目标图像（精选8篇）
目标图像 篇1
空间观测的星空图像中,包含有恒星,目标和大量的噪声,距离较远的恒星和目标亮度低,所占像素数少且无纹理特征,很容易被周围噪声所淹没,通常人眼亦难以发现目标[1]。如果要可靠、稳定、准确地将目标从背景杂波中检测出来,则必须对图像进行预处理[2]。
目前这类弱小目标的检测方法大多与红外小目标的检测相似。典型的方法主要包括空域滤波[3]、频域滤波[4]、小波降噪[5]、形态学滤波[6]等基本降噪方法,长期以来国内外学者提出了基于经典方法的多种组合和改进的方法。文献[7]提出了一种局部标准差滤波的方法,通过求取原图像中各N×N邻域内像素标准差,提高小目标图像信噪比。文献[5针对图像噪声分布特性,利用小波变换与支持向量机相结合的方法对高分辨率遥感图像进行识别。文献[8]用灰度分割方法首先完成对可能运动目标的检测和标记,然后由后续图像帧间信息来实施目标对象的确认并完成跟踪任务。但这些算法很难同时满足检测概率高、虚警率低、实时性好的要求。
文中根据星空图像的特点,提出了一种基于两次检验,通过时空域滤波先粗检后确认的弱小目标检测方法。首先通过最小二乘拟合的方法得到图像背景参数,利用均值和方差滤除大部分噪声。再通过管道滤波,将混有噪声的弱小目标进行二次提取,通过多帧关联滤除噪声。最后用空域能量累积的方法对目标进行增强,提高信噪比。
1 星空图像噪声模型分析
星空观测图像的模型如式(1)所示。其中r(x,y,t)是原图像,c(x,y,t)是由电路引起的高斯分布噪声,d(x,y,t)是由暗电流和背景光引起的泊松分布噪声,由泊松定理,当单帧图像像素数非常大时,泊松分布收敛为高斯分布。s(x,y,t)是运动目标信号,n(x,y,t)是静止恒星。图1为一帧典型的星空观测图像(灰度16 bit,1 024×1 024 pixel)。
1.1 背景估计
除星空背景成像特征为大面积起伏背景噪声外,其余均为点状小目标,且空间目标的亮度很弱,在背景存在大量恒星的干扰下,分析背景的统计特性并建立起精确的数学模型来描述图像中的起伏背景,对小目标检测、识别是至关重要的。
图1的灰度分布范围为[0~65 535],图2为截取的部分星空图像灰度直方图,灰度分布集中的部分为图像背景噪声,从图中可以看出背景符合高斯分布,且噪声大多集中在灰度[200~300]之间。通过最小二乘拟合方法得到图像背景的均值和方差,步骤如下:
步骤1:计算整图均值μ0和标准差σ0;
步骤2:根据对大量图像的分析,设定最大标准差变化范围k=50;
步骤3:计算最小二乘意义下的拟合误差E;
步骤4:剔除野点。赋值μ1=μ0,σ1=σ0;统计灰度介于(μ1-3σ1,μ1+3σ1)之间的像素均值μ0和标准差σ0;
步骤5:如果σ1与σ0之差大于k,跳转到步骤3;
步骤6:k自减1,如果k大于1,跳转到步骤2;
步骤7:找出拟合误差E最小时的μmin和σmin。
此时得到的均值μmin和标准差σmin即为背景杂波的最小二乘拟合参数。对于图1所示星空图,μmin=233.72,σmin=9.23。方法的流程如图3所示。
取Thr1=μ-3⋅σ,Thr2=μ+k⋅σ,根据正态分布原理,理论上k=3时,灰度范围在[μ-3⋅σ,μ+3⋅σ],即灰度范围在[206,262]可以包括99.7%的背景噪声。最小二乘法拟合背景参数如图4所示。
2 弱小目标检验
对于弱小目标,要求的检测率较高而虚警率必须很低,同时目标本身的信噪比和对比度又较低,所以在单帧检测的情况下很难满足检测要求,必须结合多帧处理进行检验。像素灰度在小于μ+3⋅σ的范围内,仍有一部分弱小目标因信噪比过低而被误检为噪声而滤除。在原图像中,以μ+3⋅σ为中心,σ为半径,即取灰度值在[253,271]之间的灰度置为1,其他灰度置为0,如图5所示。图像中亮点同时含有漏检的弱小目标和噪声。由于噪声的分布是随机的,在任意帧中噪声不重合且无轨迹规律。可通过多帧累加的方法区别弱小目标和噪声。连续求取3帧图像并相加,当某个亮点在同一位置或其邻域内连续出现时,提取其坐标值存入数据库中,作为第一次粗检结果。利用管道滤波的方法,以目标为中心建立一个空间管道,管道的直径代表空间作用尺寸,管道的长度代表检测时间长度。对粗检得到的结果进行扫描,定义检测帧数为5帧,当在同一条管道内连续5帧可以检测到目标时,认为所检目标是真实目标,否则为虚假目标。
3 能量累计增加信噪比
对于检测出的弱小目标,其信噪比一般低于3,在图像中很难分辨,利用邻域信息对其进行能量累计增加信噪比。
一般认为,空间目标成像的灰度值在一定程度上高于背景噪声,通常具有一定的面积,可以从目标局部区域灰度较为稳定的特征出发来制订具体的分割标准。在预处理结果图像中选取m×n的滑动窗来统计图像中各局部区域的局部能量值。
首先给出关于图像局部能量的定义,以像素点(i,j)为起始点,大小为m×n的图像窗口的局部能量为
设I(i,j)表示原始星像,E(i,j)表示能量累积后的星像,Area T表示星像区域,定义低信噪比扩展目标满足如下条件
对于高斯背景噪声,假设其均值为μ,方差为σ,则经过能量累计后的图像均值μ’=μ,方差σ’=σ/(mn)1/2,取,k=100.3。即低信噪比扩展目标区域经过能量累积后星像的峰值信噪比大于3。
图6为利用不同大小窗口对原始图像中暗弱的小目标进行增强的效果图。分别采用3×3,5×5的窗口进行能量累积。可以看到暗弱的小目标在经过能量累计后变得清晰。
4 实验结果
为了验证方法的有效性,利用文中算法对拍摄的地基观测星空图像进行试验,图像灰度为16 bit,大小为1 024×1 024像素。软件平台为Matlab R2008a,运行环境为,硬件配置为双核2.3 GHz,1 G内存。
图7为原始星图局部放大的图像,图片中较亮的星坐标为(564,236),绿颜色圆内为3个暗弱的小目标,信噪比很低几乎被背景所淹没。图8为采用背景均值方差的方法对图像进行处理,可以提取出较亮的星点。图9为采用管道滤波对目标进行先检验后确认的方法,可以看出暗弱目标被有效地检测出来,提取其坐标并在原图中记录。图10为得到的最终结果,原星图中暗弱目标得到明显的增强。
5 结论
文中提出了一种有效的星空图像中弱小目标的检测方法,首先用最小二乘拟合的方法得到图像的背景参数,确定噪声所在的范围,利用阈值将大部分噪声滤除。并用两次检测,提取漏检目标,利用管道滤波的方法将暗弱小目标提取出来。最后通过能量累计的方法提高图像信噪比。经过此预处理后图像的信噪比显著增强,暗弱目标得到有效的划分和检测。
摘要：空间观测的星空图像中,由于恒星距离较远在图像中仅占几个像素,且存在大量噪声,因此很多信噪比较低的弱小目标被淹没。在预处理环节应将其有效地检测出来,降低后续目标识别和跟踪的虚警率。首先对星空图像的噪声模型进行了分析,通过最小二乘拟合法得到图像背景参数。利用两次检验的方法,首先对目标进行第一次粗验,利用管道滤波的方法进行第二次确认,滤除噪声得到目标。最后通过能量累积的方法对原图像中弱小目标进行增强。仿真实验结果表明了算法的有效性。
关键词：星空图像,弱小目标检测,最小二乘,管道滤波,能量累计
参考文献
[1]漆长松,刘恩海,钟建勇.天基平台深空运动小目标检测[J].光电工程,2008,35(5):28-32.
[2]张耀,雍杨,张启衡,等.低对比度小目标检测[J].强激光与粒子束,2010,22(11):2566-2570.
[3]曹琦,毕笃彦,张齐.一种新的空时域滤波小目标检测方法[J].光电工程,2009,36(7):41-44.
[4]尹德强,李文海,宋有为.基于频域滤波的分数阶Fourier变换的目标检测[J].现代电子技术,2011,34(19):35-38.
[5]陈向东,张瑾.一种基于小波变换的红外图像去噪方法[J].传感器与微系统,2006,25(8):7-9.
[6]汪洋,郑亲波,张钧屏.基于数学形态学的红外图像小目标检测[J].红外与激光工程,2003,32(1):28-31.
[6]Yilmaz A,Shafique K,Shah M.Target tracking in airborneforward looking infrared imagery[J].Image Vision Comput,2003,21(7):623-635.
[7]刘健,刘忠.基于小波变换和支持向量机的水下目标分类方法[J].火力与指挥控制,2011,36(9):88-92.
[8]Efficient Detection of Small Moving Objects.ADA213314.
目标图像 篇2
一种新的红外序列图像运动小目标分割算法
红外序列图像运动小目标检测技术,是红外搜索与跟踪系统的一项核心技术,也是现代研究领域的一大难题.本文提出了一种新的红外序列图像运动小目标分割算法,算法运用边界跟踪理论进行图像分割,并与传统的阈值分割算法进行效果比较.大量的.实验结果表明,此新的算法能取得更好的小目标分割效果.
作 者：于素芬 车宏 周洪武 YU Su-fen CHE Hong ZHOU Hong-wu 作者单位：中航一集团洛阳电光设备研究所,河南,洛阳,471009刊 名：电光与控制 ISTIC PKU英文刊名：ELECTRONICS OPTICS & CONTROL年，卷(期)：200512(3)分类号：V243.6 TN219关键词：红外序列图像 运动小目标 边界跟踪 目标分割
目标图像 篇3
要想识别、捕获、跟踪不同种类的目标,首先要把目标图像完整地从背景中分离出来.提取信号就要确定灰度门限阈值,而其依据是图像的幅度,即为单色图像的灰度.
如灰度直方图为单峰,则表明目标图像不能从背景中分割出来;如图像灰度直方图为双峰或三峰,则表明目标图像可以从背景中分割出来;如直方图杂乱无规则,则表明目标很难从其所在背景中分割出来.
在目标尺寸一定,摄像机镜头焦距一定,视频放大器性能、气象条件一定的情况下,电视跟踪系统的作用距离主要由截获行数决定.
一般情况下,电视系统截获行数选择4~5行较为合适.以车辆为例,人眼相应于发现、识别、辨认所需要的截获行数如表1所示[1,2,3].
当然,选择截获目标行数应该考虑目标的尺寸,尤其是目标高度,另一个方面要考虑到干扰.例如,若采用一种技术,使其发射率不断改变,则可导致系统误判决,这就要求系统增加截获的行数或者增设2场判决.
2 目标辐射特性影响分析
要分析电视图像识别信号处理与目标辐射特性的关系,首先应了解RGB颜色空间及其向HIS空间和灰度值之间的转换.
2.1 RGB颜色空间及其向HIS空间的转换
设r,g,b为三刺激值彩色信号,则人眼在图像平面上感知到的RGB三刺激值彩色信号分别为:
undefined
其中, I(λ)为该点入射的外界光照光谱,ρ(λ)为该点对应的材料表面光谱反射率曲线,λ取可见光波长范围(如380~760 nm).
人眼是根据r,g,b的比例来决定颜色,根据总和决定亮度.因此,对光谱分布I(λ)不一样的光,只要计算r,g,b相等,两者对人眼的色感觉是一样的.
RGB颜色空间转换到HIS颜色空间的转换关系为:undefined(2)
undefined
undefined
为了便于图像显示和利用灰度直方图阈值化方法对色调图像进行分析,通过下面公式将色度值映射到灰度级范围内:
undefined
由于r,g,b∈(0,1,…,225),因此I、S的值也在[0,255]的范围之内,按照上面的2种转化方法,只要知道了RGB颜色空间的值(r,g,b),就可以得到色调、色度、亮度对应的直方图.
2.2 目标光学特性
在可见光波段,目标与背景之间的色调、亮度、色度(饱和度)等视觉信号参数的对比特性是其主要的辐射特性,其变化直接影响目标数字图像的灰度特征(灰度变化的分布与结构).
目标的色调受某种颜色反射率的峰值波长λmax影响,当此波长改变时,目标的色调改变.
由目标的辐射亮度公式undefined可知,当目标的反射率ρ改变时,其亮度也将改变,亮度的改变导致目标与背景之间的辐射对比度也随之改变.
色度(饱和度)是指颜色的纯度.
当目标与背景亮度对比非常大时,目标就容易被探测发现;当目标与背景亮度相当时,则它们之间的色调对比便成为目标的重要识别特征.由于探测器本身的性能制约,将会对目标本身的色调、亮度、色度(饱和度)、反射率等有一个变化范围的要求,因此,当目标的色调、亮度、色度(饱和度)的变化超出探测器本身的要求时,将会影响其跟踪识别目标的能力.
除了要考虑探测器接收到的目标的照度外,目标与背景之间的辐射对比度也需达到一定的数值.
由辐射亮度、辐射照度、辐射强度之间的关系可知,对同一目标的同一部分来说,辐射亮度与辐射强度、辐射照度与辐射亮度之间应成正比关系.在下面的分析中,将用辐射强度值或辐射照度来代替辐射亮度值[2,3].
取目标的某一区域,在此区域内各参数相同,且设目标处于晴朗的白天,则目标与背景之间的关系应满足下式:
undefined
式中:E0为探测器接收到的目标照度;D为光学系统有效通光孔径;I′01为目标本身的发光强度;R为观测点到目标的距离;τa为大气透过率;τf为滤光片透过率;τ0为光学系统透过率;N为目标像所占CCD像元个数;Lb为背景的辐射亮度;τ′f为滤光片对背景的透过率;f为光学系统焦距;A0为单个像元面积.
一般情况下C阈取10%,也可根据情况取3%.
解出I′01的范围为:
undefined
在式(7)中,由于I′01表达式中的各量均为已知或者可以预先测出,因此,设:
undefined
则I′01的范围可表示为:
I′01≤B (8)
对于所取区域假设其不透明,则反射率ρ0=1-ε0为一常数.因此,r,g,b值的表达式可写为:
undefined
把式(8)代入式(9)即可求出这一区域内的r,g,b的范围为:
undefined
进而求出色调H、亮度I、色度S对应直方图的范围:
undefined
undefined
undefined
同样,由辐射强度和反射率之间的关系:
undefined
把I′01和目标的辐射出射度M′01=[F(λ2T)-F(λ1T)]εσΤ4代入式(14),且令常数C=F(λ2T)-F(λ1T),即可求出反射率ρ的值是:
undefined或undefined(舍去) (15)
所以,反射率ρ的变化范围是:
undefined
因此,当H,I,S分别在式(11),式(12),式(13),ρ在式(16)的范围内变化时,会使信号处理失效.
3 结 束 语
实际上电视图像目标识别处理对目标的色度、色调、亮度的变化范围要求不仅与对比度阈值、辐射照度阈值、单个像元的面积、探测器对背景的透过率等系统本身的性能有关之外,还与目标与背景之间的斜距、背景的辐射亮度、目标像在CCD面上像元数有关.
参考文献
[1]张敬贤.微光与红外成像技术[M].北京:北京理工大学出版社,1995.
[2]李尊民.电视图像自动跟踪的基本原理[M].北京:国防工业出版社,1998.
视频图像中运动目标检测算法研究 篇4
关键词：视频图像,运动目标检测,混合高斯模型
0 引言
随着计算机技术、人工智能、图像工程等高科技的发展, 视频智能监控已经成为计算机视觉研究领域的一个热点课题。提取运动目标在视频监控中是一个非常重要的环节, 它是后期的处理, 如目标分类、目标识别、目标跟踪等的基础, 也是视频监控技术自动化和实时应用的关键[1,2,3]。目前, 常见的运动目标检测算法主要有帧间差分法[4]、背景差分法[5]和光流法[6]。其中, 帧间差分法实时性强, 能够适应各种动态环境, 但是不能提取目标的完整区域;背景差分法能够提取完整的目标信息, 但是不能精确地检测到场景中的运动目标;光流法能够在摄像机运动的情况下检测出独立的运动目标, 但是其计算复杂, 需要特殊的硬件设备支持, 实时性能差, 本文不予考虑。
本文结合传统的运动目标检测算法的优点, 提出一种基于混合高斯模型背景法的运动目标检测算法, 期望获得较好的效果。
1 运动目标检测
1.1 自适应混合高斯背景模型
采用背景差分法虽然可以从图像中提取完整的目标, 但是实际应用中, 外界的微小干扰都会引起背景图像的变化, 这些场景下固定位置的像素在不断地改变, 呈多模特性。所以问题的关键之处在于随着时间改变, 可以自适应地更新背景模型。
而混合高斯模型[7]针对这一点, 采用多个高斯分布去拟合背景, 对于复杂的背景具有良好的效果。本文研究的是静态背景下的目标检测, 主要包括背景建模、背景更新和背景提取。
1) 背景建模。将图像序列中的某一像素点 (i, j) , 设Xt为在时刻t的观察值, 对于给定点 (i, j) 的一系列观察值{X1, X2, …, Xt}, 可以看做是与其它点独立的随机统计过程, 用K个高斯分布的混合模型去模拟, 则当前t时刻 (i, j) 的概率分布为:
2) 背景更新。当读取完视频图像的像素后, 将当前帧像素xt与K个高斯分布进行匹配, 匹配数据为:
如果像素值xi与其中某个高斯分布的均值μi, t-1之差满足式 (3) , 则该像素与这个高斯分布匹配, 否则不匹配。如果匹配, 对高斯模型进行更新:
式中:α为模型学习速率, β为参数学习率。在混合高斯模型中为了适应环境的变化, 还要考虑权值的更新。如果匹配则该模型可以较好地描述背景其权值增加, 不匹配则权值减小。
对视频图像进行背景建模与更新的流程图如图1所示。
3) 背景提取
完成上述过程后, 得到新的一帧图像, 根据背景更新公式把模型的相应参数进行更新, 计算其优先级并按照高低排列, 实际情况中可以选取前几个优先级较大的, 取前b个值相加, 当和大于阈值T时, 可以根据式 (6) 得到其背景模型:
式中:T为选取的阈值, 其大小根据不同的场景决定, 场景较复杂时, 阈值相应地选取较大;场景简单时就选择较小的。
1.2 背景差分
当混合高斯背景模型完成时, 就可以采用背景差分提取出运动目标的轮廓。设当前帧图像为fk (x, y) , 背景帧为fbk (x, y) , 则差分图像为:
按照式 (8) 对得到的差分图像进行二值化处理, 当差分图像中某点像素大于阈值时, 则认为该像素点为前景, 反之, 则为背景。
1.3 形态学处理
由于图像中噪声的存在, 在通过以上操作后所检测到的运动目标会有空洞产生, 因此可以采用形态学滤波的方法填补目标区域的孔洞。数学形态学[8]包括基本的开运算和闭运算。开运算可以消除细小目标, 平滑图像的轮廓, 而闭运算可以去掉小洞, 填补目标内的细小的缝隙。
2 检测算法的实现
本文检测算法具体流程如图2所示。
1) 对背景图像进行初始化;2) 利用本文的算法提取视频序列图像中变化的部分, 并作二值化处理;3) 对以上处理后的图像进行形态学处理, 去除小的噪声点, 同时填补运动目标内部的孔洞和连接断点, 这样就得到完整的运动区域, 将运动目标提取出来。
3 实验结果分析
本实验是在2.0GHz的CPU, 2GB内存的PC机上, 采用MATLAB软件进行的检测。实验所用的视频为普通摄像机拍摄的, 视频分辨率为320×240像素。
实验结果如图3所示。
使用传统帧间差分的检测结果如图3 (c) 所示, 获取的运动目标轮廓不完整, 而且其内部容易产生一些空洞现象, 部分区域出现漏检。采用本文方法检测运动目标的最终结果如图3 (d) 所示, 目标与背景得到了正确分割, 其中运动目标的轮廓十分完整, 为后期的运动目标跟踪、识别奠定了基础。
4 结语
本文针对视频图像, 提出一种基于混合高斯模型的背景差分法来检测运动目标。实验结果表明, 此方法不仅能够精确地检测到运动目标, 而且运动目标的检测效果得到了提高, 具有较好的鲁棒性, 为后续工作提供了有力的支持。
参考文献
[1]Tsai D M, Lai S.Independent component analysis-based background subtraction for indoor surveillance[J].IEEE Trans on Image Processing, 2009, 18 (1) :158-167.
[2]Avidan S.Ensemble tracking[J].IEEE Trans Pattern Analysis and Machine Intelligence, 2007, 29 (2) :261-271.
[3]Wang Yang.Real-time moving vehicle detection with cast shadow removal in video based on conditional random field[J].IEEE Trans on Circuits and Systems for Video Technology, 2009, 19 (3) :437-441.
[4]Ha J E.Foreground objects detection using multiple difference images[J].Optical Engineering, 2010, 49 (4) :1-5.
[5]魏晓慧, 李良福, 钱钧.基于混合高斯模型的运动目标检测方法研究[J].应用化学, 2010, 31 (4) :574-578.
[6]Dessause M P, Dua S.Optical flow object detection, motion estimation, and tracking on moving vehicles using wavelet decompositions[J].SPIE, 2010, 7694:1-10.
[7]何信龙, 赵龙.基于改进高斯混合模型的实时运动目标检测[J].计算机应用研究, 2010, 27 (12) :476-477.
目标图像 篇5
1 NMI特征
1.1 定义
根据物理上重心的概念,定义灰度图像的质心如下
其中,质心(cx,cy)代表图像灰度的重心。图像围绕质心(cx,cy)的转动惯量记为J(cx,cy)
根据图像的质心和转动惯量的定义,可给出灰度图像绕质心(cx,cy)的NMI[10]
其中,m=M∑x=1yN∑=1f(x,y)为图像的质量,代表图像所有灰度值之和。
1.2 NMI特征不变性分析
以图1中三种型号飞机为目标库中的模板图,三种型号飞机的平移、旋转、比例变换图像分别如图2、图3、图4所示。
对于平移畸变,即x′=x+Δx,y′=y+Δy,Δx,Δy分别为横向与纵向的平移量,由式(1)可知,平移后的图像重心为cx′=cx+Δx,cy′=cy+Δy。平移后的图像目标区各点到其图像重心的距离大小没有改变,NMI具有平移不变性。
由于待检测识别目标的距离不定,视场大小及成像的方向角度不同,实际目标成像的比例大小及旋转方向是任意的。因而,根据式(3)并实际仿真实验结果证明,NMI旋转、比例不变性较差。
2 NMI特征提取的改进算法
由于待检测目标的距离不定,则目标的大小是任意的,待检测目标边缘点数与库中目标的边缘点数不同很大程度上影响图像的NMI特征比例不变性。因此,根据归一化转动惯量的定义,提出一种改进方法,即待检测目标边缘必须与库中目标边缘进行维数匹配。
2.1 边缘点搜索
由于物体的边缘十分复杂,顺序提取物体的边缘很困难。采用一种优先级探测搜索法顺序提取边缘,首先根据搜索方向,从边缘走向最有可能发生的位置,按轮廓的顺时针方向进行搜索。由于物体具有封闭轮廓,边缘搜索有左、右、上、下四个方向。在向右搜索时,物体的图像在下方;向左搜索时,图像在上方;向下搜索时,图像在左边;向上搜索时,图像在右边;搜索方向及优先级如图5所示。
上图搜索优先级1~6依次降低。从最高优先级位置开始搜索,只有当高优先级位置探测不到边缘,才能搜索次优先级位置。并将搜索方向置为对应方向。当搜索的位置与第一次搜索位置相同时,完成物体的边缘提取。
2.2 形状匹配
由于待检测目标的距离不定,则目标的大小是任意的,待检测目标边缘点数与库中目标的边缘点数不同很大程度上影响图像的NMI特征比例不变性。因此,根据归一化转动惯量的定义,提出一种改进方法,即待检测目标边缘必须与库中目标边缘进行维数匹配。设待检测目标边缘点数为m,需要匹配的库中目标边缘点数为n,令
待检测目标按lk比例进行缩放,使待检测目标的点数与目标库中目标大致相等,利用缩放后的图像作为待检测目标再进行归一化转动惯量特征匹配。
由于真、假目标的形状和灰度有较大不同,而待识目标有其特定的形状和灰度分布。用改进的NMI计算出潜在目标的不变特征如表2所示,求与目标库的平均绝对差(mean absolute difference,MAD)。当MAD小于给定阈值T,则此为目标,否则是假目标。
3 仿真实验与分析
图6为飞机图像序列与目标库飞机1的七阶不变矩绝对差均值。结果表明,七阶不变矩可以作为目标静态特征进行目标识别,但变化范围较大,存在一定的虚警概率,且计算量大。
图7为飞机图像序列分别与目标库飞机1的轮廓序列矩绝对差均值。结果表明,轮廓序列矩具有较好的平移、旋转、比例不变性,但其灰度性较差。相比较而言,轮廓序列矩的计算量比七阶不变矩低。
图8、图10、图12为飞机图像序列分别与目标库飞机的NMI差,从仿真实验可以看出,针对上述不同型号的飞机序列图像,NMI算法具有良好的平移,但其旋转、比例不变性差,不能有效地识别飞机目标。图9、图11、图13为改进后的飞机图像序列分别与目标库飞机的NMI差。试验结果表明,改进后的NMI特征具有良好的平移、旋转、比例不变性,能有效地识别不同型号的飞机目标,且计算量比较低。
4 结论
文中针对NMI、七阶不变矩、轮廓序列矩三种图像特征识别方法,基于飞机目标分析了三种特征的不变性。不变矩、轮廓序列矩特征在一定程度上具有较好的平移、旋转、比例不变性,但七阶不变矩运算量较大;轮廓序列矩特征抗灰度畸变性差;而传统的NMI特征旋转、比例不变性差。针对NMI在目标识别中存在的不足,提出了基于快速搜索边缘点及其维数匹配的改进算法,使其具有良好的平移、旋转、比例不变性,且提取方法简单,易于实现。
参考文献
[1]John R Smith,Shih.Fu Chang.Tools and techniques for col or image retrieval[R].Columbia University Department ofElectrical Engineering and Center for TelecommunicationsResearch,March 6,1996.
[2]PENG Ning-song,YANG Jie,LIU Zhi.Mean shift blob tracking with kernel histogram filtering and hypothesis testing[J]Pattern Recognition Letters,2005,26:605-614.
[3]江淑红,王沁.基于目标中心距离加权和图像特征识别的跟踪算法[J].电子学报,2006,34(7):1175-1180.
[4]杨小冈,付光远.基于图像NMI特征的目标识别新方法[J].计算机工程,2002,28(6):149-151.
[5]Jan Flusser.On the inverse problem of rotation moment in variants[J].Pattern Recongnition,2002,35:3015-3017.
[6]Kudo,M,Sklansky,J.Comparison of Algorithms that Se lect Features for Pattern Classifiers[J].Pattern Recognition2000,33(1):25-41.
[7]安玮.透视变换不变性研究及三维空问目标的识别[D].长沙:国防科技大学,1995,1.
[8]Gonzalo N,Mathieu R.Flexible pattem matching in strings:柔性字符串匹配[M].中科院计算所网络信息安全研究组,译.北京:电子工业出版社,2007:135-136.
[9]Han Jiawei,Kamber M.数据挖掘[M].2版.范明,孟小峰,译.北京:机械工业出版社,2007:200-204.
目标图像 篇6
关键词：区处理,中值-平滑滤波,自适应"波门"
引言
武器试验的快速发展对空间多目标跟踪测量提出了迫切需求。本文提出一种基于自适应"波门"识别技术的多目标图像跟踪处理系统, 利用成熟的DSP处理技术和现场可编程技术, 结合上位机控制, 灵活调整系统配置和参数选择, 针对多目标图像进行信息提取和目标识别, 建立多目标运动轨迹, 预测其运动速度, 实现多目标跟踪处理和综合测量。
1 系统组成
系统主要由视频传输单元、图像处理单元、控制台单元组成, 工作原理框图如图1。其中, 图像处理单元是以跟踪处理计算机为主, 包括同步机显示控制处理、预处理程控放大、A/D转换卡、FPGA图像运算、图像实时变换、分目标处理器、通信接口控制等模块的功能单元。同步机显示控制处理实现高精度的数字锁相, 增加跟踪测量精度;FPGA图像运算对图像数据进行卷积运算和中值-平滑滤波;图像实时变换进行实时的二维傅氏变换;跟踪处理计算机及分目标处理器完成目标识别及多"波门"捕获与跟踪。
2 图像区处理
图像区处理采用中值滤波和平滑处理相结合的混合处理方法, 对于提高多目标信号的识别率具有独特效果。
2.1 中值-平滑滤波
中值滤波能有效地降低图像噪声而保护目标图像边缘, 平滑滤波则具有较好的实时性。结合二者之长, 采用中值-平滑滤波进行图像处理。实践表明, 中值-平滑滤波所需时间明显少于同样窗口的二维中值滤波时间, 且降噪效果好[1]。
假设:输入图像为[X]M×N, 输出图像为[Y]M×N, 经过输入中值滤波处理后的图像为[X']M×N, 平滑滤波输出图像为[U]M×N, 列五输入中值滤波后的输出图像为[Y']M×N。那么:
2.2 自适应目标提取
设像素的灰度值时间函数为xk (i, j) , 一场图像的像素排列定义一个灰度矩阵 (k为场数) :
式中, 行矢量xk (i) =[xk (i, 1) , xk (i, 2) , …, xk (i, n) ]。
建立一场无运动目标存在的初始背景图像, 在此之后, 擦除视场中的运动目标, 以区域均值代替运动目标灰度值, 逐次更替背景图像。设背景图像为[G]M×N, k, 同样定义一个灰度背景矩阵:
式中, 行矢量gk (i) =[gk (i, 1) , gk (i, 2) , …, gk (i, n) ]。
为了提取动态目标, 计算实测图像与背景图像的灰度矩阵之差[△X]M×N, k:
设立一个门限值T, 将图像的灰度矩阵转换成图像灰度二值矩阵。由于经过中值-平滑滤波, 以及实测图像与背景图像的灰度差值运算, 目标和背景在灰度上有比较明显的差别。通过分析图像处理过程的数据, 为了动目标提取得实时性, 提出一种简单、快速的算法, 由实测图像的直方图确定灰度最大值xk, max及最小值xk, min, 取门限为
式中, α为常数, α∈{0.3, 0.6}。通过α的调节优化处理的结果, 压制外形边界上出现的干扰。
式中, qk (i, j) 为二值矩阵的元素, 则二值矩阵[Q]M×N, k为:
式中, 行矢量qk (i) =[qk (i, 1) , qk (i, 2) , …, qk (i, N) ]。
矩阵反映了在某距离、某时刻通过视场的动态目标图像的大小和形状。根据二值矩阵就可以进行多目标识别。
3 多目标自适应"波门"识别
由获取的二值特征图像参数, 经二值矩阵分析, 抽取目标图像面积、周长, 再用目标距离信息得到多目标面积、周长的关系;用目标图像中心位置的变化来确定其运动轨迹以及目标横向运动速度, 用目标距离的变化来确定其纵向运动速度, 再加上目标图像复杂度, 从而进行多目标识别[2]。完成对多目标的识别, 关键要建立一个自适应"波门"。
所谓自适应"波门", 是用数字"波门"来形成能够自己调节而适应多种目标的"波门"。该"波门"是将目标信号的前、后沿在视场中的位置量, 分别锁存于寄存器中, 由DSP通过数据采集口将目标的前、后沿位置量采入, 进行一系列判断, 找出目标在视场中上、下、左、右4个边缘, 利用目标图像4个边缘的位置数据, 通过校正后, 形成波门的上、下、左、右4个边。这样, 波门的大小就随目标图像的大小而变化, 如图2。
在这种自适应波门形成电路中, 对数字量进行校正是必要的, 否则, 波门的跟踪精度将难以满足系统要求。校正的方法比较多, 这里是利用前五场的目标位置量, 预测下一场的目标位置。预测值与实际下一场目标的准确值之差即为波门跟踪误差。为此, 应用函数构造理论, 以误差分析为依据, 构造一个自适应权函数, 形成一个综合预测算法:
式中, 表示利用直到k-1场的信息预测k+1场参数y, 其间隔两场是考虑到操作时间的需要, 和分别为线性预测器和二次预测器, ω为自适应权函数。二点线性预测器能较好地跟上动态目标的快速动作。
4 多"波门"系统的捕获与跟踪
在多波门跟踪系统中, 每一个波门的形成和单波门形成类似, 但并不是多个单波门的简单集合。对于单波门环路捕获和跟踪电视视场中的目标时, 单波门环路一般处于3种工作状态:当电视视场中没有目标信号时, 波门环路处于等待或搜索状态;当电视视场中出现目标信号时, 波门环路处于捕获状态;当波门捕获到目标信号时, 波门环路处于跟踪状态。
单波门环路的控制逻辑主要完成3种工作状态变化时, 各状态间信号的相应切换。
在多波门系统中, 各个波门环路不仅要完成上述3种工作状态变化时的各状态间控制信号的相互切换, 而且在多波门系统中各个波门之间的相互控制是必不可少的, 否则各个波门将去捕获同一个目标, 达不到多波门对多目标的跟踪要求。另外, 由于固定大小的波门对于小于波门的目标是没有问题的, 但当目标图像尺寸大于波门时, 会出现几个波门捕获同一个大目标的不同部分的问题, 因而, 各个波门均采用自适应波门。
视场内没有目标时, 系统处于等待状态, 并不断判别有无目标出现。目标出现时, 首先只允许第一波门对先出现的目标进行捕获, 若未捕获到目标, 则禁止其他波门对目标进行捕获;当第一波门捕获到目标后, 处于跟踪状态, 只跟踪波门内的目标, 同时将波门内的目标信号从视场中擦除, 这样, 其它波门环路对第一波门内的区域成为盲区, 再发出允许进行捕获的指令。第二波门在获得允许捕获的指令后, 重复以上类似运算。仅当第一、二波门都处于跟踪状态之后, 才发出允许第三波门对两波门以外的目标进行捕获的指令, 在第三波门获得进行捕获的指令后, 判别两波门以外的区域有无目标信号, 再作相关运算。
当下一场目标图像落在预测波门内, 则表示目标处于正常跟踪状态。对目标逐场的位置储存起来, 建立起目标的轨迹。对整个跟踪系统来说, 跟踪伺服机构是要驱动电视视场跟随目标而运动。
若视场中多个目标呈多元运动时, 采取特定的切选方案, 实现对某一目标的选择跟踪。
5 结束语
目前, 采用多片高速信号处理器构成的微型实时图像处理系统, 可有效解决图像处理系统受到运算速度、体积和成本限制的问题, 同时通过采取软件同步技术和对系统电路进一步优化、降额、温度补偿等[3], 可以提高系统应付复杂背景和处理多目标的能力。
参考文献
[1]王永仲, 琚新军, 胡心.智能光电系统[M].北京:科学出版社, 1999.
[2]宋丰华.现代空间光电系统及应用[M].北京:国防工业出版社, 2004.
基于图像处理技术的目标跟踪研究 篇7
中国经济进入高速发展的时期,交通需求越来越高,车辆和道路的矛盾越来越大,我国加紧了道路基础设施的建设,特别是高速公路和高等级公路得到高速发展。但是政府和专家们所设计道路的发展速度远远赶不上车辆的发展速度,发达国家在交通上遇到的问题,在中国来得比预期要早,甚至更严重。因此,单纯地进行道路基础设施的建设已经不可能解决交通问题,智能化交通系统在我国的提出和实施势在必行。
从视频图像中实现对目标的跟踪一直是计算机视觉、模式识别和图像处理等领域中非常活跃的课题,这一技术又是智能化交通信息采集系统的关键技术。所谓目标跟踪,即在一段序列图像中确定所感兴趣的运动目标在每幅图像中所处的位置并进行定位。运动目标跟踪通常是通过对运动检测处理后得到的图像序列进行分析,计算出目标在每帧图像上的二维位置坐标,并根据不同的特征值,将图像序列中不同帧中同一运动目标关联起来,得到完整的运动轨迹。运动目标跟踪不但可以提供被监控目标的运动轨迹,而且为许多交通参数和交通事件提供了可靠的数据来源,所以运动目标跟踪在视频交通监控中起着非常重要的作用。
1 运动目标跟踪方法分析
多目标跟踪的基本概念首先由Wax在1955年提出,随着理论的不断成熟,其在交通监控、天文观测中具有非常重要的使用价值和广泛应用前景。因此多目标跟踪的研究引起了许多研究者的兴趣和关注。基于视频的跟踪方法大致分为4类:基于特征的跟踪方法、基于模型的方法、基于区域的方法和基于动态轮廓的方法。
1.1 基于特征的跟踪方法
基于特征的跟踪方法有其致命的缺点:
① 伴随着复杂运动的简单运动,刚体运动目标的特征提取就会产生困难;
② 运动初始化时的难点。刚体的一些特征会因为遮挡而无法识别,但解决这些问题的同时又会使跟踪算法变得非常复杂。
1.2 基于模型的方法
基于模型方法的关键是已知车辆对象的精细三维模型与待检测图像之间的匹配操作。其缺点是过分依赖于车辆模型,而很明显不可能为公路上行驶的每种车辆都建立精细的模型。此外这种方法的计算量较大,不利于实时处理。
1.3 基于区域的方法
基于区域的方法通常与背景帧差分法一起使用,在车辆稀少时效果很好,但在很大程度上依赖于背景提取和更新算法的效果。
1.4 基于动态轮廓的方法
动态轮廓模型跟踪方法的主要思想是先初始勾勒出车辆的轮廓并且不断地在后续帧更新轮廓进而达到跟踪的目的。这种方法其实是基于区域方法的一个变形,与区域法相比优点在于计算量低,而缺点是存在初始化困难的问题。此外,存在和区域法一样的问题,即在阴影和拥塞情况下效果欠佳。
从实质上来讲,目标的跟踪就是进行数据关联,对于视频图像序列,就是要在相邻帧进行目标匹配,如果相似性度量定义为距离度量,那么匹配过程就是找到最小距离值。当前图像帧处理完毕后接着处理下一帧图像,如此循环操作。为了减少匹配点的数量,本文采用基于轮廓的匹配方法,即对运动区域的边缘图像进行匹配跟踪。
2 Hausdorff距离跟踪
Hausdroff距离(简称HD)建立在特征之间近似程度这种概念上,不要求点与点之间的一一对应,对形变不敏感。而且双向HD不仅能保证图像近似于模板,也同时保证模板近似于图像,在比较困难的情况下,匹配也能获得较好的效果,故比较被常用。
2.1 Hausdorff的关键技术
经典的HD定义如下:
H(A,B)=max(h(A,B),h(B,A))。
式中,h(B,A)和h(B,A)为集合A与B之间的有向距离,其定义为:
h(A,B)=max{min‖a-b‖},
h(B,A)=max{min‖b-a‖}。
HD距离表征了2个点集之间的最大不相似程度,当HD距离最小时,其匹配程度最大。为了提高其匹配的精度与速度,本文将多分辨率分析思想引入其中。
多分辨率分析可以采用“金字塔”结构,对图像进行由粗到精的分层匹配。对边缘图像和距离变换图进行隔行隔列子采样,在每一层上计算相应的距离变换图和边缘图像的有向Hausdorff距离。
假设已知模板B和待匹配的未知二值图像A大小分别为p×q和P×Q,且p
undefined
匹配速度依赖于每一层参考点的数目,而参考点的选择和阈值密切相关。阈值选择得较大,参考点数目增多,匹配计算时间增多,反之亦然,但会降低匹配精度。
2.2 运动位置预测
采用Hausdorff距离模板匹配时,模板要进行全局搜索,计算量大导致系统实时性的降低。因此,本文采用于Kalman滤波相结合的方法以缩小搜索范围提高匹配速度。
假设运动系统的状态变化方程和观察方程分别为:
z(k)=Φ(k,k-1)z(k-1)+w(k),
y(k)=H(k)z(k)+v(k)。
Kalman滤波器包含2个步骤:
① 对状态和误差的协方差进行预测;
② 求出Kalman增益,对状态和误差的协方差进行更新。
系统状态预测方程为:
undefined。
Kalman增益方程为:
k=Pb(k)HT(HPb(k)HT+R(k))-1。
状态更新方程为:
undefined。
协方差更新方程为:
pa(k)=pb(k)-K(k)H(k)Pb(k)。
式中,下标a和b分别表示更新前后。实现运动目标的跟踪算法是首先将分割出的运动对象作为初始模板图像,得到目标初始位置;然后使用Kalman滤波预测目标在下一帧可能出现的范围,这一步骤不仅可以提高跟踪速度,还可以在目标暂时丢失时,在后续帧内找到要匹配的目标;最后用改进的Hausdorff距离度量来找出后续帧中的运动对象,修整其形状作为新模板,这样就能实现连续跟踪,直到运动对象从面中消失。
3 仿真结果
对于整个跟踪过程总体来说,首先对视频序列中的一帧图像,即将当前图像帧中的区域和前一帧中已存在的目标区域(经Kalman滤波预测后区域)进行匹配,如果将一帧中的目标区域表示为一个目标列表,将当前图像帧中的所有区域(背景区域除外)表示为一个测量列表,针对车辆列表中的每一个元素,根据Hausdorff距离匹配找到最小距离值,即在目标列表中找到与之最相似的元素。之后,就要用新的域区更新目标列表中的目标区域,所有的测量元素和目标元素都处理完毕后,就获得一个新的目标列表,当前图像帧也就处理完毕,接着处理下一帧图像,如此循环操作。
本文对一段视频序列进行采样实验验证,针对本文所选取视频序列,过程描述如下:
首先选取跟踪的模版图像。例如本文取例为图像序列其中第80帧,之后对第80帧用Canny算子检测出的边缘图像,该边缘图像先通过Kalman滤波器预测运动目标的位置,据此定出该帧运动目标可能出现的范围块,此范围块并未取完整帧。接着从此范围块中提取出的与此前选取模版最相似的形状区域,即为匹配的结果二值图像,将其作为模板,跟踪下一帧图像。另外,由于搜索范围的减小,搜索时间相应的缩短。以本次跟踪为例,估计的匹配范围约为整帧图像的1/7,则匹配时间缩短为原来的1/7。
4 结束语
实验表明,基于多分辨率分层Hausdorff距离和Kalman滤波的运动目标预测相结合的目标跟踪算法具有良好性能,达到提高匹配速度的目的,提高了算法效率,准确的运动目标跟踪不仅适用于智能交通系统的信息采集,还适和其他相关方向应用。运动目标的实时检测和跟踪是一项具有重要理论价值和广阔应用背景的研究课题,在基于Hausdorff距离的模板匹配算法中,本文使用的模板和跟踪框的大小是固定的,这样当目标的尺寸变化较大时,容易造成模板和目标的信息丢失。在以后的研究中,要对模板和跟踪框的自适应更新做进一步的研究。
摘要：基于视频的交通信息采集目前已成为计算机视觉领域新兴的研究方向,准确的运动目标跟踪是其关键技术并为智能交通系统奠定基础。详细介绍了几种常用的目标跟踪算法,并对目前算法相对成熟、匹配效果较好的Hausdorff算法深入研究,随后针对其计算量大的问题,采取了一种新策略,即Hausdorff算法与Kalman滤波器对目标运动进行预测估计相结合的方法进行运动目标的跟踪。
关键词：图像处理,目标跟踪,Hausdorff距离,Kalman滤波
参考文献
[1]李婷,尹怡欣.一种改进的Hausdorff距离目标跟踪算法[J].微计算机信息,2007,23(3-2):237-239.
[2]HUFENLOCKER D P,KLANDERMAN G A,RUCKLIDGE W J.Comparing Images Using the Hausdorff Distance[J].IEEE Trans PAMh,1993,15(9):850-863.
[3]张文杰,戚飞虎,江卓军.实时视频监控系统中运动目标检测和跟踪的一种实用方法[J].上海交通大学学报,2002,36(12):1837-1840.
目标图像 篇8
在电视制导系统中,CCD捕获的电视序列图像通过自适应阈值二值化成为二值图像后,系统快速识别图像中包含的多个不同目标并提取其形状、面积、坐标位置和其他特征的能力,是电视制导系统自动识别和跟踪导弹目标、抵抗各种主动干扰[1]的关键技术。为了将多个不同目标的特征信息提取出来,常用标记二值化图像连通区域的方法。主要的连通域标记方法有如下几种:区域增长法、反复扫描法、两次扫描法、图像索引法。其中,图像索引法基于图像索引不同的表示方式又可分为四叉树表示、链码表示、游程表示等[2,3,4]。上述的二值图像标记算法对于电视制导系统来说存在两大缺点:一是实时性不强,一般要对图像进行两次遍历;二是所需要的存储空间多,而且空间分配不灵活,对于相对简单的情况空间的占用也不会减少[5,6]。针对现有算法的上述弊端,配合本电视制导系统由FPGA加DSP组成的硬件并行处理系统,我们设计了基于二值图像索引图的快速目标标记和特征提取算法:首先对原始图像进行一次遍历生成索引图,由FPGA完成,这时无需进行任何图像标记和计算的操作;然后由DSP针对索引图进行一次附加了计算的遍历,即可快速完成二值图像的目标标记和特征提取。
2 建立索引图
2.1 索引图的结构设计
在本算法中最为核心的数据结构就是索引图。在本跟踪系统中,二值化后的图像由两种灰度值的像素点组成,亮的点用“1”表示,暗的点用“0”表示。我们跟踪的目标为飞行中的导弹,其特点是亮度值比背景要高,所以在本系统中,亮的点表示了要跟踪的目标,而暗的点是目标的背景。由于我们需要的是目标的信息和特征,所以我们在建立索引图的时候只考虑亮点的信息。一幅图像是由很多行组成的,在单独的一行中,由可能的目标的形态特征可知,亮点一般都会连成一段段连续的游程,我们就以这一段段连续亮点组成的游程为基本单位,建立我们的索引图。事实上在文献[7]中提到了以游程为单位建立索引图的办法,但我们在他的基础上进一步完全舍弃了暗点的信息,并且事实证明舍弃暗点信息后我们的算法完全能够实现标记目标并输出目标面积、形心等特征的功能,这样就进一步节省了储存空间的开销。
我们所建立的索引图由标识了单个游程的许多索多索引单元组成,每一个索引单元都包含了Begin、End、Length、Line和Tag五个项目,每个项目包含的具体信息见表1中说明,其中坐标轴定义满足基本的图像坐标定义即原点位于左上角。
索引单元中Length和End是两个有所重复的信息,因为Begin+Length=End,但我们在后面的编程中发现涉及End大小的比较运算非常的频繁,直接由FPGA给定End值可以减轻DSP的运算负担,达到以一点点的空间换取实时系统中非常宝贵的时间的效果。
2.2 索引图的生成
按照设计,索引图的生成由FPGA来完成,对原始图像的遍历只需进行一遍,就可以建立起完整的索引单元数组。这一部分的核心算法是前一像素比较法,即我们定义一个辅助变量prepixel用来表示当前像素点的前一像素的值。这样每当遍历到一个像素点,像素点的值有0和1两种情况,prepixel的值也有0和1两种情况,综合起来就是“00”、“01”、“10”、“11”四种情况。其中“00”、“11”都没有发生状态的变化,而“01”、“10”则分别表示了亮点段的终结和开始,在这两种情况下建立和储存索引单元即可。需要注意的是当到达一行的末端(最右端)的像素点时,必须给出额外的判断;如果当前正在遍历亮点段,则亮点段终结;如果当前是一个孤立的亮点(即末端像素点是亮点,之前是暗点),则新建一个索引单元并马上结束它。
3 基于索引图的目标信息获取算法
在得到了原始图像的索引图即索引单元结构数组之后,我们要通过遍历此索引图得到我们需要的全部信息,包括目标的个数,各个目标的面积、质心,为了方便后面要进行的目标识别操作,还要计算出各个目标的二阶矩不变向量。根据系统的上述设计目标,我们设计了一套基于索引图的目标信息获取算法,只需遍历索引图一次,就可同时计算得出所有需要的信息,算法具体流程如下:
第一步,初始化。
需要初始化的变量包括目标计数器target Number,连通计数器connect Number,标记计数器tag Number,用于存放目标面积的临时数组Areatmp[],用于存放目标∑xi、∑yi、∑xiyi、∑xi2和∑yi2值的临时数组co Xtmp[]、co Ytmp[]、mxytmp[]、mx2tmp[]和my2tmp[],以及个别用于数值传递的临时变量,以上变量值都初始化为0,循环变量i值设为1。这里xi表示组成目标的任一像素点在图像中的横坐标值,∑xi表示组成目标的所有像素点的横坐标值的累加,其余以此类推。
第二步,从第一个索引单元开始遍历索引图。
由索引图的生成算法可知在索引图中各个索引单元排列的顺序与其在原始图像出现的顺序,按从左到右,从上到下的方向保持一致。所以第一个索引单元一定是第一个目标,将此索引单元的Tag值记为1,标记计数器记为1,Areatmp[],co Xtmp[],co Ytmp[],mxytmp[],mx2tmp[]和my2tmp[]这几个临时数组的第一位都根据其定义计算并存放上相应的值,并初始化两个用于标记操作行的变量linenow和linepre为当前遍历行的y坐标和前一遍历行的y坐标。
第三步,循环变量i加1,检查是否已经遍历完毕。
如果遍历完成了,进入第七步;如果没有则进入第四步。
第四步,检查当前遍历的索引单元data(i)的Line值是否与linenow一样,若不一样则将linenow置为当前索引单元Line值,linepre置为linenow减1。
第五步,从当前索引单元的前一个单元起逆向遍历索引图,检查排在当前索引单元之前的其他索引单元与当前单元的8-连通关系。
a):设定循环变量j=i-1。
b):j值减1,到j=0时循环终止,进入第六步,否则进入c)。
c):检查data(j)的Line值,如果Line值小于linepre,说明data(j)不位于当前索引单元data(i)所在行的前一行,所以data(j)不可能与data(i)连通,此时循环将马上终止,进入第六步。如果Line值等于linepre,说明data(j)有可能和当前索引单元data(i)是连通的,进入d)。
d):判断两个索引单元是否8-连通,若不连通,进入b)。如果发现8-连通关系,将连通计数器connect Number加1,进入e)。
e):当connect Number等于1时,更改当前索引单元data(i)的Tag值为逆向遍历到的索引单元data(j)的Tag值。根据定义算出当前索引单元的面积、∑xi等值后,与各个临时数组中位于data(i).Tag位置的值相累加。
当connect Number大于1时,说明已经不止一个前向索引单元与当前索引单元连通了。此时必须将各个临时数组如Areatmp[],co Xtmp[]等中位于data(j).Tag位置的值与位于data(i).Tag位置的值合并并储存于data(i).Tag位置,将data(j).Tag位置的值置0。然后再生成一个逆向遍历循环,遍历当前i值以前的所有索引图单元并将所有Tag值为data(j).Tag的索引单元的Tag值改为data(i).Tag。
做完上述操作后回到b)。
第六步,如果在经历了第五步之后connect Number的值仍然为0,说明当前索引单元属于一个新的目标。将tag Number值加1后赋给当前索引单元的Tag值。将所有在第二步中提到的临时数组的第i位根据其定义计算并存放上相应的值,重设linenow和linepre为当前遍历行的y坐标和前一遍历行的y坐标。
如果connect Number不为0,则只是简单的将connect Number置为0。
完成上述操作后返回第三步。
第七步,此时索引图遍历已经完成。从Areatmp[]等数组中抽取所有非0值即得所需的目标信息,再代入公式[8]计算可得到目标个数及所有目标的面积、质心坐标和二阶矩不变向量。
4 针对序列图像处理的并行性设计
在本系统中,待处理的电视图像以场为单位,图像大小为512像素×256像素,场周期为20ms。FPGA输出索引图时,它不需要知道整个图像后面的内容,只需一行一行地扫描图像,并顺序输出索引单元,而不会出现前后两幅图像混淆的情况。
而在DSP针对索引图进行计算时,由本文2中所述算法可知,所有的比较和计算操作都只与已经遍历过的索引单元相关,当然在DSP的内部储存空间中可能需要一些空间来储存已经遍历过的索引单元,但索引单元的总数以及当前遍历的索引单元之后的所有索引单元,都对当前的遍历行为没有影响。
由此可知,通过一个双口RAM相连接,在FPGA输出第一个索引单元之后,DSP就可以开始进行计算了,而当FPGA输出完整个索引图后,DSP将在这之后的某一时刻结束计算。DSP不需要等待FPGA输出完整个索引图后才开始计算,这一设计给系统带来了极高的并行性。对双口RAM的读写操作可以采用信号灯操作(即PV操作)的方式来进行控制,通过两个信号灯变量“FPGAwrite”和“DSPread”(FPGAwrite初始化为双口RAM的容量大小,DSPread初始化为0)来保证双口RAM中的数据的正确性。
5 系统实验
系统实验分为模拟仿真实验和靶场实弹飞行实验两种情况。图1是一幅模拟视场中包含四个目标的二值化图像,应用前述算法对该图像进行处理得到了四个目标的相关信息如表2所示。从表中可以看出,使用本文提出的二值图像目标快速标记及特征提取算法可以非常准确地得到目标个数、质心坐标、目标面积和二阶不变矩量,为后续的目标识别和定位跟踪提供了可靠的保证。
在靶场实弹飞行实验中,导弹飞行非常平稳,高精度地击中了3000m的目标,从整个跟踪过程的电视制导系统输出结果看,应用本文算法的系统处理时间从未超过20ms场周期,即没有出现图像分割失败或不连续的情况,很好的满足了系统实时性的要求。表3是截取了电视制导系统跟踪导弹过程中连续10场图像导弹目标的特征输出结果,从表中可以看出,系统对导弹目标的标记和特征提取正确,导弹目标得到了准确的识别和精确的跟踪。
6 结论
本文采用一种基于索引图的快速目标标记算法,实现了电视制导系统序列图像的分割与目标特征提取。在该算法中,原始图像经过一次遍历可得一张只含目标信息的索引图,在对原始图像遍历时不进行任何图像标记和计算的操作;所有的标记和计算仅针对索引图,即只针对被压缩了的图像数据,数据计算量显著减少。在电视制导系统的硬件使用上,索引图的建立由FPGA完成,索引图的标记和计算由DSP完成,两项工作并行完成。本文特别设计了针对索引图遍历的优化算法,对索引图只需遍历一遍,并且边遍历边计算,所有计算只与已经遍历的索引单元节点相关。这样的前向型流程设计使FPGA和DSP之间的数据传递实现了流水线式操作,提高了系统的并行处理效率。经系统实验证明,本文的算法完全可满足电视制导系统快速实时识别和跟踪导弹目标的要求。
参考文献
[1]刘光灿,白廷柱,周中定.红外测角仪抗红外干扰的信息处理方法[J].光电工程,2006,33(4):6-9.LIU Guang-can,BAI Ting-zhu,ZHOU Zhong-ding.Anti infrared interference information processing method of the infrared angular instrument[J].Opto-Electronic Engineering,2006,33(4):6-9.
[2]Suzuki K,Horiba I,Sugie N.Linear-time connected-component labeling based on sequential local operation[J].Computer Vision and Image Understanding,2000,89:1-23.
[3]Zenzo S D,Cinque L,Levialdi S.Run-based algorithms for binary image analysis and processing[J].IEEE Transactions on Pattern Recognition and Machine Intelligence,1996,18(1):83-89.
[4]Dillencourt Michael B,Samet Hannan,Tamminen Markku.A general approach to connected-component labeling for arbitrary image representations[J].J.ACM,1999,39(2):253-280.
[5]陈忠碧,张启衡.一种适合于多目标检测的图像分割方法[J].光电工程,2004,31(5):34-37.CHEN Zhong-bi,ZHANG Qi-heng.An image segmentation algorithm suitable for multi-object detection[J].Opto-Electronic Engineering,2004,31(5):34-37.
[6]刘关松,吕嘉雯,徐建国,等.一种新的二值图像标记的快速算法[J].计算机工程与应用,2002,4:57-59.LIU Guan-song,LJia-wen,XU Jian-guo,et al.A new algorithm for fast pixel labeling in binary images[J].Computer Engineering and Applications,2002,4:57-59.
[7]王铁生,施鹏飞.二值图像的快速标记方法及其应用[J].微型电脑应用,2004,20(6):6-9.WANG Tian-sheng,SHI Peng-fei.Fast labeling of binary images and its application[J].Microcomputer Applications,2004,20(6):6-9.