一种基于改进的胡氏不变矩的坦克识别系统及方法与流程

本发明涉及机器识别
技术领域：
，特别是一种基于改进的胡氏不变矩的坦克识别系统及方法。
背景技术：
：随着计算机视觉技术和图像并行处理技术的发展，目标识别技术在军事领域和航空航天、科学探测、天文观测以及视频监控等民用领域具有越来越广泛的应用。特别是在军事领域中，若果对地面上的坦克进行有效的识别，就可以对坦克进行精确的打击，大大提高武器系统的运动攻击性能及作战指标。目前坦克的识别方法主要包括声波、红外探测、激光雷达、光学等手段，红外探测易受太阳光照、大气辐射、视角、距离及环境背景的综合影响，图像对比度差、噪声大，目标边缘模糊识别稳健性不高，而声波、激光雷达使用的成本较高、占用空间面积较大，光学手段由于其成本较低，易于实现等优点已成为研究的热点。采用光学手段识别坦克，主要提取坦克的特征信息。一般情况下，对坦克的特征描述采用傅里叶描述子、小波变换、Zernike矩等方式描述，但这些情况下在不同的尺度下的识别率很差，很难对坦克进行精确的识别。技术实现要素：本发明的目的是提供一种成本低、识别率较高的基于改进的胡氏不变矩的坦克识别系统及方法，以克服图像中目标的平移、旋转和缩放等因素影响。实现本发明目的的技术解决方案为：一种基于改进的胡氏不变矩的坦克识别系统，包括电源管理板、稳压电源、RGB模拟摄像头、ARM开发板和计算机，其中稳压电源接入电源管理板，电源管理板的输出端分别接入RGB模拟摄像头、ARM开发板，RGB模拟摄像头通过ARM开发板与计算机相连；所述RGB模拟摄像头采集所需的图片，ARM开发板通过采集卡对RGB模拟摄像头拍摄的图片进行采集，并通过ARM开发板中的图像识别模块对图片中是否有坦克进行识别；稳压电源分别为RGB模拟摄像头、ARM开发板提供稳定电源；计算机是通过wifi与ARM开发板进行通信，从而控制ARM开发板驱动RGB模拟摄像头采集图片。优选地，所述ARM开发板是采用型号为华北工控EM3500的ARM开发板。一种基于改进的胡氏不变矩的坦克识别方法，包括以下步骤：步骤1，对待识别图像进行中值滤波预处理，得到预处理后的图像；步骤2，采用改进的最大类间方差法对预处理后的图像进行图像分割，提取所需的目标；步骤3，对分割后的图像进行形态学处理；步骤4，采用改进的胡氏不变矩提取目标的特征；步骤5，确定待识别图形与数据库中图形特征之间的相似度，实现对坦克的识别。进一步地，步骤2所述采用改进的最大类间方差法对预处理后的图像进行图像分割，提取所需的目标，具体如下：改进的最大类间方差法即改进的otsu算法是将当前图像像素用一个阈值t分为两个部分C0和C1，其中C0是由0～t灰度范围内的像素组成，C1是由(t+1)～L灰度范围内的像素组成，L是图像像素最大的灰度值，灰度值为i的像素值个数为ni，则总的像素个数为N，如公式(1)所示：N=Σi=0L-1ni---(1)]]>各灰度值出现的概率为pi，如公式(2)所示：pi=niN---(2)]]>其中，pi≥0，C0出现的概率和C1出现的概率分别如下：PC0=Σi=0tpi,PC1=Σi=t+1L-1pi=1-PC0---(3)]]>C0、C1两类的灰度均值分别为ωC0=Σi=0tipi/PC0,ωC1=Σi=t+1L-1ipi/PC1---(4)]]>图像总的灰度平均值ω0为：ω0=PC0ωC0+PC1ωC1=Σi=0L-1ipi---(5)]]>建立新的方差σ2如公式(6)所示：σ2=PC0(VA-V0)2+PC1(VB-V0)2---(6)]]>式中：VA2=12(ωC02+ΔA)---(7)]]>VB2=12(ωC12+ΔB)---(8)]]>V02=12(ω02+Δ0)---(9)]]>ΔA=Σi=0tpik(i-ωC0)2---(10)]]>ΔB=Σi=t+1L-1pi(i-ωC1)2---(11)]]>Δ0=Σi=0L-1pi(i-ω0)2---(12)]]>其中，ΔA、ΔB、Δ0分别表示区域C0、区域C1与整幅图片的方差；从0～L依次改变t值，取到σ2最大时t即为最佳阈值；然后对该图像进行二值化处理，即其中H为图像任意一点的像素值，进而提取出目标。进一步地，步骤3所述对分割后的图像进行形态学处理，包括对图像先进行膨胀然后进行腐蚀。进一步地，步骤4中所述改进的胡氏不变矩，具体如下：先设一个M×N数字图像的灰度分布为f(x,y)，那么它的(p+q)阶几何矩mpq定义如公式(13)所示：mpq=Σx=1MΣy=1Nxpyqf(x,y)---(13)]]>式中：x,y是图像的坐标点；中心矩μpq的定义如公式(14)所示：μpq=Σx=1MΣy=1N(x-x0)p(y-y0)qf(x,y)---(14)]]>式中：(x0,y0)是矩心，x0＝m10/m00，y0＝m01/m00，p,q＝0,1,2,···，m10是图像的(1+0)阶几何矩，m00是图像的(0+0)阶几何矩，m01是图像的(0+1)阶几何矩；用零阶中心矩μpq进行归一化，归一化中心矩ηpq为：ηpq=μpqμ00r---(15)]]>式中：p+q＝2,3···，μ00是零阶中心矩；构造胡氏不变矩Φ1～Φ7为：Φ1=η20+η02Φ2=(η20-η02)2+4η11Φ3=(η30-3η12)2+(3η31-η03)2Φ4=(η30+η12)2+(η21+η03)2Φ5=(η03-3η12)(η30+η12)+[(η30+3η12)2-3×(η21+η03)2]+(3η21-η03)(η21+η03)×[3(η30+η12)2-(η21+η03)2]Φ6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)Φ7=(3η21-η03)(η30+η12)[(η30+η12)2-3×(η21+η03)2]+(3η21-η30)(η21+η03)×[3(η30+η12)2-(η21+η03)2]---(16)]]>式中：Φ1～Φ7为胡氏不变矩的7个矩不变量；那么改进的胡氏不变矩I1～I10公式为：I1=Φ2Φ1]]>I2=Φ1+Φ2Φ1-Φ2]]>I3=Φ3Φ4]]>I4=Φ3|Φ5|4]]>I5=Φ4|Φ5|4]]>I6=|Φ6|Φ1Φ3]]>I7=|Φ6|Φ1Φ5]]>I8=|Φ6|Φ3Φ2I9=|Φ6|Φ2|Φ5|---(17)]]>I10=|Φ5|Φ3Φ4]]>式中：I1～I10为改进的胡氏不变矩的10个矩不变量。进一步地，步骤5中所述待识别图形与数据库中图形特征之间的相似度为：S(X,Y)=S(X,Y)=(XI1-YI1)2+(XI2-YI2)2+...+(XI10-YI10)2---(18)]]>其中：X,Y分别为待检测的图像和模板中的图像，表示X这个图像第1个改变的胡氏不变矩特征值，表示Y这个图像第1个改变的胡氏不变矩特征值；通过计算待识别图像与不同的模板图像的相似度，取最小的相似度所对应的模板图像，判断该模板图像属于哪一类模板，若属于含有坦克的模板，那么待测图片含有坦克，否则不含有坦克。本发明与现有技术相比，其显著优点为：(1)基于改进的胡氏不变矩，成本较低，坦克识别的准确率较高，易于工程实现；(2)具有旋转、平移和缩放不变性，能够克服旋转、平移、缩放带来的影响；(3)运算速度快，能保证实时性。附图说明图1为本发明基于改进的胡氏不变矩的坦克识别系统的结构图。图2为本发明基于改进的胡氏不变矩的坦克识别方法的流程图。图3为本发明的改进的otsu算法提取目标的处理过程图，其中(a1)～(a8)为原图，(b1)～(b8)为中值滤波图，(c1)～(c8)为改进的otsu算法处理结果图，(d1)～(d8)为形态学处理结果图。图4为本发明的改进的otsu算法提取目标和otsu算法提取目标对比图，其中(a1)～(a4)为原图，(b1)～(b4)为中值滤波图，(c1)～(c4)为otsu算法处理结果图，(d1)～(d4)为otsu算法对应的形态学处理结果图，(e1)～(e4)为改进的otsu算法处理结果图，(f1)～(f4)为改进的otsu算法对应的形态学处理结果图。图5为本发明采用改进的胡氏不变矩取不同目标的特征值曲线图。具体实施方式下面结合附图和具体实施方式对本发明作进一步详细的说明。如图1所示，本发明的硬件主要包括电源管理板、稳压电源、RGB模拟摄像头、ARM开发板和计算机，其中稳压电源接入电源管理板，电源管理板的输出端分别接入RGB模拟摄像头、ARM开发板。RGB模拟摄像头通过ARM开发板与计算机相连，它是用来采集所需的图片；ARM开发板是选用华北工控EM3500型号，它通过采集卡对RGB模拟摄像头拍摄的图片进行采集，并通过ARM开发板中的图像识别模块对图片中是否有坦克进行识别；计算机是通过wifi与ARM开发板进行通信，可以将所编写的程序移植到ARM开发板中并且通过控制ARM开发板驱动RGB模拟摄像头采集图片。如图2所示，本发明基于改进的胡氏不变矩的坦克识别方法，包括图像分割提取目标、对提取的目标进行形态学处理、对目标采用改进的胡氏不变取其特征值、计算待识别图形与数据库中图形特征之间的相似度，包含以下步骤：步骤1，对待识别图像进行中值滤波预处理，得到预处理后的图像；步骤2，采用改进的最大类间方差法对预处理后的图像进行图像分割，提取所需的目标；步骤3，对分割后的图像进行形态学处理；步骤4，采用改进的胡氏不变矩提取目标的特征；步骤5，确定待识别图形与数据库中图形特征之间的相似度，实现对坦克的识别。步骤2所述采用改进的最大类间方差法对预处理后的图像进行图像分割，提取所需的目标，具体如下：改进的最大类间方差法(即改进的otsu算法)是将当前图像像素用一个阈值t分为两个部分C0和C1，其中C0是由0～t灰度范围内的像素组成，C1是由(t+1)～L灰度范围内的像素组成，L是图像像素最大的灰度值，灰度值为i的像素值个数为ni，则总的像素个数为N，如公式(1)所示：N=Σi=0L-1ni---(1)]]>各灰度值出现的概率为pi，如公式(2)所示：pi=niN---(2)]]>其中，pi≥0，C0出现的概率和C1出现的概率分别如下：PC0=Σi=0tpi,PC1=Σi=t+1L-1pi=1-PC0---(3)]]>C0、C1两类的灰度均值分别为ωC0=Σi=0tipi/PC0,ωC1=Σi=t+1L-1ipi/PC1---(4)]]>图像总的灰度平均值ω0为：ω0=PC0ωC0+PC1ωC1=Σi=0L-1ipi---(5)]]>建立新的方差σ2如公式(6)所示：σ2=PC0(VA-V0)2+PC1(VB-V0)2---(6)]]>式中：VA2=12(ωC02+ΔA)---(7)]]>VB2=12(ωC12+ΔB)---(8)]]>V02=12(ω02+Δ0)---(9)]]>ΔA=Σi=0tpi(i-ωC0)2---(10)]]>ΔB=Σi=t+1L-1pi(i-ωC1)2---(11)]]>Δ0=Σi=0L-1pi(i-ω0)2---(12)]]>其中，ΔA、ΔB、Δ0分别表示区域C0、区域C1与整幅图片的方差；从0～L依次改变t值，取到σ2最大时t即为最佳阈值；然后对该图像进行二值化处理，即其中H为图像任意一点的像素值，进而提取出目标。步骤3所述对分割后的图像进行形态学处理，包括对图像先进行膨胀然后进行腐蚀。步骤4中所述改进的胡氏不变矩，具体如下：先设一个M×N数字图像的灰度分布为f(x,y)，那么它的(p+q)阶几何矩mpq定义如公式(13)所示：mpq=Σx=1MΣy=1Nxpyqf(x,y)---(13)]]>式中：x,y是图像的坐标点；中心矩μpq的定义如公式(14)所示：μpq=Σx=1MΣy=1N(x-x0)p(y-y0)qf(x,y)---(14)]]>式中：(x0,y0)是矩心，x0＝m10/m00，y0＝m01/m00，p,q＝0,1,2,···，m10是图像的(1+0)阶几何矩，m00是图像的(0+0)阶几何矩，m01是图像的(0+1)阶几何矩。用零阶中心矩μpq进行归一化，归一化中心矩ηpq为：ηpq=μpqμ00r---(15)]]>式中，μ00是零阶中心矩。构造胡氏不变矩Φ1～Φ7为：Φ1=η20+η02Φ2=(η20-η02)2+4η11Φ3=(η30-3η12)2+(3η31-η03)2Φ4=(η30+η12)2+(η21+η03)2Φ5=(η03-3η12)(η30+η12)+[(η30+3η12)2-3×(η21+η03)2]+(3η21-η03)(η21+η03)×[3(η30+η12)2-(η21+η03)2]Φ6=(η20-η02)[(η30+η12)2-(η21+η03)2]+4η11(η30+η12)(η21+η03)Φ7=(3η21-η03)(η30+η12)[(η30+η12)2-3×(η21+η03)2]+(3η21-η30)(η21+η03)×[3(η30+η12)2-(η21+η03)2]---(16)]]>式中：Φ1～Φ7为胡氏不变矩的7个矩不变量。那么改进的胡氏不变矩I1～I10公式为：I1=Φ2Φ1]]>I2=Φ1+Φ2Φ1-Φ2]]>I3=Φ3Φ4]]>I4=Φ3|Φ5|4]]>I5=Φ4|Φ5|4]]>I6=|Φ6|Φ1Φ3]]>I7=|Φ6|Φ1Φ5]]>I8=|Φ6|Φ3Φ2I9=|Φ6|Φ2|Φ5|---(17)]]>I10=|Φ5|Φ3Φ4]]>式中：I1～I10为改进的胡氏不变矩的10个矩不变量。所述步骤5中待识别图形与数据库中图形特征之间的相似度为：S(X,Y)=S(X,Y)=(XI1-YI1)2+(XI2-YI2)2+...+(XI10-YI10)2---(18)]]>其中：X,Y分别为待检测的图像和模板中的图像，表示X这个图像第1个改变的胡氏不变矩特征值，表示Y这个图像第1个改变的胡氏不变矩特征值。通过计算待识别图像与不同的模板图像的相似度，取其最小的相似度所对应的模板图像，判断该模板图像属于哪一类模板，若属于含有坦克的模板，那么待测图片含有坦克，否则不含有坦克。实施例本发明提出的识别算法对不同的地面目标进行实验，采用的样本库中的图像分别为坦克、轿车、货车、挖掘机。共有50张，其中坦克14张包含了坦克的旋转和缩放的图片，货车12张包含了货车的旋转和缩放的图片，轿车12张包含了轿车的旋转和缩放的图片，挖掘机12张包含了挖掘机的旋转和缩放的图片，分辨率为480*320。取其中的7张坦克图片、5张货车图片、5张轿车图片、5张挖掘机图片作为测试的样本，其余作为训练样本。如图3所示，对部分测试样本先进行采用中值滤波滤除图像中的噪声，然后采用改进的otsu算法进行图像分割提取目标，最后对提取的目标进行形态学处理，其中(a1)～(a8)为原图，(b1)～(b8)为中值滤波图，(c1)～(c8)为改进的otsu算法处理结果图，(d1)～(d8)为形态学处理结果图。如图4所示，采用otsu算法对图像分割提取目标与采用改进的otsu算法进行图像分割提取目标，其中(a1)～(a4)为原图，(b1)～(b4)为中值滤波图，(c1)～(c4)为otsu算法处理结果图，(d1)～(d4)为otsu算法对应的形态学处理结果图，(e1)～(e4)为改进的otsu算法处理结果图，(f1)～(f4)为改进的otsu算法对应的形态学处理结果图。从图中可以看出改进的otsu算法进行图像分割能够很好提取出目标，提取的目标包含的噪声较少。采用改进的胡氏不变矩提取目标特征值，如图5所示部分样本中的目标采用改进的胡氏不变矩获取的特征值。由图中可以看出，不同的地面目标采用改进的胡氏不变矩获取的特征值相差较大，相同类型的目标的特征值相差不大。用公式(18)计算测试的样本与训练的样本的相似度。取其最小的相似度所对应的模板图像，判断该模板图像属于哪一类模板图像，若属于含有坦克的模板图像，那么测试样本含有坦克，否则不含有坦克。为了体现本发明的优越性，对样本中提取的目标分别采用采用胡氏不变矩、改进的胡氏不变矩进行识别，对着两种算法的识别率、识别时间进行统计如表1所示。表1两种不同算法的识别效果由表1可知，由本发明提出的改进的胡氏不变矩，对地面上的坦克进行识别比采用胡氏不变矩取其特征进行识别高出22个百分点，识别时间上有所降低。结果表明，本文提出的改进的胡氏不变矩对坦克的识别识别率较高，识别速率较快。以上实施例是对本发明的具体实施方式的说明，采用与本发明的实施方式相同的技术，均在本发明的保护范围之内。当前第1页1 2 3