随着计算机硬件技术的迅猛发展,高速处理芯片和高速大容量存储器芯片的出现与普及,使得从图像序列中检测出运动信息、识别与跟踪运动目标和估计三维运动及结构参数成为计算机视觉领域中一个非常活跃的分支,由于其在国民经济和军事领域的许多方面有广泛的应用,对它的研究受到各国的普遍关注.对于动态图像的分析以及最后识别运动目标,目前主要通过两个途径来实现.一种途径是模仿人眼成像及识别物体的机理,让计算机从获得的二维连续图像序列中提炼出运动目标,并从中重构出三维物体的可视部分以达到识别物体的目的.虽然在这一方面的研究取得了一些进展,但是由于其它方面的研究滞后以及计算机的固有缺陷(例如,计算机系统普遍地采用二维逻辑,而人眼成像及识别物体不仅仅是二维的),使得通过这一途径完全还原及识别运动目标的研究进展缓慢.另一途径是图像法识别运动目标.图像法识别运动参数的基本原理是将物体用成像头(红外或可见光等)摄入后形成的图像信号序列送入计算机,经过对图像的预处理、特征提取、目标识别后,在连续图像序列中进行特征点匹配,进而解出目标物体的运动参数,实现对目标物体的搜索、识别和跟踪.一旦完成对目标及其运动参数的识别,就可以由伺服机构完成下一步的决策和处理.图像法识别是从输入图像和目标物体两个方面入手,通过对输入图像序列的处理,使其与目标样本库中的图像进行匹配,以达到识别目标的目的.该
方法
快递客服问题件处理详细方法山木方法pdf计算方法pdf华与华方法下载八字理论方法下载
也存在着缺陷,比如,样本库可能非常大,不利于实时跟踪和处理.本文主要对图像法识别物体运动参数的过程及其存在的问
题
快递公司问题件快递公司问题件货款处理关于圆的周长面积重点题型关于解方程组的题及答案关于南海问题
进行讨论.1 图像预处理目前,图像预处理技术已经有比较成熟的方法可以采用.图像预处理主要是对图像进行噪声滤除,图像锐化,对比度增强和边缘检测.1.1 噪声滤除运动目标识别的任务就是把物体的轮廓从背景中分离出来,根据特征值与目标样本库中的图像进行匹配运算,以达到识别目标的目的.由于拍摄环境和设备质量等多种因素,使数字化后的图像不可避免的带有各种噪声,为了减少噪声对物体轮廓提取的影响,噪声滤除是图像预处理中的第一步.如果这种噪声发生模型预先知道,针对这种噪声模型
设计
领导形象设计圆作业设计ao工艺污水处理厂设计附属工程施工组织设计清扫机器人结构设计
滤波(一般为频率区域内的滤波),就能够有效地消除噪声,这样的处理叫做图像复原.但是,通常噪声发生的机理往往是未知的,而且即使知道了产生机理,有时也不能对此有效地进行数学上的模型化.在这样的场合,可采用根据噪声所具有的一般性质进行噪声消除的平滑性.由于图像的噪声常常表现为一些孤立的像素点,其像素灰度和周围点有显著差别,灰度的陡性变化比较大,所以可以用邻域平均、中值滤波、高斯低通滤波等方法来抑制噪声.对于邻域平均法,如果把求灰度平均值的邻域取得太大,或者反复进行若干次操作,则会使图像模糊,图像的质量也会随之降低.中值滤波不仅能有效滤除图像中的孤立噪声点,与邻域平均法相比还能有效保护边界信息.图像中有一些非常有价值的像素点也表现出与噪声相似的特性.比如图像中物体轮廓的边缘点,如果处理不好就会造成物体边缘模糊,不利于物体和背景的分离,对最终的目标识别带来新的干扰.1.2 图像锐化噪声消除之后,图像可能变得边缘模糊,为了改善图像质量,使图像具有的信息让人易于观看,就要对图像进行锐化处理.图像锐化一般采用增强高的空间频率成份的办法.这是由于图像的模糊,是高的空间频率成分比低的空间频率成分弱这一原因造成的.1.3 对比度增强对比度增强是指对图像的对比度等进行强调和尖锐化,以便于显示、观察和进一步的分析与处理.对比度增强将不增加图像数据中的相关信息,但它将增加所选择特征的动态范围,从而使这些特征检测和识别更加容易.常用的增强对比度的方法有:线性灰度变换,非线性灰度变换,直方图均衡,灰度的规定化.根据灰度变换使对比度增强的目的在于最后做出令人们易于观看的图像,但在灰度绝对值具有意义的图像的二值图像中,信息将被歪曲,有时反而会收到相反的效果.1.4 边缘检测图像的边缘可以被定义为在局部区域内图像特性的差别,它表现为图像上的不连续性(如表现在图像上灰度级的突变,纹理结构的突变以及彩色的变化等).图像的边缘信息无论是对人类或对机器视觉来说都是非常重要的.边缘具有能勾画出区域的形状,能被局部定义及其能传递大部分图像信息等许多优点.因此,边缘检测可以看作是处理许多复杂问题的关键.常用的边缘检测算子有:Ｓｏｂｅｌ算子、高斯拉普拉斯算子(ＬＯＧ)、Ｃａｎｎｙ算子、Ｐｒｅｗｉｔｔ算子、Ｒｏｂｅｒｔｓ算子等.Ｓｏｂｅｌ算子是一种加权平均算子,对靠近中心的点进行加权,以突出边缘.Ｓｏｂｅｌ算子计算量较大,对于图像的最后一行和最后一列的像素无法进行差分运算,于是采用了前一行和前一列的梯度值去代替的补救方法.虽然Ｓｏｂｅｌ算子的提取效果较好,但在提取过程中不难发现,阈值Ｔ的确定是一个非常繁琐但同时也是非常关键的环节.Ｌａｐｌａｃｉａｎ算子是用高阶差分算子检测边缘.ＬＯＧ算子在图像进行差分运算之前,先对图像进行平滑处理,以减少噪声,因此缓解了一般差分对噪声响应很敏感的问题.Ｒｏｂｅｒｔｓ算子和Ｐｒｅｗｉｔｔ算子很相似.由于图像的最后一行和最后一列的像素无法进行差分运算,于是采用了前一行和前一列的梯度值去替代的补救方法.Ｒｏｂｅｒｔｓ梯度算子对噪声很敏感,故很少采用这种方法检测稠密点区域的边缘.2 目标特征点提取所谓物体的特征点常指角点、特定灰度值点、特征向量、特征线段等.一种有用的特征点提取算法是采用在物体的边缘上寻找特征点,避免了在整个图像范围内寻找特征点.其基本思路是先算出目标物体的型心,然后将目标物体边缘以型心为原点极坐标化,再在边缘上寻找局部最大值点.此种算法由于只在有限个边缘点范围内进行运算,因此这种方法具有简单的程序实现和极快的运算速度.然而,也应该注意到,没有滤除的噪声点也被错误地判定为特征点,因此,应用这种方法时,对噪声滤除提出了很高的要求.3 运动目标类型的识别特征的选择和提取在模式识别中至关重要,要识别一个目标,一定要获取目标所特有的关键特征.任何一个图像都有它本身的特征.设有ｍ个类别的图像,其类别分别为Ｗ1,Ｗ2,…,Ｗｍ.现要判断任一个给定的图像是这ｍ个类别中的哪一类,则可以通过提取图像的特征来进行判断.当图像类别很多时,特征一般也多.为了分析及分类方便,可用图像的ｄ(假设图像有ｄ个特征)个特征组成ｄ维空间中的特征向量Ｘ来表示,如果有ｍ个类别,就有ｍ个这样的特征向量.Ｘ表示如下: Ｘ=[ｘ1ｘ2…ｘｄ]Ｔ. Ｘｉ(ｉ=1,2,…,ｄ)为图像的特征.从图像中提取出全部特征后,组成ｄ维向量,让其与样本库中的图像类的特征向量进行匹配运算,如果其与第ｉ(0<ｉ≤ｍ)类特征向量相匹配,则说明要识别的目标属于第ｉ(0<ｉ≤ｍ)类.从而完成对图像序列中目标的识别.应该看到,图像法识别运动目标在理论上是可行的,在实际中有一些小的系统也能够实现.但要在大型的系统中达到智能化识别运动目标,这一方法还必须完善.例如,如果要做到智能化识别,其样本库要非常大,因为成像的角度,曝光度、方向、相对运动速度等等都影响到目标的最终识别,从而不利于实时跟踪和处理.令人欣喜的是,由于对运动目标识别及运动参数的估计在军事和国民经济中有着非常重要的价值.世界各国的科技工作者非常重视,随着计算机软硬件技术及其它相关技术的出现及发展,图像法识别运动目标必然能得到不断的完善,向智能化识别的方向发展.
浙公网安备 33021202002483