專利名稱：一種基于圖像的圓形小目標(biāo)精確檢測方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及一種基于圖像技術(shù)的圓形小目標(biāo)精確檢測的方法。
背景技術(shù)：
基于圖像技術(shù)的運(yùn)動目標(biāo)實時檢測技術(shù)在智能交通系統(tǒng)、智能監(jiān)控系統(tǒng)、軍事目標(biāo)檢測以及醫(yī)學(xué)導(dǎo)航手術(shù)中的器械定位方面具有廣泛的應(yīng)用價值。工業(yè)現(xiàn)場、軍事應(yīng)用、醫(yī)學(xué)氣象等諸多領(lǐng)域往往需要快速檢測出具有圓形特征的運(yùn)動物體，以便進(jìn)一步分析處理。在基于形狀特征的檢測方法中，霍夫變換(Hough Transform, HT)是圖像中識別幾何形狀的基本方法之一，特別是檢測圓的一種有效方法。霍夫變換是利用空間對偶關(guān)系，把原空間的問題轉(zhuǎn)換到對偶空間求解，即將圖像空間中的給定曲線通過數(shù)學(xué)表達(dá)式變?yōu)閰?shù)空間中的一個點(diǎn)，進(jìn)而將曲線檢測問題轉(zhuǎn)化為尋找參數(shù)空間的峰值問題。但是，當(dāng)參數(shù)空間超過兩維時，這種變換的時間消耗和內(nèi)存需求急劇增大，在實際中難以實現(xiàn)和應(yīng)用。為了解決這一問題，Xu等提出了隨機(jī)霍夫變換(Randomized Hough Transform, RHT),主要通過隨機(jī)采樣與動態(tài)鏈表存儲來降低計算時間與存儲空間；然而在處理復(fù)雜圖像時，該方法會因為無目標(biāo)的采樣而引入無效積累，浪費(fèi)大量計算時間和存儲空間。為此，國內(nèi)外學(xué)者對如何改進(jìn)RHT做了進(jìn)一步的研究，主要圍繞隨機(jī)采樣效率和候選圓檢測效率兩方面開展研究。針對如何提高隨機(jī)采樣效率的問題，文獻(xiàn)[I]利用隨機(jī)采樣點(diǎn)的標(biāo)量三重積消除無效采樣；文獻(xiàn)[2]通過設(shè)置圖像感興趣區(qū)域來提高采樣效率，利用迭代思想不斷調(diào)整參數(shù)實現(xiàn)對圓的檢測；文獻(xiàn)[3]利用隨機(jī)采樣點(diǎn)的中垂線搜索圓上第三個點(diǎn)來提高采樣效率；文獻(xiàn)[4]利用直徑上兩個端點(diǎn)的梯度與兩點(diǎn)連線平行的性質(zhì)改進(jìn)采樣算法；而文獻(xiàn)[5]則在只采樣一點(diǎn)的情況下利用弦端點(diǎn)的切線與弦的夾角相等的性質(zhì)搜索另外兩點(diǎn)。針對提高候選圓檢驗效率，文獻(xiàn)[6]通過不斷更新待判斷的圓心列表實現(xiàn)自適應(yīng)的霍夫變換；文獻(xiàn)[7]基于淘汰粒子群優(yōu)化算法提高霍夫變換最優(yōu)解的搜索速度；文獻(xiàn)[8]將候選圓的外切正方形和內(nèi)接正方形作為檢驗區(qū)域，并對該區(qū)域建立二維搜索表來加快檢驗速度。在實際中，當(dāng)目標(biāo)距離攝像機(jī)較遠(yuǎn)時，其成像尺寸較小，目標(biāo)細(xì)節(jié)信息不易觀察，此時主要基于幾何特征實現(xiàn)目標(biāo)檢測，因此利用隨機(jī)霍夫變換能夠?qū)崿F(xiàn)圓形小目標(biāo)的檢測。但是，目標(biāo)成像尺寸小，也會對隨機(jī)霍夫變換法的檢測精度產(chǎn)生影響。為了提高圓形小目標(biāo)的檢測精度，需要進(jìn)一步進(jìn)行檢測。其中，最小二乘法(Least Squares Analysis)是一種數(shù)學(xué)優(yōu)化技術(shù)，當(dāng)已知多個未知量時，將測量數(shù)據(jù)按照誤差最小化準(zhǔn)則聯(lián)系起來，通過使未知量的估計誤差平方和最小來找到數(shù)據(jù)的最佳函數(shù)匹配。利用初始檢測結(jié)果，獲取目標(biāo)的內(nèi)邊界輪廓點(diǎn)，使用最小二乘擬合來得到這些樣本點(diǎn)的最佳擬合函數(shù)，即可達(dá)到提高目標(biāo)檢測精度的目的。[I]Akihiko Torii,Atsushi Imiya.The Randomized-Hough-transform-based Method for Great-circle Detection on Sphere[J].Pattern RecognitionLetters, 2007，28(10):1186-1192.
[2]ffei Lu, Jinglu Tan.Detection of Incomplete Ellipse in Images withStrong Noise by Iterative Randomized Hough Transform(IRHT)[J].Pattern Recognition, 2008,41(4):1268-1279.
[3]黎自強(qiáng)，滕弘飛.廣義Hough變換:多個圓的快速隨機(jī)檢測[J].計算機(jī)輔助設(shè)計與圖形學(xué)學(xué)報，2006，18(1):27-33.
[4]王小華，謝君廷，李本伍.一種新的基于梯度方向角的圓檢測算法[J].機(jī)電工程，2008，25(3):30-32.
[5]蔣聯(lián)源，蘇勤，祝英俊.快速隨機(jī)Hough變換多圓檢測算法[J].計算機(jī)工程與應(yīng)用，2009，45 (17): 163-166.
[6]Julien Cauchiea, Valerie Fioletb, Didier Villersa.0ptimizationof an Hough transform algorithm for the search of a center[J].PatternRecognition, 2008, 41(2):567-574.
[7]H.D.Cheng, Yanhui Guo, Yingtao Zhang.A novel Hough transform based oneliminating particle swarm optimization and its applications[J].Pattern Recognition,2009，42 (9):1959-1969.
[8]張顯全，蘇勤，蔣聯(lián)源，李國祥.一種快速的隨機(jī)Hough變換圓檢測算法[J].計算機(jī)工程與應(yīng)用，2008，44(22):62-64.

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是提供一種基于圖像的圓形小目標(biāo)精確檢測方法，當(dāng)目標(biāo)距離圖像采集設(shè)備較遠(yuǎn)時，仍然能夠通過該方法準(zhǔn)確地從背景中檢測出目標(biāo)。本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案:一種基于圖像的圓形小目標(biāo)精確檢測方法，其特征在于，包括如下步驟:步驟(1)，利用CXD陣列的模擬攝像機(jī)實時采集目標(biāo)圖像；步驟(2 )，對原始圖像進(jìn)行彩色空間轉(zhuǎn)換，將RGB模型轉(zhuǎn)為HSV模型，并對其中的V通道進(jìn)行快速預(yù)處理，突出圓形小目標(biāo)的特征部分；步驟(3)，應(yīng)用兩步篩選法改進(jìn)傳統(tǒng)隨機(jī)霍夫變換的參數(shù)累積方法，排除無效的參數(shù)累積；再應(yīng)用區(qū)域約束法改進(jìn)傳統(tǒng)隨機(jī)霍夫變換的參數(shù)檢驗方法，提高候選圓檢驗速度；之后運(yùn)用改進(jìn)的隨機(jī)霍夫變換算法進(jìn)行目標(biāo)的初始檢測，在步驟(2)的預(yù)處理圖像中快速定位圓形小目標(biāo)，獲得目標(biāo)的初始檢測結(jié)果；步驟(4)，在步驟(3)初始檢測的基礎(chǔ)上，利用初始檢測結(jié)果從原圖像中提取小范圍感興趣區(qū)域，針對該區(qū)域使用canny算子獲取小目標(biāo)的邊緣特征，并進(jìn)一步修復(fù)邊緣圖像；步驟(5)，利用中心八向搜索法在感興趣區(qū)域中提取小目標(biāo)的內(nèi)邊界樣本點(diǎn)，然后通過對樣本點(diǎn)進(jìn)行最小二乘擬合，實現(xiàn)小目標(biāo)的二次精確檢測。步驟(2)所述快速預(yù)處理的具體步驟如下:首先利用形態(tài)學(xué)閉運(yùn)算處理圖像，之后應(yīng)用雙邊濾波對圖像進(jìn)行去噪，保持目標(biāo)邊緣信息，然后采用自適應(yīng)閾值分割獲得二值化圖像，最后采用遞歸高斯濾波快速實現(xiàn)二值圖像的平滑。步驟(3)所述兩步篩選法，其具體步驟如下:
步驟(31),隨機(jī)采樣三點(diǎn)P1U1, Y1)、P2(x2, J2)、P3(x3, y3)，判斷這三點(diǎn)的梯度向量所在直線1、12、I3是否交于一點(diǎn)，排除P:、P2> P3不共圓的情況；考慮到邊緣寬度不為單像素而導(dǎo)致計算的梯度方向精度不高，在算法中先計算I1與I2的交點(diǎn)M(xm，ym):
權(quán)利要求
1.一種基于圖像的圓形小目標(biāo)精確檢測方法，其特征在于，包括如下步驟: 步驟(1)，利用CCD陣列的模擬攝像機(jī)實時采集目標(biāo)圖像； 步驟(2)，對原始圖像進(jìn)行彩色空間轉(zhuǎn)換，將RGB模型轉(zhuǎn)為HSV模型，并對其中的V通道進(jìn)行快速預(yù)處理，突出圓形小目標(biāo)的特征部分； 步驟(3)，應(yīng)用兩步篩選法改進(jìn)傳統(tǒng)隨機(jī)霍夫變換的參數(shù)累積方法，排除無效的參數(shù)累積；再應(yīng)用區(qū)域約束法改進(jìn)傳統(tǒng)隨機(jī)霍夫變換的參數(shù)檢驗方法，提高候選圓檢驗速度；之后運(yùn)用改進(jìn)的隨機(jī)霍夫變換算法進(jìn)行目標(biāo)的初始檢測，在步驟(2)的預(yù)處理圖像中快速定位圓形小目標(biāo)，獲得目標(biāo)的初始檢測結(jié)果； 步驟(4)，在步驟(3)初始檢測的基礎(chǔ)上，利用初始檢測結(jié)果從原圖像中提取小范圍感興趣區(qū)域，針對該區(qū)域使用canny算子獲取小目標(biāo)的邊緣特征，并進(jìn)一步修復(fù)邊緣圖像； 步驟(5)，利用中心八向搜索法在感興趣區(qū)域中提取小目標(biāo)的內(nèi)邊界樣本點(diǎn)，然后通過對樣本點(diǎn)進(jìn)行最小二乘擬合，實現(xiàn)小目標(biāo)的二次精確檢測。
2.根據(jù)權(quán)利要求1所述的一種基于圖像的圓形小目標(biāo)精確檢測方法，其特征在于，步驟(2)所述快速預(yù)處理的具體步驟如下:首先利用形態(tài)學(xué)閉運(yùn)算處理圖像，之后應(yīng)用雙邊濾波對圖像進(jìn)行去噪，保持目標(biāo)邊緣信息，然后采用自適應(yīng)閾值分割獲得二值化圖像，最后采用遞歸高斯濾波快速實現(xiàn)二值圖像的平滑。
3.根據(jù)權(quán)利要求1或2所述的一種基于圖像的圓形小目標(biāo)精確檢測方法，其特征在于，步驟(3)所述兩步篩選法，其具體步驟如下: 步驟(31),隨機(jī)采樣三點(diǎn)P1 (X1, Y1)、p2(x2, y2)、p3(x3, y3),判斷這三點(diǎn)的梯度向量所在直線1、12、I3是否交于一點(diǎn)，排除P:、P2> P3不共圓的情況；考慮到邊緣寬度不為單像素而導(dǎo)致計算的梯度方向精度不高，在算法中先計算I1與I2的交點(diǎn)M(xm，yffl):
4.根據(jù)權(quán)利要求3所述的一種基于圖像的圓形小目標(biāo)精確檢測方法，其特征在于，步驟(3)所述區(qū)域約束法，其具體步驟如下: 在計算候選圓上的像素點(diǎn)個數(shù)時，當(dāng)且僅當(dāng)邊緣點(diǎn)P (xp，yp)滿足如下條件，才對點(diǎn)P是否落在圓心為(X(l，y0)、半徑為A的候選圓上進(jìn)行判斷，區(qū)域約束條件為:
5.根據(jù)權(quán)利要求4所述的一種基于圖像的圓形小目標(biāo)精確檢測方法，其特征在于，步驟(3)所述運(yùn)用改進(jìn)的隨機(jī)霍夫變換算法進(jìn)行目標(biāo)的初始檢測，具體步驟如下: ①計算并存儲圖像V通道中各點(diǎn)梯度； ②在預(yù)處理的圖像中獲得邊緣點(diǎn)集合S,并初始化參數(shù)單元集合R=NULL,參數(shù)單元計數(shù)值％=0，循環(huán)次數(shù)k=0，設(shè)定參數(shù)單元權(quán)重閾值Nt、參數(shù)檢驗閾值Mmin和循環(huán)最大次數(shù)Kmax③從S中隨機(jī)選取三個點(diǎn)PpP2> P3,若滿足兩步篩選法則計算過這三點(diǎn)的圓的參數(shù)( , bi； r,)，并進(jìn)入④，否則重新采樣；④在R中搜索是否存在(a」，bj,rj)，滿足I I ( , bi； Γ ) - (aj, b」，r」)| |〈 δ ( δ為容許誤差小量)，若存在則轉(zhuǎn)⑥，否則轉(zhuǎn)⑤； ⑤將^biAi)加入R中，將對應(yīng)的Ni加1，轉(zhuǎn)⑦； ⑥將(a」，bj,rj)對應(yīng)的Nj加1，若Nj〈Nt成立則轉(zhuǎn)⑦，否則轉(zhuǎn)⑧； ⑦k=k+l，若k〈Kmax，則轉(zhuǎn)③，否則結(jié)束檢測； ⑧利用區(qū)域約束法計算圖像中滿足Ovε )2< (x-a,) 2+(γ-^)2<(Γ + ε )2的點(diǎn)數(shù)量Mi，若Mi≥Mfflin,則轉(zhuǎn)⑨，否則認(rèn)為(n,)2 +(少-々,)2 = /f不是圖像中的圓，從R中刪除( , bi； r,)，并轉(zhuǎn)③；⑨ k=k+l,判斷若 k〈Kmax,則將符合 Cr1- ε )2〈 (x-a)2+(y-b)2〈 Cri+ ε )2 的點(diǎn)從 S 中刪除，并重置k=0，R=NULL后轉(zhuǎn)③；否則結(jié)束檢測。
6.根據(jù)權(quán)利要求1或2所述的一種基于圖像的圓形小目標(biāo)精確檢測方法，其特征在于，在步驟(4)修復(fù)圖像時，對于輪廓上的任意一點(diǎn)，如果該點(diǎn)的八鄰域滿足順時針或逆時針方向像素值變化次數(shù)為2次,則該點(diǎn)為輪廓端點(diǎn)；當(dāng)變化次數(shù)為O次時,該點(diǎn)為孤立點(diǎn)，即輪廓的兩個端點(diǎn)重合；當(dāng)任意兩端點(diǎn)之間的距離小于或等于給定閾值時，用直線連接這兩個端點(diǎn)來實現(xiàn)邊緣修復(fù)。
7.根據(jù)權(quán)利要求1或2所述的一種基于圖像的圓形小目標(biāo)精確檢測方法，其特征在于，步驟(5)所述利用中心八向搜索法在感興趣區(qū)域中提取小目標(biāo)的內(nèi)邊界樣本點(diǎn)，然后通過對樣本點(diǎn)進(jìn)行最小二乘擬合實現(xiàn)二次精確檢測的具體步驟如下: 步驟(51)， 定義圖像坐標(biāo)系，以左下角頂點(diǎn)為坐標(biāo)原點(diǎn)(O，O)，沿圖像水平指向圖像右下角頂點(diǎn)方向為X軸，沿圖像垂直指向圖像左上角頂點(diǎn)方向為Y軸；然后，以步驟(3)中初始檢測的目標(biāo)中心坐標(biāo)為起點(diǎn)，沿X軸方向為0°方向，逆時針每隔45°選取一個搜索方向，即沿0°、45°、90°、135°、180°、225°、270°、315°這八個方向分別搜索邊界，得到八個內(nèi)邊界點(diǎn)以及各點(diǎn)到目標(biāo)中心的距離； 步驟(52)，利用冒泡排序法對這八個距離進(jìn)行排序，淘汰最大距離和最小距離所對應(yīng)的兩個內(nèi)邊界點(diǎn)； 步驟(53)，將剩余的六個邊界點(diǎn)作為擬合樣本，應(yīng)用最小二乘擬合法求解圓形小目標(biāo)的精確檢測結(jié)果。
全文摘要
本發(fā)明公開了一種基于圖像的圓形小目標(biāo)精確檢測方法，用以解決因目標(biāo)成像小而不易檢測或檢測精度不高的問題，該方法步驟為在初始檢測階段，利用改進(jìn)的隨機(jī)霍夫變換快速定位圓形小目標(biāo)，并提取圖像中的小范圍感興趣區(qū)域；在二次精確檢測階段，通過中心八向搜索法獲取目標(biāo)內(nèi)邊界的樣本點(diǎn)，采用最小二乘擬合的方式求解圓形小目標(biāo)的精確檢測結(jié)果。本發(fā)明能夠從復(fù)雜背景中準(zhǔn)確識別并檢測出圓形小目標(biāo)，利用改進(jìn)隨機(jī)霍夫變換保證初始檢測的快速性，通過二次檢測方式進(jìn)一步提高精度。
文檔編號G06T7/00GK103150730SQ20131007199
公開日2013年6月12日 申請日期2013年3月7日 優(yōu)先權(quán)日2013年3月7日
發(fā)明者張翼, 孫永榮, 劉曉俊, 王瀟瀟, 熊智, 楊博文 申請人:南京航空航天大學(xué)