CN114820645A - 一种基于高分辨率图像的面目标检测方法 - Google Patents

Abstract

本发明公开一种基于高分辨率图像的面目标检测方法，探测精度高、鲁棒性强。本发明的面目标检测方法，包括如下步骤：(10)图像预处理：对包含目标的高分辨率图像进行预处理；(20)直方图多阈值分割：对经过预处理的图像，通过图像的灰度直方图多阈值分割，得到多个感兴趣的面区域；(30)霍夫变换检测：对感兴趣区域进行边缘检测，结合霍夫变换，检测得出感兴趣的直线或圆形线；(40)形状区域判断：结合前两步检测结果，与已有面目标模型特征进行匹配，判断面目标类型。

Description

一种基于高分辨率图像的面目标检测方法

技术领域

本发明属于高分辨率图像目标检测技术领域，特别是一种探测精度高、鲁棒性强的基于高分辨率图像的面目标检测方法。

背景技术

随着科学技术的发展，搭载相机的地基、空基设备获得的各种图像空间分辨率越来越高，已经普遍达到米级甚至亚米级，需要检测的目标变成面目标，细节清晰，但基于高分辨率图像的面目标检测技术还未成熟。

一般说来，自动面目标检测由候选区域确定(Hypothesis Generation,HG)和目标确认(Hypothesis Verification,HV)两部分组成，即HG阶段和HV阶段。在HG阶段，确定感兴趣目标可能存在的区域，称之为ROI，目前分离目标与背景的普遍方法是利用其二者之间的灰度差异对图像进行分割，如汪闽等通过分析灰度直方图井选择直方图的左边第一个谷点来分图像；朱长青等结合目标的形态特征，采用灰度形态学方法来分割目标基元。在HV阶段，对上一阶段产生的候选区域进行确认，即进行目标或背景的二元判决，从而检测出目标及其相应的位置。大部分文献选择利用目标本身的物理形状特征如长、宽、面积、狭长度或椭圆度等来描述目标。另外，纹理特征也是进行目标检测时常用的一类特征。形状特征的描述和匹配也可以采用对轮廓曲线提取链码的方法。例如Tie-Gen Peng和Ti-Hua Wu等通过对目标及模板的轮廓方向Freeman链码进行傅立叶变换，在频域进行链码匹配以识别手势；杨平则利用链码的差分码实现了对简单图形的匹配。

上述方法综合来看，其在本质上是利用由目标与环境差异所引起的注意力转移来进行选择性检测，是一种选择性注意机制。然而上述方法并未在这种机制下进行系统的研究，只是在不同方面各有侧重。在高分辨可见光图像中，面目标较为清晰可辨，其形状、结构纹理和细节都非常突出；若仍然仅利用传统的长、宽、狭长度/椭圆度等特征来描述面目标，则会丢掉很大部分的细节，而且由于这些特征只能对目标形状进行大致描述，因此基于这些特征量的检测结果可信度并不高。

因此，现有技术存在的问题是：基于高分辨率图像的面目标检测普遍探测精度低，检测效率低下，无法适应多种复杂场景，鲁棒性差。

发明内容

本发明的目的在于提供一种基于高分辨率图像的面目标检测方法，探测精度高、鲁棒性强。

实现本发明目的的技术解决方案为：

一种基于高分辨率图像的面目标检测方法，其特征在于，包括如下步骤：

(10)图像预处理：对包含目标的高分辨率图像进行预处理，所述预处理包括图像灰度化、图像滤波；

(20)直方图多阈值分割：对经过预处理的图像，通过图像的灰度直方图分布，结合多阈值分割，得到多个感兴趣的面区域；

(30)霍夫变换检测：对感兴趣的面区域进行边缘检测，结合霍夫变换，检测得出感兴趣的直线或圆形线；

(40)形状区域判断：结合前两步检测结果，与已有面目标模型特征进行匹配，判断面目标类型。

本发明与现有技术相比，其显著优点为：

1、探测精度高：

本发明方法基于霍夫变换，进行了改进，能够达到更好的目标检测性能。现有的面目标检测方法往往只利用传统的长、宽、狭长度/椭圆度等特征来描述目标，会丢掉很大部分的细节，而且由于这些特征只能对目标形状进行大致描述，因此基于这些特征量的检测结果可信度并不高。而本方法基于霍夫变换，利用直线和圆形线区分不同标志物，提高了目标描述性能，达到了更好的目标探测结果，使得探测精度高。

2、鲁棒性强：

本发明方法结合霍夫变换方法和传统的图像处理，不仅能够实现简单背景的单一面目标检测功能，还能实现复杂背景下的多个面目标检测功能，因此具有更好的鲁棒性，能够实现多种场景的高分辨率图像面目标探测功能。有效解决了现有面目标检测方法只适用于简单背景的单一面目标检测功能的技术问题。

下面结合附图和具体实施方式对本发明作进一步的详细描述。

附图说明

图1是本发明基于高分辨率图像的面目标检测方法的主流程图。

图2是原始高分辨率图像示例图。

图3是预处理之后的高分辨率图像示例。

图4是图1中直方图多阈值分割步骤的流程图。

图5是直方图多阈值分割之后的图像示例。

图6是图1中霍夫变换检测步骤的流程图。

图7是霍夫变换检测后的检测结果示例图。

具体实施方式

结合图1，本发明基于高分辨率图像的面目标检测方法，包括如下步骤：

(10)图像预处理：对包含目标的高分辨率图像进行预处理，所述预处理包括图像灰度化、图像滤波；

首先，对图像进行预处理，以期提高图像对比度，实现图像增强，实现图像去噪等效果。

作为原始输入的高分辨率图像如图2所示。

所述(10)图像预处理步骤包括：

(11)图像灰度化：

将含有多个通道的图像采用如下所示的公式混合到一个通道中来得到灰度图像：

f＝l×r+m×g+n×b (1)

式中，f表示灰度图像灰度值，r、g、b表示原始图像中红色通道、绿色通道、蓝色通道的灰度值，l、m、n为三个通道灰度的比例系数；

(12)图像滤波：

通过如下所示的混合中值滤波方法对灰度图像进行去噪：

z₁＝med[f(i,j-N),...f(i,j),...f(i,j+N)]

z₂＝med[f(i-N,j),..f(i,j),...f(i+N,j)]

z₃＝med[f(i+N,j-N),...f(i,j),...f(i-N,j+N)]

z₄＝med[f(i-N,j-N),...f(i,j),...f(i+N,j+N)]

式中，(i,j)表示图像中像素位置，N为滤波窗口大小，滤波窗口尺寸为N×N，med[]为取中值操作。

预处理之后的图像如图3所示。

(20)直方图多阈值分割：对经过预处理的图像，通过图像的灰度直方图分布，结合多阈值分割，得到多个感兴趣的面区域；

对于面目标，由于其不同标志物与背景间往往具有较强的灰度差异，在灰度直方图上表现为有几个较为集中的峰。这些峰一般代表典型的区域，如背景、目标、目标阴影以及目标内部结构设施等。为了将目标不同灰度段的区域进行分割，采用直方图多阈值法。

如图4所示，所述(20)直方图多阈值分割步骤包括：

(21)灰度直方图计算：

按下式计算灰度直方图：

h1＝imhist(I) (3)

式中，h1为曲率，I为预处理后图像，imhist为图像直方图计算操作；

(22)直方图平滑：

采用如下式所示的滤波方法平滑图像直方图的毛刺：

h2＝smooth(h1) (4)

式中，h2是直方图平滑后结果，smooth为图像平滑操作；

(23)多阈值分割：

遍历平滑后的灰度直方图，寻找其谷值，在所有的谷处设置阈值，按多个阈值将图像分割为不同灰度段的二值化连通域图像；

(24)形状判别：

不同的灰度段包含不同的对象，对所有灰度段的连通域进行形状判断，将不同标志物提取分离。

直方图多阈值分割之后的图像如图5所示。

(30)霍夫变换检测：对感兴趣的面区域进行边缘检测，结合霍夫变换，检测得出感兴趣的直线或圆形线；

Hough变换于1962年由Paul Hough提出，并在美国作为专利被发表。它所实现的是一种从图像空间到参数空间的映射关系。由于其根据局部度量来计算全面描述参数，因而对于区域边界被噪声干扰或被其他目标遮盖而引起边界发生某些间断的情况，它具有很好的容错性和鲁棒性。

Hough变换算法主要应用于二值图像(即边缘图像)，因此在对灰度图像进行Hough变换前需要对其进行预处理(包括图像的滤波与边缘检测)。Hough变换是一种使用表决原理的参数估计技术。其原理是利用图像空间和Hough参数空间的点－线对偶性，把图像空间中的检测问题转换到参数空间。通过在参数空间里进行简单的累加统计，然后在Hough参数空间寻找累加器峰值的方法检测直线。Hough变换的实质是将图像空间内具有一定关系的像元进行聚类，寻找能把这些像元用某一解析形式联系起来的参数空间累积对应点。

如图6所示，所述(30)霍夫变换检测步骤包括：

(31)边缘检测：

对预处理后图像用如下式所示的canny算子进行边缘检测，得到二值图像：

B＝edge(I,canny,a) (10)

式中，edge为边缘检测操作，a为边缘检测算子阈值参数，B为边缘二值图像；

(32)Hough变换：

在参数合适的最大值和最小值之间设置一个零散的参数空间；建立一个累加器，并置每一个元素为0；对二值图像空间中的每一点作Hough变换，即算出该点在参数空间上的对应曲线，并在相应的累加器加1；把累加器中超过所设阈值的参数空间点进行Hough逆变换，在图像空间进行显示；

(33)检测圆形区域：

在图像空间中随机取三个点，确定一组参数，然后再取三个点，再确定一组参数，后者与前者相比较，若相同，则此参数的累加器加一，若不同则将其作为一个新的参数源，放入参数表中，以此类推，直到有一个参数组的累加器达到设定的阈值，或者达到设定的循环次数上限，检测停止；

(34)形状判别：

将霍夫变换检测到的不同的直线和圆形进行组合判断，将不同标志物提取分离。

霍夫变换检测之后的图像如图7所示。

(40)形状区域判断：结合前两步检测结果，与已有面目标模型特征进行匹配，判断面目标类型。

结合区域检测结果和直线、圆形检测结果，与已有面目标模型特征进行匹配，判断面目标类型。

例图判断结果为辽宁号。

本发明方法基于霍夫变换，进行了改进，能够达到更好的目标检测性能。现有的面目标检测方法往往只利用传统的长、宽、狭长度/椭圆度等特征来描述目标，会丢掉很大部分的细节，而且由于这些特征只能对目标形状进行大致描述，因此基于这些特征量的检测结果可信度并不高。而本方法基于霍夫变换，利用直线和圆形线区分不同标志物，提高了目标描述性能，达到了更好的目标探测结果，使得探测精度高。

本发明方法结合霍夫变换方法和传统的图像处理，不仅能够实现简单背景的单一面目标检测功能，还能实现复杂背景下的多个面目标检测功能，因此具有更好的鲁棒性，能够实现多种场景的高分辨率图像面目标探测功能。有效解决了现有面目标检测方法只适用于简单背景的单一面目标检测功能的技术问题。

Claims (5)

1.一种基于高分辨率图像的面目标检测方法，其特征在于，包括如下步骤：

(10)图像预处理：对包含目标的高分辨率图像进行预处理，所述预处理包括图像灰度化、图像滤波；

(20)直方图多阈值分割：对经过预处理的图像，通过图像的灰度直方图分布，结合多阈值分割，得到多个感兴趣的面区域；

(30)霍夫变换检测：对感兴趣的面区域进行边缘检测，结合霍夫变换，检测得出感兴趣的直线或圆形线；

(40)形状区域判断：结合前两步检测结果，与已有面目标模型特征进行匹配，判断面目标类型。

2.根据权利要求1所述的面目标检测方法，其特征在于，所述(10)图像预处理步骤包括：

(11)图像灰度化：

将含有多个通道的图像采用如下所示的公式混合到一个通道中来得到灰度图像：

f＝l×r+m×g+n×b (1)

式中，f表示灰度图像灰度值，r、g、b表示原始图像中红色通道、绿色通道、蓝色通道的灰度值，l、m、n为三个通道灰度的比例系数；

(12)图像滤波：

通过如下所示的混合中值滤波方法对灰度图像进行去噪：

z₁＝med[f(i,j-N),...f(i,j),...f(i,j+N)]

z₂＝med[f(i-N,j),..f(i,j),...f(i+N,j)]

z₃＝med[f(i+N,j-N),...f(i,j),...f(i-N,j+N)]

z₄＝med[f(i-N,j-N),...f(i,j),...f(i+N,j+N)]

式中，(i,j)表示图像中像素位置，N为滤波窗口大小，滤波窗口尺寸为N×N，med[]为取中值操作。

3.根据权利要求2所述的面目标检测方法，其特征在于，所述(20)直方图多阈值分割步骤包括：

(21)灰度直方图计算：

按下式计算灰度直方图：

h1＝imhist(I) (3)

式中，h1为曲率，I为预处理后图像，imhist为图像直方图计算操作；

(22)直方图平滑：

采用如下式所示的滤波方法平滑图像直方图的毛刺：

h2＝smooth(h1) (4)

式中，h2是直方图平滑后结果，smooth为图像平滑操作；

(23)多阈值分割：

遍历平滑后的灰度直方图，寻找其谷值，在所有的谷处设置阈值，按多个阈值将图像分割为不同灰度段的二值化连通域图像；

(24)形状判别：

不同的灰度段包含不同的对象，对所有灰度段的连通域进行形状判断，将不同标志物提取分离。

4.根据权利要求3所述的面目标检测方法，其特征在于，所述(30)霍夫变换检测步骤包括：

(31)边缘检测：

对预处理后图像用如下式所示的canny算子进行边缘检测，得到二值图像：

B＝edge(I,canny,a) (10)

式中，edge为边缘检测操作，a为边缘检测算子阈值参数，B为边缘二值图像；

(32)Hough变换：

在参数合适的最大值和最小值之间设置一个零散的参数空间；建立一个累加器，并置每一个元素为0；对二值图像空间中的每一点作Hough变换，即算出该点在参数空间上的对应曲线，并在相应的累加器加1；把累加器中超过所设阈值的参数空间点进行Hough逆变换，在图像空间进行显示；

(33)检测圆形区域：

在图像空间中随机取三个点，确定一组参数，然后再取三个点，再确定一组参数，后者与前者相比较，若相同，则此参数的累加器加一，若不同则将其作为一个新的参数源，放入参数表中，以此类推，直到有一个参数组的累加器达到设定的阈值，或者达到设定的循环次数上限，检测停止；

(34)形状判别：

将霍夫变换检测到的不同的直线和圆形进行组合判断，将不同标志物提取分离。

5.根据权利要求4所述的面目标检测方法，其特征在于，所述(40)形状区域判断步骤具体为：

结合区域检测结果和直线、圆形检测结果，与已有面目标模型特征进行匹配，判断面目标类型。

Images