CN103593849B - 一种用于影像序列椭圆形人工目标点快速识别与跟踪方法 - Google Patents

Abstract

本发明涉及图像的识别与跟踪领域，尤其涉及一种用于影像序列椭圆形人工目标点快速识别与跟踪方法，包括：获取影像序列初始相位中椭圆形人工目标点的初始像素坐标，得到包含初始像素坐标的影像块并作为跟踪目标点；增强影像块的对比度；进行边缘检测；利用集成数学形态学和椭圆几何特征属性消除不符合要求的边缘要素，得到椭圆形轮廓的像素坐标集；采用最小二乘非线性最优化Levenberg‑Marquardt方法拟合，得到椭圆形中心点的亚像素坐标，进而得到影像序列下一相位中椭圆形人工目标点的初始像素坐标和影像块，直至跟踪至影像序列的最后相位的影像块。本发明所述的方法降低了影像序列数据处理量，提高了图像的识别和跟踪效率。

Description

一种用于影像序列椭圆形人工目标点快速识别与跟踪方法

技术领域

本发明涉及图像的识别与跟踪领域，尤其涉及一种用于影像序列椭圆形人工目标点快速识别与跟踪方法。

背景技术

随着现代科学技术的发展，现代化生产过程正在不断向高速化和复杂化方向发展，人们逐渐开始关注处于高速运动状态中物体的空间信息变化，但是利用普通相机的帧频很难满足我们的需求，迫切需要高帧频、高分辨率的相机以实现对高速运动状态下物体的视频测量。随着数字传感器技术的发展，尤其是CCD传感器和CMOS传感器的迅速发展，促进了高分辨率和高帧频工业相机的产生。高速相机现在已经广泛应用于质量控制和工业过程优化，工厂现场振动和运动分析，汽车工业(汽车碰撞试验、安全气囊测试和燃烧测试)，材料测试(滴落测试、爆炸和断裂及变形测试)、高速物理过程实验和土木结构健康监测等方面。为了获取监测对象高速运动过程关键位置的动态响应信息，通常需要在测量对象的关键位置处布设具有5个自由度的椭圆形人工目标点，通过识别和跟踪视频序列中的椭圆形人工目标点实现监测对象高速运动过程的动态响应过程。

在现有技术中，椭圆识别方法主要采用模板变换法、Hough变换及其改进算法和基于随机抽样一致性(RANSAC)思想的椭圆检测算法。模板变换法可以精确检测椭圆，但是计算复杂，需要非常大的存储空间，非常耗时，降低了计算效率。Hough变换是采用映射的方法，通过数据的积累提取几何图形的特征，其优点是对数据的健壮性要求不高，但是由于椭圆具有5个参数，需要在检测椭圆的过程中在5维空间内进行积累计算，存在计算量和计算空间较大的缺点，为解决上述问题，众多研究者提出采用随机Hough变换进行椭圆检测，以降低对计算时间和内存的需求，但是随机Hough变换无目标的采样模式仍会引入大量无效积累，使得算法的效率大大降低。RANSAC椭圆检测法与Hough变换类似，其采用累加器或者类聚的方法来检测椭圆，具有很好的健壮性，能够一次检测多个椭圆，但是需要复杂的运算和大量的存储空间。

发明内容

针对上述技术问题，本发明设计开发了一种用于影像序列椭圆形人工目标点快速识别与跟踪方法，目的在于降低影像序列数据处理量，提高数据处理效率，同时快速、准确识别椭圆轮廓，高精度拟合椭圆中心点。

本发明提供的技术方案为：

一种用于影像序列椭圆形人工目标点快速识别与跟踪方法，包括以下步骤：

步骤一、目测获取影像序列初始相位中椭圆形人工目标点的初始像素坐标，并以所述初始像素坐标为中心点获取包含所述初始像素坐标的影像块，所述影像块作为影像序列的跟踪目标点；

步骤二、采用二维离散零均值高斯函数增强影像块的对比度；

步骤三、采用Sobel算子边缘检测技术获取影像块的边缘要素；

步骤四、利用椭圆的边缘周长属性消除影像块中不符合周长要求的边缘要素，利用椭圆的区域面积属性消除影像块中不符合面积要求的边缘要素，利用椭圆的圆形度属性消除影像块中不符合圆形度要求的边缘要素，得到影像块中椭圆形轮廓的像素坐标集；

步骤五、根据得到的影像块中椭圆形轮廓的像素坐标集，采用最小二乘非线性最优化Levenberg-Marquardt方法拟合，得到影像块中椭圆形中心点的亚像素坐标，并根据所述亚像素坐标得到影像序列下一相位中椭圆形人工目标点的初始像素坐标和影像块，直至跟踪至影像序列的最后相位的影像块。

优选的是，所述的用于影像序列椭圆形人工目标点快速识别与跟踪方法中，所述步骤四中具体包括：

a.采用累计边缘要素相邻像素中心点的欧几里得距离获取影像块中的每个边缘要素的周长，设置边缘要素周长最大值和边缘要素周长最小值，删除周长大于边缘要素周长最大值和小于边缘要素周长最小值的边缘要素；

b.删除步骤a中获取的非连通边缘要素，采用数学形态学的闭运算填充连通边缘要素，得到影像块中边缘要素的区域面积集合，设置边缘要素区域面积最大值和边缘要素区域面积最小值，删除区域面积大于边缘要素区域面积最大值和小于边缘要素区域面积最小值的边缘要素；

c.根据连通边缘要素的周长和区域面积得到圆形度，设定圆形度的门限值，删除连通边缘要素的圆形度小于设定的圆形度的门限值的边缘要素，得到影像块中椭圆形轮廓的像素坐标集。

优选的是，所述的用于影像序列椭圆形人工目标点快速识别与跟踪方法中，所述步骤b之后还包括：采用数学形态学的膨胀法对经过步骤b获取的区域面积进行边缘检测，则影像块的边缘要素可通过下述公式得到

E_d(F)=F⊕B-F，

其中，一幅图像可以定义为是欧几里得距离空间的子集E，F为二进制影像块，B为结构算子，E_d(F)为采用膨胀法得到的边缘要素。

优选的是，所述的用于影像序列椭圆形人工目标点快速识别与跟踪方法中，所述步骤c中连通边缘要素的圆形度C的计算公式如下：

C=4πS/L²，

其中，S表示连通边缘要素的区域面积，L表示连通边缘要素的周长。

优选的是，所述的用于影像序列椭圆形人工目标点快速识别与跟踪方法中，所述步骤五中，根据椭圆的一般方程式建立均方根误差方程，如下

${\mathrm{\ϵ}}^2=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{[\frac{{(x_i-x_o)}^2}{a^2}+\frac{{(y_i-y_o)}^2}{b^2}-1]}^2,$

其中，获取的影像块中椭圆形轮廓的像素坐标集M=[(x₁，y₁)，(x₂，y₂)…(x_n，y_n)，]，椭圆的初始中心坐标为和 $y_o=\frac{\mathrm{Max}\left(y_i\right)+\mathrm{Min}\left(y_i\right)}{2},$ 初始长半轴和短半轴分别为 $a=\frac{\mathrm{Max}\left(x_i\right)-\mathrm{Min}\left(x_i\right)}{2}$ 和采用最小二乘非线性最优化Levenberg-Marquardt方法拟合，得到影像块中椭圆形中心点的亚像素坐标。

优选的是，所述的用于影像序列椭圆形人工目标点快速识别与跟踪方法中，所述步骤一中，以目测获取的初始像素坐标I(x，y)为中心点向上下左右四个方向分别扩展n以确定影像块在影像序列上的范围[(x-n，x+n)，(y-n，y+n)]。

优选的是，所述的用于影像序列椭圆形人工目标点快速识别与跟踪方法中，所述步骤五后还包括：

a.利用下述公式计算步骤五中得到的影像块中椭圆形中心点的亚像素坐标I_b(x_b，y_b)在影像序列初始相位中的坐标I_o(x_o，y_o)

x_o=x_b+x-n-1

y_o=y_b+y-n-1；

b.获取步骤a中得到的坐标I_o(x_o，y_o)的整数部分作为影像序列下一相位中椭圆形人工目标点的初始像素坐标，并得到包含所述初始像素坐标的影像块，通过循环计算所有椭圆形中心点的亚像素坐标，实现影像序列椭圆形人工目标点的识别与跟踪。

本发明所述的用于影像序列椭圆形人工目标点快速识别与跟踪方法具有以下有益效果：采用影像块技术实现椭圆形人工目标点的识别与跟踪，直观、易于实现；同时，影像块技术降低了影像序列数据处理量，可以提高数据处理效率，基于影像块跟踪减少了目标点跟踪冗余数据的处理，提高了跟踪效率。采用集成数学形态学的闭运算和膨胀法识别椭圆轮廓，方法原理简单，且易于实现；采用不同椭圆几何特征属性，即边缘要素的周长、区域面积、圆形度识别椭圆轮廓，精度可靠、效率高；采用最小二乘非线性最优化Levenberg-Marquardt方法拟合椭圆中心点，精度高。高速相机的出现为我们对高速运动的物体的监测提供了硬件基础，本发明所述的方法是进行高速视频测量监测高速运动物体目标点动态性响应过程监测的前提条件，只有准确、快速的实现视频序列目标点的识别和跟踪，才能对高速运动物体的动态响应分析提供数据支持，进而对高速运动物体的飞行特征或破坏机理进行研究。

附图说明

图1是本发明所述的用于影像序列椭圆形人工目标点快速识别与跟踪方法的流程图；

图2是本发明获得影像块中椭圆形轮廓的像素坐标集的方法流程图。

具体实施方式

下面结合附图对本发明做进一步的详细说明，以令本领域技术人员参照说明书文字能够据以实施。

如图1所示，本发明提供一种用于影像序列椭圆形人工目标点快速识别与跟踪方法，包括以下步骤：

步骤一、目测获取影像序列初始相位中椭圆形人工目标点的初始像素坐标，并以所述初始像素坐标为中心点获取包含所述初始像素坐标的影像块，所述影像块作为影像序列的跟踪目标点；

步骤二、由于视频测量高速相机曝光时间较短，获取的影像序列中的影像成像对比度较差，采用二维离散零均值高斯函数消除噪声，增强影像块的对比度，以提高边缘检测的精度，二维离散零均值高斯函数的表达式如下

其中，d表示影像点到影像中心点的像素距离，sigma表示高斯分布参数，其决定高斯函数的宽度；

步骤三、Sobel算子不仅具有较快的检测速度，还有一定的平滑噪声的能力，图像增强后的影像块采用Sobel算子边缘检测技术获取影像块的边缘要素；

步骤四、椭圆几何属性特征是指封闭边缘区域的几何特性，包括边缘周长、区域面积、圆形度和Hu矩等，通过几种几何属性组合可以实现椭圆的自动识别，其特别适用于具有规则形状和大小的椭圆形人工目标点的自动识别与提取，由于影像块中仅包含一个椭圆形，且与背景信息对比较为明显，采用边缘周长、区域面积和圆形度三个椭圆几何属性，并结合数学形态学即可提取椭圆的边缘特征，利用椭圆的边缘周长属性消除影像块中不符合周长要求的边缘要素，利用椭圆的区域面积属性消除影像块中不符合面积要求的边缘要素，利用椭圆的圆形度属性消除影像块中不符合圆形度要求的边缘要素，得到影像块中椭圆形轮廓的像素坐标集；

步骤五、当随机误差为正态分布时，最小二乘非线性最优化Levenberg-Marquardt方法是通过最大似然法推出的一个最优估计算法，它可使测量误差的平方和最小，因此也被视为从已知测量值求解未知量的最可信赖的方法之一，根据得到的影像块中椭圆形轮廓的像素坐标集，采用最小二乘非线性最优化Levenberg-Marquardt方法拟合，得到影像块中椭圆形中心点的亚像素坐标，并根据所述亚像素坐标得到影像序列下一相位中椭圆形人工目标点的初始像素坐标和影像块，直至跟踪至影像序列的最后相位的影像块。

所述的用于影像序列椭圆形人工目标点快速识别与跟踪方法中，所述步骤四中具体包括：

a.采用累计边缘要素相邻像素中心点的欧几里得距离获取影像块中的每个边缘要素的周长，设d表示欧几里得距离，则d(f_i，j，f_m，n)表示相邻像素f_i，j和f_m，n的欧几里得距离，d(f_i，j，f_m，n)可用下述公式表示

$d(f_{i,j},f_{m,n})=\sqrt{{(i-m)}^2+{(j-n)}^2},$

根据上述公式可以获取影像块中每个边缘要素的周长，设置边缘要素周长最大值L_max和边缘要素周长最小值L_min，设置判定标准L_min<L<L_max，删除周长大于边缘要素周长最大值和小于边缘要素周长最小值的边缘要素；

b.边缘要素的区域面积S是提取椭圆轮廓的另一个重要属性特征，对于检测出来的影像块中的边缘要素，只要连通的边缘要素才有面积属性，删除步骤a中获取的非连通边缘要素，采用数学形态学的闭运算填充连通边缘要素，得到影像块中边缘要素的区域面积集合，设置边缘要素区域面积最大值S_max和边缘要素区域面积最小值S_min，删除区域面积大于边缘要素区域面积最大值和小于边缘要素区域面积最小值的边缘要素；

c.圆形度C是反映一个椭圆接近圆形的程度的指标，值的范围属于[0，1]，其值越接近于1表明椭圆越接近于圆形，根据连通边缘要素的周长和区域面积得到圆形度，设定圆形度的门限值为0.9，删除连通边缘要素的圆形度小于设定的圆形度的门限值的边缘要素，得到影像块中椭圆形轮廓的像素坐标集。

所述的用于影像序列椭圆形人工目标点快速识别与跟踪方法中，所述步骤b之后还包括：采用数学形态学的膨胀法对经过步骤b获取的区域面积进行边缘检测，则影像块的边缘要素可通过下述公式得到

E_d(F)=F⊕B-F，

其中，一幅图像可以定义为是欧几里得距离空间的子集E，F为二进制影像块，B为结构算子，E_d(F)为采用膨胀法得到的边缘要素。

所述的用于影像序列椭圆形人工目标点快速识别与跟踪方法中，所述步骤c中连通边缘要素的圆形度C的计算公式如下：

C=4πS/L²，

其中，S表示连通边缘要素的区域面积，L表示连通边缘要素的周长。

所述的用于影像序列椭圆形人工目标点快速识别与跟踪方法中，所述步骤五中，椭圆的表示方法一般有两种，一种是利用圆锥曲线方程的代数形式表示，如下式所示

Ax²+Bxy+Cy²+Dx+Ey+F=0，

另外一种更直观的方式是用平面坐标系的几何参数表示的一般形式，如下式所示

$\frac{{(x-x_o)}^2}{a^2}+\frac{{(y-y_o)}^2}{b^2}=1,$

即椭圆中心位置(x_o，y_o)，长半轴和短半轴(a，b)，长轴的转角θ，二维平面里的任意椭圆都可以用这5个参数唯一确定，根据椭圆的一般方程式建立均方根误差方程，如下

${\mathrm{\&epsiv;}}^2=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{[\frac{{(x_i-x_o)}^2}{a^2}+\frac{{(y_i-y_o)}^2}{b^2}-1]}^2,$

其中，获取的影像块中椭圆形轮廓的像素坐标集M=[(x₁，y₁)，(x₂，y₂)…(x_n，y_n)，]，椭圆的初始中心坐标为和 $y_o=\frac{\mathrm{Max}\left(y_i\right)+\mathrm{Min}\left(y_i\right)}{2},$ 初始长半轴和短半轴分别为 $a=\frac{\mathrm{Max}\left(x_i\right)-\mathrm{Min}\left(x_i\right)}{2}$ 和采用最小二乘非线性最优化Levenberg-Marquardt方法拟合，得到影像块中椭圆形中心点的亚像素坐标。

所述的用于影像序列椭圆形人工目标点快速识别与跟踪方法中，所述步骤一中，综合被测物体的移动速度、跟踪点标志的大小、高速相机分辨率的大小和视角大小等因素，以目测获取的初始像素坐标I(x，y)为中心点向上下左右四个方向分别扩展n以确定影像块在影像序列上的范围[(x-n，x+n)，(y-n，y+n)]，以此影像块作为被测物体的跟踪目标。

所述的用于影像序列椭圆形人工目标点快速识别与跟踪方法中，所述步骤五后还包括：

a.利用下述公式计算步骤五中得到的影像块中椭圆形中心点的亚像素坐标I_b(x_b，y_b)在影像序列初始相位中的坐标I_o(x_o，y_o)

x_o=x_b+x-n-1

y_o=y_b+y-n-1；

b.获取步骤a中得到的坐标I_o(x_o，y_o)的整数部分作为影像序列下一相位中椭圆形人工目标点的初始像素坐标，并得到包含所述初始像素坐标的影像块，通过循环计算所有椭圆形中心点的亚像素坐标，实现影像序列椭圆形人工目标点的识别与跟踪。

尽管本发明的实施方案已公开如上，但其并不仅仅限于说明书和实施方式中所列运用，它完全可以被适用于各种适合本发明的领域，对于熟悉本领域的人员而言，可容易地实现另外的修改，因此在不背离权利要求及等同范围所限定的一般概念下，本发明并不限于特定的细节和这里示出与描述的图例。

Claims (4)

1.一种用于影像序列椭圆形人工目标点快速识别与跟踪方法，其特征在于，包括以下步骤：

步骤一、目测获取影像序列初始相位中椭圆形人工目标点的初始像素坐标，并以所述初始像素坐标为中心点获取包含所述初始像素坐标的影像块，所述影像块作为影像序列的跟踪目标点；

步骤二、采用二维离散零均值高斯函数增强影像块的对比度；

步骤三、采用Sobel算子边缘检测技术获取影像块的边缘要素；

步骤四、利用椭圆的边缘周长属性消除影像块中不符合周长要求的边缘要素，利用椭圆的区域面积属性消除影像块中不符合面积要求的边缘要素，利用椭圆的圆形度属性消除影像块中不符合圆形度要求的边缘要素，得到影像块中椭圆形轮廓的像素坐标集；

步骤五、根据得到的影像块中椭圆形轮廓的像素坐标集，采用最小二乘非线性最优化Levenberg-Marquardt方法拟合，得到影像块中椭圆形中心点的亚像素坐标，并根据所述亚像素坐标得到影像序列下一相位中椭圆形人工目标点的初始像素坐标和影像块，直至跟踪至影像序列的最后相位的影像块；

其中，所述步骤四中具体包括：

a.采用累计边缘要素相邻像素中心点的欧几里得距离获取影像块中的每个边缘要素的周长，设置边缘要素周长最大值和边缘要素周长最小值，删除周长大于边缘要素周长最大值和小于边缘要素周长最小值的边缘要素；

b.删除步骤a中获取的非连通边缘要素，采用数学形态学的闭运算填充连通边缘要素，得到影像块中边缘要素的区域面积集合，设置边缘要素区域面积最大值和边缘要素区域面积最小值，删除区域面积大于边缘要素区域面积最大值和小于边缘要素区域面积最小值的边缘要素；

c.根据连通边缘要素的周长和区域面积得到圆形度，设定圆形度的门限值，删除连通边缘要素的圆形度小于设定的圆形度的门限值的边缘要素，得到影像块中椭圆形轮廓的像素坐标集；

所述步骤b之后还包括：采用数学形态学的膨胀法对经过步骤b获取的区域面积进行边缘检测，则影像块的边缘要素可通过下述公式得到

$E_d\left(F\right)=F\&CirclePlus;B-F,$

其中，一幅图像可以定义为是欧几里得距离空间的子集E，F为二进制影像块，B为结构算子，E_d(F)为采用膨胀法得到的边缘要素；

所述步骤c中连通边缘要素的圆形度C的计算公式如下：

C＝4πS/L²，

其中，S表示连通边缘要素的区域面积，L表示连通边缘要素的周长。

2.如权利要求1所述的用于影像序列椭圆形人工目标点快速识别与跟踪方法，其特征在于，所述步骤五中，根据椭圆的一般方程式建立均方根误差方程，如下

${\mathrm{\&epsiv;}}^2=\underset{i=1}{\overset{n}{\&Sigma;}}{\&lsqb;\frac{{(x_i-x_o)}^2}{a^2}+\frac{{(y_i-y_o)}^2}{b^2}-1\&rsqb;}^2,$

其中，获取的影像块中椭圆形轮廓的像素坐标集M＝[(x₁,y₁),(x₂,y₂)…(x_n,y_n),]，椭圆的初始中心坐标为和初始长半轴和短半轴分别为和采用最小二乘非线性最优化Levenberg-Marquardt方法拟合，得到影像块中椭圆形中心点的亚像素坐标。

3.如权利要求2所述的用于影像序列椭圆形人工目标点快速识别与跟踪方法，其特征在于，所述步骤一中，以目测获取的初始像素坐标I(x,y)为中心点向上下左右四个方向分别扩展n以确定影像块在影像序列上的范围[(x-n,x+n),(y-n,y+n)]。

4.如权利要求3所述的用于影像序列椭圆形人工目标点快速识别与跟踪方法，其特征在于，所述步骤五后还包括：

a.利用下述公式计算步骤五中得到的影像块中椭圆形中心点的亚像素坐标I_b(x_b,y_b)在影像序列初始相位中的坐标I_o(x_o,y_o)

x_o＝x_b+x-n-1

y_o＝y_b+y-n-1；

b.获取步骤a中得到的坐标I_o(x_o,y_o)的整数部分作为影像序列下一相位中椭圆形人工目标点的初始像素坐标，并得到包含所述初始像素坐标的影像块，通过循环计算所有椭圆形中心点的亚像素坐标，实现影像序列椭圆形人工目标点的识别与跟踪。