首页 理论教育利用基准角点实现目标匹配

利用基准角点实现目标匹配

【摘要】:对多维距离向量这种最具代表性的角点描述方法进行深入分析后,不难发现,数量繁多的角点不仅增加了运算时间,同时也给多帧图像中的目标匹配带来了困难,尤其是有噪声干扰和在目标姿态变化的情况之下。通过重心点G和P1可以得到飞机的一条基准轴线,显然,飞机两翼上的角点都位于这条轴线的两侧。

对多维距离向量这种最具代表性的角点描述方法进行深入分析后,不难发现,数量繁多的角点不仅增加了运算时间,同时也给多帧图像中的目标匹配带来了困难,尤其是有噪声干扰和在目标姿态变化的情况之下。为了达到更加高效、灵活的识别效果,本书希望能够选择出目标图像上最具有代表性的角点,根据这些基准角点的位置信息测量物体,并通过测量值来识别目标。

以军事目标飞机为例,测量一个飞机可以利用的最显著的信息就是机头部分、两翼部分和机尾部分的角点,以及它们和飞机重心的位置关系。飞机重心的计算公式如下:

978-7-111-38182-2-Chapter07-4.jpg

式中,(xGyG)是重心点G的位置坐标,Ixy)是像素点(xy)的灰度值。我们可以通过计算每个角点的相对重心的重心矩,并选择重心矩最大的角点作为第一基准角点P1xp1yp1):

978-7-111-38182-2-Chapter07-5.jpg

式中,C为角点点集,其包含的角点数目为n

通过重心点GP1可以得到飞机的一条基准轴线,显然,飞机两翼上的角点都位于这条轴线的两侧。于是这条轴线就把机翼角点点集划分为两个子集:

978-7-111-38182-2-Chapter07-6.jpg

而两翼上的基准角点就可以定义为距离这条轴线最远的点——第二基准角点P2xp2yp2)和第三基准角点P3xp3yp3)。角点与基准轴线的距离可以由以下公式计算得到:

978-7-111-38182-2-Chapter07-7.jpg

第四基准角点P4xp4yp4)被定义在机尾,它和第一基准角点P1分别位于基准轴线的两端,也就是重心点G的两侧。如果P1满足以下条件:

978-7-111-38182-2-Chapter07-8.jpg

P4将满足

978-7-111-38182-2-Chapter07-9.jpg

否则,必然有

978-7-111-38182-2-Chapter07-10.jpg

在目标识别过程中,特征空间优化的目的是用最少的描述获得目标形状上最“本质”的特征。通过每个基准角点到重心点G的距离,可以定义出一个区分度较高的描述子:

978-7-111-38182-2-Chapter07-11.jpg

如图7-4所示,用SUSAN算法检测出了F16战斗机图像的所有角点,并按照上述方法获得了四个基准角点,从而构造出了特征描述子S

978-7-111-38182-2-Chapter07-12.jpg

图7-4 飞机图像的基准角点提取

a)F16战斗机 b)角点(SUSAN) c)4个基准角点