基于图像识别的钻头自动跟踪算法
杨怀林
摘 要： 针对当前方法进行钻头自动跟踪过程中，难以对钻头目标模板进行精确描述且运算较为复杂，存在跟踪误差大的问题，提出一种基于图像识别钻头自动跟踪方法。该方法利用双重卷积理论对钻头原图像进行阈值分割，提取钻头运动图像目标，将提取的钻头运动图像目标进行滤波处理，获得钻头图像的归一化中心矩，采用高斯模型对钻头运动图像目标和背景建模，在此基础上将卡尔曼滤波预测估计思想和均值漂移思想相融合，应用于钻头运动图像目标跟踪过程中，由此完成对钻头的自动跟踪。实验结果表明，所提方法能够有效提升钻头运动图像目标的检测精度，且目标跟踪的稳定性较强。
关键词： 图像识别； 钻头； 自动跟踪； 卡尔曼滤波
中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）17?0056?04
Drill automatic tracking algorithm based on image recognition
YANG Huailin1， 2
（1. Nanjing Normal University， Nanjing 210097， China； 2. Jiangsu Vocational College of Finance and Economics， Huaian 221008， China）
Abstract： The current methods are difficult to describe the drill target template accurately and have complex operation and big tracking error in the drill automatic tracking process， therefore a drill automatic tracking method based on image recognition is proposed. The double convolution theory is used to segment the threshold of the drill original image to extract the drill moving image target. The extracted drill moving image target is filtered to get the normalized central moment of the drill image. The Gauss model is used to model the drill moving image target and background. On this basis， the thoughts of Kalman filtering estimation and mean shift are integrated to apply to the tracking process of drill moving image target， so as to track the drill automatically. The experimental results show that the method can improve the detection accuracy of drill moving image target effectively， and has high stability of target tracking.
Keywords： image recognition； drill； automatic tracking； Kalman filtering
0 引 言
近年来，随着我国科学技术的不断进步，计算机视觉技术和图像并行处理技术得到了飞速发展，自动跟踪技术逐渐成为计算机视觉、自动控制和模式识别领域的研究热点问题[1?3]。随着机械设备高度自动化、集成化以及无人化的发展，基于图像的目标识别与跟踪技术在机械设备领域受到了广泛的应用[4?6]，钻头是机械加工领域中孔加工最主要的加工工具，在研究和开发机械设备自动加工过程中，钻头的识别与自动跟踪技术对实现加工过程自动化、提升制造业水平具有重要意义[7?8]。在实际加工过程中，钻头磨损、断裂等问题使钻头成为制造系统中最薄弱的一环，易造成机械设备生产效率低，严重时还会造成设备停机事故。在这种情况下，如何对钻头进行自动跟踪，实现加工过程自动化、提升制造业水平现已成为制造装备自动化领域亟待解决的首要任务，受到了众多专家学者的广泛关注[9?11]。
针对当前方法进行钻头的自动跟踪时，对目标模板的描述不精确且运算复杂，存在跟踪误差大的问题，提出一种基于图像识别的钻头自动跟踪方法。实验结果表明，所提方法在进行钻头的自动跟踪时对运动目标检测精度高且运算简单，大幅度提升了目標跟踪的稳定性。
1 基于图像识别的钻头自动跟踪算法
1.1 图像识别的特征提取
在对图像识别钻头自动跟踪过程中，先结合双重卷积理论对钻头的原图像进行阈值分割，提取钻头运动图像目标，再对输入的钻头运动图像目标进行Gabor小波变换，得出每个通道输出的钻头运动图像，对提取的钻头运动图像目标进行滤波处理，获得钻头运动图像目标的归一化中心矩，结合支持向量机理论对钻头运动图像进行像素分类，获取候选钻头运动图像目标，采用高斯模型对钻头运动图像目标和背景建模。具体过程如下所述：
采用双重卷积理论对原钻头图像进行阈值分割，提取出钻头运动图像目标，在此基础上，对输入的钻头运动图像目标进行Gabor小波变换，利用式（1）进行计算：
（1）
式中：表示钻头运动图像目标；表示Gabor小波滤波器组；表示钻头运动图像目标经过Gabor滤波器卷积处理后得到的一组滤波结果。
利用式（2）对钻头运动图像的阶中心矩进行定义：
（2） 式中表示钻头运动图像的中心坐标。
定义以下4个对平移、旋转和尺度变换不变的矩：
式中：表示钻头运动图像的归一化中心矩；采用支持向量机的分类方法对钻头运动图像的归一化中心矩进行回归分析。定义在某一时刻钻头运动图像中任一像素的像素概率模型为：
（3）
式中：表示在时刻钻头运动图像的像素属于前景或背景的概率。利用式（4）定义时刻钻头运动图像中像素的背景混合模型为：
（4）
式中：表示在时刻钻头运动图像中像素的像素值；表示该混合模型中描述钻头运动图像像素色彩特性的高斯分布模型的个数；表示时刻钻头运动图像背景混合模型中（表示第个）子模型的权，所有子模型的权之和等于1，即；和分别表示时刻钻头运动图像背景混合模型中子模型的均值和协方差矩阵。
以权和标准差之比作为适应度值，从钻头运动图像的背景混合模型中找到具有最大适应度值的子模型作为钻头运动图像的当前帧背景分布模型，利用式（5）进行计算，可得到时刻钻头运动图像的像素属于背景的条件概率：
（5）
式中：表示钻头运动图像像素的特征向量；表示特征向量的维数；分别表示该条件概率的均值和协方差矩阵。
通过多次迭代即可提取出钻头运动图像的背景，具体过程如下所述：
（1） 设置最大迭代次数以及每次迭代中被修正的钻头运动图像的最少像素数
（2） 针对钻头运动图像中每一像素，从背景和前景混合模型中找到具有最大适应度值的子模型作为钻头运动图像当前帧背景和前景的分布模型。
（3） 利用式（5）计算钻头运动图像的像素8邻域中属于背景的像素数。
（4） 以获得的钻头运动图像的像素先验概率为依据，对像素进行判断：
式中：代表钻头运动图像像素的先验分布密度函数；代表钻头运动图像像素的先验分布密度函数，若则像素被分类为背景，否则为前景。
（5） 若迭代次数大于或一次迭代中被修正钻头运动图像的像素数小于迭代分类结束，否则返回第（2）步。
在获得运动图像背景后，将钻头运动图像当前帧与钻头运动图像背景相减，获取候选钻头运动图像目标，可表示为：
（6）
式中：表示归一化因子；表示钻头运动图像目标特征值；和函数的作用是判断钻头运动图像目标区域中像素的特征值是否属于表示搜索窗口的钻头运动图像中心像素坐标；表示核函数的带宽，它决定候选目标的尺度。利用式（6）给出的获取候选钻头运动图像目标组建钻头的运动图像背景模型，为建立钻头的运动目标模型提供依据。
1.2 运动图像目标检测
在对图像识别钻头自动跟踪过程中，在1.1节得到的候选钻头运动图像目标的基础上，以图像的灰度信息为特征空间，结合单变量高斯模型将已获得的钻头运动图像目标和背景信息进行统计，得到钻头运动图像背景的高斯分布参数模型，对钻头运动图像帧之间的特征点进行相应的匹配，采用卡尔曼滤波来预测钻头运动图像的目标位置，最终获得钻头运动图像跟踪目标的轨迹。具体过程如下所述：
假设钻头运动图像帧的各个图像灰度值均遵从均值和方差的分布，且各个钻头运动图像像素点的高斯分布为单变量。在该模型中，代表单变量正态分布；代表钻头图像灰度值的期望值；代表钻头运动图像灰度值分布的方差。式（7）为钻头图像帧的各个像素点组建正态分布的目标和背景的概率模型：
（7）
式中代表钻头运动图像的灰度信息特征值。
在第帧中，钻头运动图像目标（背景）模型中均值和方差的更新公式为：
均值：
方差：
在第帧中，钻头运动图像目标（背景）模型中的参数更新公式为：
均值：
方差：
式中：分别代表第帧钻头运动图像中目标（背景）点的统计均值和方差；代表判断钻头运动图像第帧中目标（背景）样本点所用高斯模型的均值和方差；代表钻头运动图像目标（背景）的样本点数；代表钻头图像每个样本点的灰度值；代表更新率。
在钻头运动图像环境中，为了在以原目标位置为中心的区域附近更快地找到钻头运动图像目标，采用卡尔曼滤波来预测钻头运动图像的目标位置，将第一帧中的钻头运动图像目标中心位置和运动速度赋值给预测的钻头运动协方差可表示为：
（8）
式中：代表滤波器的结构参数；代表第帧图像中的钻头运动图像的目标中心位置和运动速度的预测协方差。
结合式（8）预测钻头运动图像的目标位置，获得真实中心位置跟踪钻头运动图像目标的滤波方程为：
（9）
式中：代表第帧图像中预测的观测向量；代表滤波器的增益参数。
1.3 基于图像识别钻头自动跟踪
在对钻头运动图像自动跟踪过程中，以1.2节获得的图像运动目标模型为基础，利用貝叶斯分类理论，在得到钻头运动图像的后验条件概率的基础上，对钻头运动图像目标的初始位置进行识别；利用钻头运动图像的灰度信息建立目标模型，对第帧中的所有钻头运动图像的样本点进行判别，得到钻头运动的置信图利用均值漂移理论对置信图峰值点进行识别，求解钻头运动图像的最优峰值点，实现多目标分割、跟踪。具体过程如下所述：
对钻头运动图像的多目标进行分类，利用贝叶斯公式进行计算，得到钻头运动图像的后验条件概率，可表示为：
（10）
式中：代表钻头运动图像目标模型；代表钻头运动图像背景模型。在此基础上，结合式（10）对式（7）进行转化，给出钻头运动图像目标的初始位置，利用灰度信息建立目标模型，对第帧钻头运动图像的每一个样本点做后验条件概率判断，可以得到钻头运动的置信图：
（11）
结合均值漂移理论寻找钻头运动置信图的峰值点，计算结果可表示为：
（12）
式中：代表以钻头运动置信图的峰值点为中心的邻域；初始值代表卡尔曼滤波器滤波得到的预测值；分别代表钻头运动置信图中每点的坐标。
通过均值漂移算法得到钻头运动置信图的峰值后，以上一帧的钻头运动图像窗口大小为初始值，框定运动图像目标最优点，利用式（13）定义全部图像识别的钻头自动跟踪目标函数：
（13）
式中代表上一帧的钻头运动图像窗口大小，依据上一帧的窗口大小完成钻头运动图像的自动跟踪。
2 实验仿真证明
为了验证本文提出的基于图像识别钻头自动跟踪算法的有效性，需要进行一次仿真实验，实验图像均为由CCD摄像机实时采集的可见光图像，采样速率为30 f/s，把RGB图像转换为灰度图像，直方图采用灰度级。编程环境是P42.4G的PC机，算法由VC语言在Windows NT平台下编程实现，在不同钻头工作条件下进行30次运动图像自动跟踪实验。
分别利用模糊滤波算法与图像识别算法进行钻头自动跟踪实验，对比不同算法的跟踪误差，结果如表1所示。
通过分析表1可知，利用图像识别算法进行钻头自动跟踪的准确性要高于利用模糊滤波算法进行钻头跟踪的结果，这主要是因为在利用图像识别算法进行钻头自动跟踪过程中，将钻头图像与对应每个通道的Gabor滤波器分别进行卷积，得出每个通道输出的钻头运动图像，再对提取出的钻头运动图像目标进行滤波，将钻头运动图像的像素分为前景或背景，通过一定的加权将每一帧新输入钻头运动图像的变化动态加到模型中自适应地进行更新。对钻头运动图像帧之间的特征点进行相应的匹配工作，获取钻头运动图像的最优峰值点，使得利用图像识别算法进行钻头自动跟踪的准确性较高。
以表1给出的统计结果为理论依据，将模糊滤波算法得到的位置与误差曲线和图像识别钻头自动跟踪算法得到的位置与误差曲线进行对比，结果如图1～图4所示。
分析图1～图4可知，在不同的跟踪实验次数下，利用图像识别算法预测位置趋势曲线与期望位置趋势曲线基本吻合，通过误差位置曲线可以看出，利用图像识别算法进行钻头的位置跟踪误差几乎为零，这主要是因为在利用图像识别方法进行钻头自动跟踪过程中，先采用双重卷积理论对原钻头图像进行阈值分割，提取出钻头运动图像目标，对提取出的钻头运动图像目标进行滤波处理，获得钻头目标图像的归一化中心矩。结合支持向量机理论对钻头运动图像进行像素分類，获取候选钻头运动图像目标，采用高斯模型对目标和背景建模。以钻头图像的灰度信息为特征空间，结合单变量高斯模型对已获得的目标和背景信息进行统计，得到钻头运动图像背景的高斯分布参数模型。利用贝叶斯分类理论对钻头图像目标的初始位置进行识别，在此基础上，结合卡尔曼滤波预测估计方法和均值漂移理论得到钻头自动跟踪目标函数，实现目标跟踪和定位功能。
3 结 语
针对当前方法进行钻头自动跟踪过程中，难以对钻头目标模板进行精确描述且运算较为复杂，存在跟踪误差大的问题，提出一种基于图像识别钻头自动跟踪方法。实验结果表明，所提方法能够有效提升钻头运动图像目标的检测精度，且目标跟踪的稳定性较强。
参考文献
[1] 周桢.基于多标记图分割的遮挡下多目标分割及跟踪算法[J].科学技术与工程，2015，15（10）：102?105.
[2] 黄斌.基于自适应观测粒子滤波的运动跟踪算法[J].科技通报，2016，32（3）：145?148.
[3] 来羽.基于粒子群算法的传感网络节点动态目标跟踪[J].计算机仿真，2016，33（3）：239?242.
[4] 郑朝晖.基于NCC匹配的Camshift目标跟踪算法[J].四川理工学院学报（自然科学版），2015，28（4）：37?40.
[5] 李荣，徐燕华.基于视觉信息的图像特征提取算法研究[J].电子设计工程，2016，24（9）：188?190.
[6] 杨凯，魏本征，任晓强，等.基于深度图像的人体运动姿态跟踪和识别算法[J].数据采集与处理，2015，30（5）：1043?1053.
[7] 邹德永，孟祥雨，袁军，等.基于模式识别的钻头选型新方法[J].石油钻探技术，2016，44（2）：40?45.
[8] 周西峰，邹浩，郭前岗.一种基于超声检测图像的缺陷自动识别算法[J].微型机与应用，2015，34（9）：54?56.
[9] 白灵.基于Hadoop平台下SVM的图像识别技术[J].现代电子技术，2016，39（16）：98?101.
[10] 刘国华.基于图像处理的钻头测量系统[J].黑龙江大学工程学报，2016，7（1）：92?96.
[11] 王跃东，钱小燕，张天慈，等.基于联合双边滤波的融合图像跟踪算法研究[J].航空计算技术，2016，46（2）：37?41.
摘 要： 针对当前方法进行钻头自动跟踪过程中，难以对钻头目标模板进行精确描述且运算较为复杂，存在跟踪误差大的问题，提出一种基于图像识别钻头自动跟踪方法。该方法利用双重卷积理论对钻头原图像进行阈值分割，提取钻头运动图像目标，将提取的钻头运动图像目标进行滤波处理，获得钻头图像的归一化中心矩，采用高斯模型对钻头运动图像目标和背景建模，在此基础上将卡尔曼滤波预测估计思想和均值漂移思想相融合，应用于钻头运动图像目标跟踪过程中，由此完成对钻头的自动跟踪。实验结果表明，所提方法能够有效提升钻头运动图像目标的检测精度，且目标跟踪的稳定性较强。
关键词： 图像识别； 钻头； 自动跟踪； 卡尔曼滤波
中图分类号： TN911.73?34； TP391 文献标识码： A 文章编号： 1004?373X（2017）17?0056?04
Drill automatic tracking algorithm based on image recognition
YANG Huailin1， 2
（1. Nanjing Normal University， Nanjing 210097， China； 2. Jiangsu Vocational College of Finance and Economics， Huaian 221008， China）
Abstract： The current methods are difficult to describe the drill target template accurately and have complex operation and big tracking error in the drill automatic tracking process， therefore a drill automatic tracking method based on image recognition is proposed. The double convolution theory is used to segment the threshold of the drill original image to extract the drill moving image target. The extracted drill moving image target is filtered to get the normalized central moment of the drill image. The Gauss model is used to model the drill moving image target and background. On this basis， the thoughts of Kalman filtering estimation and mean shift are integrated to apply to the tracking process of drill moving image target， so as to track the drill automatically. The experimental results show that the method can improve the detection accuracy of drill moving image target effectively， and has high stability of target tracking.
Keywords： image recognition； drill； automatic tracking； Kalman filtering
0 引 言
近年来，随着我国科学技术的不断进步，计算机视觉技术和图像并行处理技术得到了飞速发展，自动跟踪技术逐渐成为计算机视觉、自动控制和模式识别领域的研究热点问题[1?3]。随着机械设备高度自动化、集成化以及无人化的发展，基于图像的目标识别与跟踪技术在机械设备领域受到了广泛的应用[4?6]，钻头是机械加工领域中孔加工最主要的加工工具，在研究和开发机械设备自动加工过程中，钻头的识别与自动跟踪技术对实现加工过程自动化、提升制造业水平具有重要意义[7?8]。在实际加工过程中，钻头磨损、断裂等问题使钻头成为制造系统中最薄弱的一环，易造成机械设备生产效率低，严重时还会造成设备停机事故。在这种情况下，如何对钻头进行自动跟踪，实现加工过程自动化、提升制造业水平现已成为制造装备自动化领域亟待解决的首要任务，受到了众多专家学者的广泛关注[9?11]。
针对当前方法进行钻头的自动跟踪时，对目标模板的描述不精确且运算复杂，存在跟踪误差大的问题，提出一种基于图像识别的钻头自动跟踪方法。实验结果表明，所提方法在进行钻头的自动跟踪时对运动目标检测精度高且运算简单，大幅度提升了目標跟踪的稳定性。
1 基于图像识别的钻头自动跟踪算法
1.1 图像识别的特征提取
在对图像识别钻头自动跟踪过程中，先结合双重卷积理论对钻头的原图像进行阈值分割，提取钻头运动图像目标，再对输入的钻头运动图像目标进行Gabor小波变换，得出每个通道输出的钻头运动图像，对提取的钻头运动图像目标进行滤波处理，获得钻头运动图像目标的归一化中心矩，结合支持向量机理论对钻头运动图像进行像素分类，获取候选钻头运动图像目标，采用高斯模型对钻头运动图像目标和背景建模。具体过程如下所述：
采用双重卷积理论对原钻头图像进行阈值分割，提取出钻头运动图像目标，在此基础上，对输入的钻头运动图像目标进行Gabor小波变换，利用式（1）进行计算：
（1）
式中：表示钻头运动图像目标；表示Gabor小波滤波器组；表示钻头运动图像目标经过Gabor滤波器卷积处理后得到的一组滤波结果。
利用式（2）对钻头运动图像的阶中心矩进行定义：
（2） 式中表示钻头运动图像的中心坐标。
定义以下4个对平移、旋转和尺度变换不变的矩：
式中：表示钻头运动图像的归一化中心矩；采用支持向量机的分类方法对钻头运动图像的归一化中心矩进行回归分析。定义在某一时刻钻头运动图像中任一像素的像素概率模型为：
（3）
式中：表示在时刻钻头运动图像的像素属于前景或背景的概率。利用式（4）定义时刻钻头运动图像中像素的背景混合模型为：
（4）
式中：表示在时刻钻头运动图像中像素的像素值；表示该混合模型中描述钻头运动图像像素色彩特性的高斯分布模型的个数；表示时刻钻头运动图像背景混合模型中（表示第个）子模型的权，所有子模型的权之和等于1，即；和分别表示时刻钻头运动图像背景混合模型中子模型的均值和协方差矩阵。
以权和标准差之比作为适应度值，从钻头运动图像的背景混合模型中找到具有最大适应度值的子模型作为钻头运动图像的当前帧背景分布模型，利用式（5）进行计算，可得到时刻钻头运动图像的像素属于背景的条件概率：
（5）
式中：表示钻头运动图像像素的特征向量；表示特征向量的维数；分别表示该条件概率的均值和协方差矩阵。
通过多次迭代即可提取出钻头运动图像的背景，具体过程如下所述：
（1） 设置最大迭代次数以及每次迭代中被修正的钻头运动图像的最少像素数
（2） 针对钻头运动图像中每一像素，从背景和前景混合模型中找到具有最大适应度值的子模型作为钻头运动图像当前帧背景和前景的分布模型。
（3） 利用式（5）计算钻头运动图像的像素8邻域中属于背景的像素数。
（4） 以获得的钻头运动图像的像素先验概率为依据，对像素进行判断：
式中：代表钻头运动图像像素的先验分布密度函数；代表钻头运动图像像素的先验分布密度函数，若则像素被分类为背景，否则为前景。
（5） 若迭代次数大于或一次迭代中被修正钻头运动图像的像素数小于迭代分类结束，否则返回第（2）步。
在获得运动图像背景后，将钻头运动图像当前帧与钻头运动图像背景相减，获取候选钻头运动图像目标，可表示为：
（6）
式中：表示归一化因子；表示钻头运动图像目标特征值；和函数的作用是判断钻头运动图像目标区域中像素的特征值是否属于表示搜索窗口的钻头运动图像中心像素坐标；表示核函数的带宽，它决定候选目标的尺度。利用式（6）给出的获取候选钻头运动图像目标组建钻头的运动图像背景模型，为建立钻头的运动目标模型提供依据。
1.2 运动图像目标检测
在对图像识别钻头自动跟踪过程中，在1.1节得到的候选钻头运动图像目标的基础上，以图像的灰度信息为特征空间，结合单变量高斯模型将已获得的钻头运动图像目标和背景信息进行统计，得到钻头运动图像背景的高斯分布参数模型，对钻头运动图像帧之间的特征点进行相应的匹配，采用卡尔曼滤波来预测钻头运动图像的目标位置，最终获得钻头运动图像跟踪目标的轨迹。具体过程如下所述：
假设钻头运动图像帧的各个图像灰度值均遵从均值和方差的分布，且各个钻头运动图像像素点的高斯分布为单变量。在该模型中，代表单变量正态分布；代表钻头图像灰度值的期望值；代表钻头运动图像灰度值分布的方差。式（7）为钻头图像帧的各个像素点组建正态分布的目标和背景的概率模型：
（7）
式中代表钻头运动图像的灰度信息特征值。
在第帧中，钻头运动图像目标（背景）模型中均值和方差的更新公式为：
均值：
方差：
在第帧中，钻头运动图像目标（背景）模型中的参数更新公式为：
均值：
方差：
式中：分别代表第帧钻头运动图像中目标（背景）点的统计均值和方差；代表判断钻头运动图像第帧中目标（背景）样本点所用高斯模型的均值和方差；代表钻头运动图像目标（背景）的样本点数；代表钻头图像每个样本点的灰度值；代表更新率。
在钻头运动图像环境中，为了在以原目标位置为中心的区域附近更快地找到钻头运动图像目标，采用卡尔曼滤波来预测钻头运动图像的目标位置，将第一帧中的钻头运动图像目标中心位置和运动速度赋值给预测的钻头运动协方差可表示为：
（8）
式中：代表滤波器的结构参数；代表第帧图像中的钻头运动图像的目标中心位置和运动速度的预测协方差。
结合式（8）预测钻头运动图像的目标位置，获得真实中心位置跟踪钻头运动图像目标的滤波方程为：
（9）
式中：代表第帧图像中预测的观测向量；代表滤波器的增益参数。
1.3 基于图像识别钻头自动跟踪
在对钻头运动图像自动跟踪过程中，以1.2节获得的图像运动目标模型为基础，利用貝叶斯分类理论，在得到钻头运动图像的后验条件概率的基础上，对钻头运动图像目标的初始位置进行识别；利用钻头运动图像的灰度信息建立目标模型，对第帧中的所有钻头运动图像的样本点进行判别，得到钻头运动的置信图利用均值漂移理论对置信图峰值点进行识别，求解钻头运动图像的最优峰值点，实现多目标分割、跟踪。具体过程如下所述：
对钻头运动图像的多目标进行分类，利用贝叶斯公式进行计算，得到钻头运动图像的后验条件概率，可表示为：
（10）
式中：代表钻头运动图像目标模型；代表钻头运动图像背景模型。在此基础上，结合式（10）对式（7）进行转化，给出钻头运动图像目标的初始位置，利用灰度信息建立目标模型，对第帧钻头运动图像的每一个样本点做后验条件概率判断，可以得到钻头运动的置信图：
（11）
结合均值漂移理论寻找钻头运动置信图的峰值点，计算结果可表示为：
（12）
式中：代表以钻头运动置信图的峰值点为中心的邻域；初始值代表卡尔曼滤波器滤波得到的预测值；分别代表钻头运动置信图中每点的坐标。
通过均值漂移算法得到钻头运动置信图的峰值后，以上一帧的钻头运动图像窗口大小为初始值，框定运动图像目标最优点，利用式（13）定义全部图像识别的钻头自动跟踪目标函数：
（13）
式中代表上一帧的钻头运动图像窗口大小，依据上一帧的窗口大小完成钻头运动图像的自动跟踪。
2 实验仿真证明
为了验证本文提出的基于图像识别钻头自动跟踪算法的有效性，需要进行一次仿真实验，实验图像均为由CCD摄像机实时采集的可见光图像，采样速率为30 f/s，把RGB图像转换为灰度图像，直方图采用灰度级。编程环境是P42.4G的PC机，算法由VC语言在Windows NT平台下编程实现，在不同钻头工作条件下进行30次运动图像自动跟踪实验。
分别利用模糊滤波算法与图像识别算法进行钻头自动跟踪实验，对比不同算法的跟踪误差，结果如表1所示。
通过分析表1可知，利用图像识别算法进行钻头自动跟踪的准确性要高于利用模糊滤波算法进行钻头跟踪的结果，这主要是因为在利用图像识别算法进行钻头自动跟踪过程中，将钻头图像与对应每个通道的Gabor滤波器分别进行卷积，得出每个通道输出的钻头运动图像，再对提取出的钻头运动图像目标进行滤波，将钻头运动图像的像素分为前景或背景，通过一定的加权将每一帧新输入钻头运动图像的变化动态加到模型中自适应地进行更新。对钻头运动图像帧之间的特征点进行相应的匹配工作，获取钻头运动图像的最优峰值点，使得利用图像识别算法进行钻头自动跟踪的准确性较高。
以表1给出的统计结果为理论依据，将模糊滤波算法得到的位置与误差曲线和图像识别钻头自动跟踪算法得到的位置与误差曲线进行对比，结果如图1～图4所示。
分析图1～图4可知，在不同的跟踪实验次数下，利用图像识别算法预测位置趋势曲线与期望位置趋势曲线基本吻合，通过误差位置曲线可以看出，利用图像识别算法进行钻头的位置跟踪误差几乎为零，这主要是因为在利用图像识别方法进行钻头自动跟踪过程中，先采用双重卷积理论对原钻头图像进行阈值分割，提取出钻头运动图像目标，对提取出的钻头运动图像目标进行滤波处理，获得钻头目标图像的归一化中心矩。结合支持向量机理论对钻头运动图像进行像素分類，获取候选钻头运动图像目标，采用高斯模型对目标和背景建模。以钻头图像的灰度信息为特征空间，结合单变量高斯模型对已获得的目标和背景信息进行统计，得到钻头运动图像背景的高斯分布参数模型。利用贝叶斯分类理论对钻头图像目标的初始位置进行识别，在此基础上，结合卡尔曼滤波预测估计方法和均值漂移理论得到钻头自动跟踪目标函数，实现目标跟踪和定位功能。
3 结 语
针对当前方法进行钻头自动跟踪过程中，难以对钻头目标模板进行精确描述且运算较为复杂，存在跟踪误差大的问题，提出一种基于图像识别钻头自动跟踪方法。实验结果表明，所提方法能够有效提升钻头运动图像目标的检测精度，且目标跟踪的稳定性较强。
参考文献
[1] 周桢.基于多标记图分割的遮挡下多目标分割及跟踪算法[J].科学技术与工程，2015，15（10）：102?105.
[2] 黄斌.基于自适应观测粒子滤波的运动跟踪算法[J].科技通报，2016，32（3）：145?148.
[3] 来羽.基于粒子群算法的传感网络节点动态目标跟踪[J].计算机仿真，2016，33（3）：239?242.
[4] 郑朝晖.基于NCC匹配的Camshift目标跟踪算法[J].四川理工学院学报（自然科学版），2015，28（4）：37?40.
[5] 李荣，徐燕华.基于视觉信息的图像特征提取算法研究[J].电子设计工程，2016，24（9）：188?190.
[6] 杨凯，魏本征，任晓强，等.基于深度图像的人体运动姿态跟踪和识别算法[J].数据采集与处理，2015，30（5）：1043?1053.
[7] 邹德永，孟祥雨，袁军，等.基于模式识别的钻头选型新方法[J].石油钻探技术，2016，44（2）：40?45.
[8] 周西峰，邹浩，郭前岗.一种基于超声检测图像的缺陷自动识别算法[J].微型机与应用，2015，34（9）：54?56.
[9] 白灵.基于Hadoop平台下SVM的图像识别技术[J].现代电子技术，2016，39（16）：98?101.
[10] 刘国华.基于图像处理的钻头测量系统[J].黑龙江大学工程学报，2016，7（1）：92?96.
[11] 王跃东，钱小燕，张天慈，等.基于联合双边滤波的融合图像跟踪算法研究[J].航空计算技术，2016，46（2）：37?41.
