本發(fā)明屬于圖像識別領(lǐng)域，特別涉及一種基于模板更新的改進型聯(lián)合稀疏表示大輸液中異物跟蹤方法。

背景技術(shù)：

2014年我國大輸液產(chǎn)量用量居世界第一，約為130億瓶，國內(nèi)外大輸液主要的包裝材料有玻璃瓶、塑料瓶、塑料軟袋。目前，我國玻璃瓶大輸液約占市場份額的50％左右。在藥品生產(chǎn)環(huán)節(jié)，由于生產(chǎn)工藝及封裝技術(shù)的局限，藥液中容易混入毛發(fā)、漂浮物(塑料、纖維)、玻璃屑等直徑大于50微米的可見異物，這些異物嚴重影響輸液者的用藥安全和患者健康甚至生命安全。現(xiàn)階段，國內(nèi)250ml及以上的玻璃瓶大輸液主要利用人工燈檢或進口設(shè)備，人工燈檢是采用“人工暗室觀測”檢測方法對注射液逐瓶肉眼檢測，如圖2所示，該方法勞動強度大、速度慢、效率低，靠人的主觀思想判斷藥品是否合格，存在嚴重的漏檢、誤檢等亟待解決的重大問題,難以滿足國家藥典對不溶性可見異物的規(guī)定。人工燈檢還存不利于生產(chǎn)過程的自動化、有安全隱患和標準不同一的缺點，而進口設(shè)備的成本大，維護困難。因此，研制一套250ml及以上的醫(yī)藥大輸液可見異物檢測系統(tǒng)意義十分重大。

技術(shù)實現(xiàn)要素：

本發(fā)明提供了一種基于模板更新的改進型聯(lián)合稀疏表示大輸液中異物跟蹤方法，其目的在于，實現(xiàn)對溶液中的異物進行多目標跟蹤識別，并排除氣泡、劃痕、光照和形變在異物識別過程中的影響。

一種基于模板更新的改進型聯(lián)合稀疏表示大輸液中異物跟蹤方法，包括以下步驟：

步驟1：采集位于高速生產(chǎn)線上的大輸液瓶的序列圖像；

步驟2：對第一幀圖像進行二值化，獲取第一幀圖像中待跟蹤目標的位置和數(shù)量；

步驟3：依次以第一幀圖像中的一個待跟蹤目標的位置為基礎(chǔ)，從第一幀圖像中采集圖像塊，生成目標前景正字典和目標背景負字典；

步驟4：對目標前景正字典和目標背景負字典進行規(guī)范化處理后，提取目標的稀疏判別字典，構(gòu)造待跟蹤目標的稀疏判別分類器；并獲得待跟蹤目標的稀疏生成模型，且利用待跟蹤目標的稀疏判別分類器和稀疏生成模型構(gòu)造待跟蹤目標的聯(lián)合稀疏模型；

步驟5：以當前幀圖像中待跟蹤目標的位置為基礎(chǔ)，從下一幀圖像中采集圖像塊，獲取所有候選目標圖像塊；

步驟6：計算每個候選目標圖像塊屬于待跟蹤目標的置信度，并計算候選目標圖像塊與待跟蹤目標稀疏直方圖的相似度；

步驟7：利用聯(lián)合稀疏模型，從所有候選目標圖像塊中選取置信度和相似度乘積最大的圖像塊作為當前幀圖像中的待跟蹤目標；

步驟8：以當前幀圖像中的待跟蹤目標的位置，在當前幀中采集圖像塊，生成新的目標前景正字典和目標背景負字典，從而構(gòu)建新的待跟蹤目標的稀疏判別字典，返回步驟5，直到得到當前待跟蹤目標在序列圖像中的運動軌跡后，再返回步驟3，獲取下一個待跟蹤目標在序列圖像中的運動軌跡。

進一步地，當所有被采集了圖像塊的圖像幀數(shù)為2的倍數(shù)時，所述步驟8中構(gòu)建的新的待跟蹤目標的稀疏判別字典替代前一次被使用的待跟蹤目標的稀疏判別字典，用于下一幀圖像構(gòu)建聯(lián)合稀疏模型；否則，則使用前一次被使用的待跟蹤目標的稀疏判別字典，構(gòu)建下一幀圖像的聯(lián)合稀疏模型。

進一步地，所述聯(lián)合稀疏模型的表達式如下：

其中，H_c為第c個候選目標圖像塊的置信度，ε_f是候選目標圖像塊x在當前目標前景正字典下的重構(gòu)誤差，ε_b是候選目標圖像快x在當前目標背景負字典下的重構(gòu)誤差，

A₊為當前目標前景正字典矩陣，A_-為當前目標背景負字典矩陣，為當前目標前景正字典矩陣下得到的稀疏系數(shù)矩陣，為當前目標背景負字典下得到的稀疏系數(shù)矩陣

L_c為第c個候選目標圖像塊的相似度，為第c個候選目標圖像塊的稀疏直方圖中第j個系數(shù)，ψ^j為第一幀圖像的目標模板稀疏直方圖中第j個系數(shù)；J為每一個候選目標圖像塊對應(yīng)的稀疏系數(shù)向量的維數(shù)；M為從每幀圖像中采集的圖像塊數(shù)目；

σ表示圖像塊方差，取值范圍為0-1之間。

進一步地，所述步驟2中對第一幀圖像進行二值化，獲取第一幀圖像中待跟蹤目標的位置和數(shù)量的具體步驟如下：

步驟2.1：對第一幅圖像Image0進行二值化操作，得到二值圖像Imagebinary0；

將待跟蹤目標從背景圖像中分割出來，T1為設(shè)定二值化分割閾值，Image(x,y)為圖像中(x,y)位置像素的灰度值；

步驟2.2：對二值圖像Imagebinary0進行連通域搜尋操作，根據(jù)異物的大小尋找與異物大小相差不超過10％的連通域Blob，并對Blob進行孔洞填充；

步驟2.3：粗定位待跟蹤目標在圖像中的位置place0和待跟蹤目標的數(shù)目number；

步驟2.3.1：采用重心法計算出每個填充連通域Blob的中心O(x_o,y_o)，即為目標的圓心，N為Blob像素點總數(shù)：

其中，(x_i,y_i)表示連通域中像素點的坐標。

進一步地，所述待跟蹤目標的聯(lián)合稀疏模型的生成過程如下：

步驟4.1：根據(jù)前一幀圖像中所獲得的待跟蹤目標的初始位置，計算目標的稀疏判別字典并用于構(gòu)造待跟蹤目標的稀疏判別分類器；

步驟4.1.1：將隨機偏移量加到待跟蹤目標的初始坐標，得到圍繞初始坐標的隨機坐標；以隨機坐標為中心采集前景圖像快，得到包含目標前景的圖像塊，將所有圖像塊的灰度值向量化，得到前一幀圖像的正字典；

步驟4.1.2：以待跟蹤目標的初始坐標為圓心，根據(jù)目標的運動速度估計目標在下一幀圖像的可能運動范圍R，以R為半徑對背景采集圖像塊，得到包含目標背景的圖像塊，將所有圖像塊的灰度值向量化，得到前一幀圖像的負字典；

步驟4.1.3：將兩個字典分別規(guī)范化，并級聯(lián)成一個判別字典，構(gòu)造目標的稀疏判別分類器；

步驟4.2：提取目標的稀疏生成模型；

步驟4.2.1：用規(guī)范化的圖像塊來表示目標圖像的局部外形灰度特征；

使用滑動窗口在待跟蹤目標圖像上獲得M個圖像塊，將每個圖像塊都轉(zhuǎn)化為一個向量，并通過計算得到每個圖像塊的稀疏系數(shù)；

步驟4.2.2：通過M個圖像塊得到的M個稀疏系數(shù)向量，將M個稀疏系數(shù)向量規(guī)范化，然后合并成一個稀疏矩陣B，通過該稀疏矩陣得到目標的稀疏直方圖模型，即目標的稀疏生成模型；

稀疏矩陣B就是目標的稀疏直方圖模型；

步驟4.3：利用步驟4.1獲得的稀疏判別分類器和步驟4.2獲得的稀疏生成模型共同構(gòu)建聯(lián)合稀疏模型。

有益效果

與現(xiàn)有技術(shù)相比，本發(fā)明的優(yōu)點體現(xiàn)在以下幾點：

(1)本發(fā)明采用了基于聯(lián)合稀疏表示的方法，通過置信度和相似度的判斷，來實現(xiàn)對目標的判別，使跟蹤誤差大幅減??；

(2)與傳統(tǒng)目標跟蹤的方法相比，本發(fā)明提出的跟蹤方法受干擾程度更低，因為本方法加入了字典更新的步驟，當目標外表發(fā)生形變時能及時對判別字典進行更新；因此本方法幾乎不受外形改變的干擾，穩(wěn)定性更好，速度更快；

(3)與傳統(tǒng)稀疏方法相比，本發(fā)明在跟蹤過程中對稀疏正模板進行了更新，使跟蹤的失誤率大幅下降。

(4)與現(xiàn)有人工方法相比，該檢測算法具有檢測精度高、速度快、重復(fù)性好等優(yōu)勢，滿足現(xiàn)有生產(chǎn)線實時在線檢測、穩(wěn)定可靠的需求。

附圖說明

圖1為本發(fā)明的流程圖；

圖2為應(yīng)用本發(fā)明所述方法對圖像中第一個目標進行跟蹤的過程示意圖，其中，(a)目標的第一幅圖像，(b)目標的第二幅圖像，(c)目標的第三幅圖像，(d)目標的第四幅圖像，(e)目標的第五幅圖像，(f)目標的第六幅圖像，(g)目標的第七幅圖像，(h)目標的第八幅圖像；

圖3為應(yīng)用本發(fā)明所述方法對圖像中第二個目標進行跟蹤的過程示意圖，其中，(a)目標的第一幅圖像，(b)目標的第二幅圖像，(c)目標的第三幅圖像，(d)目標的第四幅圖像，(c)目標的第五幅圖像，(e)目標的第六幅圖像，(f)目標的第七幅圖像，(h)目標的第八幅圖像。

具體實施方式

下面將結(jié)合附圖和實施例對本發(fā)明做進一步的說明。

在本實例中相機采用分辨率為1080*960的面陣千兆網(wǎng)CCD相機(Baumer TXG12)，鏡頭為6mm寬視角Computar鏡頭，光源為半徑為6cm的穹頂漫反射光源(LTS-FM12030-WQ)；

如圖1所示，一種基于模板更新的改進型聯(lián)合稀疏表示大輸液中異物跟蹤方法，包括以下步驟：

步驟1：采集位于高速生產(chǎn)線上的大輸液瓶的序列圖像，記作Image0-7；

步驟2：對第一幅圖像Image0進行二值化操作，得到二值圖像Image1；

將待跟蹤目標從背景圖像中分割出來，T1為設(shè)定二值化分割閾值，Image(x,y)為圖像中(x,y)位置像素的灰度值；

步驟3：對二值圖像Imagebinary0進行連通域搜尋操作，根據(jù)異物的大小尋找出面積合適的連通域Blob，并對Blob進行孔洞填充；

由于異物外形復(fù)雜，因此，簡單的二值化操作無法保證連通域Blob實心，而本發(fā)明中需要采用重心法對異物位置進行粗定位，所以，為保證異物定位中心的準確性，需進行孔洞填充。

步驟4：粗定位待跟蹤目標在圖像中的位置place0和待跟蹤目標的數(shù)目number；

步驟4.1：采用重心法計算出每個待跟蹤目標的填充最大連通域Blob的中心O(x_o,y_o)，即為目標的圓心，M為Blob像素點總數(shù)；

步驟4.2：將獲得的待跟蹤目標的位置放入初始位置的數(shù)組中；

步驟4.3：根據(jù)得到的目標數(shù)目和目標位置初始化跟蹤程序；

至此，待跟蹤目標的位置和數(shù)目都已確定。

步驟5：提取跟蹤目標的模板；

步驟5.1：根據(jù)第一個目標的起始位置，計算目標的稀疏判別字典；

步驟5.1.1：根據(jù)起始位置的坐標，將微小的隨機偏移量加到目標的初始坐標，得到圍繞初始坐標的一系列隨機坐標。然后以這些隨機坐標為中心采集前景圖像快，得到一系列包含目標前景的圖像塊，將這些圖像塊向量化，得到第一幀圖像的正字典。

步驟5.1.2：以目標的初始坐標為圓心，根據(jù)目標的運動速度估計目標在下一幀圖像的可能運動范圍R，然后以R為半徑對背景采集圖像塊，得到一系列包含目標背景的圖像塊，將這些圖像塊向量化，得到第一幀圖像的負字典。

步驟5.1.3：通過得到的正、負字典，將兩個字典分別規(guī)范化，并級聯(lián)成一個判別字典。

通過判別字典可以計算下一幀圖像中候選目標圖像塊的置信度。

步驟5.2：提取目標的稀疏生成模型；

步驟5.2.1：用規(guī)范化的圖像塊來表示目標圖像的局部外形灰度特征。使用滑動窗口在規(guī)范化的目標圖像上獲得M個圖像塊，將每個圖像塊都轉(zhuǎn)化為一個向量，并通過計算得到每個圖像塊的稀疏系數(shù)。

步驟5.2.2：通過M個圖像塊得到的M個稀疏系數(shù)向量，將這M個稀疏系數(shù)向量規(guī)范化，然后級聯(lián)成稀疏矩陣B，通過該稀疏矩陣得到目標的稀疏直方圖模型，即目標的稀疏生成模型。

稀疏生成模型可用于計算下一幀圖像中圖像塊的相似度。

步驟6：對目標進行搜索，第二幀圖像以目標的初始坐標為圓心，進行圖像塊采樣。

步驟7：候選目標圖像塊聯(lián)合稀疏模型的獲取

步驟7.1：置信度的測度，根據(jù)SDC的分類原理，目標的區(qū)域能夠被正字典更好的重構(gòu)，背景圖像能被負字典更好的重構(gòu)。因此，通過對每個候選目標圖像塊計算置信度來判斷候選目標圖像塊屬于目標的可信度。第c個候選目標圖像塊的置信度定義如下：

其中是候選圖像塊x在正字典下的重構(gòu)誤差，是候選目標圖像快x在負字典下的重構(gòu)誤差。通過對每一個候選目標圖像塊進行稀疏分解，并計算對應(yīng)的置信度，得到候選目標圖像塊的置信度數(shù)組H。

A₊為正字典矩陣，A_-為負字典矩陣，為正字典矩陣下得到的稀疏系數(shù)矩陣，為負字典下得到的稀疏系數(shù)矩陣。

步驟7.2：相似度的測度，根據(jù)直方圖相似函數(shù)進行候選目標圖像塊與目標的稀疏直方圖的相似度進行測度。直方圖相似函數(shù)定義如下：

其中為第c個候選目標圖像塊的稀疏直方圖，獲得方法如步驟5.2。ψ為第一幀圖像的目標模板稀疏直方圖。通過對每一個候選目標圖像塊的相似度進行計算，得到候選目標圖像塊的相似度數(shù)組L。

步驟8：候選圖像塊的判別，利用聯(lián)合稀疏模型的方法，通過獲得的候選目標圖像的相似度和置信度來判別候選圖像是否屬于跟蹤目標。聯(lián)合稀疏模型的計算函數(shù)如下：

其中為第c個候選目標圖像塊的置信度，為候選目標圖像塊的相似度，通過計算候選目標圖像塊的聯(lián)合稀疏模型，得到候選目標圖像塊的聯(lián)合系數(shù)模型數(shù)組G，通過搜索數(shù)組中的最大值，找到最大值對應(yīng)的圖像塊，將該圖像塊作為跟蹤的目標。

通過對候選目標圖像塊相似度和置信度的計算確定跟蹤目標在第二幀圖像中的位置。

步驟9：根據(jù)聯(lián)合稀疏模型得到了目標在第二幀圖像的候選目標圖像塊，然后采用重心法，計算目標的坐標，將其記錄于位置數(shù)組P。

步驟10：目標字典的更新，判斷圖像幀數(shù)是否為2的倍數(shù)，如果是，則對聯(lián)合稀疏模型中置信度計算的稀疏判別字典進行更新，方法如步驟5.1，得到新的判別字典，并將其替代老的字典進行置信度的計算。

步驟11：將第二幀圖像中的目標位置作為初始位置，重復(fù)步驟6，得到目標在第三幀圖像中的位置，并將其記錄于位置數(shù)組P。然后重復(fù)步驟5到步驟11，得到目標在第四幀圖像中的位置，以此類推，得到目標在八幀圖像中的位置。通過聯(lián)合稀疏模型得到該目標在序列圖像中的運動軌跡，并將其記錄于該目標的位置數(shù)組。

跟蹤的過程如圖2和圖3所示；

步驟12：重復(fù)步驟5到步驟11計算第一幀圖像中的另一個目標在八幀圖像中的軌跡。最后通過軌跡判斷目標是異物還是氣泡。

由于異物與氣泡的運動軌跡不同，因此通過目標的運動軌跡可判斷該目標是異物還是氣泡。

最后應(yīng)當說明的是：以上實施例僅用以說明本發(fā)明的技術(shù)方案而非對其限制，盡管參照上述實施例對本發(fā)明進行了詳細的說明，所屬領(lǐng)域的普通技術(shù)人員應(yīng)當理解：依然可以對本發(fā)明的具體實施方式進行修改或者等同替換，而未脫離本發(fā)明精神和范圍的任何修改或者等同替換，其均應(yīng)涵蓋在本發(fā)明的權(quán)利要求范圍當中。