基于視頻圖像分析的自動(dòng)報(bào)靶方法研究

劉秋燕，陳耀武

（浙江大學(xué)數(shù)字技術(shù)及儀器研究所，杭州310027）

1 概述

隨著軍隊(duì)信息化程度的提高，自動(dòng)報(bào)靶技術(shù)在軍警射擊訓(xùn)練中得到了越來(lái)越廣泛的應(yīng)用。與傳統(tǒng)的人工報(bào)靶方法相比，自動(dòng)報(bào)靶方法更安全可靠高效，能有效克服人工報(bào)靶產(chǎn)生的人為誤差，滿足軍事訓(xùn)練現(xiàn)代化需求，提高部隊(duì)射擊訓(xùn)練水平［1］。

目前國(guó)內(nèi)很多研究所相繼開(kāi)發(fā)出了多種自動(dòng)報(bào)靶系統(tǒng)，但是應(yīng)用場(chǎng)景和報(bào)靶精度各有不同。聲電定位報(bào)靶系統(tǒng)精度較高，但應(yīng)用成本也高且系統(tǒng)復(fù)雜，射擊后無(wú)彈孔作為成績(jī)核查依據(jù)；雙層電極短路自動(dòng)報(bào)靶方法較成熟，但檢測(cè)精度低且成本高；半導(dǎo)體電子靶系統(tǒng)最大的特點(diǎn)是系統(tǒng)設(shè)計(jì)簡(jiǎn)單且維護(hù)方便，但電子靶成本太高，目前只應(yīng)用于大型國(guó)際性射擊比賽；基于圖像處理技術(shù)的自動(dòng)報(bào)靶方法研究對(duì)象多為圓環(huán)靶，且精度不高，主要供競(jìng)技比賽使用［2－3］。因此，現(xiàn)有的報(bào)靶系統(tǒng)難以滿足軍警靶場(chǎng)野外實(shí)彈射擊的強(qiáng)適應(yīng)性和高精度要求［1］。

本文結(jié)合機(jī)器學(xué)習(xí)算法和圖像處理技術(shù)，提出一種新的自動(dòng)報(bào)靶方法。首先提取不同環(huán)境條件下的靶圖特征，并應(yīng)用Boosted Cascade算法訓(xùn)練分類器；然后對(duì)靶圖進(jìn)行圖像處理，使用霍夫變換和彈孔差影法求取靶心和彈孔位置；最后計(jì)算彈孔環(huán)值，輸出射擊成績(jī)。

2 自動(dòng)報(bào)靶方法實(shí)現(xiàn)

2．1 自動(dòng)報(bào)靶過(guò)程

本文提出的自動(dòng)報(bào)靶方法實(shí)現(xiàn)過(guò)程如圖1所示。研究場(chǎng)景為軍警靶場(chǎng)，射擊靶為標(biāo)準(zhǔn)軍用胸型靶，圖像采集設(shè)備為高清攝像機(jī)。整個(gè)方法包括3個(gè)部分：圖像預(yù)處理、靶圖識(shí)別和彈孔識(shí)別。靶圖識(shí)別又可細(xì)分為Haar特征提取、分類器訓(xùn)練以及運(yùn)用分類器識(shí)別靶圖。彈孔識(shí)別分為靶心識(shí)別、環(huán)線半徑識(shí)別、彈孔識(shí)別以及成績(jī)計(jì)算。

圖1 自動(dòng)報(bào)靶方法實(shí)現(xiàn)過(guò)程

2．2 圖像預(yù)處理

在本文方法所使用的系統(tǒng)中，靶面圖像由攝像機(jī)拍攝所得，通過(guò)圖像預(yù)處理能夠改善圖像質(zhì)量，提高靶圖識(shí)別的準(zhǔn)確度。

圖像預(yù)處理主要包括圖像灰度化和圖像濾波處理。圖像灰度化處理可利用RGB空間到灰度空間的轉(zhuǎn)換實(shí)現(xiàn)，得到的灰度圖是以犧牲色調(diào)和飽和度為代價(jià)的，不影響靶圖中的邊緣和輪廓信息［4］。

靶面圖像在采集和傳輸處理過(guò)程中可能受外部噪聲和內(nèi)部噪聲的干擾和影響，因此，需要進(jìn)行濾波處理，本文采用中值濾波方法。經(jīng)過(guò)中值濾波能有效濾除圖像中夾雜的噪聲信息，特別是數(shù)字周圍由于光照因素造成的噪點(diǎn)，同時(shí)保留圖片的輪廓信息［5］。

經(jīng)過(guò)預(yù)處理的靶圖效果如圖2所示，圖2（a）是原始靶圖，圖2（b）是經(jīng)過(guò)灰度化和濾波處理的靶圖。

圖2 靶圖預(yù)處理

2．3 靶圖識(shí)別

靶圖識(shí)別過(guò)程使用預(yù)先訓(xùn)練好的分類器對(duì)視頻序列中的圖像進(jìn)行分類并輸出靶圖。分類器的訓(xùn)練采用Boosted Cascade算法，該算法的設(shè)計(jì)思想［6－7］是通過(guò)學(xué)習(xí)建立多層級(jí)聯(lián)結(jié)構(gòu)的分類器，最終形成一個(gè)有效的分類器。每一級(jí)分類器都對(duì)應(yīng)一個(gè)或多個(gè)能夠區(qū)分目標(biāo)對(duì)象的“弱特征”（并不是對(duì)象的全部特征），只有最終能夠通過(guò)所有分類器的圖片被認(rèn)為是需要的目標(biāo)圖片。一般而言，級(jí)數(shù)越高，所包含的目標(biāo)對(duì)象特征越復(fù)雜。

2．3．1 弱特征選取

本文方法選取的弱特征是Haar特征，該特征是由Viola等人［8］在其人臉檢測(cè)系統(tǒng)中引入的一種簡(jiǎn)單矩形特征，能夠反映圖像的灰度變化情況，因此，同樣適用于檢測(cè)胸型靶。Haar特征模板含有白色和黑色2種矩形，并定義模板特征值為白色矩形像素和與黑色矩形像素和之差。算法中使用積分圖［9］（Integral Image）的方法，遍歷一次圖像得到圖像的積分圖，之后任一矩形的特征可通過(guò)其4個(gè)頂點(diǎn)的積分圖值計(jì)算得到。

2．3．2 分類器訓(xùn)練

一個(gè)典型的N級(jí)分類器的結(jié)構(gòu)［10］如圖3所示，假設(shè)每一級(jí)分類器消除負(fù)樣本的概率為h，將正樣本錯(cuò)誤消除的概率為f，那么經(jīng)過(guò)N級(jí)分類器后，檢測(cè)率hitrate＝（1－f）N，虛警率為falsealarm＝hN。

圖3 N級(jí)分類器結(jié)構(gòu)

從圖3的分類器結(jié)構(gòu)和Boosted Cascade算法原理可知，分類器訓(xùn)練主要包括以下3個(gè)步驟：

（1）確定訓(xùn)練集：訓(xùn)練集的選擇對(duì)提高靶圖識(shí)別率和適應(yīng)性有重要作用?？紤]到野外實(shí)彈射擊可能遇到的復(fù)雜天氣情況，本文方法收集包括晴天、陰天不同光照條件以及不同時(shí)間段的正負(fù)樣本集。

（2）確定分類器級(jí)數(shù)、檢測(cè)率和虛警率：由于本方法用于訓(xùn)練的樣本數(shù)量較大，為了更好地訓(xùn)練分類器需要設(shè)置較大的級(jí)數(shù)和較高的錯(cuò)誤消除概率。所以設(shè)置分類器級(jí)數(shù)N＝20，負(fù)樣本消除概率h＝50%，正樣本錯(cuò)判概率f＝0．05%。

（3）學(xué)習(xí)訓(xùn)練：將初始樣本集輸入分類器，每一級(jí)分類器都對(duì)樣本集進(jìn)行分類，前一級(jí)分類器的輸出結(jié)果作為后一級(jí)分類器的輸入。低層次的分類器使用較少特征快速排除掉大量明顯的非靶面圖像，隨著級(jí)數(shù)增加，檢測(cè)特征數(shù)目也增加，以此提高靶圖識(shí)別精度。

至此，靶圖分類器已訓(xùn)練完成，將此分類器應(yīng)用到攝像機(jī)采集到的視頻圖像，即可快速識(shí)別出靶圖。

2．4 彈孔提取與環(huán)值計(jì)算

彈孔提取與環(huán)值計(jì)算是自動(dòng)報(bào)靶技術(shù)的另一個(gè)核心部分，主要包括：靶心坐標(biāo)和環(huán)線半徑提取，彈孔識(shí)別以及環(huán)值計(jì)算［11］。

2．4．1 靶心坐標(biāo)和環(huán)線半徑提取

靶心是一個(gè)標(biāo)準(zhǔn)圓，使用霍夫變換來(lái)識(shí)別靶心坐標(biāo)和半徑［13］。設(shè)靶心圓的方程為：（x－a）2＋（y－b）2＝r2（（a，b）為圓心，r為半徑），通過(guò)霍夫變換，將圖像空間對(duì)應(yīng)到參數(shù)空間。對(duì)于圖像空間中圓周上任意一點(diǎn)均對(duì)應(yīng)于參數(shù)空間中一個(gè)三維錐面，而對(duì)于空間中滿足圓周的全部點(diǎn)，則對(duì)應(yīng)于參數(shù)空間的一組圓錐面簇。所以對(duì)圖像上每一個(gè)像素點(diǎn)計(jì)算（a，b，r）并累計(jì)次數(shù)，次數(shù)最大值對(duì)應(yīng)的（a，b，r）就是圖像空間中所求圓周的圓心坐標(biāo)和半徑［14］。靶心識(shí)別結(jié)果如圖4（c）所示。

圖4 靶心坐標(biāo)與環(huán)線半徑提取

2．4．2 彈孔識(shí)別和環(huán)值計(jì)算

在實(shí)彈射擊訓(xùn)練中，訓(xùn)練員進(jìn)行連續(xù)射擊，在靶圖像上將會(huì)出現(xiàn)多個(gè)彈孔，所以，本文在傳統(tǒng)的基于時(shí)間序列圖像的差影法上進(jìn)行改進(jìn)，提出了一種基于彈孔的差影法來(lái)識(shí)別連續(xù)彈孔。與基于時(shí)間序列圖像的差影法相比，該改進(jìn)方法能在一定程度上降低靶面抖動(dòng)對(duì)彈孔識(shí)別的影響，而且計(jì)算量更小。

彈孔差影法首先需要提取出靶圖上的所有彈孔，然后與上一次射擊結(jié)果做差，以找出新增加的彈孔，作為本次射擊結(jié)果。分析實(shí)際獲得的射擊圖像，發(fā)現(xiàn)彈孔的灰度值跟靶圖其他部分灰度值差異較大，所以，本文提出了一種基于灰度統(tǒng)計(jì)的彈孔識(shí)別方法。首先統(tǒng)計(jì)不含彈孔的原始靶圖RGB 3個(gè)通道上的彩色數(shù)據(jù)信息。接著根據(jù)直方圖信息對(duì)包含彈孔的靶圖按像素進(jìn)行標(biāo)記，對(duì)RGB通道信息與統(tǒng)計(jì)結(jié)果相差較大的點(diǎn)標(biāo)記為白色，其余的標(biāo)記為黑色，圖5（a）是經(jīng)過(guò)標(biāo)記得到的疑似彈孔區(qū)域。這些疑似彈孔區(qū)域包括部分非彈孔干擾區(qū)域，干擾區(qū)域與彈孔區(qū)域相比，最大的特點(diǎn)是包含的像素?cái)?shù)目很少，可以利用數(shù)學(xué)形態(tài)學(xué)方法來(lái)處理。本文通過(guò)一次開(kāi)運(yùn)算來(lái)去掉這些干擾區(qū)域，識(shí)別結(jié)果如圖5（b）所示。對(duì)于連續(xù)射擊產(chǎn)生的新彈孔，與前一次射擊結(jié)果做差則得到新彈孔位置。

圖5 彈孔識(shí)別

至此，彈孔坐標(biāo)、靶心坐標(biāo)和環(huán)線半徑已經(jīng)完全識(shí)別出，可以開(kāi)始計(jì)算環(huán)值。根據(jù)射擊比賽規(guī)則，只有位于胸型靶有效區(qū)域的彈孔才計(jì)算成績(jī)，所以在計(jì)算成績(jī)前，先提取靶圖有效區(qū)域，檢測(cè)射擊結(jié)果是否有效。如果成績(jī)無(wú)效，直接輸出成績(jī)0，不再進(jìn)行后續(xù)計(jì)算。靶圖有效區(qū)域只需要對(duì)圖4（c）的結(jié)果填充靶心即可。

對(duì)于有效成績(jī)，設(shè)彈孔中心位置與靶心的距離為L(zhǎng)，ri為第i環(huán)的環(huán)值半徑，環(huán)值計(jì)算分為2步：

（1）計(jì)算環(huán)值的整數(shù)部分A，依次判斷L是否小于等于ri（i＝10，9，8，7，6），第1個(gè)不小于距離值的半徑ra即為A。

3 實(shí)驗(yàn)結(jié)果與分析

將本文提出的自動(dòng)報(bào)靶方法運(yùn)用到實(shí)際的自動(dòng)報(bào)靶系統(tǒng)，圖像采集設(shè)備為高清攝像機(jī)，安裝在距離射擊靶6m處，圖6是在不同光照條件下進(jìn)行連續(xù)射擊的判靶結(jié)果。射擊分為2組，第1組為室內(nèi)正常光照，第2組為室內(nèi)弱光照，每組連續(xù)射擊6次。每組第1張圖片為輸入分類器的圖片，后面6張為系統(tǒng)輸出的射擊成績(jī)判定結(jié)果。

圖6 2組室內(nèi)射擊的判靶結(jié)果

從室內(nèi)實(shí)驗(yàn)結(jié)果可以看到，該方法能識(shí)別不同光照條件下的靶面并正確計(jì)算射擊成績(jī)。

對(duì)900次野外實(shí)彈射擊成績(jī)進(jìn)行統(tǒng)計(jì)，統(tǒng)計(jì)結(jié)果如表1所示，射擊場(chǎng)地為野外空曠場(chǎng)所，射擊距離100m，射擊靶為標(biāo)準(zhǔn)軍用胸型靶，射擊環(huán)境分別為晴天、陰天的不同時(shí)刻。從表中結(jié)果可以看到，報(bào)靶精度能達(dá)到98．5%以上（報(bào)靶精度的計(jì)算以人工報(bào)靶成績(jī)?yōu)闃?biāo)準(zhǔn)）。

表1 野外實(shí)彈射擊統(tǒng)計(jì)結(jié)果

4 結(jié)束語(yǔ)

本文提出一種基于視頻圖像分析的自動(dòng)報(bào)靶方法，使用Boosted Cascade算法訓(xùn)練分類器識(shí)別靶面，利用圖像處理方法識(shí)別靶心與彈孔。實(shí)驗(yàn)結(jié)果表明，該方法能正確識(shí)別不同環(huán)境下的靶面圖像，并正確計(jì)算射擊成績(jī)，對(duì)軍警靶場(chǎng)不同天氣情況以及不同時(shí)刻的實(shí)彈射擊成績(jī)統(tǒng)計(jì)結(jié)果顯示，其報(bào)靶精度能達(dá)到98．5%以上。將機(jī)器學(xué)習(xí)算法應(yīng)用于靶面識(shí)別可發(fā)揮學(xué)習(xí)算法的優(yōu)勢(shì)，提高自動(dòng)報(bào)靶系統(tǒng)對(duì)環(huán)境的適應(yīng)能力，但由于分類器的學(xué)習(xí)訓(xùn)練比較復(fù)雜，因此提高分類器的訓(xùn)練效率是下一步的研究方向。

［1］Ye Cuiliu，Mi Hong．The Technology of Image Processing Used in Automatic Target－scoring System［C］／／Proceedings of the 4th International Joint Conference on Computational Sciences and Optimization．Washington D．C．，USA：IEEE Press，2011：349－352．

［2］謝小亮．基于圖像處理技術(shù)的自動(dòng)報(bào)靶系統(tǒng)［D］．重慶：重慶大學(xué)，2012．

［3］張麗霞．基于圖像技術(shù)的智能報(bào)靶系統(tǒng)設(shè)計(jì)［D］．南京：南京理工大學(xué)，2012．

［4］陸祥翠．基于圖像處理的靶圖識(shí)別技術(shù)研究［J］．計(jì)算機(jī)光盤軟件與應(yīng)用，2014，（1）：309－310．

［5］Arce G R，McLoughlin M．Theoretical Analysis of the Max／Median Filter［J］．IEEE Transactions on Acoustics，Speech and Signal Processing，1987，35（1）：60－69．

［6］Zhang Weize，Tong Ruofeng．Boosted Cascade of Scattered Rectangle Features for Object Detection［J］．Science in China Series F：Information Sciences，2009，52（2）：236－243．

［7］杜 宇．基于Boosted Cascade算法的人臉檢測(cè)和跟蹤系統(tǒng)［J］．電子科技，2006，（7）：67－70．

［8］Viola P，Jones M J．Robust Real－time Face Detection［J］．International Journal of Computer Vision，2004，57（2）：137－154．

［9］Viola P，Jones M．Rapid Object Detection Using a Boosted Cascade of Simple Features［C］／／Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition．Washington D．C．，USA：IEEE Press，2001：511－518．

［10］Lienhart R，Maydt J．An Extended Set of Haar－like Features for Rapid Object Detection［C］／／Proceedings of IEEE International Conference on Image Processing．Washington D．C．，USA：IEEE Press，2002：900－903．

［11］Aryan P R．Vision Based Automatic Target Scoring System for Mobile Shooting Range［C］／／Proceedings of ICACSIS’12．Washington D．C．，USA：IEEE Press，2012：325－329．

［12］Xu Xiangyang，Xu Shengzhou，Jin Lianghai，et al．Characteristic Analysis of Otsu Threshold and Its Applications［J］．Pattern Recognition Letters，2011，32（7）：956－961．

［13］Fan Xinnan，Cheng Qianqian．Design of Automatic Targetscoring System of Shooting Games Based on Computer Vision［C］／／Proceedings of IEEE International Conference on Automation and Logistics．Washington D．C．，USA：IEEE Press，2009：825－830．

［14］焦圣喜，肖德軍，闕一凡．霍夫變換算法在圓心視覺(jué)定位中的應(yīng)用研究［J］．科學(xué)技術(shù)與工程，2013，13（14）：275－279．