[发明专利]一种基于最小覆盖圆匹配的无人机目标识别方法

权利要求书

1.一种基于最小覆盖圆匹配的无人机目标识别方法，其特征在于：该方法的具体实现步骤如下：

步骤一：对目标区域进行边缘检测，连通域标定，划分为若干个待匹配区域；

(1)边缘检测：采用Sobel边缘提取算子对图像进行分析，采用Matlab默认选取阈值方式设定阈值，进行边缘检测；

(2)连通域标定：连通域标定是将图像中的连通域进行编号的一个过程；

Step1：从左到右从上到下进行扫描，遇到没有加标记的目标像素p时，给这个点的像素赋一新值；

Step2：给与P连接在一起即相同连接成分的像素添加相同的标记；

Step3：进一步给所有与加标记像素连接在一起的像素添加相同的标记；

Step4：直到同一连通域的像素全部被添加标记，这样，一个连通区域就被添加了相同的标记，即赋予了相同的像素值；返回每个连接成分的像素点，这样目标区域的待匹配目标图中所有左上部分的区域在MatLab内部都被赋以新的属性编号；

Step5：返回到Step1，继续查找新的没有加标记的像素，重复以上Step1～4各个步骤；

连通标记算法可以找到图像中所有的连通成分，并对同一连通成分的所有点分配同一标记；二值图像通过连通域标记法处理后，得到n个标记的连通区域，第i个连通区域的像素值标记为i，其中i＝1，2，......n；

步骤二：建立目标模型形状特征信息库，包括目标点集的最小覆盖圆，相应点的缩放因子，直径方位，注意i的编号从直径一端开始；

步骤三：对目标区域内所有待检测目标进行最小覆盖圆的检测，并同时记录其直径方位；

(1)计算点集P＝{p_i}的凸壳CH(P)；

(2)计算CH(P)的直径，设为D，以D为直径做圆C，如果P中的点都在圆C内，则C就是所求的最小覆盖圆；否则转下述第(3)步；

(3)计算点集P＝{p_i}的最远点意义下的Voronoi图即Vor(P)；

其中，最远点意义下的Voronoi定义如下：

最远点意义下的V图定义：以这些点为圆心，作过点集P中3个点的圆，该圆正好包含其他全部点，这些点称为最远点意义下的Voronoi结点；这种最远点意义下的Voronoi结点及相应的无限凸多边形组成最远点意义下的V图；

点集P＝{p_i}的最小覆盖圆圆心必为最远点意义下的Voronoi结点之一；

(4)设v是Vor(P)中的一个Voronoi结点，以v为圆心，v至点{p_i}集中3个最远点的距离为半径做圆，该圆就是所求；

(5)记录直径、直径方位以及缩放因子集合{λ_i}，注意i的编号从直径一端开始记起；

步骤四：匹配目标模板同待匹配轮廓的直径，使得后续步骤可以在一定的方位内进行，所述的在一定的方位内进行，是指目标模板同待匹配轮廓的直径方向相同，匹配直接在该方向内进行；

步骤五：进行目标模板同待匹配轮廓的匹配，对目标区域的连通域目标依次进行；

(1)从{μ_j}中m个点等分选取n个点μ_jn，然后计算其到缩放因子集合{λ_i}的SSD测度，即差值平方和：

S=Σi,jn=1,2,···n(μjn-λi)2---(4)]]>

其中，

{λ_i}，i＝1，2，…n  表示待匹配轮廓计算最小覆盖圆之后，获得的缩放因子集合；

{μ_j}，j＝1，2…m  表示目标模板对于最小覆盖圆的缩放因子集合；

(2)回到步骤四，换取另一个直径方位进行匹配，在该方位上执行步骤五计算该方位上缩放因子点集的SSD测度，直到有限个方位计算完毕；

(3)进行下一个区域的轮廓匹配，同上述步骤五中的(1)和(2)两步；

完毕后比较求得最小的SSD测度，其对应的轮廓匹配即为所求。