CN109635679A - 一种实时的靶纸定位及环线识别方法 - Google Patents

一种实时的靶纸定位及环线识别方法 Download PDF

Info

Publication number
CN109635679A
CN109635679A CN201811414037.3A CN201811414037A CN109635679A CN 109635679 A CN109635679 A CN 109635679A CN 201811414037 A CN201811414037 A CN 201811414037A CN 109635679 A CN109635679 A CN 109635679A
Authority
CN
China
Prior art keywords
image
loop wire
target
real
feature
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
Application number
CN201811414037.3A
Other languages
English (en)
Other versions
CN109635679B (zh
Inventor
王保耀
郭奇锋
张齐宁
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Shenzhen Shenzhen Future Intelligent Co Ltd
Original Assignee
Shenzhen Shenzhen Future Intelligent Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Shenzhen Shenzhen Future Intelligent Co Ltd filed Critical Shenzhen Shenzhen Future Intelligent Co Ltd
Priority to CN201811414037.3A priority Critical patent/CN109635679B/zh
Publication of CN109635679A publication Critical patent/CN109635679A/zh
Application granted granted Critical
Publication of CN109635679B publication Critical patent/CN109635679B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T5/00—Image enhancement or restoration
    • G06T5/70—Denoising; Smoothing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/0002—Inspection of images, e.g. flaw detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/13—Edge detection
    • 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
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/90—Determination of colour characteristics
    • 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
    • G06T2207/20—Special algorithmic details
    • G06T2207/20024—Filtering details

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Quality & Reliability (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明提出一种实时的靶纸定位及环线识别方法，包括实时的靶纸定位截取和靶面环线检测识别方法，可以实时获取靶面信息、在各种背景下可以准确定位靶面位置，截取靶面信息，计算速度快，能够准确识别靶面环线，为自动报靶提供了前提，且设置重新检验步骤，防止计算错误，进一步提高靶面环线识别的准确性。

Description

一种实时的靶纸定位及环线识别方法
技术领域
本发明涉及图像处理技术领域，尤其是一种实时的靶纸定位及环线识别方法。
背景技术
射击训练是军队、警校、公安等部门基础训练科目，而报靶是射击训练的重要环节，传统的人工报靶效率低下，严重影响训练的速度，而且成本高，安全性差。现有的基于声电或激光的自动报靶系统，在特定条件下能够达到比较高的精度，但是靶位成本较高，随着单靶射击子弹的增多，对声电或者激光传感器的损坏，报靶精度会受很大影响，后期耗材成本高。随着信息技术以及智能技术的不断发展，因此现在越来越多的人研究基于图像或者基于视频的自动报靶系统，该类系统能够大大提高训练的效率，且后期基本无耗材消耗。
对于基于图像或者视频的报靶系统，靶纸定位和环线识别是整个系统的一项关键技术。目前，现有技术有一种根据前一次检测到的靶环线图像进行靶环线粗定位，在粗定位的靶环线图像的各靶环线进行搜索，根据搜索到的靶面图像的靶环线像素点进行拟合得到精确的靶环线图像，该方法对靶面晃动、光线变化等场景适应性以及实时性效果较差。
发明内容
为了解决上述问题，本发明提出一种实时获取靶面信息、在各种背景下可以准确提取靶面的实时的靶纸定位及环线识别方法。
本发明通过以下技术方案实现的：
本发明提出一种实时的靶纸定位及环线识别方法，包括以下步骤：
(1)将原始靶位图像转换成灰度图，并对灰度图使用ostu(最大类间差方法)二值化图像处理；
(2)对步骤(1)所得的图像进行形态滤波，去除噪声点，获得图像轮廓图；
(3)对步骤(1)所得的轮廓图搜索各个连通域，并对符合预设特征的连通区域进行保留；
(4)对符合预设特征的连通区域提取多个不变矩，计算图像相似度，选取目标区域；
(5)求取目标区域的最小包围框，并将此框截取出来作为靶纸图像；
(6)在截取后的靶纸图像上，滤波去除噪点，提取特征，根据特征保留候选区域；
(7)对步骤(6)保留的候选区域去除数字特征，计算候选区域边缘特征；
(8)基于步骤(7)获得的边缘特征划分区域，寻找连通域，获得中心圆和人形轮廓，生成中心圆和人形轮廓的最小包围矩形；
(9)基于步骤(7)的边缘特征取采样点，生成环数值图；
(10)重复步骤(9)，验证环数值图中的环线是否正确。
进一步的，步骤(3)中的预设特征包括颜色、方差、形状、大小。
进一步的，步骤(4)中的符合预设特征的连通区域提取7个不变矩。
本发明的有益效果：
通过本发明提出的实时的靶纸定位及环线识别方法，可以实时获取靶面信息、在各种背景下可以准确提取靶面，计算速度快，能够识别靶面环线，为准确报靶提供了前提，且设置重新检验步骤，防止计算错误，进一步提高靶面环线的准确性。
附图说明
图1为本发明提出的实时的靶纸定位及环线识别方法的步骤流程示意图。
具体实施方式
为了更加清楚、完整的说明本发明的技术方案，下面结合附图对本发明作进一步说明。
请参考图1，本发明一种实时的靶纸定位及环线识别方法，包括以下步骤：
(1)将原始靶位图像转换成灰度图，并对灰度图使用ostu(最大类间差方法)二值化图像处理；
(2)对步骤(1)所得的图像进行形态滤波，去除噪声点，获得图像轮廓图；
(3)对步骤(1)所得的轮廓图搜索各个连通域，并对符合预设特征的连通区域进行保留；
(4)对符合预设特征的连通区域提取多个不变矩，计算图像相似度，选取目标区域；
(5)求取目标区域的最小包围框，并将此框截取出来作为靶纸图像；
(6)在截取后的靶纸图像上，滤波去除噪点，提取特征，根据特征保留候选区域；
(7)对步骤(6)保留的候选区域去除数字特征，计算候选区域边缘特征；
(8)基于步骤(7)获得的边缘特征划分区域，寻找连通域，获得中心圆和人形轮廓，生成中心圆和人形轮廓的最小包围矩形；
(9)基于步骤(7)的边缘特征取采样点，生成环数值图；
(10)重复步骤(9)，验证环数值图中的环线是否正确。
进一步的，步骤(3)中的预设特征包括颜色、方差、形状、大小。
进一步的，步骤(4)中的符合预设特征的连通区域提取7个不变矩。
在本实施方式中，步骤(1)可以具体为：先选取一张清晰、无偏、无皱的靶纸图，手工选取中间靶环部分作为标准图，获取从摄像头rtmp数据流，将数据流解码后获取道yuv格式的数据流，应用公式：
R＝Y+1.4075*(V-128)；
G＝Y-0.3455*(U-128)-0.7169*(V-128)；
B＝Y+1.779*(U-128)；
将yuv通道转成rgb通道，保留rgb图片，再应用Gray＝R*0.299+G*0.587+B*0.11将rgb通道的图片转成灰度图，计算图片在0～255每个值的数量，对每个值的数量除以总的像素值的数量，从threshold＝0开始，统计以下值：
a、把比threshold小的灰度的像素作为前景像素，统计其平均灰度a0，与其所占整幅图片的比例b0；
b、把比threshold大的灰度的像素作为背景像素，统计其平均灰度a1，与其所占整幅图片的比例b1；
c、对前景像素和背景像素计算其方差u＝b1*b0*(a1–a0)^2，记录下u，把u加入方差列表中；
d、threshold＝threshold+1，重复以上步骤，直到threshold为256才结束；
结束后，取方差列表中的最大值作为整张图像的分割阈值。
在本实施方式中，步骤(2)、(3)可以具体为：应用步骤(1)的分割阈值对rgb通道图片进行分割，用中值滤波、均值滤波滤掉噪声点，从图像第一个点开始，搜索与这个点相邻的点，并记录为同一个区域，依次搜索所有点。搜索完所有区域，判断每个区域的颜色、大小、形状是否与目标靶面是否相近，初步排除与目标靶面差别较大的连通区域。
在本实施方式中，步骤(4)可以具体为：对于每个连通域，N和M分别是图像的高度和高度
计算几何矩：
计算中心矩：
对中心矩进行归一化：
ηpq＝μpq/(μ00ρ)
其中p＝(p+q)/2+1；
然后利用上面的二阶和三阶归一化的中心矩计算7个不变矩：
M1＝η20+η02
M2＝(η20-η02)2+4η11 2
M3＝(η30-3η12)2+(3η21-η03)2
M4＝(η30+η12)2+(η21+η03)2
M5＝(η30-3η12)(η30+η12)((η30+η12)2-3(η21+η03)2)
+(3η21-η03)(η21+η03)(3(η30+η12)2-(η21+η03)2)
M6＝(η20-η02)((η30+η12)2-(η21+η03)2)
+4η11(η30+η12)(η21+η03)
M7＝(3η21-η03)(η30+η12)((η30+η12)2-3(η21+η03)2)
+(η30-3η12)(η21+η03)(3(η30+η12)2-(η21+η03)2)
根据以上求出的数值与标准图求出的数值进行比较，选取最相似的作为目标区域。
在本实施方式中，步骤(5)可以具体为：求出目标区域的最小包围框，在rgb图上将此框截取出来作为靶纸图像。
在本实施方式中，步骤(6)可以具体为：将靶纸图像作guided滤波，具体计算公式如下：
1：me anI＝fmean(I)
meanp＝fmean(p)
corrI＝fmean(I.*I)
corrIp＝fmean(I.*p)
2：varI＝corrI-meanI.*meanI
covIp＝corrIp-meanI.*meanp
3：a＝corrIp/(varI+∈)
b＝meanp-a.*meanI
4：meana＝fmean(a)
meanb＝fmean(b)
5:q＝meana·*I+meanb
其中I和P均为输入的原图。
在本实施方式中，步骤(7)可以具体为：先用sobel算子计算x和y方向的梯度，得到梯度图Sx和梯度图Sy，通过梯度图Gx和Gy计算其方向θ，将梯度按0～360均匀分为8个区域，分别为E、NE、N、NW、W、SW、S、SE，求每个像素点的θ，对每个像素点P的梯度方向为θ，
tan(θ)＝Gx/Gy
Gp1＝(1–tan(θ))*E+tan(θ)*NE
Gp2＝(1–tan(θ))*W+tan(θ)*SW
如果Gp≥Gp1 and Gp≥Gp2；则Gp保留；否则Gp被抑制；
然后根据双阈值划分边缘点为三个等级，分为强边缘、弱边缘和抑制边缘，对于弱边缘，如果与强边缘相关，则划分为强边缘，否则抑制，从而得到边缘图；对边缘图先膨胀再腐蚀，进行预处理。
在本实施方式中，步骤(8)可以具体为：寻找连通域，获得中心圆和人形轮廓，生成中心圆和人形轮廓的最小包围矩形。
在本实施方式中，步骤(9)可以具体为：根据形状和大小，提取中心圆形，分别求出中心圆形区域的中心点和人形轮廓最小包围矩形的左下角顶点，右下角顶点和上边的中点的直线方程，根据直线方程y＝ax+b均匀取采样点。以采样点为seed,用4邻域搜索相邻像素点，用不同的值填充图片，生成环数值图。
在本实施方式中，步骤(10)可以具体为：根据步骤(9)的采样点重新获取采样点坐标，判断坐标是否正确。
通过本发明提出的实时的靶纸定位及环线识别方法，可以实时获取靶面信息、在各种背景(如靶面晃动、光线变化等)下可以准确提取靶面，计算速度快，能够识别靶面环线，为准确报靶提供了前提，且设置重新检验步骤，防止计算错误，进一步提高靶面环线的准确性。
当然，本发明还可有其它多种实施方式，基于本实施方式，本领域的普通技术人员在没有做出任何创造性劳动的前提下所获得其他实施方式，都属于本发明所保护的范围。

Claims (3)

1.一种实时的靶纸定位及环线识别方法，其特征在于，包括以下步骤：
(1)将原始靶位图像转换成灰度图，并对灰度图使用ostu(最大类间差方法)二值化图像处理；
(2)对步骤(1)所得的图像进行形态滤波，去除噪声点，获得图像轮廓图；
(3)对步骤(1)所得的轮廓图搜索各个连通域，并对符合预设特征的连通区域进行保留；
(4)对符合预设特征的连通区域提取多个不变矩，计算图像相似度，选取目标区域；
(5)求取目标区域的最小包围框，并将此框截取出来作为靶纸图像；
(6)在截取后的靶纸图像上，滤波去除噪点，提取特征，根据特征保留候选区域；
(7)对步骤(6)保留的候选区域去除数字特征，计算候选区域边缘特征；
(8)基于步骤(7)获得的边缘特征划分区域，寻找连通域，获得中心圆和人形轮廓，生成中心圆和人形轮廓的最小包围矩形；
(9)基于步骤(7)的边缘特征取采样点，生成环数值图；
(10)重复步骤(9)，验证环数值图中的环线是否正确。
2.根据权利要求1所述的实时的靶纸定位及环线识别方法，其特征在于，步骤(3)中的预设特征包括颜色、方差、形状、大小。
3.根据权利要求1所述的实时的靶纸定位及环线识别方法，其特征在于，步骤(4)中的符合预设特征的连通区域提取7个不变矩。
CN201811414037.3A 2018-11-26 2018-11-26 一种实时的靶纸定位及环线识别方法 Active CN109635679B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811414037.3A CN109635679B (zh) 2018-11-26 2018-11-26 一种实时的靶纸定位及环线识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811414037.3A CN109635679B (zh) 2018-11-26 2018-11-26 一种实时的靶纸定位及环线识别方法

Publications (2)

Publication Number Publication Date
CN109635679A true CN109635679A (zh) 2019-04-16
CN109635679B CN109635679B (zh) 2023-01-24

Family

ID=66068947

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811414037.3A Active CN109635679B (zh) 2018-11-26 2018-11-26 一种实时的靶纸定位及环线识别方法

Country Status (1)

Country Link
CN (1) CN109635679B (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310579A (zh) * 2020-01-19 2020-06-19 徐庆 一种图像骨架节点特征描述符获取方法及装置
CN112016399A (zh) * 2020-08-03 2020-12-01 江阴普瑞利安信息科技有限公司 一种基于图像处理的方形胸环靶靶面识别方法
CN114858006A (zh) * 2022-04-14 2022-08-05 四川米特睿慧创科技有限责任公司 一种自动报靶系统和方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090226033A1 (en) * 2007-10-15 2009-09-10 Sefcik Jason A Method of object recognition in image data using combined edge magnitude and edge direction analysis techniques
CN101937509A (zh) * 2010-08-17 2011-01-05 西安理工大学 基于图像处理技术的自动识靶方法
CN105976366A (zh) * 2016-04-29 2016-09-28 浙江大华技术股份有限公司 一种靶环线定位的方法及装置
CN106408527A (zh) * 2016-08-25 2017-02-15 安徽水滴科技有限责任公司 一种基于视频分析的自动报靶方法
CN106802113A (zh) * 2016-12-23 2017-06-06 西安交通大学 基于多弹孔模式识别算法的智能报靶系统和方法
CN106845506A (zh) * 2016-12-22 2017-06-13 中国人民武装警察部队工程大学 一种靶面像素位置编码方法
CN108168375A (zh) * 2017-12-18 2018-06-15 浙江华睿科技有限公司 一种报靶方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20090226033A1 (en) * 2007-10-15 2009-09-10 Sefcik Jason A Method of object recognition in image data using combined edge magnitude and edge direction analysis techniques
CN101937509A (zh) * 2010-08-17 2011-01-05 西安理工大学 基于图像处理技术的自动识靶方法
CN105976366A (zh) * 2016-04-29 2016-09-28 浙江大华技术股份有限公司 一种靶环线定位的方法及装置
CN106408527A (zh) * 2016-08-25 2017-02-15 安徽水滴科技有限责任公司 一种基于视频分析的自动报靶方法
CN106845506A (zh) * 2016-12-22 2017-06-13 中国人民武装警察部队工程大学 一种靶面像素位置编码方法
CN106802113A (zh) * 2016-12-23 2017-06-06 西安交通大学 基于多弹孔模式识别算法的智能报靶系统和方法
CN108168375A (zh) * 2017-12-18 2018-06-15 浙江华睿科技有限公司 一种报靶方法及装置

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111310579A (zh) * 2020-01-19 2020-06-19 徐庆 一种图像骨架节点特征描述符获取方法及装置
CN111310579B (zh) * 2020-01-19 2023-06-23 徐庆 一种图像骨架节点特征描述符获取方法及装置
CN112016399A (zh) * 2020-08-03 2020-12-01 江阴普瑞利安信息科技有限公司 一种基于图像处理的方形胸环靶靶面识别方法
CN114858006A (zh) * 2022-04-14 2022-08-05 四川米特睿慧创科技有限责任公司 一种自动报靶系统和方法
CN114858006B (zh) * 2022-04-14 2023-11-17 四川米特睿慧创科技有限责任公司 一种自动报靶系统和方法

Also Published As

Publication number Publication date
CN109635679B (zh) 2023-01-24

Similar Documents

Publication Publication Date Title
CN107463918B (zh) 基于激光点云与影像数据融合的车道线提取方法
CN110097093B (zh) 一种异源图像精确匹配方法
WO2021138995A1 (zh) 一种棋盘格角点全自动检测方法
CN107516077B (zh) 基于激光点云和影像数据融合的交通标牌信息提取方法
CN104850850B (zh) 一种结合形状和颜色的双目立体视觉图像特征提取方法
JP4868530B2 (ja) 画像認識装置
CN108447022B (zh) 基于单个固定摄像头图像序列的运动目标拼接方法
CN109409208A (zh) 一种基于视频的车辆特征提取与匹配方法
CN104778701A (zh) 一种基于rgb-d传感器的局部图像描述方法
CN107818303B (zh) 无人机油气管线影像自动对比分析方法、系统及软件存储器
CN105279772B (zh) 一种红外序列图像的可跟踪性判别方法
CN110889829A (zh) 一种基于鱼眼镜头的单目测距方法
CN106446894A (zh) 一种基于轮廓识别球型目标物位置的方法
CN109635679A (zh) 一种实时的靶纸定位及环线识别方法
CN110991398A (zh) 一种基于改进步态能量图的步态识别方法及系统
CN104123554A (zh) 基于mmtd的sift图像特征提取方法
CN109409356A (zh) 一种基于swt的多方向中文印刷体文字检测方法
CN111680682B (zh) 一种复杂场景下安全帽识别方法
CN110021029A (zh) 一种适用于rgbd-slam的实时动态配准方法及存储介质
CN115908774B (zh) 一种基于机器视觉的变形物资的品质检测方法和装置
CN112197705A (zh) 一种基于视觉和激光测距的果实定位方法
CN106845506B (zh) 一种靶面像素位置编码方法
CN108805139A (zh) 一种基于频域视觉显著性分析的图像相似性计算方法
CN113409334B (zh) 一种基于质心的结构光角点检测方法
CN103533332A (zh) 一种2d视频转3d视频的图像处理方法

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