劉秋燕，陳耀武

（浙江大學(xué)數(shù)字技術(shù)及儀器研究所，杭州310027）

1 概述

隨著軍隊信息化程度的提高，自動報靶技術(shù)在軍警射擊訓(xùn)練中得到了越來越廣泛的應(yīng)用。與傳統(tǒng)的人工報靶方法相比，自動報靶方法更安全可靠高效，能有效克服人工報靶產(chǎn)生的人為誤差，滿足軍事訓(xùn)練現(xiàn)代化需求，提高部隊射擊訓(xùn)練水平［1］。

目前國內(nèi)很多研究所相繼開發(fā)出了多種自動報靶系統(tǒng)，但是應(yīng)用場景和報靶精度各有不同。聲電定位報靶系統(tǒng)精度較高，但應(yīng)用成本也高且系統(tǒng)復(fù)雜，射擊后無彈孔作為成績核查依據(jù)；雙層電極短路自動報靶方法較成熟，但檢測精度低且成本高；半導(dǎo)體電子靶系統(tǒng)最大的特點是系統(tǒng)設(shè)計簡單且維護方便，但電子靶成本太高，目前只應(yīng)用于大型國際性射擊比賽；基于圖像處理技術(shù)的自動報靶方法研究對象多為圓環(huán)靶，且精度不高，主要供競技比賽使用［2－3］。因此，現(xiàn)有的報靶系統(tǒng)難以滿足軍警靶場野外實彈射擊的強適應(yīng)性和高精度要求［1］。

本文結(jié)合機器學(xué)習(xí)算法和圖像處理技術(shù)，提出一種新的自動報靶方法。首先提取不同環(huán)境條件下的靶圖特征，并應(yīng)用Boosted Cascade算法訓(xùn)練分類器；然后對靶圖進(jìn)行圖像處理，使用霍夫變換和彈孔差影法求取靶心和彈孔位置；最后計算彈孔環(huán)值，輸出射擊成績。

2 自動報靶方法實現(xiàn)

2．1 自動報靶過程

本文提出的自動報靶方法實現(xiàn)過程如圖1所示。研究場景為軍警靶場，射擊靶為標(biāo)準(zhǔn)軍用胸型靶，圖像采集設(shè)備為高清攝像機。整個方法包括3個部分：圖像預(yù)處理、靶圖識別和彈孔識別。靶圖識別又可細(xì)分為Haar特征提取、分類器訓(xùn)練以及運用分類器識別靶圖。彈孔識別分為靶心識別、環(huán)線半徑識別、彈孔識別以及成績計算。

圖1 自動報靶方法實現(xiàn)過程

2．2 圖像預(yù)處理

在本文方法所使用的系統(tǒng)中，靶面圖像由攝像機拍攝所得，通過圖像預(yù)處理能夠改善圖像質(zhì)量，提高靶圖識別的準(zhǔn)確度。

圖像預(yù)處理主要包括圖像灰度化和圖像濾波處理。圖像灰度化處理可利用RGB空間到灰度空間的轉(zhuǎn)換實現(xiàn)，得到的灰度圖是以犧牲色調(diào)和飽和度為代價的，不影響靶圖中的邊緣和輪廓信息［4］。

靶面圖像在采集和傳輸處理過程中可能受外部噪聲和內(nèi)部噪聲的干擾和影響，因此，需要進(jìn)行濾波處理，本文采用中值濾波方法。經(jīng)過中值濾波能有效濾除圖像中夾雜的噪聲信息，特別是數(shù)字周圍由于光照因素造成的噪點，同時保留圖片的輪廓信息［5］。

經(jīng)過預(yù)處理的靶圖效果如圖2所示，圖2（a）是原始靶圖，圖2（b）是經(jīng)過灰度化和濾波處理的靶圖。

圖2 靶圖預(yù)處理

2．3 靶圖識別

靶圖識別過程使用預(yù)先訓(xùn)練好的分類器對視頻序列中的圖像進(jìn)行分類并輸出靶圖。分類器的訓(xùn)練采用Boosted Cascade算法，該算法的設(shè)計思想［6－7］是通過學(xué)習(xí)建立多層級聯(lián)結(jié)構(gòu)的分類器，最終形成一個有效的分類器。每一級分類器都對應(yīng)一個或多個能夠區(qū)分目標(biāo)對象的“弱特征”（并不是對象的全部特征），只有最終能夠通過所有分類器的圖片被認(rèn)為是需要的目標(biāo)圖片。一般而言，級數(shù)越高，所包含的目標(biāo)對象特征越復(fù)雜。

2．3．1 弱特征選取

本文方法選取的弱特征是Haar特征，該特征是由Viola等人［8］在其人臉檢測系統(tǒng)中引入的一種簡單矩形特征，能夠反映圖像的灰度變化情況，因此，同樣適用于檢測胸型靶。Haar特征模板含有白色和黑色2種矩形，并定義模板特征值為白色矩形像素和與黑色矩形像素和之差。算法中使用積分圖［9］（Integral Image）的方法，遍歷一次圖像得到圖像的積分圖，之后任一矩形的特征可通過其4個頂點的積分圖值計算得到。

2．3．2 分類器訓(xùn)練

一個典型的N級分類器的結(jié)構(gòu)［10］如圖3所示，假設(shè)每一級分類器消除負(fù)樣本的概率為h，將正樣本錯誤消除的概率為f，那么經(jīng)過N級分類器后，檢測率hitrate＝（1－f）N，虛警率為falsealarm＝hN。

圖3 N級分類器結(jié)構(gòu)

從圖3的分類器結(jié)構(gòu)和Boosted Cascade算法原理可知，分類器訓(xùn)練主要包括以下3個步驟：

（1）確定訓(xùn)練集：訓(xùn)練集的選擇對提高靶圖識別率和適應(yīng)性有重要作用?？紤]到野外實彈射擊可能遇到的復(fù)雜天氣情況，本文方法收集包括晴天、陰天不同光照條件以及不同時間段的正負(fù)樣本集。

（2）確定分類器級數(shù)、檢測率和虛警率：由于本方法用于訓(xùn)練的樣本數(shù)量較大，為了更好地訓(xùn)練分類器需要設(shè)置較大的級數(shù)和較高的錯誤消除概率。所以設(shè)置分類器級數(shù)N＝20，負(fù)樣本消除概率h＝50%，正樣本錯判概率f＝0．05%。

（3）學(xué)習(xí)訓(xùn)練：將初始樣本集輸入分類器，每一級分類器都對樣本集進(jìn)行分類，前一級分類器的輸出結(jié)果作為后一級分類器的輸入。低層次的分類器使用較少特征快速排除掉大量明顯的非靶面圖像，隨著級數(shù)增加，檢測特征數(shù)目也增加，以此提高靶圖識別精度。

至此，靶圖分類器已訓(xùn)練完成，將此分類器應(yīng)用到攝像機采集到的視頻圖像，即可快速識別出靶圖。

2．4 彈孔提取與環(huán)值計算

彈孔提取與環(huán)值計算是自動報靶技術(shù)的另一個核心部分，主要包括：靶心坐標(biāo)和環(huán)線半徑提取，彈孔識別以及環(huán)值計算［11］。

2．4．1 靶心坐標(biāo)和環(huán)線半徑提取

靶心是一個標(biāo)準(zhǔn)圓，使用霍夫變換來識別靶心坐標(biāo)和半徑［13］。設(shè)靶心圓的方程為：（x－a）2＋（y－b）2＝r2（（a，b）為圓心，r為半徑），通過霍夫變換，將圖像空間對應(yīng)到參數(shù)空間。對于圖像空間中圓周上任意一點均對應(yīng)于參數(shù)空間中一個三維錐面，而對于空間中滿足圓周的全部點，則對應(yīng)于參數(shù)空間的一組圓錐面簇。所以對圖像上每一個像素點計算（a，b，r）并累計次數(shù)，次數(shù)最大值對應(yīng)的（a，b，r）就是圖像空間中所求圓周的圓心坐標(biāo)和半徑［14］。靶心識別結(jié)果如圖4（c）所示。

圖4 靶心坐標(biāo)與環(huán)線半徑提取

2．4．2 彈孔識別和環(huán)值計算

在實彈射擊訓(xùn)練中，訓(xùn)練員進(jìn)行連續(xù)射擊，在靶圖像上將會出現(xiàn)多個彈孔，所以，本文在傳統(tǒng)的基于時間序列圖像的差影法上進(jìn)行改進(jìn)，提出了一種基于彈孔的差影法來識別連續(xù)彈孔。與基于時間序列圖像的差影法相比，該改進(jìn)方法能在一定程度上降低靶面抖動對彈孔識別的影響，而且計算量更小。

彈孔差影法首先需要提取出靶圖上的所有彈孔，然后與上一次射擊結(jié)果做差，以找出新增加的彈孔，作為本次射擊結(jié)果。分析實際獲得的射擊圖像，發(fā)現(xiàn)彈孔的灰度值跟靶圖其他部分灰度值差異較大，所以，本文提出了一種基于灰度統(tǒng)計的彈孔識別方法。首先統(tǒng)計不含彈孔的原始靶圖RGB 3個通道上的彩色數(shù)據(jù)信息。接著根據(jù)直方圖信息對包含彈孔的靶圖按像素進(jìn)行標(biāo)記，對RGB通道信息與統(tǒng)計結(jié)果相差較大的點標(biāo)記為白色，其余的標(biāo)記為黑色，圖5（a）是經(jīng)過標(biāo)記得到的疑似彈孔區(qū)域。這些疑似彈孔區(qū)域包括部分非彈孔干擾區(qū)域，干擾區(qū)域與彈孔區(qū)域相比，最大的特點是包含的像素數(shù)目很少，可以利用數(shù)學(xué)形態(tài)學(xué)方法來處理。本文通過一次開運算來去掉這些干擾區(qū)域，識別結(jié)果如圖5（b）所示。對于連續(xù)射擊產(chǎn)生的新彈孔，與前一次射擊結(jié)果做差則得到新彈孔位置。

圖5 彈孔識別

至此，彈孔坐標(biāo)、靶心坐標(biāo)和環(huán)線半徑已經(jīng)完全識別出，可以開始計算環(huán)值。根據(jù)射擊比賽規(guī)則，只有位于胸型靶有效區(qū)域的彈孔才計算成績，所以在計算成績前，先提取靶圖有效區(qū)域，檢測射擊結(jié)果是否有效。如果成績無效，直接輸出成績0，不再進(jìn)行后續(xù)計算。靶圖有效區(qū)域只需要對圖4（c）的結(jié)果填充靶心即可。

對于有效成績，設(shè)彈孔中心位置與靶心的距離為L，ri為第i環(huán)的環(huán)值半徑，環(huán)值計算分為2步：

（1）計算環(huán)值的整數(shù)部分A，依次判斷L是否小于等于ri（i＝10，9，8，7，6），第1個不小于距離值的半徑ra即為A。

3 實驗結(jié)果與分析

將本文提出的自動報靶方法運用到實際的自動報靶系統(tǒng)，圖像采集設(shè)備為高清攝像機，安裝在距離射擊靶6m處，圖6是在不同光照條件下進(jìn)行連續(xù)射擊的判靶結(jié)果。射擊分為2組，第1組為室內(nèi)正常光照，第2組為室內(nèi)弱光照，每組連續(xù)射擊6次。每組第1張圖片為輸入分類器的圖片，后面6張為系統(tǒng)輸出的射擊成績判定結(jié)果。

圖6 2組室內(nèi)射擊的判靶結(jié)果

從室內(nèi)實驗結(jié)果可以看到，該方法能識別不同光照條件下的靶面并正確計算射擊成績。

對900次野外實彈射擊成績進(jìn)行統(tǒng)計，統(tǒng)計結(jié)果如表1所示，射擊場地為野外空曠場所，射擊距離100m，射擊靶為標(biāo)準(zhǔn)軍用胸型靶，射擊環(huán)境分別為晴天、陰天的不同時刻。從表中結(jié)果可以看到，報靶精度能達(dá)到98．5%以上（報靶精度的計算以人工報靶成績?yōu)闃?biāo)準(zhǔn)）。

表1 野外實彈射擊統(tǒng)計結(jié)果

4 結(jié)束語

本文提出一種基于視頻圖像分析的自動報靶方法，使用Boosted Cascade算法訓(xùn)練分類器識別靶面，利用圖像處理方法識別靶心與彈孔。實驗結(jié)果表明，該方法能正確識別不同環(huán)境下的靶面圖像，并正確計算射擊成績，對軍警靶場不同天氣情況以及不同時刻的實彈射擊成績統(tǒng)計結(jié)果顯示，其報靶精度能達(dá)到98．5%以上。將機器學(xué)習(xí)算法應(yīng)用于靶面識別可發(fā)揮學(xué)習(xí)算法的優(yōu)勢，提高自動報靶系統(tǒng)對環(huán)境的適應(yīng)能力，但由于分類器的學(xué)習(xí)訓(xùn)練比較復(fù)雜，因此提高分類器的訓(xùn)練效率是下一步的研究方向。

［1］Ye Cuiliu，Mi Hong．The Technology of Image Processing Used in Automatic Target－scoring System［C］／／Proceedings of the 4th International Joint Conference on Computational Sciences and Optimization．Washington D．C．，USA：IEEE Press，2011：349－352．

［2］謝小亮．基于圖像處理技術(shù)的自動報靶系統(tǒng)［D］．重慶：重慶大學(xué)，2012．

［3］張麗霞．基于圖像技術(shù)的智能報靶系統(tǒng)設(shè)計［D］．南京：南京理工大學(xué)，2012．

［4］陸祥翠．基于圖像處理的靶圖識別技術(shù)研究［J］．計算機光盤軟件與應(yīng)用，2014，（1）：309－310．

［5］Arce G R，McLoughlin M．Theoretical Analysis of the Max／Median Filter［J］．IEEE Transactions on Acoustics，Speech and Signal Processing，1987，35（1）：60－69．

［6］Zhang Weize，Tong Ruofeng．Boosted Cascade of Scattered Rectangle Features for Object Detection［J］．Science in China Series F：Information Sciences，2009，52（2）：236－243．

［7］杜 宇．基于Boosted Cascade算法的人臉檢測和跟蹤系統(tǒng)［J］．電子科技，2006，（7）：67－70．

［8］Viola P，Jones M J．Robust Real－time Face Detection［J］．International Journal of Computer Vision，2004，57（2）：137－154．

［9］Viola P，Jones M．Rapid Object Detection Using a Boosted Cascade of Simple Features［C］／／Proceedings of IEEE Computer Society Conference on Computer Vision and Pattern Recognition．Washington D．C．，USA：IEEE Press，2001：511－518．

［10］Lienhart R，Maydt J．An Extended Set of Haar－like Features for Rapid Object Detection［C］／／Proceedings of IEEE International Conference on Image Processing．Washington D．C．，USA：IEEE Press，2002：900－903．

［11］Aryan P R．Vision Based Automatic Target Scoring System for Mobile Shooting Range［C］／／Proceedings of ICACSIS’12．Washington D．C．，USA：IEEE Press，2012：325－329．

［12］Xu Xiangyang，Xu Shengzhou，Jin Lianghai，et al．Characteristic Analysis of Otsu Threshold and Its Applications［J］．Pattern Recognition Letters，2011，32（7）：956－961．

［13］Fan Xinnan，Cheng Qianqian．Design of Automatic Targetscoring System of Shooting Games Based on Computer Vision［C］／／Proceedings of IEEE International Conference on Automation and Logistics．Washington D．C．，USA：IEEE Press，2009：825－830．

［14］焦圣喜，肖德軍，闕一凡．霍夫變換算法在圓心視覺定位中的應(yīng)用研究［J］．科學(xué)技術(shù)與工程，2013，13（14）：275－279．