控制目标点范文
控制目标点范文（精选8篇）
控制目标点 第1篇
小型固定翼无人机具有低空低速、体积小、噪音低等特点[1],搭载相应的光电探测设备后,非常适合用来进行侦察跟踪、贴近探测或干扰,目前各国都将使用无人机的侦察作战能力进行远程精确打击作为现代战争的有效手段[2]。
航迹规划主要包括静态航迹规划和动态航迹规划两个方面[3,4,5,6]。动态航迹规划是在飞行中进行的,对实时性有很高的要求,这种可以根据在线探测到的态势变化,实时或近实时重规划任务目标的能力,是无人机飞行控制系统所期望的[7]。
本文研究的基于航迹点控制的固定翼无人机目标跟踪算法属于无人机动态航迹规划,该算法指引无人机跟踪地面运动目标。
1 基于航迹点控制的无人机目标跟踪算法
由于无人机的机动特性,无人机偏好于走直线,转弯时使用圆轨迹,所以,本文设计的基于航迹点控制的算法使无人机的运动轨迹始终在圆与直线之间切换。
1.1 导航策略
假定无人机使用固定速度,为了实现视觉监视,保持无人机盘旋半径为r。
如图1所示,O为无人机的位置,OP为无人机的当前方向,c0为无人机的方位角,Q为目标的位置。为了能够更好地跟踪目标,无人机需要切换到以目标为圆心,半径为r的圆上,AC, BD为两条切线。
以无人机当前位置,方位角以及半径r可以确定圆心W的位置。假设已知O点坐标为(x0,y0),已知Q点坐标为(X,Y),则有:
其中(Xo,Yo)为W的坐标。令L为W与Q的距离,则:
由图可以证明,ΔCQR、ΔAWR、ΔBWR、ΔDOR全等,所以有:
WR=L/2 (3)
tanδ=(Yo-Y)/(Xo-X) (4)
令A、B、C、D坐标分别为(x1,y1)、(x2,y2)、(x3,y3)、(x4,y4),则:
当目标与无人机相距较近时,即L<2r时,采用导航策略2,无人机运动轨迹为BC或AD,如图2所示,两圆相交。
各切点计算如下:
tanδ=(Yo-Y)/(Xo-X) (8)
由于AW⊥WQ,
解得:
当无人机进行左盘旋,在运动到B点时,目标依然在WR上,但是在1/4周期后将到达RQ上,则采用导航策略3,无人机运动轨迹为B-R-D,如图3所示。
δ=arctan(Vpy/Vpx)
其中,
表示R点的坐标位置,无人机在R点处进行换圆,并且改变盘旋方向。
1.2 算法描述
该算法流程如图4所示。
①计算无人机的最小转弯半径Rmin。
②判断L与2r的大小:当L>2r时采用导航策略1,当L<2r时采用导航策略2,L=2r时采用导航策略3。
③计算切点,当目标到达切点时,采用当前导航策略达到目标圆。
④计算目标当前位置,更新目标圆,返回步骤②,让无人机再次切换到目标圆上。
1.3 仿真结果
图5-8为该算法的仿真结果。本文采用目标覆盖率ρ来检验试验结果,目标距离无人机距离为S,当SS0时,无人机都可以很好地观察到目标,超过S0,则无人机失去跟踪能力,即:ρ=S/S0。本文取S0为500m,实际中,摄像机的可见距离远远大于500m。
由仿真图可知,当目标进行各种运动时,包括目标运动方向改变,速度改变时,无人机都能较好地实现目标的跟踪监视,并且在所有情况下,无人机都能保持贴近目标飞行,该算法实时性较好。
2 结束语
本文针对提高固定翼无人机对机动目标的跟踪效果,提出了基于航迹点控制法的固定翼无人机目标跟踪算法。文中根据无人机的机动特性对系统进行了建模,并对航迹点控制算法进行了仿真。仿真结果表明,该算法复杂度低,实时性强,跟踪效果较好。该研究对进一步加强无人机的军事应用,提高无人机目标跟踪的可靠性有重要意义。
参考文献
[1]崔秀敏,王维军,方振平.小型无人机发展现状及其相关问题分析[J].飞行力学,2005,23(1):14-17.
[2]李志宇,徐烨峰,杨国梁.跟踪海面目标的小型无人机飞行控制仿真研究[J].科学技术与工程,2008(3):1374-1378.
[3]H Bryson A E Y C.Applied Optimal Control[M].Hemisphere,NewYork,USA:Prentice-Hall,1975.
[4]Kirk E D.Optimal Control Theory[M].Englewood Cliffs,NewJersey,USA:Prentice-Hall,1970.
[5]D A Lawrence.Lyapunov Vector Fields for UAV Flock Coordination[C]//2nd AIAA"Unmanned Unlimited"Systems,Technologies,and operations-Aerospac San Diego,California,USA,2003.
[6]R Rysdyk.UAV Path Fellowing for Constant Line-of-Sight[C]//2nd AIAA"Unmanned Unlimited"Systems,Technologies,andOperations-Aerospac San Diego,California,USA,2003.
留一点目标给自己作文 第2篇
小时候我的身子并不是像现在一样，而是像是精瘦的排骨仿佛连骨头都要显现出似的并且每隔一段时间我的手就要去看一次医生。因为总是手会在无缘无故之中突然脱臼，一来二去连为我看病的老中医都认识了我这个不善言辞只会依靠在父母怀里的“小病患”。
每次我的手要去老中医那里去维修，老中医一看到我就说：”小朋友，怎么又是你啊？这次是不是又是因为脱臼啊？"说着便伸出他那双枯瘦的手，眼神也是十分专注好像在看一个稀世璞玉一般。而老中医的手犹如机械修理工的工具，一抓一推一按便将我的手接上了。不用吃药也不用上药，更不用打针。只当时我的眼里老中医就像是一位法力无边的魔法师，那么神奇的技艺。应该在骨科界也是凤毛麟角的存在。
有一次在暑假的时候我再次被修理之后便入住表哥家。那时表哥像是着了魔，天天拉着我待在电视机前看nba的比赛。并且像那个解说员一般十分话多，有时我还遭受到他唾沫星子的侵袭。而我对他的话也是左耳进右耳出，没有过多的关注。即使我的漠不关心的态度，也依旧关不上他的水龙头。我只好无奈的顺着他的视线将目光投向电视。当然当时的我打篮球可是一无所知，更是对10个人抢一个球而感到无聊。表哥的解说仍旧继续着，依旧是分析着电视上的每位我都素不相识的人。表哥说到一个球员非常厉害，一开始自然我也是随意地听听罢了。可是他却说那个人从没有被什么伤病缠身时我便忽然来了兴致。因此我从茫然无助的扁舟寻到了方向般，找到了自己的目标。
自此我也出现在了篮球场上。现在因为当时的目标我虽然没有达到像他一样，但是也依然收获颇多。那段时间不仅仅让我迷上了篮球这项运动，更是让我明白了一个道理。那就是不要害怕伤病与挫折，要学会去面对，不要向困难低头也不要服输要有勇气迎难而上。
控制目标点 第3篇
S A G D双水平井采用生产井和注汽井水平段在空间上保持平行的布井方式[1]。为方便起见, 下文中将生产井简称为P井, 注汽井简称为I井。
目前, 注汽井水平段的控制方法是采用先进的MGS磁导向测量服务、Sperry-Sun650正脉冲MWD测量服务, 轨迹反演分析等工具软件, 保证两井的相对误差[1]。若先对注汽井轨道水平平段进行修正设计, 然后再对注汽井使用磁导向技术, 这样可以进一步减小两井水平段轨迹要求的相对误差。
2 注汽井水平段控制目标点的确定方法
注汽井水平段控制目标点确定的原则是:修正设计出的注汽井水平段须使两井水平段平行度最大。
2.1 水平偏距与垂直距离的计算
(1) 根据已知生产井的实钻轨迹数据可以插值得到任意等间距∆L (通常间距∆L取值为1 5 m~3 5 m) 处点i的空间坐标 (, , ) PiPiPiX Y Z;
(2) 根据两井的井口位置、海拔高度与水平段垂直距离要求可以经过简单的几何变换得到与之对应的注汽井上点i空间坐标 (XIi, Y Ii, ZIi) (如图1所示, 原点O p为P井井口, X为北坐标, Y为东坐标, Z为垂深) ;
(3) 根据文献[2]中轨道设计模型设计出从入靶点A到出靶点B的水平段轨迹;
(4) 将设计的注汽井水平段轨道利用插值法离散为整米数据M (XIj2, YIj2, ZIj2) , 离散间距为1m。计算离散点到与之对应的点N (XP j2, YPj2, ZPj2) , M点与N点的关系为投影曲面的关系如图2。
M点的水平偏距IHPj和垂直距离IVPj详细算法见参考文献[3]。
2.2 双井平行度的计算
假设I井的水平段总长度为:LIT, 将I井从入靶点到出靶点的测点离散化为 (XIj2, YIj2, ZIj2) , 离散间距为m米, 则 (一般取m=1, 即整米离散) ;假如水平段离散点i的垂直距离IVPj与水平距离IHPj都在合格范围内, 则j点为合格点, 也称为平行点。统计合格点数为NumS, 则双井水平段平行度 (PDHW) 计算公式如下:
2.3 控制目标点的确定
对于不同取值的∆L计算得到的双井平行度PDHW是不相同的, 取PDHW最高的∆L为注汽井的水平段控制目标点的位置即可。
2.4 实例分析
某油田的生产井实钻井眼轨迹数据已知, 取∆L的值分别为15、20、25、30、35。经计算P D H W值分别为80.67、89.85、79.24、75.60、81.52。因此, 注汽井水平段控制目标点间距取20m左右使两井平行度达到比较高。
3 结论
(1) 以计算平行度最优作为注汽井水平段控制目标点位置的确定, 科学合理;
(2) 计算方法简洁, 实用性较强, 在注汽井修正设计基础上再应用磁导向技术可以进一步提高双水平水平段平行度。
参考文献
[1]杨睿, 关志刚, 蒋刚.新疆风城油田SAGD平行水平井钻井技术[J].石油机械, 2009, 3 (78) :79-82
[2]唐雪平, 苏义脑, 陈祖锡.三维井眼轨道设计模型及其精确解[J].石油学报, 200324 (4) :91-93
对新课程“三维目标”的一点质疑 第4篇
有鉴于此,有人就用“能力”二字直接取代了“知识与技能”中的“技能”,而把它改写为“知识与能力”目标。笔者认为这么做也是不妥的,而应将“能力”二字放入第二维目标中,变“过程与方法”为“过程、能力与方法”。
知识是人们对客观事物的现象和规律的概括总结,而技能则是与其相适应的行为方式概括化结果,是知识的外在价值。知识是形成技能的基础,因为技能的训练和掌握离不开知识的指引和运用,而知识的巩固与学习也离不开技能训练和掌握。“知识与技能”是同一维度的(知识)的两个相辅相成的侧面,把它们放在一起作为“一维目标”是非常正确的。假如要把“技能”去掉,尤如把一个人的双手砍掉一只,其后果是不堪设想的;而用“能力”取代“技能”则又是“大材小用”,因为能力同技能相比是范围更广、更上位的概念,它不仅包含“技能”而且还包含知识、智力、体力等。所谓能力就是指人依靠自己的智力和知识、技能去认识世界和改造世界所表现出来的身心力量。能力包含五要素:自学一探索能力、表达一表演能力、体力一操作能力、情感一审美能力、意志一调节能力。智力是一种以人脑的神经活动为基础的偏重于认知方面的潜在能力,是使人能够顺利从事各种活动所必需的各种基本认知能力,即注意力、观察力、记忆力、思维力和想象力等的有机整合。所以智力属于能力范畴,是构成能力一个根本部分或核心部分,这是人们常常把“智力、能力”相提并论或组合在一起而成为“智能”的缘故,但二者不能画等号,因为智力的范围不及能力的范围宽广。
实践,从教学角度讲,就是学生在教师的引导下,依靠自己的智力,以知识、技能为基础,去分析问题、解决问题或去探索新的知识并获得发展的过程。在这一过程中,知识、技能的掌握是发展智力、能力的重要条件和中介,知识、技能的学习是智力、能力发展的凭借和基础;而智力、能力的发展又表现于掌握知识、技能的过程中,智力、能力的发展水平又往往是掌握知识难易、快慢、深浅和牢固程度的重要因素之一。简言之,学习、掌握知识、技能是发展智力、能力的条件、因素和中介,而智力、能力的发展又是学习、掌握知识、技能的前提和结果。在各科教学中,学生不断经历这样的“过程”,学生的智力就会不断得到开发,积累的知识(含方法知识)与习得的技能就会越来越多,从而不但使学生的能力不断得到提高,同时也使学生的“情感、态度与价值观”,在连绵不断的“过程”熏陶下而逐步得到升华。由此可见,“能力”是孕育于“过程”之中的。它既是过程开始、发展的前提和条件,又是过程发展、结束的一个重要成果。心理学的研究告诉我们,“能力”总是和一定的活动联系在一起的,离开了活动就没有能力可言。这是我们把“能力”二字放在“第二维目标”“过程与方法”里的直接原因。我们把“能力”二字放在“第二维目标”里的间接理由或佐证则是,新课标关于“改变学习方式”的论述:“各学科课程标准要结合本学科的特点,加强过程性、体验性目标、引导学生主动参与、亲身实践、独立思考、合作探究,从而实现学生的学习方式的变革,改变单一的记忆、接受、模仿的被动学习方式,发展学生搜集和处理信息的能力、获取新知识的能力、分析和解决问题的能力以及交流与合作的能力”。在这里,不但明确地提出了培养“能力”的要求,而且还把它具体化为四项基本能力。
方法是人们在认识世界和改造世界的一切活动中所运用的各种途径、方式和手段的总称。它同“能力”一样都离不开活动、过程。它具有两重性,一方面它属于经验系统,是知识的一部分;另一方面它又不同于一般的知识,它是知识的最高提炼,是覆盖面最大、类化(共性)力最强的知识,它是一种智慧因子最活跃、价值最高的知识,是使知识转化为智慧的必经之路,它比知识更接近智慧。由此可见,方法既是智能的外在表现、外在价值,又是智能赖以形成和发展的条件之一。方法是在教学活动过程中一步步按程序习得的,其“中介”也是实践。依据“方法”与“能力”之间的关系和方法习得的过程,应该将它们一同放在“过程”里。
点目标检测的滤波算法及其硬件实现 第5篇
自动目标识别与跟踪技术是当前智能化信息处理领域的前沿技术,其研究势头十分活跃。研究及实践证明,低信噪比目标检测技术是实现自动目标识别与跟踪的重要基础和根本前提,其性能指标将直接决定系统的探测灵敏度和作用距离[1]。远距离的点源目标因缺乏必要的形状、纹理和结构信息,几何与灰度特征尚不明显,所以检测处理中在注重特性分析的同时,还要侧重背景抑制的研究。实现这一目的的技术途径主要有帧间对消和自适应估计两种。前者利用相邻帧间的图像数据进行差分对消处理,对于静态场景的目标检测较为有效,但在运动目标的检测中将面临诸多技术难题。因此,基于背景估计的滤波方法的研究异常活跃,各种处理算法层出不穷,正成为点目标检测技术中的一大研究热点和重要发展趋势。
成像跟踪系统典型的信号处理流程一般包括空域滤波、图像分割、目标检测、特征提取和轨迹跟踪等诸多环节。随着工艺水平的不断发展,探测器的像元数越来越多,帧速越来越快,对电子学系统实时处理能力的要求在不断地提高。在一个帧周期内完全依靠数字信号处理芯片(DSP)来实现图像滤波、目标识别和跟踪等算法的难度较大。通过分析不难发现,虽然图像滤波算法,运算量很大,通常需要对图像中的每一个像素进行扫描和和处理,但由于算法简单,主要涉及逻辑和算术运算,非常适合利用现场可编程门阵列(FPGA)来实现,充分发挥FPGA的高速、并行的计算能力。本文采用赛灵思(Xilinx)公司生产的XC 4VLX 15型FPGA,基于VerilogHDL语言,设计实现了一套图像滤波算法的硬件结构,能在信号读出过程中实时地完成滤波操作,不占用额外的处理时间,能为后端处理部分节约出大量宝贵的时间,是一种高效、快速的滤波算法实现方案。
1滤波算法介绍
基于自适应背景估计技术的点目标滤波算法主要侧重于目标和背景的模式特征与时空分布参数的研究。通过空间滤波算法获得图像背景的起伏特性,并进行差分对消处理,能有效抑制背景杂波,改善目标/背景的信噪比,以达到提高检测率和降低虚警率的双重目的。这与人类视觉的对比感知原理相吻合,而计算模型与生物系统不断融合的处理思想正是当前计算机视觉研究的重要发展方向,也是发展低信噪比目标检测技术的一条根本途径。常用的滤波方法主要高通滤波、Robinson滤波和形态滤波。
1.1高通滤波
高通滤波是最常见也是使用的最多的滤波算法之一,它将邻域内像元灰度的线性加权平均值作为中心像元的背景估计值。55的高通滤波模板如图1所示,其中。根据点源目标灰度的空间分布特性,通常要求权重按中心对称分布,且与到中心像元的距离成正比。在最简单的高通滤波中,。
文献[2]给出了一种自适应的高通滤波模板,如图2所示。该模板为封闭环状型且有明显的对称性,正负权值交错排列,对大面积起伏背景的估计更准确,增强了对图像环境的自适应处理能力。
1.2 Robinson滤波
Robinson滤波器是一种非线性的滤波器,它充分考虑了点源目标通常具有局部极值这一特性,将中心像元的灰度与邻域像元进行比较,而邻域的选取又考虑到了在实际的图像中点源目标通常具有一定的面积,因而可以有效地增强点源目标而抑制背景和较大的面目标。Robinson滤波模板如图3所示,具体的计算方法如式1所示。其中f(x)表示输入图像,g(x)为估计的背景图像,dtarget(x)为滤波后的图像。
将两种情况综合起来考虑,即可得到
1.3形态滤波
形态滤波是目前在数字图像处理中广泛应用的技术之一。在数学形态学基础上,利用集合运算进行图像几何结构分析的非线性滤波器称为形态滤波器。形态滤波器主要应用在边缘检测、噪声消除以及图像增强等方面。
灰度图像所形成的视觉感受主要由光照亮度的明暗变化所引起,其可视目标的显现无外乎两种情形:一是周围环境为暗背景时反衬出明亮的视觉目标;二是周围环境为亮背景时反衬出低暗的视觉目标。这也正好对应于视神经节细胞中的两种主要感受野(on-中心型和off-中心型)模型[3],见图4所示。这也是形态滤波用于图像背景感知的生理学基础。
设输入图像为f(x),结构元为B,其中x为图像平面上的二维坐标。利用灰度形态学运算中的开闭组合滤波操作对图像背景的感知处理和目标特性(亮度反差)的获取可描述如下:
式中,°表示形态学的开运算,表示形态学的闭运算。
形态滤波可分解为形态变换的规则确定和结构元选择两个基本问题。为改善滤波性能,可以从改进形态变换和优选结构元两方面加以研究。针对点源目标及背景的时空分布特性,通常可将式3简化为
形态变换规则一旦确定,则滤波性能就往往取决于结构元的选择。选择不同的结构元会导致运算对不同几何结构信息的分析和处理,即结构元决定着形态变换的目的和性质。根据参考文献[1]的结论,如图5所示的圆形结构元由于其具有各向同一性、旋转不变性性和对目标结构不敏感等特性,能够给出较好的滤波效果。
考虑到点源目标通常具有局部峰值特征,简化后的形态滤波算法如式5所示:
2硬件结构设计
FPGA是现场可编程逻辑门阵列的简称,它将半定制的门阵列电路的优点和可编程逻辑器件的用户可编程特性结合在一起,正逐步成为数字信号处理器(DSP)的辅助产品。XC4VLX15是赛灵思(Xilinx)公司生产的Virtex-4系列FPGA中的一个型号,内部主要有可配置逻辑块(Configurable Logic Block)、乘法器、块存储器(Block RAM)、数字时钟管理器(Digital Clock Manager)和并串转换、低压差分等丰富的IO资源,在一定程度上解决了传统FPGA器件内部存储空间小、运算能力差的缺点,为滤波算法的实现提供了良好的硬件基础。
使用FPGA来进行图像处理,关键和难点在于对图像数据的存储和管理。如图6所示是算法实现的硬件结构框图。其中使用了5个双口RAM(由块存储器例化而来)来保存5行图像数据,25个10位(图像数据量化位宽)的寄存器(D触发器)来保存55邻域内的图像数据。双口RAM的一端固定作为输入端口,另一端固定作为输出端口,在处理完每一行图像后进行一次“读出切换”和“写入切换”。
以图中所示情况为例,当前行的图像数据送往寄存器阵列的第五行,同时存入双口RAM5,而寄存器阵列的前四行则从双口RAM1～4中读取过去四行的图像数据(如图中黑色箭头所示)。当像元X55的字同步时钟的上升沿到来后,像元X33的滤波运算就开始进行,运算结果在字同步时钟的下降沿存入寄存器,作为滤波结果输出。当一行处理完毕后,双口RAM就要向上循环滚动一次,即当前行的图像数据存入双口RAM1,双口RAM2～5内的图像数据读出给寄存器阵列的前4行。
需要注意的是,在图像滤波处理的过程中,边缘部分由于缺少完整的邻域而无法得到有效的滤波输出。在通常的软件实现中,多采取邻域补零等方法,以保证输入输出图像的大小相同,但边缘部分的滤波结果已经不能使用。因此在本文的设计中,采取了直接抛弃的方案,即每一帧图像都要从第5行第5个像元开始才有滤波结果输出。输出图像与输入图像相比,宽和高都要小4个像素。
3实验结果与结论
实验中选用了平行光管模拟点源目标,支架以及反射的相机等部分作为背景干扰,实验结果如图7所示。可以看到,高通滤波在突出点目标的同时,也增强了面目标的边缘。相比之下,作为非线性滤波器的Robinson滤波和形态滤波,对面目标有着非常好抑制效果,这对后续的图像分割和目标检测处理是相当有利的。
成像试验验证了算法硬件结构的可行性,在信号的读出过程中依靠FPGA硬件实时地完成各种滤波处理,不占用额外的处理时间,证明是一种高效快速的硬件实现方案。
摘要：介绍几种在成像跟踪系统中常用的点目标滤波检测算法。为了满足图像处理的实时性要求,设计实现了一套针对图像滤波算法的FPGA硬件实现结构。该结构充分发挥了FPGA高速并行的计算能力,能在信号读出的过程中实时地完成多种滤波处理。实验证明该方案可行,具有良好的实时滤波效果。
关键词：点目标,背景估计,高通滤波Robinson滤波,形态滤波,FPGA
参考文献
[1]余农,吴常泳,汤心溢,等.红外目标检测的自适应背景感知算法.电子学报,2005;33(2):200—204
[2]杨卫平,沈振康.起伏背景下的自适应门限检测方法.红外与毫米波学报,1999;18(2):120—124
[3]杨雄里.视觉的神经机制.上海:上海科学技术出版社,1996
运动目标最优角点选择算法 第6篇
检测精度和检测速度是衡量角点检测算法好坏很重要的两个指标,而实现两者的最好平衡是一个好算法的关键。那么在有运动存在的场景里要完成角点提取,考虑到运动物体会在某个区域内进行运动( 和背景相比,运动区域是很小的一部分) ,而其他区域是相对不变的。本文根据相邻帧之间同一像素块变化的幅度来对运动区域分割,能极大地缩小角点的搜索范围,提高角点的检测速度,并通过引入邻域块重新构造Moravec算法的能量变化计算方法,对噪声干扰起到较好的抑制,最后用动态过滤算法将低质量角点剔除,留下高质量角点用于匹配跟踪。该方法不仅能达到较好的检测效果,也能保证检测速度。
1 算法结构
基于运动区域分割的分块角点提取算法主要包括运动区域分割、角点提取和角点筛选三个步骤,如结构图1 所示。首先用分块帧差得到的二值图分割出运动块,作为角点的搜索区域,然后在区域内用改进的Moravec算法提取角点,最后经动态过滤算法筛选之后,将优质角点保留下来。
1. 1 运动区域分割
如果在整个图像内搜索角点,角点既可能在运动区域出现,也可能在非运动区域出现,而图像中大部分都是非运动区域,那么,搜索非运动区域内的角点,一没有任何意义,并且耗时,二对运动区域内角点会产生干扰,导致系统的实时性和准确性下降。因此在使用角点检测算法之前,如果能将搜索范围缩小到运动区域内,除掉环境的干扰,这在一定程度上会大大提高算法的处理速度。
算法中通过运动目标检测将特征角点的搜索范围限定在视频序列中出现的运动区域内。从检测速度和抗干扰能力这两方面考虑,通过改进帧差法完成运动区域分割。在改进过程中,每个像素不再被看成是相互独立的随机变量,也不再被单独地决策为目标或是背景,而是充分利用像素在空间上的相关性,将图像划分为大小相等的多个子块,对每个子块根据约束条件来判断属于目标或是背景,我们把这种方法称为分块帧差法[15],具体算法如下。
假设In( n = 1,2,…) 为图像序列,In( i,j) 表示第n帧图像在( i,j) 点的像素值,将图像场景( 大小设为WH) 按照wh大小的网格从左上角到右下角依次进行划分。划分之后,用Dn( p,q) 表示第n帧中块坐标是( p,q) 的子块,则序列In以这样的块为基本元素可表示为,( p = 1,2,…,W / w,q = 1,2,…,H / h,) 。那么在分割运动区域时,就可以对相邻两帧图像In和In -1的灰度差结果以块Dn( p,q) 为单位,结合绝对差和( SAD) 、均值差( μdis) 、方差( δsum)这三个聚类度量因素来进行判断,判别式如下。
式中阈值T1 、T2 、T3 依照经验值选取,averdis表示子块灰度差均值,经计算可以求得。当子块满足条件式( 1) ~ 式( 3) 时,认为其是运动区域块,将块内像素值全部置0; 否则认为是背景区域块,将块内像素值全部置1。这三个约束条件对局部变化较为敏感,可以很好地检测出局部区域像素的细微变化,但这也是以牺牲时间为代价的。若不分块,直接进行像素帧差,那么它的时间复杂度为O( n) ,分块之后,以块为单位,对每一子块内像素都要进行SAD、μdis和 δsum运算,则时间复杂度提高了n倍,变为O( n2) 。不过多出来的时间消耗相比盲目地在整幅图像上使用角点提取算法所产生的时间要少得多。
图2 为基于分块帧差的二值化分割效果,图中,高亮显示的是像素值为0 的块,而像素值为1 的块显示为黑色。从图中看到,经帧差二值化分割后,目标运动区域内出现了许多空洞,而这些空洞是由运动目标本身造成的,他们在原图中是目标身上的那些灰度平滑区域,这样从跟踪的需要出发,角点应该位于目标身上的不平滑区域,即二值图中的高亮部分。因此,用分块帧差法不仅能将非运动区域快速去除,还可以把运动目标身上的平滑区域过滤掉,达到了进一步缩小角点搜索范围的目的。
1. 2 角点提取
分割运动区域后,在运动区域内用点特征提取算法进行角点搜索。Moravec角点提取算法作为计算机视觉领域出现最早的用图像灰度信息检测角点的方法,它应用较为广泛,尤其对复杂环境,鲁棒性较好。
基于Moravec算法的基本思想[16],现选择在运动区域内设计一个局部检测窗口,当窗口沿各个方向在区域内做微小移动时,计算出窗口的平均能量变化,当变化值超过设定的阈值时,将该窗口的中心像素点提取为角点。
图3 给出对两个场景用Moravec算法提取角点和跟踪的结果,图3( a) 是对场景1 在271 帧到276帧提取角点及跟踪的结果; 图3( b) 是对场景2 在357 帧到361 帧提取角点及跟踪的结果。从图中明显看出,使用Moravec算法提取的角点在多帧跟踪中轨迹平滑,没有出现滑动和断裂,说明Moravec算法提取角点的稳定性很好。不足之处是,对孤立像素点、噪声、和边缘较为敏感,对于这些问题,本文从Moravec算法中的能量变化计算方法着手改进。
对于像素点( x,y) ,以w × h大小的基本块为单位,将以该点为中心的基本块作为一个邻域,和周围相距一段距离的8 个邻域方向上的基本块比较能量的变化,邻域分块示意图如图4 所示,( x - a,y -b) 、( x - a,y) 、… ( x,y - b) 分别为8 个块的中心像素点,a,b是距邻块的水平和垂直距离,1 < a <w,1 < b < h。
按照图4 中标记的块序依次将这8 个像素点存放于数组Block[8]内,这样在内存中读取数组元素的x,y属性值,就对应此块中心像素点的x,y坐标,如:Block[1].x=x-a,Block[1].y=y-b,Block[8].x=x,Block[8].y=y-b,如此可以将中心块与这8个块之间的能量变化计算公式表示为
照此操作,通过增加邻域的对比样本点,可以达到抑制噪声的效果,但是在计算时块所包含的数据量比以前要多,占用时间也会相应延长。
按照Moravec算法的理论,只要窗口能量有明显变化,就可以将其中心点看作是角点,而能量的变化体现在公式上就是角点周围的灰度不平滑。依照这样的推论,完全可以不用对8 个方向都做运算,只要对检测窗口在左、右斜对角线方向以及横向、纵向四个方向上对称块的能量变化进行计算即可。如果这四个方向能量变化明显,就可以将中心点看作是角点,并为尽量避免乘方运算,使用绝对差值SAD代替能量值Ek进行计算。具体操作过程如下。
以图4 为例,只要对块1 和块5、块2 和块6、块3 和块7、块4 和块8 做SAD运算。这样描述点( x,y)能量的变化只需求四次绝对差即可,在大大降低了计算量的同时,极大地保证了数据的可靠性,运算公式如下。
最后,遍历所有运动区域,用改进的方法获得每个像素点的SAD1、SAD2、SAD3和SAD4属性值,将其中最小的选出来作为角点的度量值,然后用阈值分割法将度量值超出阈值Th的像素点提取为角点。
1. 3 角点筛选
角点筛选是将部分角点滤除的操作,是减少角点和选择优质角点的一项重要措施。若将检测到的角点直接用于目标跟踪,结果会出现部分质量低、稳定性差的角点在跟踪过程中丢失,它们不仅不能很好地描述目标的运动轨迹,还造成了不必要的冗余计算,所以为了提高跟踪的效率,有必要将之去除。
用阈值分割法筛选角点,一般通过提高阈值来实现,虽然留下的角点质量较高,但绝大部分位于运动区域边缘处,这是由于边缘处角点的度量值都较高造成的。所以用这种方法留下的角点进行跟踪,稳定性会较差。
为此,提出一种动态的角点筛选算法,将所有角点先按度量值从大到小排序,度量值最大的排到首位,度量值最小的排到末位,然后照此次序,读取每个角点的像素位置,对次序为1 的角点直接保留,并做好位置标记,对后面的角点通过距离判断其是否在已保留角点的影响范围之内,若在,说明当前角点所在区域内已有更优质的角点保留,则将其剔除,若不在,说明当前角点所在区域内没有更优质的角点,则将其保留。角点的影响范围是以自身为圆心,一定阈值为半径的圆形区域,只有优先留下的角点,才考虑其影响范围,这样在使角点变得均匀的同时,也保证了留下角点的质量。
Pi( i = 1,2,…,n) 为排序之后角点组成的一维向量,n是角点个数,i是排序后角点的次序。Rj( j =1,2,…,N) 为保留下角点组成的一维向量,N是保留下角点的个数,j是保留下角点的次序,N < n。p1是度量值最大的角点,pn是度量值最小的角点,r1是第一个保留下的角点。lenij表示第i个角点pi与已留下的第j个角点rj之间的距离,th是影响半径。对p1角点直接留下,赋给r1,对后面次序为i的角点,如果距离leni1,leni2,一直到lenij,最小的都大于th,则将该角点留下,否则将该角点剔除。具体步骤如下。
( 1) 初始化向量Pi和Rj。
(2)对n个角点排序,并赋予Pi。
(3)若i=1时,令r1=p1,N=1。
( 4) 若n > i > 1 时,读出pi的像素坐标,并计算它与rj之间的欧式距离lenij,如果满足minlenij( j= 1,2,…,N) > th,令N = N + 1,否则,i = i + 1,跳转到( d) 。
( 5) 令r N = pi,i = i + 1,跳转到( 4) ,直到pi中元素全部判断完毕。
( 6) 输出Rj和N。
算法中角点影响半径th根据经验值进行选取,它影响过滤之后角点的分布密度和数量。经算法这样处理过后,保留下的角点在目标运动区域内分布均匀,且只剩下代表性的几个。
2 实验结果与分析
对多组视频序列进行了实验,实验环境为内存128 Mbyte、主频600 MHz的TMS320DM6437 DSP嵌入式系统,集成程序采用VC + + 6. 0 编写。采集帧频为25 f/s( 帧/秒) ,图像大小是720 × 288,灰度级是256。为充分验证算法的有效性,本文分别用隧道( VIDEO1) 、市区( VIDEO2) 和高速公路( VIDEO3) 这三个监控视频进行了测试,视频中包含车流较大、噪声明显、光线较暗、光照太强、雪、雾天气恶劣等多种情况。
下面是用Moravec算法、Harris算法、SUSAN算法和本文算法对这三个视频场景进行测试的结果。本文算法的参数设置为: WH = 720 × 288,wh = 8 ×6,T1= 320、T2= 7、T3= 3,Th= 10,a = 6,b = 4,th = 12。图5 给出了对VIDEO2 用本文算法检测角点时其中一帧的阶段性结果。
图5 是市区视频( VEIDEO2) 的第263 帧图像,图5( a) 是原图像,在这一帧图像中,只存在三个运动区域,经与邻帧图像按子块进行灰度差后,对差分图像进行二值化分割,得出只包含运动区域的二值图,如图5( b) ,然后据此在原图5( a) 中对应分割出这三个运动区域,如图5( c) ,这样只需要利用角点检测算法对运动区域内的角点进行提取即可,图5( d) 中红十字就是提取出的角点,将图5( d) 中定位的角点经筛选,保留图5( e) 中的结果。如果直接用角点检测算法对图像做处理,需要从待测图像的左上角开始逐像素遍历到右下角,耗时较长,且图像中大部分都是非运动区域,易将图像环境上的角点和路面车道分割线上的角点误选,最终造成算法的处理速度和检测准确率下降,而提取角点的速度和准确性直接影响跟踪的效率。利用分块帧差法分割出运动区域后,只需在运动区域内搜索角点,检测范围缩小了很多,同时也降低了背景区域内角点的干扰,再通过角点筛选,在一定范围内留下质量最好的角点用于跟踪,不仅能提高整个系统的稳定性,还会减少大量的冗余处理。这种区域级递进处理方法明显优于以往的方法,虽然在算法上增加了目标运动区域检测和角点筛选模块,但他们产生的时间消耗很小,总体上还是缩短了每一帧的处理时间。
图6 给出了在市区车流较小和车流较大时、隧道内光线较强时、高速路晚上光线较暗但车灯反射较强和高速路白天噪声明显时图像的角点检测结果。
由图6 可以看出,在道路交通出现各种情况时,本文方法都能够很好地提取出角点,且角点分布均匀。与Moravec算法的检测结果相比,本文算法受噪声,环境变化和光线的影响较小,其原因是在计算能量变化时,以块为基本单位,很好地抑制了局部像素点的干扰,基本可以保证与Harris算法相同的抗干扰能力,但却没有出现Harris算法检测结果中,由于采用灰度梯度变化判断角点而带来的边缘角点群集现象。同时,用本文算法检测的结果能留下质量最好的角点,相比SUNSAN算法,提取的角点更可靠,更具有可跟踪性。
为进一步定量分析本文算法的性能,从高速公路视频序列( VIDEO3) 的连续50 帧中手动标注出所有角点的准确位置作为比较基准,用查全率( recall) 、查准率( precision ) 和F量测三个指标[15]对Moravec算法、Harris算法、SUNSAN算法和本文算法筛选角点之前的检测结果作定量比较。设tp表示提取到的正确角点个数,fp表示将非特征点错误检测为角点的个数,fn表示将角点错误检测为非特征点的个数,则查准率、查全率和F量测分别定义如下。
式中,查准率反映的是角点的虚检率,值越大,虚检率越低; 查全率反映的是角点的漏检率,值越大,漏检率越低; 量测反映的是整个算法的综合性能。利用这四种算法的检测结果,计算出每一帧的查全率( recall) 、查准率( precision) 和F量测,并绘制成曲线进行比较,如图7 所示。
从图7 中可以看出,本文算法的查准率明显高于其他三种方法,且相对稳定; 查全率与SUNSAN算法差不多,但低与Moravec算法和Harris算法,其原因是在检测运动区域时,如果车辆行驶缓慢,或者车辆离摄像机位置较远,运动区域通过帧差获取时,会让部分特征点消失,导致提取到的角点数目较少,但消失的特征点正是那些质量低,稳定性差,在跟踪过程中容易丢失的角点,虽然单考虑查全率本文算法是不足的,但本算法旨在寻找那些质量高,稳健性好的优质角点,它们对于匹配跟踪才有决定性的意义,这也正是最终从F量测性能曲线上看,本文算法要优与其他三种算法的原因。
时间也是衡量算法的重要指标,最后给出了四种方法在三个不同视频序列下平均处理时间的对比,结果如表1 所示。
从表1 中可以看出,本文方法的平均处理时间最短,它比SUNSAN算法略快,比Moravec算法和Harris算法要快得多。这说明本文利用图像分块处理,先对运动区域进行分割,在很大程度上加快了算法的检测速度。虽然多了运动区域分割和角点筛选模块,但由于这两块采用的算法相对简单,耗时也甚少,且为了保证实时性,本文在Moravec算法的能量变化计算方法上,也通过改进减少了将近一半的时间消耗,最终使本文算法达到最快的速度。
3 结束语
控制目标点 第7篇
一、突出知识与技能的目标广度,丰富学习内容
纵观现行英语教材,突出基础性知识和表达运用是其重要特征,旨在要求学生在广泛积累和综合运用中明白英语使用规则。突出知识技能的广度,培养学生主动学习和积极探究方法,利于学生在强化理解中开阔视野和丰富思维。
围绕知识构成和技能运用,结合学生的学习实际,多从他们的兴趣和理解难点出发,注重目标的多样性和层次性指导,便于优化课堂教学。在目标设计过程中,一方面,围绕知识体系精心优化组合,多为学生提供丰富的背景素材、导学案例、思维训练等方面的指导,鼓励他们在自觉学习中不断转变思维和改进策略方法;另一方面,注重语言表达的实践运用,关注学生的自我理解和主动交流,鼓励他们在表达交流、质疑讨论的过程中探究问题,掌握破解的策略方法,提升综合运用能力。
突出英语知识技能目标的广度,便于教师在实践运用中把握教学方向,起到点睛的作用。例如,在译林版七年级下 册Unit 4 Finding your way的Reading: Atrip to the zoo阅读教学目标指导中,应在围绕“Whatare there in the Sunshine Zoo?”和“How do we go toSunshine Zoo?”的表达主题基础上,引导学生阅读理解,并从文章中找出相关的提示,形成整体认知感悟。同时,针对动物园的特色,可为学生设计“What do youwant to introduce Sunshine Zoo?”和“What do youread from the article?”等思考题目,帮助他们主动调整学习思维,积累丰富的认知感悟。
二、突出过程和方法目标宽度,引导实践体验
优化课堂教学过程,使得学生在新鲜和生动的环境中,大胆尝试和主动交流,更加突出问题导向,帮助学生丰富认知思维情感,激活他们综合运用能力。学生在多样化的方法指导中,更能发挥自己的想象思维和聪明才智。注重过程和方法目标宽度,创设互动交流和实践体验的载体,利于学生根据学习实际情况主动调整目标方向,灵活运用课程知识进行主动表达。
在优化教学过程和方法中,遵循学生主讲和多元评价的原则,支持学生根据学习理解主动发表自己的意见和建议,不断拓宽思维眼界。在运用中,一方面,围绕学生设计多样化的任务,建议学生根据学习承受能力主动选择和积极运用,将认知体验转化为综合运用;另一方面,丰富课堂学习互动形式和方法,尝试通过对话交流、角色扮演、团队讨论、辩论竞赛等方式来深化学习,更利于他们转化思维。同时,针对学生的学习能力不同,多注重方法策略的指导,建议学生在自我尝试的过程中灵活机动地调整。
调整好教学策略,通过交际、资源、调控等多种方式的运用来深化课堂教学,便于学生在积极灵活的运用中更好修正自己的学习问题。例如,八年级上册Unit 8Natural disasters的Reading A: An earthquake的阅读教学中,可要求学生在自我阅读的基础上,围绕“Whatdid the author want to tell us?”进行自主表达,帮助他们整体感知、理解文章表达内容。在此基础上,可要求学生运用合作探究的形式,针对“How do we protectourselves in the earthquake?”进行小组讨论,帮助他们根据文章的提示来主动交流,提高语言表达的灵活性和地道性。
三、突出情感和价值目标深度,满足全面发展
英语课程倡导培养学生正确的情感态度和审美价值观,是基于学生未来全面发展需要而考虑的。重视学生情感和价值目标的培养,对帮助他们正确学习和使用英语具有一定的指导意义。
结合教材教学要点,突出培养积极情感意志,指导学生在主动学习中更好地全面掌握和灵活运用,更利于学生深化感悟和理解。在运用中,一方面,重视学生个体情感的引导,鼓励他们根据课程学习内容,主动表达自己的意见和建议,丰富情感思维;另一方面,突出实践指导,建议学生在思考争辩和总结反思的基础上,用辨证方法认知社会,在实践运用中形成顽强的意志和坚强品质。
控制目标点 第8篇
部分遮挡目标检测一直是计算机视觉和模式识别关注的重要问题和难点, 其在精确制导、自动目标识别系统、交通监视等领域有着重要的实用价值[1,2,3]。
目前, 国内外学者对遮挡目标检测方法进行了大量的研究[4,5], 现有方法按照检测信息的不同划分为3个大类:第一类是基于灰度信息的方法, 如规格化互相关[6];第二类是基于边界信息的方法, 如基于Hough变换[7]和文献[8];第三类是基于局部特征的方法。基于灰度信息的方法计算量大, 且由于用到了全局灰度信息, 所以检测精度受到约束;而基于边界信息的方法利用了边界轮廓信息, 一定程度上提高了检测精度, 但是在遮挡情况复杂的情况下很难准确地检测出目标;基于局部特征的方法利用目标局部特征, 受干扰程度相对来说最低。因此, 基于局部特征的方法成为国内外学者研究的主流方法, 其中以局部特征点的研究最受关注。部分遮挡目标局部特征点提取的难点主要表现在以下2个方面:一方面, 由于部分遮挡造成目标部分信息的缺失, 而且由于遮挡形式的多样性和随机性, 给部分遮挡目标的特征表征带来了困难;另一方面, 成像平台、传感器和天气等多方面因素造成目标成像形式的多样性, 遮挡物体的形状和位置大小等在不同时间、不同地点所表现出来的多样性使得目标的表现形式也是千变万化, 给提取稳定局部特征点增加了难度。以往的局部特征点提取算法有Harris, SUSAN, FAST等, 这些算法缺乏尺度特征, 稳定性不高, 不能适应遮挡情况的出现[9,10,11];为了提高局部特征点的稳定性, SIFT, SURF, 以及扩展的ASIFT等局部特征点算子被提出来, 它们提取的特征具备光照、尺度、旋转等多种不变性, 在简单的部分遮挡情况下也能提取出稳定的特征, 但容易出现误检测[12,13,14]。
目前基于局部特征点提取方法还存在问题:现有局部特征点提取方法在部分遮挡情况下或稳定性不好, 或较耗时。
研究者们关注的问题都集中在对局部特征进行描述以及优化匹配算法上, 传统方法都认为局部特征点的数目越多, 检测精度就越高, 然而这样局部特征点数目越多, 其中不稳定点也越多, 在复杂环境下目标被误检测的概率也相应地提高了, 而且耗时也相应增加了。为了解决这些问题, 本文提出了一种部分遮挡目标的稳健局部特征点提取方法。该方法利用SIFT提取训练图像的局部特征点, 再通过粗提取和设置置信度进行精提取得到较稳定的局部特征点, 最后通过局部特征点空间分布得到目标的稳健局部特征点。该方法经过逐步提纯最后得到目标的稳健局部特征点, 不仅数目少, 而且稳定性高, 既保证了检测精度, 又提高了检测速度。下面先总体介绍本文的部分遮挡目标稳健特征提取方法, 然后叙述其中参数的选择问题, 最后给出部分遮挡目标检测方法与实验。
1 本文方法总体流程
本文提出的一种基于稳健性度量统计分析的部分遮挡目标稳健局部特征点提取方法基本出发点:为了得到稳健局部特征点, 对包含目标的图像的局部特征点进行了逐步提纯。对一幅训练图像, 本文方法通过以下几个步骤提取出稳健局部特征点:第一步, 生成包含目标多种状态的仿真图像集;第二步, 通过仿真图像集对目标图像进行粗特征点提取;第三步, 对第二步得到的粗特征点设置置信度进行筛选;第四步, 考虑到点分布的空间特性完成稳健局部特征点的提取。图1为本文方法流程图。
经过上述4个步骤可以从训练图像中得到具有稳健局部特征点参考图像, 在接下来的小节中将对流程图中的每一步骤的实现进行详细的说明。
2 仿真图像集生成
本文的目的是提取稳健的能代表目标的局部特征点, 因此, 所提取的局部特征点应该能适应多种环境变化, 在这里获取目标的多种变化图像构成一个图像集。通过对训练图像进行训练来得到这样一个图像集, 图像集中包括以下3种情况生成的图像:光照变化、旋转变换和尺度缩放。其中实现光照变化包括图像整体变暗变亮或渐明渐暗, 如光照调整范围在[-100, 100]内, 以10~50为步长生成光照变化图像。旋转变换:可以在[-30°, 30°]角度范围内, 以5°~15°为步长生成旋转变换图像。尺度缩放:在[0.5, 2]缩放尺度范围内, 以0.2~0.5为步长生成尺度缩放图像。
3 粗特征点提取
利用SIFT算法对目标图像和图像集中的任意一幅图像进行局部特征点提取并且利用SIFT描述向量的最近邻与次近邻之比和RANSAC算法完成特征匹配, 得到每次匹配后的局部特征点, 生成目标图像中匹配局部特征点的坐标集Sn, n=1, 2, ⋯, N, Sn表示目标图像与图像集中第n幅图像匹配后的在目标图像上的局部特征点的所有坐标。
设目标图像与图像集中所有图像完成匹配后得到的在目标图像上的所有局部特征点的坐标为S=S1⋃S2⋃⋯⋃Sn, S的元素个数为N′, S中第m个元素S[m]在S1, S2, , Sn中总共出现的次数为L[m], 则S[m]的概率T[m]=L[m]N, m=1, 2, ⋯, N′。
通过匹配得到的目标特征点数目基数很大, 通过对特征点出现频率进行统计, 设定阈值删除不稳定局部特征点。
因此, 设定粗特征点提取阈值t, 当T[m]≥t时, 将S[m]作为粗特征点保存到集合U0中。t的取值范围一般在[0.75, 0.9]之间。
4 粗特征点筛选
通过阈值限定后的粗特征点数目依然可观, 不稳定局部特征点依然存在很多, 为了是局部特征点稳定性更好, 对粗特征点进一步筛选。通过对粗特征点设定置信度并根据置信度高低进行点的筛选。
利用训练图像, 对集合U0中的每一个元素 (粗特征点) 进行置信度计算:
(1) 灰度对比度置信度计算
在以所述元素为中心的半径为Rr个像素的圆环邻域上, 利用下式计算所述元素的与灰度对比度有关的置信度Z1:
式中:Nr是圆环邻域的像素点个数;n0是圆环邻域上像素点灰度值大于所述元素灰度值加上一个灰度阈值t′的像素点个数;n1是圆环邻域上像素点灰度值小于所述元素灰度值减去一个灰度阈值t′的像素点个数, NUM是像素点个数阈值。
Rr的取值范围在[1, 5]内, 相应地可以计算得到圆环邻域上像素点个数Nr。灰度阈值t′一般在[10, 100]之间。像素点个数阈值NUM的值也是不能太小, 具体取值根据Rr的取值确定。
(2) 梯度均值幅值比置信度计算
在以所述元素为中心的半径为R1和R2个像素的圆形邻域内, 计算所述元素与圆形邻域内任意一个像素点的梯度幅值, 求得梯度幅值均值|g1|和|g2|;两个圆形邻域半径R1和R2不能相差太大, 一般可选取R1=1, R2取值在[3, 5]之间。
则梯度均值幅值比rate为:
利用下式计算所述元素的与梯度均值幅值比有关的置信度Z2:
式中e是自然对数。
(3) 高曲率点置信度计算
所述元素的与高曲率点有关的置信度z3可以由下式计算得到:
式中:gx表示所述元素在目标图像中水平方向上的一阶差分;gy表示所述元素在目标图像中垂直方向上的一阶差分;gxx表示所述元素在目标图像中水平方向上的二阶差分;gyy表示所述元素在目标图像中垂直方向上的二阶差分;gxy表示gx在目标图像中垂直方向上的一阶差分。
(4) 总置信度计算
利用下式计算总置信度Z:
式中α, β, γ表示各置信度的权值, 根据各个置信度对局部特征点显著性的贡献可以设置权值比为α∶β∶γ=2∶1∶3, 因此总置信度计算公式可为
设粗特征点筛选阈值t″, 当Z≥t″时, 将所述元素保存到集合U1中, U1为粗特征点筛选后的结果, 粗特征点筛选阈值t″的取值范围根据总置信度的值域分布以及实际需求一般为[0.7, 0.9]。
5 稳健局部特征点提取
为了实现提高在遮挡情况下检测的稳定性, 稳健局部特征点在目标上的应该尽量均匀分布, 因此我们提出按照空间分布情况选取稳健局部特征点。步骤如下:
步骤1:排除相近特征点
对集合U1中的每一个元素, 在以所述元素为中心、半径为Rc个像素的圆形区域内查找集合U1中的元素, 并将这些元素中总置信度不是最大值的元素从集合U1中删除。
设经过步骤1的循环处理, 得到集合U2。
步骤2:按空间距离排序选取稳健局部特征点
计算集合U2中元素两两之间的空间距离d (k, h) , k, h表示集合U2中的第k个元素和第h个元素, k≠h。然后按照空间距离从大到小的顺序进行排序, 选取排序后的前M个元素, 作为稳健局部特征点。如果集合U2中元素个数小于M, 则保留集合U2中的所有元素。M的取值根据后续使用的要求确定。
一方面, 由于对训练图像进行了多种情况的仿真, 通过设定阈值得到了在大多数情况下都稳定的局部特征点;另一方面, 经过对每一特征点从3个方面设立相关的置信度, 并且加权得到总的置信度, 保证了局部特征点的稳健性。而且, 通过空间分布的分析, 更好地适应了遮挡情况的发生。本文方法克服了现有大数据量图像局部特征点提取计算速度慢的问题。
6 实验结果与分析
实验中, 采用0.6~3 m不同分辨率的光学卫星遥感图像16幅, 目标区域有机场、港口等, 光学图像中主要是云遮挡情况。其中, 训练图像都是选取分辨率高、成像好、无遮挡情况下的图像, 图2中展示了部分训练图像。下面举例介绍相关实验结果。
本文训练图像的参数设置如下:先对目标图像进行仿真变化, 生成图像集。图像集中包含的图像有光照变化:模拟太阳光照生成2幅光照变化图像;旋转变换:在[-30°, 30°]范围内, 以10°为步长生成6幅旋转变换图像;尺度缩放:在[0.6, 1.4]缩放范围内, 以0.2为步长生成4幅尺度缩放图像。总共生成N=12幅仿真图像。设定粗特征点提取阈值t=0.8, Rr=3, 灰度阈值t′=50, 所以Nr=16, 设定像素点个数阈值NUM=10, R1=1, R2=3, 设定粗特征点筛选阈值t″=0.8, 同时设定M=100。
通过训练得到具有稳健局部特征点的参考图像, 并在此基础上将本文方法应用于部分遮挡目标图像中进行目标检测实验。在此的方法能为部分遮挡目标检测提供很好的稳定性和可观的检测速度。
7 特征点提取实验结果
本节介绍稳健局部特征点提取, 图3展示的是无遮挡情况下1 m分辨率图像的稳健局部特征点提取过程。
图3是对图2中的图像利用本文方法提取稳健局部特征点时在不同步骤下得到的实验结果, 展示的4幅图像都是进行实验后从结果图中截取的一部分, 图中十字符号表示特征点位置。从实验结果图 (a) 到 (d) 中可以看出特征点数目的明显变化, 最终 (d) 得到了数目不多但稳健的局部特征点。说明本文方法极大地减少了局部特征点的数目, 清除了大部分不稳定局部特征点。
8 遮挡目标检测实验结果
提取稳健局部特征点的目的是为了实现遮挡目标的检测与识别, 为了验证本文方法的性能, 将本文方法应用于遮挡目标检测实际应用中进行实验, 并且与基于经典SIFT的目标检测方法进行了比较。
在输入的待检测图像中, 目标的状态是不可预知的, 实验的图像中目标被大量的云层遮挡, 并受到光照变化等的影响。
图4是基于经典SIFT方法和基于本文方法进行的部分遮挡目标检测实验的实验结果对比, 图中十字符号表示匹配的特征点位置, 图中 (a) 和 (c) 中的方框表示检测到的目标, (b) 和 (d) 是进行实验后从结果图中截取的一部分。
其中 (a) 和 (b) 是基于经典SIFT方法的部分遮挡目标检测结果:待检测图像和训练图像的检测结果图。 (c) 和 (d) 是基于本文方法的部分遮挡目标检测结果:待检测图像和参考图像的检测结果图。
另外, 表1列出相应的目标检测耗时对比, 本文方法提取的局部特征点远小于经典SIFT方法提取的局部特征点, 其平均耗时为经典SIFT方法的30%, 因此本文方法在保证检测精度的同时提高了检测速度。
9 结论
本文针对遮挡目标特征点检测精度和速度效率不高的情况, 提出了一种遮挡目标稳健局部特征点提取方法, 它综合分析了局部特征点的局部特性和空间分布等特性, 通过置信度度量逐步筛选出稳健局部特征点。与经典SIFT方法的遮挡目标检测实验对比分析表明本文方法能从大量特征点集中逐步提取出稳健的局部特征点, 提高了目标检测速度, 同时也保证了检测的精度。未来需要研究的问题包括:仿真实现更多状态下的目标形态, 完善仿真图像集;更智能地自动选择阈值参数。
摘要：部分遮挡目标的特征提取是目标检测中的难点问题。针对这一问题, 提出一种基于稳健性度量统计分析的部分遮挡目标稳健局部特征点提取方法, 该方法建立在目标图像训练集的局部特征点逐步提纯基础上。它首先对目标在不同条件下获取的图像集分别应用SIFT提取相应局部特征点;然后基于统计分析对局部特征点进行粗提取, 再通过计算置信度进一步筛选出较稳健的局部特征点;最后分析局部特征点的空间分布等因素提取出最稳健的局部特征点集。实验结果表明, 该方法耗时仅为SIFT检测算法的30%, 并且保证了检测精度。
控制目标点范文
声明：除非特别标注，否则均为本站原创文章，转载时请以链接形式注明文章出处。如若本站内容侵犯了原著者的合法权益，可联系本站删除。
