近距大偏角圓形目標(biāo)的檢測

劉曉俊，孫永榮，王瀟瀟，楊博文

LIU Xiaojun,SUN Yongrong,WANG Xiaoxiao,YANG Bowen

南京航空航天大學(xué) 自動化學(xué)院 導(dǎo)航研究中心，南京210016

Navigation Research Center, College of Automation Engineering, Nanjing University of Aeronautics and Astronautics,Nanjing 210016,China

目前，具有圓形特征目標(biāo)的圖像實時檢測技術(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。根據(jù)算法實現(xiàn)的基本原理，檢測算法可以分為Hough 變換算法以及模板匹配算法。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)表達式變?yōu)閰?shù)空間中的一個點，進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。另外，國內(nèi)外學(xué)者以Hough 變換算法為基礎(chǔ)，也提出了其他的一些改進算法，例如改進的Hough 變換[1-2]、隨機Hough變換（RHT）[3]、三點圓檢測算法[4-5]、利用梯度方向信息檢測圓算法[6]以及基于子圖分解的多圓橢圓檢測算法[7]，然而，這些均是在算法的運行效率或者精確性方面進行改進，對于存在嚴重形變條件下的圓形特征目標(biāo)的檢測效果并不理想。根據(jù)匹配信息的不同，模板匹配算法有基于灰度相關(guān)和基于幾何特征兩類?；诨叶认嚓P(guān)算法根據(jù)圖像灰度信息進行匹配，算法原理簡單，但其抗干擾性差。基于幾何特征的模板匹配算法以模板的幾何基元[8-9]，如邊緣角點、模板重心等作為匹配信息進行匹配。如基于Hausdorff 距離的模板匹配算法[10]和基于廣義霍夫變換的模板匹配算法[11]等，此類算法的魯棒性、實用性強，但其運算量大。雖然可以利用金字塔分割法來提高計算速度，但卻帶來了內(nèi)存消耗劇增的問題。

當(dāng)圓形目標(biāo)與攝像機光軸不垂直時，目標(biāo)的俯仰和偏轉(zhuǎn)會導(dǎo)致其成像的變形；隨著目標(biāo)相對攝像機的距離減小，目標(biāo)相對攝像機的角度增大，成像形變同樣會越發(fā)嚴重。這種情況下，圓形目標(biāo)在攝像機的成像平面上呈現(xiàn)橢圓形，受自身不同的立體形狀以及光線不均等環(huán)境因素的影響，圓形目標(biāo)甚至?xí)尸F(xiàn)出一個類圓形變形體。由于幾何形狀特征的丟失，Hough 變換以及相關(guān)的改進算法對于此類近距大偏角的圓形目標(biāo)的檢測精度急劇下降、效率低下，甚至完全失效。模板匹配算法雖然可以實現(xiàn)微小變形條件下的圓心目標(biāo)的檢測，但是對于近距離大偏角條件下的圓形目標(biāo)的檢測精度也并不理想，同時檢測的效率也不能滿足實時性的要求。針對以上問題，本文提出了輪廓特征提取算法和輪廓信息輔助檢測算法，特征提取算法可以將目標(biāo)輪廓從現(xiàn)有輪廓中有效地檢測出來，而輪廓信息輔助算法則可以利用近距目標(biāo)所包含的細節(jié)信息，精確判定目標(biāo)輪廓的有效性。

1 復(fù)雜背景預(yù)處理研究

1.1 色彩空間轉(zhuǎn)換

通過攝像機經(jīng)圖像采集卡獲取的實時圖像是以RGB 模型為存儲方式的，RGB 彩色模型是由紅（R）、綠（G）、藍（B）三基色組成，R、G、B 三基色混合而得到的彩色光的亮度等于各基色的亮度之和，三基色的比例決定了混合色的色調(diào)和飽和度。所以在實時采集的相鄰兩幀圖像在亮度上會存在差異；并且由于這種顏色空間的原理是物理學(xué)中的三色疊加原理，雖然應(yīng)用廣泛，但在處理圖像時往往因為三個分量的相關(guān)性而無法獲得滿意的結(jié)果。

HSV 模型在計算機圖形中常被使用，該模型具有較強的感知度，其中H（hue）表示色調(diào)，S（saturation）表示飽和度，V（value）表示物體表面反射光對人眼的刺激強度。本文中利用了HSV 模型中的亮度通道可以排除顏色信息的干擾、反映物體表面反射光能量的特性，在圓形目標(biāo)同攝像機距離較近、存在大偏角時，將圖像從RGB色彩空間轉(zhuǎn)換為HSV 色彩空間，來突顯目標(biāo)的輪廓特征，增強算法的處理效果，降低后期處理的復(fù)雜性。

1.2 閾值分割處理

閾值處理也稱為二值化，是一種圖像區(qū)域分割技術(shù)。它根據(jù)圖像中目標(biāo)與背景在灰度上的差異，通過選擇合適的閾值，判斷每一個像素是否滿足閾值要求，進而將圖像分割為兩個或多個灰度區(qū)間。但是，將圖像從灰度空間轉(zhuǎn)化為二值空間，必然會造成圖像細節(jié)信息的丟失。由于目標(biāo)距離、背景環(huán)境、光線條件的不同，采用單一的閾值分割處理效果并不理想；并且單一閾值分割處理也不能實現(xiàn)一幅圖像上不同類型信息的采集；本文通過對閾值分割處理方法中參數(shù)的連續(xù)調(diào)節(jié)，實現(xiàn)了在各種不同環(huán)境條件下，對目標(biāo)圖像中干擾像素的濾除以及目標(biāo)輪廓的增強，提高了整體算法的有效性與魯棒性，如圖1（b）所示。

圖1 閉運算處理結(jié)果

1.3 閉運算處理

通常由于噪聲的影響，圖像經(jīng)過閾值化處理后所得到的邊界往往存在“毛刺”，連通區(qū)域內(nèi)部會出現(xiàn)一些噪聲孔，背景中散布著小的噪聲物體，如圖1（b），使用閉運算可以有效地改善這種情況。

閉運算是一種典型的形態(tài)學(xué)圖像處理方法；算法首先對圖像進行膨脹運算，然后對膨脹圖像再作腐蝕處理，不僅可以消除圖像中比核尺寸小的噪聲像素，對于比核尺寸大的輪廓區(qū)域，還可以消除邊界的“毛刺”，使圖像中的輪廓變得光滑，同時并不明顯改變其面積，如圖1（c）所示。

2 高效輪廓提取算法

經(jīng)過閉運算處理后的圖像雖然去除了背景中的一部分噪聲像素，目標(biāo)區(qū)域也得到了彌補與修正，但是仍然會留存有干擾像素；同時由于目標(biāo)圖像在近距大偏角情況下的嚴重形變，普通檢測算法的效果仍然不夠理想；為了實現(xiàn)目標(biāo)的精確檢測，首先要提取圖像內(nèi)的輪廓，然后通過輪廓特征的約束獲得目標(biāo)輪廓。

2.1 嵌套雙層輪廓提取算法

本文采用嵌套雙層輪廓提取方法[12-15]完成輪廓提取，同時去除圖像內(nèi)的層次干擾信息輪廓。算法中將最外層連通域的邊界定義為外輪廓，第二層連通域的邊界定義為內(nèi)輪廓，第三層連通域的邊界再次定義為外輪廓，依次類推，如圖2 所示，c“X”表示外輪廓，h“X”表示內(nèi)輪廓，“X”表示數(shù)字。實際圖像處理結(jié)果如圖3 所示，外邊緣輪廓為外輪廓，中間類圓輪廓為內(nèi)輪廓；利用二值形態(tài)學(xué)閉運算后內(nèi)部一般不會出現(xiàn)復(fù)雜嵌套結(jié)構(gòu)的特點，雙層輪廓提取算法可以快速、精確地濾除背景干擾所在層的輪廓。

圖2 嵌套雙層輪廓示意圖

圖3 嵌套雙層輪廓提取算法效果圖

2.2 輪廓特征提取算法

濾除內(nèi)層輪廓干擾之后，由于近距大偏角圓形目標(biāo)的成像會發(fā)生嚴重形變，通過傳統(tǒng)的圓形幾何特征約束從樹木、建筑物等復(fù)雜背景干擾輪廓中難以得到目標(biāo)輪廓，本文中使用了特殊的輪廓特征約束篩選預(yù)選輪廓，分別為：

條件1計算輪廓的長h和寬w，目標(biāo)輪廓的長寬比需滿足如下條件：

式中，kd為限定參數(shù)，取值范圍為0.5 ＜kd＜1。

條件2計算輪廓的周長L，目標(biāo)輪廓的周長需滿足如下條件：

條件3目標(biāo)輪廓的面積是所有滿足條件1、2 的輪廓中最大的。

近距大偏角的圓形目標(biāo)成像一般呈橢圓形或類圓形變形體，所以可以通過計算預(yù)選輪廓外接圓的參數(shù)，然后與預(yù)選輪廓的相應(yīng)參數(shù)對比，如果差值在容許范圍內(nèi)，則判定該輪廓為圖像中目標(biāo)的初選輪廓，效果如圖3所示。

2.3 輪廓信息輔助檢測算法

在近距大偏角的情況下，雖然待檢測的圓形目標(biāo)成像形變嚴重，但是在目標(biāo)接近圖像采集設(shè)備的過程中，目標(biāo)成像尺寸增大，在圖像中所占的像素逐漸增多，目標(biāo)的細節(jié)信息不斷豐富，如圖1 所示。針對上述特點，應(yīng)用了圓形目標(biāo)細節(jié)特征匹配輔助輪廓檢測的方法。

首先擬合初選輪廓的最小外接矩形，同時以初選輪廓中心點為中心，最小外接正矩形長、寬的1.25 倍為邊長，構(gòu)建框架特征矩形；然后，采集框架特征矩形各邊的特征點，如圖4 所示，實線類圓輪廓為初選輪廓，實線矩形輪廓為最小外接矩形，虛線矩形輪廓為框架特征矩形，圓形目標(biāo)在框架特征矩形各邊點集即為目標(biāo)細節(jié)特征點。計算目標(biāo)細節(jié)特征點在框架特征矩形各邊中所占的比例，如果該比例滿足如下條件，則可完全判定為目標(biāo)輪廓：

式中，kp的取值范圍是（0，1），px1、px2、py1、py2 分別為各條投影邊上包含的目標(biāo)特征點數(shù)。

圖4 最小外接矩形投影示意圖

2.4 模板匹配算法

雖然二值圖的模板匹配算法抗干擾性以及魯棒性比較差，不能單獨作為檢測算法，但是它的算法原理簡單，運行效率高，本文通過該算法對算法的運行效率以及穩(wěn)定性進行改善。具體步驟為：

首先對目標(biāo)模板進行采集、存儲，并且實現(xiàn)對目標(biāo)模板的實時更新，以提高算法匹配度。同時將模板在目標(biāo)圖像中滑動，利用公式：

得到模板與目標(biāo)圖像的匹配結(jié)果，并將結(jié)果存儲在對應(yīng)坐標(biāo)的二維數(shù)組空間中，公式中I表示目標(biāo)圖像，T表示模板，R表示匹配結(jié)果。

然后在結(jié)果中搜索極值點。極值點的坐標(biāo)便是匹配區(qū)域的位置，而其值則反映了算法的匹配度，如若匹配度滿足要求，則判定為匹配成功。

若匹配成功便將以匹配點為頂點，同模板大小相同的匹配區(qū)域作為下一次算法的檢測區(qū)域。下一時刻的檢測僅對該區(qū)域作處理，從而縮短了算法運行時間，增加了檢測效率，最終實現(xiàn)對近距大偏角圓形目標(biāo)的高效檢測，效果如圖5 所示，矩形框為匹配結(jié)果。

圖5 模板匹配效果圖

最終的近距大偏角圓形目標(biāo)高效檢測算法流程圖如圖6 所示。

圖6 近距大偏角圓形目標(biāo)檢測算法流程圖

圖7 匹配模板

3 實驗驗證與結(jié)果分析

為了對本文算法的效果進行驗證，將本文算法Hough變換算法[16-19]和模板匹配算法[20-21]分別做了對比性實驗，在不同的背景、不同的光照條件下，對大小為768 像素×576 像素的600 幅目標(biāo)圖像進行檢測，進而評價算法性能。算法采用C++進行編寫，測試平臺采用CPU 為Inter Core i7-3555LE（2.5 GHz）、內(nèi)存為4 GB 的計算機，匹配算法采用OpenCV 庫提供的平方差匹配法，為了能夠?qū)Σ煌叽绲哪繕?biāo)進行匹配識別，該算法首先將如圖7 所示的模板由50%至200%以1%的步長進行縮放，然后由縮放后的150 個模板組成模板庫，每一次檢測均需對所有模板進行匹配，然后將匹配最佳的區(qū)域作為檢測結(jié)果，該算法檢測成功率相對較高，但算法效率會非常低。

為了更加直觀地顯示出算法的檢測效果，本文從600 幅圖像中挑選了6 幅具有代表性的圖像進行對比說明。如圖8（a1）～（f1）所示為本文算法對不同條件下目標(biāo)圖像的檢測效果圖，可以看出本文算法在不同背景環(huán)境、不同天氣條件、不同距離情況下均可以有效地檢測到近距大偏角圓形目標(biāo)。

圖8 算法解算對比效果圖

圖8（a2）～（c2）為Hough 變換算法的檢測效果圖，可以看出該算法的檢測區(qū)域同授油管輪廓并不精確吻合，解算穩(wěn)定性較差；該算法原理為尋找具有圓形形狀特征的目標(biāo)，如圖（d1）、（e1）、（f1）所示，在圓形目標(biāo)距離攝像頭較近存在較大形變或者背景比較復(fù)雜時，檢測失效。

圖8（a3）～（b3）為模板匹配算法對相同目標(biāo)圖像的檢測效果圖。如圖8（c1）、（d1）、（e1）、（f1）所示背景相對簡單（晴天天空），圓形目標(biāo)距離攝像頭較近，或者存在樹木干擾，背景比較復(fù)雜時，目標(biāo)圖像同匹配模板的相關(guān)系數(shù)下降，匹配算法解算失效。

表1 為三種算法對600 幅目標(biāo)圖像的解算成功率以及平均解算時間的對比表，可以看出本文算法幾乎可以對所有的目標(biāo)圖像檢測成功，解算成功率具有明顯優(yōu)勢，同時解算時間基本可以達到實時性的要求；Hough變換算法解算時間具有較大優(yōu)勢，但是在目標(biāo)圖像變形嚴重或者存在遮擋、目標(biāo)形狀特征不明顯時，成功檢測率偏低。模板匹配算法的成功解算率依賴于目標(biāo)圖像同匹配模板的相似度，目標(biāo)圖像存在的偏轉(zhuǎn)角或者背景干擾物會降低兩者的匹配相關(guān)系數(shù)，從而導(dǎo)致檢測失效，同時該算法效率相比于前兩種算法非常低，不能滿足實際工程的應(yīng)用要求。

表1 算法檢測性能對比表

4 結(jié)束語

針對近距大偏角的圓形目標(biāo)難以檢測的問題，本文研究了基于圖像的近距大偏角圓形目標(biāo)的檢測算法，通過融合輪廓檢測算法和模板匹配算法，實現(xiàn)了對近距大偏角圓形目標(biāo)的高效檢測。實驗結(jié)果表明，文中所研究的檢測算法可以有效地適應(yīng)不同的背景環(huán)境，具有較強的魯棒性、實時性和穩(wěn)定性。

[1] Kim Heung-Soo，Kim Jong-Hwan.A two-step circle detection algorithm from the intersection chords[J].Pattern Recognition Letters，2001，22（6/7）：787-798.

[2] Yin Peng-yeng.A new circle/ellipse detector using genetic algorithms[J].Pattern Recognition Letters，1999，20（7）：731-740.

[3] Xu L，Oja E.Randomized Hough transform：basic mechanisms，algorithms and computational complexities[J].Computer Vision Graphic Image Process：Image Understanding，1993，57（2）：131-154.

[4] Yoo J H，Sethi I K.An ellipse detection method from the polar and poles definition of conics[J].Pattern Recognition，1993，26（2）：307-315.

[5] 陳燕新，戚飛虎.一種新的基于隨機Hough 變換的橢圓檢測方法[J].紅外與毫米波學(xué)報，2000，19（1）：43-47.

[6] 陳燕新，戚飛虎.利用梯度方向信息的隨機Hough 變換[J].紅外與毫米波學(xué)報，1998，17（5）：375-379.

[7] 胡正平，王成儒，練秋生.基于圖像分解的快速多圓/橢圓檢測方法[J].儀器儀表學(xué)報，2002，23（3）：292-294.

[8] Shark L K，Kurekin A A，Matuszewski B J.Development and evaluation of fast branch-and-bound algorithm for feature matching based on line segments[J].Pattern Recognition，2007，40（5）：1432-1450.

[9] Paramanand C，Rajagopalan A N.Efficient geometric matching with higher-order features[C]//19th International Conf on Pattern Recognition，2008.

[10] Huttenlocher D P，Klanderman G A，Rucklidge W J.Comparing images using the hausdorff distance[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1993，15（9）：850-863.

[11] Ulrich M，Steger C，Baumgartner A.Realtime object recognition using a modified generalized Hough transform[J].Pattern Recognition，2003，36（11）：2557-2570.

[12] Shi Jinwei，Guo Chaoyong.The extraction of circle contour based on improved boundary tracing[C]//2012 4th International Conference on Intelligent Human-Machine Systems and Cybernetics.Nanchang：IEEE Conference Publications，2012：104-107.

[13] 楊淼，龔成龍，魏志強.基于彩色形態(tài)篩的建筑物主題輪廓提取算法[J].數(shù)據(jù)采集與處理，2011，26（3）：263-268.

[14] Liu You，Xin Chunbo.Template matching algorithm based on edge detection[C]//2011 International Symposium on Computer Science and Society.Kinabalu：IEEE Conference Publications，2011.

[15] 張大奇，曲仕茹，石爽.基于序列圖像運動分割的車輛邊界輪廓提取算法[J].交通運輸工程學(xué)報，2009，9（3）：117-121.

[16] 付琰，盧榮勝，夏瑞雪，等.基于重要性采樣隨機Hough 變換圓檢測算法[J].電子測量技術(shù)，2012，35（5）：45-48.

[17] Guo Siyu，Zhang Xufang，Zhang Fan.Adaptive randomized hough transform for circle detection using moving window[C]//2006 Proceedings of the Fifth International Conference on Machine Learning and Cybernetics.Dalian：IEEE Conference Publications，2006：3880-3885.

[18] 張翼，孫永榮，王艷，等.圓形目標(biāo)實時檢測的改進算法研究[J].計算機與數(shù)字工程，2012，40（3）：89-92.

[19] 王艷，孫永榮，張翼，等.圓形工件檢測及對準(zhǔn)方法的研究與實現(xiàn)[J].現(xiàn)代電子技術(shù)，2012，35（10）：62-67.

[20] 謝志江，呂波，劉琴，等.旋轉(zhuǎn)不變性圖像模板匹配快速算法[J].吉林大學(xué)學(xué)報，2013（3）.

[21] 王欣，殷肖川，周翔翔.一種改進的模版匹配識別算法[J].計算機工程與應(yīng)用，2007，43（36）：238-240.