CN106203457A - 一种基于改进的胡氏不变矩的坦克识别系统及方法 - Google Patents

Abstract

本发明提供了一种基于改进的胡氏不变矩的坦克识别系统及方法，该识别系统包括电源管理板、稳压电源、RGB模拟摄像头、ARM开发板和计算机；方法为：步骤1，对待识别图像进行中值滤波预处理，得到预处理后的图像；步骤2，采用改进的最大类间方差法对预处理后的图像进行图像分割，提取所需的目标；步骤3，对分割后的图像进行形态学处理；步骤4，采用改进的胡氏不变矩提取目标的特征；步骤5，确定待识别图形与数据库中图形特征之间的相似度，实现对坦克的识别。本发明采用改进的胡氏不变矩方法，能够有效的识别出地面上的坦克目标，具有识别率高、识别速度快等优点。

Description

一种基于改进的胡氏不变矩的坦克识别系统及方法

技术领域

本发明涉及机器识别技术领域，特别是一种基于改进的胡氏不变矩的坦克识别系统及方法。

背景技术

随着计算机视觉技术和图像并行处理技术的发展，目标识别技术在军事领域和航空航天、科学探测、天文观测以及视频监控等民用领域具有越来越广泛的应用。特别是在军事领域中，若果对地面上的坦克进行有效的识别，就可以对坦克进行精确的打击，大大提高武器系统的运动攻击性能及作战指标。

目前坦克的识别方法主要包括声波、红外探测、激光雷达、光学等手段，红外探测易受太阳光照、大气辐射、视角、距离及环境背景的综合影响，图像对比度差、噪声大，目标边缘模糊识别稳健性不高，而声波、激光雷达使用的成本较高、占用空间面积较大，光学手段由于其成本较低，易于实现等优点已成为研究的热点。

采用光学手段识别坦克，主要提取坦克的特征信息。一般情况下，对坦克的特征描述采用傅里叶描述子、小波变换、Zernike矩等方式描述，但这些情况下在不同的尺度下的识别率很差，很难对坦克进行精确的识别。

发明内容

本发明的目的是提供一种成本低、识别率较高的基于改进的胡氏不变矩的坦克识别系统及方法，以克服图像中目标的平移、旋转和缩放等因素影响。

实现本发明目的的技术解决方案为：一种基于改进的胡氏不变矩的坦克识别系统，包括电源管理板、稳压电源、RGB模拟摄像头、ARM开发板和计算机，其中稳压电源接入电源管理板，电源管理板的输出端分别接入RGB模拟摄像头、ARM开发板，RGB模拟摄像头通过ARM开发板与计算机相连；

所述RGB模拟摄像头采集所需的图片，ARM开发板通过采集卡对RGB模拟摄像头拍摄的图片进行采集，并通过ARM开发板中的图像识别模块对图片中是否有坦克进行识别；稳压电源分别为RGB模拟摄像头、ARM开发板提供稳定电源；计算机是通过wifi与ARM开发板进行通信，从而控制ARM开发板驱动RGB模拟摄像头采集图片。

优选地，所述ARM开发板是采用型号为华北工控EM3500的ARM开发板。

一种基于改进的胡氏不变矩的坦克识别方法，包括以下步骤：

步骤1，对待识别图像进行中值滤波预处理，得到预处理后的图像；

步骤2，采用改进的最大类间方差法对预处理后的图像进行图像分割，提取所需的目标；

步骤3，对分割后的图像进行形态学处理；

步骤4，采用改进的胡氏不变矩提取目标的特征；

步骤5，确定待识别图形与数据库中图形特征之间的相似度，实现对坦克的识别。

进一步地，步骤2所述采用改进的最大类间方差法对预处理后的图像进行图像分割，提取所需的目标，具体如下：

改进的最大类间方差法即改进的otsu算法是将当前图像像素用一个阈值t分为两个部分C₀和C₁，其中C₀是由0～t灰度范围内的像素组成，C₁是由(t+1)～L灰度范围内的像素组成，L是图像像素最大的灰度值，灰度值为i的像素值个数为n_i，则总的像素个数为N，如公式(1)所示：

$N=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{n}_i---\left(1\right)$

各灰度值出现的概率为p_i，如公式(2)所示：

$p_i=\frac{n_i}{N}---\left(2\right)$

其中，p_i≥0，

C₀出现的概率和C₁出现的概率分别如下：

$P_{C_0}=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}{p}_i,P_{C_1}=\underset{i=t+1}{\overset{L-1}{\mathrm{\Σ}}}{p}_i=1-P_{C_0}---\left(3\right)$

C₀、C₁两类的灰度均值分别为

${\mathrm{\ω}}_{C_0}=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}{\mathrm{ip}}_i/P_{C_0},{\mathrm{\ω}}_{C_1}=\underset{i=t+1}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{ip}}_i/P_{C_1}---\left(4\right)$

图像总的灰度平均值ω₀为：

${\mathrm{\ω}}_0=P_{C_0}{\mathrm{\ω}}_{C_0}+P_{C_1}{\mathrm{\ω}}_{C_1}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{ip}}_i---\left(5\right)$

建立新的方差σ²如公式(6)所示：

${\mathrm{\σ}}^2=P_{C_0}{(V_A-V_0)}^2+P_{C_1}{(V_B-V_0)}^2---\left(6\right)$

式中：

${V_A}^2=\frac{1}{2}({{\mathrm{\ω}}_{C_0}}^2+{\mathrm{\Δ}}_A)---\left(7\right)$

${V_B}^2=\frac{1}{2}({{\mathrm{\ω}}_{C_1}}^2+{\mathrm{\Δ}}_B)---\left(8\right)$

${V_0}^2=\frac{1}{2}({{\mathrm{\ω}}_0}^2+{\mathrm{\Δ}}_0)---\left(9\right)$

${\mathrm{\Δ}}_A=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}{p}_{ik}{(i-{\mathrm{\ω}}_{C_0})}^2---\left(10\right)$

${\mathrm{\Δ}}_B=\underset{i=t+1}{\overset{L-1}{\mathrm{\Σ}}}{p}_i{(i-{\mathrm{\ω}}_{C_1})}^2---\left(11\right)$

${\mathrm{\Δ}}_0=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{p}_i{(i-{\mathrm{\ω}}_0)}^2---\left(12\right)$

其中，Δ_A、Δ_B、Δ₀分别表示区域C₀、区域C₁与整幅图片的方差；

从0～L依次改变t值，取到σ²最大时t即为最佳阈值；然后对该图像进行二值化处理，即其中H为图像任意一点的像素值，进而提取出目标。

进一步地，步骤3所述对分割后的图像进行形态学处理，包括对图像先进行膨胀然后进行腐蚀。

进一步地，步骤4中所述改进的胡氏不变矩，具体如下：

先设一个M×N数字图像的灰度分布为f(x,y)，那么它的(p+q)阶几何矩m_pq定义如公式(13)所示：

$m_{pq}=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{x}^p{y}^{q}f(x,y)---\left(13\right)$

式中：x,y是图像的坐标点；

中心矩μ_pq的定义如公式(14)所示：

${\mathrm{\μ}}_{pq}=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{(x-x_0)}^p{(y-y_0)}^{q}f(x,y)---\left(14\right)$

式中：(x₀,y₀)是矩心，x₀＝m₁₀/m₀₀，y₀＝m₀₁/m₀₀，p,q＝0,1,2,···，m₁₀是图像的(1+0)阶几何矩，m₀₀是图像的(0+0)阶几何矩，m₀₁是图像的(0+1)阶几何矩；

用零阶中心矩μ_pq进行归一化，归一化中心矩η_pq为：

${\mathrm{\η}}_{pq}=\frac{{\mathrm{\μ}}_{pq}}{{\mathrm{\μ}}_{00}^r}---\left(15\right)$

式中：p+q＝2,3···，μ₀₀是零阶中心矩；

构造胡氏不变矩Φ₁～Φ₇为：

$\begin{array}{c}{\mathrm{\Φ}}_1={\mathrm{\η}}_{20}+{\mathrm{\η}}_{02}\\ {\mathrm{\Φ}}_2={({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})}^2+4{\mathrm{\η}}_{11}\\ {\mathrm{\Φ}}_3={({\mathrm{\η}}_{30}-3{\mathrm{\η}}_{12})}^2+{(3{\mathrm{\η}}_{31}-{\mathrm{\η}}_{03})}^2\\ {\mathrm{\Φ}}_4={({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2+{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\\ {\mathrm{\Φ}}_5=({\mathrm{\η}}_{03}-3{\mathrm{\η}}_{12})({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})+\[{({\mathrm{\η}}_{30}+3{\mathrm{\η}}_{12})}^2-3\×{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\]\\ +(3{\mathrm{\η}}_{21}-{\mathrm{\η}}_{03})({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})\×\[3{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\]\\ {\mathrm{\Φ}}_6=({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})\[{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\]+4{\mathrm{\η}}_{11}({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})\\ {\mathrm{\Φ}}_7=(3{\mathrm{\η}}_{21}-{\mathrm{\η}}_{03})({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})\[{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-3\×{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\]\\ +(3{\mathrm{\η}}_{21}-{\mathrm{\η}}_{30})({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})\×\[3{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\]\end{array}---\left(16\right)$

式中：Φ₁～Φ₇为胡氏不变矩的7个矩不变量；

那么改进的胡氏不变矩I₁～I₁₀公式为：

$I_1=\frac{\sqrt{{\mathrm{\Φ}}_2}}{{\mathrm{\Φ}}_1}$

$I_2=\frac{{\mathrm{\Φ}}_1+\sqrt{{\mathrm{\Φ}}_2}}{{\mathrm{\Φ}}_1-\sqrt{{\mathrm{\Φ}}_2}}$

$I_3=\frac{\sqrt{{\mathrm{\Φ}}_3}}{\sqrt{{\mathrm{\Φ}}_4}}$

$I_4=\frac{\sqrt{{\mathrm{\Φ}}_3}}{\sqrt[4]{\left|{\mathrm{\Φ}}_5\right|}}$

$I_5=\frac{\sqrt{{\mathrm{\Φ}}_4}}{\sqrt[4]{\left|{\mathrm{\Φ}}_5\right|}}$

$I_6=\frac{\left|{\mathrm{\Φ}}_6\right|}{{\mathrm{\Φ}}_1{\mathrm{\Φ}}_3}$

$I_7=\frac{\left|{\mathrm{\Φ}}_6\right|}{{\mathrm{\Φ}}_1\sqrt{{\mathrm{\Φ}}_5}}$

$\begin{array}{c}{I}_8=\frac{\left|{\mathrm{\Φ}}_6\right|}{{\mathrm{\Φ}}_3\sqrt{{\mathrm{\Φ}}_2}}\\ I_9=\frac{\left|{\mathrm{\Φ}}_6\right|}{\sqrt{{\mathrm{\Φ}}_2\left|{\mathrm{\Φ}}_5\right|}}\end{array}---\left(17\right)$

$I_{10}=\frac{\left|{\mathrm{\Φ}}_5\right|}{{\mathrm{\Φ}}_3{\mathrm{\Φ}}_4}$

式中：I₁～I₁₀为改进的胡氏不变矩的10个矩不变量。

进一步地，步骤5中所述待识别图形与数据库中图形特征之间的相似度为：

$S_{(X,Y)}=S_{(X,Y)}=\sqrt{{(X_{I_1}-Y_{I_1})}^2+{(X_{I_2}-Y_{I_2})}^2+...+{(X_{I_{10}}-Y_{I_{10}})}^2}---\left(18\right)$

其中：X,Y分别为待检测的图像和模板中的图像，表示X这个图像第1个改变的胡氏不变矩特征值，表示Y这个图像第1个改变的胡氏不变矩特征值；通过计算待识别图像与不同的模板图像的相似度，取最小的相似度所对应的模板图像，判断该模板图像属于哪一类模板，若属于含有坦克的模板，那么待测图片含有坦克，否则不含有坦克。

本发明与现有技术相比，其显著优点为：(1)基于改进的胡氏不变矩，成本较低，坦克识别的准确率较高，易于工程实现；(2)具有旋转、平移和缩放不变性，能够克服旋转、平移、缩放带来的影响；(3)运算速度快，能保证实时性。

附图说明

图1为本发明基于改进的胡氏不变矩的坦克识别系统的结构图。

图2为本发明基于改进的胡氏不变矩的坦克识别方法的流程图。

图3为本发明的改进的otsu算法提取目标的处理过程图，其中(a1)～(a8)为原图，(b1)～(b8)为中值滤波图，(c1)～(c8)为改进的otsu算法处理结果图，(d1)～(d8)为形态学处理结果图。

图4为本发明的改进的otsu算法提取目标和otsu算法提取目标对比图，其中(a1)～(a4)为原图，(b1)～(b4)为中值滤波图，(c1)～(c4)为otsu算法处理结果图，(d1)～(d4)为otsu算法对应的形态学处理结果图，(e1)～(e4)为改进的otsu算法处理结果图，(f1)～(f4)为改进的otsu算法对应的形态学处理结果图。

图5为本发明采用改进的胡氏不变矩取不同目标的特征值曲线图。

具体实施方式

下面结合附图和具体实施方式对本发明作进一步详细的说明。

如图1所示，本发明的硬件主要包括电源管理板、稳压电源、RGB模拟摄像头、ARM开发板和计算机，其中稳压电源接入电源管理板，电源管理板的输出端分别接入RGB模拟摄像头、ARM开发板。RGB模拟摄像头通过ARM开发板与计算机相连，它是用来采集所需的图片；ARM开发板是选用华北工控EM3500型号，它通过采集卡对RGB模拟摄像头拍摄的图片进行采集，并通过ARM开发板中的图像识别模块对图片中是否有坦克进行识别；计算机是通过wifi与ARM开发板进行通信，可以将所编写的程序移植到ARM开发板中并且通过控制ARM开发板驱动RGB模拟摄像头采集图片。

如图2所示，本发明基于改进的胡氏不变矩的坦克识别方法，包括图像分割提取目标、对提取的目标进行形态学处理、对目标采用改进的胡氏不变取其特征值、计算待识别图形与数据库中图形特征之间的相似度，包含以下步骤：

步骤1，对待识别图像进行中值滤波预处理，得到预处理后的图像；

步骤2，采用改进的最大类间方差法对预处理后的图像进行图像分割，提取所需的目标；

步骤3，对分割后的图像进行形态学处理；

步骤4，采用改进的胡氏不变矩提取目标的特征；

步骤5，确定待识别图形与数据库中图形特征之间的相似度，实现对坦克的识别。

步骤2所述采用改进的最大类间方差法对预处理后的图像进行图像分割，提取所需的目标，具体如下：

改进的最大类间方差法(即改进的otsu算法)是将当前图像像素用一个阈值t分为两个部分C₀和C₁，其中C₀是由0～t灰度范围内的像素组成，C₁是由(t+1)～L灰度范围内的像素组成，L是图像像素最大的灰度值，灰度值为i的像素值个数为n_i，则总的像素个数为N，如公式(1)所示：

$N=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{n}_i---\left(1\right)$

各灰度值出现的概率为p_i，如公式(2)所示：

$p_i=\frac{n_i}{N}---\left(2\right)$

其中，p_i≥0，

C₀出现的概率和C₁出现的概率分别如下：

$P_{C_0}=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}{p}_i,P_{C_1}=\underset{i=t+1}{\overset{L-1}{\mathrm{\Σ}}}{p}_i=1-P_{C_0}---\left(3\right)$

C₀、C₁两类的灰度均值分别为

${\mathrm{\ω}}_{C_0}=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}{\mathrm{ip}}_i/P_{C_0},{\mathrm{\ω}}_{C_1}=\underset{i=t+1}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{ip}}_i/P_{C_1}---\left(4\right)$

图像总的灰度平均值ω₀为：

${\mathrm{\ω}}_0=P_{C_0}{\mathrm{\ω}}_{C_0}+P_{C_1}{\mathrm{\ω}}_{C_1}=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{\mathrm{ip}}_i---\left(5\right)$

建立新的方差σ²如公式(6)所示：

${\mathrm{\σ}}^2=P_{C_0}{(V_A-V_0)}^2+P_{C_1}{(V_B-V_0)}^2---\left(6\right)$

式中：

${V_A}^2=\frac{1}{2}({{\mathrm{\ω}}_{C_0}}^2+{\mathrm{\Δ}}_A)---\left(7\right)$

${V_B}^2=\frac{1}{2}({{\mathrm{\ω}}_{C_1}}^2+{\mathrm{\Δ}}_B)---\left(8\right)$

${V_0}^2=\frac{1}{2}({{\mathrm{\ω}}_0}^2+{\mathrm{\Δ}}_0)---\left(9\right)$

${\mathrm{\Δ}}_A=\underset{i=0}{\overset{t}{\mathrm{\Σ}}}{p}_i{(i-{\mathrm{\ω}}_{C_0})}^2---\left(10\right)$

${\mathrm{\Δ}}_B=\underset{i=t+1}{\overset{L-1}{\mathrm{\Σ}}}{p}_i{(i-{\mathrm{\ω}}_{C_1})}^2---\left(11\right)$

${\mathrm{\Δ}}_0=\underset{i=0}{\overset{L-1}{\mathrm{\Σ}}}{p}_i{(i-{\mathrm{\ω}}_0)}^2---\left(12\right)$

其中，Δ_A、Δ_B、Δ₀分别表示区域C₀、区域C₁与整幅图片的方差；

从0～L依次改变t值，取到σ²最大时t即为最佳阈值；然后对该图像进行二值化处理，即其中H为图像任意一点的像素值，进而提取出目标。

步骤3所述对分割后的图像进行形态学处理，包括对图像先进行膨胀然后进行腐蚀。

步骤4中所述改进的胡氏不变矩，具体如下：

先设一个M×N数字图像的灰度分布为f(x,y)，那么它的(p+q)阶几何矩m_pq定义如公式(13)所示：

$m_{pq}=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{x}^p{y}^{q}f(x,y)---\left(13\right)$

式中：x,y是图像的坐标点；

中心矩μ_pq的定义如公式(14)所示：

${\mathrm{\μ}}_{pq}=\underset{x=1}{\overset{M}{\mathrm{\Σ}}}\underset{y=1}{\overset{N}{\mathrm{\Σ}}}{(x-x_0)}^p{(y-y_0)}^{q}f(x,y)---\left(14\right)$

式中：(x₀,y₀)是矩心，x₀＝m₁₀/m₀₀，y₀＝m₀₁/m₀₀，p,q＝0,1,2,···，m₁₀是图像的(1+0)阶几何矩，m₀₀是图像的(0+0)阶几何矩，m₀₁是图像的(0+1)阶几何矩。

用零阶中心矩μ_pq进行归一化，归一化中心矩η_pq为：

${\mathrm{\η}}_{pq}=\frac{{\mathrm{\μ}}_{pq}}{{\mathrm{\μ}}_{00}^r}---\left(15\right)$

式中，μ₀₀是零阶中心矩。

构造胡氏不变矩Φ₁～Φ₇为：

$\begin{array}{c}{\mathrm{\Φ}}_1={\mathrm{\η}}_{20}+{\mathrm{\η}}_{02}\\ {\mathrm{\Φ}}_2={({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})}^2+4{\mathrm{\η}}_{11}\\ {\mathrm{\Φ}}_3={({\mathrm{\η}}_{30}-3{\mathrm{\η}}_{12})}^2+{(3{\mathrm{\η}}_{31}-{\mathrm{\η}}_{03})}^2\\ {\mathrm{\Φ}}_4={({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2+{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\\ {\mathrm{\Φ}}_5=({\mathrm{\η}}_{03}-3{\mathrm{\η}}_{12})({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})+\[{({\mathrm{\η}}_{30}+3{\mathrm{\η}}_{12})}^2-3\×{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\]\\ +(3{\mathrm{\η}}_{21}-{\mathrm{\η}}_{03})({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})\×\[3{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\]\\ {\mathrm{\Φ}}_6=({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})\[{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\]+4{\mathrm{\η}}_{11}({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})\\ {\mathrm{\Φ}}_7=(3{\mathrm{\η}}_{21}-{\mathrm{\η}}_{03})({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})\[{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-3\×{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\]\\ +(3{\mathrm{\η}}_{21}-{\mathrm{\η}}_{30})({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})\×\[3{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\]\end{array}---\left(16\right)$

式中：Φ₁～Φ₇为胡氏不变矩的7个矩不变量。

那么改进的胡氏不变矩I₁～I₁₀公式为：

$I_1=\frac{\sqrt{{\mathrm{\Φ}}_2}}{{\mathrm{\Φ}}_1}$

$I_2=\frac{{\mathrm{\Φ}}_1+\sqrt{{\mathrm{\Φ}}_2}}{{\mathrm{\Φ}}_1-\sqrt{{\mathrm{\Φ}}_2}}$

$I_3=\frac{\sqrt{{\mathrm{\Φ}}_3}}{\sqrt{{\mathrm{\Φ}}_4}}$

$I_4=\frac{\sqrt{{\mathrm{\Φ}}_3}}{\sqrt[4]{\left|{\mathrm{\Φ}}_5\right|}}$

$I_5=\frac{\sqrt{{\mathrm{\Φ}}_4}}{\sqrt[4]{\left|{\mathrm{\Φ}}_5\right|}}$

$I_6=\frac{\left|{\mathrm{\Φ}}_6\right|}{{\mathrm{\Φ}}_1{\mathrm{\Φ}}_3}$

$I_7=\frac{\left|{\mathrm{\Φ}}_6\right|}{{\mathrm{\Φ}}_1\sqrt{{\mathrm{\Φ}}_5}}$

$\begin{array}{c}{I}_8=\frac{\left|{\mathrm{\Φ}}_6\right|}{{\mathrm{\Φ}}_3\sqrt{{\mathrm{\Φ}}_2}}\\ I_9=\frac{\left|{\mathrm{\Φ}}_6\right|}{\sqrt{{\mathrm{\Φ}}_2\left|{\mathrm{\Φ}}_5\right|}}\end{array}---\left(17\right)$

$I_{10}=\frac{\left|{\mathrm{\Φ}}_5\right|}{{\mathrm{\Φ}}_3{\mathrm{\Φ}}_4}$

式中：I₁～I₁₀为改进的胡氏不变矩的10个矩不变量。

所述步骤5中待识别图形与数据库中图形特征之间的相似度为：

$S_{(X,Y)}=S_{(X,Y)}=\sqrt{{(X_{I_1}-Y_{I_1})}^2+{(X_{I_2}-Y_{I_2})}^2+...+{(X_{I_{10}}-Y_{I_{10}})}^2}---\left(18\right)$

其中：X,Y分别为待检测的图像和模板中的图像，表示X这个图像第1个改变的胡氏不变矩特征值，表示Y这个图像第1个改变的胡氏不变矩特征值。通过计算待识别图像与不同的模板图像的相似度，取其最小的相似度所对应的模板图像，判断该模板图像属于哪一类模板，若属于含有坦克的模板，那么待测图片含有坦克，否则不含有坦克。

实施例

本发明提出的识别算法对不同的地面目标进行实验，采用的样本库中的图像分别为坦克、轿车、货车、挖掘机。共有50张，其中坦克14张包含了坦克的旋转和缩放的图片，货车12张包含了货车的旋转和缩放的图片，轿车12张包含了轿车的旋转和缩放的图片，挖掘机12张包含了挖掘机的旋转和缩放的图片，分辨率为480*320。取其中的7张坦克图片、5张货车图片、5张轿车图片、5张挖掘机图片作为测试的样本，其余作为训练样本。

如图3所示，对部分测试样本先进行采用中值滤波滤除图像中的噪声，然后采用改进的otsu算法进行图像分割提取目标，最后对提取的目标进行形态学处理，其中(a1)～(a8)为原图，(b1)～(b8)为中值滤波图，(c1)～(c8)为改进的otsu算法处理结果图，(d1)～(d8)为形态学处理结果图。

如图4所示，采用otsu算法对图像分割提取目标与采用改进的otsu算法进行图像分割提取目标，其中(a1)～(a4)为原图，(b1)～(b4)为中值滤波图，(c1)～(c4)为otsu算法处理结果图，(d1)～(d4)为otsu算法对应的形态学处理结果图，(e1)～(e4)为改进的otsu算法处理结果图，(f1)～(f4)为改进的otsu算法对应的形态学处理结果图。从图中可以看出改进的otsu算法进行图像分割能够很好提取出目标，提取的目标包含的噪声较少。

采用改进的胡氏不变矩提取目标特征值，如图5所示部分样本中的目标采用改进的胡氏不变矩获取的特征值。

由图中可以看出，不同的地面目标采用改进的胡氏不变矩获取的特征值相差较大，相同类型的目标的特征值相差不大。

用公式(18)计算测试的样本与训练的样本的相似度。

取其最小的相似度所对应的模板图像，判断该模板图像属于哪一类模板图像，若属于含有坦克的模板图像，那么测试样本含有坦克，否则不含有坦克。

为了体现本发明的优越性，对样本中提取的目标分别采用采用胡氏不变矩、改进的胡氏不变矩进行识别，对着两种算法的识别率、识别时间进行统计如表1所示。

表1两种不同算法的识别效果

由表1可知，由本发明提出的改进的胡氏不变矩，对地面上的坦克进行识别比采用胡氏不变矩取其特征进行识别高出22个百分点，识别时间上有所降低。结果表明，本文提出的改进的胡氏不变矩对坦克的识别识别率较高，识别速率较快。

以上实施例是对本发明的具体实施方式的说明，采用与本发明的实施方式相同的技术，均在本发明的保护范围之内。

Claims (7)

1.一种基于改进的胡氏不变矩的坦克识别系统，其特征在于，包括电源管理板、稳压电源、RGB模拟摄像头、ARM开发板和计算机，其中稳压电源接入电源管理板，电源管理板的输出端分别接入RGB模拟摄像头、ARM开发板，RGB模拟摄像头通过ARM开发板与计算机相连；

所述RGB模拟摄像头采集所需的图片，ARM开发板通过采集卡对RGB模拟摄像头拍摄的图片进行采集，并通过ARM开发板中的图像识别模块对图片中是否有坦克进行识别；稳压电源分别为RGB模拟摄像头、ARM开发板提供稳定电源；计算机是通过wifi与ARM开发板进行通信，从而控制ARM开发板驱动RGB模拟摄像头采集图片。

2.根据权利要求1所述的基于改进的胡氏不变矩的坦克识别系统，其特征在于，所述ARM开发板是采用型号为华北工控EM3500的ARM开发板。

3.一种基于改进的胡氏不变矩的坦克识别方法，其特征在于，包括以下步骤：

步骤1，对待识别图像进行中值滤波预处理，得到预处理后的图像；

步骤2，采用改进的最大类间方差法对预处理后的图像进行图像分割，提取所需的目标；

步骤3，对分割后的图像进行形态学处理；

步骤4，采用改进的胡氏不变矩提取目标的特征；

步骤5，确定待识别图形与数据库中图形特征之间的相似度，实现对坦克的识别。

4.根据权利要求3所述的基于改进的胡氏不变矩的坦克识别方法，其特征在于，步骤2所述采用改进的最大类间方差法对预处理后的图像进行图像分割，提取所需的目标，具体如下：

改进的最大类间方差法即改进的otsu算法是将当前图像像素用一个阈值t分为两个部分C₀和C₁，其中C₀是由0～t灰度范围内的像素组成，C₁是由(t+1)～L灰度范围内的像素组成，L是图像像素最大的灰度值，灰度值为i的像素值个数为n_i，则总的像素个数为N，如公式(1)所示：

$N=\underset{i=0}{\overset{L-1}{\Σ}}{n}_i---\left(1\right)$

各灰度值出现的概率为p_i，如公式(2)所示：

$p_i=\frac{n_i}{N}---\left(2\right)$

其中，p_i≥0，

C₀出现的概率和C₁出现的概率分别如下：

$P_{C_0}=\underset{i=0}{\overset{t}{\Σ}}{p}_i,P_{C_1}=\underset{i=t+1}{\overset{L-1}{\Σ}}{p}_i=1-P_{C_0}---\left(3\right)$

C₀、C₁两类的灰度均值分别为

${\mathrm{\ω}}_{C_0}=\underset{i=0}{\overset{t}{\Σ}}{\mathrm{ip}}_i/P_{C_0},{\mathrm{\ω}}_{C_1}=\underset{i=t+1}{\overset{L-1}{\Σ}}{\mathrm{ip}}_i/P_{C_1}---\left(4\right)$

图像总的灰度平均值ω₀为：

${\mathrm{\ω}}_0=P_{C_0}{\mathrm{\ω}}_{C_0}+P_{C_1}{\mathrm{\ω}}_{C_1}=\underset{i=0}{\overset{L-1}{\Σ}}{\mathrm{ip}}_i---\left(5\right)$

建立新的方差σ²如公式(6)所示：

${\mathrm{\σ}}^2=P_{C_0}{(V_A-V_0)}^2+P_{C_1}{(V_B-V_0)}^2---\left(6\right)$

式中：

${V_A}^2=\frac{1}{2}({{\mathrm{\ω}}_{C_0}}^2+{\mathrm{\Δ}}_A)---\left(7\right)$

${V_B}^2=\frac{1}{2}({{\mathrm{\ω}}_{C_1}}^2+{\mathrm{\Δ}}_B)---\left(8\right)$

${V_0}^2=\frac{1}{2}({{\mathrm{\ω}}_0}^2+{\mathrm{\Δ}}_0)---\left(9\right)$

${\mathrm{\Δ}}_A=\underset{i=0}{\overset{t}{\Σ}}{p}_i{(i-{\mathrm{\ω}}_{C_0})}^2---\left(10\right)$

${\mathrm{\Δ}}_B=\underset{i=t+1}{\overset{L-1}{\Σ}}{p}_i{(i-{\mathrm{\ω}}_{C_1})}^2---\left(11\right)$

${\mathrm{\Δ}}_0=\underset{i=0}{\overset{L-1}{\Σ}}{p}_i{(i-{\mathrm{\ω}}_0)}^2---\left(12\right)$

其中，Δ_A、Δ_B、Δ₀分别表示区域C₀、区域C₁与整幅图片的方差；

从0～L依次改变t值，取到σ²最大时t即为最佳阈值；然后对该图像进行二值化处理，即其中H为图像任意一点的像素值，进而提取出目标。

5.根据权利要求3所述的基于改进的胡氏不变矩的坦克识别方法，其特征在于，步骤3所述对分割后的图像进行形态学处理，包括对图像先进行膨胀然后进行腐蚀。

6.根据权利要求3所述的基于改进的胡氏不变矩的坦克识别方法，其特征在于，步骤4中所述改进的胡氏不变矩，具体如下：

先设一个M×N数字图像的灰度分布为f(x,y)，那么它的(p+q)阶几何矩m_pq定义如公式(13)所示：

$m_{pq}=\underset{x=1}{\overset{M}{\Σ}}\underset{y=1}{\overset{N}{\Σ}}{x}^p{y}^{q}f(x,y)---\left(13\right)$

式中：x,y是图像的坐标点；

中心矩μ_pq的定义如公式(14)所示：

${\mathrm{\μ}}_{pq}=\underset{x=1}{\overset{M}{\Σ}}\underset{y=1}{\overset{N}{\Σ}}{(x-x_0)}^p{(y-y_0)}^{q}f(x,y)---\left(14\right)$

式中：(x₀,y₀)是矩心，x₀＝m₁₀/m₀₀，y₀＝m₀₁/m₀₀，p,q＝0,1,2,···，m₁₀是图像的(1+0)阶几何矩，m₀₀是图像的(0+0)阶几何矩，m₀₁是图像的(0+1)阶几何矩；

用零阶中心矩μ_pq进行归一化，归一化中心矩η_pq为：

${\mathrm{\η}}_{pq}=\frac{{\mathrm{\μ}}_{pq}}{{\mathrm{\μ}}_{00}^r}---\left(15\right)$

式中：μ₀₀是零阶中心矩；

构造胡氏不变矩Φ₁～Φ₇为：

$\begin{array}{c}{\mathrm{\Φ}}_1={\mathrm{\η}}_{20}+{\mathrm{\η}}_{02}\\ {\mathrm{\Φ}}_2={({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02})}^2+4{\mathrm{\η}}_{11}\\ {\mathrm{\Φ}}_3={({\mathrm{\η}}_{30}-3{\mathrm{\η}}_{12})}^2+{(3{\mathrm{\η}}_{31}-{\mathrm{\η}}_{03})}^2\\ {\mathrm{\Φ}}_4={({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2+{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\\ {\mathrm{\Φ}}_5=({\mathrm{\η}}_{03}-3{\mathrm{\η}}_{12})({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})+\[{({\mathrm{\η}}_{30}+3{\mathrm{\η}}_{12})}^2-3\×{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\]\\ +(3{\mathrm{\η}}_{21}-{\mathrm{\η}}_{03})({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})+\[3{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\]\\ {\mathrm{\Φ}}_6=({\mathrm{\η}}_{20}-{\mathrm{\η}}_{02}){({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\]+4{\mathrm{\η}}_{11}({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})\\ {\mathrm{\Φ}}_7=(3{\mathrm{\η}}_{21}-{\mathrm{\η}}_{02})({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})\[{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-3\×{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\]\\ +(3{\mathrm{\η}}_{21}-{\mathrm{\η}}_{30})({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})\×\[3{({\mathrm{\η}}_{30}+{\mathrm{\η}}_{12})}^2-{({\mathrm{\η}}_{21}+{\mathrm{\η}}_{03})}^2\]\end{array}---\left(16\right)$

式中：Φ₁～Φ₇为胡氏不变矩的7个矩不变量；

那么改进的胡氏不变矩I₁～I₁₀公式为：

$\begin{array}{c}{I}_1=\frac{\sqrt{{\mathrm{\Φ}}_2}}{{\mathrm{\Φ}}_1}\\ I_2=\frac{{\mathrm{\Φ}}_1+\sqrt{{\mathrm{\Φ}}_2}}{{\mathrm{\Φ}}_1-\sqrt{{\mathrm{\Φ}}_2}}\\ I_3=\frac{\sqrt{{\mathrm{\Φ}}_3}}{{\mathrm{\Φ}}_4}\\ I_4=\frac{\sqrt{{\mathrm{\Φ}}_3}}{\sqrt[4]{\left|{\mathrm{\Φ}}_5\right|}}\\ I_5=\frac{\sqrt{{\mathrm{\Φ}}_4}}{\sqrt[4]{\left|{\mathrm{\Φ}}_5\right|}}\\ I_6=\frac{|{\mathrm{\Φ}}_6|}{{\mathrm{\Φ}}_1{\mathrm{\Φ}}_3}\\ I_7=\frac{|{\mathrm{\Φ}}_6|}{{\mathrm{\Φ}}_3\sqrt{{\mathrm{\Φ}}_2}}\\ I_8=\frac{|{\mathrm{\Φ}}_6|}{{\mathrm{\Φ}}_3\sqrt{{\mathrm{\Φ}}_2}}\\ I_9=\frac{|{\mathrm{\Φ}}_6|}{\sqrt{{\mathrm{\Φ}}_2\left|{\mathrm{\Φ}}_5\right|}}\\ I_{10}=\frac{|{\mathrm{\Φ}}_5|}{{\mathrm{\Φ}}_3{\mathrm{\Φ}}_4}\end{array}---\left(17\right)$

式中：I₁～I₁₀为改进的胡氏不变矩的10个矩不变量。

7.根据权利要求3所述的基于改进的胡氏不变矩的坦克识别方法，其特征在于：步骤5中所述待识别图形与数据库中图形特征之间的相似度为：

$S_{(X,Y)}=S_{(X,Y)}=\sqrt{{(X_{I_1}-Y_{I_1})}^2+{(X_{I_2}-Y_{I_2})}^2+...+{(X_{I_{10}}-Y_{I_{10}})}^2}---\left(18\right)$

其中：X,Y分别为待检测的图像和模板中的图像，表示X这个图像第1个改变的胡氏不变矩特征值，表示Y这个图像第1个改变的胡氏不变矩特征值；通过计算待识别图像与不同的模板图像的相似度，取最小的相似度所对应的模板图像，判断该模板图像属于哪一类模板，若属于含有坦克的模板，那么待测图片含有坦克，否则不含有坦克。