CN101923575B - 一种目标图像搜索方法和系统 - Google Patents

一种目标图像搜索方法和系统 Download PDF

Info

Publication number
CN101923575B
CN101923575B CN201010269299A CN201010269299A CN101923575B CN 101923575 B CN101923575 B CN 101923575B CN 201010269299 A CN201010269299 A CN 201010269299A CN 201010269299 A CN201010269299 A CN 201010269299A CN 101923575 B CN101923575 B CN 101923575B
Authority
CN
China
Prior art keywords
image
module
xisp
yisp
target image
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201010269299A
Other languages
English (en)
Other versions
CN101923575A (zh
Inventor
苗军
卿来云
陈熙霖
高文
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Institute of Computing Technology of CAS
Original Assignee
Institute of Computing Technology of CAS
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Institute of Computing Technology of CAS filed Critical Institute of Computing Technology of CAS
Priority to CN201010269299A priority Critical patent/CN101923575B/zh
Publication of CN101923575A publication Critical patent/CN101923575A/zh
Application granted granted Critical
Publication of CN101923575B publication Critical patent/CN101923575B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种目标图像搜索方法和系统。所述方法，包括下列步骤：在不同图像的不同尺度下针对不同初始视点位置和预测待搜索目标图像中心位置的距离，与相应初始视点位置和真实目标图像中心位置的距离进行比较，保存其中相差较多的情况所对应的上下文知识，以获得目标图像搜索模型；输入一个图像，利用所述目标图像搜索模型，在所述图像的不同尺度下预测待搜索目标图像中心的相对位置并保存，以获得准确的待搜索的目标图像在所述图像上的位置。

Description

一种目标图像搜索方法和系统
技术领域
本发明涉及图像分析和识别技术领域，特别是涉及一种基于上下文的目标图像搜索方法和系统。
背景技术
目前，在基于上下文的目标图像搜索或位置的预测领域，Torralba使用全局上下文特征对目标图像的位置进行条件转移概率建模，通过求取最大概率密度确定目标图像的位置。由于其采用全局特征而忽略了局部特征，因而对目标图像的位置只能作出一个大概的区域范围判断，不能做出精确的预测。针对这种问题，Ehinger和Paletta等人在上述粗糙的预测范围内采用一个目标模板进行遍历匹配和搜索。Kruppa和Bergboer等人采用一个扩大了面积的包含局部上下文的目标模板在图片表面进行遍历匹配和搜索，通过局部上下文确定目标图像的位置。
但以上几种方法存在的问题主要有两个方面：(1)只使用全局上下文不足以精确估计目标图像的位置；(2)仅使用局部上下文也无法避免遍历匹配这一机械耗时的搜索方式。
发明内容
本发明的目的在于提供一种目标图像搜索方法和系统。采用先全局上下文估计粗略目标图像位置、后局部上下文精确估计目标图像位置的顺序和策略，节省了上下文知识表示和存储数量，避免了机械耗时的遍历式搜索，提高了目标图像搜索速度和精度。
为实现本发明的目的而提供的一种目标图像搜索方法，所述方法，包括下列步骤：
步骤100.在不同图像的不同尺度下针对不同初始视点位置和预测待搜索目标图像中心位置的距离，与相应初始视点位置和真实目标图像中心位置的距离进行比较，保存其中相差较多的情况所对应的上下文知识，以获得目标图像搜索模型；
步骤200.输入一个图像，利用所述目标图像搜索模型，在所述图像的不同尺度下预测待搜索目标图像中心的相对位置并保存，以获得准确的待搜索的目标图像在所述图像上的位置。
所述步骤100，包括下列步骤：
步骤110.输入一个训练图像Xi，i∈[1，I]；
步骤120.以真实目标图像中心在所述训练图像Xi上的位置(x，y)为中心采样尺度s(s∈[S，1])下的目标图像，形成在所述训练图像Xi上尺度为S的视野图像VFis；
步骤130.在所述视野图像VFis上选择一个初始视点{(xisp，yisp)|p＝1~P}，并基于所述初始视点位置提取一个特征矢量Fis；
步骤140.计算所述真实目标图像中心位置(x，y)距离所述初始视点(xisp，yisp)的相对距离(Δxisp，Δyisp)＝(x-xisp，y-yisp)；并预测待搜索目标图像中心距离所述初始视点(xisp，yisp)的相对距离(Δxisp’，Δyisp’)；
步骤150.判断所述相对距离(Δxisp’，Δyisp’)与(Δxisp，Δyisp)是否相差较大，若是，则追加存储当前新的上下文知识{Fis，(Δxisp，Δyisp)}，并返回步骤130；否则，返回步骤130；
步骤160.判断S是否达到预设值，若是，则执行步骤170；否则，返回步骤120。
步骤170.判断I值是否达到预设值，若是，则结束模型训练；否则返回步骤110。
所述步骤140，包括下列步骤：
步骤141.根据存储的上下文知识{Fis，(Δxisp，Δyisp)}，通过内积运算计算当前特征矢量Fis与存储的Fis的相似性系数{ck＝<Fis，存储的Fis>|k＝1~K}，选出K个最相近的上下文{Fk，(Δxk，Δyk)|k＝1~K}；
步骤142.将选出的K个最相近的上下文对应的相似性系数ck’中的每一个都除以ck’之和得到权重{wk|k＝1~K}；
步骤143.预测待搜索目标图像中心位置(xisp’，yisp’)距离当前初始视点(xisp，yisp)的相对距离是(Δxisp’，Δyisp’)＝(∑wkΔxk，∑wkΔyk)|k＝1~K}。
所述步骤200，包括下列步骤：
步骤210.输入一个图像并任意选定所述图像上的一点作为待搜索的目标图像中心的位置(x’，y’)；
步骤220.以(x’，y’)为中心，采样尺度s(s∈[S，1])下的视野图像VFis；
步骤230.在当前视野图像VFs上提取一个特征矢量Fis’；
步骤240.根据预先存储的上下文知识{Fis，(Δxisp，Δyisp)|i＝1~I，s＝S~1，p＝1~P}，通过内积运算计算提取的特征矢量Fis’与Fis的相似性系数{ck＝<Fis’，Fis>|k＝1~K}，选出K个最相近的上下文{Fk，(Δxk，Δyk)|k＝1~K}；
步骤250.将选出的K个最相近的上下文对应的相似性系数ck’中的每一个都除以ck’之和得到权重{wk|k＝1~K}
步骤260.计算预测待搜索目标图像中心(x’，y’)的相对位置是(Δx，Δy)＝(∑wkΔxk，∑wkΔyk)|k＝1~K}，并存储；
步骤270.判断所述预测值(Δx，Δy)和上一次的预测值相比变化是否小于一阈值，若是，则执行步骤280；否则，返回步骤230；
步骤280.更新目标图像中心的相对位置预测为(x，y)＝(x’+Δx，y’+Δy)；
步骤290.判断S是否达到一预设值，若是，则所述待搜索目标图像中心的相对位置为(x，y)＝(x’+Δx，y’+Δy)；否则，返回步骤220。
为实现本发明的目的，还提供一种目标图像搜索系统，所述系统，包括：
目标图像搜索模型训练模块，用于在不同图像的不同尺度下针对不同初始视点位置和预测待搜索目标图像中心位置的距离，与相应初始视点位置和真实目标图像中心位置的距离进行比较，保存其中相差较多的情况所对应的上下文知识；
目标图像搜索模块，用于利用所述目标图像搜索模型，在所述图像的不同尺度下预测待搜索目标图像中心的相对位置并保存，以获得准确的待搜索的目标图像在所述图像上的位置。
所述目标图像搜索模型训练模块，包括：
图像采集模块，用于采集多个具有显著特征的训练图像Xi，i∈[1，I]；
视野图像采集模块，以真实目标图像中心在所述训练图像Xi上的位置(x，y)为中心采样尺度s(s∈[S，1])下的目标图像，形成在所述训练图像Xi上尺度为S的视野图像VFis；
特征矢量提取模块，在所述视野图像VFis上选择一个初始视点{(xisp，yisp)|p＝1~P}，并基于所述初始视点位置提取一个特征矢量Fis；
距离计算模块，用于计算所述真实目标图像中心位置(x，y)距离所述初始视点(xisp，yisp)的相对距离(Δxisp，Δyisp)＝(x-xisp，y-yisp)；并预测待搜索目标图像中心距离所述初始视点(xisp，yisp)的相对距离(Δxisp’，Δyisp’)；
判断模块，用于判断所述相对距离(Δxisp’，Δyisp’)与(Δxisp，Δyisp)是否相差较大，若是，则追加存储当前新的上下文知识{Fis，(Δxisp，Δyisp)}，并触发特征矢量提取模块；否则，触发特征矢量提取模块；
阈值判断子模块，用于判断S是否达到预设值，若是，则进一步判断判断I值是否达到预设值，若是，则结束模型训练；否则触发图像采集模块；若S没有达到预设值则触发视野图像采集模块。
所述距离计算模块，包括：
上下文选择模块.根据存储的上下文知识{Fis(Δxisp，Δyisp)}，通过内积运算计算当前特征矢量Fis与存储的Fis的相似性系数{ck＝<Fis，存储的Fis>|k＝1~K}，选出K个最相近的上下文{Fk，(Δxk，Δyk)|k＝1~K}；
权重值计算模块，用于将选出的K个最相近的上下文对应的相似性系数ck’中的每一个都除以ck’之和得到权重{wk|k＝1~K}；
位置预测模块，用于预测待搜索目标图像中心位置(xisp’，yisp’)距离当前初始视点(xisp，yisp)的相对距离是(Δxisp’，Δyisp’)＝(∑wkΔxk，∑wkΔyk)|k＝1~K}。
所述目标图像搜索模块，包括：
图像输入模块，用于输入一个图像并任意选定所述图像上的一点作为待搜索的目标图像中心的位置(x’，y’)；
视野图像采样模块，用于以(x’，y’)为中心，采样尺度s(s∈[S，1])下的视野图像VFis；
特征矢量提取子模块，用于在当前视野图像VFs上提取一个特征矢量Fis’；
距离计算子模块，用于根据所述目标图像搜索模型训练模块中存储的上下文知识{Fis，(Δxisp，Δyisp)|i＝1~I，s＝S~1，p＝1~P}，通过内积运算计算提取的特征矢量Fis’与Fis的相似性系数{ck＝<Fis’，Fis>|k＝1~K}，选出K个最相近的上下文{Fk，(Δxk，Δyk)|k＝1~K}；
权重值计算子模块，用于将选出的K个最相近的上下文对应的相似性系数ck’中的每一个都除以ck’之和得到权重{wk|k＝1~K}
目标图像位置计算模块，用于计算预测待搜索目标图像中心(x’，y’)的相对位置是(Δx，Δy)＝(∑wkΔxk，∑wkΔyk)|k＝1~K}，并存储；
阈值判断模块，用于判断所述预测值(Δx，Δy)和上一次的预测值相比变化是否小于一阈值，若是，则触发更新模块；否则，触发特征矢量提取子模块；
更新模块，用于更新目标图像中心的相对位置预测为(x，y)＝(x’+Δx，y’+Δy)；
预设值判断子模块，用于判断S是否达到一预设值，若是，则所述待搜索目标图像中心的相对位置为(x，y)＝(x’+Δx，y’+Δy)；否则，触发视野图像采样模块。
本发明的有益效果是：本发明采用全局上下文和局部上下文知识的顺序结合策略和启发式预测机制，节省了上下文知识表示和存储数量，避免了机械耗时的遍历式搜索，提高了目标搜索速度和精度。
附图说明
图1是本发明的目标图像搜索方法的步骤流程图；
图2是本发明中训练目标图像搜索模型的步骤流程图；
图3是本发明中预测待搜索目标图像中心距离初始视点的相对距离的步骤流程图；
图4是本发明中利用所述目标图像搜索模型搜索目标图像位置的步骤流程图；
图5是本发明的目标图像搜索系统的结构示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明的一种目标图像搜索方法和系统进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本发明的一种目标图像搜索方法和系统，采用先全局上下文估计粗略目标图像位置、后局部上下文精确估计目标图像位置的顺序和策略，以及启发式预测机制，节省了上下文知识表示和存储数量，避免了机械耗时的遍历式搜索，提高了目标图像搜索速度和精度。
下面结合上述目标详细介绍本发明的一种目标图像搜索方法，图1是本发明的目标图像搜索方法的步骤流程图，如图1所示，所述方法，包括下列步骤：
步骤100.训练目标图像搜索模型；在不同图像的不同尺度下针对不同初始视点位置和预测待搜索目标图像中心位置的距离，与相应初始视点位置和真实目标图像中心位置的距离进行比较，保存其中相差较多的情况所对应的上下文知识，以获得目标图像搜索模型；
图2是本发明中训练目标图像搜索模型的步骤流程图，如图2所示，所述步骤100，包括下列步骤：
步骤110.输入一个训练图像Xi，i∈[1，I]；
步骤120.以真实目标图像中心在所述训练图像Xi上的位置(x，y)为中心采样尺度s(s∈[S，1])下的目标图像，形成在所述训练图像Xi上尺度为S的视野图像VFis；
步骤130.在所述视野图像VFis上选择一个初始视点{(xisp，yisp)|p＝1~P}，并基于所述初始视点位置提取一个特征矢量Fis；
步骤140.计算所述真实目标图像中心位置(x，y)距离所述初始视点(xisp，yisp)的相对距离(Δxisp，Δyisp)＝(x-xisp，y-yisp)；并采用以下三个步骤预测待搜索目标图像中心距离所述初始视点(xisp，yisp)的相对距离(Δxisp’，Δyisp’)，即预测出的待搜索目标图像中心位置为(xisp’，yisp’)＝(xisp+Δxisp’，yisp+Δyisp’)；
图3是本发明中预测待搜索目标图像中心距离初始视点的相对距离的步骤流程图，如图3所示，所述步骤140，包括下列步骤：
步骤141.根据存储的上下文知识{Fis，(Δxisp，Δyisp)}，通过内积运算计算当前特征矢量Fis与存储的Fis的相似性系数{ck＝<Fis，存储的Fis>|k＝1~K}，选出K个最相近的上下文{Fk，(Δxk，Δyk)|k＝1~K}；
步骤142.将选出的K个最相近的上下文对应的相似性系数ck’中的每一个都除以ck’之和得到权重{wk|k＝1~K}；
步骤143.预测待搜索目标图像中心位置(xisp’，yisp’)距离当前初始视点(xisp，yisp)的相对距离是(Δxisp’，Δyisp’)＝(∑wkΔxk，∑wkΔyk)|k＝1~K}；
步骤150.判断所述相对距离(Δxisp’，Δyisp’)与(Δxisp，Δyisp)是否相差较大，若是，则追加存储当前新的上下文知识{Fis，(Δxisp，Δyisp)}，并返回步骤130；否则，返回步骤130；
步骤160.判断S是否达到预设值，若是，则执行步骤170；否则，返回步骤120。
步骤170.判断I值是否达到预设值，若是，则结束模型训练；否则返回步骤110。
上述训练目标图像搜索模型的方法，是在不同图像的不同尺度下针对不同初始视点位置与预测待搜索目标图像中心位置的距离，与相应初始视点位置与真实目标图像中心位置的距离进行比较，选择相差较多的情况所对应的上下文知识存入模型中，补充未知的上下文知识，以获得更优的目标图像搜索模型。
步骤200.输入一个图像，利用所述目标图像搜索模型，在所述图像的不同尺度下预测待搜索目标图像中心的相对位置并保存，以获得准确的待搜索的目标图像在所述图像上的位置。
图4是本发明中利用所述目标图像搜索模型搜索目标图像位置的步骤流程图，如图4所示，所述步骤200，包括下列步骤：
步骤210.输入一个图像并任意选定所述图像上的一点作为待搜索的目标图像中心的位置(x’，y’)；
步骤220.以(x’，y’)为中心，采样尺度s(s∈[S，1])下的视野图像VFis；
步骤230.在当前视野图像VFs上提取一个特征矢量Fis’；
步骤240.根据预先存储的上下文知识{Fis，(Δxisp，Δyisp)|i＝1~I，s＝S~1，p＝1~P}，通过内积运算计算提取的特征矢量Fis’与Fis的相似性系数{ck＝<Fis’，Fis>|k＝1~K}，选出K个最相近的上下文{Fk，(Δxk，Δyk)|k＝1~K}；
步骤250.将选出的K个最相近的上下文对应的相似性系数ck’中的每一个都除以ck’之和得到权重{wk|k＝1~K}
步骤260.预测待搜索目标图像中心(x’，y’)的相对位置是(Δx，Δy)＝(∑wkΔxk，∑wkΔyk)|k＝1~K}，并存储；
步骤270.判断所述预测值(Δx，Δy)和上一次的预测值相比变化是否小于一阈值，若是，则执行步骤280；否则，返回步骤230；
本步骤中所述预测值(Δx，Δy)和上一次的预测值相比变化小于一阈值，说明根据在当前尺度S下提取的特征矢量计算得到的待搜索目标图像中心的位置相对准确，可以结束当前尺度S下待搜索目标图像中心的位置的搜索。
步骤280.更新目标图像中心的相对位置预测为(x，y)＝(x’+Δx，y’+Δy)；
步骤290.判断S是否达到一预设值，若是，则所述待搜索目标图像中心的相对位置为(x，y)＝(x’+Δx，y’+Δy)；否则，返回步骤230。
相应于本发明的一种目标图像搜索方法，还提供一种目标图像搜索系统，图5是本发明的目标图像搜索系统的结构示意图，如图5所示，所述系统10，包括：
目标图像搜索模型训练模块1，用于在不同图像的不同尺度下针对不同初始视点位置和预测待搜索目标图像中心位置的距离，与相应初始视点位置和真实目标图像中心位置的距离进行比较，保存其中相差较多的情况所对应的上下文知识；
目标图像搜索模块2，用于利用所述目标图像搜索模型，在所述图像的不同尺度下预测待搜索目标图像中心的相对位置并保存，以获得准确的待搜索的目标图像在所述图像上的位置。
其中，所述目标图像搜索模型训练模块1，包括：
图像采集模块11，用于采集多个具有显著特征的训练图像Xi，i∈[1，I]；
视野图像采集模块12，以真实目标图像中心在所述训练图像Xi上的位置(x，y)为中心采样尺度s(s∈[S，1])下的目标图像，形成在所述训练图像Xi上尺度为S的视野图像VFis；
特征矢量提取模块13，在所述视野图像VFis上选择一个初始视点{(xisp，yisp)|p＝1～P}，并基于所述初始视点位置提取一个特征矢量Fis；
距离计算模块14，用于计算所述真实目标图像中心位置(x，y)距离所述初始视点(xisp，yisp)的相对距离(Δxisp，Δyisp)＝(x-xisp，y-yisp)；并预测待搜索目标图像中心距离所述初始视点(xisp，yisp)的相对距离(Δxisp’，Δyisp’)；
作为一种可实施方式，所述距离计算模块14，包括：
上下文选择模块141.根据存储的上下文知识{Fis，(Δxisp，Δyisp)}，通过内积运算计算当前特征矢量Fis与存储的Fis的相似性系数{ck＝<Fis，存储的Fis>|k＝1～K}，选出K个最相近的上下文{Fk，(Δxk，Δyk)|k＝1～K}；
权重值计算模块142，用于将选出的K个最相近的上下文对应的相似性系数ck’中的每一个都除以ck’之和得到权重{wk |k＝1～K}；
位置预测模块143，用于预测待搜索目标图像中心位置(xisp’，yisp’)距离当前初始视点(xisp，yisp)的相对距离是(Δxisp’，Δyisp’)＝(∑wkΔxk，∑wkΔyk)|k＝1～K}。
判断模块15，用于判断所述相对距离(Δxisp’，Δyisp’)与(Δxisp，Δyisp)是否相差较大，若是，则追加存储当前新的上下文知识{Fis，(Δxisp，Δyisp)}，并触发特征矢量提取模块13；否则，触发特征矢量提取模块13；
阈值判断子模块16，用于判断S是否达到预设值，若是，则进一步判断判断I值是否达到预设值，若是，则结束模型训练；否则触发图像采集模块11；若S没有达到预设值则触发视野图像采集模块12。
其中，所述目标图像搜索模块2，包括：
图像输入模块21，用于输入一个图像并任意选定所述图像上的一点作为待搜索的目标图像中心的位置(x’，y’)；
视野图像采样模块22，用于以(x’，y’)为中心，采样尺度s(s∈[S，1])下的视野图像VFis；
特征矢量提取子模块23，用于在当前视野图像VFs上提取一个特征矢量Fis’；
距离计算子模块24，用于根据所述目标图像搜索模型训练模块1中存储的上下文知识{Fis，(Δxisp，Δyisp)|i＝1~I，s＝S~1，p＝1~P}，通过内积运算计算提取的特征矢量Fis’与Fis的相似性系数{ck＝<Fis’，Fis>|k＝1~K}，选出K个最相近的上下文{Fk，(Δxk，Δyk)|k＝1~K}；
权重值计算子模块25，用于将选出的K个最相近的上下文对应的相似性系数ck’中的每一个都除以ck’之和得到权重{wk|k＝1~K}
目标图像位置计算模块26，用于计算预测待搜索目标图像中心(x’，y’)的相对位置是(Δx，Δy)＝(∑wkΔxk，∑wkΔyk)|k＝1~K}，并存储；
阈值判断模块27，用于判断所述预测值(Δx，Δy)和上一次的预测值相比变化是否小于一阈值，若是，则触发更新模块28；否则，触发特征矢量提取子模块23；
更新模块28，用于更新目标图像中心的相对位置预测为(x，y)＝(x’+Δx，y’+Δy)；
预设值判断子模块29，用于判断S是否达到一预设值，若是，则所述待搜索目标图像中心的相对位置为(x，y)＝(x’+Δx，y’+Δy)；否则，触发视野图像采样模块22。
较佳地，在实际操作时，对于目标图像搜索模型训练模块和目标图像搜索模块中一些实现相同功能的模块，可以仅由一个模块完成。
本发明的有益效果在于：
本发明采用全局上下文和局部上下文知识的顺序结合策略和启发式预测机制，节省了上下文知识表示和存储数量，避免了机械耗时的遍历式搜索，提高了目标搜索速度和精度。
通过结合附图对本发明具体实施例的描述，本发明的其它方面及特征对本领域的技术人员而言是显而易见的。
以上对本发明的具体实施例进行了描述和说明，这些实施例应被认为其只是示例性的，并不用于对本发明进行限制，本发明应根据所附的权利要求进行解释。

Claims (6)

1.一种目标图像搜索方法，其特征在于，所述方法，包括下列步骤：
步骤100.在不同图像的不同尺度下针对不同初始视点位置和预测待搜索目标图像中心位置的距离，与相应初始视点位置和真实目标图像中心位置的距离进行比较，保存其中相差较多的情况所对应的上下文知识，以获得目标图像搜索模型；
步骤200.输入一个图像，利用所述目标图像搜索模型，在所述图像的不同尺度下预测待搜索目标图像中心的相对位置并保存，以获得准确的待搜索的目标图像在所述图像上的位置；
所述步骤200，包括下列步骤：
步骤210.输入一个图像并任意选定所述图像上的一点作为待搜索的目标图像中心的位置(x’，y’)；
步骤220.以(x’，y’)为中心，采样尺度s(s∈[S，1])下的视野图像VFis；
步骤230.在当前视野图像VFs上提取一个特征矢量Fis’；
步骤240.根据预先存储的上下文知识{Fis，(Δxisp，Δyisp)|i＝1～I，s＝S～1，p＝1～P}，通过内积运算计算提取的特征矢量Fis’与Fis的相似性系数{ck＝＜Fis’，Fis＞|k＝1～K}，选出K个最相近的上下文{Fk，(Δxk，Δyk)|k＝1～K}；
步骤250.将选出的K个最相近的上下文对应的相似性系数ck’中的每一个都除以ck’之和得到权重{wk|k＝1～K}；
步骤260.计算预测待搜索目标图像中心(x’，y’)的相对位置是(Δx，Δy)＝{(∑wkΔxk，∑wkΔyk)|k＝1～K}，并存储；
步骤270.判断预测值(Δx，Δy)和上一次的预测值相比变化是否小于一阈值，若是，则执行步骤280；否则，返回步骤230；
步骤280.更新目标图像中心的相对位置预测为(x，y)＝(x’+Δx，y’+Δy)；
步骤290.判断s是否达到一预设值，若是，则所述待搜索目标图像中心的相对位置为(x，y)＝(x’+Δx，y’+Δy)；否则，返回步骤220。
2.根据权利要求1所述的目标图像搜索方法，其特征在于，所述步骤100， 包括下列步骤：
步骤110.输入一个训练图像Xi，i∈[1，I]；
步骤120.以真实目标图像中心在所述训练图像Xi上的位置(x，y)为中心采样尺度s(s∈[S，1])下的目标图像，形成在所述训练图像Xi上尺度为S的视野图像VFis；
步骤130.在所述视野图像VFis上选择一个初始视点{(xisp，yisp)|p＝1～P}，并基于所述初始视点位置提取一个特征矢量Fis；
步骤140.计算所述真实目标图像中心位置(x，y)距离所述初始视点(xisp，yisp)的相对距离(Δxisp，Δyisp)＝(x-xisp，y-yisp)；并预测待搜索目标图像中心距离所述初始视点(xisp，yisp)的相对距离(Δxisp’，Δyisp’)；
步骤150.判断所述相对距离(Δxisp’，Δyisp’)与(Δxisp，Δyisp)是否相差较大，若是，则追加存储当前新的上下文知识{Fis，(Δxisp，Δyisp)}，执行步骤160；否则，返回步骤130；
步骤160.判断s是否达到预设值，若是，则执行步骤170；否则，返回步骤120；
步骤170.判断i值是否达到预设值，若是，则结束模型训练；否则返回步骤110。
3.根据权利要求2所述的目标图像搜索方法，其特征在于，所述步骤140，包括下列步骤：
步骤141.根据存储的上下文知识{Fis，(Δxisp，Δyisp)}，通过内积运算计算当前特征矢量Fis与存储的Fis的相似性系数{ck＝＜Fis，存储的Fis＞|k＝1～K}，选出K个最相近的上下文{Fk，(Δxk，Δyk)|k＝1～K}；
步骤142.将选出的K个最相近的上下文对应的相似性系数ck’中的每一个都除以ck’之和得到权重{wk|k＝1～K}；
步骤143.预测待搜索目标图像中心位置(xisp’，yisp’)距离当前初始视点(xisp，yisp)的相对距离是(Δxisp’，Δyisp’)＝(∑wkΔxk，∑wkΔyk)|k＝1～K}。
4.一种目标图像搜索系统，其特征在于，所述系统，包括： 
目标图像搜索模型训练模块，用于在不同图像的不同尺度下针对不同初始视点位置和预测待搜索目标图像中心位置的距离，与相应初始视点位置和真实目标图像中心位置的距离进行比较，保存其中相差较多的情况所对应的上下文知识；
目标图像搜索模块，用于利用所述目标图像搜索模型，在所述图像的不同尺度下预测待搜索目标图像中心的相对位置并保存，以获得准确的待搜索的目标图像在所述图像上的位置；
所述目标图像搜索模块，包括：
图像输入模块，用于输入一个图像并任意选定所述图像上的一点作为待搜索的目标图像中心的位置(x’，y’)；
视野图像采样模块，用于以(x’，y’)为中心，采样尺度s(s∈[S，1])下的视野图像VFis；
特征矢量提取子模块，用于在当前视野图像VFs上提取一个特征矢量Fis’；
距离计算子模块，用于根据所述目标图像搜索模型训练模块中存储的上下文知识{Fis，(Δxisp，Δyisp)|i＝1～I，s＝S～1，p＝1～P}，通过内积运算计算提取的特征矢量Fis’与Fis的相似性系数{ck＝＜Fis’，Fis＞|k＝1～K}，选出K个最相近的上下文{Fk，(Δxk，Δyk)|k＝1～K}；
权重值计算子模块，用于将选出的K个最相近的上下文对应的相似性系数ck’中的每一个都除以ck’之和得到权重{wk|k＝1～K}
目标图像位置计算模块，用于计算预测待搜索目标图像中心(x’，y’)的相对位置是(Δx，Δy)＝{(∑wkΔxk，∑wkΔyk)|k＝1～K}，并存储；
阈值判断模块，用于判断预测值(Δx，Δy)和上一次的预测值相比变化是否小于一阈值，若是，则触发更新模块；否则，触发特征矢量提取子模块；
更新模块，用于更新目标图像中心的相对位置预测为(x，y)＝(x’+Δx，y’+Δy)；
预设值判断子模块，用于判断s是否达到一预设值，若是，则所述待搜索目标图像中心的相对位置为(x，y)＝(x’+Δx，y’+Δy)；否则，触发视野图像采样模块。
5.根据权利要求4所述的目标图像搜索系统，其特征在于，所述目标图像搜索模型训练模块，包括： 
图像采集模块，用于采集多个具有显著特征的训练图像Xi，i∈[1，I]；
视野图像采集模块，以真实目标图像中心在所述训练图像Xi上的位置(x，y)为中心采样尺度s(s∈[S，1])下的目标图像，形成在所述训练图像Xi上尺度为S的视野图像VFis；
特征矢量提取模块，在所述视野图像VFis上选择一个初始视点{(xisp，yisp)|p＝1～P}，并基于所述初始视点位置提取一个特征矢量Fis；
距离计算模块，用于计算所述真实目标图像中心位置(x，y)距离所述初始视点(xisp，yisp)的相对距离(Δxisp，Δyisp)＝(x-xisp，y-yisp)；并预测待搜索目标图像中心距离所述初始视点(xisp，yisp)的相对距离(Δxisp’，Δyisp’)；
判断模块，用于判断所述相对距离(Δxisp’，Δyisp’)与(Δxisp，Δyisp)是否相差较大，若是，则追加存储当前新的上下文知识{Fis，(Δxisp，Δyisp)}，并触发阈值判断子模块；否则，触发特征矢量提取模块；
阈值判断子模块，用于判断s是否达到预设值，若是，则进一步判断判断i值是否达到预设值，若是，则结束模型训练；否则触发图像采集模块；若s没有达到预设值则触发视野图像采集模块。
6.根据权利要求5所述的目标图像搜索系统，其特征在于，所述距离计算模块，包括：
上下文选择模块.根据存储的上下文知识{Fis，(Δxisp，Δyisp)}，通过内积运算计算当前特征矢量Fis与存储的Fis的相似性系数{ck＝＜Fis，存储的Fis＞|k＝1～K}，选出K个最相近的上下文{Fk，(Δxk，Δyk)|k＝1～K}；
权重值计算模块，用于将选出的K个最相近的上下文对应的相似性系数ck’中的每一个都除以ck’之和得到权重{wk|k＝1～K}；
位置预测模块，用于预测待搜索目标图像中心位置(xisp’，yisp’)距离当前初始视点(xisp，yisp)的相对距离是(Δxisp’，Δyisp’)＝(∑wkΔxk，∑wkΔyk)|k＝1～K }。 
CN201010269299A 2010-08-31 2010-08-31 一种目标图像搜索方法和系统 Active CN101923575B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201010269299A CN101923575B (zh) 2010-08-31 2010-08-31 一种目标图像搜索方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201010269299A CN101923575B (zh) 2010-08-31 2010-08-31 一种目标图像搜索方法和系统

Publications (2)

Publication Number Publication Date
CN101923575A CN101923575A (zh) 2010-12-22
CN101923575B true CN101923575B (zh) 2012-10-10

Family

ID=43338508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201010269299A Active CN101923575B (zh) 2010-08-31 2010-08-31 一种目标图像搜索方法和系统

Country Status (1)

Country Link
CN (1) CN101923575B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9086484B2 (en) * 2011-06-30 2015-07-21 The Boeing Company Context-based target recognition
CN104216359B (zh) * 2014-07-31 2017-03-08 四川长虹电器股份有限公司 快速确认当前灯具设备对应关系的方法
CN108052942B (zh) * 2017-12-28 2021-07-06 南京理工大学 一种飞机飞行姿态的视觉图像识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101159043A (zh) * 2007-11-19 2008-04-09 中国科学院计算技术研究所 一种视觉目标上下文空间关系编码的系统和方法
CN101393641A (zh) * 2008-11-07 2009-03-25 华中科技大学 一种基于上下文的机场目标解译方法
CN101794394A (zh) * 2010-02-05 2010-08-04 华中科技大学 一种基于邻域上下文特征的模板匹配方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2004111931A2 (en) * 2003-06-10 2004-12-23 California Institute Of Technology A system and method for attentional selection

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101159043A (zh) * 2007-11-19 2008-04-09 中国科学院计算技术研究所 一种视觉目标上下文空间关系编码的系统和方法
CN101393641A (zh) * 2008-11-07 2009-03-25 华中科技大学 一种基于上下文的机场目标解译方法
CN101794394A (zh) * 2010-02-05 2010-08-04 华中科技大学 一种基于邻域上下文特征的模板匹配方法

Also Published As

Publication number Publication date
CN101923575A (zh) 2010-12-22

Similar Documents

Publication Publication Date Title
CN111144364B (zh) 一种基于通道注意更新机制的孪生网络目标跟踪方法
CN107945215B (zh) 高精度红外图像跟踪器及一种目标快速跟踪方法
US20110313957A1 (en) Data processing apparatus, data processing method and program
CN110427807A (zh) 一种时序事件动作检测方法
CN109325060B (zh) 一种基于数据特征的时间序列流数据快速搜索方法
JP2011252844A (ja) データ処理装置、データ処理方法、およびプログラム
CN110276783A (zh) 一种多目标跟踪方法、装置及计算机系统
CN111782871B (zh) 基于时空强化学习的跨模态视频时刻定位方法
CN113327272B (zh) 一种基于相关滤波的鲁棒性长时跟踪方法
CN101923575B (zh) 一种目标图像搜索方法和系统
KR102457588B1 (ko) 자율주행 로봇, 자율주행 로봇의 위치 추정 서버 및 이를 이용한 자율주행 로봇의 위치 추정 방법
CN111639540A (zh) 基于相机风格和人体姿态适应的半监督人物重识别方法
CN112614163B (zh) 一种融合贝叶斯轨迹推理的目标跟踪方法及系统
CN110569706A (zh) 一种基于时间和空间网络的深度集成目标跟踪算法
Li et al. Bus arrival time prediction based on mixed model
CN114186112B (zh) 一种基于贝叶斯优化多重信息增益探索策略的机器人导航方法
CN112529941B (zh) 一种基于深度轨迹预测的多目标跟踪方法及系统
CN111988744B (zh) 一种基于用户移动模式的位置预测方法
CN110675430B (zh) 一种基于运动和表观适应融合的无人机多目标跟踪方法
CN115375869B (zh) 一种机器人重定位方法、机器人和计算机可读存储介质
KR101280348B1 (ko) 다중 표적 추적 방법
CN109671099A (zh) 一种基于路网结构和目标特性的目标跟踪算法
JPH0875437A (ja) 同一目標判定装置及び同一目標判定方法
CN113205118A (zh) 地图匹配方法、地图匹配模型的确定方法及装置
CN113936246A (zh) 基于联合局部特征判别性学习的无监督目标行人重识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant