一種基于投票線聚類的圓形目標(biāo)檢測(cè)方法
【專利摘要】該發(fā)明公開了一種基于投票線聚類的圓形目標(biāo)檢測(cè)方法，屬于計(jì)算機(jī)視覺【技術(shù)領(lǐng)域】，特別是涉及圖像中的目標(biāo)檢測(cè)技術(shù)。該方法利用邊界點(diǎn)的灰度梯度方向，構(gòu)建參數(shù)空間中的投票線；并通過尋找投票線密度最大的點(diǎn)作為最佳圓形參數(shù)。通過上述建模方式，可以在連續(xù)的參數(shù)空間中利用概率密度估計(jì)的方法迅速得到最佳參數(shù)，既提高了圓形目標(biāo)檢測(cè)的準(zhǔn)確性，又保證了檢測(cè)的效率。
【專利說明】-種基于投票線聚類的圓形目標(biāo)檢測(cè)方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計(jì)算機(jī)視覺【技術(shù)領(lǐng)域】，涉及圖像中的目標(biāo)檢測(cè)技術(shù)。

【背景技術(shù)】
[0002] 目標(biāo)檢測(cè)是近年來計(jì)算機(jī)視覺領(lǐng)域研究的熱門問題之一，它是指在各類圖像中準(zhǔn) 確快速地找到具有某種特定特征的目標(biāo)，是實(shí)現(xiàn)計(jì)算機(jī)視覺和人工智能的重要基礎(chǔ)。其中， 圓形目標(biāo)檢測(cè)是該領(lǐng)域的一個(gè)重要研究問題，其廣泛應(yīng)用包括自然場(chǎng)景中的圓形物體檢 測(cè)，人臉識(shí)別中的人眼定位，以及工業(yè)自動(dòng)化中的圓形工件檢測(cè)。現(xiàn)有的圓形檢測(cè)方法主要 包括兩個(gè)大類：1.基于最大似然估計(jì)的圓形檢測(cè)方法和2.基于投票的圓形檢測(cè)方法。
[0003] 基于最大似然估計(jì)的圓形目標(biāo)檢測(cè)方法是利用最大似然估計(jì)的基本原理建立 關(guān)于圓形目標(biāo)中心位置和半徑的參數(shù)的估計(jì)模型，并通過最小二乘方法求解參數(shù)參見 文獻(xiàn) Gander Walter, Gene H. Golub, and Rolf Strebel, Least-Squares Fitting of Circles and Ellipses,BIT Numerical Mathematics，vol. 34, no. 4, pp. 558-578, 1994。 為了提高圓形目標(biāo)檢測(cè)的準(zhǔn)確性，可以利用基于卷積的最大似然估計(jì)方法，并利用圓形 目標(biāo)和背景特征的先驗(yàn)知識(shí)進(jìn)行圓形目標(biāo)檢測(cè)。參見文獻(xiàn)：Emanuel E.Zelniker and I. Vaughan L. Clarkson, Maximum-Likelihood Estimation of Circle Parameters via Convolution, IEEE Transactions on Image Processing，vol. 15,no. 4,pp. 865-876,2006。 通過上述兩個(gè)策略，能在某些特定應(yīng)用中提高圓形目標(biāo)檢測(cè)的效率和準(zhǔn)確性。然而，最大似 然估計(jì)方法的最大問題在于針對(duì)所有邊界點(diǎn)構(gòu)建最大似然的目標(biāo)函數(shù)，噪聲點(diǎn)和非圓形目 標(biāo)的邊界點(diǎn)會(huì)影響檢測(cè)結(jié)果的準(zhǔn)確性。
[0004] 基于投票的圓形目標(biāo)檢測(cè)方法，相對(duì)于最大似然估計(jì)方法有很強(qiáng)的魯棒性。它 通過在由圓心坐標(biāo)和圓半徑構(gòu)成的三維的參數(shù)空間進(jìn)行投票，最后將得票數(shù)最多的參數(shù) 作為檢測(cè)的圓形參數(shù)。該方法為目前最通用的圓形檢測(cè)方法，但其缺點(diǎn)在于需要對(duì)所有 可能的假設(shè)參數(shù)進(jìn)行投票統(tǒng)計(jì)，運(yùn)算復(fù)雜度過高導(dǎo)致檢測(cè)速度慢。詳見文獻(xiàn)：Hough，Paul VC，Method and Means for Recognizing Complex Patterns，US Patent，3069654, 1962。 同時(shí)，有很多基于投票的圓形檢測(cè)改進(jìn)方法提出，這些方法都旨在提高檢測(cè)的速度和精 度。改進(jìn)方法包括選取邊界點(diǎn)的子集進(jìn)行投票，利用灰度梯度方向加速投票過程和利用 灰度梯度計(jì)算圓周邊界點(diǎn)曲率進(jìn)而進(jìn)行投票。這些都在一定程度上提高了原有基于哈 夫變換的圓形目標(biāo)檢測(cè)方法的速度，但都造成了檢測(cè)精度的下降。參見文獻(xiàn)：KShiSinen Heikki，Petri Hirvonen, Lei Xu, and Erkki Oja，Probabilistic and Non-Probabilistic Hough Transforms: Overview and Comparisons，Image and Vision Computing,vol .13,no.4,pp.239-252, 1995。和文獻(xiàn) Cauchie Julien，Val6rie Fiolet，and Didier Villers, Optimization of an Hough Transform Algorithm for The Search of a Center,Pattern Recognition，vol. 41，no. 2, pp. 567-574, 2008。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的任務(wù)是提供一種基于投票線聚類的圓形目標(biāo)檢測(cè)方法。該方法利用邊界 點(diǎn)的灰度梯度方向，構(gòu)建參數(shù)空間中的投票線；并通過尋找投票線密度最大的點(diǎn)作為最佳 圓形參數(shù)。通過上述建模方式，可以在連續(xù)的參數(shù)空間中利用概率密度估計(jì)的方法迅速得 到最佳參數(shù)，既提高了圓形目標(biāo)檢測(cè)的準(zhǔn)確性，又保證了檢測(cè)的效率。
[0006] 為了方便地描述本
【發(fā)明內(nèi)容】
，首先對(duì)一些術(shù)語進(jìn)行定義。
[0007] 定義1 :圓形目標(biāo)，在各類圖像中外觀為圓形的物體。該類物體通常由3個(gè)參數(shù)決 定其在圖像中的位置和大小。這三個(gè)參數(shù)分別是圓心位置（ Xc;，y。）和圓半徑r。，其中X。表 示圓形物體中心的橫坐標(biāo)，y。表示中心縱坐標(biāo)。
[0008] 定義2 :圓形目標(biāo)檢測(cè)，在各類圖像中找到外觀為圓形的物體，即確定圓形物體的 中心位置的橫坐標(biāo)X。和縱坐標(biāo)y。，以及半徑r。。
[0009] 定義3 :邊緣圖像，用于標(biāo)識(shí)原始數(shù)字圖像中亮度變化明顯的點(diǎn)所形成的與原始 圖像大小相同的二值圖像，在邊緣圖像中，"1"表示邊緣點(diǎn)即原始圖像中亮度變化明顯的 點(diǎn)，" 〇 "表示非邊緣點(diǎn)即原始圖像中亮度變化不明顯的點(diǎn)。
[0010] 定義4:邊界點(diǎn)，在邊緣圖像中，值為"1"的像素點(diǎn)，用于表征原始圖像中亮度變化 明顯的點(diǎn)所在的位置。
[0011] 定義5 :灰度值，指黑白圖像中點(diǎn)的顏色深度，范圍一般從0到255,白色為255,黑 色為0,故黑白圖片也稱灰度圖像，在醫(yī)學(xué)、圖像識(shí)別領(lǐng)域有很廣泛的用途。
[0012] 定義6 :Cany算子，Canny邊緣檢測(cè)算子是John F. Canny于1986年開發(fā)出來的一 個(gè)多級(jí)邊緣檢測(cè)算法。算法的主要步驟包括：1.去噪，2.尋找圖像中的灰度梯度，3.在圖 像中跟蹤邊緣。
[0013] 定義7 :沿水平和垂直方向梯度，在數(shù)字圖像中，沿水平方向計(jì)算兩個(gè)相鄰像素點(diǎn) 灰度值的差，該差值稱為沿水平方向的梯度。類似的，計(jì)算沿垂直方向兩個(gè)相鄰像素點(diǎn)的灰 度差值，該差值稱成為沿垂直方向的梯度。
[0014] 定義8 :梯度方向，對(duì)于數(shù)字圖像中的任意像素點(diǎn)，可以計(jì)算該像素點(diǎn)沿哪一方向 灰度值增大最快，該方向被定義為梯度方向。梯度方向的計(jì)算可以通過沿水平和垂直方向 的梯度計(jì)算得到，具體的計(jì)算公式為:中(辦力）=其中(Xi，yi)表示任一像 素點(diǎn)的坐標(biāo)位置，表示沿垂直方向的灰度梯度，表示沿水平方向的灰 度梯度，arctan( ?)表示反正切函數(shù)。
[0015] 定義9 :圓參數(shù)空間，圓形目標(biāo)的形狀是由中心位置的橫坐標(biāo)x。，縱坐標(biāo)y。和半徑 rc三個(gè)參數(shù)共同決定的，由以上三個(gè)參數(shù)構(gòu)成的三維空間稱為圓參數(shù)空間。
[0016] 定義10 :投票線，對(duì)于邊緣圖像中的任意一個(gè)邊界點(diǎn)，我們根據(jù)邊界點(diǎn)的位置和 灰度梯度的方向，可以計(jì)算出該邊界點(diǎn)若為圓形物體邊界的條件下，此圓形物體所對(duì)應(yīng)的 參數(shù)分布是在參數(shù)空間中的一條直線，該直線被稱為投票線。
[0017] 定義11 :似然函數(shù)，似然函數(shù)是一種關(guān)于統(tǒng)計(jì)模型中的參數(shù)的函數(shù)，表示模型參 數(shù)的似然性或可能性。
[0018] 定義12 :貝葉斯定理，貝葉斯定理（Bayes' theorem)是概率論中的一個(gè)結(jié)論，它和 隨機(jī)變量的條件概率以及邊緣概率分布有關(guān)。貝葉斯定理的原始形式是關(guān)于隨機(jī)事件A和 B的條件概率（或邊緣概率）的，可以表示為 ：
[0019]

【權(quán)利要求】
1. 一種基于投票線聚類的圓形目標(biāo)檢測(cè)方法，該方法包括： 步驟1 :對(duì)需要進(jìn)行圓形目標(biāo)檢測(cè)的原始圖像灰度化處理，再利用Canny算子提取邊緣 圖像，其中Canny算子的平滑參數(shù)的取值為VI; 步驟2:計(jì)算邊緣圖像上任意一坐標(biāo)位置為（Xi，yi)的邊界點(diǎn)的梯度方向物*這里用 Pi = 表示該邊界點(diǎn)； 步驟3 :對(duì)于任意一邊界點(diǎn)Pi，可知該點(diǎn)如果在圓周上，其對(duì)應(yīng)的圓形中心坐標(biāo)（Xc;，y。） 與邊界點(diǎn)位置（Xi，yi)的關(guān)系為： xc = - rcoscp〇 Yc = };i. !''Sincpf; 其中！表示對(duì)應(yīng)的圓形的半徑，根據(jù)該關(guān)系，構(gòu)建第i個(gè)邊界點(diǎn).Pi = 對(duì)應(yīng)的 投票線Ii，該投票線的方程為：
步驟3中利用梯度方向建立了投票線，并限定直線參數(shù)r大于零，這是針對(duì)邊界點(diǎn)的灰 度梯度方向是沿圓心遠(yuǎn)離圓周的方向，若實(shí)際實(shí)際情況為邊界點(diǎn)的梯度方向沿圓周指向圓 心方向，則假設(shè)r小于零； 步驟4:計(jì)算任意兩個(gè)坐標(biāo)位置為（Xi，yi)和（Xj，yj)的邊界Ap i和Pj屬于同一個(gè)圓 形物體邊界的概率P(〇y = ，該概率與兩邊界點(diǎn)Pi和h對(duì)應(yīng)的投票線Ii和L之間 的最短距離有關(guān)，具體計(jì)算公式為：
其中：P(〇y = 表示邊界點(diǎn)（X^yi)和（Xj，yj)屬于同一個(gè)圓形物體的概率，Xij =(Xij, Yij, !Tij)1和Xji = (Xji, Yji, !Tji)1為投票線Ii和投票線Ij與第三條與它們垂直的直 線在三維參數(shù)空間中的交點(diǎn)，兩焦點(diǎn)之間的距離I Ib-xJ I2實(shí)質(zhì)為投票線Ii和投票線Ij 之間的最短距離，
為消除檢測(cè)圓形大小對(duì)檢測(cè)結(jié)果影響的歸一化系數(shù)，C為保證 概率計(jì)算結(jié)果P(Ol7=^PoPi)為有效概率值的常系數(shù)，t和T為控制算法檢測(cè)精度和承受 形變魯棒性的常數(shù)，根據(jù)實(shí)際應(yīng)用中對(duì)檢測(cè)精度魯棒性的要求設(shè)置T的值，t和T的值越 大承受形變的魯棒性越強(qiáng)，而檢測(cè)精度越低，反之亦然； 步驟5 :計(jì)算已知邊界點(diǎn)Pi和h屬于同一個(gè)圓形物體邊界條件下，該圓形目標(biāo)的參數(shù) 為0 = {Xyy。，！"。}的似然P_0y= 這里Oij用于指示邊界點(diǎn)Pi和Pj是否在同 一圓周上的變量，〇表示兩個(gè)邊界點(diǎn)在同一圓周的假設(shè)，該似然具體的計(jì)算公式為： p(e\〇u = o,Pi,Pj) = JfieixijtGijI) 其中，^?為兩交點(diǎn) Xij = (Xij^j,!Tij)1 和 Xji = (Xjpyj^rji)T 的中點(diǎn)

這里w為尺度因子（為一常數(shù)），具體取值根據(jù)實(shí)際檢測(cè)中對(duì)形變魯棒性的 要求設(shè)定，W的值越大對(duì)物體形變的魯棒性越大； 步驟6:計(jì)算任意兩邊界點(diǎn)？1和？」位于參數(shù)0的圓形邊界的概率p(0,oy=〇|pi,pj， 由概率論中的貝葉斯定理，可以得到該概率的計(jì)算公式為： p(e?〇y = 〇lpi?p|) = p(e|〇y = 〇,pi,pj) p(〇ij = 〇\pi,pj)； 步驟7 :根據(jù)步驟6中計(jì)算的結(jié)果，利用所有邊界點(diǎn)對(duì)不同的圓形參數(shù)進(jìn)行成對(duì)投票， 該概率成對(duì)投票的累加公式為：
其中：N為邊界圖像中邊界點(diǎn)的個(gè)數(shù)，令p(〇y = 〇|Pi,P/)=，，該累加和可以進(jìn)一步 化簡(jiǎn)為：
由上述表達(dá)是可以看出S(0,O)滿足混合高斯分布； 步驟8 :計(jì)算成對(duì)概率投票累加和S(SW)的最大值點(diǎn)所對(duì)應(yīng)的參數(shù)0，從而得到各圓 的中心和半徑。
2.如權(quán)利要求1所述的一種基于投票線聚類的圓形目標(biāo)檢測(cè)方法，其特征在于所述步 驟2的具體步驟為： 步驟2-1 :梯度方向的具體方法為：對(duì)于坐標(biāo)位置為（Xi，yi)邊界點(diǎn)，在灰度圖像上計(jì)算 該點(diǎn)沿水平方向的灰度梯度y￡)， yd = Iixi + I,yd - KxitJi)-, 步驟2-2 :計(jì)算該點(diǎn)沿垂直方向的灰度梯度Wy(?, 3?)， ^iy(xi，yd = l(xityi + I) -1(X^yi)-, 其中（Xi，yi)為邊界點(diǎn)在圖像中的位置坐標(biāo)，l(Xi，yi)為坐標(biāo)值為（ Xi，yi)的邊界點(diǎn)的 灰度值，WxWyi)表示該點(diǎn)水平方向的灰度梯度值,Wy(x^).為該點(diǎn)垂直方向的灰度梯 度值。 步驟2-3:該點(diǎn)的梯度方向_
3.如權(quán)利要求1所述的一種基于投票線聚類的圓形目標(biāo)檢測(cè)方法，其特征在于所述步 驟8中使用梯度上升方法或核概率密度估計(jì)方法計(jì)算S(0,O〕的最大值點(diǎn)所對(duì)應(yīng)的參數(shù)0， 在用梯度上升方法時(shí)起始點(diǎn)的設(shè)置為S(0,〇)表達(dá)式中每一個(gè)混合高斯的中心。
【文檔編號(hào)】G06T7/00GK104331885SQ201410594453
【公開日】2015年2月4日 申請(qǐng)日期:2014年10月29日 優(yōu)先權(quán)日:2014年10月29日
【發(fā)明者】潘力立 申請(qǐng)人:電子科技大學(xué)