CN112883986A - 一种复杂背景下的静态红外靶灯识别方法 - Google Patents

Abstract

本发明公开了一种基于复杂背景的红外靶灯识别方法，包括控制靶灯亮灭状态采集灭‑亮‑亮‑灭连续变化的4种状态下对应的图像；计算光斑灰度变化显著性，得到灰度变化显著性置信图；根据显著性置信图提取光斑区域；滤除面积、圆度和灰度不符合要求的光斑区域；计算光斑的区域置信度；选取区域置信度相似的光斑作为靶灯光斑。本发明实现了在复杂红外背景条件下识别靶灯，不依赖靶灯分布等复杂先验知识，计算简单，准确率高，拓展性强。

Description

一种复杂背景下的静态红外靶灯识别方法

技术领域

本发明涉及计算机视觉、精密测量技术领域，具体为一种在复杂背景下基于靶灯光斑灰度变化准确识别红外靶灯的方法。

背景技术

靶标识别被广泛应用于机器视觉中的目标跟踪、激光精密加工、航空航天应用中的姿态测量等诸多领域。快速而精确地定位靶标在图像中形成的光斑是识别任务中的关键步骤。红外主动光源是靶标常采用的一种方式，因为红外主动光源可以避免其他波长的光的干扰，提升识别系统的准确性和稳定性。

目前针对静态光斑识别的方法主要分为两种。第一种是直接处理单张光斑图像，根据光斑的灰度、边缘、纹理等信息识别光斑。该方法实时性强，但在复杂环境下容易发生误检。特别是当背景比较复杂时，存在多种干扰目标，仅根据单个光斑的特征无法准确识别光斑真伪。第二种是基于帧差法进行光斑识别。先采集一张靶标不亮时的图像作为背景图，再采集一张靶标点亮时的图像作为前景图，两张图像做差分运算，再采用第一种方法进一步提取光斑。该方法可以较好的滤除静态干扰目标，识别准确率有一定提升。但无法完全滤除移动目标。这两种方法在实际应用中存在以下不足：

1、对光斑成像质量要求较高。无论基于灰度、边缘还是纹理来识别光斑，都要求清晰的光斑图像保证特征稳定且明显。这样在识别过程就需要实时调整相机曝光、焦距等参数，或者调节光源亮度值，造成识别效率低下。若不调整光斑图像质量，则会影响识别准确率。

2、适用场景有局限性。当靶标距离相机的移动范围较大时，光斑大小、灰度、纹理等特征变得不稳定，基于阈值区分和模板匹配的方法不再适用。此外，针对不同的应用场景，往往需要设计不同光斑特征或模板，不具有通用性。

3、抗干扰能力不强。对于和靶标光斑特征相似的干扰光斑，很难找到合适的方法将两者准确区分。

发明内容

本发明目的是提供一种可在复杂背景下具有抗干扰能力强的红外靶灯识别方法。

本发明是采用如下技术方案实现的：

一种复杂背景下的静态红外靶灯识别方法，包括如下步骤：

步骤(1)、采集连续4帧图像

4帧图像依次为：第1帧，关闭靶灯，采集一张图像I₁；第2、3帧，点亮靶灯，连续采集两张图像I₂、I₃；第4帧，关闭靶灯，采集图像I₄；

步骤(2)、根据步骤(1)采集的图像I₁、I₄，计算关灯状态下光斑灰度变化，具体为：

对于像素(u,v)，其灰度变化DeltaDark(u,v)表示为：

DeltaDark(u,v)＝|I₁(u,v)-I₄(u,v)|；

步骤(3)、根据步骤(1)采集的图像I₁、I₂、I₃、I₄和步骤(2)的结果，计算每个像素的灰度变化显著性，得到灰度变化显著性置信图，具体为：

对于像素(u,v)，其灰度变化显著性置信图ConfGray(u,v)表示为：ConfGray(u,v)＝I₂(u,v)+I₃(u,v)-I₁(u,v)-I₄(u,v)-DeltaDark(u,v)-|I₂(u,v)-I₃(u,v))|；

步骤(4)、对步骤(3)得到的灰度变化显著性置信图ConfGray进行预处理，具体为：

对于像素(u,v)，预处理方法为：

其中，MAX(·)为求最大值的函数；T_gray为灰度变化显著性最小变化幅度；

步骤(5)、采用图像二值化的方法，对步骤(1)采集的图像I₃进行二值化处理，得到光斑前景掩码MaskFront；

步骤(6)、根据步骤(5)得到的光斑前景掩码MaskFront，计算光斑面积掩码MaskArea，具体为：

将光斑前景掩码MaskFront中光斑面积大于阈值的视为伪光斑，置为0；其余光斑前景区域置为1；具体表示为：

其中，region_k、area_k分别表示前景掩码MaskFront中第k个连通域及其面积；T_area为光斑最大面积；

步骤(7)、根据步骤(1)采集的图像I₂、I₃，计算光斑光亮掩码MaskBright，具体计算方法为：

其中，T_bright为光斑最低灰度值；

步骤(8)、根据步骤(6)和步骤(7)得到的光斑掩码MaskArea、MaskBright和步骤(4)的结果，得到光斑有效置信图，具体计算方法为：

Confidence(u,v)＝ConfNorm(u,v)*MaskArea(u,v)*MaskBright(u,v)；

步骤(9)、提取步骤(8)得到的光斑有效置信图confidence中的连通域；所有连通域构成光斑集合S₁；

步骤(10)、选取步骤(9)得到的光斑集合S₁中任一未判断过的光斑，计算光斑的圆度，具体计算方法为：

degree＝area/(πr²)

其中，area为光斑的面积；r为光斑最小外接圆的半径；π为圆周率；

步骤(11)、根据步骤(10)的结果，判断光斑圆度是否满足条件，具体为：

对于像素(u,v)，满足条件指光斑圆度degree(u,v)大于等于圆度阈值；

步骤(12)、基于灰度分布定位光斑中心的方法，提取步骤(10)中选取的光斑中心的整像素坐标(u_b,v_b)；

步骤(13)、根据步骤(1)采集的图像I₁、I₄和步骤(12)得到的光斑中心，判断中心像素灰度是否满足条件，具体为：

对于像素(u,v)，满足条件指I₁(u,v)＜T_dark且I₄(u,v)＜T_dark且DeltaDark(u,v)＜T_{delta_dark}，其中，T_dark为靶灯关闭时靶灯区域灰度最大值；T_{delta_dark}为靶灯关闭时靶灯区域灰度最大变化量；

步骤(14)、重复步骤(10)至步骤(13)，直至判断完光斑集合S₁中所有光斑；将满足步骤(10)至步骤(13)中所有条件的光斑构成光斑集合S₂:{B₁(u₁,v₁),B₂(u₂,v₂),……,B_n(u_n,v_n)}；

步骤(15)、根据步骤(14)得到的结果和步骤(12)得到的中心坐标，计算每个光斑的区域置信度，具体为：

对于光斑B_k(u_k,v_k)，所述区域置信度的计算方法为：

ConfidenceArea_k＝Confidence(u_k,v_k)-2*MAX({DeltaDark(i,j)|(i,j)∈C(u_k,v_k)})

其中，C(u_k,v_k)表示横坐标距离u_k不超过3个像素且纵坐标距离v_k不超过3个像素的所有点的集合；

步骤(16)、根据步骤(15)得到的区域置信度，选取步骤(14)得到的光斑集合S₂中区域置信度相似的光斑构成光斑集合S₃，即为最终靶点光斑；具体为：

对于光斑B_k，其区域置信度ConfidenceArea_k相似的满足条件表示为：MAX(ConfidencArea₁,ConfidencArea₁,...,ConfidencArea_n)-ConfidencArea_k≤T_confidence其中，T_confidence为不同靶灯光斑区域置信度的最大偏差。

本发明方法按照特定的规律控制靶灯亮灭，构造的灰度变化特征既包含了靶灯亮暗两种状态的灰度差异，用于区分静态发光物体；又包含了靶灯电流一定时灰度不变的信息，用于区分移动发光物体以及其他亮度不断变化的物体。同时该特征受靶灯类型、距离、角度和图像质量等因素的影响较小，是一种稳定且明显的特征。在实际应用中，根据靶灯在场景中圆度、面积、灰度等特征的变化情况，选取一个或多个作为辅助识别特征，即可快速精确的识别出靶灯光斑。该方法较其他方法可以在复杂多变环境下实现准确识别靶点；方法简单，不需要靶灯分布等复杂先验知识，不要求高质量光斑图像；拓展性强，适用于多种设备、多种场景下的靶灯识别。

本发明设计合理，具有很好的实际应用价值。

附图说明

图1表示本发明中的方法流程图。

具体实施方式

下面结合附图对本发明的具体实施例进行详细说明。

一种可在复杂背景下抗干扰能力强的红外靶灯识别方法，包括控制靶灯亮灭状态采集灭-亮-亮-灭连续变化的4种状态下对应的图像；计算光斑灰度变化显著性，得到灰度变化显著性置信图；根据显著性置信图提取光斑区域；滤除面积、圆度和灰度不符合要求的光斑区域；计算光斑的区域置信度；选取区域置信度相似的光斑作为靶灯光斑。具体包括如下步骤。

步骤(1)、采集连续4帧图像。4帧图像依次为：第1帧，关闭靶灯，采集一张图像I₁；第2、3帧，点亮靶灯，连续采集两张图像I₂、I₃；第4帧，关闭靶灯，采集图像I₄。

步骤(2)、根据步骤(1)采集的图像I₁、I₄，计算关灯状态下光斑灰度变化，具体为：

对于像素(u,v)，其灰度变化DeltaDark(u,v)表示为：

DeltaDark(u,v)＝|I₁(u,v)-I₄(u,v)|。

步骤(3)、根据步骤(1)采集的图像I₁、I₂、I₃、I₄和步骤(2)的结果，计算每个像素的灰度变化显著性，得到灰度变化显著性置信图，具体为：

对于像素(u,v)，其灰度变化显著性置信图ConfGray(u,v)表示为：ConfGray(u,v)＝I₂(u,v)+I₃(u,v)-I₁(u,v)-I₄(u,v)-DeltaDark(u,v)-|I₂(u,v)-I₃(u,v))|。

步骤(4)、对步骤(3)得到的灰度变化显著性置信图ConfGray进行预处理，具体为：

对于像素(u,v)，所述预处理方法为：

其中，MAX(·)为求最大值的函数；T_gray为灰度变化显著性最小变化幅度，通常为100。

步骤(5)、采用图像二值化的方法，对步骤(1)采集的图像I₃进行二值化处理，得到光斑前景掩码MaskFront。二值化阈值通常为80。

步骤(6)、根据步骤(5)得到的光斑前景掩码MaskFront，计算光斑面积掩码MaskArea，具体为：

将光斑前景掩码MaskFront中光斑面积大于阈值的视为伪光斑，置为0；其余光斑前景区域置为1。具体表示为：

其中，region_k、area_k分别表示前景掩码MaskFront中第k个连通域及其面积，连通域计算方法为成熟技术；T_area为光斑最大面积，通常为200。

步骤(7)、根据步骤(1)采集的图像I₂、I₃，计算光斑光亮掩码MaskBright，具体计算方法为：

其中，T_bright为光斑最低灰度值，通常为200。

步骤(8)、根据步骤(6)和步骤(7)得到的光斑掩码MaskArea、MaskBright和步骤(4)的结果，得到光斑有效置信图，具体计算方法为：

Confidence(u,v)＝ConfNorm(u,v)*MaskArea(u,v)*MaskBright(u,v)。

步骤(9)、提取步骤(8)得到的光斑有效置信图confidence中的连通域。所有连通域构成光斑集合S₁。

步骤(10)、选取步骤(9)得到的光斑集合S₁中任一未判断过的光斑，计算光斑的圆度，具体计算方法为：

degree＝area/(πr²)

其中，area为光斑的面积；r为光斑最小外接圆的半径；π为圆周率；最小外接圆的计算方法为成熟技术。

步骤(11)、根据步骤(10)的结果，判断光斑圆度是否满足条件，具体为：

对于像素(u,v)，满足条件指光斑圆度degree(u,v)大于等于圆度阈值，通常为0.3。

步骤(12)、基于灰度分布定位光斑中心的方法(根据文献<冯新星,张丽艳,叶南等.二维高斯分布光斑中心快速提取算法研究[J].光学学报,2012,32(5):0512002>记载)，提取步骤(10)中选取的光斑中心的整像素坐标(u_b,v_b)；光斑定位的窗口半径通常为5。

步骤(13)、根据步骤(1)采集的图像I₁、I₄和步骤(12)得到的光斑中心，判断中心像素灰度是否满足条件，具体为：

对于像素(u,v)，满足条件指I₁(u,v)＜T_dark且I₄(u,v)＜T_dark且DeltaDark(u,v)＜T_{delta_dark}，其中T_dark为靶灯关闭时靶灯区域灰度最大值，通常为150；T_{delta_dark}为靶灯关闭时靶灯区域灰度最大变化量，通常为15。

步骤(14)、重复步骤(10)至步骤(13)，直至判断完光斑集合S₁中所有光斑。将满足步骤(10)至步骤(13)中所有条件的光斑构成光斑集合S₂:{B₁(u₁,v₁),B₂(u₂,v₂),……,B_n(u_n,v_n)}。

步骤(15)、根据步骤(14)得到的结果和步骤(12)得到的中心坐标，计算每个光斑的区域置信度，具体为：

对于光斑B_k(u_k,v_k)，所述区域置信度的计算方法为：

ConfidenceArea_k＝Confidence(u_k,v_k)-2*MAX({DeltaDark(i,j)|(i,j)∈C(u_k,v_k)})

其中，C(u_k,v_k)表示横坐标距离u_k不超过3个像素且纵坐标距离v_k不超过3个像素的所有点的集合。

步骤(16)、根据步骤(15)得到的区域置信度，选取步骤(14)得到的光斑集合S₂中区域置信度相似的光斑构成光斑集合S₃，即为最终靶点光斑。具体为：

对于光斑B_k，其区域置信度ConfidenceArea_k相似的满足条件表示为：MAX(ConfidencArea₁,ConfidencArea₁,...,ConfidencArea_n)-ConfidencArea_k≤T_confidence

其中，T_confidence为不同靶灯光斑区域置信度的最大偏差，通常为50。

本发明方法实现了在复杂红外背景条件下识别靶灯，不依赖靶灯分布等复杂先验知识，计算简单，准确率高，拓展性强。

最后所应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照本发明实施例进行了详细说明，本领域的普通技术人员应当理解，本发明方法的保护范围不局限应用于红外靶灯识别，基于本方法的原理发明的可控光源的识别方法，无论是等同变换或改进，都不脱离本发明的技术方案的精神和范围，其均应涵盖本发明的权利要求保护范围中。

Claims (1)

1.一种复杂背景下的静态红外靶灯识别方法，其特征在于：包括如下步骤：

步骤(1)、采集连续4帧图像

4帧图像依次为：第1帧，关闭靶灯，采集一张图像I₁；第2、3帧，点亮靶灯，连续采集两张图像I₂、I₃；第4帧，关闭靶灯，采集图像I₄；

步骤(2)、根据步骤(1)采集的图像I₁、I₄，计算关灯状态下光斑灰度变化，具体为：

对于像素(u,v)，其灰度变化DeltaDark(u,v)表示为：

DeltaDark(u,v)＝|I₁(u,v)-I₄(u,v)|；

步骤(3)、根据步骤(1)采集的图像I₁、I₂、I₃、I₄和步骤(2)的结果，计算每个像素的灰度变化显著性，得到灰度变化显著性置信图，具体为：

对于像素(u,v)，其灰度变化显著性置信图ConfGray(u,v)表示为：

ConfGray(u,v)＝I₂(u,v)+I₃(u,v)-I₁(u,v)-I₄(u,v)-DeltaDark(u,v)-|I₂(u,v)-I₃(u,v))|；

步骤(4)、对步骤(3)得到的灰度变化显著性置信图ConfGray进行预处理，具体为：

对于像素(u,v)，所述预处理方法为：

其中，MAX(·)为求最大值的函数；T_gray为灰度变化显著性最小变化幅度；

步骤(5)、采用图像二值化的方法，对步骤(1)采集的图像I₃进行二值化处理，得到光斑前景掩码MaskFront；

步骤(6)、根据步骤(5)得到的光斑前景掩码MaskFront，计算光斑面积掩码MaskArea，具体为：

将光斑前景掩码MaskFront中光斑面积大于阈值的视为伪光斑，置为0；其余光斑前景区域置为1；具体表示为：

其中，region_k、area_k分别表示前景掩码MaskFront中第k个连通域及其面积；T_area为光斑最大面积；

步骤(7)、根据步骤(1)采集的图像I₂、I₃，计算光斑光亮掩码MaskBright，具体计算方法为：

其中，T_bright为光斑最低灰度值；

步骤(8)、根据步骤(6)和步骤(7)得到的光斑掩码MaskArea、MaskBright和步骤(4)的结果，得到光斑有效置信图，具体计算方法为：

Confidence(u,v)＝ConfNorm(u,v)*MaskArea(u,v)*MaskBright(u,v)；

步骤(9)、提取步骤(8)得到的光斑有效置信图confidence中的连通域；所有连通域构成光斑集合S₁；

步骤(10)、选取步骤(9)得到的光斑集合S₁中任一未判断过的光斑，计算光斑的圆度，具体计算方法为：

degree＝area/(πr²)

其中，area为光斑的面积；r为光斑最小外接圆的半径；π为圆周率；

步骤(11)、根据步骤(10)的结果，判断光斑圆度是否满足条件，具体为：

对于像素(u,v)，满足条件指光斑圆度degree(u,v)大于等于圆度阈值；

步骤(12)、基于灰度分布定位光斑中心的方法，提取步骤(10)中选取的光斑中心的整像素坐标(u_b,v_b)；

步骤(13)、根据步骤(1)采集的图像I₁、I₄和步骤(12)得到的光斑中心，判断中心像素灰度是否满足条件，具体为：

对于像素(u,v)，满足条件指I₁(u,v)＜T_dark且I₄(u,v)＜T_dark且DeltaDark(u,v)＜T_{delta_dark}，其中，T_dark为靶灯关闭时靶灯区域灰度最大值；T_{delta_dark}为靶灯关闭时靶灯区域灰度最大变化量；

步骤(14)、重复步骤(10)至步骤(13)，直至判断完光斑集合S₁中所有光斑；将满足步骤(10)至步骤(13)中所有条件的光斑构成光斑集合S₂:{B₁(u₁,v₁),B₂(u₂,v₂),……,B_n(u_n,v_n)}；

步骤(15)、根据步骤(14)得到的结果和步骤(12)得到的中心坐标，计算每个光斑的区域置信度，具体为：

对于光斑B_k(u_k,v_k)，所述区域置信度的计算方法为：

ConfidenceArea_k＝Confidence(u_k,v_k)-2*MAX({DeltaDark(i,j)|(i,j)∈C(u_k,v_k)})

其中，C(u_k,v_k)表示横坐标距离u_k不超过3个像素且纵坐标距离u_k不超过3个像素的所有点的集合；

步骤(16)、根据步骤(15)得到的区域置信度，选取步骤(14)得到的光斑集合S₂中区域置信度相似的光斑构成光斑集合S₃，即为最终靶点光斑；具体为：

对于光斑B_k，其区域置信度ConfidenceArea_k相似的满足条件表示为：MAX(ConfidencArea₁,ConfidencArea₁,...,ConfidencArea_n)-ConfidencArea_k≤T_confidence其中，T_confidence为不同靶灯光斑区域置信度的最大偏差。

Images