專利名稱：一種基于目標(biāo)特征的運動矢量估計方法
技術(shù)領(lǐng)域：
本發(fā)明公開了一種基于目標(biāo)特征的運動矢量估計方法，屬于非接觸式明渠測流的技術(shù)領(lǐng)域。
背景技術(shù)：
針對甚高流速的洪峰(大于5 6m/s)等復(fù)雜水流條件(或極端條件)下的測驗，尤其是山溪性河流高洪期洪水暴漲暴落，水流速度變化快，含沙量高，漂浮雜物多，致使常規(guī)的河流流量測驗方案無法開展布置，測速方法和儀器不能正常地施測。河流表面流速分布是水文監(jiān)測中重要的測量參數(shù)，無論是對于流量估計還是河流泥沙淤積、河岸侵蝕模式的研究都至關(guān)重要。為了測量一段河流表面的流速分布，通常需要采用間隔安放的流速儀測量，這些流速儀安裝在橋上或者橫跨河流寬度的繩索上，或用測量船只。這種使用間隔流速儀測量流速的方法提供空域和時域分辨率都很差的數(shù)據(jù)。比如測量一個橫斷面為50米的河流要用數(shù)小時而且測量的數(shù)據(jù)局限在安裝流速儀橋附近的橫斷面，而不是整個水面的流場分布。因此，至今仍尚未有支持高洪期穩(wěn)定可靠和有效地測流技術(shù)方法以及相應(yīng)的產(chǎn)品化儀器設(shè)備。大尺度粒子成像測速(Large-Scale PIV, LSPIV)是目前極端條件下進行應(yīng)急測驗或巡測的一種可能手段。上世紀(jì)90年代末，實驗室環(huán)境下的粒子光學(xué)成像測速(ParticleImage Velocimetry,PIV)被改造引入日本Yodo河洪水的觀測。這種大尺度粒子成像測速(LSPIV)通過測量某一小圖像區(qū)域(觀測窗口)的水面漂浮物及天然示蹤模式(如波紋、浪花或旋渦等代替實驗室環(huán)境下的人工示蹤粒子)的平均位移來得到該區(qū)域中心處的流速。但是，極端測驗條件下流體物化屬性及測驗環(huán)境復(fù)雜多變，水流示蹤/漂浮物的尺度、旋轉(zhuǎn)與遮擋等非剛體運動狀態(tài)急速變化，特別是在水面光強、水面反射及水下和天空散射等光線擾動的復(fù)雜光學(xué)環(huán)境下，目前通常采用基于統(tǒng)計學(xué)的區(qū)域灰度相關(guān)匹配、目標(biāo)跟蹤等一類算法的LSPIV，極易出現(xiàn)偽矢量(甚至無矢量)，嚴(yán)重造成成像視場中的觀測目標(biāo)運動矢量時空分布不均或密度較低，極易導(dǎo)致河流表面流速場重建錯誤。通過對影響水面流速測驗精度、穩(wěn)定性及敏感性要素的剖析，僅對LSPIV的目前水面觀測目標(biāo)檢測方法直接做一般的改造，或者平移和借用圖像信息處理相關(guān)領(lǐng)域的先進技術(shù)方法，諸如水面艦艇、水雷或海洋溢油遙感等較大目標(biāo)的檢測等研究成果，并不適用于本課題中大視場觀測下水流示蹤/漂浮物這類光學(xué)特性復(fù)雜的弱小目標(biāo)可靠、穩(wěn)定地連續(xù)檢測任務(wù)的要求。如何解決水面弱小目標(biāo)信息的可靠連續(xù)采集和魯棒檢測、運動矢量精準(zhǔn)估計等關(guān)鍵技術(shù)，進而為流場重建與定標(biāo)提供可靠基礎(chǔ)，是目前LSPIV存在的瓶頸問題，也是一項極具挑戰(zhàn)性的研究課題。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是針對上述背景技術(shù)的不足，提供了一種基于目標(biāo)特征的運動矢量估計方法。
本發(fā)明為實現(xiàn)上述發(fā)明目的采用如下技術(shù)方案一種基于目標(biāo)特征的運動矢量估計方法，包括如下步驟步驟1，獲取web服務(wù)器中前后兩幀視頻圖像，處理每幀視頻圖像得到目標(biāo)圖像；步驟2，計算每幀視屏圖像中的目標(biāo)特征值；步驟3，以前一幀視頻圖像中的一個目標(biāo)為樣本目標(biāo)，根據(jù)樣本目標(biāo)特征值計算出河流水面流速起始值；步驟4，利用特征匹配跟蹤方法，比較后一幀視頻圖像中目標(biāo)特征值和步驟3所述樣本目標(biāo)的特征值，獲取前后兩幀視頻圖像中目標(biāo)特征值差最小的目標(biāo)；步驟5，在搜索范圍內(nèi)尋找后一幀視頻圖像中唯一與步驟3所述樣本目標(biāo)特征值差值最小的目標(biāo)，并計算河流水面流速初始矢量，其中所述搜索范圍是在樣本目標(biāo)運動方向正負(fù)M度以內(nèi)，到樣本目標(biāo)距離在平均運動距離N倍以內(nèi)的水面區(qū)域，M為小于180的正數(shù)，N為小于2的整數(shù)；步驟6，重復(fù)步驟3至步驟5，直至前一幀視頻圖像中的每一個目標(biāo)都作為樣本目標(biāo)與后一幀視頻圖像中的所有目標(biāo)進行特征值匹配并計算出河流水面流速矢量；步驟7，利用步驟5得到的河流水面流速初始矢量和步驟6得到的河流水面流速矢量構(gòu)成河流水面流速場。

所述一種基于目標(biāo)特征的運動矢量估計方法，步驟2中目標(biāo)特征值采用如下步驟計算步驟2-1，根據(jù)目標(biāo)面積S、周長C計算目標(biāo)的圓度Afa ；步驟2-2，根據(jù)目標(biāo)面積、圓度計算目標(biāo)特征值value value= α · S+β · Afa ；其中，α、β為小于I的整數(shù)，且α+β = I。所述一種基于目標(biāo)特征的運動矢量估計方法步驟5的具體實施如下步驟5-1，若后一幀視頻圖像中有唯一與步驟3所述樣本目標(biāo)特征值差值最小的目標(biāo)，進入步驟5-2 ;否則，返回步驟4 ；步驟5-2，根據(jù)步驟5-1所述的后一幀視頻圖像中的目標(biāo)、步驟3所述的樣本目標(biāo)，計算河流水面目標(biāo)運動方向在河流水面目標(biāo)運動方向超出樣本目標(biāo)運動方向正負(fù)M度時，返回步驟4 ;否則，進入步驟5-3 ；步驟5-3，計算步驟5-1所述的后一幀視頻圖像中的目標(biāo)在兩幀圖像時間間隔內(nèi)的運動距離在河流水面目標(biāo)運動到樣本目標(biāo)距離超過平均運動距離N倍時，返回步驟4 ;否貝U，根據(jù)步驟5-1所述的后一幀視頻圖像中的目標(biāo)運動距離計算河流水面流速。本發(fā)明采用上述技術(shù)方案，具有以下有益效果對特征匹配跟蹤法的結(jié)果做反向校驗，最后得到一一對應(yīng)的跟蹤結(jié)果，提高了匹配精度，避免了目標(biāo)運動矢量再時空分布不均或密度較低的缺陷；一一對應(yīng)的匹配結(jié)果對新流入攝像機畫面范圍的漂浮物和流出的漂浮物也能夠很好的檢驗，提高了系統(tǒng)的魯棒性。


圖1為采集視頻圖像的設(shè)備安裝示意圖。圖2為EMB-4650嵌入式開發(fā)板的硬件結(jié)構(gòu)示意圖。圖3為本發(fā)明的流程圖。圖4為前后兩幀視頻圖像漂浮物特征之后匹配跟蹤結(jié)果的示意圖。圖5為通過反向校驗過程縮小搜索范圍后尋找前后兩幀視頻圖像中特征值差值最小的一一對應(yīng)的目標(biāo)的特征值匹配跟蹤結(jié)果。
具體實施例方式下面結(jié)合附圖對發(fā)明的技術(shù)方案進行詳細說明如圖1所示的基于特征跟蹤的河流水面流速監(jiān)測系統(tǒng)，包括EMB-4650嵌入式開發(fā)板1、攝像機2及客戶端3，攝像機2的輸出端通過USB接口與EMB-4650嵌入式開發(fā)板I連接，EMB-4650嵌入式開發(fā)板I內(nèi)采用特征匹配跟蹤測速法實現(xiàn)河流水面流速場的計算工作，然后通過WIFI WLAN將計算結(jié)果上傳到Web服務(wù)器4中，最終客戶端3可以通過網(wǎng)絡(luò)直接獲取Web服務(wù)器4上的河流水面流速場信息。如圖2所示的硬件結(jié)構(gòu),EMB-4650嵌入式開發(fā)板是一款采用Intel Menlow平臺，高性能、低功耗EPIC規(guī)格的主板。該板采用Atom Z510P處理器，CPU速度可達到1. 1G，內(nèi)存采用的是板載DDR II 512MB內(nèi)存。EMB-4650嵌入式開發(fā)板通過12V電源供電，USB接口分別與攝像機和無線網(wǎng)卡連接，采集的圖像保存到mini IDE接口連接的2. 5’ Disk中。EMB-4650開發(fā)板外圍電路簡單，整體硬件結(jié)構(gòu)輕巧、功耗低，便于戶外攜帶及使用。如圖3所示的一種基于目標(biāo)特征的運動矢量估計方法，以河流水面漂浮物為目標(biāo)，通過采集前后兩幀視頻圖像，計算河流漂浮物特征值，經(jīng)過特征值匹配和反向校驗過程計算得到河流水面流速，具體包括如下步驟步驟1，獲取web服務(wù)器中前后兩幀視頻圖像，處理每幀視頻圖像得到目標(biāo)圖像對每幀視頻圖像進行交替開閉運算，獲取背景圖像；對獲得的背景圖像采用減背景法，獲取前景圖像(即河流水面漂浮物)，并對前景圖像進行二值化得到清晰的水面漂浮物圖像；步驟2，計算每幀視屏圖像中的目標(biāo)特征值，目標(biāo)特征值采用如下步驟計算步驟2-1，根據(jù)目標(biāo)面積S、周長C計算目標(biāo)的圓度Afa，Afa=4X π XS/C2 (I);步驟2-2，根據(jù)目標(biāo)面積、圓度計算目標(biāo)特征值value，value= α · S+β · Afa (2);其中，α、β為小于I的整數(shù)，且α+β = I。步驟3，以前一幀視頻圖像中的一個目標(biāo)為樣本目標(biāo)，根據(jù)樣本目標(biāo)特征值計算出河流水面流速起始值。步驟4，利用特征匹配跟蹤方法，比較后一幀視頻圖像中目標(biāo)特征值和步驟3所述樣本目標(biāo)的特征值，獲取前后兩幀視頻圖像中目標(biāo)特征值差最小的目標(biāo)。步驟5，通過反向檢驗在搜索范圍內(nèi)尋找后一幀視頻圖像中唯一與步驟3所述樣本目標(biāo)特征值差值最小的目標(biāo)，并計算河流水面流速初始矢量；搜索范圍是在樣本目標(biāo)運動方向正負(fù)90度以內(nèi)，到樣本目標(biāo)距離在平均運動距離1. 5倍以內(nèi)的水面區(qū)域；搜索一一對應(yīng)目標(biāo)的具體步驟如下
步驟5-1，若后一幀視頻圖像中有唯一與步驟3所述樣本目標(biāo)特征值差值最小的目標(biāo)，進入步驟5-2 ;否則，返回步驟4 ；步驟5-2，根據(jù)步驟5-1所述的后一幀視頻圖像中的目標(biāo)、步驟3所述的樣本目標(biāo)，計算河流水面目標(biāo)運動方向在河流水面目標(biāo)運動方向超出樣本目標(biāo)運動方向正負(fù)90度時，返回步驟4;否則，進入步驟5-3 ；步驟5-3，計算步驟5-1所述的后一幀視頻圖像中的目標(biāo)在兩幀圖像時間間隔內(nèi)的運動距離在河流水面目標(biāo)運動到樣本目標(biāo)距離超過平均運動距離1. 5倍時，返回步驟4 ;否貝U，根據(jù)步驟5-1所述的后一幀視頻圖像中的目標(biāo)運動距離計算河流水面流速。步驟6，重復(fù)步驟3至步驟5，直至前一幀視頻圖像中的每一個目標(biāo)都作為樣本目標(biāo)與后一幀視頻圖像中的所有目標(biāo)進行特征值匹配并計算出河流水面流速矢量丨U)其中，為后一幀視頻圖像中唯一與前一幀視頻圖像中樣本目標(biāo)特征值差值最小的目標(biāo)的運動距離，At為兩幀視頻圖像的時間間隔。步驟7，利用步驟5得到的河流水面流速初始矢量和步驟6得到的河流水面流速矢量構(gòu)成河流水面流速場。前后兩幀視頻圖像漂浮物特征之后匹配跟蹤結(jié)果如圖4所示有一對一、多對一的情況。通過反向校驗過程縮小搜索范圍后尋找前后兩幀視頻圖像中特征值差值最小的一一對應(yīng)的目標(biāo)，特征值匹配跟蹤結(jié)果如圖5所示。綜上所述，本發(fā)明對特征匹配跟蹤法的結(jié)果做反向校驗，最后得到一一對應(yīng)的跟蹤結(jié)果，提高了匹配精度，避免了目標(biāo)運動矢量再時空分布不均或密度較低的缺陷；一一對應(yīng)的匹配結(jié)果對新流入攝像機畫面范圍的漂浮物和流出的漂浮物也能夠很好的檢驗，提高了系統(tǒng)的魯棒性。
權(quán)利要求
1.一種基于目標(biāo)特征的運動矢量估計方法，其特征在于包括如下步驟 步驟1，獲取Web服務(wù)器中前后兩幀視頻圖像，處理每幀視頻圖像得到目標(biāo)圖像； 步驟2，計算每幀視屏圖像中的目標(biāo)特征值； 步驟3，以前一幀視頻圖像中的一個目標(biāo)為樣本目標(biāo)，根據(jù)樣本目標(biāo)特征值計算出河流水面流速起始值； 步驟4，利用特征匹配跟蹤方法，比較后一幀視頻圖像中目標(biāo)特征值和步驟3所述樣本目標(biāo)的特征值，獲取前后兩幀視頻圖像中目標(biāo)特征值差最小的目標(biāo)； 步驟5，在搜索范圍內(nèi)尋找后一幀視頻圖像中唯一與步驟3所述樣本目標(biāo)特征值差值最小的目標(biāo)，并計算河流水面流速初始矢量， 其中所述搜索范圍是在樣本目標(biāo)運動方向正負(fù)M度以內(nèi)，到樣本目標(biāo)距離在平均運動距離N倍以內(nèi)的水面區(qū)域，M為小于180的正數(shù)，N為小于2的整數(shù)； 步驟6，重復(fù)步驟3至步驟5，直至前一幀視頻圖像中的每一個目標(biāo)都作為樣本目標(biāo)與后一幀視頻圖像中的所有目標(biāo)進行特征值匹配并計算出河流水面流速矢量； 步驟7，利用步驟5得到的河流水面流速初始矢量和步驟6得到的河流水面流速矢量構(gòu)成河流水面流速場。
2.根據(jù)權(quán)利要求1所述的一種基于目標(biāo)特征的運動矢量估計方法，其特征在于所述步驟2中目標(biāo)特征值采用如下步驟計算 步驟2-1，根據(jù)目標(biāo)面積S、周長C計算目標(biāo)的圓度Afa ； 步驟2-2，根據(jù)目標(biāo)面積、圓度計算目標(biāo)特征值value : value= α · S+ β · Afa ； 其中，α、β為小于I的整數(shù)，且α + β = I。
3.根據(jù)權(quán)利要求1或2所述的一種基于目標(biāo)特征的運動矢量估計方法，其特征在于所述步驟5的具體實施如下 步驟5-1，若后一幀視頻圖像中有唯一與步驟3所述樣本目標(biāo)特征值差值最小的目標(biāo)，進入步驟5-2 ;否則，返回步驟4 ； 步驟5-2，根據(jù)步驟5-1所述的后一幀視頻圖像中的目標(biāo)、步驟3所述的樣本目標(biāo)，計算河流水面目標(biāo)運動方向 在河流水面目標(biāo)運動方向超出樣本目標(biāo)運動方向正負(fù)M度時，返回步驟4;否則，進入步驟5-3 ； 步驟5-3，計算步驟5-1所述的后一幀視頻圖像中的目標(biāo)在兩幀圖像時間間隔內(nèi)的運動距離 在河流水面目標(biāo)運動到樣本目標(biāo)距離超過平均運動距離N倍時，返回步驟4 ;否則，根據(jù)步驟5-1所述的后一幀視頻圖像中的目標(biāo)運動距離計算河流水面流速。
全文摘要
本發(fā)明公開了一種基于目標(biāo)特征的運動矢量估計方法，屬于非接觸式明渠測流的技術(shù)領(lǐng)域。本發(fā)明處理前后兩幀視頻圖像得到目標(biāo)特征值，對目標(biāo)特征值差值最小的目標(biāo)做特征值匹配，對特征匹配跟蹤法的結(jié)果做反向校驗，最后得到一一對應(yīng)的跟蹤結(jié)果，提高了匹配精度，避免了目標(biāo)運動矢量再時空分布不均或密度較低的缺陷；一一對應(yīng)的匹配結(jié)果對新流入攝像機畫面范圍的漂浮物和流出的漂浮物也能夠很好的檢驗，提高了系統(tǒng)的魯棒性。
文檔編號G06T7/20GK103035011SQ20121051799
公開日2013年4月10日 申請日期2012年12月6日 優(yōu)先權(quán)日2012年12月6日
發(fā)明者王鑫, 姚嵐, 徐立中, 嚴(yán)錫君, 張振 申請人:河海大學(xué)