1- 128 minimLMH).，郵是圖像中灰度值高于]_28的所有 像素的均值，HiL是灰度值低于128的所有像素的均值，且此時m=min(mH，mL)，在a值已知的情 況下，計算出化6個4校正系數(shù)作為查找表，記為{4^衫)巧寶，其中i為索引值，利用Msvim(x，y) 的灰度值作為索引，根據(jù)(6(x，y)=MMsvlm(x，y))快速獲得圖像中每個像素的伽馬校正系數(shù) 4(X，y); 1 - ^為模板修正系數(shù)；
[0043] (2)檢測跟蹤模塊2,具體包括構(gòu)建子模塊21、丟失判別子模塊22和更新子模塊23:
[0044] 構(gòu)建子模塊21，用于視覺字典的構(gòu)建：
[0045] 在初始帖獲取跟蹤目標(biāo)的位置和尺度，在其周圍選取正負(fù)樣本訓(xùn)練跟蹤器，將跟 蹤結(jié)果作為訓(xùn)練集X={xi，x2,……xn}T;并對訓(xùn)練集中的每幅目標(biāo)圖像提取128維的SIFT特 征f/;,f 11 ，其中St表示訓(xùn)練集中第t幅目標(biāo)圖像中SIFT特征的個數(shù);跟蹤N帖W后，通過聚 類算法將運些特征劃分為K個簇，每個簇的中屯、構(gòu)成特征單詞，記為仁能夠提取到的 特征總量斬=茲U&-，其中K<<Fn，且K W 布:視覺字典構(gòu)建好W后，每幅訓(xùn)練圖像 表示為特征包的形式，用于表示視覺字典中特征單詞出現(xiàn)的頻率，用直方圖Mxt)表示，h (Xt)通過W下方式獲取:將一幅訓(xùn)練圖像Xt中的每一個特征fsW向視覺字典投影，用投影距 離最短的特征單詞表示該特征，對所有特征投影完畢后，統(tǒng)計每個特征單詞的出現(xiàn)頻率，并 歸一化得到訓(xùn)練圖像Xt的特征直方圖h(xt);
[0046] 丟失判別子模塊22，用于判別目標(biāo)的丟失與否：
[0047] 當(dāng)新一帖圖像到來時，從K個直方圖柱中隨機(jī)選取Z<K個直方圖柱，且Z = 4,形成新 的大小為Z的子直方圖hW(xt)，子直方圖的個數(shù)最多為iV;二巧個;計算候選目標(biāo)區(qū)域和訓(xùn) 練集中某個目標(biāo)區(qū)域?qū)?yīng)子直方圖的相似性。t_z，
癢中t = 1，2,…，N，z = l，2,…，Ns,然后計算總體相似性〇t=l-nz(l-〇t_z);候選目標(biāo)區(qū)域與目標(biāo) 的相似性用。=max{〇t，t}表示，則目標(biāo)丟失判斷式為：U = sign〇) = >' ^―，其中 U巧<稱 gs為人為設(shè)定的判失閥值;當(dāng)U = 1時目標(biāo)被穩(wěn)巧跟隱，巧U = O時，目梳手朵：
[004引當(dāng)目標(biāo)丟失時，定義仿射變換模型：
其中（xt，yt)和(xt-i，yt-i)分別為當(dāng)前帖目標(biāo)中某個SITF特征點的位置坐標(biāo)和前一個帖目標(biāo) 中對應(yīng)匹配特征點的位置坐標(biāo)，兩者均為已知量;S為尺度系數(shù)，0為旋轉(zhuǎn)系數(shù)，e和f代表了
平移系1 ) 為溫度平移修正系數(shù)，山和化用于修正因為環(huán)境溫度偏差造成的圖像旋轉(zhuǎn)和平移誤差，I'd為 人為設(shè)定的標(biāo)準(zhǔn)溫度，設(shè)為20度，T為由溫度傳感器實時監(jiān)測得到的溫度值;采用Ransac估 計算法求取仿射變換模型的參數(shù)，最后在新的尺度S和旋轉(zhuǎn)系數(shù)0下采集正負(fù)樣本，更新分 類器；
[0049] 更新子模塊23,用于視覺字典的更新：
[0050] 在每帖圖像獲得目標(biāo)位置W后，根據(jù)仿射變換參數(shù)的計算結(jié)果，收集所有滿足結(jié) 果參數(shù)的SIFT特征點瞧讀=1，經(jīng)過F = 3帖W后，獲得新的特征點集施其中St-F代表 了從F帖圖像中得到的總特征點數(shù)；利用下式對新舊特征點重新進(jìn)行K聚類：{Cy仁1二 /cmean.s((l-取){/;;點立怎1)，其中梢父=1表示新的視覺字典，視覺字典的大小保 持不變；巧G拼，1};是遺忘因子，表明了舊字典所占的比重，巧越小，新特征對目標(biāo)丟失的判 斷貢獻(xiàn)越多，取巧；
[0051] (3)識別輸出模塊，用于圖像的識別和輸出：在待識別的圖像序列中利用跟蹤算法 獲取目標(biāo)區(qū)域，將目標(biāo)區(qū)域映射到已知訓(xùn)練數(shù)據(jù)形成的子空間，計算子空間中目標(biāo)區(qū)域與 訓(xùn)練數(shù)據(jù)之間的距離，獲得相似性度量，判定目標(biāo)類別，并輸出識別結(jié)果。
[0052] 優(yōu)選的，采用維納濾波來進(jìn)行一級濾除后，此時圖像信息還包含有殘余的噪音，采 用W下的二級濾波器進(jìn)行二次濾波：
[0化3]
[0054] 其中，J(x，y)為經(jīng)過濾波后的圖像;Pg(x+i，y+j)代表尺度為mXn的函數(shù)，且PgU+ i，y+j)=qXe邱(-(x2+y2)/w)，其中q是將函數(shù)歸一化的系數(shù)，即 JJqXe邱(-(x2+y2)/w) dxdy = l〇
[0055] 此實施例的地質(zhì)采樣裝置，在圖像預(yù)處理階段，增強(qiáng)的圖像能夠根據(jù)模板的大小 自適應(yīng)調(diào)整，提高增強(qiáng)效果，且在在不同模板大小時判斷條件能自動修正，且考慮了視覺習(xí) 慣W及人眼對不同色彩的感知度同色彩強(qiáng)度的非線性關(guān)系；充分利用了圖像的局部特征和 全局特征，具有自適應(yīng)性，可W抑制過度增強(qiáng)，對復(fù)雜光照環(huán)境下獲取的圖像增強(qiáng)效果明 顯;將MXN個幕指數(shù)運算降低為256個，提高了計算效率，Z = 4，F(xiàn) = 3,取=0.12,計算平均帖率 為15FPS，計算量小于同類型的字典算法;在目標(biāo)檢測和跟蹤階段，能夠消除不同溫度導(dǎo)致 圖像的旋轉(zhuǎn)和平移造成的誤差，提高識別率，經(jīng)處理后的圖像細(xì)節(jié)更加清晰，且計算量相對 于傳統(tǒng)方法大幅度減少，能夠有效適應(yīng)目標(biāo)尺度變化，并能夠準(zhǔn)確判定目標(biāo)是否發(fā)生丟失， 在目標(biāo)重新回到視場后能夠被重新檢測并穩(wěn)定跟蹤，直至110帖后仍能穩(wěn)定跟蹤目標(biāo)。此 夕h該地質(zhì)采樣車具有實時性好、定位準(zhǔn)確和魯棒性強(qiáng)的優(yōu)點，且在快速有遮擋的目標(biāo)檢測 和跟蹤方面有很好的效果，取得了意想不到的效果。
[0056] 實施例2:如圖1-2所示，一種可增強(qiáng)對比度的地質(zhì)采樣裝置，包括地質(zhì)采樣車5和 安裝在地質(zhì)采樣車5上的監(jiān)測裝置4,監(jiān)測裝置4用于對地質(zhì)采樣車5附近的活動進(jìn)行視頻圖 像監(jiān)測，監(jiān)測裝置4包括預(yù)處理模塊1、檢測跟蹤模塊2、識別輸出模塊3。
[0057] (1)預(yù)處理模塊1，用于對接收到的圖像進(jìn)行預(yù)處理，具體包括圖像轉(zhuǎn)化子模塊11、 圖像濾波子模塊12和圖像增強(qiáng)子模塊13:
[0058] 圖像轉(zhuǎn)化子模塊11，用于將彩色圖像轉(zhuǎn)化為灰度圖像： 「00591
[0060] 其中，3^，7)、6^，7)、8^，7)分別代表像素^，7)處的紅綠藍(lán)強(qiáng)度值，化義，7)代表 坐標(biāo)(X，y)處的像素灰度值;圖像大小為m X n;
[0061] 圖像濾波子模塊12，用于對灰度圖像進(jìn)行濾波：
[0062] 采用維納濾波來進(jìn)行一級濾除后，定義SVlm圖像，記為MsvimU,y)，具體定義公式 為:MsvimU，y)=aiji(x，y)+a2j2(x，y)+a3j3(x，y)+a4j4(x，y)，其中日1、日2、日3、日4為可變權(quán)值， 1+j 二 W.i.，i二l，2,3,4;J(x，y)為經(jīng)濾波后的圖像；
[0063] 圖像增強(qiáng)子模塊13:
[0064] 當(dāng) 11.28-mi > Vl山-目 〇|1時， ，其中，LU, y)為增強(qiáng) 后的灰度值;iKx，y)是包含有局部信息的伽馬校正系數(shù)，此時二你 況故炒),口 是范圍為0到1的可變參數(shù)，a =: 1 -
[00化]當(dāng)1128 -抑I <巧〇) -郎I且《> 50時，
' 其中4(x，y)=MMsvim(x，y))，a = 1 - 郵是圖像中灰度值高于128的所有 像素的均值，HiL是灰度值低于128的所有像素的均值，且此時m=min(mH，mL)，在a值已知的情 況下，計算出化6個4校正系數(shù)作為查找表，記為{*。?巧或，其中i為索引值，利用MsvimU, y) 的灰度值作為索引，根據(jù)(6(x，y)=MMsvlm(x，y))快速獲得圖像中每個像素的伽馬校正系數(shù) (6(X，y); 1 - ^為模板修正系數(shù)；
[0066] (2)檢測跟蹤模塊2,具體包括構(gòu)建子模塊21、丟失判別子模塊22和更新子模塊23:
[0067] 構(gòu)建子模塊21，用于視覺字典的構(gòu)建：
[0068] 在初始帖獲取跟蹤目標(biāo)的位置和尺度，在其周圍選取正負(fù)樣本訓(xùn)練跟蹤器，將跟 蹤結(jié)果作為訓(xùn)練集X={xi，x2,……xn}T;并對訓(xùn)練集中的每幅目標(biāo)圖像提取128維的SIFT特 征f/rf'ft ，其中St表示訓(xùn)練集中第t幅目標(biāo)圖像中SIFT特征的個數(shù);跟蹤N帖W后，通過聚 類算法將運些特征劃分為K個簇，每個簇的中屯、構(gòu)成特征單詞，記為{。化=_1:能夠提取到的 特征總量旬二Sf=.i&，其中K<<Fn，且K 視覺字典構(gòu)建好W后，每幅訓(xùn)練圖像 表示為特征包的形式，用于表示視覺字典中特征單詞出現(xiàn)的頻率，用直方圖Mxt)表示，h (Xt)通過W下方式獲取:將一幅訓(xùn)練圖像Xt中的每一個特征fsW向視覺字典投影，用投影距 離最短的特征單詞表示該特征，對所有特征投影完畢后，統(tǒng)計每個特征單詞的出現(xiàn)頻率，并 歸一化得到訓(xùn)練圖像Xt的特征直方圖h(xt);
[0069] 丟失判別子模塊22，用于判別目標(biāo)的丟失與否：
[0070] 當(dāng)新一帖圖像到來時，從K個直方圖柱中隨機(jī)選取Z<K個直方圖柱，且Z = 5,形成新 的大小為Z的子直方圖hW(xt)，子直方圖的個數(shù)最多為馬=Cl個;計算候選目標(biāo)區(qū)域和訓(xùn) 練集中某個目標(biāo)區(qū)域?qū)?yīng)子直方圖的相似性。t_z，
，其中t = 1，2,…，N，z = l，2,…，Ns,然后計算總體相似性〇t=l-nz(l-〇t_z);候選目標(biāo)區(qū)域與目標(biāo) 的相似性用。=max{&t，t}表示，則目標(biāo)丟失判斷式為：U二sign(少）=|1。 _弘，其中 U 0)<gs gs為人為設(shè)定的判失閥值;當(dāng)U = 1時目標(biāo)被穩(wěn)定跟蹤，當(dāng)U = O時，目標(biāo)丟失；
[0071] 當(dāng)目標(biāo)丟失時，定義仿射變換模型：
其中（Xt，yt)和(Xt-I，yt-1)分別為當(dāng)前帖目標(biāo)中某個SITF特征點的位置坐標(biāo)和前一個帖目標(biāo) 中對應(yīng)匹配特征點的位置坐標(biāo)，兩者均為已知量;S為尺度系數(shù)，0為旋轉(zhuǎn)系數(shù)，e和f代表了 平移系數(shù)
為溫度平移修正系數(shù)，山和化用于修正因為環(huán)境溫度偏差造成的圖像旋轉(zhuǎn)和平移誤差，I'd為 人為設(shè)定的標(biāo)準(zhǔn)溫度，設(shè)為20度，T為由溫度傳感器實時監(jiān)測得到的溫度值;采用Ransac估 計算法求取仿射變換模型的參數(shù)，最后在新的尺度S和旋轉(zhuǎn)系數(shù)0下采集正負(fù)樣本，更新分 類器；
[0072] 更新子模塊23,用于視覺字典的更新：
[0