CN105352604A - 基于可见光图像配准的红外测温***云台位置校准方法 - Google Patents

Abstract

本发明涉及一种基于可见光图像配准的红外测温***云台位置校准方法，该方法包括以下步骤：1)通过可见光视频探头预先采集预置位的标准图像，并存储为模板图像；2)在云台再次回到预置位时，通过可见光视频探头采集预置位的当前图像，将该当前图像称为目标图像；3)获取模板图像与目标图像间的位置偏差，判断该位置偏差是否大于预定阈值，若是，则执行步骤4)，若否，则返回步骤2)；4)云台控制器根据所述位置偏差产生补偿参数，通过该补偿参数控制云台转动，校准云台回到预置位。与现有技术相比，本发明具有重复运算少、图片匹配速度高、有效实现测温位置矫正等优点。

Description

基于可见光图像配准的红外测温***云台位置校准方法

技术领域

本发明涉及一种红外测温***位置校准方法，尤其是涉及一种基于可见光图像配准的红外测温***云台位置校准方法。

背景技术

随着视频监控***的快速发展，带预置位功能的云台使用越来越广泛，特别是在红外测温***中得到了广泛应用。通过云台内置菜单设置预置位可快速定位目标，理想情况下，由云台以及载荷的测温仪构成的扫描测温***可对远距离的目标进行温度检测，通过设置预置位实现云台对多目标点的重复式扫描测温。但由于云台的预置位功能在云台长时间运行后会发生位置偏差，即使使用复位自检程序降低云台本身运行带来的位置偏差，但扫描***在固定端仍将不可避免的出现结构固件热胀冷缩的现象，使***监测到的测温点偏离实际目标位置，导致预置位的精度不高，不能满足一些场合精确控制的要求。

人们采用很多方法修正这种偏差，如进行图像匹配等。目前用于图像匹配的方法主要有基于图像灰度相关方法、基于图像特征方法、基于神经网络和遗传算法等人工智能方法。其中，基于图像灰度的匹配算法简单，匹配准确率高，但是计算量大，不利于实时处理。对灰度变化、旋转、形变以及遮挡等比较敏感；基于图像特征的方法计算量相对较小，对灰度变化、形变及遮挡有较好的适应性，但是匹配精度不高；基于神经网络、遗传算法等人工智能的方法发展较晚，算法还不成熟。

发明内容

本发明的目的就是为了解决上述红外测温***的云台预置位功能在长时间运行后会发生位置偏差，即使使用复位自检程序，仍存在固定端热胀冷缩的影响的问题，提供一种重复运算少、图片匹配速度高、有效实现测温位置矫正的基于可见光图像配准的红外测温***云台位置校准方法。

本发明的目的可以通过以下技术方案来实现：

一种基于可见光图像配准的红外测温***云台位置校准方法，该方法包括以下步骤：

1)通过可见光视频探头预先采集预置位的标准图像，并存储为模板图像；

2)在云台再次回到预置位时，通过可见光视频探头采集预置位的当前图像，将该当前图像称为目标图像；

3)获取模板图像与目标图像间的位置偏差，判断该位置偏差是否大于预定阈值，若是，则执行步骤4)，若否，则返回步骤2)；

4)云台控制器根据所述位置偏差产生补偿参数，通过该补偿参数控制云台转动，校准云台预置位。

所述可见光视频探头与红外测温探头平行固定于云台上。

所述步骤3)中，通过最大互相关算法获取模板图像与目标图像间的位置偏差。

所述最大互相关算法采用最大互相关快速算法，且在搜索相关匹配点时，同时采用粗匹配和精匹配确定最终匹配点。

所述步骤4)中，补偿参数根据所述位置偏差与云台实际运行距离的关系获得。

与现有技术相比，本发明具有以下优点：

(1)本发明将可见光视频探头、红外测温仪、扫描云台、云台控制器组合在一起，利用可见光视频探头采集目标点的图像信息，并对比采集到的图像和实际目标点图像差别，通过最大互相关算法得到位置偏差，以此作为控制云台的水平、垂直运动校准的依据，实现预置位的校准，具有操作计算简单，耗时少、功能实用等优点。

(2)采用最大互相关系数算法对模板图像和目标图像进行图像匹配，通过简化相关系数的计算公式，在不影响匹配精度的情况下，达到减少相关度量计算量。

(3)本发明采用粗匹配和精匹配两个过程，有效提高了匹配速度。

附图说明

图1为本发明的流程示意图；

图2为本发明位置偏差校准流程图；

图3摄像机预置位偏差校准流程图；

图4是粗匹配示意图；

图5是精匹配示意图。

具体实施方式

下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。

本发明实施例提供一种基于可见光图像配准的红外测温***云台位置校准方法，该方法通过可见光视频探头对云台的预置位进行校准，将红外测温***改造为由可见视频探头、红外测温仪、扫描云台和云台控制器组成，其中，可见光视频探头与红外测温探头平行固定于云台上，通过旋转云台实现联动。本方法通过可见光视频探头获取模板图像，以及云台离开预置位并再次回到预置位的目标图像，然后通过最大互相关算法分析模板图像与目标图像的位置偏差，并利用云台控制器控制云台的转动，使云台快速回到预置位，为了更好的控制云台精度，用户可根据当前预置位调用指令获取其目标位置数据与该运行过程所获得云台实际位置更新位置补偿模块中的补偿参数，从而解决云台长时间运行后位置偏差的问题。

如图1所示，该方法具体包括以下步骤：

步骤S101，通过可见光视频探头预先采集预置位的标准图像，并存储为模板图像；

步骤S102，云台回到目标的预置位；

步骤S103，通过可见光视频探头采集预置位的当前图像，将该当前图像称为目标图像；

步骤S104，获取模板图像与目标图像间的位置偏差；

步骤S105，云台控制器根据位置偏差产生补偿参数；

步骤S106，通过该补偿参数控制云台转动，校准云台预置位。

如图2所示，位置偏差校准流程具体为：

步骤S201，云台回到目标的预置位；

步骤S202，通过可见光视频探头采集预置位的当前图像，将该当前图像称为目标图像；

步骤S203，通过最大互相关算法分析模板图像与目标图像的位置偏差，确定最大的匹配点的中心坐标，与模板图像的中心坐标相减，就可以得到目标图像与模板图像的位置偏差；

步骤S204，判断该位置偏差是否大于预定阈值，若是，则云台控制器根据位置偏差产生补偿参数，通过该补偿参数控制云台转动，校准云台回到预置位，若否，则返回步骤S202。

根据位置偏差和被测目标与红外测温***之间的实际距离获得补偿参数，根据补偿参数设定补偿模块控制云台转动，实现对红外测温***的校准。如图3所示，通过位置传感器检测云台运行到位的实际位置，计算预置位云台的目标位置与所述云台实际位置之间的位置偏差，计算该偏差与实际运行距离的关系获得补偿参数，根据该补偿参数设定位置补偿模块。在后续云台预置位运行控制中，调用补偿模块中的补偿量，并把所获得的补偿量与云台目标位置加送到控制器用来控制云台运行。因云台在运行过程中仍存在固定端热胀冷缩及摩擦阻力影响，只有调整相应的补偿参数，才能够获得较高的运行精度。

本实施例中，对于模板图像与目标图像进行位置偏差的计算采用图像匹配最大互相关算法。该算法是计算机图像科学的一种基本处理方法，具体为：

设f(x,y)为一幅大小为M*N的目标图像，记为A，g(x,y)是一幅m*n的模版图像，记为B，根据相关匹配在B中找出与A相匹配的子块。

用S_x,y表示A中以(x，y)为左上角点与B大小相同的A的子块，同时也表示该子块对应的矩阵，即

S_x,y(i,j)＝f(x+i-1,y+j-1)i＝1,2...,m；j＝1,2...,n(1)

ρ(x,y)表示S_x,y与B的相关系数，具体定义如下：

$\mathrm{\ρ}(x,y)=\frac{\mathrm{cov}(S_{x,y},B)}{\sqrt{D_{x,y}D}}---\left(2\right)$

其中D_x,y为S_x,y的方差，D为B的方差，cov(S_x,y,B)为S_x,y和B的协方差；从而

$D_{x,y}=\frac{1}{mn}\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{\left(S_{x,y}\right(i,j)-\stackrel{\‾}{S_{x,y}})}^2---\left(3\right)$

$D=\frac{1}{mn}\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{\left(B\right(i,j)-\stackrel{\‾}{B})}^2---\left(4\right)$

$\mathrm{cov}(S_{x,y},B)=\frac{1}{mn}\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}\left(S_{x,y}\right(i,j)-\stackrel{\‾}{S_{x,y}})\left(B\right(i,j)-\stackrel{\‾}{B})---\left(5\right)$

其中和分别表示图像S_x,y和B的灰度均值。

如果ρ(x,y)很大或者很接近1，则表明图像在这一点与图像A匹配。

分析可得，在相邻点的计算中含有大量重复操作，由于S_x,(y+1)是子图S_x,y在A中右移一列的位置对应的子图，这样S_x,(y+1)的前n-1列正好是S_x,y的后n-1列，在计算S_x,(y+1)时可以利用S_x,y的值来减少计算量。

$\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{S}_{x,y+1}(i,j)=\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{S}_{x,y}(i,j)+\underset{i=x}{\overset{x+m-1}{\Σ}}\[S(i,y+n)-S(i,y)\]---\left(6\right)$

$\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{S^2}_{x,y+1}(i,j)=\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{S^2}_{x,y}(i,j)+\underset{i=x}{\overset{x+m-1}{\Σ}}\[S^2(i,y+n)-S^2(i,y)\]---\left(7\right)$

$\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{S}_{x+1,y}(i,j)=\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{S}_{x,y}(i,j)+\underset{i=y}{\overset{y+n-1}{\Σ}}\[S(x+m,i)-S(x,i)\]---\left(8\right)$

$\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{S^2}_{x+1,y}(i,j)=\underset{i=1}{\overset{m}{\Σ}}\underset{j=1}{\overset{n}{\Σ}}{S^2}_{x,y}(i,j)+\underset{i=y}{\overset{y+n-1}{\Σ}}\[S^2(x+m,i)-S^2(x,i)\]---\left(9\right)$

相似的，在计算D_x,(y+1)时可以利用D_x,y的值来减小计算量。即对于一幅灰度图像，有如下递推公式：

$D_{x,(y+1)}=D_{x,y}+T_2-T_1^2-2T_1\stackrel{\‾}{S_{x,y}}---\left(10\right)$

$D_{(x+1),y}=D_{x,y}+{\tilde{T}}_2-{\tilde{T}}_1^2-2{\tilde{T}}_1\stackrel{\‾}{S_{x,y}}---\left(11\right)$

$T_1=\frac{1}{mn}\underset{i=x}{\overset{x+m-1}{\Σ}}\[f(i,y+n)-f(i,y)\]T_2=\frac{1}{mn}\underset{i=x}{\overset{x+m-1}{\Σ}}\[f^2(i,y+n)-f^2(i,y)\]---\left(12\right)$

${\tilde{T}}_1=\frac{1}{mn}\underset{i=y}{\overset{y+n-1}{\Σ}}\[f(x+m,i)-f(x,i)\]{\tilde{T}}_2=\frac{1}{mn}\underset{i=y}{\overset{y+n-1}{\Σ}}\[f^2(x+m,i)-f^2(x,i)\]---\left(13\right)$

与原来的方差定义式相比，该快速算法使D_x,(y+1)的计算量减少n倍，D_(x+1),y的计算量减少m倍。通过上面的简化算法，可以省略大量的不必要的重复运算，提高运算速度。但若计算所有位置的点，需记录(M-m)×(N-n)个ρ(x,y)，计算量仍很大，因此本发明在搜索相关匹配点方面也进行了改进。

1、粗匹配

粗匹配分为两个方面：第一方面，排除不可能的区域，这些区域的相关系数值小于一定的门限制(一般取0.2)；第二方面，对可能的区域根据相关系数值的大小进行排序，找出相关系数值最大的几个区域，作为精匹配的匹配区域。

在粗匹配中，不需要对目标图中的所有点都进行相关系数的计算，而只需要每隔一定的步长算一个点，如图4所示。在粗匹配中，如果发现有一个点的相关系数数值超过了预先给定的门限(一般取0.85)，那么最后的精确匹配点就在这个点所在的区域。从而提前结束粗匹配，进入精匹配。

2、精匹配

需要对粗匹配过程得到几个区域进行精匹配，并对结果经行排序，其中最大相关系数值的点就是最后的匹配点。精匹配采用的是十字交叉快速搜索法。搜索步长由上次得到的相关系数值决定，相关系数值大的点，搜索步长小，反之，搜索步长则大。

首先以粗匹配得到的点为中心，以相应的步长，分别计算其十字方向上的四个点，如图5所示，根据这四个点相关系数的大小，决定下次搜索方向的优先级。在下次搜索中，如果第一个计算的点的相关系数值大于上一次计算的点的相关系数值，则这次搜索完毕，进入下一次搜索，否则根据方向优先级的顺序，计算另一个方向的值，如果四个方向的值都小于上一次搜索得到的值，搜索步长加倍，重新搜索，如果四个方向的值还是小于上一次搜索得到的值，则上次搜索点，就是该区域精匹配结果。

Claims (5)

1.一种基于可见光图像配准的红外测温***云台位置校准方法，其特征在于，该方法包括以下步骤：

1)通过可见光视频探头预先采集预置位的标准图像，并存储为模板图像；

2)在云台再次回到预置位时，通过可见光视频探头采集预置位的当前图像，将该当前图像称为目标图像；

3)获取模板图像与目标图像间的位置偏差，判断该位置偏差是否大于预定阈值，若是，则执行步骤4)，若否，则返回步骤2)；

4)云台控制器根据所述位置偏差产生补偿参数，通过该补偿参数控制云台转动，校准云台预置位。

2.根据权利要求1所述的基于可见光图像配准的红外测温***云台位置校准方法，其特征在于，所述可见光视频探头与红外测温探头平行固定于云台上。

3.根据权利要求1所述的基于可见光图像配准的红外测温***云台位置校准方法，其特征在于，所述步骤3)中，通过最大互相关算法获取模板图像与目标图像间的位置偏差。

4.根据权利要求3所述的基于可见光图像配准的红外测温***云台位置校准方法，其特征在于，所述最大互相关算法采用最大互相关快速算法，且在搜索相关匹配点时，同时采用粗匹配和精匹配确定最终匹配点。

5.根据权利要求1所述的基于可见光图像配准的红外测温***云台位置校准方法，其特征在于，所述步骤4)中，补偿参数根据所述位置偏差与云台实际运行距离的关系获得。