CN106405531A - 基于图像处理技术的被动毫米波辐射成像系统测距方法 - Google Patents

Abstract

本发明公开了一种基于图像处理技术的被动毫米波辐射成像系统测距方法，包括以下步骤：按照被动测距模型，将两台参数设置一致的被动毫米波辐射成像系统相对于目标场景前后放置于一条直线上，通过两台被动毫米波辐射成像系统对同一个目标场景成像，得到相应的测量成像数据；通过surf匹配算法分别提取出两组测量成像数据中目标场景匹配度最高的三个特征点；分别计算特征点连通域的面积，通过被动测距模型计算得到目标距离。本发明采用被动毫米波辐射计进行成像，在云、雾、战场烟尘、施放烟雾等恶劣环境中，相较光电和红外被动测距方法，能够获得更好的成像结果，测距精度更高。

Description

基于图像处理技术的被动毫米波辐射成像系统测距方法

技术领域

本发明属于被动测距技术，特别是一种基于图像处理技术的被动毫米波辐射成像系统测距方法。

背景技术

物理温度高于绝对零度的物体都会向外辐射电磁波，当物体被外界电磁波照射时，还会产生反射、散射、透射和吸收现象。物体物质结构不同，其对电磁波的辐射、散射和反射也具有差异。毫米波被动成像系统就是根据目标辐射亮度温度差异来分辨不同物体，进而达到观测场景成像目的。相比于红外成像系统，被动毫米波辐射成像系统具有穿透烟雾及恶劣环境下工作的能力，但被动成像系统存在无法获取目标距离信息的缺点。

随着计算机技术的发展，人们开始用计算机处理图像，除获得更好的视觉信息外，依靠分析目标图像信息获得距离信息的技术也引起了研究人员的广泛关注。目前基于图像处理的被动测距方法主要包括：

(1)立体视觉测距方法，该方法由于采用成像系统左右摆放的方式，当空间三维场景经投影变为图像上的二维场景时，成像会发生不同程度的畸变，导致特征点匹配错误进而造成较大的测距误差。

(2)图像序列法，该方法跟踪并分析运动图像序列中目标的稳定特征尺寸，进而获取目标的距离消息，但是存在需预先知道目标尺寸大小的问题。

(3)单目成像测距方法，该方法仅采用一台成像系统对目标场景进行成像，需要对几幅图片进行特征点的匹配，匹配误差决定了测量结果的精度，多幅图像进行处理，需要耗费大量的计算时间。

发明内容

本发明的目的在于提供一种基于图像处理技术的被动毫米波辐射成像系统测距方法。

实现本发明目的的技术方案为：一种基于图像处理技术的被动毫米波辐射成像系统测距方法，包括以下步骤：

步骤1，按照被动测距模型，将两台参数设置一致的被动毫米波辐射成像系统相对于目标场景前后放置于一条直线上，通过两台被动毫米波辐射成像系统对同一个目标场景成像，得到相应的测量成像数据；

步骤2，通过surf匹配算法分别提取出两组测量成像数据中目标场景匹配度最高的三个特征点；

步骤3，分别计算特征点连通域的面积，通过被动测距模型计算得到目标距离。

本发明与现有技术相比，其显著效果为：

(1)本发明采用被动毫米波辐射成像系统，相较于光电和红外成像系统，在云，雾，战场烟尘，施放烟雾的恶劣环境中，仍能够获得很好成像结果。

(2)本发明中的测距模型采样前后分别放置成像系统的方式，所得目标场景的成像结果不易产生畸变，且目标场景的成像结果特征相似，有利于特征点的匹配，反演出更加准确的测距结果。

附图说明

图1为本发明被动毫米波辐射成像系统测距方法的流程图。

图2为基于辐射计成像系统的被动测距模型图。

图3(a)和图3(b)分别为两台辐射计成像系统的成像结果图。

图4(a)和图4(b)分别为L_xx和L_xy的框状近似模板示意图。

图5(a)和图5(b)分别为两台辐射计成像系统经频域低通滤波处理后成像结果示意图。

图6为图像匹配点检测的结果图。

具体实施方式

结合图1，本发明的一种基于图像处理技术的被动毫米波辐射成像系统测距方法，包括以下步骤：

步骤1，按照被动测距模型，将两台参数设置一致的被动毫米波辐射成像系统相对于目标场景前后放置于一条直线上，通过两台被动毫米波辐射成像系统对同一个目标场景成像，得到相应的测量成像数据，成像结果如图3(a)和图3(b)所示；具体为：

被动测距模型如图2所示，设f为被动毫米波辐射成像系统的焦距，d₁为前后两台成像系统的间隔距离，d为目标与第一成像系统之间的距离，则目标与第二成像系统之间的距离为d+d₁；假定目标的面积为P，在第一成像系统成像的图像中为区域P₁，在第二成像系统成像的图像中为区域P₂，那么根据小孔成像的基本模型有：

联合上述两式可得被动测距模型为：

步骤2，通过surf匹配算法分别提取出两组测量成像数据中目标场景匹配度最高的三个特征点；具体为：

步骤2-1，对两台被动毫米波辐射成像系统成像数据进行频域低通滤波处理，采用频域低通滤波处理后得到的图像数据的矩阵Hessian行列式的值描述图像数据中的特征点；

步骤2-2，在尺度空间中通过非极大值抑制，找出图像中特征值大于设定阈值且大于临近点特征值的特征点；

步骤2-3，对步骤2-2得到的特征点进行描述并匹配，得到匹配度最高的三个特征点的位置。

步骤3，分别计算特征点连通域的面积，通过被动测距模型计算得到目标距离；具体为：

步骤3-1，根据步骤2中得到的匹配点，分别计算三个匹配点在各自图像中连通域的面积；

步骤3-2，将连通域面积代入被动测距模型，解算出目标距离。

进一步的，步骤2中通过surf匹配算法分别提取出两组测量成像数据中目标场景匹配度最高的三个特征点的具体方法为：

第一步，特征点检测

(11)对两台被动毫米波辐射成像系统成像数据A₁、A₂进行频域低通滤波处理，所述成像数据A₁、A₂为辐射计探测到目标场景的辐射强度，处理后的数据成像结果如图5(a)、图5(b)所示，利用Hessian矩阵行列式的值来检测预处理后的图像B₁、B₂中的特征点，对于图像中某点X＝(x，y)，在X点的σ尺度上的Hessian矩阵定义如下：

其中，L_xx(X，σ)、L_xy(X，σ)、L_yy(X，σ)分别为高斯二阶偏导在X处与图像的卷积，高斯二阶偏导采用结构如图4(a)和图4(b)所示的框状滤波器近似；Hessian矩阵中L_xx(X，σ)、L_xy(X，σ)、L_yy(X，σ)分别采用如图4(a)和图4(b)所示的近似模板与图像卷积的结果D_xx、D_yy、D_xy近似，其行列式为：

det(H_approx)＝D_xxD_yy-(wD_xy)²

式中，w是权重系数，本具体实施方式取0.9，按照近似Hessian矩阵的行列式的公式，对图像中每一点求取响应并记录下来，得到图像B₁、B₂在σ尺度上的响应图；

(12)利用不同尺度因子的框状滤波器对预处理后的图像数据B₁、B₂进行处理，构建图像金子塔；初始尺度对应的近似模板大小为9*9，采用初始尺度的近似模板与图像数据B₁、B₂进行卷积，得到尺度空间的第一层；接下来的层依次通过尺寸逐渐增大的模板与原始图像做卷积获得，每4个模板为一阶(Octave)，本方法中取4阶，相应的模板大小为：

Octave1	9	15	21	27
					Octave2	15	27	39	51
Octave3	27	51	75	99
					Octave4	51	99	147	195

用S表示近似模板的尺度，依次用不同的尺度的模板对图像数据A₁，A₂做卷积，在卷积的过程中采用步骤(11)中得到的近似Hessian矩阵H_approx的行列式计算在每一点的响应，把这些响应记录下来，得到不同尺度σ对应的响应图构成3维尺度空间(x，y，S)；

(13)在3维(x，y，S)尺度空间中每个3*3*3的局部区域里，进行非最大值抑制，只有比临近的26个点的响应值都大的点才被选为特征点，把符合条件的点筛选为候选极值，同时记下位置与尺寸信息(x_i，y_i，S_i)，其中i为点的个数，S_i为该特征点对应的尺度；

第二步，特征点描述

(21)利用第一步中得到的特征点的位置与尺寸信息(x_i，y_i，S_i)，对于每个特征点，以其位置(x，y)为圆心，以6S为半径的圆形领域里，用尺寸为4S的Harr小波模板对图像进行处理，得到x，y两个方向的Haar小波响应；然后用以特征点为中心的高斯函数(σ＝2S)对这些响应进行加权；

(22)用一个圆心角为π/3的扇形以特征点为中心环绕一周，计算该扇形处于每个角度时，它所覆盖图像中点的Haar小波响应之和；由于每一点都有x，y两个方向的响应，因此扇形区域中所有点的响应之和构成一个矢量；记录扇形区域环绕一周所形成的矢量，取长度最大的矢量，其方向即为该特征点所对应的方向；

(23)以第一步中得到的特征点为中心的正方形邻域，该邻域的边长为20S，将步骤(22)中所确定的特征点方向作为该邻域的Y轴方向，将该正方形区域分成4×4个子块区域，在每一个子块区域中用模板尺寸为2S*2S的Haar小波滤波器进行处理，相对于特征点的方向，用d_x表示水平方向的Haar小波响应，用d_y表示竖直方向的Haar小波响应；构建描述子向量之前，对于所有的d_x、d_y，均采用一个以特征点为中心的高斯函数加权，该高斯函数的σ＝3.3S；

在每个子块区域中对水平方向、竖直方向的Haar小波响应d_x、d_y及对应的绝对值|d_x|、|d_y|求和，从而得到一个4维向量V(∑d_x、∑d_y、∑|d_x|、∑|d_y|)；将4*4个子块区域的向量连接起来得到一个64维的向量，此向量即为描述该特征点的描述子特征向量；

第三步，特征点的匹配

(31)在第一步检测特征点的过程中，计算了Hessian矩阵的行列式，同时，计算得到了Hessian矩阵的迹，矩阵的迹为对角元素之和；按照亮度的不同，将特征点分为两种，第一种为特征点及其周围小邻域的亮度比背景区域要亮，Hessian矩阵的迹为正；另外一种为特征点及其周围小邻域的亮度比背景区域要暗，Hessian矩阵为负值；根据这个特性，在匹配过程中，首先对特征点的Hessian矩阵的迹进行比较；如果同号，说明两个特征点具有相同的对比度；如果是异号的话，说明两个特征点的对比度不同，放弃特征点之间后续的相似性度量；

(32)采用欧式距离对图像A₁、A₂中特征点描述子特征向量的相似性进行度量：

其中Dis_ij表示图像数据A₁中的第i个特征点与图像数据A₂中的第j个特征点之间的相似性，A1_ik表示图像数据A₁中的第i个特征点子特征向量的第k个元素，A2_jk表示图像数据A₁中的第j个特征点子特征向量的第k个元素，n表示特征向量的维数。

进一步的，步骤3-1中求解连通域面积的具体方法为：

由步骤2得到图像数据A₁、A₂中匹配度最高的三个点的坐标(x₁，y₁)，(x₂，y₂)，(x₃，y₃)，具体结果如图6所示，按照下式分别计算匹配点连通域的面积P₁，P₂：

其中a，b，c为三个匹配点两两之间的长度，L＝(a+b+c)/2。

本发明采用被动毫米波辐射计进行成像，在云，雾，战场烟尘，施放烟雾等恶劣环境中，相较光电和红外被动测距方法，能够获得更好的成像结果，测距精度更高。

Claims (5)

1.一种基于图像处理技术的被动毫米波辐射成像系统测距方法，其特征在于，包括以下步骤：

步骤1，按照被动测距模型，将两台参数设置一致的被动毫米波辐射成像系统相对于目标场景前后放置于一条直线上，通过两台被动毫米波辐射成像系统对同一个目标场景成像，得到相应的测量成像数据；

步骤2，通过surf匹配算法分别提取出两组测量成像数据中目标场景匹配度最高的三个特征点；

步骤3，分别计算特征点连通域的面积，通过被动测距模型计算得到目标距离。

2.根据权利要求1所述的基于图像处理技术的被动毫米波辐射成像系统测距方法，其特征在于，步骤1具体为：

设f为被动毫米波辐射成像系统的焦距，d₁为前后两台成像系统的间隔距离，d为目标与第一成像系统之间的距离，则目标与第二成像系统之间的距离为d+d₁；假定目标的面积为P，在第一成像系统成像的图像中为区域P₁，在第二成像系统成像的图像中为区域P₂，根据小孔成像的基本模型有：

$\frac{f}{d}=\frac{P_1}{P}$

$\frac{f}{d+d_1}=\frac{P_2}{P}$

联合上述两式可得被动测距模型为：

$d=\frac{d_1\×P_2}{(P_1-P_2)}$

3.根据权利要求1所述的基于图像处理技术的被动毫米波辐射成像系统测距方法，其特征在于，步骤2具体为：

步骤2-1，对两台被动毫米波辐射成像系统成像数据进行频域低通滤波处理，采用频域低通滤波处理后得到的图像数据的矩阵Hessian行列式的值描述图像数据中的特征点；

步骤2-2，在尺度空间中通过非极大值抑制，找出图像中特征值大于设定阈值且大于临近点特征值的特征点；

步骤2-3，对步骤2-2得到的特征点进行描述并匹配，得到匹配度最高的三个特征点的位置。

4.根据权利要求1所述的基于图像处理技术的被动毫米波辐射成像系统测距方法，其特征在于，步骤3具体为：

步骤3-1，根据步骤2中得到的匹配点，分别计算三个匹配点在各自图像中连通域的面积；

步骤3-2，将连通域面积代入被动测距模型，解算出目标距离。

5.根据权利要求4所述的基于图像处理技术的被动毫米波辐射成像系统测距方法，其特征在于，步骤3-1中求解连通域面积的具体方法为：

由步骤2得到图像数据中匹配度最高的三个点的坐标，按照下式分别计算匹配点连通域的面积P₁，P₂：

$P=\sqrt{L*(L-a)*(L-b)*(L-c)}$

其中a，b，c为三个匹配点两两之间的长度，L＝(a+b+c)/2。