一種基于投票線聚類的圓形目標檢測方法
【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檢測方法，屬于計算機視覺【技術領域】，特別是涉及圖像中的目標檢測技術。該方法利用邊界點的灰度梯度方向，構建參數(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的方法迅速得到最佳參數(shù)，既提高了圓形目標檢測的準確性，又保證了檢測的效率。
【專利說明】-種基于投票線聚類的圓形目標檢測方法

【技術領域】
[0001] 本發(fā)明屬于計算機視覺【技術領域】，涉及圖像中的目標檢測技術。

【背景技術】
[0002] 目標檢測是近年來計算機視覺領域研究的熱門問題之一，它是指在各類圖像中準 確快速地找到具有某種特定特征的目標，是實現(xiàn)計算機視覺和人工智能的重要基礎。其中， 圓形目標檢測是該領域的一個重要研究問題，其廣泛應用包括自然場景中的圓形物體檢 測，人臉識別中的人眼定位，以及工業(yè)自動化中的圓形工件檢測?，F(xiàn)有的圓形檢測方法主要 包括兩個大類：1.基于最大似然估計的圓形檢測方法和2.基于投票的圓形檢測方法。
[0003] 基于最大似然估計的圓形目標檢測方法是利用最大似然估計的基本原理建立 關于圓形目標中心位置和半徑的參數(shù)的估計模型，并通過最小二乘方法求解參數(shù)參見 文獻 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。 為了提高圓形目標檢測的準確性，可以利用基于卷積的最大似然估計方法，并利用圓形 目標和背景特征的先驗知識進行圓形目標檢測。參見文獻：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。 通過上述兩個策略，能在某些特定應用中提高圓形目標檢測的效率和準確性。然而，最大似 然估計方法的最大問題在于針對所有邊界點構建最大似然的目標函數(shù)，噪聲點和非圓形目 標的邊界點會影響檢測結果的準確性。
[0004] 基于投票的圓形目標檢測方法，相對于最大似然估計方法有很強的魯棒性。它 通過在由圓心坐標和圓半徑構成的三維的參數(shù)空間進行投票，最后將得票數(shù)最多的參數(shù) 作為檢測的圓形參數(shù)。該方法為目前最通用的圓形檢測方法，但其缺點在于需要對所有 可能的假設參數(shù)進行投票統(tǒng)計，運算復雜度過高導致檢測速度慢。詳見文獻：Hough，Paul VC，Method and Means for Recognizing Complex Patterns，US Patent，3069654, 1962。 同時，有很多基于投票的圓形檢測改進方法提出，這些方法都旨在提高檢測的速度和精 度。改進方法包括選取邊界點的子集進行投票，利用灰度梯度方向加速投票過程和利用 灰度梯度計算圓周邊界點曲率進而進行投票。這些都在一定程度上提高了原有基于哈 夫變換的圓形目標檢測方法的速度，但都造成了檢測精度的下降。參見文獻：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 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)明內容】

[0005] 本發(fā)明的任務是提供一種基于投票線聚類的圓形目標檢測方法。該方法利用邊界 點的灰度梯度方向，構建參數(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的方法迅速得 到最佳參數(shù)，既提高了圓形目標檢測的準確性，又保證了檢測的效率。
[0006] 為了方便地描述本
【發(fā)明內容】
，首先對一些術語進行定義。
[0007] 定義1 :圓形目標，在各類圖像中外觀為圓形的物體。該類物體通常由3個參數(shù)決 定其在圖像中的位置和大小。這三個參數(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，y。表示中心縱坐標。
[0008] 定義2 :圓形目標檢測，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X。和縱坐標y。，以及半徑r。。
[0009] 定義3 :邊緣圖像，用于標識原始數(shù)字圖像中亮度變化明顯的點所形成的與原始 圖像大小相同的二值圖像，在邊緣圖像中，"1"表示邊緣點即原始圖像中亮度變化明顯的 點，" 〇 "表示非邊緣點即原始圖像中亮度變化不明顯的點。
[0010] 定義4:邊界點，在邊緣圖像中，值為"1"的像素點，用于表征原始圖像中亮度變化 明顯的點所在的位置。
[0011] 定義5 :灰度值，指黑白圖像中點的顏色深度，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、圖像識別領域有很廣泛的用途。
[0012] 定義6 :Cany算子，Canny邊緣檢測算子是John F. Canny于1986年開發(fā)出來的一 個多級邊緣檢測算法。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，沿水平方向計算兩個相鄰像素點 灰度值的差，該差值稱為沿水平方向的梯度。類似的，計算沿垂直方向兩個相鄰像素點的灰 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，對于數(shù)字圖像中的任意像素點，可以計算該像素點沿哪一方向 灰度值增大最快，該方向被定義為梯度方向。梯度方向的計算可以通過沿水平和垂直方向 的梯度計算得到，具體的計算公式為:中(辦力）=其中(Xi，yi)表示任一像 素點的坐標位置，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，圓形目標的形狀是由中心位置的橫坐標x。，縱坐標y。和半徑 rc三個參數(shù)共同決定的，由以上三個參數(shù)構成的三維空間稱為圓參數(shù)空間。
[0016] 定義10 :投票線，對于邊緣圖像中的任意一個邊界點，我們根據(jù)邊界點的位置和 灰度梯度的方向，可以計算出該邊界點若為圓形物體邊界的條件下，此圓形物體所對應的 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)是一種關于統(tǒng)計模型中的參數(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)是概率論中的一個結論，它和 隨機變量的條件概率以及邊緣概率分布有關。貝葉斯定理的原始形式是關于隨機事件A和 B的條件概率（或邊緣概率）的，可以表示為 ：
[0019]

【權利要求】
1. 一種基于投票線聚類的圓形目標檢測方法，該方法包括： 步驟1 :對需要進行圓形目標檢測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:計算邊緣圖像上任意一坐標位置為（Xi，yi)的邊界點的梯度方向物*這里用 Pi = 表示該邊界點； 步驟3 :對于任意一邊界點Pi，可知該點如果在圓周上，其對應的圓形中心坐標（Xc;，y。） 與邊界點位置（Xi，yi)的關系為： xc = - rcoscp〇 Yc = };i. !''Sincpf; 其中！表示對應的圓形的半徑，根據(jù)該關系，構建第i個邊界點.Pi = 對應的 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，這是針對邊界點的灰 度梯度方向是沿圓心遠離圓周的方向，若實際實際情況為邊界點的梯度方向沿圓周指向圓 心方向，則假設r小于零； 步驟4:計算任意兩個坐標位置為（Xi，yi)和（Xj，yj)的邊界Ap i和Pj屬于同一個圓 形物體邊界的概率P(〇y = ，該概率與兩邊界點Pi和h對應的投票線Ii和L之間 的最短距離有關，具體計算公式為：
其中：P(〇y = 表示邊界點（X^yi)和（Xj，yj)屬于同一個圓形物體的概率，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，兩焦點之間的距離I Ib-xJ I2實質為投票線Ii和投票線Ij 之間的最短距離，
為消除檢測圓形大小對檢測結果影響的歸一化系數(shù)，C為保證 概率計算結果P(Ol7=^PoPi)為有效概率值的常系數(shù)，t和T為控制算法檢測精度和承受 形變魯棒性的常數(shù)，根據(jù)實際應用中對檢測精度魯棒性的要求設置T的值，t和T的值越 大承受形變的魯棒性越強，而檢測精度越低，反之亦然； 步驟5 :計算已知邊界點Pi和h屬于同一個圓形物體邊界條件下，該圓形目標的參數(shù) 為0 = {Xyy。，！"。}的似然P_0y= 這里Oij用于指示邊界點Pi和Pj是否在同 一圓周上的變量，〇表示兩個邊界點在同一圓周的假設，該似然具體的計算公式為： p(e\〇u = o,Pi,Pj) = JfieixijtGijI) 其中，^?為兩交點 Xij = (Xij^j,!Tij)1 和 Xji = (Xjpyj^rji)T 的中點

這里w為尺度因子（為一常數(shù)），具體取值根據(jù)實際檢測中對形變魯棒性的 要求設定，W的值越大對物體形變的魯棒性越大； 步驟6:計算任意兩邊界點？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中計算的結果，利用所有邊界點對不同的圓形參數(shù)進行成對投票， 該概率成對投票的累加公式為：
其中：N為邊界圖像中邊界點的個數(shù)，令p(〇y = 〇|Pi,P/)=，，該累加和可以進一步 化簡為：
由上述表達是可以看出S(0,O)滿足混合高斯分布； 步驟8 :計算成對概率投票累加和S(SW)的最大值點所對應的參數(shù)0，從而得到各圓 的中心和半徑。
2.如權利要求1所述的一種基于投票線聚類的圓形目標檢測方法，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：對于坐標位置為（Xi，yi)邊界點，在灰度圖像上計算 該點沿水平方向的灰度梯度y￡)， yd = Iixi + I,yd - KxitJi)-, 步驟2-2 :計算該點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)為邊界點在圖像中的位置坐標，l(Xi，yi)為坐標值為（ Xi，yi)的邊界點的 灰度值，WxWyi)表示該點水平方向的灰度梯度值,Wy(x^).為該點垂直方向的灰度梯 度值。 步驟2-3:該點的梯度方向_
3.如權利要求1所述的一種基于投票線聚類的圓形目標檢測方法，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方法計算S(0,O〕的最大值點所對應的參數(shù)0， 在用梯度上升方法時起始點的設置為S(0,〇)表達式中每一個混合高斯的中心。
【文檔編號】G06T7/00GK104331885SQ201410594453
【公開日】2015年2月4日 申請日期:2014年10月29日 優(yōu)先權日:2014年10月29日
【發(fā)明者】潘力立 申請人:電子科技大學