CN101464948A - 一种基于关键点的仿射不变矩的目标识别方法 - Google Patents

Abstract

一种基于关键点的仿射不变矩的目标识别方法，步骤如下：(1)图像预处理：对原始采集图像进行处理，减少噪声等无效信息对后续处理的影响，增强有用信息，提高图像对比度；(2)主轮廓提取：对目标边缘图像进行主轮廓的提取，得到外轮廓的边缘图像，过滤掉内部的轮廓，和无用的轮廓分支；(3)关键帧提取：以分割出来的目标灰度图像为基础，首先计算目标的质心，然后以质心为扩展点向周围引伸出多条射线，寻找每条射线方向上最近灰度极值点，将所有灰度极值点当作关键点集合；(4)仿射不变特征提取：提取出目标主轮廓的仿射不变特征，计算多阶仿射不变矩向量；(5)目标识别：通过步骤(4)中提出的特征来识别目标，输出识别结果。

Description

一种基于关键点的仿射不变矩的目标识别方法

技术领域

本发明涉及一种图像目标识别方法，特别是一种基于关键点的仿射不变矩的目标识别方法。

背景技术

在目标识别、遥感图像几何校正、图像检索等许多智能图像处理领域，需要从多幅不同视点获取的图像中提取相同的特征量，并以此特征量作为后续处理的基础。由于大部分视点变化情况下获取的图像之间的关系可以用仿射变换来近似，因此提取仿射不变特征成为了众多技术领域的共性问题。

目前研究图像仿射不变特征量已经成为图像目标识别的核心问题之一，学者们在计算机视觉研究中提出了许多图像仿射不变特征的理论和提取方法，应用于图像目标识别上取得了不错的效果。随着研究不断深入，更多新的图像仿射不变特征提取方法不断被应用于图像目标识别，例如基于边界，基于角点的局部仿射特征，以及分类器的使用，BP神经网络、贝叶斯分类器等，都被广泛应用到目标识别中。

但是，当前的仿射不变矩仍然存在这一些不足，例如，针对目标提取中可能出现物体轮廓分割不完整和有噪点污染的情况下没有很好的抗噪能力，若具备很好的抗噪能力又会带来计算量大和算法复杂的代价。

发明内容

本发明的技术解决问题：克服现有技术的不足，提出的一种基于关键点的仿射不变矩的目标识别方法，能够解决在目标提取中可能出现物体轮廓分割不完整和有噪点污染的情况下仍有很好的抗噪能力，并且减小的计算复杂度和计算量，使目标识别有更好的效果。

本发明的技术解决方案：一种基于关键点的仿射不变矩的目标识别方法包括以下步骤：

(1)图像预处理：对原始采集图像进行处理，以减少噪声等无效信息对后续处理的影响，增强有用信息，提高图像对比度；

(2)主轮廓提取：对目标边缘图像进行主轮廓的提取，得到外轮廓的边缘图像，过滤掉内部的轮廓，和一些无用的轮廓分支；

(3)关键帧提取：以分割出来的目标灰度图像为基础，首先计算出目标的质心，然后以质心为扩展点向周围引伸出多条射线，寻找每条射线方向上的最近灰度极值点，将所有灰度极值点当作关键点集合；

(4)仿射不变特征提取：提取出目标主轮廓的仿射不变特征，并计算多阶的仿射不变矩向量；

(5)目标识别：通过步骤(4)中提出的特征来识别目标，输出识别结果。

其中，所述步骤1图像预处理包括对输入图像进行灰度变换，平滑去噪处理和灰度拉伸处理。

其中，所述步骤2主轮廓提取步骤如下：

(1)首先，自动获取初始化轮廓，对图像作简单的阈值分割，得到目标区的外接矩形，每隔若干个像素取一点，作为初始轮廓；

(2)计算动态轮廓的中心；

(3)对所有轮廓控制点用如下公式进行计算，并移动它们到邻域能量最小位置：

E_j＝α(i)E_int1(j)+β(i)E_int2(j)+γ(i)E_mag(j)+σ(i)E_r(j)

(4)统计动态轮廓中控制点移动的数目，即能量最小位置不是原控制点位置的点数；

(5)如果平均距离大于上次迭代的平均距离或过于小，则调整控制点间距；

(6)计算各控制点曲率；

(7)若控制点移动的数目小于阈值、总能量E出现周期性波动或者达到最大迭代次数，则结束；

(8)重复上述(2)—(7)。

其中，所述步骤3关键帧提取按照步骤进行：

(1)选择质心作为第一关键点；

(2)以质心为扩展点向周围引伸出多条射线，寻找每条射线方向上的最近灰度极值点，将所有灰度极值点当作关键点集合；

(3)再将各点连接到闭合区域，得到关键点集合。

所述步骤4仿射不变矩特征提取是在步骤3提取出的关键点集合上按照如下公式计算多阶仿射不变矩：

$\frac{\sqrt[i]{E\left\{{[Q-E\left(Q\right)]}^i\right\}}}{E\left(Q\right)}=M\left(i\right)$

其中M(i)称之为i阶仿射不变矩，Q是关键点集合。

其中，所述步骤5目标识别包括离线训练和在线识别两个部分，其中离线训练使用大量的训练样本得到训练模型；在线识别是输入的单个图像，经过各种图像处理方法后，进入各个模型识别，分别计算得到各个对应匹配度，匹配度最高的目标模型即为识别结果。

本发明与现有技术相比的优点在于：

(1)原始图像因受环境因素干扰，甚至有时识别目标区域的对比度较小，光照不均匀，树木的摇晃等因素都使得图像质量很难保证，本发明的优点在于运用图像预处理技术：灰度化，平滑去噪和灰度拉伸作为图像的后续处理，使得后续是别的准确率提高。

(2)传统的主轮廓提取方法受图像的质量和背景影响较大，虽然定位率比较高，但是无用的边缘信息和空洞过多，本发明的优点在于去除了其他的无用轮廓信息给后面的识别带来的影响，综合利用目标边缘与颜色信息，得到了更高的定位率和适应性。

(3)传统的以仿射不变矩为特征的目标识别，通常采用全局仿射不变矩特征，全局特征可以较好地解决由于图像存在仿射变换而导致的同一目标的一致性判决问题，但如果图像发生遮障等局部信息变化，基于全图信息的特征也会随之发生变化，对目标识别，图像匹配可能产生不良影响。本发明采用基于关键点的局部仿射不变矩特征，较好地克服特征受到局部干扰的问题，特别是当目标处于被遮挡或者所处背景有较大变化的情况下进行目标识别的有效工具。

(4)整合图像预处理、车辆主轮廓提取、车辆仿射不变特征提取，隐尔可夫模型的识别等方法，实现了车辆自动识别系统，该系统具备识别准确率高，识别速度快，且具有较强的光照适应性。

(5)本发明具有较高的实时性和处理速度，本发明算法简洁、实用，有较高的效率。

附图说明

图1为本发明的基于关键点仿射不变矩的目标识别流程图；

图2为本发明的图像预处理流程图；

图3为本发明的主廓提取流程图；

图4基于关键点的仿射不变矩提取流程图

图5为本发明的目标识别流程图；

图6为两种不同车辆矩值曲线图；

具体实施方式

下面结合车辆识别的过程对本算法提出的方法作进一步说明：

本发明一种基于关键点的仿射不变矩的目标识别方法，如图1所示，其具体包含如下步骤：

第一步，图像预处理，如图2所示：对原始采集图像进行处理包括灰度化，平滑去噪和灰度拉伸。

灰度化：将采集到的车辆彩色图像，通过如下公式进行灰度化处理。其中R，G，B分别表示红，绿，蓝三基色。

Gray＝0.233R+0.587G+0.114B

平滑去噪：本发明采用核大小为3*3的高斯平滑处理，通过采样2维高斯函数得到，可以有效地消除噪声，提高目标定位率。

灰度拉伸：本发明采用线性灰度拉伸的办法将灰度值扩充到0～255的范围，使得该范围内的像素，亮的越亮，暗的越暗，从而达到增强对比度的目的。通过如下公式进行灰度拉伸处理。图像中大部分像素的灰度级集中在[a，b]范围内，相对少数的像素的灰度级超过此范围，并且可以忽略。

$\left\{\begin{array}{cc}\frac{n-m}{b-a}\&times;[f(x,y)-a]+m& (a\&le;f(x,y)\&le;b)\\ m& (f(x,y)<a)\\ n& (f(x,y)>b)\end{array}\right.$

第二步，主轮廓提取，如图3所示：本发明采用改进的Kass算法进行轮廓提取，再采用Auto-Snake算法进行主轮廓提取，并引入反映全局灰度统计结果的外加强制力。

整个主轮廓提取的过程为：

1)首先，自动获取初始化轮廓，初始化参量α，β，γ，σ对图像作简单的阈值分割，得到目标区的外接矩形，每隔4个像素取一点，作为初始轮廓S＝(v₁，v₂，...v_n)，对所有控制点。

2)计算动态轮廓的中心c＝(x_c，y_c)， $x_c=n^{-1}\underset{1}{\overset{n}{\mathrm{\&Sigma;}}}{x}_i,$ $y_c=n^{-1}\underset{1}{\overset{n}{\mathrm{\&Sigma;}}}{y}_i.$

3)对所有轮廓控制点用如下公式进行计算，并移动它们到邻域能量最小位置。其中i表示轮廓控制点的个数，j表示轮廓点邻域尺寸的大小。

E_j＝α(i)E_int1(j)+β(i)E_int2(j)+γ(i)E_mag(j)+σ(i)E_r(j)

4)统计动态轮廓中控制点移动的数目，即能量最小位置不是原控制点位置的点数。

5)如果平均距离大于上次迭代的平均距离或过于小，则调整控制点间距。

6)计算各控制点曲率，决定下一次迭代的β值。

7)若控制点移动的数目pstmoved小于阈值、总能量E出现周期性波动或者达到最大迭代次数，则结束。

8)重复2-7。

第三步，关键点提取，如图4所示：关键点是图像的一种重要局部特征，保留了图像中物体的重要特征信息的同时有效地减少了数据量，使得对图像处理时运算量大大减少，由于关键点集中了图像上的很多重要的形状信息，具有旋转不变性，因此关键点几乎不受光照条件的影响。关键点一般包括图像中具有周围灰度变化剧烈特征的点。

本发明的关键点的提取过程为：

1)以分割出来的物体灰度图像为基础，首先计算出物体的质心，通过如下公式。其中I表示坐标为(x，y)的点的灰度值。

$E_x=\frac{\mathrm{\&Sigma;\&Sigma;xI}(x,y)}{\mathrm{\&Sigma;\&Sigma;I}(x,y)},$ $E_y=\frac{\mathrm{\&Sigma;\&Sigma;yI}(x,y)}{\mathrm{\&Sigma;\&Sigma;I}(x,y)}$

2)计算灰度极值点，计算灰度极值点的公式如下。其中t表示射线的长度，I₀是质心的灰度值，d是一个较小的整数防止分母为零，由此得到构造仿射不变区域的方法：以质心为中心向各个方向作射线，在每条射线上沿发散方向寻找上式的最近灰度极值点。

$f\left(t\right)=\frac{\left|{I\left(t\right)-I}_0\right|}{\max (\frac{\underset{0}{\overset{t}{\&Integral;}}|I\left(t\right)-I_0|\mathrm{dt}}{t},d)}$

3)再将f_max(t_i)点依次连接得到闭合区域。然后在对应的仿射变换后的图像中，按照上述方法得到闭合区域，在经过质心的任意一条直线上f(t)上都有的两个最近灰度极值点，这二个点的坐标在图像仿射变换前后几何拓扑关系不变，文中f_max(t_i)的集合就是要找的关键点的集合Q。

第四步，仿射不变特征提取：通过关键点集合Q组成的封闭区域，通过如下公式计算其仿射不变特征值，对于相同的目标或者同类的目标，它们的仿射不变特征值将维持在一个特定的范围内。下式中，M(i)表示i阶仿射不变矩的特征值。

$\frac{\sqrt[i]{E\left\{{[Q-E\left(Q\right)]}^i\right\}}}{E\left(Q\right)}=M\left(i\right)$

第五步，目标识别，如图5所示：本发明利用隐马尔可夫模型来进行目标识别。采用嵌入式隐马尔可夫模型提取目标特征，取6个超状态对目标图像的由上到下划分的不同位置，分别描述和代表目标类型的宏观特征，每个超状态内嵌入的7个状态分别描述车辆类型1-7阶仿射不变矩，如图6和表1所示。表1为两种不同车辆的1-7阶矩值

表1

在训练好若干车型的隐马尔可夫模型(HMM)，才能进行车型的识别。假定车型库中己有K个训练好的隐马尔可夫模型，识别过程如下：

1)首先根据前面讲述的提取出要识别的车辆的仿射不变特征向量。

2)然后计算此车辆的观察向量序列与车型数据库中各个车型的隐马尔可夫模型相似的或然率P(O|λ)，相似的或然率P(O|λ)可以通过前向-后向算法或者Viterbi算法得出。

3)相似或然率反映了待识车型观察向量序列与数据库中的车型隐马尔可夫模型的相似程度，这就是说，如果P(O|λ_i)，i∈(1，2，...k)在P(O|λ_k)，k∈(1，2，...k)中值最大，那么λ_i就是与待识人脸最接近的人脸隐马尔可夫模型。至此，识别结束。

本发明说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

尽管为说明目的公开了本发明的最佳实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附的权利要求的精神和范围内，各种替换、变化和修改都是可能的。因此，本发明不应局限于最佳实施例和附图所公开的内容。

Claims (6)

1、一种基于关键点的仿射不变矩的目标识别方法，其特征在于包括以下步骤：

(1)图像预处理：对原始采集图像进行处理，以减少噪声等无效信息对后续处理的影响，增强有用信息，提高图像对比度；

(2)主轮廓提取：对目标边缘图像进行主轮廓的提取，得到外轮廓的边缘图像，过滤掉内部的轮廓，和一些无用的轮廓分支；

(3)关键帧提取：以分割出来的目标灰度图像为基础，首先计算出目标的质心，然后以质心为扩展点向周围引伸出多条射线，寻找每条射线方向上的最近灰度极值点，将所有灰度极值点当作关键点集合；

(4)仿射不变特征提取：提取出目标主轮廓的仿射不变特征，并计算多阶的仿射不变矩向量；

(5)目标识别：通过步骤(4)中提出的特征来识别目标，输出识别结果。

2、根据权力要求1所述的一种基于关键点的仿射不变矩的目标识别方法，其特征在于：所述步骤(1)图像预处理包括对输入图像进行灰度变换，平滑去噪处理和灰度拉伸处理。

3、根据权力要求1所述的一种基于关键点的仿射不变矩的目标识别方法，其特征在于：所述步骤(2)主轮廓提取步骤如下：

1)首先，自动获取初始化轮廓，对图像作简单的阈值分割，得到目标区的外接矩形，每隔若干个像素取一点，作为初始轮廓；

2)计算动态轮廓的中心；

3)对所有轮廓控制点用如下公式进行计算，并移动它们到邻域能量最小位置：

E_j＝α(i)E_int1(j)+β(i)E_int2(j)+γ(i)E_mag(j)+σ(i)E_r(j)

4)统计动态轮廓中控制点移动的数目，即能量最小位置不是原控制点位置的点数；

5)如果平均距离大于上次迭代的平均距离或过于小，则调整控制点间距；

6)计算各控制点曲率；

7)若控制点移动的数目小于阈值、总能量E出现周期性波动或者达到最大迭代次数，则结束；

8)重复上述2)—7)。

4、根据权力要求1所述的一种基于关键点的仿射不变矩的目标识别方法，其特征在于：所述步骤(3)关键帧提取按照步骤进行：

1)选择质心作为第一关键点；

2)以质心为扩展点向周围引伸出多条射线，寻找每条射线方向上的最近灰度极值点，将所有灰度极值点当作关键点集合；

3)再将各点连接到闭合区域，得到关键点集合。

5、根据权力要求1所述的一种基于关键点的仿射不变矩的目标识别方法，其特征在于：所述步骤(4)仿射不变矩特征提取是在步骤(3)提取出的关键点集合上按照如下公式计算多阶仿射不变矩：

$\frac{\sqrt[i]{E\left\{{[Q-E\left(Q\right)]}^i\right\}}}{E\left(Q\right)}=M\left(i\right)$

其中M(i)称之为i阶仿射不变矩，Q是关键点集合。

6、根据权力要求1所述的一种基于关键点的仿射不变矩的目标识别方法，其特征在于：所述步骤(5)目标识别包括离线训练和在线识别两个部分，其中离线训练使用大量的训练样本得到训练模型；在线识别是输入的单个图像，经过各种图像处理方法后，进入各个模型识别，分别计算得到各个对应匹配度，匹配度最高的目标模型即为识别结果。

Images