基于小波提升变模板视频多尺度目标识别.docVIP

基于小波提升变模板视频多尺度目标识别 　　摘要：为了快速有效地解决图像序列中移动目标的识别定位，提出了一种基于互相关的目标检测算法。该算法经小波提升建立低分辨率子图，通过快速的互相关检测，在高分辨率原图中建立紧凑ROI。为了适应运动目标变形，整个检测过程以互相关运算极大值为依据，更新目标模板。实验结果表明，在满足检测速度的同时，算法对目标的识别有较高的精度与鲁棒性。 　　关键词：机器人；目标识别；小波变换；提升算法 　　中图分类号：TP391．4文献标志码：A 　　文章编号：1001-3695(2007)12-0390-03 　　 　　随着信号处理理论和计算机技术的发展，机器视觉技术正得到广泛深入的研究，在无人驾驶飞机、自动行驶车辆、移动机器人中都有成功的应用[1，2]。文献[3]将机器视觉应用于高压电瓷瓶检测，采用视觉伺服控制导引机器人完成瓷瓶清扫。文献[4]预先建立场景数据库，应用机器视觉对当前场景作出判断，进而确定机器人位置。文献[5~7]通过色彩分割、边缘检测、Hough变换等方法对道路进行识别，建立了基于视觉的车辆自动（或辅助）驾驶系统。视频对象跟踪技术是机器视觉领域中一项非常重要的研究课题。图像序列以时间顺序记录了场景变化信息，通过识别目标的位置计算其运动轨迹，从而导引移动机器实现对目标的跟踪。 　　常见的视频二维目标检测算法有基于背景图像与当前帧差分的算法和视频帧间差分的算法[8]。它们虽然适用于运动目标检测，但差分方法只能给出图像序列中最为广泛的物体运动状态，而无法识别某一特定目标。同时，基于背景图像的差分方法还需预先获得场景信息，从而极大地限制其适用范围。另外，差分方法对于光照变化、目标静止、物体遮挡也会产生错误的检测结果。文献[8]通过视频的前??N??帧来构建初始化背景，应用当前图像与背景图像差分来获得运动前景。但该方法并不适用于特定目标识别。如果目标从第一帧就开始出现并始终保持静止，则该方法无法检测出目标的存在。文献[9]采用了一种基于模板的目标检测方法，以图像R、G、B色彩分量直方图0阶矩构成特征矢量；最后计算待检测图和模板的欧氏距离，判定图像相似程度。通过模板匹配方法，可以很好地检测图像中目标存在的状态，克服了差分法的不足。 　　基于以上分析，本文应用小波提升方法，将物体识别的全局搜索算法具体为多尺度图像全局互相关搜索的方法。在互相关检测过程中加入了模板更新环节，保证互相关运算极大值能够始终维持在较高水平，实现了对运动目标的准确跟踪。 　　 　　1算法原理 　　 　　1)图像预处理通过小波提升算法降低图像序列中待检测图像与目标模板的分辨率，将小尺寸的图像传递给目标定位环节。这将大大减少互相关检测的计算量。 　　2)目标粗定位对经过小波处理的模板在低尺度图像中进行全局匹配，通过检测互相关极大值点坐标位置实现目标低精度定位。 　　3)目标精确定位由于在低尺度图像得到的定位信息往往不够精确，将粗定位的位置信息映射至原图像序列，建立高分辨率图像紧凑ROI，既减少了检测面积，缩短了检测时间，又获得了高精度的定位信息。 　　4)模板更新对每次粗定位环节获得的互相关极大值进行阈值检测。当极大值不低于设定阈值时，保留互相关模板；否则在当前高分辨率检测图像中对目标进行重新取样，更新模板。这样既可以始终将互相关维持在一个较高水平，同时又不至于过分频繁地更新模板。整个算法流程如图1所示。 　　1．1互相关的模板匹配 　　对于特定目标的识别，基于模板的物体检测则可以很好地解决图像差分法无法解决的问题。 　　假定有一个模板??g(i, j)，希望检测图像f(i, j)??中的模板情况。显而易见，将模板放置在图像的某一个位置，通过比较模板的亮度值和图像中对应值，可以检测模板在哪一个位置存在。本文采用了互相关(correlation)算法，移动模板并在图像中的每一点使用匹配测度；最后找到匹配测量值的最大值。互相关算法匹配测量值??M??的表达式为 　　 　　3结束语 　　 　　本文通过提升小波对模板与检测图像进行整数变换，降低了模板与检测图像的分辨率，大幅度减少了互相关检测的计算量，从而使全局检测成为可能。建立高分辨率图像紧凑ROI以及模板更新环节均保证了物体识别定位的精度水平。经过实验证明，本算法可以准确地对跟踪目标进行识别定位，定位精度较之固定模板、单次互相关检测方法有较大提高。 　　 　　参考文献： 　　??[1]CLERENTIN A, DELAHOCHE L, BRASSART E, ??et al.?? Self localization:a new uncertainty propagation architecture [J].Robotics and Auto