CN109410274A - 一种高帧频条件下典型非合作目标要害点实时定位方法 - Google Patents
一种高帧频条件下典型非合作目标要害点实时定位方法 Download PDFInfo
- Publication number
- CN109410274A CN109410274A CN201811168238.XA CN201811168238A CN109410274A CN 109410274 A CN109410274 A CN 109410274A CN 201811168238 A CN201811168238 A CN 201811168238A CN 109410274 A CN109410274 A CN 109410274A
- Authority
- CN
- China
- Prior art keywords
- image
- typical
- key point
- conditions
- frame frequency
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/70—Determining position or orientation of objects or cameras
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/12—Edge-based segmentation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10004—Still image; Photographic image
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种高帧频条件下典型非合作目标要害点实时定位方法,包括以下步骤:对当前帧图像做降采样处理,得到降采样图像;对降采样图像进行水平和垂直投影操作,计算出目标区域范围;在得到的目标区域范围内,对当前帧图像进行圆投影计算操作,得到圆投影后图像;对圆投影后图像进行自适应阈值处理,得到分割目标边缘的阈值;根据得到的阈值计算圆投影后图像的边缘信息;对边缘信息,采用并行计算的方式,计算其曲率;对得到的曲率进行平滑处理;求出平滑处理后的曲率中的最大值,标记该最大值对应的图像像素序号,经过坐标转换求出目标要害点在当前帧图像中的坐标点。本发明能够对高帧频复杂背景下的典型非合作目标进行要害点的定位。
Description
技术领域
本发明涉及目标识别及多核并行处理领域,尤其涉及一种高帧频条件下典型非合作目标要害点实时定位方法。
背景技术
近年来,随着飞控技术的成熟和电子集成成本的降低,空中飞行器(如无人机、气球等)在侦察和打击等军事领域应用越来越广泛。敌方的这些飞行器一旦进入我国领空,势必对我国国家安全和人民生命财产构成极大威胁,必须使用相关反制技术(如侦察、射击、网捕、控制干扰等)对其进行快速发现、监视、控制和击毁。其中,如何快速有效的发现敌方空中小型目标,并精确定位其要害点部位,是实现反制的关键。
目标检测手段众多,基于图像的检测识别是重要手段。随着图像处理技术的不断完善和发展,成像目标检测识别技术得到了广泛的应用。现有的图像目标检测识别方法多种多样,大致可以分为两类:1基于样本学习和分类的识别方法(SVM,深度学习网络等);2基于目标成像特征(如灰度、形状或其他变换域下的特征等)的检测识别方法。这些方法具有较好的检测率和较低的虚警率,也基本可以满足民用领域对目标检测识别的要求,但是由于其算法设计的复杂性,算法对资源(无论是时间或是空间)消耗巨大,难于满足军事应用下的一些特殊要求,如高帧频,宽幅面,复杂背景,要害点检测等。因此有必要针对这些应用需求设计专用的目标实时检测算法。
发明内容
本发明要解决的技术问题在于针对现有技术中的缺陷,提供一种高帧频条件下典型非合作目标要害点实时定位方法。
本发明解决其技术问题所采用的技术方案是:
本发明提供一种高帧频条件下典型非合作目标要害点实时定位方法,包括以下步骤:
S1、获取高帧频条件下的待处理图像,选取一张当前帧图像,对当前帧图像做降采样处理,得到降采样图像;
S2、对降采样图像进行水平和垂直投影操作,通过并行计算的方式,计算出目标区域范围;
S3、在得到的目标区域范围内,对当前帧图像进行圆投影计算操作,得到圆投影后图像;
S4、对圆投影后图像进行自适应阈值处理,得到分割目标边缘的阈值;
S5、根据得到的阈值计算圆投影后图像的边缘信息;
S6、对边缘信息,采用并行计算的方式,计算其曲率;
S7、对得到的曲率进行平滑处理;
S8、求出平滑处理后的曲率中的最大值,标记该最大值对应的图像像素序号,经过坐标转换求出目标要害点在当前帧图像中的坐标点。
进一步地,本发明的步骤S1中进行降采样的方法具体为:
当前帧图像记为I0,图像的大小为M*N,对当前帧图像I0做降采样,将其缩小16倍得到降采样图像I1,大小为M1*N1,降采样方式采用的是隔点法,分别在行和列方向上每隔三个点取一个。
进一步地,本发明的步骤S2的具体方法为:
对降采样图像I1进行水平和垂直投影操作,计算出目标区域范围;该操作采用并行实现,假设DSP有N核,其中0核做为主控核,1核与2核分别做水平投影的计算和垂直投影的计算;多核并行协调通知使用IPC中断形式;具体计算过程如下:
首先进行水平垂直投影计算并对计算后数据进行平滑处理:
其中H、K分别表示水平垂直投影后数据,H1、K1分别表示平滑后水平垂直投影数据;
然后对H1j,K1j相邻四个点计算变化率:
H2j=3*H1j-H1j+1-H1j+2-H1j+3
K2j=3*K1j-K1j+1-K1j+2-K1j+3
最后分别求出H2、K2的最大值与最小值对应的序号分别为xmax、xmin、ymax、ymin;
用Txy表示为目标区域位置,具体为:
进一步地,本发明的步骤S3的具体方法为:
对当前帧图像I0进行圆投影计算操作,得到圆投影后图像I3;此操作采用并行实现,假设DSP有N核,其中0核作为主控核,1~N核对分块后的每块数据运算;圆投影公式如下:
I3ij=I0pq
p=xct+R*cos(i)
q=yct-R*sin(i)
xct=(xmax+xmin)*2
yct=(ymax+ymin)*2
其中,0<i<360,0<j<R。
进一步地,本发明的步骤S4的具体方法为:
对圆投影后图像I3进行直方图统计得到一维数组U;
通过如下公式得出一维数组n;
其中,0≤i≤255;
计算n取最小值时的序号K,K即为所求分割阈值。
进一步地,本发明的步骤S5的具体方法为:
对得到的阈值K,计算边缘信息Eg;其计算公式为:
如果:
i1=xct-R i2=xct+R
j1=yct-R j2=yct+R
则:Eg[i]等于圆投影后图像I3第i列中像素值大于K的最小序号;
否则:Eg[i]等于圆投影后图像I3第i列中像素值小于K的最小序号。
进一步地,本发明的步骤S6的具体方法为:
对边缘信息Eg计算,此计算使用并行实现,假设DSP有N核,其中0核作为主控核,1~N核对分块后的每块数据计算,曲率计算过程如下:
首先建立圆曲线模型:
x2+y2-2Ax-2By+A2+B2=R2
其中,(A,B)为圆心,R为半径;
令Egi点到圆边缘距离的平方与半径平方的差为δi:
δi=i2+Egi 2-2Ai-2BEgi-R2+A2+B2
令方差和为Qi:
当Qi值最小时有:
此时计算得A、B、R值,对应曲率Cvi=1/R。
进一步地,本发明的步骤S7的具体方法为:
对所求的曲率Cv进行平滑处理得到Cv1;
进一步地,本发明的步骤S8的具体方法为:
求出平滑处理后的曲率Cv1中的最大值,记该值对应序号为Ta,经过坐标转换求出要害点在I0中的坐标点Tg(Tx,Ty);
本发明产生的有益效果是:本发明的高帧频条件下典型非合作目标要害点实时定位方法,能够为对典型非合作目标(气球)的高帧频处理、局部要害点精确锁定、复杂背景识别要求提供一种实时处理方法;明能够对高帧频复杂背景下的典型非合作目标进行要害点的定位,能够满足军事上在高帧频,宽幅面,复杂背景下对目标进行定位的特殊要求。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1本发明实现气球要害点快速定位方法的流程图;
图2原始图片;
图3水平垂直投影后找到的气球大致位置图片;
图4分核单独进行圆投影计算所得图;
图5圆投影计算后的整体图
图6提取圆投影后图片的边缘;
图7分核计算曲率示意图
图8曲率计算结果
图9最终气球要害点识别图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
本发明实施例的一种基于DSP并行处理的高帧频条件下典型非合作目标要害点实时定位算法,DSP芯片采用的是TMS320C6678,算法流程如图1所示,包括以下步骤:
S1、当前帧图像记为I0(如图2),图像的大小为640*480。对I0做降采样,将其缩小16倍得到降采样图像I1,大小为160*120,降采样方式采用的是隔点法,分别在行和列方向上每隔三个点取一个;
S2、对I1进行水平和垂直投影操作,计算出目标区域范围;该操作采用并行实现,其中TMS320C6678的0核做为主控核,1核与2核分别做水平投影的计算和垂直投影的计算;多核并行协调通知使用IPC中断形式;具体计算过程如下:
首先进行水平垂直投影计算并对计算后数据进行平滑处理:
其中H、K分别表示水平垂直投影后数据,H1、K1分别表示平滑后水平垂直投影数据。
然后对H1j,K1j相邻四个点计算变化率:
H2j=3*H1j-H1j+1-H1j+2-H1j+3 (5)
K2j=3*K1j-K1j+1-K1j+2-K1j+3 (6)
最后分别求出H2、K2的最大值与最小值对应的序号分别为xmax、xmin、ymax、ymin。
用Txy表示为目标区域如图3所示,其中:
S3、对I0进行圆投影计算操作,得到圆投影后图像I3如图5所示。此操作采用并行实现,其中TMS320C6678的0核作为主控核,1~N核对分块后的每块数据运算。圆投影公式如下:
I3ij=I0pq (8)
p=xct+R*cos(i) (9)
q=yct-R*sin(i) (10)
xct=(xmax+xmin)*2 (11)
yct=(ymax+ymin)*2 (12)
(0<i<360,0<j<R)
最后所得到的投影图像如图5所示。
S4、对I3进行自适应阈值的处理,得到分割气球边缘的阈值为K;计算步骤如下:
首先对I3进行直方图统计得到一维数组U;
然后通过如下公式得出一维数组n;
0≤i≤255
最后计算n取最小值时的序号K,K即为所求分割阈值。
S5、根据S4中的阈值K计算I3的边缘信息Eg(如图示6所示);计算步骤如下:
如果:
i1=xct-R i2=xct+R (16)
j1=yct-R j2=yct+R (17)
则:Eg[i]等于I3第i列中像素值大于K的最小序号。
否则:Eg[i]等于I3第i列中像素值小于K的最小序号。
S6、对Eg计算曲率,计算曲率结果如图8所示。此计算使用并行实现,其中TMS320C6678的0核作为主控核,1~6核对分块后的每块数据计算,计算结果如图7所示。曲率计算过程如下:
首先建立圆曲线模型
x2+y2-2Ax-2By+A2+B2=R2 (18)
(A,B)为圆心,R为半径;
令Egi点到圆边缘距离的平方与半径平方的差为δi:
δi=i2+Egi 2-2Ai-2BEgi-R2+A2+B2 (19)
令方差和为Qi:
当Qi值最小时有:
此时计算可得A、B、R值,对应曲率Cvi=1/R。
S7、对所求的曲率Cv进行平滑处理得到Cv1;
S8、求出Cv1中的最大值,记该值对应序号为Ta,经过坐标转换求出要害点在I0中的坐标点Tg(Tx,Ty)如图9所示。
最后通过测试得出此算法在TMS320C6678芯片上总耗时为5.254ms。
本发明所述的上述例子中,对TMS320C6678的硬件配置做一下说明:
(1)、函数内部使用存放I0,I1,I2,I3,Eg,Cv数据的数组定义在TMS320C6678的4M共享内存中。
(2)、在cmd文件中对程序段进行分配,将可执行代码及常数、初始化表、全局及静态常量、跳转表、栈、C输入输出缓存,放在L2RAM中。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (9)
1.一种高帧频条件下典型非合作目标要害点实时定位方法,其特征在于,包括以下步骤:
S1、获取高帧频条件下的待处理图像,选取一张当前帧图像,对当前帧图像做降采样处理,得到降采样图像;
S2、对降采样图像进行水平和垂直投影操作,通过并行计算的方式,计算出目标区域范围;
S3、在得到的目标区域范围内,对当前帧图像进行圆投影计算操作,得到圆投影后图像;
S4、对圆投影后图像进行自适应阈值处理,得到分割目标边缘的阈值;
S5、根据得到的阈值计算圆投影后图像的边缘信息;
S6、对边缘信息,采用并行计算的方式,计算其曲率;
S7、对得到的曲率进行平滑处理;
S8、求出平滑处理后的曲率中的最大值,标记该最大值对应的图像像素序号,经过坐标转换求出目标要害点在当前帧图像中的坐标点。
2.根据权利要求1所述的高帧频条件下典型非合作目标要害点实时定位方法,其特征在于,步骤S1中进行降采样的方法具体为:
当前帧图像记为I0,图像的大小为M*N,对当前帧图像I0做降采样,将其缩小16倍得到降采样图像I1,大小为M1*N1,降采样方式采用的是隔点法,分别在行和列方向上每隔三个点取一个。
3.根据权利要求1所述的高帧频条件下典型非合作目标要害点实时定位方法,其特征在于,步骤S2的具体方法为:
对降采样图像I1进行水平和垂直投影操作,计算出目标区域范围;该操作采用并行实现,假设DSP有N核,其中0核做为主控核,1核与2核分别做水平投影的计算和垂直投影的计算;多核并行协调通知使用IPC中断形式;具体计算过程如下:
首先进行水平垂直投影计算并对计算后数据进行平滑处理:
其中H、K分别表示水平垂直投影后数据,H1、K1分别表示平滑后水平垂直投影数据;
然后对H1j,K1j相邻四个点计算变化率:
H2j=3*H1j-H1j+1-H1j+2-H1j+3
K2j=3*K1j-K1j+1-K1j+2-K1j+3
最后分别求出H2、K2的最大值与最小值对应的序号分别为xmax、xmin、ymax、ymin;
用Txy表示为目标区域位置,具体为:
4.根据权利要求3所述的高帧频条件下典型非合作目标要害点实时定位方法,其特征在于,步骤S3的具体方法为:
对当前帧图像I0进行圆投影计算操作,得到圆投影后图像I3;此操作采用并行实现,假设DSP有N核,其中0核作为主控核,1~N核对分块后的每块数据运算;圆投影公式如下:
I3ij=I0pq
p=xct+R*cos(i)
q=yct-R*sin(i)
xct=(xmax+xmin)*2
yct=(ymax+ymin)*2
其中,0<i<360,0<j<R。
5.根据权利要求4所述的高帧频条件下典型非合作目标要害点实时定位方法,其特征在于,步骤S4的具体方法为:
对圆投影后图像I3进行直方图统计得到一维数组U;
通过如下公式得出一维数组n;
其中,0≤i≤255;
计算n取最小值时的序号K,K即为所求分割阈值。
6.根据权利要求5所述的高帧频条件下典型非合作目标要害点实时定位方法,其特征在于,步骤S5的具体方法为:
对得到的阈值K,计算边缘信息Eg;其计算公式为:
如果:
i1=xct-R i2=xct+R
j1=yct-R j2=yct+R
则:Eg[i]等于圆投影后图像I3第i列中像素值大于K的最小序号;
否则:Eg[i]等于圆投影后图像I3第i列中像素值小于K的最小序号。
7.根据权利要求6所述的高帧频条件下典型非合作目标要害点实时定位方法,其特征在于,步骤S6的具体方法为:
对边缘信息Eg计算,此计算使用并行实现,假设DSP有N核,其中0核作为主控核,1~N核对分块后的每块数据计算,曲率计算过程如下:
首先建立圆曲线模型:
x2+y2-2Ax-2By+A2+B2=R2
其中,(A,B)为圆心,R为半径;
令Egi点到圆边缘距离的平方与半径平方的差为δi:
δi=i2+Egi 2-2Ai-2BEgi-R2+A2+B2
令方差和为Qi:
当Qi值最小时有:
此时计算得A、B、R值,对应曲率Cvi=1/R。
8.根据权利要求7所述的高帧频条件下典型非合作目标要害点实时定位方法,其特征在于,步骤S7的具体方法为:
对所求的曲率Cv进行平滑处理得到Cv1;
9.根据权利要求8所述的高帧频条件下典型非合作目标要害点实时定位方法,其特征在于,步骤S8的具体方法为:
求出平滑处理后的曲率Cv1中的最大值,记该值对应序号为Ta,经过坐标转换求出要害点在I0中的坐标点Tg(Tx,Ty);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811168238.XA CN109410274B (zh) | 2018-10-08 | 2018-10-08 | 一种高帧频条件下典型非合作目标要害点实时定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811168238.XA CN109410274B (zh) | 2018-10-08 | 2018-10-08 | 一种高帧频条件下典型非合作目标要害点实时定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109410274A true CN109410274A (zh) | 2019-03-01 |
CN109410274B CN109410274B (zh) | 2022-03-15 |
Family
ID=65466120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811168238.XA Active CN109410274B (zh) | 2018-10-08 | 2018-10-08 | 一种高帧频条件下典型非合作目标要害点实时定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109410274B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886355A (zh) * | 2019-03-06 | 2019-06-14 | 武汉工程大学 | 一种空中非合作目标固定翼要害点检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130049436A (ko) * | 2011-11-04 | 2013-05-14 | 한국과학기술원 | 영상 곡률 공간정보를 이용한 코너검출방법 |
CN103677274A (zh) * | 2013-12-24 | 2014-03-26 | 广东威创视讯科技股份有限公司 | 一种基于主动视觉的互动投影方法及系统 |
CN106447669A (zh) * | 2016-04-08 | 2017-02-22 | 潍坊学院 | 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法 |
CN106651894A (zh) * | 2017-01-10 | 2017-05-10 | 重庆大学 | 基于点云和图像匹配的自动化喷涂系统坐标变换方法 |
-
2018
- 2018-10-08 CN CN201811168238.XA patent/CN109410274B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20130049436A (ko) * | 2011-11-04 | 2013-05-14 | 한국과학기술원 | 영상 곡률 공간정보를 이용한 코너검출방법 |
CN103677274A (zh) * | 2013-12-24 | 2014-03-26 | 广东威创视讯科技股份有限公司 | 一种基于主动视觉的互动投影方法及系统 |
CN106447669A (zh) * | 2016-04-08 | 2017-02-22 | 潍坊学院 | 基于圆形蒙版面积比率判别的粘连颗粒图像凹点分割方法 |
CN106651894A (zh) * | 2017-01-10 | 2017-05-10 | 重庆大学 | 基于点云和图像匹配的自动化喷涂系统坐标变换方法 |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109886355A (zh) * | 2019-03-06 | 2019-06-14 | 武汉工程大学 | 一种空中非合作目标固定翼要害点检测方法 |
CN109886355B (zh) * | 2019-03-06 | 2022-12-06 | 武汉工程大学 | 一种空中非合作目标固定翼要害点检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109410274B (zh) | 2022-03-15 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109214360A (zh) | 一种基于ParaSoftMax损失函数的人脸识别模型的构建方法及应用 | |
CN103514441B (zh) | 基于移动平台的人脸特征点定位跟踪方法 | |
CN103942535B (zh) | 多目标跟踪方法及装置 | |
CN109598234A (zh) | 关键点检测方法和装置 | |
CN110276768A (zh) | 图像分割方法、图像分割装置、图像分割设备及介质 | |
EP3545467A1 (en) | Methods, systems, and media for evaluating images | |
Li et al. | Entropy-based global and local weight adaptive image segmentation models | |
Zou et al. | Microarray camera image segmentation with Faster-RCNN | |
CN114332942A (zh) | 基于改进YOLOv3的夜间红外行人检测方法及系统 | |
CN106897730B (zh) | 基于融合类别信息与局部保持投影的sar目标型号识别方法 | |
CN108932468B (zh) | 一种适用于心理学的面部识别方法 | |
Xing et al. | Research and implementation of an improved radon transform for license plate recognition | |
Chen et al. | Eyes localization algorithm based on prior MTCNN face detection | |
CN109410274A (zh) | 一种高帧频条件下典型非合作目标要害点实时定位方法 | |
CN105118073A (zh) | 基于Xtion摄像机的人体头部目标识别方法 | |
Yu | Accurate recognition method of human body movement blurred image gait features using graph neural network | |
CN105513071B (zh) | 一种地形图图式质量评价方法 | |
Lu et al. | Multimode Gesture Recognition Algorithm Based on Convolutional Long Short‐Term Memory Network | |
CN107358616A (zh) | 基于各向异性形态学方向比率的sar图像边缘检测方法 | |
CN116824333A (zh) | 一种基于深度学习模型的鼻咽癌检测系统 | |
CN105225232A (zh) | 一种基于视觉注意机制的彩色着舰合作目标检测方法 | |
Yang | Face feature tracking algorithm of aerobics athletes based on Kalman filter and mean shift | |
CN114266713A (zh) | 基于NonshadowGAN的无人机铁路扣件图像阴影去除方法及系统 | |
CN110796688A (zh) | 一种多目标人脸识别智能航班信息显示方法及系统 | |
Hu et al. | The research and application of surf algorithm based on feature point selection algorithm |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |