CN102279973A - 基于高梯度关键点的海天线检测方法 - Google Patents

Abstract

本发明公开了一种基于高梯度关键点的海天线检测方法，适用于海上舰船目标识别与定位装置。本发明基于视觉信息的高效注意机制，首先通过采用递推优化算法和变分辨率采样技术，获得图像列上的高梯度关键点的统计集合，并对该统计集合进行最小二乘法直线拟合，将统计集合中不满足距离阈值条件的局外点剔除后获得高梯度关键点的精选集合，对精选集合重新进行最小二乘法直线拟合后，将同时满足自适应数量阈值和线性相关阈值的高梯度关键点精选集合判定为海天线。本发明解决了在复杂海面环境中有效、精确、实时检测海天线的问题，并具有抗干扰能力强、计算效率高的特点。

Description

基于高梯度关键点的海天线检测方法

技术领域

本发明属于图像处理与计算机视觉领域，主要涉及一种海上目标图像识别方法，尤其涉及一种用于海上目标识别与定位的海天线检测方法。

背景技术

我国具有绵长的海岸线和广阔的海洋国土，在中国近代史上，我们“有海无防”，但在二十一世纪的今天，我国海军信息化技术存在落后的现状，仍然导致我们“有海难防”，不能适应现代化信息战争下保卫我国神圣海洋国土的需要。在这种背景下，研究海上目标图像识别技术，实现先进的信息处理技术是未来高科技战争的迫切需要。在海洋军事领域中，海上目标是重要的军事目标，也是侦察和打击的主要对象，而远距离海上目标通常都是出现在海天线附近，通过检测海天线可以将目标进行潜在区域定位，缩小了目标搜索的范围，减小了目标识别的计算量，因此海天线检测是海上目标识别的前提和关键，海天线检测技术的研究具有非常重要的军事意义。

在海面远距离平视状态下，海面舰船目标成像一般分为三个区域：天空区域、海天线区域、海面区域。远距离的目标若是出现，则一定处于海天线区域中。因此为了确定海天线区域，通过检测海天线，可以确定目标出现的位置。针对上述特点，通过确定海天线区域，对于减少后续海空背景图像的目标检测以及定位等工作的计算量、抑制海天线区域外不必要的噪声及假目标的干扰具有重要的意义。

海面和天空连接处是灰度变化较大的区域，因而海天线是灰度梯度变化较大点的连线。由于海天线一般情况下是一条亮度由高(天空)到低(海面)的渐变带，并且通常都有一定的倾斜度，因此可以将其细化、拟合为一条直线。

近年来有许多学者开展了海天线检测方法的研究，但传统的算法主要采用图像分割方法进行检测。中国期刊《应用科技》2006，Vol.33，No.6，pp.96-98刊登了一篇题为“复杂海天线区域检测算法研究”的论文，作者谢红等人在该论文中公开了其采用最大类间方差法(OTSU)进行海天线检测的研究成果，图1给出了采用该检测方法的实验结果。图1(a)为原始图像，图1(b)为最大类间方差法OSTU阈值分割图像，图1(c)为在原始图像上叠加OSTU分割线。由图1可见，采用最大类间方差法进行海天线的检测并不理想，这是因为它是一种整体的阈值分割方法，它通过整个图像的灰度分布特性采用单一的阈值进行图像分割，这决定了它的抗噪能力较差。对整幅图像采用一个整体的阈值进行分割，在很多情况下会出现意想不到的结果，尤其可能会使部分海天线偏差严重，如图1(c)上的右半部分就出现了严重偏差。由于采用最大类间方差法进行阈值分割后，难以检测到理想的海天线。因此，要实现有效的海天线检测必须研究和寻找更为有效、准确和实时的算法。

发明内容

本发明要解决的技术问题是，克服现有技术的不足，提出一种能够在复杂海面坏境中有效的、精确的、实时的、抗干扰能力强的海天线检测方法。

本发明的海天线检测方法包括以下步骤：

第一步，当接到海上舰船目标识别与定位装置发出的检测命令后，通过相应的传感器采集一帧分辨率为W*H的图像；

第二步，求取一帧图像中w列所对应的高梯度关键点p_i并组成高梯度关键点统计集合P＝{p₁，p₂，…，p_w}，其中：高梯度关键点p_i在图像中的位置为(x_i，y_i)，i＝1，2，…，w，且w≤W，所述高梯度关键点p_i在同一列上的相邻两条线段L₁和L₂之间具有最大灰度值平均值之差，所述相邻两条线段L₁和L₂各含有M个像素点，且M远小于H；

第三步，根据下式计算所述高梯度关键点统计集合P＝{p₁，p₂，…，p_w}的最小二乘法拟合直线的相关参数：

$\left\{\begin{array}{c}k=\frac{L_{\mathrm{xy}}}{L_{\mathrm{xx}}}=\frac{\underset{i=0}{\overset{w-1}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\underset{i=0}{\overset{w-1}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}\\ b=\stackrel{\‾}{y}-a\stackrel{\‾}{x}\end{array}\right.$

其中：

i＝1，2，…，w

式中，k、b分别是拟合直线y(x)＝kx+b的斜率和截矩；

第四步，根据下式计算所述高梯度关键点统计集合中每一个高梯度关键点P_i离所拟合直线y(x)＝kx+b的距离dist：

$\mathrm{dist}=\frac{\mathrm{kx}-y+b}{\sqrt{k^2+1}}$

第五步，将获得的每个高梯度关键点p_i距拟合直线的距离dist与距离阈值D进行比较，用满足dist＜D的高梯度关键点p_i组成高梯度关键点精选集合P＝{p₁，p₂，…，p_n}，其中p_i＝(x_i，y_i)，i＝1，2，…，n，且n≤w；

第六步，判断所述高梯度关键点精选集合中的高梯度关键点的数量n是否满足自适应数量阈值N，即n＞N，若为是，进行第七步，若为否，则向海上舰船目标识别与定位装置输出原始图像并转到第十步；

第七步，根据下式计算所述高梯度关键点精选集合P＝{p₁，p₂，…，p_n}的最小二乘法拟合直线的相关参数：

$\left\{\begin{array}{c}{k}_1=\frac{L_{\mathrm{xy}}}{L_{\mathrm{xx}}}=\frac{\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}\\ b_1=\stackrel{\‾}{y}-a\stackrel{\‾}{x}\end{array}\right.$

其中： $\stackrel{\‾}{x}=\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{x}_i/n$

$\stackrel{\‾}{y}=\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{y}_i/n$

式中，k₁、b₁分别是拟合直线y(x)＝k₁x+b₁的斜率和截矩；

第八步，根据下式计算所述高梯度关键点精选集合P＝{p₁，p₂，…，p_n}最小二乘法拟合直线的线性相关系数r：

$r=\frac{{L:}_{\mathrm{xy}}}{\sqrt{L_{\mathrm{xx}}{L}_{\mathrm{yy}}}}$

其中， $L_{\mathrm{xx}}=\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2$

$L_{\mathrm{yy}}=\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{(y_i-\stackrel{\_}{y})}^2$

$L_{\mathrm{xy}}=\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})$

将线性相关系数r与线性相关阈值R进行比较，若r＞R，判定高梯度关键点精选集合P＝{p₁，p₂，…，p_n}为检测到的海天线并进行下一步，否则向海上舰船目标识别与定位装置输出原始图像并转到第十步；

第九步，在所述的一帧图像上用直线标绘出海天线，并向海上舰船目标识别与定位装置输出该帧图像；

第十步，判断有无关机命令，若为否，则重复第一步至第九步，若为是，结束检测。

根据本发明，求取所述高梯度关键点p_i的具体步骤为：计算第i列中H个像素点的两条相邻线段L₁和L₂的灰度值平均值之差，首次计算采用以下公式：

$d_1=\frac{\underset{j=1}{\overset{M}{\mathrm{\Σ}}}f\left(L_2\left(j\right)\right)-\underset{j=1}{\overset{M}{\mathrm{\Σ}}}f\left(L_1\left(j\right)\right)}{M}$

式中，f(L₁(j))、f(L₂(j))分别为第1个像素点相邻两条线段L₁和L₂上的像素点L₁(j)和L₂(j)所对应的灰度值；d₁为第1个像素点相邻两条线段L₁和L₂的灰度值平均值之差；第二次及以后计算采用以下公式：

$d_j=d_{j-1}+\frac{f_{\mathrm{new}}-f_{\mathrm{old}}}{M},$ j＝2，3，…，H

式中，f_new为第j个像素点相邻两条线段L₁和L₂沿图像高度方向平移一个像素后新增像素点的灰度值，f_old为第j个像素点相邻两条线段L₁和L₂沿图像高度方向平移一个像素后剔除像素点的灰度值；d_j为第j个像素点相邻两条线段L₁和L₂之间的灰度值平均值之差；

当H个像素点全部计算完毕后，采用下式求解：

d_max＝max(d_j)，j＝1，2，…，H

d_max为该列最大灰度值平均值之差，其所对应的像素点位置p_max(x_max，y_max)即为图像中该列的高梯度关键点位置。

根据本发明，作为所述高梯度关键点统计集合P＝{p₁，p₂，…，p_w}中的高梯度关键点p_i均匀分布在所述一帧图像的宽度上，且w＝W/m。

根据本发明，取所述距离阈值D为所述一帧图像高度H的5％；所述自适应数量阈值N为w的30％～60％；所述线性相关阈值R在0.8～0.9之间。

本发明的整体技术效果体现在以下几个方面。

(1)本发明基于视觉信息的高效注意机制，首先寻找一帧图像列中的高梯度关键点的统计集合，并对高梯度关键点统计集合进行最小二乘法直线拟合。通过剔除不满足距离阈值条件的局外点之后，获得高梯度关键点的精选集合。再对高梯度关键点精选集合重新进行最小二乘法直线拟合后，将同时满足自适应数量阈值和线性相关阈值的高梯度关键点精选集合判定为海天线，在该帧图像中对检测到的海天线进行标绘并随图像一起输出给海上舰船目标识别与定位装置。由于本发明的检测方法符合海天环境中的自然现实条件，因而，与其它现有海天线检测方法相比，本发明具有精度高、实时性好的特点。

(2)在本发明中，高梯度关键点的统计集合是采用递推优化算法，其基本做法是，在求取图像中高梯度关键点的每一列上，对每个点相邻的两线段的像素点灰度值不是进行全部的累加，而是按照从上向下平移的原理对比相邻两条线段上的灰度值差异，加上新增像素点的灰度值并减去平移后去掉像素点的灰度值。该递推优化算法避免了穷尽法所需要的巨大的计算量，很大程度上减少了本发明的计算代价。

(3)在本发明中，高梯度关键点的统计集合中高梯度关键点的数量是基于变分辨率采样技术确定的，即把一帧图像中的水平方向分辨率降低，不仅节省了计算时间，而且避免了海天线周围海面目标对检测算法的干扰。这样，即使图像非常大，经过变分辨率处理后海天线检测算法在计算量的要求上并没有多大改变，而且这种变分辨率的均匀采样方法并不会影响特征统计的准确性，反而在很大程度上提高了计算效率，而这对于实时的计算机视觉***来说是至关重要的。

(4)在本发明中，将自适应数量阈值设置为高梯度关键点统计集合中所含高梯度关键点数量的百分比，这种将判断高梯度关键点精选集合的自适应数量阈值设置成与高梯度关键点统计值相适应的方法，极大地增加了本发明海天线检测算法的自适应能力和灵活度，减少了海天线检测算法对图像大小和高梯度关键点统计个数的依赖性。

附图说明

图1是已有最大类间方差法图像分割的海天线检测实验结果。

图2是本发明海天线检测方法的操作流程图。

图3本发明中基于递推优化的高梯度关键点提取示意图。

图4是本发明中基于变分辨率采样的高梯度关键点选择示意图。

图5是基于多个高梯度关键点的最小二乘法海天线检测实验结果。

具体实施方式

下面结合附图及优选实施例对本发明作进一步的详述。

海天线在图像中表现为统计意义上图像灰度值急剧变化的一条线，海天线上的点通常是垂直于海天线的一列像素中图像灰度值统计意义上变化最大的点，这些点就是图像中的高梯度像素点，在本发明中称之为高梯度关键点。很多情况下，当目标位于海天线上或海天线附近时，相应位置在水平方向上的灰度梯度将显著变大，垂直方向上灰度梯度也有所变化，表现为目标的上、下边缘，而不再是海天线。这些变化导致海天线的直线性被破坏了。同样，大面积云团的存在，对海天线检测影响明显，因为云团也是灰度变化剧烈的地方，易使检测出的海天线偏向天空。另外，复杂的海面杂波也不同程度地混淆海天线的检测，特别是高梯度的海浪的边缘，会使检测到的海天线错位。

本发明优选实施例提供的海天线检测方法是通过装有存储器、图像采集卡和海天线检测软件包实现的。存储器中存放有距离阈值D、自适应数量阈值N和线性相关阈值R。海天线检测软件包的功能是，按照图2所示的工作流程完成海天线的实时检测，其检测过程包括以下三大部分内容。

一、获取高梯度关键点的统计集合

在计算机上电后，当接到海上舰船目标识别与定位装置给出的检测命令后，海天线检测软件包首先通过图像采集卡获取相应传感器采集到的一帧分辨率为W*H的图像，并采用递推优化算法和基于变分辨率采样技术计算该帧图像中的高梯度关键点统计集合P＝{p₁，p₂，…，p_w}且i＝1，2，…，w，高梯度关键点p_i在图像中的位置为(x_i，y_i)。

由于光学成像特性以及图像中噪声的影响，相邻两像素点之间的灰度值变化存在着很大的随机性。为了提高这些高梯度关键点p_i检测的准确性与可靠性，本发明通过计算某个像素点在同一列上两条相邻线段L₁和L₂的灰度值平均值来确定该列中的高梯度关键点(参见图3)。求解高梯度关键点p_i的具体实现步骤是，在一帧图像的第i列上，以第一个像素点为中心沿图像高度方向设置相邻的两条线段L₁和L₂，它们都各包括M个像素点。其中，M取为5～12之间，若M的取值过小，则可能检测出来的是噪声点；若M的取值过大，则可能检测不到高梯度关键点。在本优选实施例中，取M＝8。首次计算相邻两条线段L₁和L₂的灰度值平均值采用以下公式：

$d_1=\frac{\underset{j=1}{\overset{M}{\mathrm{\Σ}}}f\left(L_2\left(j\right)\right)-\underset{j=1}{\overset{M}{\mathrm{\Σ}}}f\left(L_1\left(j\right)\right)}{M}---\left(1\right)$

(1)式中，f(L₁(j))、f(L₂(j))分别为第1个像素点相邻两条线段L₁和L₂上的像素点L₁(j)和L₂(j)所对应的灰度值；d₁为第1个像素点相邻两条线段L₁和L₂的灰度值平均值之差。

由于图像的高度为H，则图像中的一列H个像素点中每个像素点都需要进行上述公式的计算，每一次计算需要作2×M次加法、1次减法和1次除法，其中加法计算占据主要计算时间。则每一列上H个点的加法计算为2×M×H次。为了节省计算时间，由于一列上某个像素点的相邻两条线段L₁和L₂在采用(1)式的计算中有N-1个点是重复的，只有一个像素点是需要重新加入的计算点，因此可以采用递推优化法进行计算，从而避免了穷尽法的巨大计算量。递推优化算法的基本思路是，在求取每一列上的高梯度关键点时，对每个像素点的相邻两线段L₁和L₂上的像素点灰度值不是进行全部的累加，而是按照将两条相邻线段从上向下平移一个像素的原理来对比相邻两条线段L₁和L₂上的差异，则第二次及以后计算相邻两条线段L₁和L₂的灰度值平均值采用以下公式：

$d_j=d_{j-1}+\frac{f_{\mathrm{new}}-f_{\mathrm{old}}}{M},$ j＝2，3，…，H    (2)

(2)式中，f_new为相邻两条线段L₁和L₂沿图像高度方向平移一个像素后新增像素点的灰度值，f_old为相邻两条线段L₁和L₂沿图像高度方向平移一个像素后剔除像素点的灰度值；d_j为第j个像素点相邻两条线段L₁和L₂之间的灰度值平均值之差。

当一列上H个像素点全部计算完毕后，则求解这一列上最大的灰度值平均值之差d_max：

d_max＝max(d_j)，j＝1，2，…，H                      (3)

通过(3)式寻找出的最大平均值之差d_max所对应的像素点位置p_max(x_max，y_max)即为图像中第j列的高梯度关键点位置。

在一帧图像中，其每一列都可以采用递推优化法求出一个高梯度关键点，以用于进行海天线的直线拟合。也就是说，对于图像宽度为W的一帧图像而言，就有W列需要进行上述递推优化计算，其计算量会非常大，同时，还会导致后续采用最小二乘法进行直线拟合的计算量也非常大。为此，本发明采用基于变分辨率的采样法选择部分列进行高梯度关键点的计算，以减少计算量，如图4所示。其具体的实现步骤是，将一帧图像的宽度W以间隔m个像素点进行等分获得w个点，即图3中水平方向实线和垂直方向实线的交点；那么，w就是本发明中需要进行特征统计的高梯度关键点的数量，换言之，本发明只是对w个点所在的列采用递推优化算法求解高梯度关键点。经此降分辨率处理，即使图像非常大，在减少m倍之后，其海天线检测的计算量与一般图像海天线检测的计算量相比并没有多大改变，而且这种变分辨率的均匀采样方法并不会影响特征统计的准确性，反而在很大程度上提高了计算效率，而这一点对于实时的计算机视觉***来说是至关重要的。在本优选实施例中，图像的宽度W＝600(像素)，图像的高度H＝440(像素)；取m＝20，得到w＝W/m＝30。

二、获取高梯度关键点的精选集合

在上述获得的高梯度关键点的统计集合P＝{p₁，p₂，…，p_w}中，有些高梯度关键点是由噪声形成，这些点会影响海天线的检测精度，因此，需要通过线性拟合算法对这些局外点予以剔除。

对w个高梯度关键点p_i(x_i，y_i)的线性拟合实际上是线性回归问题，可以用直线y(x)＝kx+b来拟合这些点p_j(x_i，y_i)。

为此，先通过下式计算该拟合直线的两项参数：

$\left\{\begin{array}{c}k=\frac{L_{\mathrm{xy}}}{L_{\mathrm{xx}}}=\frac{\underset{i=0}{\overset{w-1}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\underset{i=0}{\overset{w-1}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}\\ b=\stackrel{\‾}{y}-a\stackrel{\‾}{x}\end{array}\right.---\left(4\right)$

其中：

i＝1，2，…，w

(4)式中，k、b分别是所拟合直线的斜率和截矩。

然后，通过下式计算每一个高梯度关键点p_i(x_i，y_i)离所拟合直线y(x)＝kx+b的距离dist：

$\mathrm{dist}=\frac{\mathrm{kx}-y+b}{\sqrt{k^2+1}}---\left(5\right)$

用每一个高梯度关键点p_i的坐标位置(x_i，y_i)代替(5)式中的(x，y)就可以获得与各高梯度关键点相对应的一组距离值。

如果某些高梯度关键点离拟合直线的距离dist大于距离阈值D，则这些点是属于噪声，应该将之剔除，因为这样一些远离直线的点会影响所计算的直线参数的精度。如果某些高梯度关键点离直线的距离dist小于等于距离阈值D，则保留这些高梯度关键点，并构成一个含有n个高梯度关键点的新集合P＝{p₁，p₂，…，p_n}，其中p_i＝(x_i，y_i)，i＝1，2，…，n。这个新集合在本发明中称为高梯度关键点的精选集合。通常，距离阈值D取为图像高度的5％，在本优选实施例中，距离阈值D取22。

三、判断高梯度关键点的精选集合是否为海天线

接下来，本发明需要对上一步获得的高梯度关键点的精选集合进行以下的分析处理，才能判断该精选集合是否为海天线。

首先，判断精选集合P＝{p₁，p₂，…，p_n}中的高梯度关键点的个数是否大于自适应数量阈值N，如果大于自适应数量阈值N，接着进行下面的相应处理，否则，结束本帧图像的处理，向海上舰船目标识别与定位装置输出原始图像并开始下一帧图像的采集与处理。

由于本发明采用基于变分辨率采样技术进行高梯度关键点的统计，因此，判断满足距离阈值条件点的个数是否大于某一个固定的阈值是不公平的。本发明的自适应数量阈值N是根据高梯度关键点统计集合中的高梯度关键点个数w的百分比来自适应确定。即N设置为w的30％～60％。若N的取值过小，则这些点有可能是噪声点，所求得的海天线会不稳定；若N的取值过大，则由于满足条件的点达不到N值，可能得不到所需要的海天线。在本优选实例中，N设置为w的40％。这种将判断高梯度关键点精选集合的自适应数量阈值设置成与高梯度关键点统计值相适应的方法，极大地增加了本发明海天线检测算法的自适应能力和灵活度，减少了海天线检测算法对图像大小和高梯度关键点统计个数的依赖性。

其次，在高梯度关键点精选集合满足大于自适应数量阈值N的情况下，对高梯度关键点精选集合中的高梯度关键点P＝{p₁，p₂，…，p_n}重新拟合成直线y(x)＝k₁x+b₁，即用下式解算出该拟合直线的斜率k₁和截矩b₁：

$\left\{\begin{array}{c}{k}_1=\frac{L_{\mathrm{xy}}}{L_{\mathrm{xx}}}=\frac{\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}\\ b_1=\stackrel{\‾}{y}-a\stackrel{\‾}{x}\end{array}\right.---\left(6\right)$

其中： $\stackrel{\‾}{x}=\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{x}_i/n$

$\stackrel{\‾}{y}=\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{y}_i/n$

接下来，判断高梯度关键点精选集合的线性相关系数r是否大于线性相关阈值R，如果判断结果为是，则认为高梯度关键点精选集合即为检测到的海天线，此时，向海上舰船目标识别与定位装置输出用直线标绘显示出海天线的一帧图像，否则，输出该帧原始图像。此后进行下一帧图像的采集和处理。

对于高梯度关键点精选集合都可以用最小二乘法拟合出一条直线，但是有些高梯度关键点远离拟合直线(例如噪声点或海面磷光)，而有些高梯度关键点就很接近于直线，这就需要一个判据。相关系数是对所拟合直线的线性相关度的判据，它可以反映出一组数据线性相关的密切程度，即定义为：

$r=\frac{L_{\mathrm{xy}}}{\sqrt{L_{\mathrm{xx}}-{L:}_{\mathrm{yy}}}}---\left(7\right)$

其中， $L_{\mathrm{xx}}=\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2$

$L_{\mathrm{yy}}=\underset{i=1}{\overset{n-1}{\mathrm{\Σ}}}{(y_i-\stackrel{\‾}{y})}^2$

$L_{\mathrm{xy}}=\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})$

(7)式中，r为高梯度关键点精选集合的线性相关系数。r绝对值越接近于1，表示高梯度关键点精选集合的线性关系越好，直线关系的r为1。相关系数接近于0，表示高梯度关键点精选集合的直线关系很差，或者根本就不是直线。因此，直线拟合之后，通常要计算相关系数，用来衡量直线关系程度。如果r大于某个线性相关阈值R，则高梯度关键点精选集合满足直线的线性关系，拟合出的直线比较理想，其中线性相关阈值R设置为0.8～0.9之间。在本优选实例中，R设置为0.85。

以上三部分内容是对一帧图像进行的海天线检测过程，因而在本发明的应用过程中，上述过程是反复进行的，直到海上舰船目标识别与定位装置给出关机命令后结束。

图5给出了采用本发明对图像进行海天线检测的实验结果，其中，图5(a)和图5(b)的分辨率为600*440(像素)，图5(c)和图5(d)的分辨率为320*240(像素)。图中的黑色直线表示第一次用高梯度关键点的统计集合进行直线拟合所得到的一条拟合直线；图中的白色直线表示用高梯度关键点的精选集合重新进行直线拟合而得到的一条新拟合直线。图5(a)和图5(c)表示第一次拟合和第二次拟合是同一条直线，直线重合，因此是w＝n，无局外点的情况。图4(b)和图4(d)表示第一次拟合和排除局外点的第二次拟合不是同一条直线，因此是w＜n，有局外点的情况。图5(a)是针对图1(a)原始图像的海天线检测结果，图5(b)、图5(c)和图5(d)是针对其它图像的海天线检测结果。可以看出，本发明由于采用基于多个高梯度关键点的最小二乘法海天线检测方法，因此具有较高的检测精度。

Claims (5)

1.一种基于高梯度关键点的海天线检测方法，其特征在于：该方法包括以下步骤：

第一步，当接到海上舰船目标识别与定位装置发出的检测命令后，通过相应的传感器采集一帧分辨率为W*H的图像；

第二步，求取一帧图像中w列所对应的高梯度关键点p_i并组成高梯度关键点统计集合P＝{p₁，p₂，…，p_w}，其中：高梯度关键点p_i在图像中的位置为(x_i，y_i)，i＝1，2，…，w，且w≤W，所述高梯度关键点p_i在同一列上的相邻两条线段L₁和L₂之间具有最大灰度值平均值之差，所述相邻两条线段L₁和L₂各含有M个像素点，且M远小于H；

第三步，根据下式计算所述高梯度关键点统计集合P＝{p₁，p₂，…，p_w}的最小二乘法拟合直线的相关参数：

$\left\{\begin{array}{c}k=\frac{L_{\mathrm{xy}}}{L_{\mathrm{xx}}}=\frac{\underset{i=0}{\overset{w-1}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\underset{i=0}{\overset{w-1}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}\\ b=\stackrel{\‾}{y}-a\stackrel{\‾}{x}\end{array}\right.$

其中：

i＝1，2，…，w

式中，k、b分别是拟合直线y(x)＝kx+b的斜率和截矩；

第四步，根据下式计算所述高梯度关键点统计集合中每一个高梯度关键点p_i离所拟合直线y(x)＝kx+b的距离dist：

$\mathrm{dist}=\frac{\mathrm{kx}-y+b}{\sqrt{k^2+1}}$

第五步，将获得的每个高梯度关键点p_i距拟合直线的距离dist与距离阈值D进行比较，用满足dist＜D的高梯度关键点p_i组成高梯度关键点精选集合P＝{p₁，p₂，…，p_n}，其中p_i＝(x_i，y_i)，i＝1，2，…，n，且n≤w；

第六步，判断所述高梯度关键点精选集合中的高梯度关键点的数量n是否满足自适应数量阈值N，即n＞N，若为是，进行第七步，若为否，则向海上舰船目标识别与定位装置输出原始图像并转到第十步；

第七步，根据下式计算所述高梯度关键点精选集合P＝{p₁，p₂，…，p_n}的最小二乘法拟合直线的相关参数：

$\left\{\begin{array}{c}{k}_1=\frac{L_{\mathrm{xy}}}{L_{\mathrm{xx}}}=\frac{\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})}{\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2}\\ b_1=\stackrel{\‾}{y}-a\stackrel{\‾}{x}\end{array}\right.$

其中： $\stackrel{\‾}{x}=\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{x}_i/n$

$\stackrel{\‾}{y}=\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{y}_i/n$

式中，k₁、b₁分别是拟合直线y(x)＝k₁x+b₁的斜率和截矩；

第八步，根据下式计算所述高梯度关键点精选集合P＝{p₁，p₂，…，p_n}最小二乘法拟合直线的线性相关系数r：

$r=\frac{L_{\mathrm{xy}}}{\sqrt{L_{\mathrm{xx}}{L}_{\mathrm{yy}}}}$

其中， $L_{\mathrm{xx}}=\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{(x_i-\stackrel{\‾}{x})}^2$

$L_{\mathrm{yy}}=\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}{(y_i-\stackrel{\‾}{y})}^2$

$L_{\mathrm{xy}}=\underset{i=0}{\overset{n-1}{\mathrm{\Σ}}}(x_i-\stackrel{\‾}{x})(y_i-\stackrel{\‾}{y})$

将线性相关系数r与线性相关阈值R进行比较，若r＞R，判定高梯度关键点精选集合P＝{p₁，p₂，…，p_n}为检测到的海天线并进行下一步，否则向海上舰船目标识别与定位装置输出原始图像并转到第十步；

第九步，在所述的一帧图像上用直线标绘出海天线，并向海上舰船目标识别与定位装置输出该帧图像；

第十步，判断有无关机命令，若为否，则重复第一步至第九步，若为是，结束检测。

2.根据权利要求1所述的基于高梯度关键点的海天线检测方法，其特征在于：求取所述高梯度关键点p_i的具体步骤为：计算第i列中H个像素点的两条相邻线段L₁和L₂的灰度值平均值之差，首次计算采用以下公式：

$d_1=\frac{\underset{j=1}{\overset{M}{\mathrm{\Σ}}}f\left(L_2\left(j\right)\right)-\underset{j=1}{\overset{M}{\mathrm{\Σ}}}f\left(L_1\left(j\right)\right)}{M}$

式中，f(L₁(j))、f(L₂(j))分别为第1个像素点相邻两条线段L₁和L₂上的像素点L₁(j)和L₂(j)所对应的灰度值；d₁为第1个像素点相邻两条线段L₁和L₂的灰度值平均值之差；第二次及以后计算采用以下公式：

$d_j=d_{j-1}+\frac{f_{\mathrm{new}}-f_{\mathrm{old}}}{M},$ j＝2，3，…，H

式中，f_new为第j个像素点相邻两条线段L₁和L₂沿图像高度方向平移一个像素后新增像素点的灰度值，f_old为第j个像素点相邻两条线段L₁和L₂沿图像高度方向平移一个像素后剔除像素点的灰度值；d_j为第j个像素点相邻两条线段L₁和L₂之间的灰度值平均值之差；

当H个像素点全部计算完毕后，采用下式求解：

d_max＝max(d_j)，j＝1，2，…，H

d_max为该列最大灰度值平均值之差，其所对应的像素点位置p_max(x_max ，y_max)即为图像中该列的高梯度关键点位置。

3.根据权利要求1所述的基于高梯度关键点的海天线检测方法，其特征在于：作为所述高梯度关键点统计集合P＝{p₁，p₂，…，p_w}中的高梯度关键点p_i均匀分布在所述一帧图像的宽度上，且w＝W/m。

4.根据权利要求1或2或3所述的基于高梯度关键点的海天线检测方法，其特征在于：取所述距离阈值D为所述一帧图像高度H的5％；所述自适应数量阈值N为w的30％～60％；所述线性相关阈值R在0.8～0.9之间。

5.根据权利要求4所述的基于高梯度关键点的海天线检测方法，其特征在于：所述一帧图像的宽度W＝600(像素)，高度H＝440(像素)；取m＝20(像素)，即计算所述高梯度关键点p_i的列w＝30；取M＝20，N＝12，R＝0.85。

Images