一种利用骨架提取特征点的扩展目标跟踪方法
【专利摘要】一种利用骨架提取特征点的扩展目标跟踪方法，采用高斯平滑滤波对待处理图像进行预处理以去除噪声对后续算法的影响，采用模糊C均值聚类算法FCM(Fuzzy?C-Means?Cluster)对上述平滑后的图像进行分割，获得二值图像，然后对分割后获得的二值目标图像进行Hough变换，检测出目标上直线特征明显的部分，而对于目标上线特征不明显的部分采用骨架提取获得特征点，再对骨架上的特征点进行直线拟合，获得目标轴线，最后将上述获得的轴线所在直线的交点作为最后的跟踪点，从而明实现对姿态变化较大情况下的稳定跟踪。
【专利说明】一种利用骨架提取特征点的扩展目标跟踪方法
【技术领域】
[0001]本发明涉及一种机动扩展目标跟踪方法，特别是一种利用Hough变换、骨架提取特征点来跟踪机动扩展目标的方法，主要用于图像处理、计算机视觉。属于光电测量系统中目标探测跟踪【技术领域】。
【背景技术】
[0002]在光电测量系统中，为了提高跟踪精度，探测器的视场都比较小，目标尺寸又偏大。因此在探测器中，目标呈现扩展的形态。远距离目标成像，由于大气湍流、系统抖动和光学系统的像差等降质因素导致目标在系统的成像非常模糊，对比度差；此外，目标无纹理信息，形状各异，无表征和识别目标的特征信息。目标还存在姿态变化明显的特点，随着目标姿态的变化，跟踪点也会随之发生漂移。选取稳定的特征点进行锁定跟踪，是扩展目标跟踪面临的一大难题。
[0003]目前，常用的针对扩展目标的算法是匹配，包括灰度、特征等方面的匹配。由于目标的运动，目标可能出现大小、形状、姿态等变化，加上背景、光照等各种干扰，以及图像处理最小计量单位的精度问题，匹配跟踪得不到绝对最佳的匹配位置，这会带来跟踪点的漂移。由于目标无表征和识别目标的特征信息，姿态变化较大，而传统的基于灰度特征的跟踪方法当目标出现较大姿态变化时容易跟丢目标，不能满足实际应用的要求，因此迫切需要研究新的方法以兼并适应跟踪的工程应用需求。
【发明内容】
[0004]本发明技术解决问题:针对现有技术的不足，提供一种利用Hough变换、骨架提取特征点的扩展目标跟踪方法，从本质上将机动扩展目标的几何结构信息抽象出来，实现目标在较大姿态变化下的稳定跟踪。
[0005]为实现这样的目的，本发明的技术方案:一种利用骨架提取特征点的扩展目标跟踪方法，包括如下步骤:
[0006]步骤一、图像预处理:采用高斯平滑滤波对待处理图像进行处理，去除噪声的影响，得到滤波后的平滑图像；
[0007]步骤二、使用模糊C均值聚类算法FCM(Fuzzy C-Means Cluster)对步骤一得到的平滑后的图像进行分割，获得二值图像；
[0008]步骤三、利用Hough变换对步骤二得到的二值图像进行处理，检测出飞机上直线特征明显部分的直线作为该部分的轴线；
[0009]步骤四、利用骨架提取的方法对步骤二得到的图像进行处理，提取飞机上的骨架点后，选取一些特征骨架点进行直线拟合，得到的直线作为飞机上该部分的轴线；
[0010]步骤五、求出步骤三和步骤四得到的轴线方程，计算这两条轴线所在直线的交点，将其作为粗跟踪点；
[0011]步骤六、当下一帧到来时，利用帧间连续性信息修正步骤五得到的跟踪点，将修正后的特征点作为当前帧最后的跟踪点。
[0012]其中，所述步骤二中，使用模糊C均值聚类算法FCM(Fuzzy C-Means Cluster)对步骤一得到的平滑后的图像进行分割，获得二值图像的方法为:
[0013]步骤(21)、初始化:给定聚类类别数C (本发明中C=2)，设定迭代停止阈值ε，初始化模糊划分矩阵u(°),迭代次数1=0，模糊加权指数m (本发明中m=2);
[0014]步骤(22)、将U(Q)代入式(9)，计算聚类中心矩阵V(1):
[0015]
【权利要求】
1.一种利用骨架提取特征点的扩展目标跟踪方法，其特征包括如下步骤: 步骤一、图像预处理:采用高斯平滑滤波对待处理的图像进行处理，去除噪声的影响，得到滤波后的平滑图像； 步骤二、使用模糊C均值聚类算法FCM(Fuzzy C-Means Cluster)对步骤一得到的平滑后的图像进行分割，获得二值图像； 步骤三、利用Hough变换对步骤二得到的二值图像进行处理，检测出飞机上直线特征明显部分的直线作为该部分的轴线； 步骤四、利用骨架提取的方法对步骤二得到的图像进行处理，提取飞机上的骨架点后，选取一些特征骨架点进行直线拟合，得到的直线作为飞机上该部分的轴线； 步骤五、求出步骤三和步骤四得到的轴线方程，计算这两条轴线所在直线的交点，将其作为粗跟踪点； 步骤六、当下一帧到来时，利用帧间连续性信息修正步骤五得到的跟踪点，将修正后的特征点作为当前帧最后的跟踪点。
2.根据权利要求1所述的利用骨架提取特征点的扩展目标跟踪方法，其特征在于:步骤二中所述的利用模糊C均值聚类算法FCM(Fuzzy C-Means Cluster)对步骤一得到的平滑后的图像进行分割的方法实现如下: 步骤(21)、初始化:给定聚类类别数C ，设定迭代停止阈值ε，初始化模糊划分矩阵u(0),迭代次数1=0，模糊加权指数m; 步骤(22)、将Ua)代入式(1)，计算聚类中心矩阵V(1):
3.根据权利要求1所述的利用骨架提取特征点的扩展目标跟踪方法，其特征在于:步骤三所述的利用Hough变换对步骤二得到的二值图像进行处理，检测出飞机上直线特征明显部分的直线作为该部分的轴线的方法实现如下: 步骤(31)、对步骤二得到的目标图像求大小，根据参数空间中参数的可能取值范围进行量化，根据量化结果构造一个累加器数组A( P，Θ),初始化为O; 步骤(32)、对每个XY空间中的给定点让Θ取遍所有可能值，用式(3)计算出P，根据P 和 Θ 的值累加 A:A(P，Θ ) = A(P，Θ )+1 ； P=x cos Θ +y sin θ (3) 其中P和Θ分别为参数空间中的两个参数一幅度和角度，(x，y)为图像空间中的点坐标； 步骤(33)、根据累加后A中最大值对应的P和Θ，由式(3)定出XY中的一条直线，SP飞机轴线，A中的最大值代表了在该直线上给定点的数目。
4.根据权利要求1所述的利用骨架提取特征点的扩展目标跟踪方法，其特征在于:步骤四所述的利用骨架提取的方法对步骤二得到的图像进行处理，提取飞机上的骨架点后，选取一些特征骨架点进行直线拟合，得到的直线作为飞机上该部分的轴线的方法采用逐次消去边界点的迭代细化算法提取骨架，实现如下: 设已知目标点标记为I，背景点标记为O,定义边界点是本身标记为I,而其8-连通区域中至少有一个点标记为O的点。算法考虑以边界点为中心的8-邻域，记中心点为P1，其邻域的8个点顺时针绕中心点分别记为P2, P3,, P9,其中P2在P1上方； 包括对边界点进行两步操作: (41)标记同时满足下列条件的边界点:
(411)2 ( N(P1) ( 6;
(412)S(P1) = I;
(413)ρ2.ρ4.p6 = O;
(414)ρ4.ρ6.p8 = O; 其中N(P1) ^p1的非零邻点个数，S(P1)是以P2, P3,..., P9, P2为序时这些点的值从O— I的个数；当对全 部边界点检验完毕后，将所有标记了的点除去；(42)标记同时满足下列条件的边界点: (42)标记同时满足下列条件的边界点:
(421)I ( N(P1) ( 6
(422)S(P1) = I;
(423)ρ2.ρ4.p8 = O;
(424)ρ2.ρ6.p8 = O; 以上两步操作构成一次迭代，反复迭代直至没有点再满足标记条件，这时剩下的点组成骨架点，提取了目标的骨架点后，将骨架点中的连接点作为特征点，采用直线拟合的反复获得直线，以此作为飞机上机身的轴线。
5.根据权利要求1所述的利用骨架提取特征点的扩展目标跟踪方法，其特征在于:所述的利用步骤三和步骤四得到的轴线方程，计算这两条轴线所在直线的交点，将其作为粗跟踪点，实现如下: 经过步骤三和步骤四计算分别得到的机身和机翼轴线所在直线方程为: yl = kl*xl+bl(4) y2 = k2*x2+b2(5) 其中kl、bl分别为机身轴线所在直线的斜率和截距，k2、b2分别为机翼轴线所在直线的斜率和截距，解上述线性方程组得其交点坐标为:
6.根据权利要求1所述的利用骨架提取特征点的扩展目标跟踪方法，其特征在于:步骤六所述的当下一帧到来时，利用帧间连续性信息修正步骤五得到的交点，将修正后的特征点作为最后的跟踪点，实现如下: (61)当下一帧到来时，采用权利要求1的步骤一~五计算得到当前帧中机翼和机身轴线所在直线的交点； (62)计算步骤(61)所得交点与上一帧的跟踪点的欧式距离，如果所得距离小于阈值d=10，则将(61)所得交点作为当前帧跟踪点；否则按照式(8)更新当前帧跟踪点: Pn = a ^P1+(1- α )*Ρ(8) 其中Pn = (χη, yn)为更新后的跟踪点坐标，P1 = (X1, Yi)为上一帧的跟踪点坐标，P =(x，y)为当前帧中 经过步骤(62)计算得到的粗跟踪点坐标，α为更新因子。
【文档编号】G06T5/00GK103632381SQ201310656022
【公开日】2014年3月12日 申请日期:2013年12月8日 优先权日:2013年12月8日
【发明者】胡锦龙, 彭先蓉, 魏宇星, 李红川 申请人:中国科学院光电技术研究所