專利名稱：一種紅外圖像目標(biāo)識(shí)別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及圖像處理、模式識(shí)別和自動(dòng)目標(biāo)識(shí)別(ATR)技術(shù)，具體地 說(shuō)是一種紅外圖像待識(shí)別目標(biāo)(特別是紅外機(jī)場(chǎng)跑道)分割及識(shí)別方法。
背景技術(shù)：
目前，紅外圖像分割和自動(dòng)目標(biāo)檢測(cè)(Automatic Target Detection, ATD)，自動(dòng)目標(biāo)識(shí)別(Automatic Target Recognition, ATR)技術(shù)正在被廣 泛引用于自動(dòng)目標(biāo)識(shí)別，飛行器航路地形匹配和地標(biāo)校驗(yàn)，目標(biāo)搜尋和營(yíng) 救等等。此類技術(shù)優(yōu)勢(shì)正在凸顯，應(yīng)用也越來(lái)越廣泛，因此引起了國(guó)內(nèi)外 科研單位的高度關(guān)注， 一直是國(guó)內(nèi)外地研究熱點(diǎn)。其中，遠(yuǎn)距離前視紅外 目標(biāo)識(shí)別更是有著重要的意義，其主要任務(wù)是針對(duì)飛行器飛行時(shí)自動(dòng)尋找 目標(biāo)，校正航路等等。紅外機(jī)場(chǎng)跑道識(shí)別是紅外自動(dòng)目標(biāo)識(shí)別的一個(gè)具體 應(yīng)用，由于其自身的重要性，引起了國(guó)內(nèi)外軍事研究領(lǐng)域的高度興趣，很
多方法被有針對(duì)性的提出?？偨Y(jié)起來(lái)大體可以分為兩類基于邊緣提取的 識(shí)別方法和基于閥值分割為基礎(chǔ)的區(qū)域識(shí)別方法。 基于邊緣提取的識(shí)別方法
(1) 基于Hough變換的方法(葉斌，彭嘉雄，基于結(jié)構(gòu)特征的軍用機(jī)
場(chǎng)識(shí)別與理解[J]，華中科技大學(xué)學(xué)報(bào)，2001， 29 (3): 39-41)，這種方法 首先對(duì)圖像進(jìn)行邊緣提取，利用機(jī)場(chǎng)的先驗(yàn)形狀知識(shí)假設(shè)，假設(shè)機(jī)場(chǎng)都是 長(zhǎng)條形狀的區(qū)域，在圖像中都呈現(xiàn)并且可以提取出平行的長(zhǎng)條直線，通過(guò) 識(shí)別紅外圖像中的長(zhǎng)條形邊緣目標(biāo)從而識(shí)別機(jī)場(chǎng)。
(2) 羅軍，楊衛(wèi)平等(羅軍,楊衛(wèi)平,沈振康，紅外圖像中機(jī)場(chǎng)跑道的 自動(dòng)目標(biāo)識(shí)別[J]，紅外技術(shù)，2003， (03))利用空域?yàn)V波，細(xì)化邊緣進(jìn)而 對(duì)邊緣二值化，通過(guò)最小二乘擬合直線的方法得到直線圖像上識(shí)別機(jī)場(chǎng)跑 道，找到機(jī)場(chǎng)跑道中心點(diǎn)。
(3) 李小毛等(李小毛，唐延?xùn)|，肖潁杰，多尺度線狀目標(biāo)的機(jī)場(chǎng)跑 道識(shí)別[J]，紅外與激光工程，2005， (06))利用多尺度線狀目標(biāo)強(qiáng)化方法 對(duì)目標(biāo)進(jìn)行強(qiáng)化，對(duì)機(jī)場(chǎng)跑道進(jìn)行區(qū)域處理，然后利用Hession矩陣等方法 提取邊緣，并對(duì)圖像二值化處理，最終利用圖像的形狀信息識(shí)別機(jī)場(chǎng)跑道。
基于閥值分割的區(qū)域識(shí)別方法
(4) 基于不變矩的前視紅外圖像機(jī)場(chǎng)目標(biāo)識(shí)別方法(張?zhí)煨?，曹楊?劉進(jìn)，李勐，基于不變矩的前視紅外圖像機(jī)場(chǎng)目標(biāo)識(shí)別，華中科技大學(xué)學(xué) 報(bào)(自然科學(xué)版)2007.1)，該方法主要對(duì)圖像進(jìn)行閾值分割，搜索分割圖 像中各潛在目標(biāo)區(qū)域輪廓鏈，計(jì)算其仿射不變矩和目標(biāo)背景梯度特征，并利用前后幀目標(biāo)大小的約束關(guān)系等先驗(yàn)知識(shí)，對(duì)各候選目標(biāo)區(qū)域進(jìn)行識(shí)別。
(5) 基于分形理論的紅外圖像機(jī)場(chǎng)跑道自動(dòng)目標(biāo)識(shí)別(閆曉珂，史彩 成，趙保軍，何佩琨，基于分形理論的紅外圖像機(jī)場(chǎng)跑道自動(dòng)目標(biāo)識(shí)別，
激光與紅外2006.9)，該方法根據(jù)對(duì)原圖像分別進(jìn)行直方圖動(dòng)態(tài)閾值化分割
和分形閾值分割，提取紋理特征進(jìn)而對(duì)紅外機(jī)場(chǎng)進(jìn)行識(shí)別。
(6) 姚克明等(姚克明，宋利權(quán)，張金鎖，基于復(fù)雜背景的紅外機(jī)場(chǎng) 目標(biāo)自動(dòng)識(shí)別算法研究[J]，紅外與激光工程，2007， (03))采用雙閾值最 大類間方差快速算法快速找到分割閾值，采用二值標(biāo)記算法標(biāo)記分割圖像， 利用Freeman鏈碼標(biāo)記圖像的輪廓特征，最終利用特征提取的方法識(shí)別標(biāo) 記后的機(jī)場(chǎng)跑道。
由以上所列舉的方式方法來(lái)看，主要分為兩類(1)基于邊緣提取的 識(shí)別方法，主要是對(duì)紅外圖像進(jìn)行邊緣提取，然后利用邊緣鏈接或Hough 變換的方法識(shí)別機(jī)場(chǎng)跑道；(2)基于區(qū)域分割的識(shí)別方法，主要利用閥值 分割確定候選區(qū)域，然后提取特征進(jìn)行識(shí)別。然而在實(shí)際應(yīng)用中，這兩類 方法都有很多先天性的弊端，首先紅外成像條件的變化，周圍環(huán)境的復(fù)雜 性，成像條件惡劣，噪聲的干擾等因素的影響，使得機(jī)場(chǎng)跑道成為復(fù)雜背 景中的弱目標(biāo)，導(dǎo)致基于邊緣的方法提取的邊緣信息不是很可靠，而且還包 涵很多冗余的邊緣信息，給后續(xù)判斷和識(shí)別跑道帶來(lái)了很大困難，因此基于 邊緣的方法穩(wěn)定性不高；再者由于順光拍攝和逆光拍攝的影響，紅外機(jī)場(chǎng) 跑道成像為亮暗目標(biāo)區(qū)域的形態(tài)，這使得基于閥值分割的方法很難將機(jī)場(chǎng) 從背景中分割出來(lái)，因此單純依靠閥值分割，以及基于分割區(qū)域進(jìn)行特征 提取的識(shí)別方法在實(shí)際應(yīng)用中也有很大的局限性。

發(fā)明內(nèi)容
為了解決以上問(wèn)題，本發(fā)明的目的在于提出一種具有準(zhǔn)確性，實(shí)時(shí)性 和魯棒性的紅外圖像待識(shí)別目標(biāo)分割及識(shí)別方法，有效的解決上述提取的 邊緣信息不可靠及閥值分割局限性問(wèn)題。
為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案如下
本發(fā)明利用一維(1D)圖像處理的思想解決二維(2D)紅外圖像分割 的技術(shù)問(wèn)題，即；將循環(huán)分割處理的每一行圖像像素合成二維二值圖像， 具體；1)通過(guò)多尺度小波變換方法對(duì)紅外圖像待識(shí)別目標(biāo)進(jìn)行增強(qiáng)；2) 通過(guò)對(duì)紅外圖像中凸性區(qū)域的提取實(shí)現(xiàn)對(duì)各種成像條件下紅外目標(biāo)的穩(wěn)定 分割，每次處理一行像素，將處理結(jié)果合成與原來(lái)圖像尺寸一致的二維二 值圖像；3)然后對(duì)分割后的圖像進(jìn)行二值圖像連通標(biāo)記同時(shí)提取基本特征, 然后在此基礎(chǔ)上定義待提取特征,并利用基本特征計(jì)算特征抽取；4)利用投 票的方法確定疑似候選目標(biāo)區(qū)域，最終結(jié)合待識(shí)別目標(biāo)的先驗(yàn)知識(shí)進(jìn)行精 確識(shí)別，從候選目標(biāo)中確定最終目標(biāo)。
所述多尺度小波變換方法對(duì)紅外圖像進(jìn)行增強(qiáng)的步驟如下
用Haar小波對(duì)每一行圖像分別進(jìn)行多維分解，分解為低頻和高頻部分，利用中值濾波的方法對(duì)高頻部進(jìn)行中值濾波，消除噪聲影響；然后通過(guò)Haar 反變換，將1D圖像信號(hào)還原。
所述對(duì)紅外圖像中凸性區(qū)域的提取，實(shí)現(xiàn)對(duì)各種成像條件下的紅外目 標(biāo)的穩(wěn)定分割的步驟如下
凸性區(qū)域的定義該區(qū)域指區(qū)域內(nèi)的象素灰度均值高于周圍區(qū)域；利
用先驗(yàn)知識(shí)，估算出待識(shí)別目標(biāo)的最大長(zhǎng)度""g^,和最小長(zhǎng)度""g^,。 對(duì)多尺度小波增強(qiáng)后的圖像提取梯度信息，梯度大于0為上升區(qū)域，梯度 小于0為下降區(qū)域，上升區(qū)域和下降區(qū)域的區(qū)間間隔G^在最大長(zhǎng)度 ""g^,和最小長(zhǎng)度"剛l"之間，即為凸性區(qū)域目標(biāo)區(qū)域，令其為l，其余 部分為0。由此獲得1D圖像的二值圖像。
所述對(duì)分割后的圖像進(jìn)行二值圖像連通標(biāo)記同時(shí)提取基本特征步驟
基于并査結(jié)構(gòu)的標(biāo)記算法，將基本特征提取與到二值圖像連通標(biāo)記相結(jié)合， 使得只對(duì)圖像進(jìn)行一次掃描就可以實(shí)現(xiàn)連通區(qū)域標(biāo)記，并且在標(biāo)記二值連
通區(qū)域的同時(shí)計(jì)算該區(qū)域內(nèi)的一些基本區(qū)域特征l為行寬，列長(zhǎng)，行坐標(biāo)， 列坐標(biāo)，區(qū)域大小，質(zhì)心位置；通過(guò)第一次掃描，確定并查結(jié)構(gòu)中樹的唯 一根節(jié)點(diǎn)，利用掃描根節(jié)點(diǎn)列表將大根節(jié)點(diǎn)的子節(jié)點(diǎn)進(jìn)行歸類，從而實(shí)現(xiàn) 了 二值圖像連通標(biāo)記同時(shí)提取基本特征。
所述待提取區(qū)域特征的定義共有9種特征描述方式，其中包括量綱 性的特征描述方式(此類屬性跟圖像大小、分辨率等因素有關(guān)，會(huì)隨圖像 大小的變化而改變)，非量綱性的特征(此類屬性與圖像大小、分辨率等因 素?zé)o關(guān)，只與區(qū)域自身的形狀、方向等有關(guān)，不隨圖像大小改變而變化)， 以及目標(biāo)校驗(yàn)屬性。具體如下
本發(fā)明設(shè)紅外灰度圖像為/^(U)， L， P分別表示圖像的橫坐標(biāo)和縱
坐標(biāo)，R表示某個(gè)標(biāo)記區(qū)域。 量綱性特征
區(qū)域大小(Fl): ^n a P人1
區(qū)域最大長(zhǎng)度(F2): 丄順9max||￡Yl昌丄、2lfl^圍尸、.2||二尸x/ ，其中sl，s2
是區(qū)域中兩點(diǎn)的標(biāo)號(hào) 非量綱特征
(a) 長(zhǎng)寬比(F3): U max(狄妙0，式中；脂x(height)指區(qū)域
max(丄e"g晰raw))
的最大高度，max(length(row))指區(qū)域中行最大長(zhǎng)度。
(b) 平均行長(zhǎng)方差(F4): W 9人l
其中 指區(qū)域的總行數(shù)，M》,指區(qū)域的平均行長(zhǎng)，碌,u,就是所求的平均行長(zhǎng)方差，這里為了出于對(duì)計(jì)算速度的最求，采用采用絕對(duì)值代替平 方計(jì)算。
(C)區(qū)域內(nèi)灰度方差(F5):
，^人,誇(丄，尸)U人|/,(丄力昌似—I
其中M。，指區(qū)域內(nèi)的平均灰度值，^U是指灰度方差，這里為了出于 對(duì)計(jì)算速度的最求，采用采用絕對(duì)值代替平方計(jì)算。—一 一
(d) 中心點(diǎn)擬合方差(F6):令Mt^，(丄,P)表示區(qū)域R每行的中點(diǎn)
坐標(biāo)，利用直線擬合方法計(jì)算所有屬于區(qū)域R的行中點(diǎn)擬合出的直線 yp"g6，則中心點(diǎn)擬合方差為《旨,^人0^,o6圍乂j2 ，其中(x，,l)指
某行中點(diǎn)的坐標(biāo)值。
(e) 中心矩形比例(F7): ReC 麗(服洲
(f) 區(qū)域復(fù)雜度隸屬度函數(shù)用區(qū)域復(fù)雜度與最大復(fù)雜度之比作為該特
征的隸屬度函數(shù)。設(shè)區(qū)域邊長(zhǎng)為1，區(qū)域面積為m,面積閾值為Tm，則復(fù)雜
度的隸屬度函數(shù)為(F8):欽lk
黍0
目標(biāo)校驗(yàn)屬性
(a)區(qū)域質(zhì)心 人丄 人尸；
所述基于投票(Voting)方式的目標(biāo)候選區(qū)域識(shí)別步驟 由2種量綱特征和6種非量綱特征得到一個(gè)屬性矩陣， "w...8，vP1...7bta/M^，然后分別對(duì)每行進(jìn)行排序，保留前T個(gè)區(qū)域，
而后面的區(qū)域總數(shù)(TotoalNum)-T個(gè)區(qū)域剔除，如果某個(gè)區(qū)域的屬性i^被
保留，本發(fā)明令&J1，否則，&,。0。然后本發(fā)明對(duì)每個(gè)區(qū)域的屬性求和
/^P義i^,，如果P^斜，則該區(qū)域?yàn)槟繕?biāo)候選區(qū)域；否則，該區(qū)域不是目
標(biāo)候ii區(qū)域，從而實(shí)現(xiàn)了目標(biāo)候選區(qū)域識(shí)別。 所述結(jié)合先驗(yàn)知識(shí)對(duì)精確目標(biāo)識(shí)別步驟
結(jié)合目標(biāo)區(qū)域的先驗(yàn)知識(shí)，獲取目標(biāo)的真實(shí)長(zhǎng)度、寬度、角度等先驗(yàn) 形狀信息，通過(guò)成像變換原理，得到目標(biāo)區(qū)域在紅外圖像中成像的象素長(zhǎng) 度、寬度、可能姿態(tài)角度，利用這些信息從候選疑似區(qū)域中排除非目標(biāo)區(qū) 域。并利用目標(biāo)校驗(yàn)屬性，對(duì)最后的區(qū)域進(jìn)行校驗(yàn)。最終準(zhǔn)確識(shí)別出目標(biāo) 區(qū)域。
本發(fā)明原理
本發(fā)明采用原創(chuàng)性的紅外圖像分割方法，利用1D圖像處理的思想有效的解決了 2D紅外圖像的分割問(wèn)題。通過(guò)利用Harr小波對(duì)ID圖像進(jìn)行分解 和降噪濾波處理，在極大地保留了原始圖像數(shù)據(jù)的基礎(chǔ)上消除了噪聲，并 很好地實(shí)現(xiàn)了對(duì)紅外圖像的分割。針對(duì)紅外圖像的自身特點(diǎn)，所設(shè)計(jì)的特 征提取有效的描述了待識(shí)別目標(biāo)如機(jī)場(chǎng)跑道各種特性。采用的投票分類方 法，可以從被分割二值區(qū)域中有效地識(shí)別出疑似目標(biāo)區(qū)域，最終結(jié)合先驗(yàn) 知識(shí)對(duì)目標(biāo)進(jìn)行精確識(shí)別。通過(guò)理論仿真和大量的實(shí)驗(yàn)驗(yàn)證，證明本發(fā)明 所設(shè)計(jì)算法的有效性和實(shí)時(shí)性。
與現(xiàn)有技術(shù)相比，本發(fā)明實(shí)現(xiàn)了對(duì)紅外目標(biāo)準(zhǔn)確、實(shí)時(shí)的分割，針對(duì) 待識(shí)別目標(biāo)的自身特征，所設(shè)計(jì)的特征提取方式和推理，達(dá)到了穩(wěn)定識(shí)別 之目的。本發(fā)明首次提出以1D圖像處理的思想解決2D紅外圖像分割的技 術(shù)路線，并利用小波進(jìn)行邊緣強(qiáng)化、凸性區(qū)域提取并結(jié)合先驗(yàn)知識(shí)的目標(biāo) 區(qū)域形狀分割技術(shù)，以及部分針對(duì)性的待識(shí)別目標(biāo)區(qū)域特征描述方式，通 過(guò)理論仿真和實(shí)驗(yàn)驗(yàn)證，在保證有效性的前提下，可以實(shí)時(shí)的分割并識(shí)別 各種情況下的紅外圖像待識(shí)別目標(biāo)如紅外機(jī)場(chǎng)跑道。
具體優(yōu)點(diǎn)分述如下
1. 分割思想新穎，簡(jiǎn)單，高效。本發(fā)明提出的分割方法，將2D圖像 分割問(wèn)題簡(jiǎn)化為1D圖像處理問(wèn)題，實(shí)現(xiàn)方法簡(jiǎn)單，占用計(jì)算時(shí)間和內(nèi)存都 很小。
2. 與現(xiàn)有技術(shù)中基于邊緣的方法提取的邊緣信息相比，本發(fā)明采用 Haar小波增強(qiáng)和凸性區(qū)域提取技術(shù)，使得機(jī)場(chǎng)跑道為復(fù)雜背景中的弱目標(biāo) 時(shí)，對(duì)紅外圖像分割準(zhǔn)確，魯棒性好，同時(shí)克服了現(xiàn)有技術(shù)中基于閥值分 割的方法很難將機(jī)場(chǎng)從背景中分割出來(lái)的不足。
3. 本發(fā)明經(jīng)過(guò)改進(jìn)的區(qū)域標(biāo)記算法，只需一次掃描就可以完成對(duì)二值 圖像的標(biāo)記，且在標(biāo)記過(guò)程中可以對(duì)提取標(biāo)記區(qū)域的基本特征進(jìn)行提取， 提取速度快。
4. 由于分割準(zhǔn)確，所提取的特征都是區(qū)域特征，具有針對(duì)性。
5. 本發(fā)明在區(qū)域特征均有針對(duì)性的基礎(chǔ)上，其識(shí)別準(zhǔn)確率高。
6. 算法操作方便，便于硬件處理。本發(fā)明所設(shè)計(jì)的1D處理方法具有 較好的并行性，便于硬件(如FPGA和DSP等)采用流水線方式處理。
7. 實(shí)時(shí)性好。由于采用1D處理方式實(shí)現(xiàn)了圖像分割，因此與其他現(xiàn) 存算法相比，計(jì)算簡(jiǎn)單，運(yùn)算量小，實(shí)時(shí)性好。


圖1為算法整體流程框圖。
圖2 (a)為本發(fā)明一個(gè)實(shí)施例原紅外圖像待識(shí)別目標(biāo)的1D圖像。 圖2 (b)為圖2 (a)的Haar小波變換和去噪結(jié)果。 圖2 (c)為圖2 (a)的lD圖像Haar濾波和增強(qiáng)結(jié)果。 圖2 (d)為圖2 (a)的1D圖像分割結(jié)果。 圖3 (a)為本發(fā)明另一個(gè)實(shí)施例原始紅外圖像。圖3 (b)為圖3 (a)的分割結(jié)果。
圖3 (c)為圖3 (a)的疑似候選區(qū)域提取結(jié)果。
圖3 (d)為圖3 (a)的目標(biāo)精確識(shí)別結(jié)果。
圖4 (a)為圖3 (a)的不同視角原始紅外圖像。
圖4 (b)為圖3 (a)的不同視角分割結(jié)果。
圖4 (c)為圖3 (a)的不同視角疑似候選區(qū)域提取結(jié)果。
圖4 (d)為圖3 (a)的不同視角目標(biāo)精確識(shí)別結(jié)果。
具體實(shí)施例方式
下面結(jié)合附圖和實(shí)例對(duì)本發(fā)明作進(jìn)一步詳細(xì)說(shuō)明。
流程圖如圖1所示，本發(fā)明利用1D圖像處理的思想解決2D紅外圖像 分割的技術(shù)問(wèn)題，即；將循環(huán)分割處理的每一行圖像像素合成二維二值圖 像，具體1)通過(guò)多尺度小波變換方法對(duì)紅外圖像進(jìn)行增強(qiáng)；2)利用對(duì) 紅外圖像中凸性區(qū)域的提取，實(shí)現(xiàn)對(duì)各種成像條件下紅外目標(biāo)的穩(wěn)定分割， 每次處理一行像素，將處理結(jié)果合成與原來(lái)圖像尺寸一致的二維二值圖像; 3)然后對(duì)分割后的圖像進(jìn)行二值圖像連通標(biāo)記同時(shí)提取基本特征，然后在 此基礎(chǔ)上定義待提取特征,并利用基本特征計(jì)算特征抽??；4)利用投票的方 法確定疑似候選目標(biāo)區(qū)域，最終結(jié)合待識(shí)別目標(biāo)的先驗(yàn)知識(shí)進(jìn)行精確識(shí)別， 從候選目標(biāo)中確定最終目標(biāo)。
1. 所述多尺度小波變換方法對(duì)紅外圖像進(jìn)行增強(qiáng)的步驟如下 本發(fā)明采用正交小波--Haar小波，它具有較好的分解和重構(gòu)特性。Haar
小波的尺度函數(shù)和小波函數(shù)分別為
這里，用Haar小波對(duì)每一行圖像分別進(jìn)行多維分解，分解為低頻和高 頻部分，由于低頻部分保留了圖像中大部分基本特征，而高頻部分保留的 是圖像的細(xì)節(jié)部分，其中紅外圖像的噪聲等干擾因素在高頻部分中表現(xiàn)更 為明顯，因此利用中值濾波的方法對(duì)高頻部進(jìn)行中值濾波，消除噪聲影響； 然后通過(guò)Haar反變換，將1D圖像信號(hào)還原。
2. 所述對(duì)紅外圖像中凸性區(qū)域的提取將凸性區(qū)域定義為區(qū)域內(nèi)的象 素灰度均值高于周圍區(qū)域。利用先驗(yàn)知識(shí)，估算出待識(shí)別目標(biāo)的最大長(zhǎng)度 ""g^,和最小長(zhǎng)度""g^,。對(duì)多尺度小波增強(qiáng)后的圖像提取梯度信息， 梯度大于0為上升區(qū)域，梯度小于0為下降區(qū)域，上升區(qū)域和下降區(qū)域的
區(qū)間間隔G^在最大長(zhǎng)度^"^7,和最小長(zhǎng)度之間，即為凸性區(qū)域目 標(biāo)區(qū)±或，令其為l，其余部分為O。由此本發(fā)明獲得了 1D圖像的二值圖像。
3. 所述對(duì)分割后的圖像進(jìn)行二值圖像連通標(biāo)記同時(shí)提取基本特征步驟 由于本發(fā)明對(duì)二值標(biāo)記圖像后，還需要計(jì)算區(qū)域內(nèi)的特征，因此出于
對(duì)速度和效率的要求，本發(fā)明基于并査結(jié)構(gòu)的標(biāo)記算法，將基本特征提取 與二值圖像連通標(biāo)記相結(jié)合，使得只對(duì)圖像進(jìn)行一次掃描就可以實(shí)現(xiàn)連通區(qū)域標(biāo)記，并且在標(biāo)記二值連通區(qū)域的同時(shí)計(jì)算該區(qū)域內(nèi)的一些基本區(qū)域 特征，比如行寬，列長(zhǎng)，行坐標(biāo)，列坐標(biāo)，區(qū)域大小，質(zhì)心位置等。在第 一次掃描結(jié)束后，已經(jīng)完全確定每個(gè)等價(jià)類，并對(duì)每個(gè)等價(jià)類賦予一個(gè)唯 一的標(biāo)號(hào)，也就是具有并査結(jié)構(gòu)中樹的根節(jié)點(diǎn)，其中等價(jià)類中的每行，每 列，區(qū)域大小等基本特征信息己經(jīng)記錄。由于這些等價(jià)類中，有很多根節(jié) 點(diǎn)實(shí)際上是屬于同一個(gè)大的父類節(jié)點(diǎn)，所以有一些重復(fù)現(xiàn)象。傳統(tǒng)的具有 并查結(jié)構(gòu)的連通成分標(biāo)記算法是對(duì)圖像進(jìn)行二次掃描，進(jìn)行變換，把等價(jià) 類的標(biāo)號(hào)賦給每個(gè)象素。為了提高效率，本發(fā)明建立了一個(gè)第一次掃描根 節(jié)點(diǎn)列表，并對(duì)同屬于一個(gè)大根節(jié)點(diǎn)的子節(jié)點(diǎn)進(jìn)行歸類，從而省去了對(duì)二 值圖像進(jìn)行的二次掃描，從而實(shí)現(xiàn)了二值圖像連通標(biāo)記和提取基本特征同 時(shí)性。
4.所述定義待提取區(qū)域特征,并利用基本特征計(jì)算特征抽取步驟 從每個(gè)標(biāo)記的連通區(qū)域"中提取出最能夠代表該區(qū)域特征的屬性信
息，通過(guò)對(duì)紅外圖像的分析，有針對(duì)性的為其設(shè)計(jì)了 9種特征描述方式， 其中包括2種量綱性的特征描述方式(此類屬性跟圖像大小、分辨率等因 素有關(guān)，會(huì)隨圖像大小的變化而改變)，6種非量綱性的特征(此類屬性與 圖像大小、分辨率等因素?zé)o關(guān)，只與區(qū)域自身的形狀、方向等有關(guān)，不隨
圖像大小改變而變化)，以及一種目標(biāo)校驗(yàn)屬性?，F(xiàn)分別介紹如下
本發(fā)明設(shè)紅外灰度圖像為；j17)， L， P分別表示圖像的橫坐標(biāo)和縱 坐標(biāo)，R表示某個(gè)標(biāo)記區(qū)域。
2一種量綱性特征
區(qū)土或大小(Fl): J/'e"P人1
(丄,尸w)
區(qū)域最大長(zhǎng)度(F2): 丄隱Pmaxl丄、.,圍丄Jflld圍尸、.2||Z，尸xi ，其中sl,s2
是區(qū)域中兩點(diǎn)的標(biāo)號(hào) 6種非量綱特征
(a) 長(zhǎng)寬比(F3): U max(他妙/)，式中；咖,*的指區(qū)域
max(Z^wgt/ (row))
的最大高度，max(length(row))指區(qū)域中行最大長(zhǎng)度。
(b) 平均行長(zhǎng)方差(F4): < 人l
譜W
其中^指區(qū)域的總行數(shù)，^"。"'指區(qū)域的平均行長(zhǎng)，《，就是所求的平 均行長(zhǎng)方差，這里為了出于對(duì)計(jì)算速度的最求，采用采用絕對(duì)值代替平方 計(jì)算。
(c) 區(qū)域內(nèi)灰度方差(F5):
a一pt^人7,仏尸)u人k,(丄,尸)昌^—I其中M^'指區(qū)域內(nèi)的平均灰度值，《^是指灰度方差，這里為了出于 對(duì)計(jì)算速度的最求，采用采用絕對(duì)值代替平方計(jì)算。
(d)中心點(diǎn)擬合方差(F6):令M^^"，。表示區(qū)域R每行的中點(diǎn) 坐標(biāo)，利用直線擬合方法計(jì)算所有屬于區(qū)域R的行中點(diǎn)擬合出的直線
。,4,丄 k 二，《緣p人(^腳o^圖y，)2
3/PAxofc，則中心點(diǎn)擬合方差為 ，， 某行中點(diǎn)的值。
，其中"，,X，)指
M腸.* max(/fe/g/^)
(e) 中心矩形比例(F7): 力觀
(f) 區(qū)域復(fù)雜度隸屬度函數(shù)用區(qū)域復(fù)雜度與最大復(fù)雜度之比作為該特 征的隸屬度函數(shù)。設(shè)區(qū)域邊長(zhǎng)為1,區(qū)域面積為m，面積閾值為Tm,則復(fù)雜
度的隸屬度函數(shù)為(F8):彌fc ^"D"
審0 m4j;
l種目標(biāo)校驗(yàn)屬性
3 1 鬥 1
人L 人i5
區(qū)土或質(zhì)心 J簡(jiǎn)(i,w) v4廳(二，)
5. 基于投票(Voting)方式的目標(biāo)候選區(qū)域識(shí)別
在對(duì)二值圖像進(jìn)行標(biāo)記，并計(jì)算出每個(gè)標(biāo)記區(qū)域《. v WK 7bto/AW7的 9種屬性。本發(fā)明由2種量綱特征和6種非量綱特征，共8種屬性得到一個(gè) 屬性矩陣，《，v"91...8,vW..Jbto/M ，然后分別對(duì)每行進(jìn)行排序，保留前T
個(gè)區(qū)域(動(dòng)態(tài)閥值T=5)，而后面的區(qū)域總數(shù)(TotoalNum) -T個(gè)區(qū)域剔除， 如果某個(gè)區(qū)域的屬性/^被保留，本發(fā)明令&J1，否則，《J0。然后本發(fā)
明對(duì)每個(gè)區(qū)域的屬性求和i^P義i^，如果尸《,斜，則該區(qū)域?yàn)槟繕?biāo)候選區(qū)
域；否則，該區(qū)域不是目標(biāo)候ii'區(qū)域，從而實(shí)現(xiàn)了目標(biāo)候選區(qū)域識(shí)別。
6. 結(jié)合先驗(yàn)知識(shí)對(duì)精確目標(biāo)識(shí)別
結(jié)合目標(biāo)區(qū)域的先驗(yàn)知識(shí)，本發(fā)明可以知道目標(biāo)的真實(shí)長(zhǎng)度、寬度、 角度等先驗(yàn)形狀信息。通過(guò)成像變換原理，本發(fā)明可以估計(jì)出目標(biāo)區(qū)域在 紅外圖像中成像的象素長(zhǎng)度、寬度、可能姿態(tài)角度等。由此，從候選疑似 區(qū)域中，本發(fā)明可以利用這些信息，排除非目標(biāo)區(qū)域。為了使識(shí)別更加準(zhǔn) 確，本發(fā)明還利用目標(biāo)校驗(yàn)屬性，對(duì)最后的區(qū)域進(jìn)行校驗(yàn)，如果當(dāng)前幀計(jì) 算的質(zhì)心坐標(biāo)與上一幀偏差較大，則重新計(jì)算；如果該區(qū)域沒(méi)有通過(guò)最大 后驗(yàn)概率置信度分析，本發(fā)明也認(rèn)為當(dāng)前幀計(jì)算錯(cuò)誤，重新計(jì)算。通過(guò)以 上計(jì)算，最終準(zhǔn)確識(shí)別出目標(biāo)區(qū)域。
具體實(shí)例如下
首先本發(fā)明設(shè)實(shí)現(xiàn)過(guò)程中紅外圖像的大小均為N,M，這里N為圖像的寬度，M為圖像的高度,M和N為正整數(shù)，圖像的定義域?yàn)?G:O口x口iV,l,O口yDM,l ，象素灰度為8bit:
1. 多尺度小波變換方法對(duì)紅外圖像進(jìn)，Ti曾強(qiáng)
讀入一行象素，I(row，l:N)，其中row表示該行象素所在原圖像的行數(shù)， 如果2 (a)所示。
對(duì)該行象素進(jìn)行Haar小波分解，為了提高運(yùn)算速度，本發(fā)明采用了文 獻(xiàn)(Kaiser， G The fast Haar transform IEEE Potentials 1998)中所提到的方
法。這樣本發(fā)明就得到了該行象素的低頻部分和高頻部分，長(zhǎng)度分別為N/2 個(gè)像素。
對(duì)高頻部分進(jìn)行濾波處理，本發(fā)明選用的濾波器為1x5的中值濾波器。 這樣，髙頻部分中的噪聲就被濾除掉了，而原始信號(hào)低頻部分包含了圖像 的大部分信息則被完好的保留下來(lái)，如圖2 (b)所示。
對(duì)濾波后的1D圖像像素進(jìn)行Hair小波反變換。本發(fā)明就得到了消除 噪聲后的1D圖像信號(hào)，如圖2 (c)所示。
2. 凸性區(qū)域分割
a) 提取圖像信號(hào)的梯度信息，":ZiiJ^"("訓(xùn)■/(")，并對(duì)d
設(shè)定閥值K (本發(fā)明中L M)，"(刀P貌(,)。本發(fā)明對(duì)梯
度信號(hào)d進(jìn)行搜索，由于本發(fā)明要分割的區(qū)域通常都是灰度均值較高的部 分，因此本發(fā)明只對(duì)相鄰的
b) "C/)^0and"C/，l)6 0的區(qū)域進(jìn)行提取，令其為i;而其余
區(qū)域(6 0 and $0 )，為o，結(jié)果如圖2 (d)所示。
c) 判斷row是否大于圖像的高度M，如果大于繼續(xù)執(zhí)行步驟2;否則， 說(shuō)明還沒(méi)有對(duì)圖像中的所有行都進(jìn)行處理，跳回到a)繼續(xù)執(zhí)行，整幅紅外 圖像如圖3 (a)所示，其分割結(jié)果如圖3 (b)所示。
3. 連通區(qū)域標(biāo)記和基本特征提取
到此，本發(fā)明實(shí)施例已經(jīng)得到了一幅利用1D小波增強(qiáng)去噪處理所分割 出來(lái)的2D紅外圖像，令二值圖像為/ 90......M組j 90......iV昌l，其中M和
N分別為二值圖像的長(zhǎng)度和寬度，標(biāo)記后得二值圖像為M(/,力。本發(fā)明采 用如下過(guò)程對(duì)二值圖像進(jìn)行連通區(qū)域標(biāo)記，并提取各個(gè)連通區(qū)域的一些基 本特征。所提取的區(qū)域基本屬性包括區(qū)域總行數(shù)，每行最左端在圖像中 的位置坐標(biāo)，每行的長(zhǎng)度，區(qū)域面積。通過(guò)這些信息就可以計(jì)算以后本發(fā) 明所定義的一些區(qū)域描述特征。
域標(biāo)記和特征提取流程如下
步驟是
a.進(jìn)行初始化工作，即把行標(biāo)HANG指向起始行，初始化區(qū)域?qū)傩约拇嫫鳌. 掃描圖像第HANG行數(shù)據(jù)，如果某給定象素大于O，并記錄；
c. 檢査該象素周圍象素是否被標(biāo)記過(guò)，如果沒(méi)有，賦予一個(gè)新的標(biāo)號(hào)，
將區(qū)域總標(biāo)號(hào)加l;否則，將其標(biāo)記為周圍領(lǐng)域被標(biāo)記象素的標(biāo)號(hào)最小值；
d. 重新計(jì)算并更新該標(biāo)號(hào)所屬區(qū)域的屬性，如各行起始位置，行長(zhǎng)， 中止位置等。
e. 判斷是否掃描結(jié)束，如未結(jié)束，掃描下一個(gè)象素；否則，繼續(xù)執(zhí)行
f. 同屬于一個(gè)區(qū)域，但是被分別標(biāo)記的各個(gè)子區(qū)域重新更新標(biāo)號(hào)，并 重新計(jì)算區(qū)域基本屬性，如各行起始位置，行長(zhǎng)，中止位置等。
4. 特征提取
提取各個(gè)區(qū)域特征，得到區(qū)域分割后的標(biāo)記圖像，及各個(gè)區(qū)域的基本 特征之后，本發(fā)明要對(duì)各個(gè)區(qū)域計(jì)算本發(fā)明之前所定義的2種量綱屬性(區(qū) 域大小，區(qū)域最大長(zhǎng)度)，6種非量綱屬性(區(qū)域長(zhǎng)寬比，區(qū)域平均行長(zhǎng)方 差，區(qū)域內(nèi)灰度方差，中心點(diǎn)擬合方差，中心矩形比例，以及區(qū)域復(fù)雜度 隸屬度)，以及l(fā)種目標(biāo)校驗(yàn)屬性(質(zhì)心坐標(biāo))總共9種屬性。
5. 基于投票(Voting)方式的目標(biāo)候選區(qū)域識(shí)別
假定某區(qū)域?yàn)椤?，《=l...roto/7VMw，其中Total表示區(qū)域的總數(shù)目；則 該區(qū)域內(nèi)的屬性分別為Av，F(xiàn)2v,K 。這樣本發(fā)明得到所有區(qū)域?qū)傩缘臄?shù)組 《,,，x=1...9表示屬性數(shù)，y二l…7bto/A^m表示區(qū)域數(shù)。
本發(fā)明對(duì)區(qū)域?qū)傩詳?shù)組按行排序，每行表示此種屬性在各個(gè)區(qū)域上的 值的排序。本發(fā)明按順序設(shè)定動(dòng)態(tài)閥值，這里本發(fā)明丁=5，即本發(fā)明只保 留每種屬性的前5個(gè)區(qū)域。此過(guò)程相當(dāng)于用每種屬性分別處理二值圖像， 可以剔除Total — 5個(gè)區(qū)域，而剩下保留的5個(gè)區(qū)域。然后本發(fā)明對(duì)每個(gè)區(qū)
域的屬性求和i^,P義i^，如果i^斜，則該區(qū)域?yàn)槟繕?biāo)候選區(qū)域；否則，
該區(qū)域不是目標(biāo)候4k域，疑似區(qū)域識(shí)別結(jié)果如圖3 (c)所示。
6. 結(jié)合先驗(yàn)知識(shí)對(duì)精確目標(biāo)識(shí)別
結(jié)合目標(biāo)區(qū)域先驗(yàn)知識(shí)，以及目標(biāo)校驗(yàn)屬性，從剩下的疑似目標(biāo)區(qū)域 中提出非目標(biāo)區(qū)域，并對(duì)目標(biāo)區(qū)域進(jìn)行精確識(shí)別，最終結(jié)果如圖3 (d)所 示。其中，圖4 (a) ~ (d)給出了本發(fā)明在不同視角的處理結(jié)果。
本發(fā)明改變了以往利用2D圖像的傳統(tǒng)分割方法，提出了利用1D圖像 信息來(lái)恢復(fù)和分割2D紅外圖像的新方法。設(shè)計(jì)了一種簡(jiǎn)單，實(shí)時(shí)，準(zhǔn)確的 1D圖像分割方法，利用Harr小波通過(guò)對(duì)1D信號(hào)的強(qiáng)化和提取，實(shí)現(xiàn)對(duì) 2D圖像分割的目的。從理論仿真和實(shí)際試驗(yàn)來(lái)看，該方法具有魯棒性強(qiáng)， 準(zhǔn)確性高，實(shí)時(shí)性好等優(yōu)點(diǎn)。
權(quán)利要求
1.一種紅外圖像目標(biāo)識(shí)別方法，其特征在于利用一維圖像處理的思想解決二維紅外圖像分割的技術(shù)問(wèn)題，即將循環(huán)分割處理的每一行圖像像素合成二維二值圖像；具體步驟1)通過(guò)多尺度小波變換方法對(duì)紅外圖像待識(shí)別目標(biāo)進(jìn)行增強(qiáng)；2)通過(guò)對(duì)紅外圖像中凸性區(qū)域的提取，實(shí)現(xiàn)對(duì)各種成像條件下的紅外目標(biāo)的穩(wěn)定分割，每次處理一行像素，將處理結(jié)果合成與原來(lái)圖像尺寸一致的二維二值圖像；3)對(duì)分割后的圖像進(jìn)行二值圖像連通標(biāo)記同時(shí)提取基本特征，然后在此基礎(chǔ)上定義待提取特征，并利用基本特征計(jì)算特征抽取；4)利用投票的方法確定候選目標(biāo)區(qū)域；5)結(jié)合待識(shí)別目標(biāo)的先驗(yàn)知識(shí)進(jìn)行精確識(shí)別，從候選目標(biāo)中確定最終目標(biāo)。
2. 按照權(quán)利要求l所述紅外圖像目標(biāo)識(shí)別方法，其特征在于所述多 尺度小波變換方法對(duì)紅外圖像進(jìn)行增強(qiáng)的步驟為用Haar小波對(duì)每一行圖 像分別進(jìn)行多維分解，分解為低頻和高頻部分，利用中值濾波的方法對(duì)高 頻部進(jìn)行中值濾波，消除噪聲影響；然后通過(guò)Haar反變換，將一維圖像信 號(hào)還原。
3. 按照權(quán)利要求l所述紅外圖像目標(biāo)識(shí)別方法，其特征在于所述對(duì) 紅外圖像中凸性區(qū)域的提取步驟為對(duì)多尺度小波增強(qiáng)后的圖像提取梯度信息，以上升區(qū)域和下降區(qū)域的區(qū)間間隔G^為凸性區(qū)域目標(biāo)區(qū)域，令其為 1，其余部分為0，由此獲得一維圖像的二值圖像。
4. 按照權(quán)利要求l所述紅外圖像目標(biāo)識(shí)別方法，其特征在于梯度大 于0為上升區(qū)域，梯度小于0為下降區(qū)域。
5. 按照權(quán)利要求l所述紅外圖像目標(biāo)識(shí)別方法，其特征在于所述對(duì) 分割后的圖像進(jìn)行二值圖像連通標(biāo)記同時(shí)提取基本特征具體步驟為基于 并査結(jié)構(gòu)的標(biāo)記算法，將基本特征提取與二值圖像連通標(biāo)記相結(jié)合，通過(guò) 只對(duì)圖像進(jìn)行一次掃描實(shí)現(xiàn)連通區(qū)域標(biāo)記，并且在標(biāo)記二值連通區(qū)域的同 時(shí)計(jì)算該區(qū)域內(nèi)的一些基本區(qū)域特征，通過(guò)第一次掃描確定并査結(jié)構(gòu)中樹 的唯一根節(jié)點(diǎn)，利用掃描根節(jié)點(diǎn)列表將大根節(jié)點(diǎn)的子節(jié)點(diǎn)進(jìn)行歸類，從而 實(shí)現(xiàn)了 二值圖像連通標(biāo)記同時(shí)提取基本特征。
6. 按照權(quán)利要求5所述紅外圖像目標(biāo)識(shí)別方法，其特征在于所述基 本區(qū)域特征包括行寬，列長(zhǎng)，行坐標(biāo)，列坐標(biāo)，區(qū)域大小及質(zhì)心位置。
7. 按照權(quán)利要求l所述紅外圖像目標(biāo)識(shí)別方法，其特征在于所述待 提取區(qū)域特征的定義包括屬性跟圖像大小、分辨率等因素有關(guān)，會(huì)隨圖像 大小的變化而改變的量綱性的特征描述方式，屬性與圖像大小、分辨率等 因素?zé)o關(guān)，只與區(qū)域自身的形狀、方向等有關(guān)，不隨圖像大小改變而變化 的非量綱性的特征，以及目標(biāo)校驗(yàn)屬性特征。
8.按照權(quán)利要求7所述紅外圖像目標(biāo)識(shí)別方法，其特征在于其中所 述量綱性特征包括區(qū)土或大小(Fl): 人1 ;區(qū)域最大長(zhǎng)度(F2): 丄,加jmaxll丄、,昌igo^園igl丄,PX/ ;其中sl,s2是區(qū)域中兩點(diǎn)的標(biāo)號(hào)；L， P分別表示圖像的橫坐標(biāo)和縱坐 標(biāo)，R表示某個(gè)標(biāo)記區(qū)域。
9.按照權(quán)利要求7所述紅外圖像目標(biāo)識(shí)別方法，其特征在于其中所述非量綱特征包括長(zhǎng)寬比(F3): U max(他/gfa)，式中；max(height)指區(qū)域的最大max(丄e/7g/7/ (ra>v))高度，max(length(row))指區(qū)域中行最大長(zhǎng)度； 一 人1平均行長(zhǎng)方差(F4): ，> ;則區(qū)域內(nèi)灰度方差(F5):似—人4輝(丄,戶)綠，p人k，/丄,尸)圍Mc其中^指區(qū)域的總行數(shù)，M^指區(qū)域的平均行長(zhǎng)，《，所求的平均行長(zhǎng)方差；M—指區(qū)域內(nèi)的平均灰度值，多—是指灰度方差，^輝(丄，P)為紅外灰度圖像；中心點(diǎn)擬合方差(F6):令MWPK丄，P)表示區(qū)域R每行的中點(diǎn)坐標(biāo)，利用直線擬合方法計(jì)算所有屬于區(qū)域R的行中點(diǎn)擬合出的直線方程式為-0* ，則中心點(diǎn)擬合方差式為碌融p人 w fl6圍jv)2 ，其中"，J，)醇w指某行中點(diǎn)的值；Re",細(xì)承max(服洲 中心矩形比例(F7): ^， ；區(qū)域復(fù)雜度隸屬度函數(shù)設(shè)區(qū)域邊長(zhǎng)為1,區(qū)域面積為m,面積閾值為Tm，則復(fù)雜度的隸屬度函數(shù)為(F8):斷l(xiāng)^:"、#目標(biāo)校驗(yàn)屬性特征如下區(qū)i或質(zhì)心 人丄 》P"^人尸。^削(i闊 爿層(丄,尸w)
10.按照權(quán)利要求9所述紅外圖像目標(biāo)識(shí)別方法，其特征在于所述 灰度方差采用采用絕對(duì)值代替平方計(jì)算。
11. 按照權(quán)利要求7所述紅外圖像目標(biāo)識(shí)別方法，其特征在于目標(biāo)<formula>formula see original document page 4</formula>
12. 按照權(quán)利要求1所述紅外圖像目標(biāo)識(shí)別方法，其特征在于所述 基于投票方式的目標(biāo)候選區(qū)域識(shí)別指由量綱特征和非量綱特征得到一個(gè) 屬性矩陣<formula>formula see original document page 4</formula>式中7bto/A^w指區(qū)域總數(shù)；然后分別對(duì)每行進(jìn)行排序，保留前T個(gè)區(qū)域，而后面的區(qū)域總數(shù)-T個(gè)區(qū)域剔除， 如果某個(gè)區(qū)域的屬性&,被保留，本發(fā)明令/^,W，否則，i^P0;然后對(duì)每個(gè)區(qū)域的屬性求和/^pii^，如果尸凡斜，則該區(qū)域?yàn)槟繕?biāo)候選區(qū)域；否則，該區(qū)域不是目標(biāo)候選i:域，從而實(shí)現(xiàn)了目標(biāo)候選區(qū)域識(shí)別。
13. 按照權(quán)利要求1所述紅外圖像目標(biāo)識(shí)別方法，其特征在于所述 結(jié)合先驗(yàn)知識(shí)對(duì)精確目標(biāo)識(shí)別具體步驟為結(jié)合目標(biāo)區(qū)域的先驗(yàn)知識(shí)，獲 取目標(biāo)的真實(shí)長(zhǎng)度、寬度、角度等先驗(yàn)形狀信息；通過(guò)成像變換原理，得 到目標(biāo)區(qū)域在紅外圖像中成像的象素長(zhǎng)度、寬度、可能姿態(tài)角度；利用這 些信息從候選疑似區(qū)域中排除非目標(biāo)區(qū)域；并利用目標(biāo)校驗(yàn)屬性，對(duì)最后 的區(qū)域進(jìn)行校驗(yàn)，最終準(zhǔn)確識(shí)別出目標(biāo)區(qū)域。
全文摘要
本發(fā)明公開一種紅外圖像目標(biāo)識(shí)別方法。它利用一維圖像處理的思想解決二維紅外圖像分割的技術(shù)問(wèn)題，即將循環(huán)分割處理的每一行圖像像素合成二維二值圖像；具體步驟1)通過(guò)多尺度小波變換方法對(duì)紅外圖像進(jìn)行增強(qiáng)；2)利用對(duì)紅外圖像中凸性區(qū)域的提取，實(shí)現(xiàn)對(duì)各種成像條件下的紅外目標(biāo)的穩(wěn)定分割，每次處理一行像素，將處理結(jié)果合成與原來(lái)圖像尺寸一致的二維二值圖像；3)然后對(duì)分割后的圖像進(jìn)行二值圖像連通標(biāo)記同時(shí)提取基本特征，然后在此基礎(chǔ)上定義待提取特征，并利用基本特征計(jì)算特征抽??；4)并利用投票的方法確定候選目標(biāo)區(qū)域，最終結(jié)合待識(shí)別目標(biāo)的先驗(yàn)知識(shí)進(jìn)行精確識(shí)別，從候選目標(biāo)中確定最終目標(biāo)。本發(fā)明具有準(zhǔn)確性，實(shí)時(shí)性和魯棒性。
文檔編號(hào)G06K9/00GK101551851SQ20081001084
公開日2009年10月7日 申請(qǐng)日期2008年3月31日 優(yōu)先權(quán)日2008年3月31日
發(fā)明者楊 叢, 唐延?xùn)|, 李小毛, 王智峰, 范惠杰 申請(qǐng)人:中國(guó)科學(xué)院沈陽(yáng)自動(dòng)化研究所