CN1278281C - 目标图像自动识别与快速跟踪的方法 - Google Patents
目标图像自动识别与快速跟踪的方法 Download PDFInfo
- Publication number
- CN1278281C CN1278281C CNB2004100680302A CN200410068030A CN1278281C CN 1278281 C CN1278281 C CN 1278281C CN B2004100680302 A CNB2004100680302 A CN B2004100680302A CN 200410068030 A CN200410068030 A CN 200410068030A CN 1278281 C CN1278281 C CN 1278281C
- Authority
- CN
- China
- Prior art keywords
- image
- correlation
- definition
- degree
- threshold value
- 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.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
一种目标图像自动识别与快速跟踪的方法,首先建立目标图像的阈值灰度级,其次建立误差和相关度指标,接着在阈值灰度级的基础上构建模板图像和现场图像特征矩阵,以及在离散条件下的互相关函数,包括各自方差、归一化相关系数、以及在所有二维矩阵所组成的线性空间里内积操作的定义,从线性空间出发,根据欧氏空间的范数和夹角得到相关度的定义,再利用内积定义获得一个判据公式,最终实现对目标的快速识别。本发明既着眼于整体判别的统计评价,又明确被跟踪目标体的识别率指标,同时以总处理周期小于40ms的超高运算速度实现对指定目标的自动识别和跟踪,装置技术性能指标达到96%以上的正确识别率和小于1m可识别尺度。
Description
技术领域
本发明涉及的是一种用于图像处理技术领域的目标图像自动自动处理的方法,具体是一种目标图像自动识别与快速跟踪的方法。
背景技术
可视化的图像信号在人类的社会活动中日益占据了十分重要的地位,在交通、监控、生物医学、遥感、军事、天文、地质和地理等很多学科与领域得到了越来越广泛的应用。图像信号是一种时间上的一维和空间上的二维信号。图像信号的数据量庞大,如果受到数据存储容量或者传输带宽的限制,系统需要将图像压缩以减少数据量。同时,高维的数字处理运算形式复杂,因此对算法的效率与速度自然提出了非常高的要求。加之,图像信号的数字化表达显示出其特有的多样性,不同的系统选择不同的方式来表达每一个像素的色彩。系统选择一种数字化表达方法来完成主要的处理工作,同时还要实现几种方式的转换。另外,图像信号又是一个非负的二维随机场。由于在空间上,一般的图像信号不能用任何的解析函数来表达,也不能由典型的信号叠加,所以研究图像主要采用的就是统计方法。换句话说,作为一个通用的图像系统,系统无法预知输入图像的确切内容,因此只能采用提取统计特征量的方法来认识图像,从而完成匹配的工作。
经对现有技术文献的检索发现,刘文礼等发表的“浮选泡沫特征及其状态识别”(《中国煤炭》2003年第五期)文章提出基于数字图像处理及识别技术的煤泥浮选过程控制思路,介绍了通过空间灰度相关矩阵法和邻域灰度相关矩阵来提取泡沫纹理特性参数的方法,以及利用自组织神经网络对煤泥浮选泡沫状态进行识别。其中,空间灰度相关矩阵是在浮选泡沫图像的不同方向上(θ=0°、45°、90°、135°)构筑的,鉴于空间灰度相关矩阵的维数大,文章以泡沫特征纹理的“粗细”、“走向”等来定义数字特征量,即以能量、熵和惯性矩为特征参数,能够表达出煤泥浮选泡沫视觉特征,邻域灰度相关矩阵是将线邻域的概念推广到面邻域而导出的,邻域灰度相关矩阵在提取图像的特征时,统筹考虑了图像中某一象素点8-邻域方向上(面邻域)的所有象素的灰度值,邻域灰度相关矩阵提取了描述浮选泡沫图像的细度参数、粗度参数、熵参数、二阶距参数和不均匀性参数。该研究立足于煤泥的浮选,着眼于整体浮选结果的统计评价,没有确立被跟踪目标体的识别率指标,同时建立相关矩阵的元素主要基于物体的粗细度,因此使用范围明显收到局限,而且运算量较大。研究结果已表明:细度参数、粗度参数能很好地反映出浮选泡沫图像的特征,熵参数、二阶距参数和不均匀性参数与图像泡沫特性变化的相关性不强。因此,该文献所提供的方法不适合于对指定目标的识别和跟踪。
发明内容
本发明的目的在于克服现有技术中的不足和缺陷,提供一种目标图像自动识别与快速跟踪的方法,使其适用于交通、监控、生物医学、遥感、军事、天文、地质和地理等很多学科与领域中目标图像的识别与跟踪,是一种非常实用有效的图像处理技术。
本发明是通过以下技术方案实现的,本发明首先建立目标图像阈值灰度级,其次建立误差和相关度指标,接着在阈值灰度级的基础上构建模板图像和现场图像特征矩阵,以及在离散条件下的互相关函数,包括各自方差、归一化相关系数、以及在所有二维矩阵所组成的线性空间里内积操作的定义,从线性空间出发,根据欧氏空间的范数和夹角得到相关度的定义,再利用内积定义获得一个实用的判据公式,最终实现对目标的快速识别与跟踪。
以下对本发明方法作进一步的说明:
首先,建立阈值灰度级,为了能够分割图像的亮度值,将比阈值灰度级亮的像素和比阈值灰度级暗的像素分为黑和白两组。理想的阈值划分目标是:图像中的黑白成分基本相等、图像的边界清晰、主体基本可以分辨。在灰度级直方图上阈值表示为一条垂直的分隔线,分隔线左面的所有灰度级将变为黑色,而右面将变为白色。一方面,分隔线应该使左右的面积相等,以保证有相同的黑色和白色像素;另一方面,假设灰度级概率分布可以用两个高斯分布来逼近,其中一个代表主体前景,另一个代表不需要的背景物体,阈值应该选择在峰谷的交接点,以保证二值边界清晰可辨,前景区域和背景区域正确分割。在具体识别与跟踪过程中,本发明首先快速搜寻峰谷交接点,并立即将其确定为灰度级之阈值,进而以区域特征作为图像分割的依据,来分隔前景和背景区域,并且将二阶中心矩作为匹配的统计特征值,实现图像特征的缩放、平移、旋转和亮度良好不变性。
其次,建立误差和相关度指标,在评判图像是否匹配,或者说相似的程度有多少的时候,首先可以使用图像特征量概念,比较模板图像和现场某一部分图像的特征。如果两者相差太大,就认为不是同一个目标,如果误差在允许的范围内,则认为他们相关的可能性很大。本发明定义误差为现场图像特征与模板图像特征值之差绝对值对模板特征值的比值。
接着,在阈值灰度级的基础上,引用物理中的质量、轴分布、质心和转动惯量概念,建立在统计意义上的归一化了的二阶混合中心矩,建立模板图像矩阵A和现场图像矩阵B,以及在离散条件下的互相关函数,包括各自方差、归一化相关系数、以及在所有二维矩阵所组成的线性空间里内积操作的定义。从线性空间出发,根据欧氏空间的范数和夹角概念得到相关度的定义。
最后,利用内积定义即可获得一个实用的判据公式。
在线性空间中夹角越小,相似度越大,图像相关度越明显,图像越相似,如果相关度达到100%,那么A和B就能互相线性表出。通过寻找相关度的最大值,能够找到现场图像上与模板图像线性度最好的地方,也可以找到两者互相关最大的地方。因此可以认为相关度达到一定程度(如95%)的图像即是同一幅图像。
本发明既着眼于整体判别的统计评价,又明确被跟踪目标体的识别率指标,同时以总处理周期小于40ms的超高运算速度实现对指定目标的自动识别和跟踪,装置技术性能指标达到96%以上的正确识别率和小于1m可识别尺度。
具体实施方式
以下结合本发明方法的内容提供以下实施例:
本实施例以高速光电耦合器作为高速图像采集器,最高图像采集率可达60帧/s,图像采集器安装于万向转动装置上接受方位控制驱动,经图像卡与嵌入式硬件系统连接,运用本发明算法编程,根据被识别目标偏离视场中心的状况,通过控制算法驱使图像采集器的三维转动装置实现对被识别目标的跟踪。
具体实施如下:
随高速运动载体(最高时速可达190km/h)运动,本发明载体从距离目标10km处出发以80~180km/h的不等速度和不同的行进方式(包括:直线、曲线、上坡、下坡等行进方式)向目标逼近,高速运动中,本发明首先对模板图像(事先于距离目标5km处抓拍的目标图像)与现场图像快速搜寻灰度峰谷交接点,并立即将其确定为灰度级之阈值,进而以区域特征作为图像分割的依据,来分隔前景和背景区域,并且将二阶中心矩作为匹配的统计特征值,实现图像特征的缩放、平移、旋转和亮度良好不变性;建立误差和相关度指标,以现场特征与模板特征值之差绝对值对模板特征值的比值为误差定义,并确定误差值<2.5%为允许误差;以模板图像矩阵和现场图像矩阵的相似的程度>95%为相关度指标,作为评判图像是否匹配的依据;建立模板图像矩阵A和现场图像矩阵B,以及在离散条件下的互相关函数,根据欧氏空间确定相关度定义:
利用内积定义获得实用判据公式:
实施效果:
实测结果:搜寻峰谷交接点、确定灰度级之阈值,耗时小于8ms;以区域特征分隔前景和背景区域,建立匹配统计特征值,耗时小于20ms;建立归一化二阶混合中心矩耗时小于10ms;推算判据耗时小于2ms。
经多次在半径5km范围内的高低起伏地面快速(以80~180km/h的不等速度和不同的行进方式)运行试验,结果证明:在复杂背景下受到镜前随机阻挡的情况下,对直线视距10km目标识别准确率高达96%以上,整个系统识别与跟踪总运算周期达到40ms以下,识别与跟踪速度之快十分显见。
Claims (5)
1、一种目标图像自动识别与快速跟踪的方法,其特征在于,首先建立目标图像阈值灰度级,在灰度级直方图上阈值表示为一条垂直的分隔线,其次建立误差和相关度指标,接着在阈值灰度级的基础上构建模板图像和现场图像特征矩阵,以及在离散条件下的互相关函数,包括各自方差、归一化相关系数、以及在所有二维矩阵所组成的线性空间里内积操作的定义,从线性空间出发,根据欧氏空间的范数和夹角得到相关度的定义,相关度达到一定95%的图像即是同一幅图像,再利用内积定义获得一个实用的判据公式,并提出定义误差的方法,最终实现对目标的快速识别与跟踪。
2、根据权利要求1所述的目标图像自动识别与快速跟踪的方法,其特征是,所述的阈值灰度级,以峰谷交接点为阈值,针对不同区域建立不同阈值,将比阈值灰度级亮的像素和比阈值灰度级暗的像素分为黑和白两组,快速搜寻峰谷交接点,并立即将其确定为灰度级之阈值,进而以区域特征作为图像分割的依据,来分隔前景和背景区域,并能够进行自适应的图像分割,且将二阶中心矩作为匹配的统计特征值,实现图像特征的缩放、平移、旋转和亮度良好。
3、根据权利要求1所述的目标图像自动识别与快速跟踪的方法,其特征是,所述的模板图像和现场图像特征,定义误差为现场图像特征向量与模板图像特征值向量在向量空间中的归一化距离,比较模板图像和现场某一部分图像的特征向量,如果误差太大,就认为不是同一个目标,如果误差在允许的范围内,则认为它们相关的可能性很大。
4、根据权利要求1或者2所述的目标图像自动识别与快速跟踪的方法,其特征是,所述的阈值灰度级,在阈值灰度级的基础上,引用物理中的质量、轴分布、质心和转动惯量概念,建立在统计意义上的归一化了的二阶混合中心矩,建立模板图像矩阵A和现场图像矩阵B,以及在离散条件下的互相关函数,包括各自方差、归一化相关系数、以及在所有二维矩阵所组成的线性空间里内积操作的定义,从线性空间出发,依据欧氏空间的范数和夹角概念确立相关度公式,整个运算机器周期小于40ms。
5、根据权利要求1所述的目标图像自动识别与快速跟踪的方法,其特征是,所述的内积定义,利用内积定义从相关度公式推出实用的判据公式,在线性空间中夹角越小,相似度越大,图像相关度越明显,图像越相似,如果相关度达到100%,那么A和B就能互相线性表出,通过寻找相关度的最大值,能够找到现场图像上与模板图像线性度最好的地方,或找到两者互相关最大的地方,因此相关度达到一定程度的图像即是同一幅图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2004100680302A CN1278281C (zh) | 2004-11-11 | 2004-11-11 | 目标图像自动识别与快速跟踪的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CNB2004100680302A CN1278281C (zh) | 2004-11-11 | 2004-11-11 | 目标图像自动识别与快速跟踪的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN1604125A CN1604125A (zh) | 2005-04-06 |
CN1278281C true CN1278281C (zh) | 2006-10-04 |
Family
ID=34666754
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CNB2004100680302A Expired - Fee Related CN1278281C (zh) | 2004-11-11 | 2004-11-11 | 目标图像自动识别与快速跟踪的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN1278281C (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102324132B (zh) * | 2011-05-25 | 2014-04-09 | 深圳怡化电脑股份有限公司 | 一种对紫外光图像进行识别的验钞方法及系统 |
CN102915039B (zh) * | 2012-11-09 | 2015-08-12 | 河海大学常州校区 | 一种仿动物空间认知的多机器人联合目标搜寻方法 |
CN104331714B (zh) * | 2014-11-28 | 2018-03-16 | 福州大学 | 基于图像数据提取和神经网络建模的铂浮选品位估算方法 |
EP3398158B1 (en) * | 2016-03-01 | 2021-08-11 | SZ DJI Technology Co., Ltd. | System and method for identifying target objects |
CN106910207B (zh) * | 2017-02-27 | 2020-12-08 | 网易(杭州)网络有限公司 | 用于识别图像局部区域的方法、装置及终端设备 |
CN109859231A (zh) * | 2019-01-17 | 2019-06-07 | 电子科技大学 | 一种基于光学图像的叶面积指数提取阈值分割方法 |
CN110108209A (zh) * | 2019-06-13 | 2019-08-09 | 广东省计量科学研究院(华南国家计量测试中心) | 小型多孔零件的测量方法及系统 |
CN110766673B (zh) * | 2019-07-22 | 2021-04-30 | 中南大学 | 一种基于欧式距离判定的纹理粗糙度定义方法 |
-
2004
- 2004-11-11 CN CNB2004100680302A patent/CN1278281C/zh not_active Expired - Fee Related
Also Published As
Publication number | Publication date |
---|---|
CN1604125A (zh) | 2005-04-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102306290B (zh) | 一种基于视频的人脸跟踪识别方法 | |
CN102006425B (zh) | 一种基于多摄像机的视频实时拼接方法 | |
CN100470581C (zh) | 基于轮廓的车型识别方法 | |
CN109635744A (zh) | 一种基于深度分割网络的车道线检测方法 | |
CN103886325B (zh) | 一种分块的循环矩阵视频跟踪方法 | |
CN103839065A (zh) | 人群动态聚集特征提取方法 | |
CN103324920A (zh) | 基于车辆正面图像与模板匹配的车型自动识别方法 | |
CN102521565A (zh) | 低分辨率视频的服装识别方法及系统 | |
CN113920097B (zh) | 一种基于多源图像的电力设备状态检测方法及系统 | |
CN108694349B (zh) | 一种基于线阵相机的受电弓图像提取方法及装置 | |
CN1278281C (zh) | 目标图像自动识别与快速跟踪的方法 | |
CN103955949A (zh) | 基于Mean-shift算法的运动目标检测方法 | |
CN101334366A (zh) | 一种基于图像特征分析的浮选回收率预测方法 | |
CN102629322A (zh) | 一种基于边界点笔画形状的字符特征提取方法及应用 | |
CN103761747B (zh) | 一种基于加权分布场的目标跟踪方法 | |
Mi et al. | Two-stage classification approach for human detection in camera video in bulk ports | |
CN105389820A (zh) | 一种基于倒谱的红外图像清晰度评价方法 | |
CN116258940A (zh) | 一种多尺度特征及自适应权重的小目标检测方法 | |
CN102930271A (zh) | 一种视频图像的出租车实时识别方法 | |
CN108734170B (zh) | 基于机器学习和模板的车牌字符分割方法 | |
CN114530042A (zh) | 一种基于物联网技术的城市交通大脑监控系统 | |
Cheng et al. | A multi-feature fusion algorithm for driver fatigue detection based on a lightweight convolutional neural network | |
CN103455798A (zh) | 基于最大几何流向直方图的人体检测方法 | |
CN1300745C (zh) | 降低目标图像自动识别与快速跟踪错判率的方法 | |
CN101482917B (zh) | 一种基于二阶二维主分量分析的人脸识别系统和方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
C17 | Cessation of patent right | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20061004 Termination date: 20091211 |