楊懷林

摘 要： 針對當(dāng)前方法進(jìn)行鉆頭自動跟蹤過程中，難以對鉆頭目標(biāo)模板進(jìn)行精確描述且運(yùn)算較為復(fù)雜，存在跟蹤誤差大的問題，提出一種基于圖像識別鉆頭自動跟蹤方法。該方法利用雙重卷積理論對鉆頭原圖像進(jìn)行閾值分割，提取鉆頭運(yùn)動圖像目標(biāo)，將提取的鉆頭運(yùn)動圖像目標(biāo)進(jìn)行濾波處理，獲得鉆頭圖像的歸一化中心矩，采用高斯模型對鉆頭運(yùn)動圖像目標(biāo)和背景建模，在此基礎(chǔ)上將卡爾曼濾波預(yù)測估計思想和均值漂移思想相融合，應(yīng)用于鉆頭運(yùn)動圖像目標(biāo)跟蹤過程中，由此完成對鉆頭的自動跟蹤。實驗結(jié)果表明，所提方法能夠有效提升鉆頭運(yùn)動圖像目標(biāo)的檢測精度，且目標(biāo)跟蹤的穩(wěn)定性較強(qiáng)。

關(guān)鍵詞： 圖像識別； 鉆頭； 自動跟蹤； 卡爾曼濾波

中圖分類號： TN911.73?34； TP391 文獻(xiàn)標(biāo)識碼： A 文章編號： 1004?373X（2017）17?0056?04

Drill automatic tracking algorithm based on image recognition

YANG Huailin1， 2

（1. Nanjing Normal University， Nanjing 210097， China； 2. Jiangsu Vocational College of Finance and Economics， Huaian 221008， China）

Abstract： The current methods are difficult to describe the drill target template accurately and have complex operation and big tracking error in the drill automatic tracking process， therefore a drill automatic tracking method based on image recognition is proposed. The double convolution theory is used to segment the threshold of the drill original image to extract the drill moving image target. The extracted drill moving image target is filtered to get the normalized central moment of the drill image. The Gauss model is used to model the drill moving image target and background. On this basis， the thoughts of Kalman filtering estimation and mean shift are integrated to apply to the tracking process of drill moving image target， so as to track the drill automatically. The experimental results show that the method can improve the detection accuracy of drill moving image target effectively， and has high stability of target tracking.

Keywords： image recognition； drill； automatic tracking； Kalman filtering

0 引 言

近年來，隨著我國科學(xué)技術(shù)的不斷進(jìn)步，計算機(jī)視覺技術(shù)和圖像并行處理技術(shù)得到了飛速發(fā)展，自動跟蹤技術(shù)逐漸成為計算機(jī)視覺、自動控制和模式識別領(lǐng)域的研究熱點問題[1?3]。隨著機(jī)械設(shè)備高度自動化、集成化以及無人化的發(fā)展，基于圖像的目標(biāo)識別與跟蹤技術(shù)在機(jī)械設(shè)備領(lǐng)域受到了廣泛的應(yīng)用[4?6]，鉆頭是機(jī)械加工領(lǐng)域中孔加工最主要的加工工具，在研究和開發(fā)機(jī)械設(shè)備自動加工過程中，鉆頭的識別與自動跟蹤技術(shù)對實現(xiàn)加工過程自動化、提升制造業(yè)水平具有重要意義[7?8]。在實際加工過程中，鉆頭磨損、斷裂等問題使鉆頭成為制造系統(tǒng)中最薄弱的一環(huán)，易造成機(jī)械設(shè)備生產(chǎn)效率低，嚴(yán)重時還會造成設(shè)備停機(jī)事故。在這種情況下，如何對鉆頭進(jìn)行自動跟蹤，實現(xiàn)加工過程自動化、提升制造業(yè)水平現(xiàn)已成為制造裝備自動化領(lǐng)域亟待解決的首要任務(wù)，受到了眾多專家學(xué)者的廣泛關(guān)注[9?11]。

針對當(dāng)前方法進(jìn)行鉆頭的自動跟蹤時，對目標(biāo)模板的描述不精確且運(yùn)算復(fù)雜，存在跟蹤誤差大的問題，提出一種基于圖像識別的鉆頭自動跟蹤方法。實驗結(jié)果表明，所提方法在進(jìn)行鉆頭的自動跟蹤時對運(yùn)動目標(biāo)檢測精度高且運(yùn)算簡單，大幅度提升了目標(biāo)跟蹤的穩(wěn)定性。

1 基于圖像識別的鉆頭自動跟蹤算法

1.1 圖像識別的特征提取

在對圖像識別鉆頭自動跟蹤過程中，先結(jié)合雙重卷積理論對鉆頭的原圖像進(jìn)行閾值分割，提取鉆頭運(yùn)動圖像目標(biāo)，再對輸入的鉆頭運(yùn)動圖像目標(biāo)進(jìn)行Gabor小波變換，得出每個通道輸出的鉆頭運(yùn)動圖像，對提取的鉆頭運(yùn)動圖像目標(biāo)進(jìn)行濾波處理，獲得鉆頭運(yùn)動圖像目標(biāo)的歸一化中心矩，結(jié)合支持向量機(jī)理論對鉆頭運(yùn)動圖像進(jìn)行像素分類，獲取候選鉆頭運(yùn)動圖像目標(biāo)，采用高斯模型對鉆頭運(yùn)動圖像目標(biāo)和背景建模。具體過程如下所述：

采用雙重卷積理論對原鉆頭圖像進(jìn)行閾值分割，提取出鉆頭運(yùn)動圖像目標(biāo)，在此基礎(chǔ)上，對輸入的鉆頭運(yùn)動圖像目標(biāo)進(jìn)行Gabor小波變換，利用式（1）進(jìn)行計算：endprint

（1）

式中：表示鉆頭運(yùn)動圖像目標(biāo)；表示Gabor小波濾波器組；表示鉆頭運(yùn)動圖像目標(biāo)經(jīng)過Gabor濾波器卷積處理后得到的一組濾波結(jié)果。

利用式（2）對鉆頭運(yùn)動圖像的階中心矩進(jìn)行定義：

（2） 式中表示鉆頭運(yùn)動圖像的中心坐標(biāo)。

定義以下4個對平移、旋轉(zhuǎn)和尺度變換不變的矩：

式中：表示鉆頭運(yùn)動圖像的歸一化中心矩；采用支持向量機(jī)的分類方法對鉆頭運(yùn)動圖像的歸一化中心矩進(jìn)行回歸分析。定義在某一時刻鉆頭運(yùn)動圖像中任一像素的像素概率模型為：

（3）

式中：表示在時刻鉆頭運(yùn)動圖像的像素屬于前景或背景的概率。利用式（4）定義時刻鉆頭運(yùn)動圖像中像素的背景混合模型為：

（4）

式中：表示在時刻鉆頭運(yùn)動圖像中像素的像素值；表示該混合模型中描述鉆頭運(yùn)動圖像像素色彩特性的高斯分布模型的個數(shù)；表示時刻鉆頭運(yùn)動圖像背景混合模型中（表示第個）子模型的權(quán)，所有子模型的權(quán)之和等于1，即；和分別表示時刻鉆頭運(yùn)動圖像背景混合模型中子模型的均值和協(xié)方差矩陣。

以權(quán)和標(biāo)準(zhǔn)差之比作為適應(yīng)度值，從鉆頭運(yùn)動圖像的背景混合模型中找到具有最大適應(yīng)度值的子模型作為鉆頭運(yùn)動圖像的當(dāng)前幀背景分布模型，利用式（5）進(jìn)行計算，可得到時刻鉆頭運(yùn)動圖像的像素屬于背景的條件概率：

（5）

式中：表示鉆頭運(yùn)動圖像像素的特征向量；表示特征向量的維數(shù)；分別表示該條件概率的均值和協(xié)方差矩陣。

通過多次迭代即可提取出鉆頭運(yùn)動圖像的背景，具體過程如下所述：

（1） 設(shè)置最大迭代次數(shù)以及每次迭代中被修正的鉆頭運(yùn)動圖像的最少像素數(shù)

（2） 針對鉆頭運(yùn)動圖像中每一像素，從背景和前景混合模型中找到具有最大適應(yīng)度值的子模型作為鉆頭運(yùn)動圖像當(dāng)前幀背景和前景的分布模型。

（3） 利用式（5）計算鉆頭運(yùn)動圖像的像素8鄰域中屬于背景的像素數(shù)。

（4） 以獲得的鉆頭運(yùn)動圖像的像素先驗概率為依據(jù)，對像素進(jìn)行判斷：

式中：代表鉆頭運(yùn)動圖像像素的先驗分布密度函數(shù)；代表鉆頭運(yùn)動圖像像素的先驗分布密度函數(shù)，若則像素被分類為背景，否則為前景。

（5） 若迭代次數(shù)大于或一次迭代中被修正鉆頭運(yùn)動圖像的像素數(shù)小于迭代分類結(jié)束，否則返回第（2）步。

在獲得運(yùn)動圖像背景后，將鉆頭運(yùn)動圖像當(dāng)前幀與鉆頭運(yùn)動圖像背景相減，獲取候選鉆頭運(yùn)動圖像目標(biāo)，可表示為：

（6）

式中：表示歸一化因子；表示鉆頭運(yùn)動圖像目標(biāo)特征值；和函數(shù)的作用是判斷鉆頭運(yùn)動圖像目標(biāo)區(qū)域中像素的特征值是否屬于表示搜索窗口的鉆頭運(yùn)動圖像中心像素坐標(biāo)；表示核函數(shù)的帶寬，它決定候選目標(biāo)的尺度。利用式（6）給出的獲取候選鉆頭運(yùn)動圖像目標(biāo)組建鉆頭的運(yùn)動圖像背景模型，為建立鉆頭的運(yùn)動目標(biāo)模型提供依據(jù)。

1.2 運(yùn)動圖像目標(biāo)檢測

在對圖像識別鉆頭自動跟蹤過程中，在1.1節(jié)得到的候選鉆頭運(yùn)動圖像目標(biāo)的基礎(chǔ)上，以圖像的灰度信息為特征空間，結(jié)合單變量高斯模型將已獲得的鉆頭運(yùn)動圖像目標(biāo)和背景信息進(jìn)行統(tǒng)計，得到鉆頭運(yùn)動圖像背景的高斯分布參數(shù)模型，對鉆頭運(yùn)動圖像幀之間的特征點進(jìn)行相應(yīng)的匹配，采用卡爾曼濾波來預(yù)測鉆頭運(yùn)動圖像的目標(biāo)位置，最終獲得鉆頭運(yùn)動圖像跟蹤目標(biāo)的軌跡。具體過程如下所述：

假設(shè)鉆頭運(yùn)動圖像幀的各個圖像灰度值均遵從均值和方差的分布，且各個鉆頭運(yùn)動圖像像素點的高斯分布為單變量。在該模型中，代表單變量正態(tài)分布；代表鉆頭圖像灰度值的期望值；代表鉆頭運(yùn)動圖像灰度值分布的方差。式（7）為鉆頭圖像幀的各個像素點組建正態(tài)分布的目標(biāo)和背景的概率模型：

（7）

式中代表鉆頭運(yùn)動圖像的灰度信息特征值。

在第幀中，鉆頭運(yùn)動圖像目標(biāo)（背景）模型中均值和方差的更新公式為：

均值：

方差：

在第幀中，鉆頭運(yùn)動圖像目標(biāo)（背景）模型中的參數(shù)更新公式為：

均值：

方差：

式中：分別代表第幀鉆頭運(yùn)動圖像中目標(biāo)（背景）點的統(tǒng)計均值和方差；代表判斷鉆頭運(yùn)動圖像第幀中目標(biāo)（背景）樣本點所用高斯模型的均值和方差；代表鉆頭運(yùn)動圖像目標(biāo)（背景）的樣本點數(shù)；代表鉆頭圖像每個樣本點的灰度值；代表更新率。

在鉆頭運(yùn)動圖像環(huán)境中，為了在以原目標(biāo)位置為中心的區(qū)域附近更快地找到鉆頭運(yùn)動圖像目標(biāo)，采用卡爾曼濾波來預(yù)測鉆頭運(yùn)動圖像的目標(biāo)位置，將第一幀中的鉆頭運(yùn)動圖像目標(biāo)中心位置和運(yùn)動速度賦值給預(yù)測的鉆頭運(yùn)動協(xié)方差可表示為：

（8）

式中：代表濾波器的結(jié)構(gòu)參數(shù)；代表第幀圖像中的鉆頭運(yùn)動圖像的目標(biāo)中心位置和運(yùn)動速度的預(yù)測協(xié)方差。

結(jié)合式（8）預(yù)測鉆頭運(yùn)動圖像的目標(biāo)位置，獲得真實中心位置跟蹤鉆頭運(yùn)動圖像目標(biāo)的濾波方程為：

（9）

式中：代表第幀圖像中預(yù)測的觀測向量；代表濾波器的增益參數(shù)。

1.3 基于圖像識別鉆頭自動跟蹤

在對鉆頭運(yùn)動圖像自動跟蹤過程中，以1.2節(jié)獲得的圖像運(yùn)動目標(biāo)模型為基礎(chǔ)，利用貝葉斯分類理論，在得到鉆頭運(yùn)動圖像的后驗條件概率的基礎(chǔ)上，對鉆頭運(yùn)動圖像目標(biāo)的初始位置進(jìn)行識別；利用鉆頭運(yùn)動圖像的灰度信息建立目標(biāo)模型，對第幀中的所有鉆頭運(yùn)動圖像的樣本點進(jìn)行判別，得到鉆頭運(yùn)動的置信圖利用均值漂移理論對置信圖峰值點進(jìn)行識別，求解鉆頭運(yùn)動圖像的最優(yōu)峰值點，實現(xiàn)多目標(biāo)分割、跟蹤。具體過程如下所述：

對鉆頭運(yùn)動圖像的多目標(biāo)進(jìn)行分類，利用貝葉斯公式進(jìn)行計算，得到鉆頭運(yùn)動圖像的后驗條件概率，可表示為：

（10）

式中：代表鉆頭運(yùn)動圖像目標(biāo)模型；代表鉆頭運(yùn)動圖像背景模型。在此基礎(chǔ)上，結(jié)合式（10）對式（7）進(jìn)行轉(zhuǎn)化，給出鉆頭運(yùn)動圖像目標(biāo)的初始位置，利用灰度信息建立目標(biāo)模型，對第幀鉆頭運(yùn)動圖像的每一個樣本點做后驗條件概率判斷，可以得到鉆頭運(yùn)動的置信圖：endprint

（11）

結(jié)合均值漂移理論尋找鉆頭運(yùn)動置信圖的峰值點，計算結(jié)果可表示為：

（12）

式中：代表以鉆頭運(yùn)動置信圖的峰值點為中心的鄰域；初始值代表卡爾曼濾波器濾波得到的預(yù)測值；分別代表鉆頭運(yùn)動置信圖中每點的坐標(biāo)。

通過均值漂移算法得到鉆頭運(yùn)動置信圖的峰值后，以上一幀的鉆頭運(yùn)動圖像窗口大小為初始值，框定運(yùn)動圖像目標(biāo)最優(yōu)點，利用式（13）定義全部圖像識別的鉆頭自動跟蹤目標(biāo)函數(shù)：

（13）

式中代表上一幀的鉆頭運(yùn)動圖像窗口大小，依據(jù)上一幀的窗口大小完成鉆頭運(yùn)動圖像的自動跟蹤。

2 實驗仿真證明

為了驗證本文提出的基于圖像識別鉆頭自動跟蹤算法的有效性，需要進(jìn)行一次仿真實驗，實驗圖像均為由CCD攝像機(jī)實時采集的可見光圖像，采樣速率為30 f/s，把RGB圖像轉(zhuǎn)換為灰度圖像，直方圖采用灰度級。編程環(huán)境是P42.4G的PC機(jī)，算法由VC語言在Windows NT平臺下編程實現(xiàn)，在不同鉆頭工作條件下進(jìn)行30次運(yùn)動圖像自動跟蹤實驗。

分別利用模糊濾波算法與圖像識別算法進(jìn)行鉆頭自動跟蹤實驗，對比不同算法的跟蹤誤差，結(jié)果如表1所示。

通過分析表1可知，利用圖像識別算法進(jìn)行鉆頭自動跟蹤的準(zhǔn)確性要高于利用模糊濾波算法進(jìn)行鉆頭跟蹤的結(jié)果，這主要是因為在利用圖像識別算法進(jìn)行鉆頭自動跟蹤過程中，將鉆頭圖像與對應(yīng)每個通道的Gabor濾波器分別進(jìn)行卷積，得出每個通道輸出的鉆頭運(yùn)動圖像，再對提取出的鉆頭運(yùn)動圖像目標(biāo)進(jìn)行濾波，將鉆頭運(yùn)動圖像的像素分為前景或背景，通過一定的加權(quán)將每一幀新輸入鉆頭運(yùn)動圖像的變化動態(tài)加到模型中自適應(yīng)地進(jìn)行更新。對鉆頭運(yùn)動圖像幀之間的特征點進(jìn)行相應(yīng)的匹配工作，獲取鉆頭運(yùn)動圖像的最優(yōu)峰值點，使得利用圖像識別算法進(jìn)行鉆頭自動跟蹤的準(zhǔn)確性較高。

以表1給出的統(tǒng)計結(jié)果為理論依據(jù)，將模糊濾波算法得到的位置與誤差曲線和圖像識別鉆頭自動跟蹤算法得到的位置與誤差曲線進(jìn)行對比，結(jié)果如圖1～圖4所示。

分析圖1～圖4可知，在不同的跟蹤實驗次數(shù)下，利用圖像識別算法預(yù)測位置趨勢曲線與期望位置趨勢曲線基本吻合，通過誤差位置曲線可以看出，利用圖像識別算法進(jìn)行鉆頭的位置跟蹤誤差幾乎為零，這主要是因為在利用圖像識別方法進(jìn)行鉆頭自動跟蹤過程中，先采用雙重卷積理論對原鉆頭圖像進(jìn)行閾值分割，提取出鉆頭運(yùn)動圖像目標(biāo)，對提取出的鉆頭運(yùn)動圖像目標(biāo)進(jìn)行濾波處理，獲得鉆頭目標(biāo)圖像的歸一化中心矩。結(jié)合支持向量機(jī)理論對鉆頭運(yùn)動圖像進(jìn)行像素分類，獲取候選鉆頭運(yùn)動圖像目標(biāo)，采用高斯模型對目標(biāo)和背景建模。以鉆頭圖像的灰度信息為特征空間，結(jié)合單變量高斯模型對已獲得的目標(biāo)和背景信息進(jìn)行統(tǒng)計，得到鉆頭運(yùn)動圖像背景的高斯分布參數(shù)模型。利用貝葉斯分類理論對鉆頭圖像目標(biāo)的初始位置進(jìn)行識別，在此基礎(chǔ)上，結(jié)合卡爾曼濾波預(yù)測估計方法和均值漂移理論得到鉆頭自動跟蹤目標(biāo)函數(shù)，實現(xiàn)目標(biāo)跟蹤和定位功能。

3 結(jié) 語

針對當(dāng)前方法進(jìn)行鉆頭自動跟蹤過程中，難以對鉆頭目標(biāo)模板進(jìn)行精確描述且運(yùn)算較為復(fù)雜，存在跟蹤誤差大的問題，提出一種基于圖像識別鉆頭自動跟蹤方法。實驗結(jié)果表明，所提方法能夠有效提升鉆頭運(yùn)動圖像目標(biāo)的檢測精度，且目標(biāo)跟蹤的穩(wěn)定性較強(qiáng)。

參考文獻(xiàn)

[1] 周楨.基于多標(biāo)記圖分割的遮擋下多目標(biāo)分割及跟蹤算法[J].科學(xué)技術(shù)與工程，2015，15（10）：102?105.

[2] 黃斌.基于自適應(yīng)觀測粒子濾波的運(yùn)動跟蹤算法[J].科技通報，2016，32（3）：145?148.

[3] 來羽.基于粒子群算法的傳感網(wǎng)絡(luò)節(jié)點動態(tài)目標(biāo)跟蹤[J].計算機(jī)仿真，2016，33（3）：239?242.

[4] 鄭朝暉.基于NCC匹配的Camshift目標(biāo)跟蹤算法[J].四川理工學(xué)院學(xué)報（自然科學(xué)版），2015，28（4）：37?40.

[5] 李榮，徐燕華.基于視覺信息的圖像特征提取算法研究[J].電子設(shè)計工程，2016，24（9）：188?190.

[6] 楊凱，魏本征，任曉強(qiáng)，等.基于深度圖像的人體運(yùn)動姿態(tài)跟蹤和識別算法[J].數(shù)據(jù)采集與處理，2015，30（5）：1043?1053.

[7] 鄒德永，孟祥雨，袁軍，等.基于模式識別的鉆頭選型新方法[J].石油鉆探技術(shù)，2016，44（2）：40?45.

[8] 周西峰，鄒浩，郭前崗.一種基于超聲檢測圖像的缺陷自動識別算法[J].微型機(jī)與應(yīng)用，2015，34（9）：54?56.

[9] 白靈.基于Hadoop平臺下SVM的圖像識別技術(shù)[J].現(xiàn)代電子技術(shù)，2016，39（16）：98?101.

[10] 劉國華.基于圖像處理的鉆頭測量系統(tǒng)[J].黑龍江大學(xué)工程學(xué)報，2016，7（1）：92?96.

[11] 王躍東，錢小燕，張?zhí)齑?，?基于聯(lián)合雙邊濾波的融合圖像跟蹤算法研究[J].航空計算技術(shù)，2016，46（2）：37?41.endprint