应的角度，然后计算剩余角度与其相差的度数，当差值的绝对值大于10°时，则认为该角度对应的目标属于该质心点坐标下的第二个目标，保留该角度值，否则不保留该位置信息；继而再比较剩余角度与上述两个角度的差值，同样若差值的绝对值大于10°时保留为第三个认可角度，其它角度依次类推；处理完成后，即能够保证每个质心点坐标上，只会对应真实的目标角度；

再考虑临近质心点坐标对应同一真实目标的情况，首先，找出相似度最高的位置对应的质心点坐标，然后比较该质心点坐标与剩余位置信息的质心点坐标的关系，当二者X、Y方向坐标差值的绝对值大于设定阈值，则保留该质心点坐标对应的目标位置信息作为第二目标，否则不保留该目标位置信息；剩余目标位置信息同样与记录的两个认可位置信息进行质心坐标比较，依此类推直至处理完所有位置；

此时所得所有目标位置信息即认为是该层图像金字塔待测图中所有真实目标对应的信息，将其传递到下一层图像金字塔。

本发明具有以下优点：采用基于图像线特征之一的轮廓作为特征，并用轮廓线上每个点的方向向量对其描述，相对于使用图像的点特征、面特征来说，对图像畸变、噪声、遮挡、光照变化、极性反转等具有一定的鲁棒性，并且计算量小，匹配速度高。采用图像金字塔搜索策略，在图像高层小分辨率待测图中可快速匹配模板，然后逐级向下精确匹配出模板在原始待测图中的位置，大大减少匹配时间。图像金字塔最高层三级筛选匹配策略，根据待测图具体内容，逐渐提高每级达标要求，大量剔除待测图中非模板目标位置，如第一级筛选，仅利用加法运算统计搜索框大小范围内待测图对应区域中边缘点数，第二级筛选，则在满足第一级筛选的位置上进行模板二值化轮廓图与待测图逐角度相应边缘点有无判断，在嵌入式系统中进行加法和判断比乘除运算更高效，第三级则为基于轮廓点方向向量的匹配，此时虽然进行乘除运算，但整幅待测图中能达到该级的位置并不多，相对于穷举遍历法的匹配策略，提高匹配速度。整体算法可实现目标任意角度旋转、坐标情况下的图像匹配定位。

附图说明

图1是图像金字塔最高层搜索匹配示意图。

图2是图像金字塔构建示意图。

图3是轮廓点旋转角度步长计算示意图。

图4是本发明流程图。

具体实施方式

本发明是可用于嵌入式系统对给定目标图案进行轮廓向量特征提取并据此在后续输入图像序列中进行快速相同或相似目标图案匹配定位的方法。目的在于针对以往图像匹配方法计算量大、耗时严重、抗图像畸变、噪声、遮挡和光照变化等外界环境影响力小的多方面缺点，提出在嵌入式系统上实现图像快速、精确匹配的方法。

下面结合附图和实施例对本发明作进一步说明。

如图1所示，本发明所述待测图像区域为矩形OXZY，并以O点为原点，OX方向为X轴，OY方向为Y轴，建立坐标系，图像像素坐标以该坐标系表示。并且规定，后述图像及点坐标均以此坐标系为准。矩形abcd为根据模板efg及旋转角度范围(在此设全角度旋转即360°)构建的搜索框，点N为搜索框基准点，该搜索框保证模板efg以N点为基准点360°范围内任意旋转，距点N距离最远点f始终落在其内部或边上，并且该框四边各自平行于X、Y轴，该图状态为搜索框游走到待测图中某一位置时的情况。

如图4所示，本发明的工作过程具体说明如下：

首先，模板图像特征提取模块在输入的模板灰度图中，利用2*2均值法构建图像金字塔、高斯滤波、Sobel边缘提取、大津法阈值分割、非极大值抑制、高低阈值处理算法，提取用于图像匹配的模板图像金字塔各层X、Y方向向量特征图和二值化轮廓图；

第二步，待测图像特征提取模块在输入的待测灰度图中，利用均值法构建图像金字塔、高斯滤波、Sobel边缘提取、大津法阈值分割算法，提取与模板特征进行相似度吻合比较的待测图图像金字塔各层X、Y方向向量特征图和二值化轮廓图；

第三步，匹配参数自动设置模块通过获取模板二值化轮廓图中距质心最远边缘点和统计边缘点总数，计算最佳旋转角度步长、金字塔分层数等参数；

第四步，图像金字塔最高层匹配模块分析不同待测图像的具体内容，利用三级筛选匹配策略，剔除待测图像中非目标位置，在图像金字塔最高层实现快速准确的模板粗匹配；

第五步，图像金字塔非最高层匹配模块根据上一层图像金字塔传递来的匹配信息，通过图像金字塔构建逆向工程原理，快速准确定位出本层目标位置，然后将本层定位信息传递到下一层图像金字塔进行更精确匹配，直至图像金字塔第一层。

具体的，第一步包括以下步骤：

(1.1)如图2所示，利用2*2均值法构建多层模板图像金字塔，模板原始灰度图作为第一层，高一层金字塔图像则根据其下一层灰度图相邻四个像素的灰度值的均值求得，这样每上升一层，分辨率变为其下一层的1/4倍；

(1.2)对图像金字塔各层模板灰度图利用高斯滤波去噪，高斯卷积模板如下所示：

$h=\frac{1}{16}*\left[\begin{array}{ccc}1& 2& 1\\ 2& 4& 2\\ 1& 2& 1\end{array}\right],$

继而应用Sobel边缘检测算子提取图像中目标轮廓点的X、Y方向向量及对应的梯度值，X、Y方向检测子如下所示：

$g_1=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right],$ $g_2=\left[\begin{array}{ccc}-2& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right];$

(1.3)对图像金字塔各层模板图像对应的梯度图进行大津法全局阈值分割，剔除部分梯度较小的边缘点，以删除背景信息，保留前景目标信息。

(1.4)对经阈值分割的模板图像金字塔各层梯度图利用非极大值抑制的方法，比较某边缘点梯度值与其梯度正、逆方向上相邻两个点的大小，若大于这两点梯度值，则保留该边缘点，否则去除该点。至此实现模板图大部分轮廓细化到一个像素，保留局部梯度最大值，提高特征提取的精度。

(1.5)对经非极大值抑制的模板梯度图利用高低阈值处理方法，提取模板前景目标的关键特征，去除细小、琐碎边缘，将此时模板梯度取直方图，当累加梯度值由小到大排列所对应的边缘点数达到0.4～0.6倍总边缘点数时，所对应的梯度值取为高阈值，高阈值的0.3～0.5倍取为低阈值。

判断经非极大值抑制的模板梯度图中梯度值与高低阈值的关系，若某点大于高阈值则保留，小于低阈值则剔除，介于高低阈值之间且与大于高阈值的点8方向连通则保留，否则剔除。

(1.6)又经过上一步的处理后的模板梯度图基本已满足图像匹配的需要，根据处理所得的模板梯度图与步骤(1.2)所得的X、Y方向向量图对应，获得图像金字塔各层模板X、Y方向向量图和二值化轮廓图。

第二步包括以下步骤：

(2.1)同样利用2*2均值法构建多层待测图图像金字塔，待测图原始灰度图作为第一层，高一层金字塔图像则根据其下一层灰度图相邻四个像素的灰度值的均值求得。

(2.2)对图像金字塔各层待测灰度图利用高斯滤波去噪，高斯卷积模板如下所示：

$h=\frac{1}{16}*\left[\begin{array}{ccc}1& 2& 1\\ 2& 4& 2\\ 1& 2& 1\end{array}\right],$

继而应用Sobel边缘检测算子提取图像中目标轮廓点的X、Y方向向量及对应的梯度值，X、Y方向检测子如下所示：

$g_1=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right],$ $g_2=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right];$

(2.3)对图像金字塔各层待测图像对应的梯度图进行大津法全局阈值分割，剔除部分梯度较小的边缘点，以删除背景信息，保留前景目标信息。

(2.4)经过以上处理后的待测图的梯度图基本已满足图像匹配的需要，根根据处理所得的待测图的梯度图与步骤(2.2)所得的X、Y方向向量图对应，获得图像金字塔各层对应的待测图的X、Y方向向量图和二值化轮廓图。

第三步包括以下步骤：

(3.1)根据处理过的图像金字塔各层模板二值化轮廓图计算其质心坐标及轮廓总点数，并求解距质心点欧式距离最远的模板轮廓点，如下为质心求解：

$X_C=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{x}_i,$ $Y_C=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{y}_i;$

模板某层金字塔质心坐标为(X_C，Y_C)，边缘总点数为K，边缘点X、Y方向坐标分别为X_C、Y_C。

(3.2)在图像金字塔各层上，假设距离质心最远的轮廓点绕质心旋转1～2个像素距离后距离不变，则根据余弦定理求得的该点此时所转过的角度可认为是该模板旋转角度步长。如图3为点旋转示意图，点L为质心点，点p为最远轮廓点，点w、q为点p旋转过1、2个像素距离后对应的点，假设三角形两边长度Lp＝Lw＝a，pw＝1，则由余弦定理求∠wLp得：

$\∠\mathrm{wLp}=\arccos \left(\frac{{\mathrm{Lp}}^2+{\mathrm{Lw}}^2-{\mathrm{pw}}^2}{2*\mathrm{Lp}*\mathrm{Lw}}\right)=\arccos \left(\frac{a^2+a^2-1^2}{2*a^2}\right)=\arccos (1-\frac{1}{2*a^2});$

此时，∠wLp为保证模板旋转后至少有一个不轮廓点旋转出原来像素点坐标所对应的最小角度，模板的旋转角度步长θ必须满足θ≥∠wLp。但由于取θ＝∠wLp时将线段Lp绕点L旋转θ，可发现在与点L距离在0.6*Lp长度范围内的部分点，未旋转出原来像素点坐标，若在图像匹配时，模板上有大量点存在这种情况，特别是当这种情况的点数占总点数比例达到相似度阈值时，前后两个角度的图像可认为未分辨开，匹配结果是冗余的。因此，旋转角度步长需保证模板旋转前后能够区分出来。

点p旋转2个像素距离所对应的角度

一般模板旋转角度步长取值范围为

据此，可根据图像金字塔每一层模板信息，计算出相应层的旋转角度步长。

(3.3)图像金字塔构建层数设定的原则是保证每一层图像未发生较大畸变，形状上有一定相似性，通过分析得到，当模板图像金字塔某一层轮廓点数大于20个，而其更高一层轮廓点数小于20时，则认为该层为图像金字塔最高层，可进行整体有效的图像匹配工作。

第四步包括以下步骤：

(4.1)构建搜索框：如图1中矩形abcd，根据图像金字塔最高层的模板二值化轮廓图，以其质心点N为旋转基准点，构建包围模板在旋转角度范围内任意角度位置的最小外接矩形(此处设置旋转角度范围为0～360°)，并且使该矩形四条边与原模板图像坐标轴平行，该矩形即为搜索框，纵长M个像素，横长H个像素，旋转基准点即为搜索框基准点N。

(4.2)待测图搜索框范围内边缘总点数统计：假设该层模板轮廓总点数为K，相似度阈值为S，以搜索框基准点N在待测图中逐像素遍历移动搜索框，判断搜索框覆盖区域中待测图边缘点数，若统计点数大于K*S，则进入第(4.3)步。否则，则认为待测图该像素上不存在以它为质心的任意角度目标，而后搜索框成“S”形在待测图中移动再次执行本步操作。若沿X轴移动，只需在上一步统计的边缘总点数基础上，加上沿移动方向向前新进入搜索框范围的一列M个像素点中的待测图边缘点数，并减去相应移出搜索框范围的一列M个像素点中的待测图边缘点数；若沿Y轴移动，只需在上一步统计的边缘总点数基础上，加上沿移动方向向前新进入搜索框范围的一行H个像素点中的待测图边缘点数，并减去相应移出搜索框范围的一行H个像素点中的待测图边缘点数。

(4.3)模板旋转与待测图对应边缘点数统计：以搜索框基准点N与模板质心对齐并以其为旋转中心，按该层旋转角度步长旋转模板二值化轮廓图，统计每旋转一个角度步长的模板边缘点对应到待测图的二值化轮廓图相应坐标下同时也存在边缘点的个数，当模板旋转至某角度该统计数大于K*S时，则进行第(4.4)步，否则，继续旋转至下一个角度。

其中轮廓点旋转采用如下公式：

$\left(\begin{array}{c}{x}_1\\ y_1\end{array}\right)=\left(\begin{array}{cc}\cos \mathrm{\θ}& -\sin \mathrm{\θ}\\ \sin \mathrm{\θ}& \cos \mathrm{\θ}\end{array}\right)\left(\begin{array}{c}{x}_0\\ y_0\end{array}\right),$

(x₀ x₀)^T为边缘点原坐标，(x₁ x₁)^T为其旋转后坐标，θ为旋转角度步长。

(4.4)基于方向向量特征进行匹配判断：利用模板和待测图边缘点的方向向量通过如下公式，对旋转至某角度的模板与待测图进行匹配判断：

$s=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\frac{\left|d_i{e}_i^T\right|}{\left|\right|d_i\left|\right|\left|\right|e_i\left|\right|}=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\left|D_i{E}_i^T\right|,$

其中，d_i＝(a_i，b_i)由模板边缘点上的X、Y方向向量组成，e_i＝(w_i，r_i)由待测图边缘点上的X、Y方向向量组成，

分别为方向向量对应的梯度强度值。

为归一化的模板边缘点上的X、Y方向向量，

为归一化的待测图边缘点上的X、Y方向向量，s表示模板与待测图的相似度，取值范围为0～1，取s＝0时不匹配，随着s增加相似度提高，s＝1时完全匹配。因使用轮廓线特征，只要能够提取出轮廓，即可进行图像匹配操作，因上式中

两端取绝对值，即使待测图中目标极性反转，也可进行匹配。

为提高计算判断速度，每次相似度计算时，设立终止条件，当计算了待测图与模板对应的T个轮廓点后，设所得点相似度和值为

若

s′_T＜(K-1)S+T

则这T个点相似度未达到最低阈值，即使剩余的K-T个完全相同也不可能达到模板相似度阈值S，因此结束本次相似度计算。

若在某位置匹配出了满足相似度阈值的图形，则记录此时模板质心点坐标和旋转角度作为位置信息，当遍历完整个待测图后，将这些位置信息传递到下一层金字塔中。

第五步包括以下步骤：

(5.1)根据图像金字塔上一层在待测图中定位的目标位置信息(质心点坐标(x₀ y₀)^T，旋转角度θ₀)，通过图像金字塔构建逆向工程原理，计算本层目标位置信息(质心点坐标(x y)^T，旋转角度θ)如下：

$\left(\begin{array}{c}x\\ y\end{array}\right)=2*\left(\begin{array}{c}{x}_0\\ y_0\end{array}\right),$ θ＝θ₀；

考虑在上述图像金字塔逆向推理过程中存在坐标和角度信息丢失计算的情况，因此需在以(x y)^T为中心、周围2～4个像素范围内，以θ为中心角度、左右1～2个该层对应的角度步长范围内，进行全匹配，匹配方法直接采用步骤(4.4)，以能完全匹配所有可能位置。

(5.2)由于相似度的大小、模板和待测图特征提取的边缘信息不完全一致性等原因，可能在待测图极小范围内匹配出多个目标位置，它们具有相近的质心点坐标或旋转角度，而实际上这些位置只对应一个真实目标。需根据以下两步筛选策略进行无效位置信息剔除。

当目标位置信息中在相同质心点坐标上检测有不同角度目标位置时，找出相似度最高所对应的角度，然后计算剩余角度与其相差的度数，当差值的绝对值大于10°时，则认为该角度对应的目标属于该质心点坐标下的第二个目标，保留该角度值，否则不保留该位置信息。继而再比较剩余角度与上述两个角度的差值，同样若差值的绝对值大于10°时保留为第三个认可角度，其它角度依次类推。处理完成后，即可保证每个质心点坐标上，只会对应真实的目标角度。

另外，经以上处理还需考虑临近质心点坐标对应同一真实目标的情况，首先，找出相似度最高的位置对应的质心点坐标，然后比较其与剩余位置信息的质心点坐标的关系，当二者X、Y方向坐标差值的绝对值大于一定阈值(分辨率为640*480的待测图设为12～15，其余分辨率图相应比例增减)，则保留该质心点坐标对应的目标位置信息作为第二目标，否则不保留该目标位置信息。剩余目标位置信息同样与记录的两个认可位置信息进行质心坐标比较，依此类推直至处理完所有位置。

此时所得所有目标位置信息即可认为是该层图像金字塔待测图中所有真实目标对应的信息，将其传递到下一层图像金字塔。

Claims (1)

1.基于轮廓向量特征的嵌入式实时图像匹配方法，其特征是，包括以下步骤：

第一步，模板图像特征提取模块在输入的模板灰度图中，利用2*2均值法构建图像金字塔、高斯滤波、Sobel边缘提取、大津法阈值分割、非极大值抑制、高低阈值处理算法，提取用于图像匹配的模板图像金字塔各层X、Y方向向量特征图和二值化轮廓图；

第二步，待测图像特征提取模块在输入的待测灰度图中，利用均值法构建图像金字塔、高斯滤波、Sobel边缘提取、大津法阈值分割算法，提取与模板特征进行相似度吻合比较的待测图图像金字塔各层X、Y方向向量特征图和二值化轮廓图；

第三步，匹配参数自动设置模块通过获取模板二值化轮廓图中距质心最远边缘点和统计边缘点总数，计算最佳旋转角度步长、金字塔分层数；

第四步，图像金字塔最高层匹配模块分析不同待测图像的具体内容，利用三级筛选匹配策略，剔除待测图像中非目标位置，在图像金字塔最高层实现快速准确的模板粗匹配；

第五步，图像金字塔非最高层匹配模块根据上一层图像金字塔传递来的匹配信息，通过图像金字塔构建逆向工程原理，定位出本层目标位置，然后将本层定位信息传递到下一层图像金字塔进行更精确匹配，直至图像金字塔第一层；

所述第一步具体为：

（1.1）利用2*2均值法构建多层模板图像金字塔，模板原始灰度图作为第一层，高一层金字塔图像则根据其下一层灰度图相邻四个像素的灰度值的均值求得；

（1.2）对图像金字塔各层模板灰度图利用高斯滤波去噪，高斯卷积模板如下：

$h=\frac{1}{16}*\left[\begin{array}{ccc}1& 2& 1\\ 2& 4& 2\\ 1& 2& 1\end{array}\right],$

继而应用Sobel边缘检测算子提取图像中目标轮廓点的X、Y方向向量及对应的梯度值，X、Y方向检测子如下：

$g_1=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right],$ $g_2=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right];$

（1.3）对图像金字塔各层模板图像对应的梯度图进行大津法全局阈值分割，剔除部分梯度较小的边缘点，以删除背景信息，保留前景目标信息；

（1.4）对经阈值分割的模板图像金字塔各层梯度图利用非极大值抑制的方法，比较边缘点梯度值与该边缘点梯度正、逆方向上相邻两个点的大小，若大于这两点梯度值，则保留该边缘点，否则去除该边缘点；

（1.5）对经非极大值抑制的模板梯度图利用高低阈值处理方法，提取模板前景目标的关键特征，去除细小、琐碎边缘，将此时模板梯度取直方图，当累加梯度值由小到大排列所对应的边缘点数达到0.4～0.6倍总边缘点数时，所对应的梯度值取为高阈值，所述高阈值的0.3～0.5倍取为低阈值；

判断经非极大值抑制的模板梯度图中梯度值与高低阈值的关系，若一点大于高阈值则保留，小于低阈值则剔除，介于高低阈值之间且与大于高阈值的点8方向连通则保留，否则剔除；

（1.6）根据上一步处理所得的模板梯度图与步骤1.2所得的X、Y方向向量图对应，获得图像金字塔各层模板X、Y方向向量图和二值化轮廓图；

所述第二步具体为：

（2.1）利用2*2均值法构建多层待测图图像金字塔，待测图原始灰度图作为第一层，高一层金字塔图像则根据其下一层灰度图相邻四个像素的灰度值的均值求得；

（2.2）对图像金字塔各层待测灰度图利用高斯滤波去噪，高斯卷积模板如下：

$h=\frac{1}{16}*\left[\begin{array}{ccc}1& 2& 1\\ 2& 4& 2\\ 1& 2& 1\end{array}\right];$

继而应用Sobel边缘检测算子提取图像中目标轮廓点的X、Y方向向量及对应的梯度值，X、Y方向检测子如下：

$g_1=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right],$ $g_2=\left[\begin{array}{ccc}-1& 0& 1\\ -2& 0& 2\\ -1& 0& 1\end{array}\right];$

（2.3）对图像金字塔各层待测图像对应的梯度图进行大津法全局阈值分割，剔除部分梯度较小的边缘点，以删除背景信息，保留前景目标信息；

（2.4）根据上一步处理所得的待测图的梯度图与步骤2.2所得的X、Y方向向量图对应，获得图像金字塔各层对应的待测图的X、Y方向向量图和二值化轮廓图；

所述第三步具体为：

（3.1）根据处理过的图像金字塔各层模板二值化轮廓图计算其质心坐标及轮廓总点数，并求解距质心点欧式距离最远的模板轮廓点，以下为质心点求解：

$X_C=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{x}_i,$ $Y_C=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}{y}_i;$

模板某层金字塔质心坐标为(X_C,Y_C)，边缘总点数为K，边缘点X、Y方向坐标分别为X_C、Y_C；

（3.2）在模板图像金字塔各层上，假设距离质心最远的轮廓点绕质心旋转1～2个像素距离后距离不变，则根据余弦定理求得的该点此时所转过的角度认为是该模板旋转角度步长；设点L为模板质心点，点p为模板最远轮廓点，点w、q为点p旋转过1、2个像素距离后对应的点，点L、p、w构成三角形Lpw，三边边长分别为Lp=Lw=a，pw=1，则由余弦定理求∠wLp得：

$\∠\mathrm{wLp}=\arccos \left(\frac{{\mathrm{Lp}}^2+{\mathrm{Lw}}^2-{\mathrm{pw}}^2}{2*\mathrm{Lp}*\mathrm{Lw}}\right)=\arccos \left(\frac{a^2+a^2-1^2}{2*a^2}\right)=\arccos (1-\frac{1}{2*a^2});$

此时，∠wLp为保证模板旋转后至少有一个轮廓点旋转出原来像素点坐标所对应的最小角度，模板的旋转角度步长需保证模板旋转前后能够区分出来；

点p旋转2个像素距离所对应的角度

一般模板旋转角度步长取值范围为 $\arccos (1-\frac{1}{2*a^2})\≤\mathrm{\θ}\≤\arccos (1-\frac{2}{a^2}),$ 据此根据图像金字塔每一层模板信息，计算出相应层的旋转角度步长；

（3.3）当模板图像金字塔某一层轮廓点数大于20个，而其更高一层轮廓点数小于20时，则认为轮廓点数大于20个的一层为图像金字塔最高层，能够进行整体有效的图像匹配工作；

所述第四步具体为：

（4.1）构建搜索框：根据图像金字塔最高层的模板二值化轮廓图，以其质心点N为旋转基准点，构建包围模板在旋转角度范围内任意角度位置的最小外接矩形，设置旋转角度范围为0～360°，并且使该矩形四条边与原模板图像坐标轴平行，该矩形即为搜索框，纵长M个像素，横长H个像素，旋转基准点即为搜索框基准点N；

（4.2）待测图搜索框范围内边缘总点数统计：假设该层模板轮廓总点数为K，相似度阈值为S，以搜索框基准点N在待测图中逐像素遍历移动搜索框，判断搜索框覆盖区域中待测图边缘点数，若统计点数大于K*S，则进入第4.3步；否则，则认为待测图该像素上不存在以它为质心的任意角度目标，而后搜索框成“S”形在待测图中移动再次执行本步操作；若搜索框沿X轴移动，只需在上一步统计的边缘总点数基础上，加上沿移动方向向前新进入搜索框范围的一列M个像素点中的待测图边缘点数，并减去相应移出搜索框范围的一列M个像素点中的待测图边缘点数；若搜索框沿Y轴移动，只需在上一步统计的边缘总点数基础上，加上沿移动方向向前新进入搜索框范围的一行H个像素点中的待测图边缘点数，并减去相应移出搜索框范围的一行H个像素点中的待测图边缘点数；

（4.3）模板旋转与待测图对应边缘点数统计：以搜索框基准点N与模板质心对齐并以搜索框基准点N为旋转中心，按模板图像金字塔最高层旋转角度步长旋转模板二值化轮廓图，统计每旋转一个角度步长的模板边缘点对应到待测图的二值化轮廓图相应坐标下同时也存在边缘点的个数，当模板旋转至某角度该统计数大于K*S时，则进行第4.4步，否则，继续旋转至下一个角度；

其中轮廓点旋转采用如下公式：

$\left(\begin{array}{c}{x}_1\\ y_1\end{array}\right)=\left(\begin{array}{cc}\cos \mathrm{\θ}& -\sin \mathrm{\θ}\\ \sin \mathrm{\θ}& \cos \mathrm{\θ}\end{array}\right)\left(\begin{array}{c}{x}_0\\ y_0\end{array}\right),$

(x₀ x₀)^T为边缘点原坐标，(x₁ x₁)^T为边缘点旋转后坐标，θ为旋转角度步长；

（4.4）基于方向向量特征进行匹配判断：利用模板和待测图边缘点的方向向量通过如下公式，对旋转至某角度的模板与待测图进行匹配判断：

$s=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\frac{\left|d_i{e}_i^T\right|}{\left|\right|d_i\left|\right|\left|\right|e_i\left|\right|}=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\Σ}}}\left|D_i{E}_i^T\right|,$

其中，d_i=(a_i,b_i)由模板边缘点上的X、Y方向向量组成，e_i=(w_i,r_i)由待测图边缘点上的X、Y方向向量组成，

分别为方向向量对应的梯度强度值；

为归一化的模板边缘点上的X、Y方向向量，

为归一化的待测图边缘点上的X、Y方向向量；s表示模板与待测图的相似度，取值范围为0～1，取s=0时不匹配，随着s增加相似度提高，s=1时完全匹配；因使用轮廓线特征，只要能够提取出轮廓，即可进行图像匹配操作；

为提高计算判断速度，每次相似度计算时，设立终止条件，当计算了待测图与模板对应的T个轮廓点后，设所得点相似度和值为

若

s′_T<(K-1)S+T

则这T个点相似度未达到最低阈值，即使剩余的K-T个完全相同也不可能达到模板相似度阈值S，因此结束本次相似度计算；

若在某位置匹配出了满足相似度阈值的图形，则记录此时模板质心点坐标和旋转角度作为位置信息，当遍历完整个待测图后，将所述位置信息传递到下一层金字塔中；

所述第五步具体为：

（5.1）根据图像金字塔上一层在待测图中定位的目标位置信息，即：

（质心点坐标(x₀ y₀)^T，旋转角度θ₀），

通过图像金字塔构建逆向工程原理，计算本层目标位置信息（质心点坐标(x y)^T，旋转角度θ）如下：

$\left(\begin{array}{c}x\\ y\end{array}\right)=2*\left(\begin{array}{c}{x}_0\\ y_0\end{array}\right),$ θ=θ₀；

在以(x y)^T为中心、周围2～4个像素范围内，以θ为中心角度、左右1～2个该层对应的角度步长范围内，直接采用基于方向向量特征进行匹配判断的方法，即利用模板和待测图边缘点的方向向量通过如下公式，对旋转至某角度的模板与待测图进行匹配判断：

$s=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\&Sigma;}}}\frac{\left|d_i{e}_i^T\right|}{\left|\right|d_i\left|\right|\left|\right|e_i\left|\right|}=\frac{1}{K}\underset{i=1}{\overset{K}{\mathrm{\&Sigma;}}}\left|D_i{E}_i^T\right|;$

每次相似度计算时，设立终止条件，当计算了待测图与模板对应的T个轮廓点后，设所得点相似度和值为

若

s′_T<(K-1)S+T，

则这T个点相似度未达到最低阈值，结束本次相似度计算；

若在某位置匹配出了满足相似度阈值的图形，则记录此时模板质心点坐标和旋转角度作为位置信息，当遍历完整个待测图后，将所述位置信息传递到下一层金字塔中；

（5.2）根据以下两步筛选策略进行无效位置信息剔除：

当目标位置信息中在相同质心点坐标上检测有不同角度目标位置时，找出相似度最高所对应的角度，然后计算剩余角度与其相差的度数，当差值的绝对值大于10°时，则认为该角度对应的目标属于该质心点坐标下的第二个目标，保留该角度值，否则不保留该位置信息；继而再比较剩余角度与上述两个角度的差值，同样若差值的绝对值大于10°时保留为第三个认可角度，其它角度依次类推；处理完成后，即能够保证每个质心点坐标上，只会对应真实的目标角度；

再考虑临近质心点坐标对应同一真实目标的情况，首先，找出相似度最高的位置对应的质心点坐标，然后比较该质心点坐标与剩余位置信息的质心点坐标的关系，当二者X、Y方向坐标差值的绝对值大于设定阈值，则保留该质心点坐标对应的目标位置信息作为第二目标，否则不保留该目标位置信息；剩余目标位置信息同样与记录的两个认可位置信息进行质心坐标比较，依此类推直至处理完所有位置；

此时所得所有目标位置信息即认为是该层图像金字塔待测图中所有真实目标对应的信息，将其传递到下一层图像金字塔。

Images