專利名稱:一種基于時空協(xié)同判定的“貓眼”效應目標識別方法
技術領域:
本發(fā)明涉及一種圖像識別方法,特別是涉及一種基于時空協(xié)同判定的“貓眼”效應 目標識別方法。它是利用激光成像探測系統(tǒng)獲取圖像序列并識別“貓眼”效應目標,屬于激 光成像及數(shù)字圖像處理技術領域。
背景技術:
一般地,成像光學系統(tǒng)可以近似看成是一個透鏡與一個探測器焦平面的組合,當 一束入射的平行激光束聚焦到焦平面上時,由于焦平面是一個反射面,按光的可逆原理,激 光束會沿原路返回,從而產(chǎn)生方向性好、能量集中的平行反射光,其光強大大超過普通漫反 射光強,這就是成像光學系統(tǒng)的“貓眼”效應。針對光學系統(tǒng)的“貓眼”效應,目前國內(nèi)外的許多研究已證實了它的應用價值。其 中,基于“貓眼效應”的激光主動探測系統(tǒng),因其具有早期預警的優(yōu)勢,得到了廣泛的應用。 目前國內(nèi)有關于通過激光成像及圖像處理實現(xiàn)“貓眼”效應目標探測的文獻報道,其采用了 基于目標灰度和形狀特征的識別方法,然而該方法在復雜背景中識別目標效果不佳,缺乏
可靠性。
發(fā)明內(nèi)容
1、目的本發(fā)明針對已有識別方法的不足,提供了一種基于時空協(xié)同判定的“貓 眼”效應目標識別方法。該方法處理的圖像源是利用脈沖激光作為照明光源以及高速工業(yè) 相機作為探測器采集的圖像序列。2、技術方案見圖1、圖2,本發(fā)明一種基于時空協(xié)同判定的“貓眼”效應目標識別 方法,該方法具體步驟如下步驟一獲取主被動圖像;步驟二 主被動圖像差分運算;步驟三閾值分割;步驟四二值化圖像邏輯與運算;步驟五標記連通域并記錄其形心坐標;步驟六記錄灰度值集合;步驟七分析灰度值集合;步驟八鎖定目標區(qū)域。本發(fā)明通過高速工業(yè)相機對脈沖激光照明的目標場景進行成像,在激光脈沖高電 平和低電平持續(xù)時間內(nèi)分別獲得主動圖像(主動圖像即依靠自主光源出射光輻射經(jīng)待測 目標反射的光信號所形成的像)和被動圖像(被動圖像即依靠目標本身輻射光或者反射光 形成的像);選取多對主被動圖像分別進行相減運算,得到多幅差分圖像,再通過自適應閾 值分割出相應的二值化圖像;相鄰的二值化圖像進行邏輯與運算和形態(tài)學閉運算(閉運算 即先膨脹再腐蝕的形態(tài)學變換,膨脹即采用向量加法對兩個集合進行合并,腐蝕即采用向量減法對兩個集合進行合并)得到一系列分割區(qū)域,再通過形心公式求出每個分割區(qū)域的 形心坐標,并分析這些形心坐標點在圖像序列中的灰度值分布頻率,與激光脈沖頻率進行 比對。若通過頻率比對后得到多個頻率匹配分割區(qū)域,則再通過圓形度和偏心率對相應分 割區(qū)域作進一步判別,最后鎖定目標所在區(qū)域。3、優(yōu)點及功效本發(fā)明的優(yōu)點是實現(xiàn)了背景分離,降低了圖像處理的數(shù)據(jù)量,并且 采用目標空間特性和時間特性作為判據(jù)識別目標,具有高可靠性。
圖1為本發(fā)明的流程框圖;圖2是對步驟七分析灰度值集合和步驟八鎖定目標所在區(qū)域內(nèi)容的具體說明圖。圖中符號說明如下S101-S108是表示步驟一至步驟八的步驟代號;S201-S206是步驟七和步驟八內(nèi) 容解釋的步驟代號。
具體實施例方式本發(fā)明采用脈沖激光作為主動光源,能實現(xiàn)全天候目標識別;接收設備使用高速 工業(yè)相機;能在數(shù)字信號處理器平臺上實現(xiàn)實時高速的目標識別。見圖1、圖2,本發(fā)明是一種基于時空協(xié)同判定的“貓眼”效應目標識別方法,該方 法具體步驟如下步驟一獲取主被動圖像。在T秒內(nèi),基于頻率為&的脈沖激光和快門開關頻率 為fe的高速工業(yè)相機采集到的圖像序列標記為{I (Xi,Yi, t0),I (xi; Yi, ti),……,I (xi; Yi, tj,i e (0,1,……,N-1),j e (0, 1,……,M-1)}其中,T彡IS。= KfL, K □ 2 (根據(jù)奈奎斯特采樣定理,要使采樣信號能可靠地 恢復出原始信號,則相機快門開關頻率至少應滿足脈沖激光頻率的2倍,而實際應用時選 擇的相機快門開關頻率遠大于脈沖激光頻率的2倍),η = f。T是圖像序列的總幀數(shù),N, M 分別是圖像長度方向和寬度方向的最大像素點數(shù),I (Xi,Ii, t)表示t時刻采集到的灰度圖 像,(Xi, Yi)代表不同像素的坐標。完成了圖1中SlOl獲取主被動圖像的任務。步驟二 主被動圖像差分運算。圖1中S102主被動圖像差分運算是在圖1中SlOl
獲取主被動圖像后,選取第m幀圖像和第m + + 貞圖像進行差分運算,得到結果標記
SD1 ;再選取第m幀圖像和第+ 火幀圖像進行差分運算,得到結果標記為D2,其中m, u為正整數(shù),K為偶數(shù)。步驟三閾值分割。對于圖1中S103閾值分割,關鍵是找到合理的分割閾值。設 圖像各像素水平、垂直方向梯度分別為ex和ey,定義該點的梯度值為exy = max(ex, ey),設 I(x,y)為該點灰度值.則初始閾值為
權利要求
一種基于時空協(xié)同判定的“貓眼”效應目標識別方法,其特征在于該方法具體步驟如下步驟一獲取主被動圖像 在T秒內(nèi),基于頻率為fL的脈沖激光和快門開關頻率為fC的高速工業(yè)相機采集到的圖像序列標記為{I(xi,yi,t0),I(xi,yi,t1),……,I(xi,yi,tn 1),i∈(0,1,……,N 1),j∈(0,1,……,M 1)}其中,T≥1S,fC=KfL,K□2,n=fCT是圖像序列的總幀數(shù),N,M分別是圖像長度方向和寬度方向的最大像素點數(shù),I(xi,yi,t)表示t時刻采集到的灰度圖像,(xi,yi)代表不同像素的坐標;步驟二主被動圖像差分運算 主被動圖像差分運算是在獲取主被動圖像后,選取第m幀圖像和第幀圖像進行差分運算,得到結果標記為D1;再選取第m幀圖像和第幀圖像進行差分運算,得到結果標記為D2,其中m,u為正整數(shù),K為偶數(shù);步驟三閾值分割 其關鍵是找到合理的分割閾值;設圖像各像素水平、垂直方向梯度分別為ex和ey,定義該點的梯度值為exy=max(ex,ey),設I(x,y)為該點灰度值.則初始閾值為 <mrow><mi>t</mi><mo>=</mo><mfrac> <mrow><munderover> <mi>Σ</mi> <mrow><mi>x</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></munderover><munderover> <mi>Σ</mi> <mrow><mi>y</mi><mo>=</mo><mn>1</mn> </mrow> <mi>M</mi></munderover><msub> <mi>e</mi> <mi>xy</mi></msub><mo>*</mo><mi>I</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo></mrow> </mrow> <mrow><munderover> <mi>Σ</mi> <mrow><mi>x</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></munderover><munderover> <mi>Σ</mi> <mrow><mi>y</mi><mo>=</mo><mn>1</mn> </mrow> <mi>M</mi></munderover><msub> <mi>e</mi> <mi>xy</mi></msub> </mrow></mfrac> </mrow>利用初始閾值t分割差分圖像,定義灰度值高于初始閾值t的分割區(qū)域的灰度均值為 <mrow><mi>TH</mi><mo>=</mo><mfrac> <mrow><munderover> <mi>Σ</mi> <mrow><mi>x</mi><mo>=</mo><mn>1</mn> </mrow> <mi>N</mi></munderover><munderover> <mi>Σ</mi> <mrow><mi>y</mi><mo>=</mo><mn>1</mn> </mrow> <mi>M</mi></munderover><msub> <mi>I</mi> <mi>t</mi></msub><mrow> <mo>(</mo> <mi>x</mi> <mo>,</mo> <mi>y</mi> <mo>)</mo></mrow> </mrow> <msub><mi>N</mi><mi>t</mi> </msub></mfrac> </mrow>其中It(x,y)為圖像中高于初始閾值t的灰度值,Nt為It(x,y)的個數(shù),將求得的TH作為整個差分圖像的自適應分割閾值;步驟四二值化圖像邏輯與運算 將步驟二里求得的差分圖像D1和D2通過閾值分割求出其各自的自適應分割閾值,并二值化為圖像D1*和D2*,連通域個數(shù)分別為和;再通過邏輯與運算,將二值化圖像D1*和D2*采用邏輯與運算得到D*,采用形態(tài)學閉運算對D*處理最后得到圖像D,連通域個數(shù)為E,且步驟五標記連通域并記錄其形心坐標 其具體步驟為利用形心公式 <mrow><msub> <mi>x</mi> <mi>c</mi></msub><mo>=</mo><mfrac> <mrow><munderover> <mi>Σ</mi> <mrow><mi>x</mi><mo>=</mo><mn>1</mn> </mrow> <msup><mi>N</mi><mo>′</mo> </msup></munderover><munderover> <mi>Σ</mi> <mrow><mi>y</mi><mo>=</mo><mn>1</mn> </mrow> <msup><mi>M</mi><mo>′</mo> </msup></munderover><mi>x</mi> </mrow> <mrow><msup> <mi>N</mi> <mo>′</mo></msup><msup> <mi>M</mi> <mo>′</mo></msup> </mrow></mfrac><mo>,</mo> </mrow> <mrow><msub> <mi>y</mi> <mi>c</mi></msub><mo>=</mo><mfrac> <mrow><munderover> <mi>Σ</mi> <mrow><mi>x</mi><mo>=</mo><mn>1</mn> </mrow> <msup><mi>N</mi><mo>′</mo> </msup></munderover><munderover> <mi>Σ</mi> <mrow><mi>y</mi><mo>=</mo><mn>1</mn> </mrow> <msup><mi>M</mi><mo>′</mo> </msup></munderover><mi>y</mi> </mrow> <mrow><msup> <mi>N</mi> <mo>′</mo></msup><msup> <mi>M</mi> <mo>′</mo></msup> </mrow></mfrac><mo>,</mo> </mrow>求出不同分割區(qū)域的形心坐標,并標記成 <mrow><mrow> <mo>(</mo> <msub><mi>x</mi><msub> <mi>c</mi> <mn>1</mn></msub> </msub> <mo>,</mo> <msub><mi>y</mi><msub> <mi>c</mi> <mn>1</mn></msub> </msub> <mo>)</mo></mrow><mo>,</mo><mrow> <mo>(</mo> <msub><mi>x</mi><msub> <mi>c</mi> <mn>2</mn></msub> </msub> <mo>,</mo> <msub><mi>y</mi><msub> <mi>c</mi> <mn>2</mn></msub> </msub> <mo>)</mo></mrow><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mrow> <mo>(</mo> <msub><mi>x</mi><msub> <mi>c</mi> <mi>E</mi></msub> </msub> <mo>,</mo> <msub><mi>y</mi><msub> <mi>c</mi> <mi>E</mi></msub> </msub> <mo>)</mo></mrow> </mrow>其中N′,M分別是分割區(qū)域長度方向和寬度方向的最大像素點數(shù);步驟六記錄灰度值集合 在步驟一采集的圖像序列后,按照步驟五標記的形心坐標點分別取出每幀對應坐標點的灰度值,得到不同的灰度集合,并記錄為 <mrow><msub> <mi>A</mi> <mn>1</mn></msub><mo>=</mo><mo>{</mo><msub> <mi>I</mi> <mi>i</mi></msub><mrow> <mo>(</mo> <msub><mi>x</mi><msub> <mi>c</mi> <mn>1</mn></msub> </msub> <mo>,</mo> <msub><mi>y</mi><msub> <mi>c</mi> <mn>1</mn></msub> </msub> <mo>)</mo></mrow><mo>,</mo><mi>i</mi><mo>∈</mo><msub> <mi>f</mi> <mi>C</mi></msub><mi>T</mi><mo>}</mo><mo>,</mo><msub> <mi>A</mi> <mn>2</mn></msub><mo>=</mo><mo>{</mo><msub> <mi>I</mi> <mi>i</mi></msub><mrow> <mo>(</mo> <msub><mi>x</mi><msub> <mi>c</mi> <mn>2</mn></msub> </msub> <mo>,</mo> <msub><mi>y</mi><msub> <mi>c</mi> <mn>2</mn></msub> </msub> <mo>)</mo></mrow><mo>,</mo><mi>i</mi><mo>∈</mo><msub> <mi>f</mi> <mi>C</mi></msub><mi>T</mi><mo>}</mo><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><msub> <mi>A</mi> <mi>E</mi></msub><mo>=</mo><mo>{</mo><msub> <mi>I</mi> <mi>i</mi></msub><mrow> <mo>(</mo> <msub><mi>x</mi><msub> <mi>c</mi> <mi>E</mi></msub> </msub> <mo>,</mo> <msub><mi>y</mi><msub> <mi>c</mi> <mi>E</mi></msub> </msub> <mo>)</mo></mrow><mo>,</mo><mi>i</mi><mo>∈</mo><msub> <mi>f</mi> <mi>C</mi></msub><mi>T</mi><mo>}</mo> </mrow>步驟七分析灰度值集合 將步驟六的各灰度集合分別在時間軸上展開,得到灰度值變化分布規(guī)律;運用頻率判別準則,將灰度值變化頻率與脈沖激光頻率比較,兩者一致的分割區(qū)域則是“貓眼”效應目標可能出現(xiàn)的區(qū)域;進入多區(qū)域判別,若存在多個頻率匹配的分割區(qū)域,則再經(jīng)過綜合判別準則,即通過綜合判據(jù)Metric=|1 Metricr|+|1 Metrice|進一步確定目標所在區(qū)域;其中代表分割區(qū)域的圓形度,代表分割區(qū)域的偏心率,A是分割區(qū)域的面積,P是分割區(qū)域的周長,a是分割區(qū)域的長軸,b是分割區(qū)域的短軸;步驟八鎖定目標區(qū)域 綜合以上步驟,最后實現(xiàn)鎖定目標出現(xiàn)的區(qū)域。FSA00000255815900011.tif,FSA00000255815900012.tif,FSA00000255815900021.tif,FSA00000255815900022.tif,FSA00000255815900023.tif,FSA00000255815900028.tif,FSA00000255815900029.tif
全文摘要
本發(fā)明一種基于時空協(xié)同判定的“貓眼”效應目標識別方法,它適用于具有“貓眼”效應特性的光學目標的識別探測。本方法的步驟包括步驟一、獲取主被動圖像;步驟二、主被動圖像差分運算;步驟三、閾值分割;步驟四、二值化圖像邏輯與運算;步驟五、標記連通域并記錄其形心坐標;步驟六、記錄灰度值集合;步驟七、分析灰度值集合;步驟八、鎖定目標區(qū)域。本發(fā)明實現(xiàn)了背景分離,降低了處理數(shù)據(jù)量,而且基于目標的空間特性和時間特性作為判據(jù)進行目標識別具有高可靠性。它在激光成像及數(shù)字圖像處理技術領域里具有較好的實用價值和廣闊地應用前景。
文檔編號G06K9/62GK101976342SQ201010271430
公開日2011年2月16日 申請日期2010年9月2日 優(yōu)先權日2010年9月2日
發(fā)明者任熙明, 劉麗, 李麗 申請人:北京航空航天大學