近距大偏角圓形目標的檢測

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 自動化學院 導航研究中心，南京210016

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

目前，具有圓形特征目標的圖像實時檢測技術在智能交通系統、智能監控系統、軍事目標檢測以及醫學導航手術中的器械定位方面具有廣泛的應用價值。根據算法實現的基本原理，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系，把原空間的問題轉換到對偶空間求解，即將圖像空間中的給定曲線通過數學表達式變為參數空間中的一個點，進而將曲線檢測問題轉化為尋找參數空間的峰值問題。但是，當參數空間超過兩維時，這種變換的時間消耗和內存需求急劇增大，在實際中難以實現和應用。另外，國內外學者以Hough 變換算法為基礎，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的檢測效果并不理想。根據匹配信息的不同，模板匹配算法有基于灰度相關和基于幾何特征兩類。基于灰度相關算法根據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，但卻帶來了內存消耗劇增的問題。

當圓形目標與攝像機光軸不垂直時，目標的俯仰和偏轉會導致其成像的變形；隨著目標相對攝像機的距離減小，目標相對攝像機的角度增大，成像形變同樣會越發嚴重。這種情況下，圓形目標在攝像機的成像平面上呈現橢圓形，受自身不同的立體形狀以及光線不均等環境因素的影響，圓形目標甚至會呈現出一個類圓形變形體。由于幾何形狀特征的丟失，Hough 變換以及相關的改進算法對于此類近距大偏角的圓形目標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微小變形條件下的圓心目標的檢測，但是對于近距離大偏角條件下的圓形目標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輪廓從現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所包含的細節信息，精確判定目標輪廓的有效性。

1 復雜背景預處理研究

1.1 色彩空間轉換

通過攝像機經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中的三色疊加原理，雖然應用廣泛，但在處理圖像時往往因為三個分量的相關性而無法獲得滿意的結果。

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，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，在圓形目標同攝像機距離較近、存在大偏角時，將圖像從RGB色彩空間轉換為HSV 色彩空間，來突顯目標的輪廓特征，增強算法的處理效果，降低后期處理的復雜性。

1.2 閾值分割處理

閾值處理也稱為二值化，是一種圖像區域分割技術。它根據圖像中目標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間。但是，將圖像從灰度空間轉化為二值空間，必然會造成圖像細節信息的丟失。由于目標距離、背景環境、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的連續調節，實現了在各種不同環境條件下，對目標圖像中干擾像素的濾除以及目標輪廓的增強，提高了整體算法的有效性與魯棒性，如圖1（b）所示。

圖1 閉運算處理結果

1.3 閉運算處理

通常由于噪聲的影響，圖像經過閾值化處理后所得到的邊界往往存在“毛刺”，連通區域內部會出現一些噪聲孔，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學圖像處理方法；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，目標區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；為了實現目標的精確檢測，首先要提取圖像內的輪廓，然后通過輪廓特征的約束獲得目標輪廓。

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”表示內輪廓，“X”表示數字。實際圖像處理結果如圖3 所示，外邊緣輪廓為外輪廓，中間類圓輪廓為內輪廓；利用二值形態學閉運算后內部一般不會出現復雜嵌套結構的特點，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

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

條件1計算輪廓的長h和寬w，目標輪廓的長寬比需滿足如下條件：

式中，kd為限定參數，取值范圍為0.5 ＜kd＜1。

條件2計算輪廓的周長L，目標輪廓的周長需滿足如下條件：

條件3目標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成像一般呈橢圓形或類圓形變形體，所以可以通過計算預選輪廓外接圓的參數，然后與預選輪廓的相應參數對比，如果差值在容許范圍內，則判定該輪廓為圖像中目標的初選輪廓，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成像形變嚴重，但是在目標接近圖像采集設備的過程中，目標成像尺寸增大，在圖像中所占的像素逐漸增多，目標的細節信息不斷豐富，如圖1 所示。針對上述特點，應用了圓形目標細節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，圓形目標在框架特征矩形各邊點集即為目標細節特征點。計算目標細節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特征點數。

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定性進行改善。具體步驟為：

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

得到模板與目標圖像的匹配結果，并將結果存儲在對應坐標的二維數組空間中，公式中I表示目標圖像，T表示模板，R表示匹配結果。

然后在結果中搜索極值點。極值點的坐標便是匹配區域的位置，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域作為下一次算法的檢測區域。下一時刻的檢測僅對該區域作處理，從而縮短了算法運行時間，增加了檢測效率，最終實現對近距大偏角圓形目標的高效檢測，效果如圖5 所示，矩形框為匹配結果。

圖5 模板匹配效果圖

最終的近距大偏角圓形目標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檢測算法流程圖

圖7 匹配模板

3 實驗驗證與結果分析

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，為了能夠對不同尺寸的目標進行匹配識別，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域作為檢測結果，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圖像的檢測效果圖，可以看出本文算法在不同背景環境、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。

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域同授油管輪廓并不精確吻合，解算穩定性較差；該算法原理為尋找具有圓形形狀特征的目標，如圖（d1）、（e1）、（f1）所示，在圓形目標距離攝像頭較近存在較大形變或者背景比較復雜時，檢測失效。

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

表1 為三種算法對600 幅目標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圖像檢測成功，解算成功率具有明顯優勢，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勢，但是在目標圖像變形嚴重或者存在遮擋、目標形狀特征不明顯時，成功檢測率偏低。模板匹配算法的成功解算率依賴于目標圖像同匹配模板的相似度，目標圖像存在的偏轉角或者背景干擾物會降低兩者的匹配相關系數，從而導致檢測失效，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用要求。

表1 算法檢測性能對比表

4 結束語

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

[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.基于彩色形態篩的建筑物主題輪廓提取算法[J].數據采集與處理，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，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.圓形目標實時檢測的改進算法研究[J].計算機與數字工程，2012，40（3）：89-92.

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

[20] 謝志江，呂波，劉琴，等.旋轉不變性圖像模板匹配快速算法[J].吉林大學學報，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].計算機工程與應用，2007，43（36）：238-240.