鄭武興,王春平,付 強(qiáng),徐 艷,李 寧

(1.陸軍工程大學(xué)石家莊校區(qū)電子與光學(xué)工程系,河北 石家莊 050003；2.陸軍炮兵訓(xùn)練基地教研部,河北 張家口 075100)

1 引 言

紅外目標(biāo)檢測(cè)一直以來(lái)都是人們研究和關(guān)注的重點(diǎn),紅外探測(cè)不發(fā)射電磁波,被動(dòng)接收電磁波,相對(duì)雷達(dá)檢測(cè)其隱蔽性能好,可避免反輻射導(dǎo)彈的襲擊。紅外目標(biāo)探測(cè)是利用物體熱輻射的不同來(lái)進(jìn)行目標(biāo)探測(cè)的,而任何溫度高于絕對(duì)零度的物體都會(huì)產(chǎn)生熱輻射[1],相比于可見(jiàn)光檢測(cè),紅外檢測(cè)具有晝夜工作,受天氣影響小等優(yōu)勢(shì)。因此紅外目標(biāo)檢測(cè)在精確制導(dǎo)、防空預(yù)警、安全監(jiān)控等領(lǐng)域的應(yīng)用越來(lái)越廣泛[2]。正因如此,長(zhǎng)期以來(lái)低信噪比條件下的紅外目標(biāo)檢測(cè)技術(shù)一直備受國(guó)內(nèi)外關(guān)注,如何有效精確地檢測(cè)出目標(biāo)位置,提高檢測(cè)算法的抗干擾性和適應(yīng)性,是一直需要解決的問(wèn)題。

從20世紀(jì)80年代起,紅外目標(biāo)檢測(cè)算法便開(kāi)始逐步發(fā)展。近些年來(lái),隨著科學(xué)技術(shù)的發(fā)展以及各學(xué)科領(lǐng)域之間的知識(shí)交叉和融合,檢測(cè)、識(shí)別新算法不斷涌現(xiàn),如時(shí)空域?yàn)V波法[3]、顯著性及其各種組合方式[4-5]]、自適應(yīng)門限法[6]、Top-Hat變換[7-8]、背景抑制法[9]、神經(jīng)網(wǎng)絡(luò)法[10]、機(jī)器學(xué)習(xí)法[11]等。文獻(xiàn)[3]提出了將空時(shí)域?yàn)V波結(jié)合起來(lái)進(jìn)行紅外目標(biāo)檢測(cè),這種方法是針對(duì)圖像序列進(jìn)行的目標(biāo)檢測(cè),不能在單幀圖像中及時(shí)發(fā)現(xiàn)弱小目標(biāo)。文獻(xiàn)[6]提出融合圖像邊緣檢測(cè)和局部運(yùn)算來(lái)自動(dòng)確定目標(biāo)位置并預(yù)先提取出潛在目標(biāo)區(qū)域,但對(duì)于小至幾個(gè)或十幾個(gè)像素的弱小目標(biāo)其檢測(cè)效果并不理想。文獻(xiàn)[7]和文獻(xiàn)[8]使用的Top-Hat法檢測(cè)算法計(jì)算速度快,但需要事先確定結(jié)構(gòu)元素尺寸,并且當(dāng)虛警和目標(biāo)的灰度值相等時(shí)不能很好地對(duì)目標(biāo)進(jìn)行檢測(cè)。文獻(xiàn)[10]和文獻(xiàn)[11]提到的神經(jīng)網(wǎng)絡(luò)和機(jī)器學(xué)習(xí)等方法由于樣本需要經(jīng)過(guò)學(xué)習(xí)訓(xùn)練,大部分不能滿足實(shí)時(shí)性等要求。由此可見(jiàn),紅外目標(biāo)檢測(cè)技術(shù)依然面臨很多難題,目標(biāo)檢測(cè)融合算法依然有可以改進(jìn)和提升的空間。

本文根據(jù)紅外目標(biāo)的特點(diǎn)以及其檢測(cè)難點(diǎn),有效利用已有的目標(biāo)檢測(cè)算法,在融合濾波的基礎(chǔ)進(jìn)行顯著性檢測(cè)和邊緣檢測(cè)。同時(shí),對(duì)紅外原始圖像進(jìn)行質(zhì)心檢測(cè),通過(guò)質(zhì)心檢測(cè)縮小檢測(cè)范圍。然后,顯著性檢測(cè)和邊緣檢測(cè)在該范圍內(nèi)的檢測(cè)結(jié)果進(jìn)行權(quán)值分配,融合檢測(cè)結(jié)果,以此來(lái)獲得準(zhǔn)確的目標(biāo)位置,從而最終有效地提高算法的檢測(cè)精度。

2 算法實(shí)現(xiàn)

目前目標(biāo)檢測(cè)算法已經(jīng)很多,眾多學(xué)者在不斷研究和發(fā)現(xiàn)新算法的同時(shí),部分學(xué)者也開(kāi)始關(guān)注將算法進(jìn)行組合或融合,以此來(lái)獲得更好地檢測(cè)效果。如文獻(xiàn)[12]通過(guò)將幀間差分檢測(cè)和背景差分結(jié)合的方式獲取更精確的目標(biāo)位置；文獻(xiàn)[13]中也是將幾種方法融合,獲取圖像更好的分割效果。

2.1 多模融合濾波

圖像濾波作為圖像檢測(cè)前的預(yù)處理部分,其主要目的是增強(qiáng)目標(biāo)與背景之間的對(duì)比度,抑制背景雜波,減少噪聲干擾,提高圖像信噪比。目前的圖像濾波算法有很多,不同的濾波方法其濾波效果和適應(yīng)性也不同,一般情況下圖像預(yù)處理只采用一種方式對(duì)紅外圖像進(jìn)行濾波,一方面是為了保證檢測(cè)的實(shí)時(shí)性,減少圖像預(yù)處理耗時(shí)。另一方面不同的濾波方式可能會(huì)相互干擾,達(dá)不到預(yù)期的濾波效果。為了得到更好的濾波效果,提高算法的適應(yīng)性,本文將幾種濾波模式進(jìn)行了信息融合和改進(jìn)。具體的濾波流程如圖1所示。

圖1 多模融合濾波流程

融合濾波的具體處理步驟如下:

Step1:將原始紅外圖像進(jìn)行分組采樣,分別提取不同行列的降采樣圖片。

因?yàn)槟繕?biāo)在圖像中所占區(qū)域往往相對(duì)集中,通過(guò)降采樣提取圖片,一方面保留了目標(biāo)和背景的主要特征,且保證了目標(biāo)的相對(duì)位置不變,不影響目標(biāo)檢測(cè)的結(jié)果,另一方面又可以減少圖像處理數(shù)據(jù),節(jié)省預(yù)處理時(shí)間。

Step 2:對(duì)降采樣得到的兩組圖像分別進(jìn)行不同形式的濾波。

文中采用了中值濾波和均值濾波這兩種濾波方式,因?yàn)閮煞挡蓸訄D片均保留了原始圖像中目標(biāo)和背景的特性,通過(guò)對(duì)兩幅圖像進(jìn)行不同模式的濾波,可以獲得保留目標(biāo)的不同特征。

Step 3:將兩種不同模式濾波后的圖像分別與各自降采樣圖像作差,并進(jìn)行融合。

通過(guò)分配不同權(quán)值系數(shù)將兩幅濾波后處理后的圖像進(jìn)行融合,這樣保留了兩種濾波形式的下目標(biāo)所具有的不同特點(diǎn),融合過(guò)程中依據(jù)濾波效果,對(duì)圖像進(jìn)行了權(quán)值分配。本文采用中值和均值濾波圖像權(quán)值2∶3的分配系數(shù),有效提高圖像的信噪比,實(shí)驗(yàn)取得良好的濾波效果。

為了驗(yàn)證多模融合濾波效果,本文選取了一幅640×480大小且含有目標(biāo)的紅外圖像進(jìn)行處理,結(jié)果如圖2所示。

從圖2可以看出,中值濾波保留了目標(biāo)相對(duì)明顯的角點(diǎn)信息,均值濾波則保留了目標(biāo)相對(duì)完整的邊緣信息。為了驗(yàn)證濾波效果,文中對(duì)原始圖像進(jìn)行了單一模式濾波,濾波后圖像與原圖作差,結(jié)果如圖3所示。

圖2 多模融合濾波處理效果

圖3 單一濾波模式處理效果

圖2(f)與圖3(a)和圖3(b)對(duì)比可以看出,經(jīng)過(guò)融合濾波后的圖像使得目標(biāo)區(qū)域更加明顯,有利于后面檢測(cè)算法的目標(biāo)提取。同時(shí)為了進(jìn)一步驗(yàn)證多模濾波的效果,對(duì)不同目標(biāo)的圖像進(jìn)行了處理,效果如圖4所示。

圖4 不同目標(biāo)融合濾波處理效果

2.2 相關(guān)檢測(cè)算法

質(zhì)心檢測(cè)又稱為矩心檢測(cè)(或形心檢測(cè))，是物體對(duì)某軸的靜力矩作用中心。如果把目標(biāo)圖像看成是一塊質(zhì)量密度不均勻的“薄板”,以圖像上各個(gè)像素點(diǎn)的灰度作為各點(diǎn)的質(zhì)量密度,這樣就可以借用矩心的定義式來(lái)計(jì)算目標(biāo)圖像的矩心。由于矩心中心的計(jì)算過(guò)程是一個(gè)統(tǒng)計(jì)平均的過(guò)程,其算出的目標(biāo)位置往往不是圖像中個(gè)別的最亮點(diǎn)位置,而是圖像中各個(gè)像元灰度加權(quán)平均的位置,這種檢測(cè)方法的結(jié)果往往相對(duì)穩(wěn)定但是不夠精確。因此可以采用質(zhì)心檢測(cè)的方法限定圖像中目標(biāo)檢測(cè)區(qū)域,一方面可以提高目標(biāo)的檢測(cè)精度,另一方面可以減少處理數(shù)據(jù)量,提高算法的檢測(cè)實(shí)時(shí)性。圖5是質(zhì)心檢測(cè)對(duì)幾種不同目標(biāo)檢測(cè)結(jié)果。

圖5 質(zhì)心檢測(cè)結(jié)果

由上圖可以看出:由于質(zhì)心檢測(cè)是對(duì)整幅圖像灰度值進(jìn)行加權(quán)平均的過(guò)程,所以會(huì)受到來(lái)自光照不均以及噪聲雜波的干擾,因此其檢測(cè)結(jié)果往往在目標(biāo)周圍區(qū)域但是不能精確確定出目標(biāo)位置。

顯著性檢測(cè)從信息理論角度來(lái)看,信息可以分為冗余部分和變化部分,人們視覺(jué)對(duì)變化部分更敏感,視覺(jué)系統(tǒng)的一個(gè)基本原則就是一直對(duì)頻繁出現(xiàn)的特征的響應(yīng),同時(shí)對(duì)非常規(guī)的特征保持敏感,所以可以將圖像分為兩部分。

通過(guò)對(duì)圖像的log頻譜觀察,侯曉迪等[14]在其研究中發(fā)現(xiàn)如下規(guī)律:EAf∝1/f。EAf表示大量log頻譜的平均值,f表示頻率。所以大量的log頻譜的平均值和頻率呈現(xiàn)出反比關(guān)系。所以圖像的log頻譜和頻率曲線成線性關(guān)系。log頻譜是對(duì)圖像進(jìn)行傅里葉變換后的振幅譜取自然對(duì)數(shù),大量的圖像的log振幅譜幾乎趨近一條直線,所以一幅圖像的log振幅譜減去平均log振幅譜就是顯著性部分。即:R(f)=L(f)-A(f),其中L(f)就是圖像的log振幅譜;A(f)就是圖像的平均振幅譜。這是顯著性檢測(cè)的基本理論,應(yīng)用在圖像處理上就使得圖像中顯著區(qū)域被提取出來(lái),“奇異點(diǎn)”位置將會(huì)得到進(jìn)一步增強(qiáng)。但是其對(duì)于灰度值較小或者強(qiáng)度較弱的目標(biāo)該方法則不能很好地檢測(cè)出目標(biāo)的位置。

邊緣檢測(cè)是利用目標(biāo)區(qū)域和背景區(qū)域之間在灰度值上不連續(xù)的特征進(jìn)行的圖像檢測(cè),其能夠很好地刻畫出目標(biāo)物體的邊緣信息,并可以大幅減少數(shù)據(jù)量,剔除一些不相關(guān)信息,使觀察者能夠一目了然,但是同樣存在問(wèn)題的是對(duì)于圖像預(yù)處理效果不好的圖像,邊緣檢測(cè)往往會(huì)將噪聲點(diǎn)或者云層等信息檢測(cè)出來(lái)影響目標(biāo)檢測(cè)的最終結(jié)果。

2.3 信息融合檢測(cè)

分析上述各個(gè)算法的優(yōu)點(diǎn),信息融合檢測(cè)算法就是充分利用各個(gè)檢測(cè)算法的優(yōu)點(diǎn),將檢測(cè)結(jié)果進(jìn)行融合處理,以期獲得更好的檢測(cè)效果,其檢測(cè)流程圖如圖6所示。

圖6 信息融合檢測(cè)流程圖

其具體的檢測(cè)步驟為:

Step 1:通過(guò)質(zhì)心檢測(cè)確定出一個(gè)檢測(cè)區(qū)域,用于限制后續(xù)檢測(cè)范圍。

原始紅外圖像中可能受到光照不均,噪聲雜波等一系列的影響,導(dǎo)致質(zhì)心檢測(cè)不能準(zhǔn)確檢測(cè)目標(biāo)位置,但檢測(cè)效果往往接近目標(biāo)區(qū)域(如圖5所示),利用該方法可將質(zhì)心檢測(cè)出的目標(biāo)位置進(jìn)行中心對(duì)稱,以檢測(cè)點(diǎn)和對(duì)稱點(diǎn)為對(duì)角線,并進(jìn)行適當(dāng)擴(kuò)展,從而確定一個(gè)新的檢測(cè)區(qū)域。該區(qū)域應(yīng)包含目標(biāo)區(qū)域和部分背景區(qū)域,這樣可以很好剔除部分干擾。

Step 2:在融合濾波基礎(chǔ)上,進(jìn)行顯著性檢測(cè)。

將原始紅外圖像,通過(guò)本文所提的融合濾波進(jìn)行處理,提高圖像的信噪比。然后再對(duì)處理后的圖像進(jìn)行形態(tài)濾波,對(duì)目標(biāo)區(qū)域再次進(jìn)行圖像增強(qiáng),最后進(jìn)行顯著性檢測(cè),在步驟1確定的檢測(cè)區(qū)域內(nèi)進(jìn)行顯著性區(qū)域檢測(cè),并將檢測(cè)出的位置信息記為F1,作為目標(biāo)檢測(cè)的一個(gè)特征。

Step 3:在融合濾波基礎(chǔ)上,進(jìn)行邊緣檢測(cè)。

同樣是先對(duì)圖像進(jìn)行融合濾波,然后在此基礎(chǔ)上采用邊緣檢測(cè),提取濾波后的目標(biāo)邊緣信息,并依據(jù)步驟1確定的檢測(cè)區(qū)域,確定目標(biāo)的檢測(cè)位置并記為F2。

Step 4:將選定范圍區(qū)域內(nèi)提取到的目標(biāo)信息F1和F2,按照式1進(jìn)行信息融合,確定目標(biāo)的最終位置。

Fz=λ1F1+λ2F2

(1)

式中,Fz表示最終檢測(cè)的目標(biāo)位置;λ1和λ2分別是不同的融合系數(shù)。λ1/λ2為兩種不同檢測(cè)算法檢測(cè)后圖像的全局信噪比的整數(shù)比值：

(2)

根據(jù)式(2)計(jì)算,全局信噪比(GSNR)的計(jì)算公式如式(3)所示:

(3)

其中,設(shè)定ωi中i=1表示顯著性檢測(cè)的全局信噪比;i=2表示邊緣檢測(cè)的全局信噪比;ui表示對(duì)應(yīng)檢測(cè)算法檢測(cè)后目標(biāo)區(qū)域的灰度均值;ug表示整幅圖像的灰度均值;σg表示整幅圖像的標(biāo)準(zhǔn)差。

3 實(shí)驗(yàn)效果及分析

為了驗(yàn)證信息融合檢測(cè)算法的的性能和效果,本文通過(guò)實(shí)驗(yàn)對(duì)算法進(jìn)行了驗(yàn)證。本文的仿真實(shí)驗(yàn)平臺(tái)是基于硬件平臺(tái)32位操作系統(tǒng)的 Intel Core i5 CPU,8GB RAM計(jì)算機(jī)；軟件平臺(tái)是基于Windows7操作系統(tǒng)和MATLAB R2015b。

實(shí)驗(yàn)中選取了四組含有不同目標(biāo)的紅外原始圖像進(jìn)行實(shí)驗(yàn),分別對(duì)原始圖像進(jìn)行了顯著性檢測(cè),邊緣檢測(cè)和本文的信息融合檢測(cè),其實(shí)驗(yàn)效果如圖7所示。

圖7(a)為一組含有不同目標(biāo)大小的原始紅外圖像,圖7(b)是顯著性檢測(cè)效果,觀察可知顯著性檢測(cè)可以在一定程度上檢測(cè)出目標(biāo)的位置,但是對(duì)于十分弱小的目標(biāo)而言(如圖7(a)中的第三幅圖片),并不能夠有效檢測(cè)出來(lái),同時(shí)對(duì)于雜波干擾嚴(yán)重的紅外圖像,也會(huì)將背景中雜波誤檢出來(lái),影響檢測(cè)結(jié)果。圖7(c)是邊緣檢測(cè)效果圖,由圖可知,邊緣檢測(cè)可以很好地刻畫目標(biāo)的邊緣及形狀,但是對(duì)于受到雜波影響嚴(yán)重圖像,雖然采用了傳統(tǒng)的濾波形式但依然會(huì)檢測(cè)出大量的噪聲信息(如圖7(a)中的第一幅圖片),同時(shí)對(duì)于十分弱小的目標(biāo),單一檢測(cè)模式也不能很好地檢測(cè)出目標(biāo)。圖7(d)為本文所提的信息融合檢測(cè)效果,可以看出在經(jīng)過(guò)質(zhì)心檢測(cè)范圍的限制,并融合了顯著性檢測(cè)和邊緣檢測(cè)的優(yōu)點(diǎn)后,目標(biāo)區(qū)域十分明顯,對(duì)于弱小目標(biāo)本文的檢測(cè)算法依然可以有效檢測(cè)出目標(biāo)。

圖7 檢測(cè)效果圖

表1是所選取序列檢測(cè)結(jié)果相關(guān)參數(shù)的平均水平,從圖像標(biāo)準(zhǔn)差、全局信噪比以及檢測(cè)時(shí)間對(duì)處理結(jié)果進(jìn)行客觀評(píng)價(jià)。從表中可以看出融合檢測(cè)算法處理后的圖像標(biāo)準(zhǔn)差降低明顯,說(shuō)明背景在很大程度上得到抑制,同時(shí)信噪比得到很大提高。不過(guò)在檢測(cè)效率上,即使使用降采樣、限制檢測(cè)區(qū)域,但由于融合了幾種算法導(dǎo)致檢測(cè)時(shí)間依然有所降低。

表1 檢測(cè)結(jié)果及相關(guān)參數(shù)對(duì)比

4 結(jié) 論

本文通過(guò)融合多種濾波形式來(lái)增強(qiáng)紅外圖像的信噪比,并將常用的質(zhì)心檢測(cè)、邊緣檢測(cè)、顯著性檢測(cè)等檢測(cè)方法進(jìn)行了有效融合,通過(guò)算法之間的“取長(zhǎng)補(bǔ)短”,有效提高了圖像的檢測(cè)效果,使得融合后的檢測(cè)算法適用范圍更廣,無(wú)論對(duì)于弱小目標(biāo)還是具備形狀信息的紅外目標(biāo),甚至受到雜波干擾嚴(yán)重的情況均可以較好地實(shí)現(xiàn)目標(biāo)檢測(cè),融合算法的魯棒性更強(qiáng)。當(dāng)然算法仍然存在一定的不足,因?yàn)槿诤纤惴ㄝ^多所以檢測(cè)時(shí)間相對(duì)較長(zhǎng),后續(xù)可以通過(guò)整體采用降采樣的方式進(jìn)行改進(jìn),提高融合算法的檢測(cè)效率。

[1] WU Zhi.Image of the projectile trajectory analysis and research[D].Xi′an：Xi′an Technological University:2010.(in Chinese)

武智.彈丸軌跡圖像的分析與研究[D].西安:西安工業(yè)大學(xué),2010.

[2] Lei L,Huang Z.Infrared dim target detection technology based on background estimate[J].Infrared Physics & Technology,2014,62(2):59-64.

[3] WANG Bo,ZHANG Jianqi.Moving dim point target detection based on the spatial and temporal combined filter[J].Journal of Xidian University:Natural Science Edition,2010,37(3):524-528.(in Chinese)

王博,張建奇.一種空時(shí)域結(jié)合濾波的運(yùn)動(dòng)弱小目標(biāo)檢測(cè)方法[J].西安電子科技大學(xué)學(xué)報(bào):自然科學(xué)版,2010,37(3):524-528.

[4] ZHOU Jiao,XIN Yunhong.Infrared dim small target detection based on saliency and scale-space[J].Laser & Infrared,2015,45(4):452-456.(in Chinese)

周姣,辛云宏.基于顯著性與尺度空間的紅外弱小目標(biāo)檢測(cè)[J].激光與紅外,2015,45(4):452-456.

[5] SI Maduan,LONG Yunli,AN Wei,et al.Infrared small target detection based on saliency and frame to frame difference[J].Aerospace Electronic Warfare,2015,31(4):32-35.(in Chinese)

司馬端,龍?jiān)评?安瑋,等.基于顯著性與幀間差分的紅外弱小目標(biāo)檢測(cè)[J].航天電子對(duì)抗,2015,31(4):32-35.

[6] WANG Yingying,HE Ping,LI Yongbin,et al.Fast IR target-detection method using Otsu algorithm based on bound histogram[J].Laser & Infrared,2014,44(5):577-581.(in Chinese)

王瑩瑩,何蘋,李永賓,等.基于屬性直方圖的快速Otsu紅外目標(biāo)檢測(cè)算法[J].激光與紅外,2014,44(5):577-581.

[7] MA Ke,PENG Zhenming,HE Yanmin,et al.Improved non-downsampled Contourlet transform infrared dim small target detection method[J].High Power Laser and Particle Beams,2013,25(11):2811-2815.(in Chinese)

馬科,彭真明,何艷敏,等.改進(jìn)的非下采樣Contourlet變換紅外弱小目標(biāo)檢測(cè)方法[J].強(qiáng)激光與粒子束,2013,25(11):2811-2815.

[8] Drummond O E.Morphology-based algorithm for point target detection in infrared backgrounds[J].Proceedings of SPIE-The International Society for Optical Engineering,1993,1954:2-11.

[9] XUE Yonghong,RAO Peng,FAN Shiwei,et al.Infrared dim small target detection algorithm based on generating Markov random field and local statistic characteristic[J].Journal of Infrared and Millimeter Waves,2013,32(5):431-436.(in Chinese)

薛永宏,饒鵬,樊士偉,等.基于生成MRF和局部統(tǒng)計(jì)特性的紅外弱小目標(biāo)檢測(cè)算法[J].紅外與毫米波學(xué)報(bào),2013,32(5):431-436.

[10] LIU Yanli.Research on target detection and tracking algorithm based on neural network[D].Wuhu:Anhui Polytechnic University,2013.(in Chinese)

劉艷麗.基于神經(jīng)網(wǎng)絡(luò)的運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤算法的研究[D].蕪湖:安徽工程大學(xué),2013.

[11] Sun X,Fang G.Infrared small targets detection based on MRF model[J].Procedia Engineering,2012,29(4):420-424.

[12] SUN Ting,QI Yingchun,GENG Guahua.Moving object detection algorithm based on frame difference and background subtraction[J].Journal of Jilin University：Engineering,2016,46(4):1325-1329.(in Chinese)

孫挺,齊迎春,耿國(guó)華.基于幀間差分和背景差分的運(yùn)動(dòng)目標(biāo)檢測(cè)算法[J].吉林大學(xué)學(xué)報(bào)：工學(xué)版,2016,46(4):1325-1329.

[13] ZHANG Zhongyu,JIAO Shuhong.Infrared ship target detection method based on multiple feature fusion[J].Infrared and Laser Engineering,2015,44(s):29-34.(in Chinese)

張仲瑜,焦淑紅.多特征融合的紅外艦船目標(biāo)檢測(cè)方法[J].紅外與激光工程,2015,44(s):29-34.

[14] Hou X,Zhang L.Saliency detection:a spectral residual approach[C]//Computer Vision and Pattern Recognition,2007.CVPR ′07.IEEE Conference on.IEEE,2007:1-8.