CN103164857A - 一种基于图像的近距大偏角圆形目标的高效检测方法 - Google Patents

Abstract

本发明公开了一种近距大偏角圆形目标图像的高效检测方法，其解决了圆形目标距离图像采集设备较近且存在较大偏转角时成像发生严重形变时的检测难题，该方法主要包括：首先对原始图像进行针对性预处理，从复杂背景中粗略分割出圆形目标；其次对预处理图像进行二值形态学闭运算处理，对目标的几何形状特征进行恢复和保持；然后基于特殊的几何约束关系，从双层轮廓提取算法得到的众多轮廓中排除干扰轮廓，筛选出目标的初选轮廓；最后利用目标的细节特征，确认目标轮廓。本发明能够准确识别并检测出近距大偏角的圆形目标，在目标成像区域较大时利用模板匹配提高算法的准确性和效率，实现高效检测。

Description

一种基于图像的近距大偏角圆形目标的高效检测方法

技术领域

本发明属于图像处理技术领域，涉及一种基于图像的近距大偏角圆形目标的高效检测方法。

背景技术

目前，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、医学气象等主动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。

针对圆形目标的检测，国内外的众多算法都是基于几何形状特征展开的，典型的便是霍夫变换算法(Hough Transform,HT)。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，检测精度也会降低。为此，国内外学者就如何提高RHT算法的精确性以及效率做了大量的研究，主要是围绕随机采样效率和候选圆检测效率两方面来开展。

当圆形目标与摄像机光轴不垂直时，目标的俯仰和偏转会导致其成像的变形；随着目标相对摄像机的距离减小，目标相对摄像机的角度增大，成像形变同样会越发严重。在这些情况下，圆形目标在摄像机的成像平面上呈现椭圆形；受自身不同的立体形状以及光线不均等环境因素的影响，圆形目标甚至会呈现出一个类圆形变形体。由于几何形状特征的丢失，Hough算法以及RHT算法对于此类近距大偏角的圆形目标无能为力，算法的检测精度急剧下降、效率低下，甚至完全失效。虽然目标的几何形状特征丢失，但是包含的细节信息也会增多，为实现准确检测提供了帮助。

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近距大偏角圆形目标的高效检测方法，在目标检测过程中，当圆形目标距图像采集设备较近且存在较大偏转角时，其成像产生严重形变的情况下，采用该方法仍然可以准确、快速地检测目标。

本发明为解决上述技术问题采用以下技术方案：

一种基于图像的近距大偏角圆形目标的高效检测方法，包括如下步骤：

（1）利用CCD阵列的模拟摄像机实时采集目标图像；

（2）将复杂背景下的原始目标图像由RGB模型转为HSV模型，对其中的V通道进行预处理，并且滤除背景中的部分干扰信息；

（3）对图像进行典型二值形态学闭运算处理，突出圆形目标特征；

（4）在步骤（3）的基础上，利用分层轮廓提取方法对目标图像轮廓进行分层提取，去除目标图像中的层次干扰轮廓，然后利用几何约束条件排除其他干扰轮廓，获得初选轮廓；

（5）采用圆形目标的细节特征进行辅助验证，判定最终的区域轮廓，并且通过模版匹配算法提高算法效率，最终实现近距大偏角圆形目标的高效检测。

所述步骤（2）中对原始图像V通道进行预处理方式为阈值二值化分割处理。

所述步骤（4）的具体步骤为：

步骤（41），通过边缘梯度判断二值图像中连通区域的边界；

步骤（42），采用嵌套双层轮廓法提取图像中的所有轮廓，将最外层连通域的边界定义为外轮廓，第二层连通域的边界定义为内轮廓，第三层连通域的边界再次定义为外轮廓，依次类推；

步骤（43），利用二值形态学闭运算后图像不会出现复杂嵌套结构的特点，应用双层轮廓提取算法快速、精确滤除背景干扰所在层的轮廓；

步骤（44），滤除内层轮廓干扰之后，基于特殊几何形状特征的约束对外层轮廓进行提取，由于近距大偏角圆形目标的成像会发生严重形变，传统的圆形几何特征难以得到目标轮廓，因此采用特殊的轮廓特征约束筛选预选轮廓，具体为：

条件a，计算轮廓的长h和宽w，目标轮廓的长宽比需满足如下条件：

$k_d<\frac{h}{w}<\frac{1}{k_d}$

式中，k_d为限定参数，取值范围为0.5<k_d<1；

条件b，计算轮廓的周长L,目标轮廓的周长需满足如下条件：

k_l2×d<L<k_l1×d

式中，k_l1和k_l1为限定参数，取值范围为k_l1<π<k_l1，

条件c，目标轮廓的面积是所有满足条件a、b的轮廓中最大的；

步骤（45），计算预选轮廓外接圆的参数，与预选轮廓的相应参数对比，若差值在容许范围内，则判定该轮廓为图像中目标的初选轮廓。

在近距大偏角的情况下，虽然待检测的圆形目标成像形变严重，但是在目标接近图像采集设备的过程中，目标成像尺寸增大，在图像中所占的像素逐渐增多，目标的细节信息不断丰富，针对上述特点，步骤（5）采用圆形目标的细节特征进行辅助验证，判定最终的区域轮廓，并且通过模版匹配算法提高算法效率，实现高效检测，具体步骤如下：

首先，得到初选轮廓的最小外接正矩形；

其次，以初选轮廓中心点为中心，最小外接正矩形长、宽的1.25倍为边长，构建框架特征矩形；

然后，将最小外接正矩形投影在框架特征矩形上，并采集投影点；

最后，计算目标细节特征点在投影点中所占的比例，如果该比例满足如下条件，则可完全判定为目标轮廓：

$\left(1\right)\frac{\mathrm{px}1}{w}<k_p$

$\left(2\right)\frac{\mathrm{px}2}{w}<k_p$

$\left(3\right)\frac{\mathrm{py}1}{h}<k_p$

$\left(4\right)\frac{\mathrm{py}1}{h}<k_p$

式中，k_p为限定参数，取值范围是0～1，px1、px2、py1、py2分别为各条投影边上包含的目标特征点数。

本发明中还通过模版匹配算法提高算法效率，具体方法如下：

选取w×h的模版，将模板在目标图像中滑动，利用公式：

$R(x,y)=\underset{x^{\&prime;},y^{\&prime;}}{\mathrm{\&Sigma;}}[T(x^{\&prime;},y^{\&prime;})\&CenterDot;I(x+x^{\&prime;},y+y^{\&prime;})]/\sqrt{\underset{x^{\&prime;},y^{\&prime;}}{\mathrm{\&Sigma;}}T{(x^{\&prime;},y^{\&prime;})}^2\&CenterDot;\underset{x^{\&prime;},y^{\&prime;}}{\mathrm{\&Sigma;}}I{(x+x^{\&prime;},y+y^{\&prime;})}^2}$

得到模板与目标图像的匹配结果，并将结果存到结果图中，公式中I表示目标图像，T表示模板，R表示匹配结果；进一步在结果图中搜索极值点，判断该极值是否满足要求，若满足则判定为匹配成功，并根据此极值点确定模版的匹配点，提取目标图像中的匹配区域作为下一时刻检测的感兴趣区域，在下一时刻检测中仅对该区域作处理，缩短了算法运行时间，提高了检测效率，最终实现对近距大偏角圆形目标的高效检测。

本发明从实际应用的角度出发，针对近距大偏角的圆形目标难以检测的问题，融合轮廓检测算法和模版匹配算法，实现了近距大偏角圆形目标的高效检测，保证了算法的精确性、执行效率以及实时性，具有广泛的实际应用价值。

附图说明

图1为本发明的流程图，

图2为CCD摄像机实时采集的大偏角圆形目标形变示意图；

图3为目标图像预处理效果图；

图4为闭运算图像处理效果图；

图5为轮廓双层结构示意图；

图6为双层轮廓提取效果示意图；

图7为轮廓拟合矩形投影示意图；

图8为模版匹配效果图；

图9为整体算法流程图。

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：本实施例在以本发明的技术方案为前提下进行实施，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。

本实施如图1，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）在预处理的过程中，首先对原始图像进行彩色空间转换，将RGB模型转为HSV模型，然后对其中的V通道进行阈值二值化分割处理，滤除复杂背景中的部分干扰信息。预处理后的目标图像如图3所示。

（3）对图像进行典型二值形态学闭运算处理，凸显圆形目标特征，如目标区域的边界曲线、骨架结构和几何形状等特征；同时，具备对复杂背景干扰信息进行形态过滤的效果。闭运算后的目标图像如图4所示，整体轮廓处理称为近似圆连通域。

（4）利用分层轮廓提取方法对目标图像轮廓进行分层提取，去除目标图像中的层次干扰轮廓，然后利用特殊几何约束条件排除其他干扰轮廓，获得初选轮廓，具体步骤如下：

步骤（41），通过边缘梯度判断二值图像中连通区域的边界；

步骤（42），采用嵌套双层轮廓法提取图像中的所有轮廓，将最外层连通域的边界定义为外轮廓，第二层连通域的边界定义为内轮廓，第三层连通域的边界再次定义为外轮廓，依次类推，具体的结构为：

其中c“X”表示外轮廓，h“X”表示内轮廓，“X”表示数字，如图5所示；实际图像处理结果如图6所示，轮廓①、②为内轮廓，轮廓③为外轮廓；

步骤（43），利用二值形态学闭运算后图像不会出现复杂嵌套结构的特点，应用双层轮廓提取算法快速、精确滤除背景干扰所在层的轮廓；

步骤（44），滤除内层轮廓干扰之后，基于特殊几何形状特征的约束对外层轮廓进行提取，由于近距大偏角圆形目标的成像会发生严重形变，传统的圆形几何特征难以得到目标轮廓，因此采用特殊的轮廓特征约束筛选预选轮廓，具体为：

条件a，计算轮廓的长h和宽w，目标轮廓的长宽比需满足如下条件：

$k_d<\frac{h}{w}<\frac{1}{k_d}$

式中，k_d为限定参数，取值范围为0.5<k_d<1；

条件b，计算轮廓的周长L,目标轮廓的周长需满足如下条件：

k_l2×d<L<k_l1×d

式中，k_l1和k_l1为限定参数，取值范围为k_l1<π<k_l1，

条件c，目标轮廓的面积是所有满足条件a、b的轮廓中最大的；

步骤（45），计算预选轮廓外接圆的参数，与预选轮廓的相应参数对比，若差值在容许范围内，则判定该轮廓为图像中目标的初选轮廓。

（5）采用圆形目标的细节特征进行辅助验证，判定最终的区域轮廓，并且通过模版匹配算法提高算法效率，实现高效检测。在近距大偏角的情况下，虽然待检测的圆形目标成像形变严重，但是在目标接近图像采集设备的过程中，目标成像尺寸增大，在图像中所占的像素逐渐增多，目标的细节信息不断丰富，如图7所示。针对上述特点，应用了基于目标细节特征的轮廓辅助检测方法，具体步骤如下：

首先，得到初选轮廓的最小外接正矩形；

其次，以初选轮廓中心点为中心，最小外接正矩形长、宽的1.25倍为边长，构建框架特征矩形；

然后，将最小外接正矩形投影在框架特征矩形上，并采集投影点，如图7所示，近圆形为初选轮廓，内方框为最小外接正矩形，矩形①所示为框架特征矩形，②所示四条深色线段即最小外接正矩形在框架特征矩形上的投影；最后，计算目标细节特征点在投影点中所占的比例，如果该比例满足如下条件，则可完全判定为目标轮廓：

$\left(1\right)\frac{\mathrm{px}1}{w}<k_p$

$\left(2\right)\frac{\mathrm{px}2}{w}<k_p$

$\left(3\right)\frac{\mathrm{py}1}{h}<k_p$

$\left(4\right)\frac{\mathrm{py}1}{h}<k_p$

式中，k_p为限定参数，取值范围是0～1，px1、px2、py1、py2分别为各条投影边上包含的目标特征点数。

本发明中还通过模版匹配算法提高算法效率，具体方法如下：

选取w×h的模版，将模板在目标图像中滑动，利用公式：

$R(x,y)=\underset{x^{\&prime;},y^{\&prime;}}{\mathrm{\&Sigma;}}[T(x^{\&prime;},y^{\&prime;})\&CenterDot;I(x+x^{\&prime;},y+y^{\&prime;})]/\sqrt{\underset{x^{\&prime;},y^{\&prime;}}{\mathrm{\&Sigma;}}T{(x^{\&prime;},y^{\&prime;})}^2\&CenterDot;\underset{x^{\&prime;},y^{\&prime;}}{\mathrm{\&Sigma;}}I{(x+x^{\&prime;},y+y^{\&prime;})}^2}$

得到模板与目标图像的匹配结果，并将结果存到结果图中，公式中I表示目标图像，T表示模板，R表示匹配结果；进一步在结果图中搜索极值点，判断该极值是否满足要求，若满足则判定为匹配成功，并根据此极值点确定模版的匹配点，提取目标图像中的匹配区域作为下一时刻检测的感兴趣区域，在下一时刻检测中仅对该区域作处理，缩短了算法运行时间，提高了检测效率，最终实现对近距大偏角圆形目标的高效检测，如图8所示，方框为匹配结果。本发明的流程如图9所示。

Claims (5)

1.一种基于图像的近距大偏角圆形目标的高效检测方法，其特征在于，包括如下步骤：

（1）利用CCD阵列的模拟摄像机实时采集目标图像；

（2）将复杂背景下的原始目标图像由RGB模型转为HSV模型，对其中的V通道进行预处理，并且滤除背景中的部分干扰信息；

（3）对图像进行典型二值形态学闭运算处理，突出圆形目标特征；

（4）在步骤（3）的基础上，利用分层轮廓提取方法对目标图像轮廓进行分层提取，去除目标图像中的层次干扰轮廓，然后利用几何约束条件排除其他干扰轮廓，获得初选轮廓；

（5）采用圆形目标的细节特征进行辅助验证，判定最终的区域轮廓，并且通过模版匹配算法提高算法效率，最终实现近距大偏角圆形目标的高效检测。

2.根据权利要求1所述的一种基于图像的近距大偏角圆形目标的高效检测方法，其特征在于，步骤（2）中所述对原始图像V通道进行预处理方式为阈值二值化分割处理。

3.根据权利要求2所述的一种基于图像的近距大偏角圆形目标的高效检测方法，其特征在于步骤（4）的具体步骤为：

步骤（41），通过边缘梯度判断二值图像中连通区域的边界；

步骤（42），采用嵌套双层轮廓法提取图像中的所有轮廓，将最外层连通域的边界定义为外轮廓，第二层连通域的边界定义为内轮廓，第三层连通域的边界再次定义为外轮廓，依次类推；

步骤（43），利用二值形态学闭运算后图像不会出现复杂嵌套结构的特点，应用双层轮廓提取算法快速、精确滤除背景干扰所在层的轮廓；

步骤（44），滤除内层轮廓干扰之后，基于特殊几何形状特征的约束对外层轮廓进行提取，具体为：

条件a，计算轮廓的长h和宽w，目标轮廓的长宽比需满足如下条件：

$k_d<\frac{h}{w}<\frac{1}{k_d}$

式中，k_d为限定参数，取值范围为0.5<k_d<1；

条件b，计算轮廓的周长L,目标轮廓的周长需满足如下条件：

k_l2×d<L<k_l1×d

式中，k_l1和k_l1为限定参数，取值范围为k_l1<π<k_l1，

条件c，目标轮廓的面积是所有满足条件a、b的轮廓中最大的；

步骤（45），计算预选轮廓外接圆的参数，与预选轮廓的相应参数对比，若差值在容许范围内，则判定该轮廓为图像中目标的初选轮廓。

4.根据权利要求1、2或3所述的一种基于图像的近距大偏角圆形目标的高效检测方法，其特征在于步骤（5）中框架信息采集辅助算法实现的细节特征辅助验证，具体为：

首先，得到初选轮廓的最小外接正矩形；

其次，以初选轮廓中心点为中心，最小外接正矩形长、宽的1.25倍为边长，构建框架特征矩形；

然后，将最小外接正矩形投影在框架特征矩形上，并采集投影点；

最后，计算目标细节特征点在投影点中所占的比例，如果该比例满足如下条件，则可完全判定为目标轮廓：

$\left(1\right)\frac{\mathrm{px}1}{w}<k_p$

$\left(2\right)\frac{\mathrm{px}2}{w}<k_p$

$\left(3\right)\frac{\mathrm{py}1}{h}<k_p$

$\left(4\right)\frac{\mathrm{py}1}{h}<k_p$

式中，k_p为限定参数，取值范围是0～1，px1、px2、py1、py2分别为各条投影边上包含的目标特征点数。

5.根据权利要求4所述的一种基于图像的近距大偏角圆形目标的高效检测方法，其特征在于步骤（5）中通过模版匹配算法提高算法效率，具体为：

选取w×h的模版，将模板在目标图像中滑动，利用公式：

$R(x,y)=\underset{x^{\&prime;},y^{\&prime;}}{\mathrm{\&Sigma;}}[T(x^{\&prime;},y^{\&prime;})\&CenterDot;I(x+x^{\&prime;},y+y^{\&prime;})]/\sqrt{\underset{x^{\&prime;},y^{\&prime;}}{\mathrm{\&Sigma;}}T{(x^{\&prime;},y^{\&prime;})}^2\&CenterDot;\underset{x^{\&prime;},y^{\&prime;}}{\mathrm{\&Sigma;}}I{(x+x^{\&prime;},y+y^{\&prime;})}^2}$

得到模板与目标图像的匹配结果，并将结果存到结果图中，公式中I表示目标图像，T表示模板，R表示匹配结果；进一步在结果图中搜索极值点，判断该极值是否满足要求，若满足则判定为匹配成功，并根据此极值点确定模版的匹配点，提取目标图像中的匹配区域作为下一时刻检测的感兴趣区域，在下一时刻检测中仅对该区域作处理。

Images