劉森斌，汪國(guó)有

(華中科技大學(xué)自動(dòng)化學(xué)院，武漢 430074)

0 引言

目前關(guān)于機(jī)器視覺的靶紙區(qū)域檢測(cè)問題的研究，劉焱［1］針對(duì)圖像中靶紙灰度的特殊性，采用閾值分割的算法確定靶紙中心區(qū)域。崔亞琳［2］采用灰度圖邊緣檢測(cè)算法和Hough變換擬合圓環(huán)輪廓，確定靶紙區(qū)域。王蔚揚(yáng)［3］、周友行［4］針對(duì)靶紙顏色特征，利用像素RGB三通道 (HSI特征空間三通道)灰度值進(jìn)行閾值二值化及邊緣處理，再采用Hough變換擬合圓環(huán)輪廓達(dá)到確定靶紙區(qū)域的目的。［5-8］通過固定采像裝置位置和靶紙粘貼位置的方式，保證采集的圖像中只包含標(biāo)準(zhǔn)的靶紙區(qū)域，避開靶紙區(qū)域檢測(cè)問題。上述方法的適用場(chǎng)合是光照條件良好、靶紙與背景存在很大對(duì)比度，并且拍攝的靶紙圖不能存在任何傾斜，否則靶紙區(qū)域的檢測(cè)會(huì)存在很大偏差。為了克服光照條件變化、對(duì)比度變化和拍攝角度變化的影響，本文提出基于改進(jìn)Fast MBD顯著性和多特征匹配的快速靶紙區(qū)域檢測(cè)算法。

顯著性區(qū)域提取的目標(biāo)是計(jì)算得到一幅顯著圖，顯著圖表現(xiàn)為高亮場(chǎng)景中的顯著目標(biāo)而抑制背景區(qū)域。目前，基于不同層次的理論和準(zhǔn)則已經(jīng)提出大量的顯著性區(qū)域提取模型，例如基于信息論模型［9］，基于圖論模型［10-12］，基于統(tǒng)計(jì)論模型［13-15］，基于機(jī)器學(xué)習(xí)模型［16-17］。同時(shí)，多方面的有效度量和先驗(yàn)知識(shí)也被用于顯著性區(qū)域提取模型中，例如局部和全局對(duì)比度度量［18-19］，邊界連通先驗(yàn)知識(shí)［20-21］，中心先驗(yàn)知識(shí)［22］和背景先驗(yàn)知識(shí)［23］。這些模型需要大量的多尺度計(jì)算，遠(yuǎn)遠(yuǎn)不能達(dá)到實(shí)時(shí)性的要求。Fast MBD變換類似光柵搜索算法在圖像像素總量的線性復(fù)雜度上完成計(jì)算［21］，因此，針對(duì)靶紙區(qū)域的顏色和形狀相對(duì)固定的特性，本文提出結(jié)合Fast MBD變換、局部區(qū)域?qū)Ρ榷认闰?yàn)、形狀先驗(yàn)的顯著性區(qū)域提取算法，實(shí)驗(yàn)證明了該算法針對(duì)靶紙區(qū)域提取是魯棒且快速的。

顯著性區(qū)域提取只是找出了圖像中的顯著區(qū)域，但是檢測(cè)出的顯著區(qū)域不一定是靶紙目標(biāo)。因此，在顯著性區(qū)域提取算法后引入多特征匹配的特定目標(biāo)分類算法。目標(biāo)之間有兩個(gè)明顯的區(qū)分特性——目標(biāo)表面紋理和目標(biāo)邊界形狀，已提出大量特征描述算子，例如Local Binary Pattern［24］，Local Ternary Pattern［25］，Histogram of Gradients［26］，Histograms of Sparse Codes［27］，Haar－like Feature［28］等目標(biāo)描述算子。為了提高匹配的準(zhǔn)確性，我們采用多特征匹配的算法，分別提取顏色特征、邊緣特征和紋理特征，并采用1－范式，將提取的特征與靶紙模板特征進(jìn)行相似性度量，通過設(shè)定固定閾值判斷該候選區(qū)域是否為靶紙目標(biāo)區(qū)域。實(shí)驗(yàn)證明了該算法的有效性。

1 基于改進(jìn)Fast MBD顯著性檢測(cè)和多特征融合匹配的靶紙區(qū)域快速檢測(cè)算法

本文提出的算法的流程圖如圖1所示。

圖1 靶紙區(qū)域檢測(cè)流程圖

1.1 改進(jìn)Fast Minimum Barrier Distance顯著性區(qū)域檢測(cè)算法

基于對(duì)靶紙圖像的分析，我們引入兩個(gè)屬性定義靶紙顯著目標(biāo):

1)靶紙目標(biāo)總是不同于四周和圖像邊界區(qū)域，靶紙紅色區(qū)域占據(jù)目標(biāo)主要部分。

2)靶紙目標(biāo)擁有完整的封閉邊界，并且封閉邊界是正方形，即封閉邊界的周長(zhǎng)與面積之比近似于4/a(a為正方形的邊長(zhǎng))。

針對(duì)屬性a，我們對(duì)圖像邊界連通先驗(yàn)和局部區(qū)域?qū)Ρ榷认闰?yàn)進(jìn)行量化。屬性b作為靶紙形狀先驗(yàn)屬性，將其與圖像邊界連通先驗(yàn)、局部區(qū)域?qū)Ρ榷认闰?yàn)結(jié)合，進(jìn)一步提升顯著區(qū)域提取的魯棒性。

1.1.1 圖像邊界連通先驗(yàn)的量化

圖像邊界連通先驗(yàn)假設(shè)大部分背景圖像區(qū)域之間能夠很容易地相互連通，而背景區(qū)域與顯著目標(biāo)區(qū)域很難連通［29］。換句話說，圖像邊界連通先驗(yàn)可以作為一種區(qū)分顯著性區(qū)域和背景區(qū)域的判別準(zhǔn)則。為了度量圖像邊界連通先驗(yàn)，我們使用距離變換進(jìn)行度量。距離變換是一種強(qiáng)有力的圖像幾何分析工具，目標(biāo)是針對(duì)背景種子像素集合計(jì)算一張距離圖，距離圖描述圖像中其余像素到圖像邊界的最短距離。換句話說，距離圖反映其余像素與背景像素的相似性。距離變換的定義［29］如定義1。

定義1:

考慮一幅2維單通道數(shù)字圖像I，圖像I中的一條路徑p=(p(0)，p(1)，．．，p(k))是一系列像素組成的序列，其中序列中任意相鄰的像素對(duì)在圖像I中也是相鄰的。給定路徑損失函數(shù)F和背景種子集合S，距離變換轉(zhuǎn)化為計(jì)算距離圖D，以致對(duì)于每個(gè)像素t而言:

其中:∏S，t是像素t到背景種子集合S的全部路徑。

我們采用Minimum Barrier Distance構(gòu)造損失函數(shù)F，對(duì)噪聲和圖像模糊具有魯棒性［21］，如式 (2)。

其中:I(·)表示像素的灰度值。由于精確地MBD變換需要窮舉算法實(shí)現(xiàn)，計(jì)算復(fù)雜度高，難以達(dá)到實(shí)時(shí)性。

我們引入 Fast Minimum Barrier Distance變換［21］來計(jì)算距離圖D。Fast Minimum Barrier Distance通過正向光柵搜索和反向光柵搜索訪問每個(gè)像素x，并用x半鄰域?qū)?yīng)的相鄰像素y迭代更新像素x的最小路徑損失D(x)(正向光柵方向x的鄰域范圍為左、上鄰域，反向光柵方向x的鄰域范圍為右、下鄰域)，更新公式如式 (3)所示:

其中:p(y)表示像素y到背景種子點(diǎn)集合的路徑。［y，x］表示y到x的邊界路徑，p(y)·［y，x］表示通過［y，x］將路徑p(y)延長(zhǎng)至像素點(diǎn)x所形成的新路徑，即像素x到背景種子點(diǎn)的路徑。U(y)和L(y)分別表示路徑p(y)中的最大像素灰度值和最小像素灰度值。因此，通過輔助矩陣U和L為每個(gè)像素x跟蹤記錄其路徑p(x)上的最大像素灰度值和最小像素灰度值，能夠快速的計(jì)算距離變換圖D。U和L的更新公式如式 (4)所示。

我們首先假設(shè)圖像邊界上的若干像素作為背景種子點(diǎn)S，為每個(gè)顏色通道使用Fast MBD變換計(jì)算MBD距離圖，分別記為DR，DG，DB，然后針對(duì)靶紙的顏色特性，給3個(gè)距離圖賦予不同的權(quán)重累加起來，并做尺度歸一化，形成最后的距離圖D，如式 (5)所示:

1.1.2 局部區(qū)域?qū)Ρ榷认闰?yàn)的量化

圖像邊界連通先驗(yàn)是將圖像邊界視為背景區(qū)域。當(dāng)靶紙部分區(qū)域位于圖像邊界上時(shí)，會(huì)導(dǎo)致提取到的靶紙顯著區(qū)域不完整，甚至完全提取不到靶紙顯著區(qū)域。為了改善這種情況，引入局部區(qū)域?qū)Ρ榷认闰?yàn)作為顯著性區(qū)域提取的補(bǔ)充準(zhǔn)則。

局部區(qū)域?qū)Ρ榷认闰?yàn)是假設(shè)如果某一個(gè)區(qū)域與它相鄰區(qū)域可區(qū)分，那么該區(qū)域就是顯著區(qū)域。相鄰區(qū)域之間的區(qū)分，我們提取它們的HSV直方圖特征和RGB直方圖特征［30］，并利用卡方距離進(jìn)行度量。

因?yàn)閳D像中的靶紙區(qū)域尺寸會(huì)隨著拍攝距離的變化而變化，我們并不能事先估計(jì)出靶紙?jiān)趫D像中的大致尺寸。因此，我們利用基于圖論的圖像分割算法［31］對(duì)彩色圖像進(jìn)行處理，形成超像素區(qū)域，從而避免區(qū)域尺寸選擇問題。同時(shí)，為了滿足實(shí)時(shí)性的需求，我們事先對(duì)輸入圖像進(jìn)行降采樣操作，減少超像素分割過程和顏色統(tǒng)計(jì)特征提取過程中處理像素的數(shù)量。

其中，aik表示區(qū)域rk的面積與ri所有相鄰區(qū)域的總面積的比值。

得到每個(gè)區(qū)域的對(duì)比度C(ri)之后，我們將其區(qū)域內(nèi)的所有像素的灰度值都設(shè)置為C(ri)，并進(jìn)行尺度歸一化后，得到局部區(qū)域?qū)Ρ榷葓DC。

1.1.3 靶紙形狀先驗(yàn)的量化

在根據(jù)式 (7)結(jié)合1.1.1節(jié)的距離圖D(p)和1.1.2節(jié)的對(duì)比度圖C(p)作為最終的顯著圖S(p)時(shí)，我們發(fā)現(xiàn)在提取到的靶紙顯著區(qū)域中可能包含部分背景區(qū)域。為了保證后續(xù)多特征匹配的準(zhǔn)確度，我們需要消除提取到的靶紙顯著區(qū)域中包含的背景區(qū)域的影響。因此，我們?cè)僖氚屑埿螤钕闰?yàn)作為顯著性區(qū)域提取的補(bǔ)充準(zhǔn)則，更精確提取靶紙顯著區(qū)域。

形狀先驗(yàn)是假設(shè)顯著目標(biāo)是由一條封閉輪廓圍繞，也就是說，顯著值大的像素都位于封閉輪廓內(nèi)部，顯著值小的像素位于封閉輪廓外部。因此，為了度量形狀先驗(yàn)，我們將利用邊緣信息和像素顯著值，尋找到一條包含大量高顯著值像素的封閉輪廓B*。

由于靶紙的形狀是封閉的正方形，我們利用Line Segment Detector［32］直線檢測(cè)器提取圖像中的所有直線邊緣，形成邊緣圖E。然而，由于在邊緣圖E中存在部分直線不相交的情況，我們?cè)诓幌嘟恢本€對(duì)的兩個(gè)端點(diǎn)之間添加長(zhǎng)度不超過Lmax的補(bǔ)償直線，以用于形成封閉輪廓。假設(shè)得到的封閉輪廓表示為B={Bi}Ki=1，K表示圖像中所有封閉輪廓的個(gè)數(shù)，封閉輪廓Bi包含的補(bǔ)償直線集合表示為Gi={gj}M

j=1，M表示為了形成封閉輪廓Bi所需的補(bǔ)償直線總數(shù)量，同時(shí)給定通過式 (7)得到的顯著圖S。我們通過式(8)找出封閉輪廓B*。

其中:|Gi|表示為了形成封閉輪廓Bi所需的補(bǔ)償直線的總長(zhǎng)度，表示位于封閉輪廓Bi內(nèi)部的總顯著性值，SBi表示封閉輪廓Bi的面積，PBi表示封閉輪廓Bi的周長(zhǎng)，LBi表示封閉輪廓Bi邊長(zhǎng)的平均值，γ是一個(gè)指定的閾值。實(shí)際上是類正方形約束。

用式 (8)得到圍繞靶紙目標(biāo)的封閉輪廓B*后，為了描述圖像中各個(gè)像素點(diǎn)在形狀先驗(yàn)下的顯著性值，我們可以通過式 (10)得到形狀先驗(yàn)圖P。

其中:d(p)是像素p與封閉輪廓B*之間的最短空間距離，我們用坐標(biāo)歐式距離描述。

最后，我們通過式 (11)將1.1.1節(jié)的距離圖D(p)、1.1.2節(jié)的對(duì)比圖C(p)、1.1.3節(jié)的形狀先驗(yàn)圖P(p)結(jié)合起來，形成我們提出的顯著圖S(p)。

相比于原始的Fast MBD顯著性方法，由于本文提出的方法通過引入局部區(qū)域?qū)Ρ榷认闰?yàn)和靶紙形狀先驗(yàn)作為顯著區(qū)域提取的補(bǔ)償機(jī)制，雖然在一定程度上增加了時(shí)間開銷，但是顯著提高了位于圖像邊緣區(qū)域的靶紙檢測(cè)精度。最終算法仍然能夠保證30幀/秒的運(yùn)行速度，實(shí)現(xiàn)實(shí)時(shí)性。對(duì)顯著圖進(jìn)行尺度歸一化、自適應(yīng)閾值二值化和形態(tài)學(xué)處理，對(duì)比結(jié)果如圖2所示。

1.2 多特征匹配算法

由于顯著區(qū)域提取算法只是找出了圖像中的顯著區(qū)域，但是區(qū)域不一定包含靶紙目標(biāo)，如圖3所示。因此，我們利用多特征匹配算法，通過設(shè)定的閾值判斷檢測(cè)到的區(qū)域是否包含靶紙。

圖2 本文提出的方法與原始Fast MBD顯著區(qū)域提取方法對(duì)比

圖3 本文提出的顯著區(qū)域檢測(cè)算法處理類似靶紙區(qū)域的結(jié)果

目標(biāo)之間有兩個(gè)明顯的區(qū)分特性——表面紋理和邊界形狀。同時(shí)，目標(biāo)的顏色特征能作為一種補(bǔ)償特征，進(jìn)一步提高分類的準(zhǔn)確度。因?yàn)镈iscriminative Robust Local Binary Pattern［33］特征已經(jīng)融合表面紋理信息和邊界形狀信息，所以我們根據(jù)靶紙的顏色特性，再引入歸一化RGB顏色直方圖特征［30］，將其與DRLBP特征結(jié)合共同組成我們需要的最終特征。

1.2.1 歸一化RGB顏色直方圖

我們分離出輸入圖像I的R、G、B三通道，并對(duì)3個(gè)通道進(jìn)行式 (12)的灰度歸一化操作。

其中:R*(t)、G*(t)、B*(t)分別為灰度歸一化處理后RGB三通道像素t的灰度值，R(t)、G(t)、B(t)分別為原始RGB三通道像素t的灰度值，Rmin、Gmin、Bmin分別為原始RGB三通道中最小灰度值，Rmax、Gmax、Bmax分別為原始RGB三通道中最大灰度值。

然后，根據(jù)式 (13)分別統(tǒng)計(jì)RBG三通道灰度直方圖。

其中:HR、HG、HB分別表示RGB三通道的256維直方圖。

將HR、HG、HB三個(gè)直方圖依此串接起來，形成RGB直方圖特征HC，一共3*256=768維特征。

1.2.2 DRLBP特征

針對(duì)傳統(tǒng)Local Binary Pattern描述子難以區(qū)分強(qiáng)、弱局部對(duì)比度模式的問題，DRLBP描述子［33］融合邊界形狀信息和表面紋理信息，形成對(duì)強(qiáng)、弱局部對(duì)比度模式具有高可分性的單一描述。

首先，利用Sobel算子對(duì)輸入圖像進(jìn)行梯度計(jì)算，分別得到輸入圖像在x方向和y方向的一階偏導(dǎo)數(shù)Ix和Iy，并利用式 (14)計(jì)算每個(gè)像素的梯度幅值。

再將所有像素t的梯度幅值w(t)用于加權(quán)像素對(duì)應(yīng)的LBP編碼。這樣做意味著，如果某像素處于強(qiáng)局部對(duì)比度模式中，那么該像素的梯度幅值會(huì)很大，作用到其對(duì)應(yīng)LBP編碼上的權(quán)重也就會(huì)很大，而對(duì)于弱局部對(duì)比度模式而言，情況恰恰相反。所以，通過融合梯度幅值和LBP紋理描述，能夠形成對(duì)強(qiáng)、弱局部對(duì)比度模式具有高可分性的描述子。

DRLBP計(jì)算如式 (15):

其中:N為輸入圖像總像素個(gè)數(shù)，w(t)表示像素t的梯度幅值，LBP(t)表示像素t的LBP編碼。我們用以像素t為中心，3x3大小的區(qū)域計(jì)算LBP編碼，因此B=8，再對(duì)LBP進(jìn)行規(guī)范化處理［34］，最終形成60維DRLBP特征。

將1.2.1節(jié)中的顏色直方圖HC特征和1.2.2節(jié)中的DRLBP特征串接起來，形成768+60=828維特征F。

假設(shè)標(biāo)準(zhǔn)靶紙?zhí)卣鳛閐m，待匹配的目標(biāo)特征為d*，我們利用1－范式進(jìn)行相似性度量，如式 (16)所示。

再將 (16)得到的SimVal與設(shè)定的閾值η進(jìn)行比較，判斷目標(biāo)是否為靶紙。

2 實(shí)驗(yàn)結(jié)果與分析

2.1 數(shù)據(jù)庫及評(píng)價(jià)標(biāo)準(zhǔn)

針對(duì)實(shí)際應(yīng)用中靶紙所處的不同環(huán)境，我們用相機(jī)捕獲400張包含靶紙區(qū)域的尺寸為640*480圖像作為測(cè)試數(shù)據(jù)集a，并手動(dòng)標(biāo)記測(cè)試數(shù)據(jù)集中靶紙區(qū)域的真實(shí)位置。為了評(píng)估改進(jìn)Fast MBD顯著區(qū)域提取算法的性能，我們利用Precision評(píng)價(jià)指標(biāo)、Recall評(píng)價(jià)指標(biāo)、算法處理時(shí)間指標(biāo)，將其與原始Fast MBD變換顯著區(qū)域檢測(cè)算法［21］進(jìn)行比較。改進(jìn)Fast MBD變換顯著區(qū)域檢測(cè)算法和原始Fast MBD變換顯著區(qū)域檢測(cè)算法都采用C++語言和OpenCV庫實(shí)現(xiàn)，并在CPU主頻為1.8 GHz、內(nèi)存為2 GB的華為海思平臺(tái)上運(yùn)行。

假設(shè)從測(cè)試數(shù)據(jù)集a中分離出的400張靶紙圖像是數(shù)據(jù)集c，為了證明多特征匹配算法的有效性，我們從數(shù)據(jù)集c中隨機(jī)抽取200張靶紙圖像，將其與ImageNet的訓(xùn)練數(shù)據(jù)集進(jìn)行合并，形成訓(xùn)練數(shù)據(jù)集a。然后，我們將數(shù)據(jù)集c中剩余的200張靶紙圖像與ImageNet的測(cè)試數(shù)據(jù)集合并，形成測(cè)試數(shù)據(jù)集b，通過Precision評(píng)價(jià)指標(biāo)、Recall評(píng)價(jià)指標(biāo)、算法處理時(shí)間指標(biāo)對(duì)多特征匹配算法進(jìn)行評(píng)估。我們將圖像尺寸都縮放為64*64大小。多特征匹配算法采用C++語言和OpenCV庫實(shí)現(xiàn)。

我們針對(duì)光照變化問題、小對(duì)比度問題、目標(biāo)旋轉(zhuǎn)問題和目標(biāo)尺度縮放問題，將改進(jìn)Fast MBD變換顯著區(qū)域檢測(cè)算法與原始Fast MBD變換顯著區(qū)域檢測(cè)算法進(jìn)行對(duì)比。部分對(duì)比實(shí)驗(yàn)結(jié)果如圖4所示。從圖4中，我們可以看出本文提出的改進(jìn)Fast MBD顯著區(qū)域檢測(cè)算法在一定程度上解決了光照變化、小對(duì)比度、目標(biāo)旋轉(zhuǎn)和目標(biāo)尺度縮放問題。

2.2 改進(jìn)Fast Minimum Barrier Distance顯著性區(qū)域算法性能評(píng)估

2.2.1 Precision評(píng)價(jià)指標(biāo)與Recall評(píng)價(jià)指標(biāo)

Precision評(píng)價(jià)指標(biāo)和Recall評(píng)價(jià)指標(biāo)計(jì)算公式如 (17)所示。

圖4 改進(jìn)Fast MBD變換顯著區(qū)域檢測(cè)算法和原始Fast MBD變換顯著

其中:TP是正確分類的正樣本數(shù)，F(xiàn)P是被錯(cuò)誤標(biāo)記為正樣本的負(fù)樣本數(shù)，F(xiàn)N是被錯(cuò)誤的標(biāo)記為負(fù)樣本的正樣本數(shù)。

分別使用改進(jìn)Fast MBD變換顯著區(qū)域檢測(cè)算法和原始Fast MBD變換顯著區(qū)域檢測(cè)算法批處理測(cè)試數(shù)據(jù)集a。在得到所有圖像的顯著圖后，再進(jìn)行自適應(yīng)閾值分割和形態(tài)學(xué)操作，得到對(duì)應(yīng)的二值圖。然后，利用所有二值圖上的所有像素分類 (灰度值為255的像素為前景，灰度值為0的像素為背景)計(jì)算Precision評(píng)價(jià)指標(biāo)與Recall評(píng)價(jià)指標(biāo)。

兩個(gè)對(duì)比算法的Precision評(píng)價(jià)指標(biāo)和Recall評(píng)價(jià)指標(biāo)如表1所示，部分處理結(jié)果對(duì)比如圖2所示。

表1 兩個(gè)顯著區(qū)域檢測(cè)算法的Precision、Recall評(píng)價(jià)指標(biāo)

從表1可以看到，針對(duì)測(cè)試數(shù)據(jù)集a，改進(jìn)Fast MBD變換顯著區(qū)域檢測(cè)算法提出的算法在Precision指標(biāo)和Recall指標(biāo)上優(yōu)于原始Fast MBD變換顯著區(qū)域檢測(cè)算法。由于局部區(qū)域?qū)Ρ榷认闰?yàn)的引入，在一定程度上對(duì)原始Fast MBD顯著區(qū)域檢測(cè)算法得到的像素顯著性值進(jìn)行完善補(bǔ)充，進(jìn)一步在背景中突出目標(biāo)區(qū)域，從而改善了當(dāng)靶紙位于圖像邊界時(shí)顯著區(qū)域缺失情況和目標(biāo)與背景對(duì)比度小時(shí)導(dǎo)致的顯著區(qū)域缺失情況。同時(shí)，我們引入形狀先驗(yàn)，通過尋找包含大量大顯著值的封閉輪廓，進(jìn)一步確定顯著目標(biāo)的位置，使得算法能夠更有效地提取出類正方形區(qū)域。

2.2.2 算法處理時(shí)間

為了測(cè)試算法處理時(shí)間，在CPU主頻為1.8 GHz，內(nèi)存為2 GB的華為海思平臺(tái)上進(jìn)行實(shí)驗(yàn)。對(duì)測(cè)試數(shù)據(jù)集a，進(jìn)行批處理，統(tǒng)計(jì)平均處理時(shí)間，如表2所示。

表2 兩個(gè)顯著區(qū)域檢測(cè)算法的平均處理時(shí)間

因?yàn)槲覀円肓司植繀^(qū)域?qū)Ρ榷认闰?yàn)和形狀先驗(yàn)，所以在一定程度上增加了時(shí)間開銷，但是提出的算法仍能保證30幀/s的運(yùn)行速度。

2.3 多特征匹配算法的性能

我們利用多特征匹配算法批處理訓(xùn)練數(shù)據(jù)集a，將得到的一系列特征與預(yù)存的靶紙模板特征進(jìn)行式 (16)相似性度量。通過對(duì)相似性度量結(jié)果的統(tǒng)計(jì)，發(fā)現(xiàn)為了平衡Precision和Recall參數(shù)，多特征匹配算法中的分類閾值η應(yīng)該設(shè)置為5.0。

我們?cè)讦?5.0的情況下，對(duì)測(cè)試數(shù)據(jù)集b進(jìn)行處理，對(duì)處理結(jié)果進(jìn)行統(tǒng)計(jì)，分別計(jì)算Precision、Recall、平均處理時(shí)間，如表3所示。

表3 多特征匹配算法性能指標(biāo)

由于我們將靶紙圖像的顏色特征、紋理特征和邊緣特征進(jìn)行組合，形成了一種在靶紙與其他目標(biāo)之間具有高可分性的新特征。通過設(shè)定相似性度量閾值，多特征匹配算法能夠達(dá)到令人滿意的性能。通過表3實(shí)驗(yàn)結(jié)果所示，足以證明本文提出的多特征匹配算法的快速、有效性。

2.4 基于改進(jìn)Fast MBD顯著性和多特征匹配的快速靶紙區(qū)域檢測(cè)算法性能

針對(duì)測(cè)試數(shù)據(jù)集a，我們把本文提出的靶紙目標(biāo)檢測(cè)算法與［2］、［4］的算法進(jìn)行比較，分別統(tǒng)計(jì)Precision指標(biāo)和Recall指標(biāo)，如表4所示。

表4 三種靶紙區(qū)域檢測(cè)算法的性能比較

由于本文提出的靶紙區(qū)域檢測(cè)算法不但考慮了靶紙本身的顏色特征和形狀特征，而且從低層次特征出發(fā)考慮了靶紙目標(biāo)與周圍背景環(huán)境的差異性，實(shí)現(xiàn)了從多個(gè)方面定義靶紙目標(biāo)，從而對(duì)光照變化、對(duì)比度變化和拍攝角度變化具有一定程度的魯棒性。同時(shí)，通過組合靶紙的顏色特征、紋理特征和邊緣特征，形成了對(duì)靶紙目標(biāo)具有高可分性的新特征，該特征對(duì)于光照變化、對(duì)比度變化和旋轉(zhuǎn)變化也具有一定程度的魯棒性，因此，將兩者進(jìn)行組合一定能夠得到相比于只考慮靶紙形狀特征和顏色特征的傳統(tǒng)靶紙區(qū)域檢測(cè)算法更好的性能。從表4中可以看出，本文提出的靶紙區(qū)域檢測(cè)算法遠(yuǎn)優(yōu)于傳統(tǒng)靶紙區(qū)域檢測(cè)算法，進(jìn)一步證明該算法的有效性。

3 結(jié)論

本文針對(duì)靶紙的顏色和形狀特性，在圖像邊界連通先驗(yàn)的基礎(chǔ)上，再引入局部區(qū)域?qū)Ρ榷认闰?yàn)和形狀先驗(yàn)，改進(jìn)原始的Fast MBD變換顯著性區(qū)域檢測(cè)的結(jié)果。同時(shí)，為了判斷檢測(cè)到的區(qū)域是否包含靶紙，我們引入多特征匹配算法，利用顏色直方圖特征和DRLBP特征與預(yù)存的靶紙模板特征進(jìn)行相似性度量。實(shí)驗(yàn)結(jié)果證實(shí)了本文提出的算法有效且實(shí)時(shí)，在一定程度上解決了光照條件變化、對(duì)比度變化和拍攝角度變化對(duì)靶紙區(qū)域檢測(cè)精度的影響。接下來的工作，是在算法上進(jìn)行進(jìn)一步的優(yōu)化，即提高算法精度，又要保證實(shí)時(shí)性。