專利名稱：基于定向邊緣的快速二維目標定位的制作方法
技術領域：
本發(fā)明涉及計算機視圖，并且更特別涉及一種基于特征的二維目標定位方法。
2.背景技術快速目標定位是監(jiān)視(inspection)系統的一個重要部分。定位方法主要依賴于灰度值圖樣(pattern)的標準化模板匹配。灰度值圖樣匹配存在若干缺點。例如，模板匹配相對慢，并且如果搜索范圍較大或者該方法需要容忍目標旋轉，該速度會加劇變慢。此外，模板匹配對于無法通過針對亮度和對比度的標準化進行補償的照度變化是敏感的。
通過使用多分辨率技術或分級搜索方法，有幾種在灰度級領域加速匹配操作的方法。然而，上述方法對于照度變化是不穩(wěn)定的。
因此，就存在對照度變化穩(wěn)定的邊緣抽取方法和系統的需要。

發(fā)明內容
根據本發(fā)明的一個實施方式，一種目標定位的方法包含步驟限定目標定位的邊緣模型，以及搜索與該邊緣模型匹配的目標的圖像。搜索步驟包含限定包括目標部分的興趣區(qū)域，二次取樣興趣區(qū)域以及從興趣區(qū)域抽取包含多個邊緣的邊緣圖像。搜索進一步包含細化該邊緣圖像的至少一個邊緣，根據距離變換確定圖像和邊緣圖像間的距離映射，以及在根據距離映射限定的搜索區(qū)域內使邊緣模型與邊緣圖像匹配。
所述的距離映射限定了每個圖像像素到邊緣圖像的最近邊緣像素的距離。
匹配步驟進一步包含根據到下一個圖像邊緣象素的距離和邊緣取向中的差別確定誤差量度。匹配步驟進一步包含使在多個旋轉(rotation)中的邊緣模型與邊緣圖像相匹配。所述方法進一步包含確定邊緣模型的各個旋轉相對于邊緣圖像的誤差。確定誤差的步驟進一步包含確定各個模型邊緣點到下一個圖像邊緣像素的距離，確定每個模型邊緣的相應像素在邊緣取向上的差別，以及截短到下個圖像邊緣象素的距離和在邊緣取向上的差別。確定誤差的步驟進一步包括將到下一個圖像邊緣像素的距離和在邊緣取向上的差別換算到給定間隔，確定到下一個圖像邊緣像素的距離的和在邊緣取向上的差別的相對權值，和確定誤差，該誤差是遍及模型邊緣點的匹配誤差的總和。
限定邊緣模型的步驟包含限定包括要訓練的(trained)目標的一部分的興趣區(qū)域，二次取樣興趣區(qū)域，從興趣區(qū)域抽取包含邊緣的邊緣模型圖像，細化邊緣模型圖像的至少一個邊緣，并且選擇若干邊緣像素，其中，選擇的邊緣像素組包括邊緣模型。該方法進一步包含確定多個相應于在離散步驟中旋轉的邊緣模型的旋轉邊緣模型。
所述方法包含通過迭代最近點將邊緣模型與邊緣圖像相匹配。通過迭代最近點將邊緣模型與邊緣圖像相匹配的步驟包含為邊緣模型中的各個像素確定在相應的搜索區(qū)域中邊緣圖像的最近邊緣像素，確定變換參數，其中，根據邊緣模型的多個像素到邊緣圖像的多個像素的總距離，該變換參數將邊緣模型和邊緣圖像之間的距離最小化，并根據該變換參數校正該模型的位置。
根據本發(fā)明的一個實施方式，提供了一種程序儲存裝置，該程序存儲裝置可由機器讀取，有形地包含可由機器執(zhí)行的指令程序以便執(zhí)行用于目標定位的方法步驟。


下面將參照附圖更詳細描述本發(fā)明的優(yōu)選實施方式圖1是根據本發(fā)明的一個實施方式的系統框圖；圖2A是根據本發(fā)明的一個實施方式訓練一個二維目標定位系統的方法的流程圖；圖2B是根據本發(fā)明的一個實施方式在二維目標定位系統中搜索的方法的流程圖；圖3A是根據本發(fā)明的一個實施方式的訓練圖像；圖3B是圖3A的訓練圖像的圖，其中根據本發(fā)明一個實施方式使用了邊緣濾波器；圖3C是圖3A的訓練圖像的圖，其中該訓練圖已經被細化和二元化，并根據本發(fā)明的一個實施方式使用了邊緣濾波器；和圖4是根據本發(fā)明的一個實施方式確定誤差的方法的流程圖。
優(yōu)選實施方式的詳細描述一種在灰度級圖像中基于特征的二維目標定位方法，可基于一個或多個目標(邊緣圖像)的定向邊緣表示的確定。對于一給定的邊緣圖像，在子采樣的預處理階段，可執(zhí)行平滑和邊緣濾波?？杉毣吘??？蔀檫吘増D像確定邊緣段的邊緣取向和長度?？蓪吘増D像確定距離變換?？紤]點距離和邊緣取向的匹配方法，確定灰度級圖像甚至是存在嚴重混亂的灰度級圖像中的一個或多個目標的定向和位置。
與基于面積的算法相反，根據本發(fā)明的一個實施方式，目標搜索不是基于灰度值圖像執(zhí)行，而是基于邊緣特征執(zhí)行。相對于灰度級圖像中照度的變化，邊緣更穩(wěn)定。因此，邊緣導致了比基于面積或模板的解決方案要更小的目標表示，并且能夠提高匹配(例如，加快)。雖然其它基于邊緣的定位方法僅僅依靠邊緣定位，但是根據本發(fā)明的一個實施方式，局部(local)邊緣取向明確地被并入匹配過程中。因此，能夠顯著降低混亂圖景的假有效率。
應該理解，本發(fā)明能夠以硬件、軟件、固件、特定目的處理器或其組合的各種形式實施。在一個實施方式中，本發(fā)明可以軟件實施為有形包含在一程序存儲裝置上的應用程序。該應用程序可以加載到并由任何適宜體系結構組成的機器執(zhí)行。
參考圖1，根據本發(fā)明的一個實施方式，實施本發(fā)明的計算機系統101除其它組件外可包含，中央處理單元(CPU)102，儲存器103和輸入/輸出(I/O)接口104。計算機系統101通常通過I/O接口104與顯示器105和如鼠標、鍵盤的各種輸入裝置106連接。輔助電路可包括如高速緩存、電源、時鐘電路和通信總線的電路。存儲器103可包括隨機存取存儲器(RAM)、只讀存儲器(ROM)、磁盤驅動器，磁帶驅動器等，或者其結合。本發(fā)明可執(zhí)行為程序107，其儲存在儲存器103中并由CPU102執(zhí)行以處理來自信號源108的信號，例如相機捕獲的包括興趣區(qū)域的圖像。因此，計算機系統101是通用計算機系統，在執(zhí)行本發(fā)明的程序107時其成為專用計算機系統。
計算機平臺101還包括操作系統和微指令代碼。此處描述的各種處理和功能可以是部分微指令編碼或者部分應用程序(或其結合)，其由操作系統執(zhí)行。此外，各種其它外圍設備也都可以連接到計算機平臺，如附加數據儲存設備和打印設備。
還應該理解的是，由于附圖中描述的組成系統的某些部件和方法步驟可以軟件實施，系統部件(或處理步驟)之間的實際連接可因本發(fā)明的編程方式而不同。假如本發(fā)明在此提供了教導，本領域的普通技術人員就能夠預期本發(fā)明這些及相似實施或配置。
參考圖2A，在訓練階段，包括被訓練目標的興趣區(qū)域(ROI)能夠被抽取201和二次取樣202。能夠應用邊緣濾波器確定水平和垂直方向的偏導數203。細化邊緣以便獲得一條大約一像素寬的線204。基于邊緣點的子集生成一目標205，其中邊緣點是邊緣像素的二次取樣。目標的不同取向可認為是不同的模型206。因此，能在離散步驟中旋轉目標且儲存邊緣點集以便用于隨后的匹配。
如圖2B所示的搜索階段，可對一搜索區(qū)域進行預處理。預處理包含抽取興趣區(qū)域211，二次取樣212，邊緣濾波213和細化214?？苫诙M制邊緣圖像確定距離變換215。搜索可用于將模型邊緣點與搜索區(qū)域216中的圖像邊緣像素相匹配，以及返回高于預定置信閾值的匹配。
在抽取邊緣之前，進行預處理和邊緣抽取，為了加快隨后的邊緣濾波和匹配方法，可通過二次取樣圖像降低圖像的分辨率。分辨率可通過系數n降低。例如，n＝2是指平均2×2的像素塊，并合并為一個像素。由于較大的n降低了定位的精確性，所以n的選擇要在執(zhí)行速度和定位精確性之間權衡。
分辨率能夠被固定。選擇固定分辨率的情況是為了在較低分辨率(大n)進行粗略的定位。一旦在低分辨率下發(fā)現目標，在所發(fā)現目標的臨近區(qū)域可以以較高分辨率進行更精確的局部搜索。這樣無需不得不高分辨率地搜索整個圖像，就可以高精確地定位目標。如果需要在子像素范圍內的定位精確性或者如果確定精確旋轉角度要比儲存的目標模型角度差異要好，則可采用基于ICP(迭代最近點)方法學的精密定位法以改進粗略定位。
雖然邊緣濾波器與Canny邊緣濾波器相似，但是，可結合幾種改變以加速該方法。如果用高空間頻率結構，邊緣過濾能會導致失真。為避免失真，可在邊緣過濾前用低通濾波器平滑圖像(例如，圖3A所示)。為了進行濾波，可采用3×3、5×5或者7×7的濾波屏蔽器。濾波器核心的型號可依據目標的結構來選擇。如果所訓練目標的特征是帶有銳度細節(jié)的邊緣，則較小核心更適合強調小結構。如果邊緣平滑，則較大核心比較適宜。此外，如果目標或者部分目標含有高空間頻率的構造(texture)，則建議采用較大核，以降低隨機構造邊緣并防止它們定位惡化。
可使用相應于x和y方向偏導數的兩種濾波器屏蔽第一種濾波器與水平邊緣結構對應，而第二種濾波器與垂直邊緣結構對應。由偏導數dx、dy可導出邊緣密度l(x，y)和邊緣方向Phi(x，y)l(x，y)＝Sqrt(dx(x，y)2+dy(x，y)2)；Phi(x，y)＝ArcTan(dx(x，y)/dy(x，y))；在速度最優(yōu)化的實施方式中，因為核是可分的，二維濾波器核的包卷(convolution)可用兩個一維核代替。
由邊緣過濾得到的圖像，例如，如圖3B所示，包括幾個像素寬的寬線。為減少搜索空間，可細化線的寬度，例如，至一個像素。這可通過估計在垂直于線條方向的局部邊緣強度達到。具有最大局部邊緣強度的像素可被選作線的中心像素，而其它邊緣像素被抹去。
通過將全部高于閾值的邊緣像素設為1而其余的低于閾值的像素設定為0，可將邊緣圖像二元化。圖3C示出了一個被細化和二元化的邊緣圖像。
任一剩余線段的長度都可以被確定。再者，可定義閾值，低于閾值的線段(例如，那些似乎是由干擾導致的線段)能夠被抹去。
關于目標模型的訓練，目標訓練的一個目的是為隨后的匹配抽取相關的邊緣。參考圖2，提取目標的圖像，優(yōu)選帶有均勻的背景的圖像，同時用戶可標記興趣區(qū)域201，例如，包括目標的矩形面積。興趣區(qū)域不需要包含整個目標。相反，在某些情況下子區(qū)域更合適，例如，如果其包括重要的邊緣而定位速度優(yōu)先的情況。如上述，興趣區(qū)域可被二次取樣202并抽取邊緣203，這樣就獲得了包含線段的二進制邊緣圖像。如果邊緣圖像僅包括幾個邊緣像素，可產生警告和用戶可指定一個不同的興趣區(qū)域。另一方面，如果邊緣圖像包括許多邊緣，就并不使用全部邊緣像素。相反，可隨機選擇這些邊緣像素的子集205，以便限制目標模型的規(guī)模并防止匹配方法的速度降低。根據本發(fā)明的一個實施方式，能夠限制邊緣像素的最大量，例如，100。
一旦建立了訓練目標的邊緣模型，通過加入用戶反饋，可進一步改進該模型。在繪圖工具如數字圖形輸入板和圖像應用程序的幫助下，用戶能夠校正邊緣表示(representation)。用戶可加入缺少的線和/或抹去由干擾或陰影導致的令人誤解的邊緣。
在訓練之前，若干參數可人工調整，該參數包括實例·目標旋轉角度范圍的限制；·興趣區(qū)域的指定，二次取樣系數和邊緣濾波寬度；·模型邊緣像素的最小和最大數量的指定；和·邊緣強度閾值的指定。
為了處理目標旋轉，在離散角度步驟206中，預先產生的包含一組邊緣點的目標模型能夠被旋轉，例如，一度。在訓練過程中，旋轉后的點組被預先確定并且儲存，這樣在運行中無需確定各個點的矩陣乘法就能找到它們。各個旋轉角的邊緣點可儲存在一個陣列中。除了前兩個點之外，像素的順序是隨機選擇的。前兩個點不應該彼此非?？拷Ｈ绻皟蓚€點之間的距離非常遠，則因為在前期可排除許多組態(tài)，匹配速度就能夠提高。
關于搜索目標的方法，搜索一個目的是發(fā)現搜索圖像中所有與訓練點組精密匹配的邊緣象素的位置。由于任意目標取向的每個位置的窮舉搜索在計算上是昂貴的，需要一種搜索策略以提高搜索速度。根據本發(fā)明的一個實施方式，距離變換可實施為一種搜索策略。一旦定義了興趣區(qū)域211，圖像能夠被二次取樣212，并且如上所述就可以獲得二進制邊緣圖像213&214。距離變換就能夠確定215。
關于距離變換，距離變換的結果是創(chuàng)造一個二次圖像(距離映射)，其中可將到最近邊緣點的歐幾里得距離分配給各個像素。因此，在距離變換之后，與邊緣相符的像素可分配值0，而各個不相符的各個像素可根據到下一邊緣的距離賦予正數值。為了目標匹配，僅僅在預定值或所需閾值以下的短距離才是相關的(截短的距離變換)。
截短距離變換可被實施為局部窗口操作，其僅需要應用在圖像的邊緣像素上。例如，如果匹配所需的最大距離是三，則對于所有的邊緣像素使用7×7操作窗口，即，在各個方向(例如，水平和垂直)環(huán)繞每個邊緣象素的三個像素或點。
為了實施常規(guī)距離變換(沒有截短)，Champfer距離可用作歐幾里得距離的近似值。這就允許根據所需近似的精確度，用基于3×3或者5×5窗口的快速雙通道算法計算完整的距離映射。
匹配方法216比窮舉搜索快。與窮舉搜索相比，可通過僅將圖像邊緣像素作為可能匹配的選擇物來提高匹配速度。從而，訓練的點組就移動到圖像中的各個邊緣像素，這樣點組的第一點完全與邊緣像素符合。所有的其余位置就無需檢驗。此外，可為各個備選點的匹配確定誤差量度。參考圖4，對于每一個模型邊緣點，到下一圖像邊緣像素(dist(i))的距離就利用上述距離映射取得401，同時取得相應像素的在邊緣取向上的差異(Phi(i))402。兩個值都能夠截短，和換算到間隔
403。Tdist，TPhi都是可用于截短誤差的閾值，它們的相對大小限定了距離和取向不匹配的相對加權404。所有N模型邊緣點的匹配誤差E(i)的總和就得到了特定位置的總誤差E，405Edist(i)＝min(1，dist(i)/Tdist)·Edist(i)點i的截短和換算距離
EPhi(i)＝min(1，Phi(i)/TPhi)·EPhi(i)截短和換算的邊緣取向差別
E(i)＝(Edist(i)+EPhi(i))/2·E(i)點i的誤差
E＝∑E(i)/N·E遍及所有點的平均誤差
E＝1是指完全不匹配和E＝0是完全匹配。誤差能夠轉換成置信值。
C＝(E-1)×100·C在
之間的置信值用戶指定置信度閾值以消除不良匹配。閾值T＝80意味著80％的邊緣像素與圖像相對應，這樣就檢測到目標。雖然默認值約70-80％產生了良好的結果，但用戶可修改該參數以控制檢測率和假有效率。如果背景混亂，建議使用高閾值以降低假有效率。如果背景均勻，低閾值會降低遺漏目標的可能。
當如上所述確定誤差后，可執(zhí)行用于提高匹配速度的第二測量。一旦平均誤差大于誤差閾值，就停止誤差計算并清消除這個位置。由于在檢驗幾個模型點而不是全部點組后排除多數的備選位置，這可導致有意義性能的增加。
至此所述的匹配方法依賴于第一特征點的出現。如果該點由于局部遮擋沒有在圖像中出現，即使其余的特征點都出現，也沒有檢測到匹配。這個問題可通過使用多個具有不同起始點的模型解決，但這會降低匹配速度。作為替代，根據本發(fā)明的一個實施方式，遮擋的問題能夠通過對于各個旋轉模型(在訓練過程確定的)選擇特征點的不同隨機順序而解決。如果由于沒有發(fā)現第一個點而沒有檢測到目標，由于該模型在Phi+/-1度角匹配，因此其仍然能夠被檢測到。其匹配，還因為它的第一個點不是在目標邊界的某一位置因此不太可能被遮擋。
可能在最佳匹配x，y，Phi的鄰域存在一些其它也非常適合的位置，因此要進行消除重復計數的方法。簡單的消除過程可以確保各個目標僅被檢測到一次。在任何時候，搜索過程都保留所有已經發(fā)現的目標與它們的位置和置信度的列表。如果檢測到新目標，將其與當前目標列表相比較。如果其中心靠近另一個目標，則僅僅保留具有高置信度的那一個。如果其距離所有其它位置足夠遠，則將其加入目標列表。
在背景混亂和各種照度的情況下，各種目標的試驗證明了二維目標檢測和定位的建議算法的穩(wěn)固性。在500Mhz Pentium 3個人計算機上，如果二次取樣參數n設定為2，邊緣預處理640×480圖像需要約20ms。搜索時間取決于各種因素。如果目標能夠360度旋轉，定位需要20-50ms。通過限制角度范圍，搜索時間成比例地減少。
至此所描述的匹配取得各個目標在圖景中的位置，其精確度依賴于像素尺寸和角分辨率(例如，目標模型被存儲時的離散角)。為獲得子像素的精確度，第一匹配的結果可用作在隨后的精確定位中改進的估計值。如圖2B所述，為了精確定位，可實施ICP(迭代最近點)法217。ICP已開發(fā)用于3D-點組的匹配。
對于ICP，邊緣點模型可初始地放置在粗略匹配所確定的位置處的搜索圖像中。對于各個模型點，確定在圖景中的最近邊緣點。這可通過利用先前確定的距離變換方便地獲得，而無需進一步的計算。一旦建立了點對應，即可確定變換參數(例如，位置、角度和比例)，該變換參數最小化圖像點組與模型點組之間的總距離。因此能夠校正模型的位置。通過確定一個新點對應和新的變換參數，該方法可以重復進行直到確定了所需的(例如，最優(yōu)的)匹配和并且沒有進一步改進的可能。因為該方法用在圖像中的幾個點，其中粗略定位已經發(fā)現目標，所以該方法能夠快速收斂(例如，低于10次迭代)，并且不會顯著增加總的搜索時間。
由于精確匹配方法反復“鎖住”目標，粗略匹配步驟的參數能夠放松(例如，通過使用較大角步長)。因為在第一定位過程中需要匹配較少的模型，這又改進了總的搜索時間。
雖然本發(fā)明可用于檢測和定位一個目標類，但其可用于不同目標種類的識別和區(qū)別。例如，如果需要區(qū)別幾個不同目標，可為各個目標種類訓練定位器，在搜索階段各個定位器可同時用于訓練目標的搜索區(qū)、定位和匹配記分。
本發(fā)明的系統和方法具有許多潛在應用。例如在進一步的測量之前(例如，距離測量，完整性檢查)，進行目標定位以規(guī)范化其位置。此外，目標的完整性(也就是訓練目標的對應性)可通過匹配記分來確定。由于該方法能用于多個目標類和能夠不考慮目標的位置和取向而確定目標，例如，在傳送帶上移動的目標，所以其還適宜于分類應用。此外，目標搜索速度意味著該系統和方法適合于用例如，計算能力有限的智能相機的實施(智能相機成本低且比基于PC的機器視圖方案更易于集成在生產過程中)。
已經描述了用于邊界抽取的前端傳送流程的方法的實施例，應該注意對于本領域熟練技術人員來說，根據上述教導能夠作出修改和改變。因此，應該理解在公開的本發(fā)明具體實施方式
中可以作出改變，這些改變都包含在如所附權利要求限定的本發(fā)明的范圍和精神的范圍內。因此，由于根據專利法的要求已經對本發(fā)明的細節(jié)和特性進行了描述，在所附的權利要求書中提出了在專利證書中要求和需要保護的內容。
權利要求
1.一種目標定位的方法，包括步驟限定目標定位的一邊緣模型；搜索與所述邊緣模型匹配的目標的一圖像，其包括步驟限定一興趣區(qū)域，其包括所述目標的一部分；二次取樣所述興趣區(qū)域；從所述興趣區(qū)域抽取包含多個邊緣的邊緣圖像；細化所述邊緣圖像的至少一個邊緣；根據一距離變換確定所述圖像和所述邊緣圖像之間的距離映射；和在根據所述距離映射限定的搜索區(qū)域內使邊緣模型和邊緣圖像匹配。
2.根據權利要求1所述的方法，其中，包含多個邊緣的所述邊緣圖像被二次取樣以抽取模型邊緣點。
3.根據權利要求1所述的方法，其中，所述距離映射限定了所述圖像的各個像素到所述邊緣圖像的最近邊緣像素的距離。
4.根據權利要求1所述的方法，其中，所述匹配步驟進一步包含步驟根據到下一個圖像邊緣像素的距離和邊緣取向的差別確定誤差量度。
5.根據權利要求1所述的方法，其中，所述匹配步驟進一步包含步驟使在多個旋轉中的所述邊緣模型與所述邊緣圖像相匹配。
6.根據權利要求5所述的方法，進一步包含確定相對于所述邊緣圖像的所述邊緣模型的各個旋轉的誤差的步驟。
7.根據權利要求6所述的方法，其中確定誤差進一步包含步驟確定各個模型邊緣點的到下一個圖像邊緣像素的距離；確定各個模型邊緣的相應像素在邊緣取向上的差別；截短到所述下個圖像邊緣像素的所述距離和邊緣取向上的所述差別；將到所述下個圖像邊緣像素的所述距離和在邊緣取向上的所述差別換算到一給定間隔；確定到所述下個圖像邊緣像素的距離的和在邊緣取向上的差別的相對權值；和將一誤差確定為遍及所有模型邊緣點的匹配誤差的總和。
8.根據權利要求1所述的方法，其中限定所述邊緣模型包含步驟限定興趣區(qū)域，其包括要訓練的目標的一部分；二次取樣所述興趣區(qū)域；從所述興趣區(qū)域抽取包含多個邊緣的邊緣模型圖像；細化所述邊緣模型圖像的至少一個邊緣；和選擇多個邊緣像素，其中一個選擇的邊緣像素組包含所述邊緣模型。
9.根據權利要求8所述的方法，進一步包含步驟確定多個相應于在所述離散步驟中旋轉的所述邊緣模型的旋轉邊緣模型。
10.根據權利要求1所述的方法，進一步包含通過迭代最近點將所述邊緣模型與所述邊緣圖像相匹配，其包含步驟為所述邊緣模型中的各個像素，確定在相應的搜索區(qū)域中所述邊緣圖像的最近邊緣像素；確定變換參數，其中，根據所述邊緣模型的多個像素到所述邊緣圖像的多個像素的距離和，所述變換參數最小化所述邊緣模型和所述邊緣圖像之間的距離；和根據所述變換參數校正所述模型的位置。
11.一種程序儲存裝置，該程序存儲裝置可由機器機讀取，有形地包含可由所述機器執(zhí)行的指令程序以便執(zhí)行用于目標定位的方法步驟，該方法步驟包含限定目標定位的一邊緣模型；搜索與所述邊緣模型匹配的目標的一圖像，其包括步驟限定一興趣區(qū)域，其包括所述目標的一部分；二次取樣所述興趣區(qū)域；從所述興趣區(qū)域抽取包含多個邊緣的邊緣圖像；細化所述邊緣圖像的至少一個邊緣；根據一距離變換確定所述圖像和所述邊緣圖像之間的距離映射；和在根據所述距離映射限定的搜索區(qū)域內使邊緣模型和邊緣圖像匹配。
12.根據權利要求11所述的方法，其中，包含多個邊緣的所述邊緣圖像被二次取樣以抽取模型邊緣點。
13.根據權利要求11所述的方法，其中，所述距離映射限定了所述圖像的各個像素到所述邊緣圖像的最近邊緣像素的距離。
14.根據權利要求11所述的方法，其中，所述匹配步驟進一步包含步驟根據到下一個圖像邊緣像素的距離和邊緣取向的差別確定誤差量度。
15.根據權利要求11所述的方法，其中，所述匹配步驟進一步包含步驟使在多個旋轉中的所述邊緣模型與所述邊緣圖像相匹配。
16.根據權利要求15所述的方法，進一步包含確定相對于所述邊緣圖像的所述邊緣模型的各個旋轉的誤差的步驟。
17.根據權利要求16所述的方法，其中確定誤差進一步包含步驟確定各個模型邊緣點的到下一個圖像邊緣像素的距離；確定各個模型邊緣的相應像素在邊緣取向上的差別；截短到所述下個圖像邊緣像素的所述距離和邊緣取向上的所述差別；將到所述下個圖像邊緣像素的所述距離和在邊緣取向上的所述差別換算到一給定間隔；確定到所述下個圖像邊緣像素的距離的和在邊緣取向上的差別的相對權值；和將一誤差確定為遍及所有模型邊緣點的匹配誤差的總和。
18.根據權利要求11所述的方法，其中限定所述邊緣模型包含步驟限定興趣區(qū)域，其包括要訓練的目標的一部分；二次取樣所述興趣區(qū)域；從所述興趣區(qū)域抽取包含多個邊緣的邊緣模型圖像；細化所述邊緣模型圖像的至少一個邊緣；和選擇多個邊緣像素，其中一個選擇的邊緣像素組包含所述邊緣模型。
19.根據權利要求18所述的方法，進一步包含步驟確定多個相應于在所述離散步驟中旋轉的所述邊緣模型的旋轉邊緣模型。
20.根據權利要求11所述的方法，進一步包含通過迭代最近點將所述邊緣模型與所述邊緣圖像相匹配的步驟，其包含步驟為所述邊緣模型中的各個像素，確定在相應的搜索區(qū)域中所述邊緣圖像的最近邊緣像素；確定變換參數，其中，根據所述邊緣模型的多個像素到所述邊緣圖像的多個像素的距離和，所述變換參數最小化所述邊緣模型和所述邊緣圖像之間的距離；和根據所述變換參數校正所述模型的位置。
全文摘要
一種用于目標定位的方法，其包含步驟限定包括目標一部分的興趣區(qū)域(211)，二次取樣興趣區(qū)域(212)，以及從興趣區(qū)域抽取包含多個邊緣的邊緣圖像(213)。搜索進一步包含細化邊緣圖像的至少一個邊緣(214)，根據距離變換確定圖像和邊緣圖像之間的距離映射(215)，以及在根據距離映射限定的搜索區(qū)域內匹配邊緣模型與邊緣圖像(216)。
文檔編號G06T7/00GK1685367SQ03823534
公開日2005年10月19日 申請日期2003年8月27日 優(yōu)先權日2002年10月2日
發(fā)明者C·紐鮑爾, M·方 申請人:西門子共同研究公司