基于圖像識別的鉆頭自動跟蹤算法

楊懷林

摘 要： 針對當前方法進行鉆頭自動跟蹤過程中，難以對鉆頭目標模板進行精確描述且運算較為復雜，存在跟蹤誤差大的問題，提出一種基于圖像識別鉆頭自動跟蹤方法。該方法利用雙重卷積理論對鉆頭原圖像進行閾值分割，提取鉆頭運動圖像目標，將提取的鉆頭運動圖像目標進行濾波處理，獲得鉆頭圖像的歸一化中心矩，采用高斯模型對鉆頭運動圖像目標和背景建模，在此基礎上將卡爾曼濾波預測估計思想和均值漂移思想相融合，應用于鉆頭運動圖像目標跟蹤過程中，由此完成對鉆頭的自動跟蹤。實驗結果表明，所提方法能夠有效提升鉆頭運動圖像目標的檢測精度，且目標跟蹤的穩定性較強。

關鍵詞： 圖像識別； 鉆頭； 自動跟蹤； 卡爾曼濾波

中圖分類號： TN911.73?34； TP391 文獻標識碼： A 文章編號： 1004?373X（2017）17?0056?04

Drill automatic tracking algorithm based on image recognition

YANG Huailin1， 2

（1. Nanjing Normal University， Nanjing 210097， China； 2. Jiangsu Vocational College of Finance and Economics， Huaian 221008， China）

Abstract： The current methods are difficult to describe the drill target template accurately and have complex operation and big tracking error in the drill automatic tracking process， therefore a drill automatic tracking method based on image recognition is proposed. The double convolution theory is used to segment the threshold of the drill original image to extract the drill moving image target. The extracted drill moving image target is filtered to get the normalized central moment of the drill image. The Gauss model is used to model the drill moving image target and background. On this basis， the thoughts of Kalman filtering estimation and mean shift are integrated to apply to the tracking process of drill moving image target， so as to track the drill automatically. The experimental results show that the method can improve the detection accuracy of drill moving image target effectively， and has high stability of target tracking.

Keywords： image recognition； drill； automatic tracking； Kalman filtering

0 引 言

近年來，隨著我國科學技術的不斷進步，計算機視覺技術和圖像并行處理技術得到了飛速發展，自動跟蹤技術逐漸成為計算機視覺、自動控制和模式識別領域的研究熱點問題[1?3]。隨著機械設備高度自動化、集成化以及無人化的發展，基于圖像的目標識別與跟蹤技術在機械設備領域受到了廣泛的應用[4?6]，鉆頭是機械加工領域中孔加工最主要的加工工具，在研究和開發機械設備自動加工過程中，鉆頭的識別與自動跟蹤技術對實現加工過程自動化、提升制造業水平具有重要意義[7?8]。在實際加工過程中，鉆頭磨損、斷裂等問題使鉆頭成為制造系統中最薄弱的一環，易造成機械設備生產效率低，嚴重時還會造成設備停機事故。在這種情況下，如何對鉆頭進行自動跟蹤，實現加工過程自動化、提升制造業水平現已成為制造裝備自動化領域亟待解決的首要任務，受到了眾多專家學者的廣泛關注[9?11]。

針對當前方法進行鉆頭的自動跟蹤時，對目標模板的描述不精確且運算復雜，存在跟蹤誤差大的問題，提出一種基于圖像識別的鉆頭自動跟蹤方法。實驗結果表明，所提方法在進行鉆頭的自動跟蹤時對運動目標檢測精度高且運算簡單，大幅度提升了目標跟蹤的穩定性。

1 基于圖像識別的鉆頭自動跟蹤算法

1.1 圖像識別的特征提取

在對圖像識別鉆頭自動跟蹤過程中，先結合雙重卷積理論對鉆頭的原圖像進行閾值分割，提取鉆頭運動圖像目標，再對輸入的鉆頭運動圖像目標進行Gabor小波變換，得出每個通道輸出的鉆頭運動圖像，對提取的鉆頭運動圖像目標進行濾波處理，獲得鉆頭運動圖像目標的歸一化中心矩，結合支持向量機理論對鉆頭運動圖像進行像素分類，獲取候選鉆頭運動圖像目標，采用高斯模型對鉆頭運動圖像目標和背景建模。具體過程如下所述：

采用雙重卷積理論對原鉆頭圖像進行閾值分割，提取出鉆頭運動圖像目標，在此基礎上，對輸入的鉆頭運動圖像目標進行Gabor小波變換，利用式（1）進行計算：endprint

（1）

式中：表示鉆頭運動圖像目標；表示Gabor小波濾波器組；表示鉆頭運動圖像目標經過Gabor濾波器卷積處理后得到的一組濾波結果。

利用式（2）對鉆頭運動圖像的階中心矩進行定義：

（2） 式中表示鉆頭運動圖像的中心坐標。

定義以下4個對平移、旋轉和尺度變換不變的矩：

式中：表示鉆頭運動圖像的歸一化中心矩；采用支持向量機的分類方法對鉆頭運動圖像的歸一化中心矩進行回歸分析。定義在某一時刻鉆頭運動圖像中任一像素的像素概率模型為：

（3）

式中：表示在時刻鉆頭運動圖像的像素屬于前景或背景的概率。利用式（4）定義時刻鉆頭運動圖像中像素的背景混合模型為：

（4）

式中：表示在時刻鉆頭運動圖像中像素的像素值；表示該混合模型中描述鉆頭運動圖像像素色彩特性的高斯分布模型的個數；表示時刻鉆頭運動圖像背景混合模型中（表示第個）子模型的權，所有子模型的權之和等于1，即；和分別表示時刻鉆頭運動圖像背景混合模型中子模型的均值和協方差矩陣。

以權和標準差之比作為適應度值，從鉆頭運動圖像的背景混合模型中找到具有最大適應度值的子模型作為鉆頭運動圖像的當前幀背景分布模型，利用式（5）進行計算，可得到時刻鉆頭運動圖像的像素屬于背景的條件概率：

（5）

式中：表示鉆頭運動圖像像素的特征向量；表示特征向量的維數；分別表示該條件概率的均值和協方差矩陣。

通過多次迭代即可提取出鉆頭運動圖像的背景，具體過程如下所述：

（1） 設置最大迭代次數以及每次迭代中被修正的鉆頭運動圖像的最少像素數

（2） 針對鉆頭運動圖像中每一像素，從背景和前景混合模型中找到具有最大適應度值的子模型作為鉆頭運動圖像當前幀背景和前景的分布模型。

（3） 利用式（5）計算鉆頭運動圖像的像素8鄰域中屬于背景的像素數。

（4） 以獲得的鉆頭運動圖像的像素先驗概率為依據，對像素進行判斷：

式中：代表鉆頭運動圖像像素的先驗分布密度函數；代表鉆頭運動圖像像素的先驗分布密度函數，若則像素被分類為背景，否則為前景。

（5） 若迭代次數大于或一次迭代中被修正鉆頭運動圖像的像素數小于迭代分類結束，否則返回第（2）步。

在獲得運動圖像背景后，將鉆頭運動圖像當前幀與鉆頭運動圖像背景相減，獲取候選鉆頭運動圖像目標，可表示為：

（6）

式中：表示歸一化因子；表示鉆頭運動圖像目標特征值；和函數的作用是判斷鉆頭運動圖像目標區域中像素的特征值是否屬于表示搜索窗口的鉆頭運動圖像中心像素坐標；表示核函數的帶寬，它決定候選目標的尺度。利用式（6）給出的獲取候選鉆頭運動圖像目標組建鉆頭的運動圖像背景模型，為建立鉆頭的運動目標模型提供依據。

1.2 運動圖像目標檢測

在對圖像識別鉆頭自動跟蹤過程中，在1.1節得到的候選鉆頭運動圖像目標的基礎上，以圖像的灰度信息為特征空間，結合單變量高斯模型將已獲得的鉆頭運動圖像目標和背景信息進行統計，得到鉆頭運動圖像背景的高斯分布參數模型，對鉆頭運動圖像幀之間的特征點進行相應的匹配，采用卡爾曼濾波來預測鉆頭運動圖像的目標位置，最終獲得鉆頭運動圖像跟蹤目標的軌跡。具體過程如下所述：

假設鉆頭運動圖像幀的各個圖像灰度值均遵從均值和方差的分布，且各個鉆頭運動圖像像素點的高斯分布為單變量。在該模型中，代表單變量正態分布；代表鉆頭圖像灰度值的期望值；代表鉆頭運動圖像灰度值分布的方差。式（7）為鉆頭圖像幀的各個像素點組建正態分布的目標和背景的概率模型：

（7）

式中代表鉆頭運動圖像的灰度信息特征值。

在第幀中，鉆頭運動圖像目標（背景）模型中均值和方差的更新公式為：

均值：

方差：

在第幀中，鉆頭運動圖像目標（背景）模型中的參數更新公式為：

均值：

方差：

式中：分別代表第幀鉆頭運動圖像中目標（背景）點的統計均值和方差；代表判斷鉆頭運動圖像第幀中目標（背景）樣本點所用高斯模型的均值和方差；代表鉆頭運動圖像目標（背景）的樣本點數；代表鉆頭圖像每個樣本點的灰度值；代表更新率。

在鉆頭運動圖像環境中，為了在以原目標位置為中心的區域附近更快地找到鉆頭運動圖像目標，采用卡爾曼濾波來預測鉆頭運動圖像的目標位置，將第一幀中的鉆頭運動圖像目標中心位置和運動速度賦值給預測的鉆頭運動協方差可表示為：

（8）

式中：代表濾波器的結構參數；代表第幀圖像中的鉆頭運動圖像的目標中心位置和運動速度的預測協方差。

結合式（8）預測鉆頭運動圖像的目標位置，獲得真實中心位置跟蹤鉆頭運動圖像目標的濾波方程為：

（9）

式中：代表第幀圖像中預測的觀測向量；代表濾波器的增益參數。

1.3 基于圖像識別鉆頭自動跟蹤

在對鉆頭運動圖像自動跟蹤過程中，以1.2節獲得的圖像運動目標模型為基礎，利用貝葉斯分類理論，在得到鉆頭運動圖像的后驗條件概率的基礎上，對鉆頭運動圖像目標的初始位置進行識別；利用鉆頭運動圖像的灰度信息建立目標模型，對第幀中的所有鉆頭運動圖像的樣本點進行判別，得到鉆頭運動的置信圖利用均值漂移理論對置信圖峰值點進行識別，求解鉆頭運動圖像的最優峰值點，實現多目標分割、跟蹤。具體過程如下所述：

對鉆頭運動圖像的多目標進行分類，利用貝葉斯公式進行計算，得到鉆頭運動圖像的后驗條件概率，可表示為：

（10）

式中：代表鉆頭運動圖像目標模型；代表鉆頭運動圖像背景模型。在此基礎上，結合式（10）對式（7）進行轉化，給出鉆頭運動圖像目標的初始位置，利用灰度信息建立目標模型，對第幀鉆頭運動圖像的每一個樣本點做后驗條件概率判斷，可以得到鉆頭運動的置信圖：endprint

（11）

結合均值漂移理論尋找鉆頭運動置信圖的峰值點，計算結果可表示為：

（12）

式中：代表以鉆頭運動置信圖的峰值點為中心的鄰域；初始值代表卡爾曼濾波器濾波得到的預測值；分別代表鉆頭運動置信圖中每點的坐標。

通過均值漂移算法得到鉆頭運動置信圖的峰值后，以上一幀的鉆頭運動圖像窗口大小為初始值，框定運動圖像目標最優點，利用式（13）定義全部圖像識別的鉆頭自動跟蹤目標函數：

（13）

式中代表上一幀的鉆頭運動圖像窗口大小，依據上一幀的窗口大小完成鉆頭運動圖像的自動跟蹤。

2 實驗仿真證明

為了驗證本文提出的基于圖像識別鉆頭自動跟蹤算法的有效性，需要進行一次仿真實驗，實驗圖像均為由CCD攝像機實時采集的可見光圖像，采樣速率為30 f/s，把RGB圖像轉換為灰度圖像，直方圖采用灰度級。編程環境是P42.4G的PC機，算法由VC語言在Windows NT平臺下編程實現，在不同鉆頭工作條件下進行30次運動圖像自動跟蹤實驗。

分別利用模糊濾波算法與圖像識別算法進行鉆頭自動跟蹤實驗，對比不同算法的跟蹤誤差，結果如表1所示。

通過分析表1可知，利用圖像識別算法進行鉆頭自動跟蹤的準確性要高于利用模糊濾波算法進行鉆頭跟蹤的結果，這主要是因為在利用圖像識別算法進行鉆頭自動跟蹤過程中，將鉆頭圖像與對應每個通道的Gabor濾波器分別進行卷積，得出每個通道輸出的鉆頭運動圖像，再對提取出的鉆頭運動圖像目標進行濾波，將鉆頭運動圖像的像素分為前景或背景，通過一定的加權將每一幀新輸入鉆頭運動圖像的變化動態加到模型中自適應地進行更新。對鉆頭運動圖像幀之間的特征點進行相應的匹配工作，獲取鉆頭運動圖像的最優峰值點，使得利用圖像識別算法進行鉆頭自動跟蹤的準確性較高。

以表1給出的統計結果為理論依據，將模糊濾波算法得到的位置與誤差曲線和圖像識別鉆頭自動跟蹤算法得到的位置與誤差曲線進行對比，結果如圖1～圖4所示。

分析圖1～圖4可知，在不同的跟蹤實驗次數下，利用圖像識別算法預測位置趨勢曲線與期望位置趨勢曲線基本吻合，通過誤差位置曲線可以看出，利用圖像識別算法進行鉆頭的位置跟蹤誤差幾乎為零，這主要是因為在利用圖像識別方法進行鉆頭自動跟蹤過程中，先采用雙重卷積理論對原鉆頭圖像進行閾值分割，提取出鉆頭運動圖像目標，對提取出的鉆頭運動圖像目標進行濾波處理，獲得鉆頭目標圖像的歸一化中心矩。結合支持向量機理論對鉆頭運動圖像進行像素分類，獲取候選鉆頭運動圖像目標，采用高斯模型對目標和背景建模。以鉆頭圖像的灰度信息為特征空間，結合單變量高斯模型對已獲得的目標和背景信息進行統計，得到鉆頭運動圖像背景的高斯分布參數模型。利用貝葉斯分類理論對鉆頭圖像目標的初始位置進行識別，在此基礎上，結合卡爾曼濾波預測估計方法和均值漂移理論得到鉆頭自動跟蹤目標函數，實現目標跟蹤和定位功能。

3 結 語

針對當前方法進行鉆頭自動跟蹤過程中，難以對鉆頭目標模板進行精確描述且運算較為復雜，存在跟蹤誤差大的問題，提出一種基于圖像識別鉆頭自動跟蹤方法。實驗結果表明，所提方法能夠有效提升鉆頭運動圖像目標的檢測精度，且目標跟蹤的穩定性較強。

參考文獻

[1] 周楨.基于多標記圖分割的遮擋下多目標分割及跟蹤算法[J].科學技術與工程，2015，15（10）：102?105.

[2] 黃斌.基于自適應觀測粒子濾波的運動跟蹤算法[J].科技通報，2016，32（3）：145?148.

[3] 來羽.基于粒子群算法的傳感網絡節點動態目標跟蹤[J].計算機仿真，2016，33（3）：239?242.

[4] 鄭朝暉.基于NCC匹配的Camshift目標跟蹤算法[J].四川理工學院學報（自然科學版），2015，28（4）：37?40.

[5] 李榮，徐燕華.基于視覺信息的圖像特征提取算法研究[J].電子設計工程，2016，24（9）：188?190.

[6] 楊凱，魏本征，任曉強，等.基于深度圖像的人體運動姿態跟蹤和識別算法[J].數據采集與處理，2015，30（5）：1043?1053.

[7] 鄒德永，孟祥雨，袁軍，等.基于模式識別的鉆頭選型新方法[J].石油鉆探技術，2016，44（2）：40?45.

[8] 周西峰，鄒浩，郭前崗.一種基于超聲檢測圖像的缺陷自動識別算法[J].微型機與應用，2015，34（9）：54?56.

[9] 白靈.基于Hadoop平臺下SVM的圖像識別技術[J].現代電子技術，2016，39（16）：98?101.

[10] 劉國華.基于圖像處理的鉆頭測量系統[J].黑龍江大學工程學報，2016，7（1）：92?96.

[11] 王躍東，錢小燕，張天慈，等.基于聯合雙邊濾波的融合圖像跟蹤算法研究[J].航空計算技術，2016，46（2）：37?41.endprint