近距大偏角圆形目标的检测

刘晓俊，孙永荣，王潇潇，杨博文

LIU Xiaojun,SUN Yongrong,WANG Xiaoxiao,YANG Bowen

南京航空航天大学 自动化学院 导航研究中心，南京210016

Navigation Research Center, College of Automation Engineering, Nanjing University of Aeronautics and Astronautics,Nanjing 210016,China

目前，具有圆形特征目标的图像实时检测技术在智能交通系统、智能监控系统、军事目标检测以及医学导航手术中的器械定位方面具有广泛的应用价值。根据算法实现的基本原理，检测算法可以分为Hough 变换算法以及模板匹配算法。霍夫变换是利用空间对偶关系，把原空间的问题转换到对偶空间求解，即将图像空间中的给定曲线通过数学表达式变为参数空间中的一个点，进而将曲线检测问题转化为寻找参数空间的峰值问题。但是，当参数空间超过两维时，这种变换的时间消耗和内存需求急剧增大，在实际中难以实现和应用。另外，国内外学者以Hough 变换算法为基础，也提出了其他的一些改进算法，例如改进的Hough 变换[1-2]、随机Hough变换（RHT）[3]、三点圆检测算法[4-5]、利用梯度方向信息检测圆算法[6]以及基于子图分解的多圆椭圆检测算法[7]，然而，这些均是在算法的运行效率或者精确性方面进行改进，对于存在严重形变条件下的圆形特征目标的检测效果并不理想。根据匹配信息的不同，模板匹配算法有基于灰度相关和基于几何特征两类。基于灰度相关算法根据图像灰度信息进行匹配，算法原理简单，但其抗干扰性差。基于几何特征的模板匹配算法以模板的几何基元[8-9]，如边缘角点、模板重心等作为匹配信息进行匹配。如基于Hausdorff 距离的模板匹配算法[10]和基于广义霍夫变换的模板匹配算法[11]等，此类算法的鲁棒性、实用性强，但其运算量大。虽然可以利用金字塔分割法来提高计算速度，但却带来了内存消耗剧增的问题。

当圆形目标与摄像机光轴不垂直时，目标的俯仰和偏转会导致其成像的变形；随着目标相对摄像机的距离减小，目标相对摄像机的角度增大，成像形变同样会越发严重。这种情况下，圆形目标在摄像机的成像平面上呈现椭圆形，受自身不同的立体形状以及光线不均等环境因素的影响，圆形目标甚至会呈现出一个类圆形变形体。由于几何形状特征的丢失，Hough 变换以及相关的改进算法对于此类近距大偏角的圆形目标的检测精度急剧下降、效率低下，甚至完全失效。模板匹配算法虽然可以实现微小变形条件下的圆心目标的检测，但是对于近距离大偏角条件下的圆形目标的检测精度也并不理想，同时检测的效率也不能满足实时性的要求。针对以上问题，本文提出了轮廓特征提取算法和轮廓信息辅助检测算法，特征提取算法可以将目标轮廓从现有轮廓中有效地检测出来，而轮廓信息辅助算法则可以利用近距目标所包含的细节信息，精确判定目标轮廓的有效性。

1 复杂背景预处理研究

1.1 色彩空间转换

通过摄像机经图像采集卡获取的实时图像是以RGB 模型为存储方式的，RGB 彩色模型是由红（R）、绿（G）、蓝（B）三基色组成，R、G、B 三基色混合而得到的彩色光的亮度等于各基色的亮度之和，三基色的比例决定了混合色的色调和饱和度。所以在实时采集的相邻两帧图像在亮度上会存在差异；并且由于这种颜色空间的原理是物理学中的三色叠加原理，虽然应用广泛，但在处理图像时往往因为三个分量的相关性而无法获得满意的结果。

HSV 模型在计算机图形中常被使用，该模型具有较强的感知度，其中H（hue）表示色调，S（saturation）表示饱和度，V（value）表示物体表面反射光对人眼的刺激强度。本文中利用了HSV 模型中的亮度通道可以排除颜色信息的干扰、反映物体表面反射光能量的特性，在圆形目标同摄像机距离较近、存在大偏角时，将图像从RGB色彩空间转换为HSV 色彩空间，来突显目标的轮廓特征，增强算法的处理效果，降低后期处理的复杂性。

1.2 阈值分割处理

阈值处理也称为二值化，是一种图像区域分割技术。它根据图像中目标与背景在灰度上的差异，通过选择合适的阈值，判断每一个像素是否满足阈值要求，进而将图像分割为两个或多个灰度区间。但是，将图像从灰度空间转化为二值空间，必然会造成图像细节信息的丢失。由于目标距离、背景环境、光线条件的不同，采用单一的阈值分割处理效果并不理想；并且单一阈值分割处理也不能实现一幅图像上不同类型信息的采集；本文通过对阈值分割处理方法中参数的连续调节，实现了在各种不同环境条件下，对目标图像中干扰像素的滤除以及目标轮廓的增强，提高了整体算法的有效性与鲁棒性，如图1（b）所示。

图1 闭运算处理结果

1.3 闭运算处理

通常由于噪声的影响，图像经过阈值化处理后所得到的边界往往存在“毛刺”，连通区域内部会出现一些噪声孔，背景中散布着小的噪声物体，如图1（b），使用闭运算可以有效地改善这种情况。

闭运算是一种典型的形态学图像处理方法；算法首先对图像进行膨胀运算，然后对膨胀图像再作腐蚀处理，不仅可以消除图像中比核尺寸小的噪声像素，对于比核尺寸大的轮廓区域，还可以消除边界的“毛刺”，使图像中的轮廓变得光滑，同时并不明显改变其面积，如图1（c）所示。

2 高效轮廓提取算法

经过闭运算处理后的图像虽然去除了背景中的一部分噪声像素，目标区域也得到了弥补与修正，但是仍然会留存有干扰像素；同时由于目标图像在近距大偏角情况下的严重形变，普通检测算法的效果仍然不够理想；为了实现目标的精确检测，首先要提取图像内的轮廓，然后通过轮廓特征的约束获得目标轮廓。

2.1 嵌套双层轮廓提取算法

本文采用嵌套双层轮廓提取方法[12-15]完成轮廓提取，同时去除图像内的层次干扰信息轮廓。算法中将最外层连通域的边界定义为外轮廓，第二层连通域的边界定义为内轮廓，第三层连通域的边界再次定义为外轮廓，依次类推，如图2 所示，c“X”表示外轮廓，h“X”表示内轮廓，“X”表示数字。实际图像处理结果如图3 所示，外边缘轮廓为外轮廓，中间类圆轮廓为内轮廓；利用二值形态学闭运算后内部一般不会出现复杂嵌套结构的特点，双层轮廓提取算法可以快速、精确地滤除背景干扰所在层的轮廓。

图2 嵌套双层轮廓示意图

图3 嵌套双层轮廓提取算法效果图

2.2 轮廓特征提取算法

滤除内层轮廓干扰之后，由于近距大偏角圆形目标的成像会发生严重形变，通过传统的圆形几何特征约束从树木、建筑物等复杂背景干扰轮廓中难以得到目标轮廓，本文中使用了特殊的轮廓特征约束筛选预选轮廓，分别为：

条件1计算轮廓的长h和宽w，目标轮廓的长宽比需满足如下条件：

式中，kd为限定参数，取值范围为0.5 ＜kd＜1。

条件2计算轮廓的周长L，目标轮廓的周长需满足如下条件：

条件3目标轮廓的面积是所有满足条件1、2 的轮廓中最大的。

近距大偏角的圆形目标成像一般呈椭圆形或类圆形变形体，所以可以通过计算预选轮廓外接圆的参数，然后与预选轮廓的相应参数对比，如果差值在容许范围内，则判定该轮廓为图像中目标的初选轮廓，效果如图3所示。

2.3 轮廓信息辅助检测算法

在近距大偏角的情况下，虽然待检测的圆形目标成像形变严重，但是在目标接近图像采集设备的过程中，目标成像尺寸增大，在图像中所占的像素逐渐增多，目标的细节信息不断丰富，如图1 所示。针对上述特点，应用了圆形目标细节特征匹配辅助轮廓检测的方法。

首先拟合初选轮廓的最小外接矩形，同时以初选轮廓中心点为中心，最小外接正矩形长、宽的1.25 倍为边长，构建框架特征矩形；然后，采集框架特征矩形各边的特征点，如图4 所示，实线类圆轮廓为初选轮廓，实线矩形轮廓为最小外接矩形，虚线矩形轮廓为框架特征矩形，圆形目标在框架特征矩形各边点集即为目标细节特征点。计算目标细节特征点在框架特征矩形各边中所占的比例，如果该比例满足如下条件，则可完全判定为目标轮廓：

式中，kp的取值范围是（0，1），px1、px2、py1、py2 分别为各条投影边上包含的目标特征点数。

图4 最小外接矩形投影示意图

2.4 模板匹配算法

虽然二值图的模板匹配算法抗干扰性以及鲁棒性比较差，不能单独作为检测算法，但是它的算法原理简单，运行效率高，本文通过该算法对算法的运行效率以及稳定性进行改善。具体步骤为：

首先对目标模板进行采集、存储，并且实现对目标模板的实时更新，以提高算法匹配度。同时将模板在目标图像中滑动，利用公式：

得到模板与目标图像的匹配结果，并将结果存储在对应坐标的二维数组空间中，公式中I表示目标图像，T表示模板，R表示匹配结果。

然后在结果中搜索极值点。极值点的坐标便是匹配区域的位置，而其值则反映了算法的匹配度，如若匹配度满足要求，则判定为匹配成功。

若匹配成功便将以匹配点为顶点，同模板大小相同的匹配区域作为下一次算法的检测区域。下一时刻的检测仅对该区域作处理，从而缩短了算法运行时间，增加了检测效率，最终实现对近距大偏角圆形目标的高效检测，效果如图5 所示，矩形框为匹配结果。

图5 模板匹配效果图

最终的近距大偏角圆形目标高效检测算法流程图如图6 所示。

图6 近距大偏角圆形目标检测算法流程图

图7 匹配模板

3 实验验证与结果分析

为了对本文算法的效果进行验证，将本文算法Hough变换算法[16-19]和模板匹配算法[20-21]分别做了对比性实验，在不同的背景、不同的光照条件下，对大小为768 像素×576 像素的600 幅目标图像进行检测，进而评价算法性能。算法采用C++进行编写，测试平台采用CPU 为Inter Core i7-3555LE（2.5 GHz）、内存为4 GB 的计算机，匹配算法采用OpenCV 库提供的平方差匹配法，为了能够对不同尺寸的目标进行匹配识别，该算法首先将如图7 所示的模板由50%至200%以1%的步长进行缩放，然后由缩放后的150 个模板组成模板库，每一次检测均需对所有模板进行匹配，然后将匹配最佳的区域作为检测结果，该算法检测成功率相对较高，但算法效率会非常低。

为了更加直观地显示出算法的检测效果，本文从600 幅图像中挑选了6 幅具有代表性的图像进行对比说明。如图8（a1）～（f1）所示为本文算法对不同条件下目标图像的检测效果图，可以看出本文算法在不同背景环境、不同天气条件、不同距离情况下均可以有效地检测到近距大偏角圆形目标。

图8 算法解算对比效果图

图8（a2）～（c2）为Hough 变换算法的检测效果图，可以看出该算法的检测区域同授油管轮廓并不精确吻合，解算稳定性较差；该算法原理为寻找具有圆形形状特征的目标，如图（d1）、（e1）、（f1）所示，在圆形目标距离摄像头较近存在较大形变或者背景比较复杂时，检测失效。

图8（a3）～（b3）为模板匹配算法对相同目标图像的检测效果图。如图8（c1）、（d1）、（e1）、（f1）所示背景相对简单（晴天天空），圆形目标距离摄像头较近，或者存在树木干扰，背景比较复杂时，目标图像同匹配模板的相关系数下降，匹配算法解算失效。

表1 为三种算法对600 幅目标图像的解算成功率以及平均解算时间的对比表，可以看出本文算法几乎可以对所有的目标图像检测成功，解算成功率具有明显优势，同时解算时间基本可以达到实时性的要求；Hough变换算法解算时间具有较大优势，但是在目标图像变形严重或者存在遮挡、目标形状特征不明显时，成功检测率偏低。模板匹配算法的成功解算率依赖于目标图像同匹配模板的相似度，目标图像存在的偏转角或者背景干扰物会降低两者的匹配相关系数，从而导致检测失效，同时该算法效率相比于前两种算法非常低，不能满足实际工程的应用要求。

表1 算法检测性能对比表

4 结束语

针对近距大偏角的圆形目标难以检测的问题，本文研究了基于图像的近距大偏角圆形目标的检测算法，通过融合轮廓检测算法和模板匹配算法，实现了对近距大偏角圆形目标的高效检测。实验结果表明，文中所研究的检测算法可以有效地适应不同的背景环境，具有较强的鲁棒性、实时性和稳定性。

[1] Kim Heung-Soo，Kim Jong-Hwan.A two-step circle detection algorithm from the intersection chords[J].Pattern Recognition Letters，2001，22（6/7）：787-798.

[2] Yin Peng-yeng.A new circle/ellipse detector using genetic algorithms[J].Pattern Recognition Letters，1999，20（7）：731-740.

[3] Xu L，Oja E.Randomized Hough transform：basic mechanisms，algorithms and computational complexities[J].Computer Vision Graphic Image Process：Image Understanding，1993，57（2）：131-154.

[4] Yoo J H，Sethi I K.An ellipse detection method from the polar and poles definition of conics[J].Pattern Recognition，1993，26（2）：307-315.

[5] 陈燕新，戚飞虎.一种新的基于随机Hough 变换的椭圆检测方法[J].红外与毫米波学报，2000，19（1）：43-47.

[6] 陈燕新，戚飞虎.利用梯度方向信息的随机Hough 变换[J].红外与毫米波学报，1998，17（5）：375-379.

[7] 胡正平，王成儒，练秋生.基于图像分解的快速多圆/椭圆检测方法[J].仪器仪表学报，2002，23（3）：292-294.

[8] Shark L K，Kurekin A A，Matuszewski B J.Development and evaluation of fast branch-and-bound algorithm for feature matching based on line segments[J].Pattern Recognition，2007，40（5）：1432-1450.

[9] Paramanand C，Rajagopalan A N.Efficient geometric matching with higher-order features[C]//19th International Conf on Pattern Recognition，2008.

[10] Huttenlocher D P，Klanderman G A，Rucklidge W J.Comparing images using the hausdorff distance[J].IEEE Transactions on Pattern Analysis and Machine Intelligence，1993，15（9）：850-863.

[11] Ulrich M，Steger C，Baumgartner A.Realtime object recognition using a modified generalized Hough transform[J].Pattern Recognition，2003，36（11）：2557-2570.

[12] Shi Jinwei，Guo Chaoyong.The extraction of circle contour based on improved boundary tracing[C]//2012 4th International Conference on Intelligent Human-Machine Systems and Cybernetics.Nanchang：IEEE Conference Publications，2012：104-107.

[13] 杨淼，龚成龙，魏志强.基于彩色形态筛的建筑物主题轮廓提取算法[J].数据采集与处理，2011，26（3）：263-268.

[14] Liu You，Xin Chunbo.Template matching algorithm based on edge detection[C]//2011 International Symposium on Computer Science and Society.Kinabalu：IEEE Conference Publications，2011.

[15] 张大奇，曲仕茹，石爽.基于序列图像运动分割的车辆边界轮廓提取算法[J].交通运输工程学报，2009，9（3）：117-121.

[16] 付琰，卢荣胜，夏瑞雪，等.基于重要性采样随机Hough 变换圆检测算法[J].电子测量技术，2012，35（5）：45-48.

[17] Guo Siyu，Zhang Xufang，Zhang Fan.Adaptive randomized hough transform for circle detection using moving window[C]//2006 Proceedings of the Fifth International Conference on Machine Learning and Cybernetics.Dalian：IEEE Conference Publications，2006：3880-3885.

[18] 张翼，孙永荣，王艳，等.圆形目标实时检测的改进算法研究[J].计算机与数字工程，2012，40（3）：89-92.

[19] 王艳，孙永荣，张翼，等.圆形工件检测及对准方法的研究与实现[J].现代电子技术，2012，35（10）：62-67.

[20] 谢志江，吕波，刘琴，等.旋转不变性图像模板匹配快速算法[J].吉林大学学报，2013（3）.

[21] 王欣，殷肖川，周翔翔.一种改进的模版匹配识别算法[J].计算机工程与应用，2007，43（36）：238-240.