实弹射击报靶系统的图像校正

秦斌+殷晓露+禹世杰

摘 要： 针对人工校正报靶系统的不准确性，提出了一种无线超声报靶系统的图像校正技术。采用轮廓提取的方法获取靶纸上的有效区域，对有效区域采取自动获取控制点的方法进行几何校正，获得与模板图像大小相同的正视靶纸图片，再利用训练好的级联分类器识别校正后的靶纸上的弹孔，最后利用最小二乘法计算出靶纸上弹着点的实际位置。向超声靶射击3枪，记录超声信号获得的3个弹着点位置，将其与弹着点的实际位置进行比对即可获取报靶系统的修正值，再将修正值用于弹着点的校正当中，即可实现靶纸更换后弹着点位置的自动校正。较之传统的人工校正方法更加方便快捷，减少人为因素造成的校正不准，避免实弹训练时报靶误差的产生。

关键词： 图像校正； 超声报靶； 轮廓提取； 弹孔识别

中图分类号： TN919?34； TP391 文献标识码： A 文章编号： 1004?373X（2014）14?0109?05

Image correction of wireless ultrasound readout system for shooting practice

QIN Bin1， 2， YIN Xiao?lu2， YU Shi?jie2

（1. Information Center， Shenzhen University， Shenzhen 518060， China；

2. School of Mechatronics and Control Engineering， Shenzhen University， Shenzhen 518060， China）

Abstract： An image correction technology applied to wireless ultrasound target?record system is proposed to avoid the inaccuracy of manual correction. The contour extraction method is adopted to obtain the effective area on the silhouette paper， and then method to automatically get control points on the effective place is used to conduct geometric correction and get the front view target sheet picture which is same size as template image. The corrected bullet holes on the paper are recognized by a trained cascade classifier. The least squares fitting method is used to calculate the actual location of the bullet holes on the paper. Three bullets shoot on the ultrasound target and the locations of three impact points are obtained by recording the ultrasonic signal. The revised value of the ultrasound target?record system can be got by comparing them with the actual positions of the impact points. Compared with the traditional manual correction method， the wireless ultrasound target?record system is more convenient， can reduce the inaccuracy caused by artificial correction， and also can avoid the record error of shooting training.

Keywords： image correction； ultrasound target?record； contour extraction； bullet hole recognition

0 引 言

实弹射击训练主要采用人工报靶，其缺点除了人为因素造成报靶误差外主要是实训工作效率低，射击前后的管理性工作非常多，比如贴靶纸、验靶纸、统计成绩等。目前驻港澳部队等单位采用了国内自主研发的无线超声报靶系统，实现了自动报靶和成绩统计等功能，大大提高了训练的效率。无线超声报靶纸的射击寿命约为1万发子弹，超声报靶传感器报告的坐标与靶纸的位置相关，超声报靶传感器在出厂时和靶纸一起校正过，精度小于1 mm。实弹射击训练过程中，靶纸的使用寿命到达后，常常需要战士自行更换靶纸，更换后的靶纸需要重新进行位置校正，使之与被更换前的靶纸的位置保持一致，以防更换后靶纸张贴不正而造成报靶误差。这一工作实际操作难度较高，需要配合专用软件辅助完成。

本文采用图像处理的方法，提供一种报靶系统的自动校正方法。保证靶纸不旋转的情况下在基本合理的位置贴上靶纸，射击命中3枪，利用超声信号获取3个弹着点的位置，将其存储到后端服务器，再通过无线网络将照相机或智能手机采集的靶纸图像传到后端服务器，在后端服务器中利用图像处理的方法计算出弹着点的图像位置，将图像位置与超声信号获得的位置进行比对，计算出报靶系统的修正值，将修正值通过无线网络发送到超声报靶传感器，完成系统的自动校正。

1 超声靶结构原理

超声报靶原理是根据多个超声传感器获得的距离计算出弹着点的坐标。如图1所示，在出厂时超声靶已经校正，3个传感器间的距离固定为d，O点为原点（即所贴靶纸的十环圆心）与中间传感器的距离固定为[h]，[l1]，[l2]，[l3]是超声传感器计算出的距离，则可根据这些条件计算出弹着点A的坐标。

图1 超声靶结构图

2 靶纸校正

人工贴的靶纸在二维平面上会出现偏差，拍照获取的靶纸图片也含畸变并存在一些不需要的信息，会对以后图像校正和弹孔识别产生干扰，需要先将其去掉，只保留靶纸的有效区域。然后再通过透视变换将有效区域校正成正视图，并归一化到模板大小。

2.1 靶纸提取

将用照相机或智能手机采集的靶纸图像进行灰度化，再进行二值化，然后提取轮廓，实验所采用靶纸的有效区域占整张图像的60%以上，因此可先将小于靶纸图像一定面积的轮廓区域去掉，再将其细化，使得边界像素宽度为1，将靶纸有效区域与无效区域分开，便于再次提取靶纸区域时能很好的将靶纸有效区域提取出来。一般第一次提取轮廓不能很好地将不同连通域的轮廓区分开，如图2所示，需要再次进行轮廓提取，找出最大轮廓面积区域，即为靶纸的有效区域，如图3所示。

2.2 图像校正

实弹射击中一般会出现以下几种畸变情况[1]，如仿射变换、投影变换、径向失真等，本文主要校正的是仿射变换和投影变换，将获取的靶纸图像校正成正视图，并归一化到与模板同样大小。

几何校正的基本原理是采用一种已知的标准图像板，选取一些控制点，然后找出待校正图像上与之对应的控制点，由此建立起失真与未失真图像之间的空间映射关系，这组关系就是一个校正矩阵[2]。

图2 提取轮廓图像

图3 有效区域

靶纸图像的校正采用透视变换，透视变换不仅可以解决图像的平移还可以解决摄像头与目标因夹角产生的畸变，它是中心投影的摄影变换，非齐次摄影坐标变换公式[3]，具体形式如下：

[x′y′1=a11a12a13a21a22a23a31a32a33xy1，且a11a12a13a21a22a23a31a32a33≠0] （1）

从而得到：

[x′=a11x+a12y+a13a31x+a32y+a33y′=a21x+a22y+a23a31x+a32y+a33] （2）

其中，[a11a12a13a21a22a23a31a32a33]为校正矩阵，（x，y）为原坐标，[（x′，y′）]为变换后的坐标，a33表示对图像进行缩放变换，设[a33=1]，以上公式可变为：

[x′=a11x+a12y+a13-a31xx′-a32yx′y′=a21x+a22y+a23-a31xy′-a32yy′] （3）

其中（a13，a23）T用于图像的平移，（a31，a32）用于图像的透视变换。

求取上式8个未知数需要8个方程，因此需要通过选取模板上的4个点和待校正图像上对应的4个点来求出透视变换矩阵。模板上的4个点坐标已经确定，待校正图像上的控制点则需要通过计算得出。控制点一般都是通过人工选取[1，4?5]，但是人工选点会有一定的误差，而且不能满足报靶系统的完全自动过程，本系统设计采用的是自动计算对应控制点坐标（如图4（b）四个点），而不需要人工参与。首先计算出靶纸有效区域的外接矩形，将其分成十部分。右上角和右下角的控制点可以通过对图像进行腐蚀操作，结构元素分别为：[100010010]和[010110000]，再根据右上角和右下角的位置特点找出点的坐标；而中间的两个点则可以通过对其所在的矩形区域进行列扫描获得其坐标，再通过列方程组即可求出透视变换的变换矩阵，从而完成对图像的校正，最后通过最邻近差值将其归一化到模板大小。

图4 图像校正

3 计算弹着点坐标

在报靶系统的校正中，需要通过将弹着点的实际坐标与超声传感器获取的坐标进行比对，获取修正值。首先需要确定坐标原点，实验中将靶纸十环圆心作为原点，再通过训练好的级联分类器将弹孔识别出来，然后通过对弹孔进行滤波、图像增强、二值化等图像处理的方法将弹孔区域提取出来，最后用最小二乘法将其拟合成圆，计算出弹着点的中心坐标。

3.1 获取靶心坐标

由先验知识可知胸环靶的圆具有相同的圆心，因此只要检测出一个圆环的圆心即可，而十环圆是一个标准的圆，只需求出十环圆的圆心即可，如图5所示。步骤如下：

（1） 对归一化的图像进行二值化，设原灰度图像为f（x，y），二值化后的图像为g（x，y），t为阈值，二值化的过程表示如下：

[g（x，y）=1， f（x，y）≥t0， f（x，y）

（2） 通过提取轮廓的方法找出面积最大的轮廓，即为靶纸十环圆的区域。

（3） 求取圆形区域的质心。设第i质点的质量为[mi]，其坐标为（[xi]，[yi]），则质心坐标为：

[x0=miximi， i=1，2，3，…，ny0=miyimi， i=1，2，3，…，n] （5）

求取的质心即为胸环靶的圆心，设为原点。

图5 获取靶心坐标

3.2 弹孔识别

弹孔的识别是自动报靶系统中关键的一步，传统的弹孔识别方法主要包括基于时间序列图像的差影法和模板匹配方法，差影法的基本思想就是对射击前后靶图像进行减运算或异或运算。实际应用时，对图像采集硬件和拍摄外部条件要求很高，受天气等环境影响很大，导致弹孔识别效果较差；模板匹配识别弹孔算法利用系统预存的弹孔模板对靶图像进行模板匹配，由于弹孔形状和大小不规律，需要准备大量的弹孔模板[1]。本文采用基于统计模型的方法来识别弹孔，其优点如下[6]：

（1） 不依赖于弹孔的先验知识和参数模型，可以避免不精确和不完整的知识造成的错误；

（2） 采用实例学习的方法获取的模型的参数在统计意义上更加可靠；

（3） 通过增加学习的实例可以扩大检测模式范围，提高鲁棒性。

基于统计模型的目标识别，首先训练级联分类器，需要取得不同环境下的弹孔图片和非弹孔图片，然后利用弹孔的Haar特征和AdaBoost算法结合进行训练，生成级联分类器，接着用训练好的分类器进行模式匹配，匹配流程图如图6所示，识别结果如图7中红色矩形框出的部分，为了只保留一次识别的结果需要将识别出的弹孔进行判断。判断步骤如下：

（1） 先将识别出的弹孔的矩形区域（长宽相等）保存下来；

（2） 将后识别出的弹孔区域与前面的进行比较，如图8所示，如果满足以下关系：

[x2≤x1；y2≤y1；y2+h2>y1+h1x1-x2

则删掉面积大的弹孔，保留面积较小弹孔。

图6 弹孔识别流程图

图7 弹孔识别结果

3.3 弹孔坐标计算

识别出的弹孔图像会含有很多噪声，不利于计算中心坐标，首先对弹孔进行预处理，用高斯滤波将图像进行平滑，再采用最大类间方差法[7?8]（Ostu）对弹孔图像进行动态阈值分割，从而将弹孔部分提取出来，其结果如图9（c）所示。最后利用最小二乘法原理将白色区域拟合成圆，计算出弹孔中心的坐标，再根据弹孔中心与靶纸原点计算出弹孔的实际坐标。

图8 弹孔被识别多次

图9 弹孔坐标计算

4 靶纸系统的修正值计算

在待校正的靶纸上连射3枪，获取3个弹着点如图10所示，A（A′），B（B′），C（C′），计算出弹着点相对于靶心的坐标，将这3点在不同坐标系的坐标进行运算就可计算出O′（x′，y′）在Oxy坐标系的坐标，取3个坐标的平均值以减少误差。

图10 原点偏移前后的弹着点

设[A（x1，y1）]，[B（x2，y2）]，[C（x3，y3）]都是以[Oxy]为坐标系计算出的超声信号，[A′（u1，v1）]，[B′（u2，v2）]，[C′（u3，v3）]都是以[O′（x′，y′）]为坐标系计算出的实际坐标，[O′（x′，y′）]是以O 为原点的坐标，则以点A与A[′]为例可列出以下方程：

[x1-x′=u1y1-y′=v1] （7）

计算得：

[x′=x1-u1y′=y1-v1] （8）

同理可计算出：

[x′=x2-u2y′=y2-v2] （9）

[x′=x3-u3y′=y3-v3] （10）

计算3个点求出[（x′，y′）]的平均值，则最终靶纸十环圆心在Oxy坐标系的值为：

[x′=（x1+x2+x3）-（u1+u2+u3）3y′=（y1+y2+y3）-（v1+v2+v3）3] （11）

报靶系统的修正值即为x[′]，y[′]，在以后的报靶中只需根据超声信号计算出的坐标[（x，y）]，减去[（x′，y′）]即可实现准确的报靶。

5 实验结果

实验中训练级联分类器时，正样本112个，大小为20×20，负样本为1 048个。测试集选取了11张含有弹孔的不同靶纸图像，弹孔共有51个，识别出50个，识别率达到98%。误识原因是测试的靶纸图像遭到污染，但在实际校正时采集的是新的靶纸图像，不存在上述情况。因此，实际应用中，在基本合理的位置贴上靶纸并保证靶纸不旋转，即可正确地计算出修正值，实现无线超声报靶系统的自动校正。

6 结 论

本文提出一种针对超声报靶系统自动校正的方法，利用照相机或智能手机在光照充足的条件下获取的靶纸图像进行处理，获得修正值，实现报靶系统的自动校正。每更换一次靶纸，报靶系统只需要一次修正即可实现训练时的弹着点自动校正，提高了训练效率，减少了人工校正的不准确性，并且避免了实弹训练时报靶误差的产生。

参考文献

[1] 谢小亮.基于图像处理技术的自动报靶系统[D].重庆：重庆大学，2012.

[2] 鹿洪旭，卢朝阳，高西全，等.用于射击运动自动判靶的图形校正算法及实现[J].计算机工程与科学，2001，23（3）：21?24.

[3] 丘维声.解析几何[M].北京：北京大学出版社，1988.

[4] 张晓锟.基于图像处理技术的自动报靶系统的设计与实现[D].长沙：国防科学技术大学，2009.

[5] 袁莉茹.基于图像处理的军用自动报靶系统弹孔识别[D].重庆：重庆大学，2006.

[6] SUNG K， POGGIO T. Example?based learning for view based human face detection [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1998， 20（1）： 39?51.

[7] 胡斌，宫宁生.一种改进的Otsu阈值分割算法[J].微电子学与计算机，2009，26（12）：154?155.

[8] OSTU N. A threshold selection method from gray?level histogram [J]. IEEE Transactions on System Man and Cybernetic， 1979， 9（1）： 62?66.

[9] 李昆华，秦斌，江志添.一种无线报靶传感器：中国，201320253657.X [P]. 2013?05?10.

[10] 秦斌，殷晓露.一种报靶系统的自动校正方法和报靶系统：中国，201310277395.5[P]. 2013?07?03.

弹孔的识别是自动报靶系统中关键的一步，传统的弹孔识别方法主要包括基于时间序列图像的差影法和模板匹配方法，差影法的基本思想就是对射击前后靶图像进行减运算或异或运算。实际应用时，对图像采集硬件和拍摄外部条件要求很高，受天气等环境影响很大，导致弹孔识别效果较差；模板匹配识别弹孔算法利用系统预存的弹孔模板对靶图像进行模板匹配，由于弹孔形状和大小不规律，需要准备大量的弹孔模板[1]。本文采用基于统计模型的方法来识别弹孔，其优点如下[6]：

（1） 不依赖于弹孔的先验知识和参数模型，可以避免不精确和不完整的知识造成的错误；

（2） 采用实例学习的方法获取的模型的参数在统计意义上更加可靠；

（3） 通过增加学习的实例可以扩大检测模式范围，提高鲁棒性。

基于统计模型的目标识别，首先训练级联分类器，需要取得不同环境下的弹孔图片和非弹孔图片，然后利用弹孔的Haar特征和AdaBoost算法结合进行训练，生成级联分类器，接着用训练好的分类器进行模式匹配，匹配流程图如图6所示，识别结果如图7中红色矩形框出的部分，为了只保留一次识别的结果需要将识别出的弹孔进行判断。判断步骤如下：

（1） 先将识别出的弹孔的矩形区域（长宽相等）保存下来；

（2） 将后识别出的弹孔区域与前面的进行比较，如图8所示，如果满足以下关系：

[x2≤x1；y2≤y1；y2+h2>y1+h1x1-x2

则删掉面积大的弹孔，保留面积较小弹孔。

图6 弹孔识别流程图

图7 弹孔识别结果

3.3 弹孔坐标计算

识别出的弹孔图像会含有很多噪声，不利于计算中心坐标，首先对弹孔进行预处理，用高斯滤波将图像进行平滑，再采用最大类间方差法[7?8]（Ostu）对弹孔图像进行动态阈值分割，从而将弹孔部分提取出来，其结果如图9（c）所示。最后利用最小二乘法原理将白色区域拟合成圆，计算出弹孔中心的坐标，再根据弹孔中心与靶纸原点计算出弹孔的实际坐标。

图8 弹孔被识别多次

图9 弹孔坐标计算

4 靶纸系统的修正值计算

在待校正的靶纸上连射3枪，获取3个弹着点如图10所示，A（A′），B（B′），C（C′），计算出弹着点相对于靶心的坐标，将这3点在不同坐标系的坐标进行运算就可计算出O′（x′，y′）在Oxy坐标系的坐标，取3个坐标的平均值以减少误差。

图10 原点偏移前后的弹着点

设[A（x1，y1）]，[B（x2，y2）]，[C（x3，y3）]都是以[Oxy]为坐标系计算出的超声信号，[A′（u1，v1）]，[B′（u2，v2）]，[C′（u3，v3）]都是以[O′（x′，y′）]为坐标系计算出的实际坐标，[O′（x′，y′）]是以O 为原点的坐标，则以点A与A[′]为例可列出以下方程：

[x1-x′=u1y1-y′=v1] （7）

计算得：

[x′=x1-u1y′=y1-v1] （8）

同理可计算出：

[x′=x2-u2y′=y2-v2] （9）

[x′=x3-u3y′=y3-v3] （10）

计算3个点求出[（x′，y′）]的平均值，则最终靶纸十环圆心在Oxy坐标系的值为：

[x′=（x1+x2+x3）-（u1+u2+u3）3y′=（y1+y2+y3）-（v1+v2+v3）3] （11）

报靶系统的修正值即为x[′]，y[′]，在以后的报靶中只需根据超声信号计算出的坐标[（x，y）]，减去[（x′，y′）]即可实现准确的报靶。

5 实验结果

实验中训练级联分类器时，正样本112个，大小为20×20，负样本为1 048个。测试集选取了11张含有弹孔的不同靶纸图像，弹孔共有51个，识别出50个，识别率达到98%。误识原因是测试的靶纸图像遭到污染，但在实际校正时采集的是新的靶纸图像，不存在上述情况。因此，实际应用中，在基本合理的位置贴上靶纸并保证靶纸不旋转，即可正确地计算出修正值，实现无线超声报靶系统的自动校正。

6 结 论

本文提出一种针对超声报靶系统自动校正的方法，利用照相机或智能手机在光照充足的条件下获取的靶纸图像进行处理，获得修正值，实现报靶系统的自动校正。每更换一次靶纸，报靶系统只需要一次修正即可实现训练时的弹着点自动校正，提高了训练效率，减少了人工校正的不准确性，并且避免了实弹训练时报靶误差的产生。

参考文献

[1] 谢小亮.基于图像处理技术的自动报靶系统[D].重庆：重庆大学，2012.

[2] 鹿洪旭，卢朝阳，高西全，等.用于射击运动自动判靶的图形校正算法及实现[J].计算机工程与科学，2001，23（3）：21?24.

[3] 丘维声.解析几何[M].北京：北京大学出版社，1988.

[4] 张晓锟.基于图像处理技术的自动报靶系统的设计与实现[D].长沙：国防科学技术大学，2009.

[5] 袁莉茹.基于图像处理的军用自动报靶系统弹孔识别[D].重庆：重庆大学，2006.

[6] SUNG K， POGGIO T. Example?based learning for view based human face detection [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1998， 20（1）： 39?51.

[7] 胡斌，宫宁生.一种改进的Otsu阈值分割算法[J].微电子学与计算机，2009，26（12）：154?155.

[8] OSTU N. A threshold selection method from gray?level histogram [J]. IEEE Transactions on System Man and Cybernetic， 1979， 9（1）： 62?66.

[9] 李昆华，秦斌，江志添.一种无线报靶传感器：中国，201320253657.X [P]. 2013?05?10.

[10] 秦斌，殷晓露.一种报靶系统的自动校正方法和报靶系统：中国，201310277395.5[P]. 2013?07?03.

弹孔的识别是自动报靶系统中关键的一步，传统的弹孔识别方法主要包括基于时间序列图像的差影法和模板匹配方法，差影法的基本思想就是对射击前后靶图像进行减运算或异或运算。实际应用时，对图像采集硬件和拍摄外部条件要求很高，受天气等环境影响很大，导致弹孔识别效果较差；模板匹配识别弹孔算法利用系统预存的弹孔模板对靶图像进行模板匹配，由于弹孔形状和大小不规律，需要准备大量的弹孔模板[1]。本文采用基于统计模型的方法来识别弹孔，其优点如下[6]：

（1） 不依赖于弹孔的先验知识和参数模型，可以避免不精确和不完整的知识造成的错误；

（2） 采用实例学习的方法获取的模型的参数在统计意义上更加可靠；

（3） 通过增加学习的实例可以扩大检测模式范围，提高鲁棒性。

基于统计模型的目标识别，首先训练级联分类器，需要取得不同环境下的弹孔图片和非弹孔图片，然后利用弹孔的Haar特征和AdaBoost算法结合进行训练，生成级联分类器，接着用训练好的分类器进行模式匹配，匹配流程图如图6所示，识别结果如图7中红色矩形框出的部分，为了只保留一次识别的结果需要将识别出的弹孔进行判断。判断步骤如下：

（1） 先将识别出的弹孔的矩形区域（长宽相等）保存下来；

（2） 将后识别出的弹孔区域与前面的进行比较，如图8所示，如果满足以下关系：

[x2≤x1；y2≤y1；y2+h2>y1+h1x1-x2

则删掉面积大的弹孔，保留面积较小弹孔。

图6 弹孔识别流程图

图7 弹孔识别结果

3.3 弹孔坐标计算

识别出的弹孔图像会含有很多噪声，不利于计算中心坐标，首先对弹孔进行预处理，用高斯滤波将图像进行平滑，再采用最大类间方差法[7?8]（Ostu）对弹孔图像进行动态阈值分割，从而将弹孔部分提取出来，其结果如图9（c）所示。最后利用最小二乘法原理将白色区域拟合成圆，计算出弹孔中心的坐标，再根据弹孔中心与靶纸原点计算出弹孔的实际坐标。

图8 弹孔被识别多次

图9 弹孔坐标计算

4 靶纸系统的修正值计算

在待校正的靶纸上连射3枪，获取3个弹着点如图10所示，A（A′），B（B′），C（C′），计算出弹着点相对于靶心的坐标，将这3点在不同坐标系的坐标进行运算就可计算出O′（x′，y′）在Oxy坐标系的坐标，取3个坐标的平均值以减少误差。

图10 原点偏移前后的弹着点

设[A（x1，y1）]，[B（x2，y2）]，[C（x3，y3）]都是以[Oxy]为坐标系计算出的超声信号，[A′（u1，v1）]，[B′（u2，v2）]，[C′（u3，v3）]都是以[O′（x′，y′）]为坐标系计算出的实际坐标，[O′（x′，y′）]是以O 为原点的坐标，则以点A与A[′]为例可列出以下方程：

[x1-x′=u1y1-y′=v1] （7）

计算得：

[x′=x1-u1y′=y1-v1] （8）

同理可计算出：

[x′=x2-u2y′=y2-v2] （9）

[x′=x3-u3y′=y3-v3] （10）

计算3个点求出[（x′，y′）]的平均值，则最终靶纸十环圆心在Oxy坐标系的值为：

[x′=（x1+x2+x3）-（u1+u2+u3）3y′=（y1+y2+y3）-（v1+v2+v3）3] （11）

报靶系统的修正值即为x[′]，y[′]，在以后的报靶中只需根据超声信号计算出的坐标[（x，y）]，减去[（x′，y′）]即可实现准确的报靶。

5 实验结果

实验中训练级联分类器时，正样本112个，大小为20×20，负样本为1 048个。测试集选取了11张含有弹孔的不同靶纸图像，弹孔共有51个，识别出50个，识别率达到98%。误识原因是测试的靶纸图像遭到污染，但在实际校正时采集的是新的靶纸图像，不存在上述情况。因此，实际应用中，在基本合理的位置贴上靶纸并保证靶纸不旋转，即可正确地计算出修正值，实现无线超声报靶系统的自动校正。

6 结 论

本文提出一种针对超声报靶系统自动校正的方法，利用照相机或智能手机在光照充足的条件下获取的靶纸图像进行处理，获得修正值，实现报靶系统的自动校正。每更换一次靶纸，报靶系统只需要一次修正即可实现训练时的弹着点自动校正，提高了训练效率，减少了人工校正的不准确性，并且避免了实弹训练时报靶误差的产生。

参考文献

[1] 谢小亮.基于图像处理技术的自动报靶系统[D].重庆：重庆大学，2012.

[2] 鹿洪旭，卢朝阳，高西全，等.用于射击运动自动判靶的图形校正算法及实现[J].计算机工程与科学，2001，23（3）：21?24.

[3] 丘维声.解析几何[M].北京：北京大学出版社，1988.

[4] 张晓锟.基于图像处理技术的自动报靶系统的设计与实现[D].长沙：国防科学技术大学，2009.

[5] 袁莉茹.基于图像处理的军用自动报靶系统弹孔识别[D].重庆：重庆大学，2006.

[6] SUNG K， POGGIO T. Example?based learning for view based human face detection [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 1998， 20（1）： 39?51.

[7] 胡斌，宫宁生.一种改进的Otsu阈值分割算法[J].微电子学与计算机，2009，26（12）：154?155.

[8] OSTU N. A threshold selection method from gray?level histogram [J]. IEEE Transactions on System Man and Cybernetic， 1979， 9（1）： 62?66.

[9] 李昆华，秦斌，江志添.一种无线报靶传感器：中国，201320253657.X [P]. 2013?05?10.

[10] 秦斌，殷晓露.一种报靶系统的自动校正方法和报靶系统：中国，201310277395.5[P]. 2013?07?03.