CN103150730A - 一种基于图像的圆形小目标精确检测方法 - Google Patents

Abstract

本发明公开了一种基于图像的圆形小目标精确检测方法，用以解决因目标成像小而不易检测或检测精度不高的问题，该方法步骤为：在初始检测阶段，利用改进的随机霍夫变换快速定位圆形小目标，并提取图像中的小范围感兴趣区域；在二次精确检测阶段，通过中心八向搜索法获取目标内边界的样本点，采用最小二乘拟合的方式求解圆形小目标的精确检测结果。本发明能够从复杂背景中准确识别并检测出圆形小目标，利用改进随机霍夫变换保证初始检测的快速性，通过二次检测方式进一步提高精度。

Description

一种基于图像的圆形小目标精确检测方法

技术领域

本发明属于图像处理技术领域，涉及一种基于图像技术的圆形小目标精确检测的方法。

背景技术

基于图像技术的运动目标实时检测技术在智能交通系统、智能监控系统、军事目标检测以及医学导航手术中的器械定位方面具有广泛的应用价值。工业现场、军事应用、医学气象等诸多领域往往需要快速检测出具有圆形特征的运动物体，以便进一步分析处理。

在基于形状特征的检测方法中，霍夫变换(Hough Transform,HT)是图像中识别几何形状的基本方法之一，特别是检测圆的一种有效方法。霍夫变换是利用空间对偶关系，把原空间的问题转换到对偶空间求解，即将图像空间中的给定曲线通过数学表达式变为参数空间中的一个点，进而将曲线检测问题转化为寻找参数空间的峰值问题。但是，当参数空间超过两维时，这种变换的时间消耗和内存需求急剧增大，在实际中难以实现和应用。为了解决这一问题，Xu等提出了随机霍夫变换(Randomized Hough Transform,RHT)，主要通过随机采样与动态链表存储来降低计算时间与存储空间；然而在处理复杂图像时，该方法会因为无目标的采样而引入无效积累，浪费大量计算时间和存储空间。为此，国内外学者对如何改进RHT做了进一步的研究，主要围绕随机采样效率和候选圆检测效率两方面开展研究。针对如何提高随机采样效率的问题，文献[1]利用随机采样点的标量三重积消除无效采样；文献[2]通过设置图像感兴趣区域来提高采样效率，利用迭代思想不断调整参数实现对圆的检测；文献[3]利用随机采样点的中垂线搜索圆上第三个点来提高采样效率；文献[4]利用直径上两个端点的梯度与两点连线平行的性质改进采样算法；而文献[5]则在只采样一点的情况下利用弦端点的切线与弦的夹角相等的性质搜索另外两点。针对提高候选圆检验效率，文献[6]通过不断更新待判断的圆心列表实现自适应的霍夫变换；文献[7]基于淘汰粒子群优化算法提高霍夫变换最优解的搜索速度；文献[8]将候选圆的外切正方形和内接正方形作为检验区域，并对该区域建立二维搜索表来加快检验速度。

在实际中，当目标距离摄像机较远时，其成像尺寸较小，目标细节信息不易观察，此时主要基于几何特征实现目标检测，因此利用随机霍夫变换能够实现圆形小目标的检测。但是，目标成像尺寸小，也会对随机霍夫变换法的检测精度产生影响。为了提高圆形小目标的检测精度，需要进一步进行检测。其中，最小二乘法(Least Squares Analysis)是一种数学优化技术，当已知多个未知量时，将测量数据按照误差最小化准则联系起来，通过使未知量的估计误差平方和最小来找到数据的最佳函数匹配。利用初始检测结果，获取目标的内边界轮廓点，使用最小二乘拟合来得到这些样本点的最佳拟合函数，即可达到提高目标检测精度的目的。

[1]Akihiko Torii,Atsushi Imiya.The Randomized-Hough-transform-based Method forGreat-circle Detection on Sphere[J].Pattern Recognition Letters,2007,28(10):1186-1192.

[2]Wei Lu,Jinglu Tan.Detection of Incomplete Ellipse in Images with Strong Noise byIterative Randomized Hough Transform(IRHT)[J].Pattern Recognition,2008,41(4):1268-1279.

[3]黎自强,滕弘飞.广义Hough变换:多个圆的快速随机检测[J].计算机辅助设计与图形学学报,2006,18(1)：27-33.

[4]王小华,谢君廷,李本伍.一种新的基于梯度方向角的圆检测算法[J].机电工程,2008,25(3):30-32.

[5]蒋联源,苏勤,祝英俊.快速随机Hough变换多圆检测算法[J].计算机工程与应用,2009,45(17):163-166.

[6]Julien Cauchiea,Valérie Fioletb,Didier Villersa.Optimization of an Houghtransform algorithm for the search of a center[J].Pattern Recognition,2008,41(2):567-574.

[7]H.D.Cheng,Yanhui Guo,Yingtao Zhang.A novel Hough transform based oneliminating particle swarm optimization and its applications[J].Pattern Recognition,2009,42(9):1959-1969.

[8]张显全,苏勤,蒋联源,李国祥.一种快速的随机Hough变换圆检测算法[J].计算机工程与应用,2008,44(22):62-64.

发明内容

本发明所要解决的技术问题是提供一种基于图像的圆形小目标精确检测方法，当目标距离图像采集设备较远时，仍然能够通过该方法准确地从背景中检测出目标。

本发明为解决上述技术问题采用以下技术方案：

一种基于图像的圆形小目标精确检测方法，其特征在于，包括如下步骤：

步骤（1），利用CCD阵列的模拟摄像机实时采集目标图像；

步骤（2），对原始图像进行彩色空间转换，将RGB模型转为HSV模型，并对其中的V通道进行快速预处理，突出圆形小目标的特征部分；

步骤（3），应用两步筛选法改进传统随机霍夫变换的参数累积方法，排除无效的参数累积；再应用区域约束法改进传统随机霍夫变换的参数检验方法，提高候选圆检验速度；之后运用改进的随机霍夫变换算法进行目标的初始检测，在步骤（2）的预处理图像中快速定位圆形小目标，获得目标的初始检测结果；

步骤（4），在步骤（3）初始检测的基础上，利用初始检测结果从原图像中提取小范围感兴趣区域，针对该区域使用canny算子获取小目标的边缘特征，并进一步修复边缘图像；

步骤（5），利用中心八向搜索法在感兴趣区域中提取小目标的内边界样本点，然后通过对样本点进行最小二乘拟合，实现小目标的二次精确检测。

步骤（2）所述快速预处理的具体步骤如下：首先利用形态学闭运算处理图像，之后应用双边滤波对图像进行去噪，保持目标边缘信息，然后采用自适应阈值分割获得二值化图像，最后采用递归高斯滤波快速实现二值图像的平滑。

步骤（3）所述两步筛选法，其具体步骤如下：

步骤（31），随机采样三点p₁(x₁,y₁)、p₂(x₂,y₂)、p₃(x₃,y₃)，判断这三点的梯度向量所在直线l₁、l₂、l₃是否交于一点，排除p₁、p₂、p₃不共圆的情况；考虑到边缘宽度不为单像素而导致计算的梯度方向精度不高，在算法中先计算l₁与l₂的交点M(x_m,y_m)：

$\left\{\begin{array}{c}{x}_m=\frac{k_{G1}{x}_1-k_{G2}{x}_2+y_2-y_1}{k_{G1}-k_{G2}}\\ y_m=\frac{k_{G1}{k}_{G2}(x_1-x_2)+k_{G1}{y}_2-k_{G2}{y}_1}{k_{G1}-k_{G2}}\end{array}\right.$

式中，k_G1、k_G2为边缘点p₁、p₂在图像中的梯度向量的模；再判断点M到直线l₃的距离d_m是否小于一个容许误差小量δ，即

$d_m=\frac{|k_{G3}{x}_m-y_m-(k_{G3}{x}_3-y_3)|}{\sqrt{1+{k_{G3}}^2}}<\mathrm{\&delta;}$

式中，k_G3为边缘点p₃在图像中的梯度向量的模；若满足不等式则进行下一步骤，否则重新采样；

步骤（32），计算p₁p₂、p₂p₃中垂线的交点得到过p₁、p₂、p₃的圆的参数，圆心O(a₀,b₀)和半径r₀为：

$\left\{\begin{array}{c}{a}_0=\frac{k_1(x_1+x_2)-k_2(x_2+x_3)+(y_3-y_1)}{2(k_1-k_2)}\\ b_0=\frac{k_1{k}_2(x_1-x_3)+k_1(y_2+y_3)-k_2(y_1+y_2)}{2(k_1-k_2)}\\ r_0=\sqrt{{(x_1-a_0)}^2+{(y_1-b_0)}^2}\end{array}\right.$

式中，

判断圆心O与步骤（31）中的M点是否满足(x_m-x₀)²+(y_m-y₀)²＜σ²，其中σ为自定义的误差小量，若满足则确定p₁、p₂、p₃在同一个候选圆上，否则重新采样，排除p₁、p₂、p₃位于两个同心圆上的特殊情况。

步骤（3）所述区域约束法，其具体步骤如下：

在计算候选圆上的像素点个数时，当且仅当边缘点p(x_p,y_p)满足如下条件，才对点p是否落在圆心为(x₀,y₀)、半径为r₀的候选圆上进行判断，区域约束条件为：

$\left\{\begin{array}{ccc}{a}_0-\sqrt{2}{r}_0\&le;x_p\&le;a_0-\frac{\sqrt{2}}{2}{r}_0& \mathrm{or}& a_0+\frac{\sqrt{2}}{2}{r}_0\&le;x_p\&le;a_0+\sqrt{2}{r}_0\\ b_0-\sqrt{2}{r}_0\&le;y_p\&le;b_0+\sqrt{2}{r}_0& & \end{array}\right.$

或

$\left\{\begin{array}{ccc}{a}_0-\frac{\sqrt{2}}{2}{r}_0\&le;x_p\&le;a_0-\frac{\sqrt{2}}{2}{r}_0& & \\ b_0-\sqrt{2}{r}_0\&le;y_p\&le;b_0+\sqrt{2}{r}_0& \mathrm{or}& b_0+\frac{\sqrt{2}}{2}{r}_0\&le;y_p\&le;b_0+\sqrt{2}{r}_0\end{array}\right.+.$

步骤（3）所述运用改进的随机霍夫变换算法进行目标的初始检测，具体步骤如下：

①计算并存储图像V通道中各点梯度；

②在预处理的图像中获得边缘点集合S，并初始化参数单元集合R=NULL，参数单元计数值N_j=0，循环次数k=0，设定参数单元权重阈值N_t、参数检验阈值M_min和循环最大次数K_max；

③从S中随机选取三个点p₁、p₂、p₃，若满足两步筛选法则计算过这三点的圆的参数(a_i,b_i,r_i)，并进入④，否则重新采样；

④在R中搜索是否存在(a_j,b_j,r_j)，满足||(a_i,b_i,r_i)-(a_j,b_j,r_j)||＜δ(δ为容许误差小量)，若存在则转⑥，否则转⑤；

⑤将(a_i,b_i,r_i)加入R中，将对应的N_i加1，转⑦；

⑥将(a_j,b_j,r_j)对应的N_j加1，若N_j<N_t成立则转⑦，否则转⑧；

⑦k=k+1，若k<K_max，则转③，否则结束检测；

⑧利用区域约束法计算图像中满足(r_i-ε)²＜(x-a_i)²+(y-b_i)²＜(r_i+ε)²的点数量M_i，若M_i≥M_min，则转⑨，否则认为

不是图像中的圆，从R中删除(a_i,b_i,r_i)，并转③；

⑨k=k+1，判断若k<K_max，则将符合(r_i-ε)²＜(x-a_i)²+(y-b_i)²＜(r_i+ε)²的点从S中删除，并重置k=0，R=NULL后转③；否则结束检测。

在步骤（4）修复图像时，对于轮廓上的任意一点，如果该点的八邻域满足顺时针或逆时针方向像素值变化次数为2次，则该点为轮廓端点；当变化次数为0次时，该点为孤立点，即轮廓的两个端点重合；当任意两端点之间的距离小于或等于给定阈值时，用直线连接这两个端点来实现边缘修复。

步骤（5）所述利用中心八向搜索法在感兴趣区域中提取小目标的内边界样本点，然后通过对样本点进行最小二乘拟合实现二次精确检测的具体步骤如下：

步骤（51），定义图像坐标系，以左下角顶点为坐标原点(0,0)，沿图像水平指向图像右下角顶点方向为X轴，沿图像垂直指向图像左上角顶点方向为Y轴；然后，以步骤（3）中初始检测的目标中心坐标为起点，沿X轴方向为0°方向，逆时针每隔45°选取一个搜索方向，即沿0°、45°、90°、135°、180°、225°、270°、315°这八个方向分别搜索边界，得到八个内边界点以及各点到目标中心的距离；

步骤（52），利用冒泡排序法对这八个距离进行排序，淘汰最大距离和最小距离所对应的两个内边界点；

步骤（53），将剩余的六个边界点作为拟合样本，应用最小二乘拟合法求解圆形小目标的精确检测结果。

本发明能够从复杂背景中准确识别并检测出圆形小目标，利用改进随机霍夫变换保证初始检测的快速性，通过二次检测方式进一步提高精度。

附图说明

图1为本发明的流程图；

图2为CCD摄像机实时采集的原始目标图像；

图3为改进随机霍夫变换对圆形小目标进行初始检测的算法流程图；

图4为基于中心八向搜索法对圆形小目标进行最小二乘拟合实现二次精确检测的算法流程图；

图5为中心八向搜索法示意图；

图6表示目标初始检测结果示意图；

图7表示目标二次精确检测结果示意图。

具体实施方式

下面，结合附图对本发明的实施例作详细说明：本实施例以本发明的技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

如图1，本实施例包括如下步骤：

（1）选用型号为CNB-A1263PL的彩色一体化摄像机，该型摄像机在镜头上采用1/4inch的SONY IT CCD作为图像传感器，实时采集PAL制式的目标视频图像，图像像素尺寸为768×576，如图2所示，其中由白色外环和黑色内圆组成的圆形物体为本发明的检测目标，在图中用方框标出；

（2）对原始图像进行彩色空间转换，将RGB模型转为HSV模型，并对其中的V通道进行预处理，首先利用形态学闭运算处理，其次应用双边滤波对图像去噪，保持目标边缘信息，然后采用自适应阈值分割获得二值化图像，最后采用递归高斯滤波快速实现二值图像的平滑。

（3）利用两步筛选法和区域约束法改进传统随机霍夫变换，并运用改进后的随机霍夫变换算法，在预处理图像中快速定位圆形小目标，获得目标的初始检测结果。其中，对传统随机霍夫变换的改进步骤具体为：

首先，应用两步筛选法改进传统随机霍夫变换的参数累积方法，排除无效的参数累积；

所述两步筛选法，具体步骤如下：

步骤（31），随机采样三点p₁(x₁,y₁)、p₂(x₂,y₂)、p₃(x₃,y₃)，判断这三点的梯度向量所在直线l₁、l₂、l₃是否交于一点，排除p₁、p₂、p₃不共圆的情况。考虑到边缘宽度不为单像素而导致计算的梯度方向精度不高，在算法中先计算l₁与l₂的交点M(x_m,y_m)：

$\left\{\begin{array}{c}{x}_m=\frac{k_{G1}{x}_1-k_{G2}{x}_2+y_2-y_1}{k_{G1}-k_{G2}}\\ y_m=\frac{k_{G1}{k}_{G2}(x_1-x_2)+k_{G1}{y}_2-k_{G2}{y}_1}{k_{G1}-k_{G2}}\end{array}\right.$

式中，k_G1、k_G2为边缘点p₁、p₂在图像中的梯度向量的模；再判断点M到直线l₃的距离d_m是否小于一个容许误差小量δ，即

$d_m=\frac{|k_{G3}{x}_m-y_m-(k_{G3}{x}_3-y_3)|}{\sqrt{1+{k_{G3}}^2}}<\mathrm{\&delta;}$

式中，k_G3为边缘点p₃在图像中的梯度向量的模；若满足不等式则进行下一步骤，否则重新采样。

步骤（32），计算p₁p₂、p₂p₃中垂线的交点得到过p₁、p₂、p₃的圆的参数，圆心O(a₀,b₀)和半径r₀：

$\left\{\begin{array}{c}{a}_0=\frac{k_1(x_1+x_2)-k_2(x_2+x_3)+(y_3-y_1)}{2(k_1-k_2)}\\ b_0=\frac{k_1{k}_2(x_1-x_3)+k_1(y_2+y_3)-k_2(y_1+y_2)}{2(k_1-k_2)}\\ r_0=\sqrt{{(x_1-a_0)}^2+{(y_1-b_0)}^2}\end{array}\right.$

式中，

判断点O与步骤a中的M点是否满足(x_m-x₀)²+(y_m-y₀)²＜σ²，若满足则确定p₁、p₂、p₃在同一个候选圆上，否则重新采样，排除p₁、p₂、p₃位于两个同心圆上的特殊情况。

其次，应用区域约束法改进传统随机霍夫变换的参数检验方法，提高候选圆检验速度；

所述区域约束法，具体为：在计算候选圆上的像素点个数时，当且仅当边缘点p(x_p,y_p)满足下述条件，才对点p是否落在圆心为(x₀,y₀)、半径为r₀的候选圆上进行判断，以此提高候选圆的检验效率。区域约束条件为：

$\left\{\begin{array}{ccc}{a}_0-\sqrt{2}{r}_0\&le;x_p\&le;a_0-\frac{\sqrt{2}}{2}{r}_0& \mathrm{or}& a_0+\frac{\sqrt{2}}{2}{r}_0\&le;x_p\&le;a_0+\sqrt{2}{r}_0\\ b_0-\sqrt{2}{r}_0\&le;y_p\&le;b_0+\sqrt{2}{r}_0& & \end{array}\right.$

或

$\left\{\begin{array}{ccc}{a}_0-\frac{\sqrt{2}}{2}{r}_0\&le;x_p\&le;a_0-\frac{\sqrt{2}}{2}{r}_0& & \\ b_0-\sqrt{2}{r}_0\&le;y_p\&le;b_0+\sqrt{2}{r}_0& \mathrm{or}& b_0+\frac{\sqrt{2}}{2}{r}_0\&le;y_p\&le;b_0+\sqrt{2}{r}_0\end{array}\right.+$

然后，运用改进的随机霍夫变换算法进行目标的初始检测，如图3所示，具体步骤如下：

①计算并存储图像V通道中各点梯度；

②在预处理的图像中获得边缘点集合S，并初始化参数单元集合R=NULL，参数单元计数值N_j=0，循环次数k=0，设定参数单元权重阈值N_t和循环最大次数K_max；

③从S中随机选取三个点p₁、p₂、p₃，若满足两步筛选法则计算过这三点的圆的参数(a_i,b_i,r_i)，并进入④，否则重新采样；

④在R中搜索是否存在(a_j,b_j,r_j)，满足||(a_i,b_i,r_i)-(a_j,b_j,r_j)||＜δ(δ为容许误差小量)，若存在则转⑥，否则转⑤；

⑤将(a_i,b_i,r_i)加入R中，将对应的N_i加1，转⑦；

⑥将(a_j,b_j,r_j)对应的N_j加1，若N_j<N_t成立则转⑦，否则转⑧；

⑦k=k+1，若k<K_max，则转③，否则结束检测；

⑧利用区域约束法计算图像中满足(r_i-ε)²＜(x-a_i)²+(y-b_i)²＜(r_i+ε)²的点数量M_i，若M_i≥M_min，则转⑨，否则认为

不是图像中的圆，从R中删除(a_i,b_i,r_i)，并转③；

⑨k=k+1，判断若k<K_max，则将符合(r_i-ε)²＜(x-a_i)²+(y-b_i)²＜(r_i+ε)²的点从S中删除，并重置k=0，R=NULL后转③；否则结束检测。

（4）在对圆形小目标进行初始检测的基础上，利用初始检测结果从原图像中提取小范围感兴趣区域，针对该区域使用canny算子获取小目标的边缘特征，并进一步修复边缘图像。在修复图像时，对于轮廓上的任意一点，如果该点的八邻域满足顺时针或逆时针方向像素值变化次数为2次，则该点为轮廓端点；当变化次数为0次时，该点为孤立点，即轮廓的两个端点重合。当任意两端点之间的距离小于或等于给定阈值时，用直线连接这两个端点来实现边缘修复。

（5）利用中心八向搜索法在感兴趣区域中提取小目标的内边界样本点，然后通过对样本点进行最小二乘拟合，实现圆形小目标的二次精确检测，如图4所示，具体步骤如下：

步骤（51），初始化。首先，定义图像的左下角顶点为坐标原点(0,0)，沿图像水平指向图像右下角顶点方向为X轴，沿图像垂直指向图像左上角顶点方向为Y轴；然后，已知初始检测的目标中心图像坐标(cx,cy)和半径像素尺寸cr，以点(cx,cy)为中心，沿X轴方向为0°方向，逆时针每隔45°取[0°,360°)的八个角度，分别记为0°、45°、90°、135°、180°、225°、270°、315°方向，如图5所示；最后自定义一个结构体变量Search_Edge，包括两个整型成员变量step和orient，其中orient表示沿哪个方向搜索边界点，step则记录在该方向上搜索到边界点的步长，初始化一个Search_Edge型的数组pt_edge[8]。.

步骤（52），获取边界点样本集。在修复后的边缘图像中，从中心点(cx,cy)出发，分别沿步骤A中规定的八个方向搜索边界点，如在45°方向上，定义cxt和cyt分别为X方向和Y方向上的单步步长，则当前点的值为（可由下列语句提取）：

ptr_orientation_45=*(BilateRal->imageData+cyt*BilateRal->widthStep+cxt)

若当前值等于0则继续搜索，并将搜索步长加1；若当前值等于255则停止该方向搜索，并将搜索步长赋值给pt_edge[].orient为45的pt_edge[].step。需要注意的是，在此过程中，为防止发生点溢出，需要预先判断搜索点是否超出图像的整体边界。

步骤（53），筛选样本集。由于阈值化后的图像可能存在信息丢失，导致目标边缘图像部分丢失。为防止搜索步长的失真，对八个方向得到的搜索步长进行排序，去掉最大值和最小值，利用剩下六个方向上的边界点进行最小二乘拟合。具体是利用下列公式进行最小二乘拟合，计算目标参数，得到圆形小目标的二次精确检测结果：(x_center,y_center,r)。

$\left\{\begin{array}{c}C=N\underset{i=0}{\overset{5}{\mathrm{\&Sigma;}}}{X_i}^2-\underset{i=0}{\overset{5}{\mathrm{\&Sigma;}}}{x}_i\underset{i=0}{\overset{5}{\mathrm{\&Sigma;}}}{Y}_i\\ D=N\underset{i=0}{\overset{5}{\mathrm{\&Sigma;}}}{X}_i{Y}_i-\underset{i=0}{\overset{5}{\mathrm{\&Sigma;}}}{X}_i\underset{i=0}{\overset{5}{\mathrm{\&Sigma;}}}{Y}_i\\ E=N\underset{i=0}{\overset{5}{\mathrm{\&Sigma;}}}{X}_i^3+N\underset{i=0}{\overset{5}{\mathrm{\&Sigma;}}}{X}_i{Y}_i^2-\underset{i=0}{\overset{5}{\mathrm{\&Sigma;}}}({X_i}^2+Y_i^2)\underset{i=0}{\overset{5}{\mathrm{\&Sigma;}}}{X}_i\\ G=N\underset{i=0}{\overset{5}{\mathrm{\&Sigma;}}}{Y}_i^2-\underset{i=0}{\overset{5}{\mathrm{\&Sigma;}}}{Y}_i\underset{i=0}{\overset{5}{\mathrm{\&Sigma;}}}{Y}_i\\ H=N\underset{i=0}{\overset{5}{\mathrm{\&Sigma;}}}{X_i}^2{Y}_i+N\underset{i=0}{\overset{5}{\mathrm{\&Sigma;}}}{Y}_i^3-\underset{i=0}{\overset{5}{\mathrm{\&Sigma;}}}({X_i}^2+Y_i^2)\underset{i=0}{\overset{5}{\mathrm{\&Sigma;}}}{Y}_i\end{array}\right.$

$\&DoubleRightArrow;\left\{\begin{array}{c}a=\frac{\mathrm{HD}-\mathrm{EG}}{\mathrm{CG}-D^2}\\ b=\frac{\mathrm{HC}-\mathrm{ED}}{D^2-\mathrm{GC}}\\ c=-\frac{\mathrm{\&Sigma;}({X_i}^2+Y_i^2)+\mathrm{a\&Sigma;}{x}_i+\mathrm{b\&Sigma;}{Y}_i}{N}\end{array}\right.$

$\&DoubleRightArrow;\left\{\begin{array}{c}{x}_{\mathrm{center}}=\frac{a}{-2}\\ y_{\mathrm{center}}=\frac{b}{-2}\\ r=\frac{1}{2}\sqrt{a^2+b^2-4c}\end{array}\right.$

本实例对圆形小目标的检测精度和检测时间详见表1，由表中数据可以看出二次精确检测在初始检测的基础上进一步提高了检测精度，检测误差在1个像素，同时本实例的检测时间为0.23s。图6和图7分别为初始检测结果和二次精确检测结果示意图，其中目标检测结果用浅色线描出，浅色原点为目标中心标记。

表1本实例对圆形小目标检测的技术指标

Claims (7)

1.一种基于图像的圆形小目标精确检测方法，其特征在于，包括如下步骤：

步骤（1），利用CCD阵列的模拟摄像机实时采集目标图像；

步骤（2），对原始图像进行彩色空间转换，将RGB模型转为HSV模型，并对其中的V通道进行快速预处理，突出圆形小目标的特征部分；

步骤（3），应用两步筛选法改进传统随机霍夫变换的参数累积方法，排除无效的参数累积；再应用区域约束法改进传统随机霍夫变换的参数检验方法，提高候选圆检验速度；之后运用改进的随机霍夫变换算法进行目标的初始检测，在步骤（2）的预处理图像中快速定位圆形小目标，获得目标的初始检测结果；

步骤（4），在步骤（3）初始检测的基础上，利用初始检测结果从原图像中提取小范围感兴趣区域，针对该区域使用canny算子获取小目标的边缘特征，并进一步修复边缘图像；

步骤（5），利用中心八向搜索法在感兴趣区域中提取小目标的内边界样本点，然后通过对样本点进行最小二乘拟合，实现小目标的二次精确检测。

2.根据权利要求1所述的一种基于图像的圆形小目标精确检测方法，其特征在于，步骤（2）所述快速预处理的具体步骤如下：首先利用形态学闭运算处理图像，之后应用双边滤波对图像进行去噪，保持目标边缘信息，然后采用自适应阈值分割获得二值化图像，最后采用递归高斯滤波快速实现二值图像的平滑。

3.根据权利要求1或2所述的一种基于图像的圆形小目标精确检测方法，其特征在于，步骤（3）所述两步筛选法，其具体步骤如下：

步骤（31），随机采样三点p₁(x₁,y₁)、p₂(x₂,y₂)、p₃(x₃,y₃)，判断这三点的梯度向量所在直线l₁、l₂、l₃是否交于一点，排除p₁、p₂、p₃不共圆的情况；考虑到边缘宽度不为单像素而导致计算的梯度方向精度不高，在算法中先计算l₁与l₂的交点M(x_m,y_m)：

$\left\{\begin{array}{c}{x}_m=\frac{k_{G1}{x}_1-k_{G2}{x}_2+y_2-y_1}{k_{G1}-k_{G2}}\\ y_m=\frac{k_{G1}{k}_{G2}(x_1-x_2)+k_{G1}{y}_2-k_{G2}{y}_1}{k_{G1}-k_{G2}}\end{array}\right.$

式中，k_G1、k_G2为边缘点p₁、p₂在图像中的梯度向量的模；再判断点M到直线l₃的距离d_m是否小于一个容许误差小量δ，即

$d_m=\frac{|k_{G3}{x}_m-y_m-(k_{G3}{x}_3-y_3)|}{\sqrt{1+{k_{G3}}^2}}<\mathrm{\&delta;}$

式中，k_G3为边缘点p₃在图像中的梯度向量的模；若满足不等式则进行下一步骤，否则重新采样；

步骤（32），计算p₁p₂、p₂p₃中垂线的交点得到过p₁、p₂、p₃的圆的参数，圆心O(a₀,b₀)和半径r₀为：

$\left\{\begin{array}{c}{a}_0=\frac{k_1(x_1+x_2)-k_2(x_2+x_3)+(y_3-y_1)}{2(k_1-k_2)}\\ b_0=\frac{k_1{k}_2(x_1-x_3)+k_1(y_2+y_3)-k_2(y_1+y_2)}{2(k_1-k_2)}\\ r_0=\sqrt{{(x_1-a_0)}^2+{(y_1-b_0)}^2}\end{array}\right.$

式中，

判断圆心O与步骤（31）中的M点是否满足(x_m-x₀)²+(y_m-y₀)²<σ²，其中σ为自定义的误差小量，若满足则确定p₁、p₂、p₃在同一个候选圆上，否则重新采样，排除p₁、p₂、p₃位于两个同心圆上的特殊情况。

4.根据权利要求3所述的一种基于图像的圆形小目标精确检测方法，其特征在于，步骤（3）所述区域约束法，其具体步骤如下：

在计算候选圆上的像素点个数时，当且仅当边缘点p(x_p,y_p)满足如下条件，才对点p是否落在圆心为(x₀,y₀)、半径为r₀的候选圆上进行判断，区域约束条件为：

$\left\{\begin{array}{ccc}{a}_0-\sqrt{2}{r}_0\&le;x_p\&le;a_0-\frac{\sqrt{2}}{2}{r}_0& \mathrm{or}& a_0+\frac{\sqrt{2}}{2}{r}_0\&le;x_p\&le;a_0+\sqrt{2}{r}_0\\ b_0-\sqrt{2}{r}_0\&le;y_p\&le;b_0+\sqrt{2}{r}_0& & \end{array}\right.$

或

$\left\{\begin{array}{ccc}{a}_0-\frac{\sqrt{2}}{2}{r}_0\&le;x_p\&le;a_0-\frac{\sqrt{2}}{2}{r}_0& & \\ b_0-\sqrt{2}{r}_0\&le;y_p\&le;b_0+\sqrt{2}{r}_0& \mathrm{or}& b_0+\frac{\sqrt{2}}{2}{r}_0\&le;y_p\&le;b_0+\sqrt{2}{r}_0\end{array}\right.+.$

5.根据权利要求4所述的一种基于图像的圆形小目标精确检测方法，其特征在于，步骤（3）所述运用改进的随机霍夫变换算法进行目标的初始检测，具体步骤如下：

①计算并存储图像V通道中各点梯度；

②在预处理的图像中获得边缘点集合S，并初始化参数单元集合R=NULL，参数单元计数值N_j=0，循环次数k=0，设定参数单元权重阈值N_t、参数检验阈值M_min和循环最大次数K_max；

③从S中随机选取三个点p₁、p₂、p₃，若满足两步筛选法则计算过这三点的圆的参数(a_i,b_i,r_i)，并进入④，否则重新采样；

④在R中搜索是否存在(a_j,b_j,r_j)，满足||(a_i,b_i,r_i)-(a_j,b_j,r_j)||<δ(δ为容许误差小量)，若存在则转⑥，否则转⑤；

⑤将(a_i,b_i,r_i)加入R中，将对应的N_i加1，转⑦；

⑥将(a_j,b_j,r_j)对应的N_j加1，若N_j<N_t成立则转⑦，否则转⑧；

⑦k=k+1，若k<K_max，则转③，否则结束检测；

⑧利用区域约束法计算图像中满足(r_i-ε)²<(x-a_i)²+(y-b_i)²<(r_i+ε)²的点数量M_i，若M_i≥M_min，则转⑨，否则认为

不是图像中的圆，从R中删除(a_i,b_i,r_i)，并转③；

⑨k=k+1，判断若k<K_max，则将符合(r_i-ε)²<(x-a_i)²+(y-b_i)²<(r_i+ε)²的点从S中删除，并重置k=0，R=NULL后转③；否则结束检测。

6.根据权利要求1或2所述的一种基于图像的圆形小目标精确检测方法，其特征在于，在步骤（4）修复图像时，对于轮廓上的任意一点，如果该点的八邻域满足顺时针或逆时针方向像素值变化次数为2次，则该点为轮廓端点；当变化次数为0次时，该点为孤立点，即轮廓的两个端点重合；当任意两端点之间的距离小于或等于给定阈值时，用直线连接这两个端点来实现边缘修复。

7.根据权利要求1或2所述的一种基于图像的圆形小目标精确检测方法，其特征在于，步骤（5）所述利用中心八向搜索法在感兴趣区域中提取小目标的内边界样本点，然后通过对样本点进行最小二乘拟合实现二次精确检测的具体步骤如下：

步骤（51），定义图像坐标系，以左下角顶点为坐标原点(0,0)，沿图像水平指向图像右下角顶点方向为X轴，沿图像垂直指向图像左上角顶点方向为Y轴；然后，以步骤（3）中初始检测的目标中心坐标为起点，沿X轴方向为0°方向，逆时针每隔45°选取一个搜索方向，即沿0°、45°、90°、135°、180°、225°、270°、315°这八个方向分别搜索边界，得到八个内边界点以及各点到目标中心的距离；

步骤（52），利用冒泡排序法对这八个距离进行排序，淘汰最大距离和最小距离所对应的两个内边界点；

步骤（53），将剩余的六个边界点作为拟合样本，应用最小二乘拟合法求解圆形小目标的精确检测结果。

Images