CN114580532B - 基于光学目标一维曲线波峰特征提取的多目标识别方法 - Google Patents

Abstract

本发明公开了一种基于光学目标一维曲线波峰特征提取的多目标识别方法，满足了大型激光装置准直流程中光学目标识别处理对于精度和效率的要求，该方法的主要实现步骤如下：步骤1：对采集的原始图像进行二值化；步骤2：数字形态学的膨胀运算处理；步骤3：目标分离；步骤4：目标识别；目标识别中通过分析两个目标在图像X方向或者Y方向上的一维曲线特征指标来实现；首先，计算波峰个数，如果波峰个数为1，则对应光斑为模拟光目标；如果波峰个数大于1，说明水平曲线包含多个波峰，在左边上升沿和右面下降沿之间是存在波谷，则该曲线对应的光斑为远场目标。

Description

基于光学目标一维曲线波峰特征提取的多目标识别方法

技术领域

本发明涉及一种多光学目标快速识别方法

技术背景

大型激光装置光路对接准直是三大准直流程(光路自准直、模拟光准直和光路对接准直)之一。三个准直流程都采用相同的单元准直模型实现光路目标的自动瞄准，单元准直模型详见参考文献[综合诊断快速自动准直系统设计与实现[J].光子学报,2014，43(5)：0512005-1～0512005-6.]。

由于大型激光装置共包含8路光束，在光路对接准直过程中，虽然每束光路采集的图像不同，但每束光路具备相同的特征，只需要一种图像处理算法就能实现不同光路光学目标的识别。但是，对于三个不同的准直流程来说，每个准直流程所采集的图像特征是完全不同的。其不同图像特征主要表现在：光学目标个数、光学目标纹理、置入特殊标识目标，如十字叉、边框、小球等。这就需要针对不同特征的图像设计不同的目标识别算法，才能分别完成大型激光装置三个不同准直流程的光路自动准直工作。

相比其他两个准直流程，光路对接准直所处理的准直图像具备不同的特点，光学目标主要特点总结如下：

1)准直图像包含2个光学目标，分别是模拟光目标和远场目标；

2)模拟光目标光束质量较好，为实心的圆形光斑，光学目标较小，光斑直径大约40个像素；

3)远场目标光束质量较差，光斑形状及其不规则，主要表现在：光束存在不确定的纹理、边缘曲折、非连续、合计面积较大；

4)远场目标光强分布很不稳定，光斑形状、强弱、位置随着时间而变化；

5)模拟光和远场各自目标的大小、相对位置、强弱不确定，而且会随着光路准直的过程而变化。

产生以上两种光学目标是由于各自的光路设计不同而引起的。模拟光是由激光器直接产生，光路传输较短，经过的光学元件少，光学元件对于模拟光的影响较少，模拟光目标光束质量较好，光斑特征表现为圆形、小尺寸的光学目标。对远场目标来说，光束经过预放、主放、三倍频等光学组件的传输，光路传输距离较长，各个光学组件对于光束质量的影响较大，使得远场目标的光束质量较差，光斑特征表现为分布不均匀、存在不规则纹理、边缘曲折、非连续分布、合计面积较大的光学目标。

然而，光路对接准直流程中需要根据两个光学目标的相对位置移动对应二维调整架电机的XY方向的步数。在光束收敛的过程中，远场目标位置相对变化较小，主要调整模拟光目标的相对位置。

因此，对于模拟光准直图像处理算法来说，不仅需要确定两个目标的相对位置，而且需要确定哪个目标是远场目标，哪个目标是模拟光目标，也就是说模拟光准直图像处理算法需要实现对两个不同的光学目标的识别。同时，在光路准直过程中，为了提高光路对接准直的效率，减少光路准直的时间，光学目标识别算法需要同时满足精确性和效率的要求。具体地讲，光学目标识别性能为：1)能够同时识别模拟光目标和远场目标；2)光学目标中心精度小于3个像素；3)每个光路光学目标识别时间小于10秒。

针对以上需求，必须提出一种新方法，通过分析和提取两个光学的分布特征来实现两个光学目标的识别。虽然模拟光目标和远场目标两幅图的特征明显，但是要区分两个不同光学目标，必须使用量化的指标来衡量两幅图像的各自特征。

因此，目前急需一种方法来量化模拟光目标和远场目标两幅图像的区别，从而实现两个目标的精准识别。

发明内容

为了满足大型激光装置准直流程中光学目标识别处理对于精度和效率的要求，本发明提出一种基于光学目标一维曲线波峰特征提取的多目标识别方法。

本发明的基本设计思路是：

通过分析两个目标在图像X方向或者Y方向上的一维曲线特征指标来实现，具体的特征指标为波峰个数、纵向波峰系数和横向波峰系数。其识别依据为：首先，计算波峰个数，如果波峰个数为1，则对应光斑为模拟光目标；如果波峰个数大于1，说明水平曲线包含多个波峰，在左边上升沿和右面下降沿之间是存在波谷，则该曲线对应的光斑为远场目标。

本发明的具体技术方案如下：

一种基于光学目标一维曲线波峰特征提取的多目标识别法，包括以下实现步骤：

步骤1：对采集的原始图像进行二值化

步骤2：数字形态学的膨胀运算处理

使用数字形态学的膨胀运算，将远场目标可能出现的多个连通域合并为一个连通域，使得模拟光目标和远场目标分别对应一个独立的连通域，分别统计模拟光目标连通域以及远场目标连通域的BLOB信息，BLOB信息包括光学目标的区间、面积、中心位置、连通域在图像XY方向尺寸；

步骤3：目标分离

对模拟光目标连通域以及远场目标连通域各自对应的原始图像进行裁剪，归一化裁剪图像尺寸；

步骤4：目标识别

步骤4.1：分别提取两幅剪裁图像中中心位置的一维水平曲线，作为模拟光目标一维水平曲线和远场目标的一维水平曲线；

一维水平曲线的纵坐标代表灰度值，横坐标为代表位置；

步骤4.2：搜索模拟光目标一维水平曲线和远场目标水平方向一维曲线的峰值；

步骤4.3：分别对两个一维曲线进行搜索，搜索方式为从最大波峰对应位置开始向两边搜索，得到对应于最大波峰不同比例高度位置处的灰度值，并划分有效波峰区间，统计有效波峰区间信息；

所述有效波峰区间为[Left30％，Right30％]

Left30％代表最大波峰30％高度的最左侧位置；Right30％代表最大波峰30％高度的最右侧位置

所述有效波峰区间信息包括波峰个数、波峰灰度值、波峰位置、有效区间最左侧位置及该位置对应的灰度值，以及有效区间最右侧位置及该位置对应的灰度值；

步骤4.4：判别模拟光目标和远场目标

根据步骤4.3获取的有效波峰区间的波峰数量判断，如果波峰个数为1，则为该曲线模拟光目标；如果波峰个数大于1，说明水平曲线包含多个波峰，在左边上升沿和右面下降之沿间是存在波谷，则该曲线为远场目标；

步骤4.5：计算纵向波峰系数，从而确定有效波峰区间内各个波峰之间的波动程度；

纵向波峰系数Pf_y的具体公式表示为：

式中，Peak_precent_30表示大于最大波峰30％高度对应的灰度值，n表示所有灰度值大于Peak_precent_30的位置个数；

波峰系数越大，说明波动程度越小，对应光斑分布越均匀；波峰系数越小，说明波动程度越大，对应光斑分布越规则，条纹和纹理越明显。

进一步地，上述方法还包括步骤4.6：搜索和标识波峰所在区间；

步骤4.6.1：搜索和标识第一波峰区间及相关信息

从第一波峰所在位置开始，先向左边搜索，直至搜索到的灰度值小于最大波峰灰度值的30％，将该位置记为第一波峰左边界First_peak_lianxu_left；再向右边搜索，直至搜索到的灰度值小于最大波峰灰度值的30％，将该位置记为第一波峰右边界First_peak_lianxu_right，从而得到第一波峰区间为[First_peak_lianxu_left，First_peak_lianxu_righ]，并输出第一波峰区间的相关信息；

所述输出第一波峰区间的相关信息包括：第一波峰最大灰度值、位置以及区间长度；

步骤4.6.2：将第一波峰有效区间[First_peak_lianxu_left,First_peak_lianxu_right]所在的曲线灰度值设置为0，并将删除了第一波峰区间后的一维水平曲线记为a2_x；

步骤4.6.3：搜索和标识第二波峰所在区间及相关信息

在曲线a2_x中，按照步骤4.6.1的方式搜寻第二波峰区间；从而得到第二波峰区间为:

[Second_peak_succ_left,Second_peak_succ_right]；

若存在第二波峰，则输出第二波峰区间的相关信息；所述输出第二波峰区间的相关信息包括：第二波峰最大灰度值、位置以及区间长度。

进一步地，上述方法还包括计算横向波峰系数，从而进一步确定有效波峰区间内各个波峰之间的波动程度；

横向波峰系数Pf_x的具体公式表示为：

式中，N为裁剪图像宽度，count(i)为满足While语句所包含条件的灰度值个数，

和/>

分别从两边搜索的最大波峰30％灰度值所对应的左边位置和右边位置；

和/>

分别为连续的每一点灰度值大于最大波峰30％灰度值的且第一波峰所对应的左边位置和右边位置；Fulsewidth表示满足/>

的X方向像素点个数。

进一步地，上述步骤4.3中不同比例高度分别为10％、20％、30％、50％、80％、90％。

本发明的有益效果在于：

本发明通过提取图像中模拟光目标和远场目标的一维曲线，并通过一维曲线中的波峰个数可直接对两个目标进行识别，同时通过对有效波峰区间和区间信息的提取，能够准确的获得波峰信息，并本发明还通过对纵向和横向波峰系数进行了计算，进一步明确了有效波峰区间内各个波峰之间的波动程度，从而达到了光学目标识别可量化表征的目的。

附图说明

图1为本发明方法实施例的流程示意图。

图2为模拟光准直原始图像。

图3为图2进行二值化处理后的图像。

图4a为图3进行一次膨胀运算后的图像。

图4b为图4a中远场目标的放大图像。

图4c为图3进行五次膨胀运算后的图像。

图4d为图4c中远场目标的放大图像。

图5a为模拟光目标裁剪图像；

图5b为远场目标裁剪图像；

图6a为模拟光目标水平方向一维曲线(Y＝100)；

图6b远场目标水平方向一维曲线(Y＝100)

图7a为模拟光目标水平方向一维曲线波峰搜索结果图；

图7b为远场目标水平方向一维曲线波峰搜索结果图；

图8a为模拟光目标水平方向一维曲线有效波峰信息标识图；

图8b为远场目标水平方向一维曲线有效波峰信息标识图；

图9a为模拟光目标水平方向一维曲线中第一波峰检测结果图；

图9b为远场目标水平方向一维曲线中第一波峰检测结果图；

图10a为模拟光目标水平方向一维曲线中第二波峰检测结果图；

图10b为远场目标水平方向一维曲线中第二波峰检测结果图；

图11a为模拟光目标水平方向一维曲线中极小值位置检测结果图；

图11b为远场目标水平方向一维曲线中极小值位置检测结果图；

图12a为模拟光目标水平方向一维曲线中有效极小值位置检测结果图；

图12b为远场目标水平方向一维曲线中有效极小值位置检测结果图；

图13为模拟光目标和远场目标纵向波峰系数比较图；

图14为远场目标(Y＝100)水平方向一维曲线的横向波峰系数计算结果图；

图15为模拟光目标和远场目标横向波峰系数比较图；

图16为五张远场裁剪图像以及每张剪裁图像的识别结果图。

具体实施方式

本发明提出了一种基于光学目标一维曲线波峰特征提取的多目标识别方法，该方法的主要步骤如图1所示：1、二值化；2、数字形态学处理；3、目标分离；4、目标识别。

下面结合一个具体实施例，来对本发明的上述步骤做出详细的介绍：

1、二值化

读取以往实验中采集的模拟光准直原始图像，如图2所示。将原始图像进行二值化处理，结果如图3所示。由于模拟光束质量较好，模拟光目标只有一个连通域；相反，由于远场光束质量较差、分布极为不均匀，二值化图像包含4个连通域。

2、数字形态学的膨胀运算处理

为了能够将包含4个连通域的远场目标作为同一个光学目标进行识别，需要对二值化图像使用数字形态学的膨胀运算进行处理，使得包含4个连通域的远场目标合并为一个完整的光学目标。

因为一次膨胀运算无法将4个连通域完全合并为一个连通域，整幅图像处理结果如图4a所示，远场目标1次膨胀运算结果图4b所示。经过5次膨胀运算后，远场目标完全被合并成一个完整的连通区域，整幅图像处理结果如图4c所示，远场目标5次膨胀运算处理如图4d所示。

由于模拟光目标和远场目标分别对应一个独立的连通域，分别统计模拟光目标连通域以及远场目标连通域的BLOB信息，BLOB信息包括光学目标的区间、面积、中心位置、连通域XY方向尺寸等；

3、目标分离

为了方便分析模拟光目标和远场目标的原始特征，需要将模拟光目标和远场目标从原始图像中裁剪出来。裁剪图像尺寸为5次膨胀运算X方向和Y方向尺寸的3倍，以本次实验为例。远场目标5次膨胀后X方向尺寸为59.1，Y方向尺寸为65.9，max(65.9,59.1)*3＝197.70，为处理方便起见，图像裁剪尺寸选择为200*200。模拟光目标和远场目标的裁剪图像分别如图5a和图5b所示。

4、目标识别

通过以上二值化、数字形态学处理和图像裁剪过程，虽然获得了光学目标的区间、面积、中心位置、连通域在图像XY方向尺寸等信息。但是，仅依据以上信息无法区分哪个目标是模拟光目标，哪个目标是远场目标。这就需要通过进一步分析两个光学的分布特征来实现两个目标的分类。观察图5a和图5b两幅图像，虽然两幅图的特征明显，但只有使用量化的指标来衡量两幅图像的特征，才能将两个不同光学目标精准的区别开来。

本发明则通过分析两个目标在图像X方向或者Y方向一维曲线的峰值特征来实现的，具体的峰值特征包括：1)判断曲线是否为一个完整的波峰，即曲线波峰的个数等于1，或者大于1；2)如果波峰个数大于1，计算波峰个数，并获得最大波峰和第二波峰的位置，以及两个波峰对应的具体区域；3)判断左边上升沿和右面下降沿之间是否存在波谷，如果存在波谷，计算波谷个数，标识波谷位置和极小值；4)计算波峰脉宽、半高宽；5)计算纵向波峰系数和横向波峰系数。

综上所述，就是需要判断曲线除第一波峰外，是否存在第二、第三波峰等。如果该曲线只有一个波峰，则该曲线对应的光斑为模拟光目标；相反，如果该曲线包含多个波峰，且在左边上升沿和右面下降沿之间是存在波谷，则该曲线对应的光斑为远场目标。

具体执行过程如下：

4.1、从裁剪图像图5a和图5b可以看出，每个光学目标水平一维曲线包含了200条，由于位于中心位置(Y＝100)一维曲线信号最强，包含的波峰特征信息最为突出，因此本实施例的模拟光目标和远场目标水平方向一维曲线(Y＝100)分别如图6a和图6b所示，分别记为a1_x和b1_x。

4.2、搜索模拟光目标和远场目标水平方向一维曲线(Y＝100)的峰值是为统计有效波峰区间内波峰和波谷的数量，以及进一步标识第一波峰、第二波峰的区间信息和峰值信息做准备。

如图7a和图7b分别标识了模拟光目标(Y＝100)和远场目标(Y＝100)的所有波峰位置。其中，模拟光目标波峰个数为36，远场目标波峰个数为34。

4.3、分别对两个一维曲线进行搜索，搜索方式为从最大波峰对应位置开始向两边搜索，得到对应于最大波峰不同比例高度(本实施例中比例依次为10％、20％、30％、50％、80％、90％)位置处的灰度值，并划分有效波峰区间，统计有效波峰区间信息；本实施例中有效波峰区间为[Left30％Right30％]；

具体搜索过程为：向左依次搜索(Left10％、Left20％、Left30％、Left50％、Left80％、Left90％)，向右依次搜索(Right10％、Right20％、Right30％、Right50％、Right80％、Right90％)。两条曲线最大灰度值都是255。两条曲线最大波峰不同比例高度各个位置搜索结果如表1所示。

表1两条曲线最大波峰不同比例高度各个位置

有效波峰区间信息包括波峰个数、波峰灰度值、波峰位置、有效区间最左侧位置及该位置对应的灰度值，以及有效区间最右侧位置及该位置对应的灰度值；

具体来说，本实施例中模拟光目标(Y＝100)水平曲线在有效波峰区间[Left30％Right30％]之间共检测到1个波峰，如图8a中Peak1所示，位置为82，灰度值为255。其中Left30％和Right30％位置分别为71和125，灰度均为76.5。

远场模拟光目标(Y＝100)水平曲线在有效波峰区间[Left30％Right30％]共检测到2个波峰，如图8b中Peak1和Peak2所示，Peak1位置为96，灰度值为255,Peak2位置为104，灰度值为94。其中Left30％和Right30％的位置分别为72和107，灰度均为76.5。

4.4、搜索和标识波峰所在区间以及判别模拟光目标和远场目标；

4.4.1：从第一波峰所在位置开始，先向左边搜索，直至曲线灰度值小于最大波峰30％(peak_precent_30)，该位置为第一波峰左边界First_peak_lianxu_left；再向右边搜索，直至曲线灰度值小于最大波峰30％(peak_precent_30)，该位置为第一波峰右边界First_peak_lianxu_right。模拟光目标(Y＝100)第一波峰搜索结果如图9a中left30至Right30上半部分曲线所示。远场目标(Y＝100)第一波峰搜索结果如图9b中A2段曲线所示。

4.4.2：为了排除第一波峰对搜索第二波峰区间的影响，将第一波峰有效区间[First_peak_lianxu_left，First_peak_lianxu_right]所在的曲线灰度值设置为0；并将删除了第一波峰区间后的一维水平曲线记为a2_x；

本实施例中，对模拟光目标(Y＝100)水平一维曲线来说，第一波峰的检测结果输出信息为：第一波峰Max:255.00Pos:82len:52[72-124]；对远场目标(Y＝100)水平曲线来说，第一波峰的检测结果输出信息为：第一波峰Max:255.00Pos:96len:13[93-106]；

Max为最大灰度值；Pos为最大灰度值对应的位置；len为波峰长度；

4.4.3：在曲线a2_x中，搜寻最大波峰(第二波峰)与搜索第一波峰步骤类似，请参考步骤4.4.1。从第二波峰所在位置开始，先向左边搜索，直至曲线灰度值小于最大波峰30％(peak_precent_30)，X方向所在位置为第二波峰左边界Second_peak_succ_left；再向右边搜索，直至曲线灰度值小于最大波峰30％(peak_precent_30)，X方向所在位置为第二波峰右边界Second_peak_succ_right。

远场目标(Y＝100)第二波峰搜索结果如图10b中B段曲线所示，模拟光目标(Y＝100)第二波峰搜索结果如图10a所示。从图10a可以看出，未搜索到满足条件的第二波峰，说明模拟光目标(Y＝100)第二波峰不存在。

4.4.4、如果第二波峰区间中波峰个数Second_peak_count等于0，说明不存在第二波峰，该曲线对应的光斑为模拟光目标，输出信息为：第二波峰不存在！！

如果第二波峰区间中波峰个数Second_peak_count大于0，说明存在第二波峰，该曲线对应的光斑为远场目标。对于存在第二波峰的情况，分别输出第一波峰和第二波峰的波峰信息，输出信息为：第一波峰Max:255.00Pos:96len:13[93-106]；第二波峰Max:110.00Pos:116len11[112-123]。远场目标和模拟光目标(Y＝100)波峰信息统计如表2所示。

表2模拟光目标和远场目标(Y＝100)波峰信息统计

4.5计算波峰系数

波峰系数包括纵向波峰系数和横向波峰系数，分别定义如下：

4.5.1、纵向波峰系数

纵向波峰系数描述为大于最大波峰30％的波峰值的最小值与大于最大波峰30％的波峰值最大值之比。纵向波峰系数Pf_y用公式表示为：

式中，Peak_precent_30表示大于最大波峰30％高度对应的灰度值，n表示所有灰度值大于Peak_precent_30的位置个数；

纵向波峰系数可以用来衡量模拟光目标和远场目标水平曲线有效波峰区间内各个波峰之间的波动程度。波峰系数越大，说明波峰波动越小，对应光斑分布较均匀，波峰系数越小，说明波峰波动越大，对应光斑分布越规则，条纹和纹理越明显。

4.5.2、横向波峰系数

横向波峰系数描述为连续大于30％像素个数与所有大于30％的像素个数之比。横向波峰系数Pf_x用公式表示为：

横向波峰系数也可以用来衡量模拟光目标和远场目标水平曲线有效波峰区间内各个波峰之间的波动程度，主要是度量第一波峰脉宽与有效波峰之间的比例。式中，N为裁剪图像宽度，count(i)为满足While语句所包含条件的灰度值个数，

和/>

分别从两边搜索的最大波峰30％灰度值所对应的左边位置和右边位置；/>

和/>

分别为连续的每一点灰度值大于最大波峰30％灰度值的且第一波峰所对应的左边位置和右边位置；Fulsewidth表示满足/>

的X方向像素点个数。

根据上述公式(1)，模拟光目标(Y＝100)水平曲线的纵向波峰系数＝255/255＝1；远场目标(Y＝100)水平曲线的纵向波峰系数＝94/255＝0.3684。纵向波峰系数可以用来衡量模拟光目标和远场目标水平曲线有效波峰区间内各个波峰之间的波动程度。纵向波峰系数越大，说明波峰波动越小，对应光斑分布较均匀，纵向波峰系数越小，说明波峰波动越大，对应光斑分布越规则，条纹和纹理越明显。因此，除波峰个数以外，纵向波峰系数也是用来区分模拟光目标和远场目标的一个重要指标。

结果分析

通过以上数据处理过程，虽然以上三个指标虽然已经实现了两个目标的识别，但是该识别算法的准确性还需要进一步验证，以证明本发明算法的可靠性。

1、检测有效性波峰区间是否存在波谷

通过判断有效波峰区间[Left30％Right30％]内是否存在小于最大波峰30％(peak_precent_30)波谷。在波谷存在的情况下，标识出波谷的位置和波谷信息，说明该曲线在有效波峰区间内存在极大波动，正好与远场目标的特征相一致，从而进一步证明该曲线对应的光斑为远场目标。在波谷不存在的情况下，说明该曲线在有效波峰区间内只有唯一的波峰，从而证明该曲线对应的光斑为模拟光目标。有效区间内极小波谷检测步骤如下：

(1)从两侧重新搜索波峰最大值比例高度30％位置，位置区间记为[left_pos_precent_30_2right_pos_precent_30_2]。从两侧重新搜索波峰最大值比例高度30％位置的目的是为了扩大波谷的搜索区间。重新搜索的优点为：是为了适应处理起伏较大的波形的情形，例如b1_x，尽可能将所有小于最大波峰30％(peak_precent_30)的波谷都包含在内。

(2)将原始曲线a1_x翻转处理，使用极大值减去a1_x，用公式表示为a1_x_fz＝max(a1_x)-a1_x；

(3)重新搜索曲线a1_x_fz的极大值，每个极大值位置locs2对应原始曲线a1_x的极小值min_peak_pos，模拟光目标(Y＝100)和远场目标(Y＝100)极小值位置分别如图11a和图11b所示。

(4)统计[left_pos_precent_30_2right_pos_precent_30_2]中存在所有极小值点的信息，包括：位置、峰值、个数。模拟光目标(Y＝100)和远场目标(Y＝100)有效波峰区间极小值标识分别如图12(b)中“*”所示。其中远场目标在有效波峰区间[93 118]中包含两个极小值点，peak11位置为103，极小值为93，peak12位置为111，极小值为20。其中模拟光目标在有效波峰区间[71 125]内未检测到极小值点，这与模拟光目标只有一个波峰(如表2)的检测结果相一致。

(5)根据不同的约束条件，判断满足条件的极小值点。

(a)根据有效波峰区间约束极小值点

根据有效波峰区间[Left 30％Right 30％]约束极小值的有效性，用公式表示为left_pos_precent_30<X<right_pos_precent_30，只考虑极小值在X方向上的位置信息，不考虑极小值在Y方向上的灰度信息，所获得的远场目标(Y＝100)极小值如图12b所示。

(b)当极小值较小时，根据极小值灰度值进行约束极小值点

当考虑极小值灰度值大于最大波峰10％且小于30％的情况时，用公式表示为peak_precent_10<Y<peak_precent_30，这说明满足条件的极小值灰度值是非常小的，在曲线上是表现为一个深谷，第一波峰非常尖锐。在二维图像上的特征为：图像中为分布不均匀的条纹状，存在不规则纹理。如图12b中peak12所示。另外，极小值灰度值大于最大波峰10％，是排除了所有本底噪声信号后的有效极小值点。

(c)当极小值较大时，根据极小值灰度值进行约束极小值点

当考虑曲线灰度值大于最大波峰30％且小于最大波峰50％的极小值个数的情况时，用公式表示为peak_precent_30<Y<peak_precent_50,说明该曲线的有效波峰区间[Left 30％Right 30％]内波动较大，存在多个波谷，但是第一波谷相比第一波峰来说灰度差别不是很大，例如peak11。在二维图像上的特征为：图像中为分布不均匀的条纹状，虽然存在不规则的纹理，但中间条纹相比两边条纹亮度差别不明显。

对于(b)(c)两种情况，根据图像中都存在不均匀条纹和不规则的纹理判断，该曲线对应的光斑为远场光斑。

使用波峰系数进行目标识别结果分析

(1)纵向波峰系数目标识别

为了验证纵向波峰系数对于实现目标识别的有效性，计算两个图像中100条一维水平曲线的纵向波峰系数，如图13所示，其中垂直方向取值范围为50≤Y<100。S1曲线为模拟光目标(50≤Y<150)的纵向波峰系数，S2曲线为远场目标(50≤Y<150)的纵向波峰系数。从图中可以看出，在信号最强的中心位置(45≤Y≤55)，模拟光目标的纵向波峰系数为1，远大于远场目标的纵向波峰系数。这是因为中心位置附近，模拟光目标没有波谷，有效波峰的极小值和极大值相等；而远场目标在中心位置附近的波峰和波谷灰度差异更大，纵向波峰系数更小。

分别选择中间20、50、100条曲线的纵向波峰系数平均值，模拟光目标和远场目标的平均值分别为1和0.6946、0.8542和0.6936、0.6346和0.6307，模拟光目标(50≤Y<150)的纵向波峰系数平均值大于远场目标(50≤Y<150)的纵向波峰系数平均值。由此说明，纵向波峰系数可以作为模拟光目标和远场目标实现目标分类和识别的依据。

(2)横向波峰系数目标识别

对于模拟光目标(Y＝100)水平曲线来说，由于有效波峰之间没有波谷，横向波峰系数为1，如图10a所示。对于远场目标(Y＝100)水平曲线来说，由于有效波峰之间存在多个波峰和波谷，横向波峰系数为0.75，小于1，横向系数越小，说明第一波峰越尖锐。另外，需要说明的是，计算横向波峰系数时，最大波峰30％左位置

和右位置/>

需要从两边进行搜素，这样就可以将除过第一波峰以外的其他一维曲线(Y＝100)灰度值大于最大波峰30％的所有点包含在内。远场目标(Y＝100)一维曲线的横向波峰系数Pf_x＝(107-92)/(113-93)＝0.75计算结果如图14所示。/>

同样，为了验证横向波峰系数对于实现目标识别的有效性，计算两个图像中100条一维水平曲线的横向波峰系数，垂直方向取值范围为50≤Y<100。如图15所示，S1曲线为模拟光目标(50≤Y<150)的横向波峰系数，S2曲线为远场目标(50≤Y<150)的横向波峰系数。从图15中可以看出，Y方向所有区域内(50≤Y<150)模拟光横向波峰系数都大于远场目标的横向波峰系数，其中在信号最强的中心位置(25≤Y≤75)，模拟光目标的纵向波峰系数为1，远大于远场目标的纵向波峰系数。其原因和纵向波峰系数相同：在光斑中心位置附近，模拟光目标没有波谷，有效波峰的极小值和极大值相等，而远场目标中心区域的波峰和波谷灰度差异更大，纵向波峰系数更小。

为了增强纵向波峰系数用来实现目标识别的鲁棒性和适应性，选择100条水平曲线(50≤Y<150)的纵向波峰系数平均值进行度量。其中模拟光目标100条水平曲线(50≤Y<150)的纵向波峰系数平均值为0.9671，远场目标100条曲线(50≤Y<150)的纵向波峰系数平均值为0.6712，模拟光目标(50≤Y<150)的横向波峰系数平均值大于远场目标(50≤Y<150)的横向波峰系数平均值。由此说明，横向波峰系数也可以作为模拟光目标和远场目标实现目标分类的依据。

目标检测方法重复精度检测结果分析

为了验证目标识别方法的重复精度，选择另外4幅包含模拟光目标和远场目标的不同图像进行目标识别。从识别结果的准确率上判断本发明所提出的方法的有效性和可靠性。本次实验中的模拟光光束非常稳定，光斑分布特征基本保持不变，因此，只对远场目标的重复精度进行验证。本次实验选择的4幅图像中，远场目标的裁剪图像分布如图16中(a)、(c)、(e)、(g)所示。

四幅远场目标裁剪图像的中心位置水平曲线(Y＝100/200)分别如图16中(b)、(d)、(f)、(h)所示。每条曲线中标识了所有极大值、第一波峰、第二波峰、Left30％位置、Right30％位置等。对于远场目标识别算法的重复精度验证结果如表3所示，分别从波峰个数、纵向波峰系数、横向波峰系数三个角度定量分析本发明目标识别算法检测结果。

表3远场目标识别结果重复精度验证

从表3可以看出，模拟光目标(Y＝100)波峰个数为1，其他5幅远场目标的波峰个数全部大于1；模拟光目标(Y＝100)纵向波峰系数为1，5幅远场目标的纵向波峰系数都小于1；

模拟光目标100条水平曲线(50≤Y<150)的纵向波峰系数平均值为0.6346，5幅远场目标100条水平曲线(50≤Y<150)的纵向波峰系数平均值都小于为0.6346。

另外，模拟光目标(Y＝100)横向波峰系数为1，5幅远场目标的横向波峰系数都小于1；模拟光目标100条水平曲线(50≤Y<150)的横向波峰系数平均值为0.9671，5幅远场目标100条水平曲线(50≤Y<150)的横向波峰系数平均值都小于为0.9671。5幅远场图像中的两个指标(纵向波峰系数和横向波峰系数)都小于模拟光目标对应的两个指标。

通过以上分析说明，本发明方法不仅能够实现模拟光准直流程中的模拟光目标和远场目标的识别，而且能够计算模拟光目标和远场目标的中心，误差精度小于3个像素，处理时间小于10秒钟，满足了大型激光装置准直流程中光学目标识别处理对于精度和效率的要求。

Claims (4)

1.一种基于光学目标一维曲线波峰特征提取的多目标识别法，其特征在于，包括以下实现步骤：

步骤1：对采集的原始图像进行二值化

步骤2：数字形态学的膨胀运算处理

使用数字形态学的膨胀运算，将远场目标可能出现的多个连通域合并为一个连通域，使得模拟光目标和远场目标分别对应一个独立的连通域，分别统计模拟光目标连通域以及远场目标连通域的BLOB信息，BLOB信息包括光学目标的区间、面积、中心位置、连通域在图像XY方向尺寸；

步骤3：目标分离

对模拟光目标连通域以及远场目标连通域各自对应的原始图像进行裁剪，归一化裁剪图像尺寸；

步骤4：目标识别

步骤4.1：分别提取两幅剪裁图像中中心位置的一维水平曲线，作为模拟光目标一维水平曲线和远场目标的一维水平曲线；

一维水平曲线的纵坐标代表灰度值，横坐标为代表位置；

步骤4.2：搜索模拟光目标一维水平曲线和远场目标一维水平曲线的峰值；

步骤4.3：分别对两个一维水平曲线进行搜索，搜索方式为从最大波峰对应位置开始向两边搜索，得到对应于最大波峰不同比例高度位置处的灰度值，并划分有效波峰区间，统计有效波峰区间信息；

所述有效波峰区间为[Left30％，Right30％]，

Left30％代表最大波峰30％高度的最左侧位置；Right30％代表最大波峰30％高度的最右侧位置；

所述有效波峰区间信息包括波峰个数、波峰灰度值、波峰位置、有效区间最左侧位置及该位置对应的灰度值，以及有效区间最右侧位置及该位置对应的灰度值；

步骤4.4：判别模拟光目标和远场目标

根据步骤4.3获取的有效波峰区间的波峰数量判断，如果波峰个数为1，则为该曲线模拟光目标；如果波峰个数大于1，说明水平曲线包含多个波峰，在左边上升沿和右面下降之沿间是存在波谷，则该曲线为远场目标；

步骤4.5：计算纵向波峰系数，从而确定有效波峰区间内各个波峰之间的波动程度；

纵向波峰系数Pf_y的具体公式表示为：

式中，Peak_precent_30表示大于最大波峰30％高度对应的灰度值，n表示所有灰度值大于Peak_precent_30的位置个数；

波峰系数越大，说明波动程度越小，对应光斑分布越均匀；波峰系数越小，说明波动程度越大，对应光斑分布越规则，条纹和纹理越明显。

2.根据权利要求1所述的一种基于光学目标一维曲线波峰特征提取的多目标识别法，其特征在于：还包括步骤4.6：搜索和标识波峰所在区间；

步骤4.6.1：搜索和标识第一波峰区间及相关信息

从第一波峰所在位置开始，先向左边搜索，直至搜索到的灰度值小于最大波峰灰度值的30％，将该位置记为第一波峰左边界First_peak_lianxu_left；再向右边搜索，直至搜索到的灰度值小于最大波峰灰度值的30％，将该位置记为第一波峰右边界First_peak_lianxu_right，从而得到第一波峰区间为[First_peak_lianxu_left，First_peak_lianxu_righ]，并输出第一波峰区间的相关信息；

所述输出第一波峰区间的相关信息包括：第一波峰最大灰度值、位置以及区间长度；

步骤4.6.2：将第一波峰有效区间[First_peak_lianxu_left,First_peak_lianxu_right]所在的曲线灰度值设置为0，并将删除了第一波峰区间后的一维水平曲线记为a2_x；

步骤4.6.3：搜索和标识第二波峰所在区间及相关信息

在曲线a2_x中，按照步骤4.6.1的方式搜寻第二波峰区间；从而得到第二波峰区间为:

[Second_peak_succ_left,Second_peak_succ_right]；

若存在第二波峰，则输出第二波峰区间的相关信息；所述输出第二波峰区间的相关信息包括：第二波峰最大灰度值、位置以及区间长度。

3.根据权利要求2所述的一种基于光学目标一维曲线波峰特征提取的多目标识别法，其特征在于：还包括计算横向波峰系数，从而进一步确定有效波峰区间内各个波峰之间的波动程度；

横向波峰系数Pf_x的具体公式表示为：

式中，N为裁剪图像宽度，count(i)为满足While语句所包含条件的灰度值个数，

和/>

分别从两边搜索的最大波峰30％灰度值所对应的左边位置和右边位置；/>

和

分别为连续的每一点灰度值大于最大波峰30％灰度值的且第一波峰所对应的左边位置和右边位置；Fulsewidth表示满足/>

的X方向像素点个数。

4.根据权利要求2所述的一种基于光学目标一维曲线波峰特征提取的多目标识别法，其特征在于：所述步骤4.3中不同比例高度分别为10％、20％、30％、50％、80％、90％。

Images