二維圖像對三維物體特征的偏轉預估

摘 要：目標物體在檢測識別的過程中需要獲得當前時刻的目標特征，當目標物體發生偏轉時，檢測識別的結果將受到很大的影響，甚至目標無法被檢測出。造成影響的原因是已知目標的特征信息與偏轉后的目標特征信息匹配度不夠，所以提前預估下一時刻目標偏轉后的特征是檢測時增加特征匹配度的一個解決途徑。考慮目標圖像檢測的特點，可利用現有的、易獲得的目標二維圖像來模仿目標物體在三維空間的旋轉，以實現下一時刻偏轉后目標特征的預估。使用預估的目標特征去檢測識別偏轉后的真實目標，因兩者的特征匹配度達到合適的閾值可以順利地實現目標檢測。按設計制作的檢測系統利可用Haar特征來作為目標的特征，運用Rodrigues旋轉公式來實現二維圖像模仿目標物體在三維空間的旋轉。實驗結果表明，檢測系統在目標物體發生偏轉時依然能持續保持正確的檢測結果。

關鍵詞：目標檢測；Haar特征；預估；Rodrigues旋轉

中圖分類號：TP311 文獻標識碼：A 文章編號：1674-7712 （2015） 02-0000-01

計算機視覺是利用視覺設備與計算機相結合，通過視覺設備作為檢測系統的輸入設備，把捕獲到的目標圖像信息作用于計算機的檢測識別系統，同時發揮計算機設計靈活、運算高效的優勢，更好地實現計算機視覺在各項任務中的應用。視屏監控系統是利用攝像頭做為檢測系統的輸入設備，把攝像頭捕捉到的視頻數據傳輸給計算機，計算機再把視頻分解成單張圖像的幀序列。通過首次手工標識的目標特征來進行目標的檢測，然后依照系統流程反復不斷地進行目標特征學習、目標特征預估、目標檢測識別，來維持系統對因偏轉而發生特征變化目標的檢測識別。

目標物體的幀圖像需要格式預處理，由RGB圖像轉化成灰度圖像，灰度圖像反映的是圖像內容額不同輻射強度[1]，即圖像中各個像素點的像素值。像素點的像素值的值域為[0，255]，黑色到白色的漸變區間。每個幀圖像是二維的，其像素區域可以看成二維的矩陣，矩陣中的每個單元為單個像素點的像素值。目標的Haar特征即利用haar特征模板計算目標區域像素點的特征值[2]。

計算機要識別下一時刻的偏轉后的目標特征，就必須在當前時刻獲取并學習下一時刻的偏轉后的目標特征。那么如何獲得下一時刻的目標特征，一個可行的方法是通過預估來模仿目標物體的偏轉動作，以此獲得近似于下一時刻的目標特征。

Haar特征的級聯分類器是可以在已知特征與待測特征匹配度達到閾值時檢測出目標[3]，所以預估得到的近似目標特征是有非常有價值的。目標特征的預估就是模仿目標物體在三維空間中的各個方向的旋轉，只要有一個方向的預估與真實的目標特征相似，那么Haar級聯分類器就能檢測出該目標物體。

模仿三維空間物體旋轉的操作比較復雜，另外目標物體的三維全貌不可能事先知道，若能已知目標物體全貌特征也就不需要進行旋轉預估這一環節了。因此目標的空間旋轉預估的重點應該是目標物體在當前時刻幀圖像的內容。為了操作簡便和充分利用目標特征的特點，可采用對目標二維圖像的旋轉預估來模仿三維空間的旋轉預估。在三維空間旋轉理論中，Rodrigues旋轉公式[4]能在給出了旋轉向量后，把二維圖像在三維空間中進行旋轉。二維圖像在三維空間旋轉后得到的只能是真實目標物體三維空間中的某一部分特征的近似內容，但通過級聯分類器按匹配度來檢測目標的方式，是能檢測出目標的。然后系統可以用聚類等方法把目標偏轉產生的新特征進行分割、學習，來獲得偏轉后的完整目標特征，為下一次檢測循環做準備。

實驗結果：

綜合上述內容設計出的目標檢測系統擁有主動學習和預估的能力，能在目標物體發生偏轉時維持正確的目標檢測識別功能。新檢測方法與常用檢測方法的對比結果如圖1。實驗內容：目標物體為一個手工制作的六面體黑色紙盒，紙盒的六個面有不同數量和形狀的黃色圓點代表其每一面的特征互不相同。實驗中紙盒垂直于桌面從左向右自轉，分別用兩種Haar檢測方法對目標檢測，并對檢測結果進行對比。

圖1 Haar特征檢測比較結果

參考文獻：

[1]章毓晉.計算機視覺教程[M].北京：人民郵電出版社，2011.

[2]區蘇.基于OpenCV運動中可變特征目標的檢測和跟蹤[J].河南科技，2014（539）：7-8.

[3]Gary Bradski，Adrian Kaehler著.學習OpenCV（中文版）[M].北京：清華大學出版社，2009.

[4]Earthric.OpenCV文檔[EB/OL].http：//wiki.opencv.org.cn/index.php.