23 其中，3^，7)、6^，7)、8^，7)分別代表像素^，7)處的紅綠藍強度值，化義，7)代表 坐標(x，y)處的像素灰度值;圖像大小為mXn; 2 圖像濾波子模塊12,用于對灰度圖像進行濾波： 3 采用維納濾波來進行一級濾除后，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2、日2、日3、日4為可變權值， i二l，2,3,4;J(x，y)為經(jīng)濾波后的圖像；
[0109] 圖像增強子模塊13:
[0110] 當 U28-m! > -日0| 時，L(x，y) = 2日5 X 其中，L(x，y)為增強 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= ^。8-續(xù)心柳)，曰 是范圍為0到1的可變參數(shù)，a = 1 - I^l;
[0111] 當 I128 - ml < 苗I曲-501 且 ? >50時，L(x,y) = 255 X (等尹)*托如(1-鮮）， 其中4(x，y)=恥(Msvim(x，y))，a = 1 -鬥哪歲化肌姑|，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256個4校正系數(shù)作為查找表，記為{(6u(0}豈ミ，其中i為索引值，利用Msvlm(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);l 為模板修正系數(shù)；
[0112] (2)檢測跟蹤模塊2,具體包括構建子模塊21、丟失判別子模塊22和更新子模塊23:
[0113] 構建子模塊21，用于視覺字典的構建：
[0114] 在初始帖獲取跟蹤目標的位置和尺度，在其周圍選取正負樣本訓練跟蹤器，將跟 蹤結果作為訓練集X={xi，x2,……xn}T;并對訓練集中的每幅目標圖像提取128維的SIFT特 5"' 征，其中St表示訓練集中第t幅目標圖像中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、構成特征單詞，記為{。巧=1:能夠提取到的 特征總量馬二理1&，其中K<<Fn，且K心-致Li爲;視覺字典構建好W后，每幅訓練圖像 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 歸一化得到訓練圖像Xt的特征直方圖h(xt);
[0115] 丟失判別子模塊22，用于判別目標的丟失與否：
[0116] 當新一帖圖像到來時，從K個直方圖柱中隨機選取Z<K個直方圖柱，且Z = 7,形成新 的大小為Z的子直方圖hW(xt)，子直方圖的個數(shù)最多為化=巧個;計算候選目標區(qū)域和訓 練集中某個目標區(qū)域?qū)又狈綀D的相似性。t_z，=巧=W'h(z)枉)h")(x) ?其中t = l，2，…，N，z = l，2，…，Ns，然后計算總體相似性Ot=l-^za-。t_z);候選目標區(qū)域與目標 的相似性用。=max{〇t，t}表示，則目標丟失判斷式為：U = Si即（O)二"[1 -氣其中 10任,<拱 gs為人為設定的判失閥值;當U = I時目標被穩(wěn)定跟蹤，當U = O時，目標丟失；
[0117]當目標丟失時，定義仿射變換模型：扮二（!S紀端雜）(記)+化巧 其中（xt，yt)和(xt-i，yt-i)分別為當前帖目標中某個SITF特征點的位置坐標和前一個帖目標 中對應匹配特征點的位置坐標，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 人為設定的標準溫度，設為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下采集正負樣本，更新分 類器；
[0118] 更新子模塊23，用于視覺字典的更新：
[0119] 在每帖圖像獲得目標位置W后，根據(jù)仿射變換參數(shù)的計算結果，收集所有滿足結 果參數(shù)的SIFT特征點揣援=1，經(jīng)過F = 6帖W后，獲得新的特征點集{篇寡二，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行K聚類：{C/成= &means((l-知梅立(6)價指=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；E {0，1.}是遺忘因子，表明了舊字典所占的比重，取越小，新特征對目標丟失的判 斷貢獻越多，取
[0120] (3)識別輸出模塊3,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 法獲取目標區(qū)域，將目標區(qū)域映射到已知訓練數(shù)據(jù)形成的子空間，計算子空間中目標區(qū)域 與訓練數(shù)據(jù)之間的距離，獲得相似性度量，判定目標類別，并輸出識別結果。
[0121] 優(yōu)選的，采用維納濾波來進行一級濾除后，此時圖像信息還包含有殘余的噪音，采 用W下的二級濾波器進行二次濾波：
[0122]
[0123] 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
[0124] 此實施例的地質(zhì)采樣裝置，在圖像預處理階段，增強的圖像能夠根據(jù)模板的大小 自適應調(diào)整，提高增強效果，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 慣W及人眼對不同色彩的感知度同色彩強度的非線性關系；充分利用了圖像的局部特征和 全局特征，具有自適應性，可W抑制過度增強，對復雜光照環(huán)境下獲取的圖像增強效果明 顯；將M X N個幕指數(shù)運算降低為256個，提高了計算效率，Z = 7，F(xiàn) = 6 ,(6=0.18,計算平均帖 率為18FPS，計算量小于同類型的字典算法;在目標檢測和跟蹤階段，能夠消除不同溫度導 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，能夠有效適應目標尺度變化，并能夠準確判定目標是否發(fā)生丟 失，在目標重新回到視場后能夠被重新檢測并穩(wěn)定跟蹤，直至125帖后仍能穩(wěn)定跟蹤目標。 此外，該地質(zhì)采樣車具有實時性好、定位準確和魯棒性強的優(yōu)點，且在快速有遮擋的目標檢 測和跟蹤方面有很好的效果，取得了意想不到的效果。
[0125] 實施例5:如圖1-2所示，一種可增強對比度的地質(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附近的活動進行視頻圖 像監(jiān)測，監(jiān)測裝置4包括預處理模塊1、檢測跟蹤模塊2、識別輸出模塊3。
[0126] (1)預處理模塊1，用于對接收到的圖像進行預處理，具體包括圖像轉(zhuǎn)化子模塊11、 圖像濾波子模塊12和圖像增強子模塊13:
[0127] 圖像轉(zhuǎn)化子模塊11，用于將彩色圖像轉(zhuǎn)化為灰度圖像：
[012 引
[0129] 其中，3^，7)、6^，7)、8^，7)分別代表像素^，7)處的紅綠藍強度值，化義，7)代表 坐標(x，y)處的像素灰度值;圖像大小為mXn;
[0130] 圖像濾波子模塊12,用于對灰度圖像進行濾波：
[0131] 采用維納濾波來進行一級濾除后，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為可變權值， a廣11+,二w4，i = l，2,3,4;J(x，y)為經(jīng)濾波后的圖像；
[0132] 圖像增強子模塊13:
[013；3]當 I128 -ml > 日0| 時，L(x，y)二巧5 x 其中，L(x，y)為增強 后的灰度值;4(x，y)是包含有局部信息的伽馬校正系數(shù)，此時 是范圍為0到1的可變參數(shù)，a = 1 - I^ij;
[0134] 當 |l2d - ml < 苗 Iw-SOI 且 CO > 50 時，L(x，y)二 2SS X (x'y)x(i-^)， 其中4山7)=11>我^。山7))，^^ = 1-|1281"^^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256個4校正系數(shù)作為查找表，記為{巾。(/)}閣，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) iKx，y); 1 - ^為模板修正系數(shù)；
[0135] (2)檢測跟蹤模塊2,具體包括構建子模塊21、丟失判別子模塊22和更新子模塊23:
[0136] 構建子模塊21，用于視覺字典的構建：
[0137] 在初始帖獲取跟蹤目標的位置和尺度，在其周圍選取正負樣本訓練跟蹤器，將跟 蹤結果作為訓練集X={xi，x2,……xn}T;并對訓練集中的每幅目標圖像提取128維的SIFT特 征，其中St表示訓練集中第t幅目標圖像中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、構成特征單詞，記為巧=1:能夠提取到的 特征總量而=：Ef=i&，其中K<<機，且K ? 色 1?;視覺字典構建好W后，每幅訓練圖像 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 歸一化得到訓練圖像Xt的特征直方圖h(xt);
[0138] 丟失判別子模塊22,用于判別目標的丟失與否：
[0139] 當新一帖圖像到來時，從K個直方圖柱中隨機選取Z<K個直方圖柱，