[發明專利]一種基于顏色、位置聚類和角點檢測的柵格狀雷達的檢測方法

在審

• 申請號: 201410395226.6
• 申請日: 2014-08-12
• 公開（公告）號: CN104239411A
• 公開（公告）日: 2014-12-24
• 發明（設計）人: 凌強;趙敏達;李峰;杜彬彬
• 申請（專利權）人: 中國科學技術大學
• 主分類號: G06F17/30
• 分類號: G06F17/30
• 代理公司: 北京科迪生專利代理有限責任公司 11251
• 代理人: 成金玉;孟卜娟

技術領域

本發明涉及一種基于顏色、位置聚類和角點檢測的柵格狀雷達的檢測方法，模式識別，數字圖像處理。?

背景技術

近年來，隨著計算機技術的飛速發展，基于圖像的信息獲取越來越依賴于計算機技術，而基于圖像的模式識別和目標分割與檢測更是圖像處理的一大主要研究方向。基于圖像處理技術來獲取圖像中的感興趣信息的技術得到了飛速的發展，其中對于特定形狀的檢測更是被廣泛應用于各種特殊目標的識別中。而對于雷達而言，柵格狀仍然是現今雷達的主要形狀特征，其中大量的十字和規則線條的特征是該種雷達的檢測成為可能。對于圖像中的柵格狀區域的檢測可以用于此種類型雷達的識別，基于柵格狀或有規則排布的十字形的檢測更可以被廣泛應用于印刷，紡織等多種需要自動識別十字狀、柵格狀物體的領域。?

目前基于柵格狀或有規則排布的十字形的檢測方法主要是：第一，霍夫變換。霍夫變換是圖像變換中的經典手段之一，主要用來從圖像中分離出具有某種相同特征的幾何形狀(如直線，圓等)。霍夫變換尋找直線與圓的方法相比于其它方法可以更好地減少噪聲干擾。霍夫變換需要將圖像從笛卡爾坐標系統轉換到極坐標系，這種從點到曲線的變換稱為直線的霍夫變換。變換通過量化霍夫參數空間為有限個值間隔等分或者累加格子。當霍夫變換算法開始，每個像素坐標點P(x,y)被轉換到(r,theta)的曲線點上面，累加到對應的格子數據點，當一個波峰出現時候，說明有直線存在。文章【1】提出了一種基于圖像梯度和單次的直線檢測的快速霍夫直線檢測方法(參見Fan?Dongjin，Hui?Bi，Wang?Lidong.Implementation?of?efficient?line?detection?with?oriented?hough?transform[C]//Proceeding?of?20123rd?IEEE/IET?International?Conference?on?Audio，Language?and?Image?Processing，2012:45－48.)，該方法可以提高直線檢測的效率和速度，但此方法應用于柵格狀雷達檢測時會檢測出過多的非雷達區域的直線，故此方法不適用于柵格狀雷達檢測。第二，k-means聚類算法。文獻【2】中詳細描述了以空間中k個點為中心進行聚類，對最靠近它們的對象歸類的方法(參見Mahajan,M.；Nimbhorkar,P.；Varadarajan,K.(2009).The?Planar?k-Means?Problem?is?NP-Hard.Lecture?Notes?in?Computer?Science?5431:?274–285.)。通過迭代的方法，逐次更新各聚類中心的值，直至得到最好的聚類結果。假設要把樣本集分為c個類別，描述如下：(1)適當選擇c個類的初始中心；(2)在第k次迭代中，對任意一個樣本，求其到c各中心的距離，將該樣本歸到距離最短的中心所在的類；(3)利用均值等方法更新該類的中心值；(4)對于所有的c個聚類中心，如果利用(2)(3)的迭代法更新后，值保持不變，則迭代結束，否則繼續迭代。該算法的最大優勢在于簡潔和快速。算法的關鍵在于初始中心的選擇和距離公式。文章【3】提出了一種改進的k-means聚類的初始聚類點的選取方法(參見H.Zha,C.Ding,M.Gu,X.He?and?H.D.Simon(Dec?2001).Spectral?Relaxation?for?K-means?Clustering.Neural?Information?Processing?Systems?vol.14(NIPS?2001)(Vancouver,Canada):1057–1064.)，但此方法只適用于位置的聚類，無法根據圖像中的其他信息獲得聚類的依據，故無法直接應用于柵格狀雷達的檢測。第三，Harris角點檢測，文章【4】中提到的方法(參見MO?KHTARIAN?F,SUOMELA?R.Robust?image?corner?detection?through?curvature?scale?space[J].I?EEE?Transaction?on?Pattern?Analysis?and?Machine?Intelligence,1998,20(12):137621381.)具體為：(1)計算圖像的方向導數，分別保存為兩個數組Ix以及Iy，這里可以使用任何方法，比較正統的是使用Gaussian函數，因為在Harris角點檢測的推導過程中默認是采用了Gaussian函數作為其計算圖像偏導數的方法。當然使用簡單的Prewitt或者Sobel算子也沒有關系；(2)為每一個點計算局部自相關矩陣u(x,y)＝[Ix(x,y)^2*WIy(x,y)Ix(x,y)*W；Ix(x,y)Iy(x,y)*W?Iy(x,y)^2*W]；這里*W代表以x,y為中心；(3)如果這個u的兩個特征值都很小，則說明這個區域是個平坦區域。如果u的某個特征值一個大一個小，則是線，如果兩個都很大，那么就說明這是個角點。Harris提供了另一個公式來獲取這個點是否是角點的一個評價：corness＝det(u)-k*trace(u)^2。這個corness就代表了角點值，其中k是你自己取的一個固定的變量，典型的為[0.04,0.06]之間。文章【5】提出一種基于圖像中角點的匹配方法(參見L?I?B,YANG?D,WAN?G?X?H.Novel?image?regist?ration?based?on?harris?multi2scale?corner?detection?algorithm[J].Computer?Engineering?and?Appl-ications,2006,42(35):37240.)，該方法構造了基于小波變換的灰度強度變化公式,，并得到了具有尺度變換特性的自相關矩陣,從而構建了一種新的Harris多尺度角點檢測算法。但本方法只能局限于相似度很高的形狀和物體的匹配，無法應用于具體形狀和大小不同的柵格狀雷達的統一檢測。文章【6】提出了一種基于harris角點檢測的感興趣點的提取方法(參見SCHIMID?C,MOHR?R,BAUCKHANE?C.Evaluation?of?interest?point?detectors[J].International?Journal?of?Computer?Vision,2000,37(2):1512172.)，此方法通過高斯濾波器和設定閾值去除不明顯角點的方法獲取感興趣點，但此方法無法將圖像中雷?達區域和非雷達區域的角點區分開，故也無法直接用于柵格狀雷達的識別。?