CN102737254A - 一种标志图像的识别方法 - Google Patents

一种标志图像的识别方法 Download PDF

Info

Publication number
CN102737254A
CN102737254A CN2012101988315A CN201210198831A CN102737254A CN 102737254 A CN102737254 A CN 102737254A CN 2012101988315 A CN2012101988315 A CN 2012101988315A CN 201210198831 A CN201210198831 A CN 201210198831A CN 102737254 A CN102737254 A CN 102737254A
Authority
CN
China
Prior art keywords
centerdot
sign image
constrained
sign
length
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.)
Granted
Application number
CN2012101988315A
Other languages
English (en)
Other versions
CN102737254B (zh
Inventor
路通
王团团
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.)
Changzhou High-Tech Research Institute Of Nanjing University
Original Assignee
Changzhou High-Tech Research Institute Of Nanjing University
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 Changzhou High-Tech Research Institute Of Nanjing University filed Critical Changzhou High-Tech Research Institute Of Nanjing University
Priority to CN201210198831.5A priority Critical patent/CN102737254B/zh
Publication of CN102737254A publication Critical patent/CN102737254A/zh
Application granted granted Critical
Publication of CN102737254B publication Critical patent/CN102737254B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种标志图像的识别方法，包括：步骤一，输入一个待识别标志图像到标志图像数据库；步骤二，将标志图像分割成大小相等的网格，并将每个网格的几何中心点设置为参考点；步骤三，逐一遍历并计算对应于每个网格内参考点的局部几何约束分布直方图；步骤四，计算全局几何约束分布矩阵，并将其大小归一化；步骤五，遍历标志图像数据库中的每一个标志图像，重复步骤二至步骤四，得到标志图像数据库中的每一个标志所对应的全局几何约束分布矩阵，并分别计算待识别标志图像与标志图像数据库中的每一个标志的曼哈顿距离作为对应的相似度；步骤六，将标志间的相似度数值从低到高排序输出，完成标志图像的识别。

Description

一种标志图像的识别方法
技术领域
本发明涉及一种标志图像的识别方法，特别是一种从标志图像数据库中采用基于多参考点直方图矩阵描述的标志图像的识别方法。
背景技术
随着信息技术的飞速发展以及各种数字化设备的大量普及，每天都有大量的图像、视频等多媒体资料产生，面对如此海量的多媒体信息，如何从中识别出自己感兴趣的特定标志已经成为一个亟待解决的问题，具有较高的商业、经济价值和市场前景。
目前存在的标志识别方法主要有基于结构的识别方法和基于统计的识别方法。其中基于结构的识别方法对存在扭曲变形及噪声等退化情况不具有较强的鲁棒性，但其可以较好的捕获到标志的结构细节信息，对于标志的精细匹配起到良好作用；基于统计的标志识别方法正好和基于统计的方法相反，其对扭曲变形及噪声等具有鲁棒性，但不能捕获到标志的结构细节信息。
发明内容
发明目的：本发明所要解决的技术问题是针对现有技术的不足，提供一种标志图像的识别方法，从而从标志图像数据库中快速准确的查找到与输入的待识别标志图像最接近的标志图像。
为了解决上述技术问题，本发明公开了一种标志图像的识别方法，包括以下步骤：
步骤一，输入一个待识别标志图像到标志图像数据库，所述待识别标志图像以及标志图像数据库中的标志图像中都包含若干有效像素点；
步骤二，将标志图像划分为大小相等的网格，计算每个网格的几何中心点，将该几何中心点设置为参考点；把一个标志图像划分为H个网格，对H个网格的参考点依次编号为R0,R1,...,RH-1；
步骤三，遍历一个标志图像中的任意两个像素组成的像素对，并计算每对像素点相对于当前参考点的几何约束特征值，所述几何约束特征值包括角度θ和长度比L；将所有像素对计算出来的约束特征值分别投影到各自的一维坐标系中；长度比L的取值范围为[0,1]，将取值范围[0,1]划分为Q个等值段；角度θ的其取值范围为[0°,180°]，将取值范围[0°,180°]划分为W个等值段；分别统计落在Q个等值段中的长度比L的数量百分比和落在W个等值段中的角度θ的数量百分比，从而构成两个直方图，即为当前参考点对应的局部几何约束分布直方图；
遍历一个标志图像中所有参考点，得到每个参考点对应的局部几何约束分布直方图；
步骤四，将一个标志图像中所有参考点对应的局部几何约束分布直方图进行组合，得到一个标志图像对应的全局几何约束分布矩阵，并对其进行大小归一化；
步骤五，重复步骤二至步骤四，遍历标志待识别标志图像和图像数据库中的每一个标志图像，得到每一个标志图像所对应的全局几何约束分布矩阵；
分别计算待识别标志图像与标志图像数据库中的每一个标志图像的曼哈顿距离作为对应的相似度；
步骤六，按照标志图像间的相似度数值从低到高排序输出对应的标志图像，完成标志图像的识别。
本发明步骤三中，由长度比L和角度θ描述的几何约束特征值的计算如下：
C(Rl)={(Lij,θij)|i∈[1,S-1],j∈[i+1,S]}，
Lij=min{|PiRl|/|PjRl|，|PjRl|/|PiRl|},Lij∈[0,1]，
θij=∠PiRlPj，
S为图像中像素点的个数，对S个像素点依次进行编号0,...,i,...,j,...,S-1，i和j是其中任意两个编号，Pi和Pj分别为标志图像上S个像素点中的第i个和第j个像素，Rl代表当前网格内的参考点，0≤j≤H-1；|PiRl|和|PjRl|分别表示向量和
Figure BDA00001769495900022
的长度值；∠PiRlPj为上述两个向量形成的夹角；Lij和θij分别为第i个和第j个像素与参考点Rl形成的长度比值和角度值；C(Rl)表示所有的像素点相对于参考点Rl所形成的长度比值和角度值集合；min表示获取多个元素中的最小元素；对于参考点Rl，总共有S(S-1)/2对约束特征值。
进一步地，在步骤三中，所述当前参考点对应的局部几何约束分布直方图的计算如下：
对于长度比Lij，对Q个等值段进行编号0,...,k,...,Q-1；
对于角度θij，对W个等值段进行编号0,...,t,...,W-1；
对于参考点Rl，其长度比直方图
Figure BDA00001769495900031
表示为：
v R ll → = [ n 0 ( R l ) , n 1 ( R l ) , . . . n k ( R l ) . . . , n Q - 1 ( R l ) ] ,
n k ( R l ) = 2 S ( S - 1 ) Σ i = 1 S - 1 Σ j = i + 1 S f ( L ij ) ,
f ( L ij ) = 1 L ij ∈ [ ( k - 1 ) / Q , k / Q ] 0 Else ,
nk(Rl)表示参考点Rl所对应的长度比直方图中第k个等值段对应的数值，单个字母n无特定含义；f(Lij)函数表示长度比Lij的值是否落在第k个等值段内，如果在该等值段内，f(Lij)为1，否则为0；
对于参考点Rl，其角度直方图
Figure BDA00001769495900035
表示为：
v R la → = [ m 0 ( R l ) , m 1 ( R l ) , . . . , n W - 1 ( R l ) ] ,
mt(Rl)表示参考点Rl所对应的角度直方图中第t个等值段对应的数值；g(θij)函数表示θij的值是否落在第t个等值段内，如果在该等值段内，g(θij)为1，否则为0。
本发明步骤四中，在得到每个参考点对应的局部几何约束分布直方图之后，将这些直方图组合起来便可以得到标志对应的全局几何约束分布矩阵。其计算过程如下：
由于把整个标志划分为了H个小网格，对H个网格的参考点依次编号为R0,R1,...,RH-1，用步骤三中得到的H个向量来构筑全局长度比约束分布矩阵：
n 0 ( R 0 ) n 1 ( R 0 ) · · · n Q - 1 ( R 0 ) n 0 ( R 1 ) n 1 ( R 1 ) · · · n Q - 1 ( R 1 ) · · · · · · · · · n 0 ( R H - 1 ) n 1 ( R H - 1 ) · · · n Q - 1 ( R H - 1 ) ,
全局角度约束分布矩阵表示为：
m 0 ( R 0 ) m 1 ( R 0 ) · · · m W - 1 ( R 0 ) m 0 ( R 1 ) m 1 ( R 1 ) · · · m W - 1 ( R 1 ) · · · · · · · · · m 0 ( R H - 1 ) m 1 ( R H - 1 ) · · · m W - 1 ( R H - 1 ) ,
本发明步骤四中，在得到全局几何约束分布矩阵之后，要将全局长度比约束分布矩阵和全局角度约束分布矩阵分别进行大小归一化，其计算过程如下：
对于全局长度比约束分布矩阵中的第a列，这列总共包含H个元素，记为：
{na(Rp)|p=0,1,...H-1},na(Rp)∈[0,1]；单个字母n无特定含义；
每个元素的取值范围为[0,1]，将[0,1]划分成M个等值段，对M个等值段进行编号0,...,r,...,M-1，将第a列表示为：
v c a l → = [ z a ( 0 ) , z a ( 1 ) , . . . z a ( r ) . . . , z a ( M - 1 ) ] T ,
z a ( r ) = 1 H Σ p = 0 H - 1 f ( n a ( R p ) ) ,
f ( n a ( R p ) ) = 1 n a ( R p ) ∈ [ ( r - 1 ) / M , r / M ] 0 Else ,
na(Rp)代表全局长度比约束分布矩阵中第a列的一个元素，代表全局长度比约束分布矩阵第a列经过大小归一化之后的列向量，za(r)表示该列向量中第r个值；p代表一列中从上到下的H个元素中的一个，f(na(Rp))函数表示na(Rp)的值是否落在第r个分段内，如果在该分段内，f(na(Rp))为1，否则为0。
将长度比L的取值范围[0,1]划分为Q个等值段，得到如下矩阵：
z 0 ( 0 ) z 1 ( 0 ) · · · z Q - 1 ( 0 ) z 0 ( 1 ) z 1 ( 1 ) · · · z Q - 1 ( 1 ) · · · · · · · · · z 0 ( M - 1 ) z 1 ( M - 1 ) · · · z Q - 1 ( M - 1 ) ,
全局角度约束分布矩阵的大小归一化方法和上述类似。
对于全局角度约束分布矩阵中的第b列，这列总共包含H个元素，记为：
{mb(Rq)|q=0,1,...H-1},mb(Rq)∈[0°,180°]；
每个元素的取值范围为[0°,180°]，将[0°,180°]划分成N个等值段，对N个等值段进行编号0,...,x,...,N-1，将第b列表示为：
v c b a → = [ d b ( 0 ) , d b ( 1 ) , . . . , d b ( N - 1 ) ] T ,
d b ( x ) = 1 H Σ q = 0 H - 1 f ( m b ( R q ) ) ,
f ( m b ( R q ) ) = 1 m b ( R q ) ∈ [ ( x - 1 ) / N , x / N ] 0 Else ,
mb(Rq)代表全局角度约束分布矩阵中第b列的一个元素，
Figure BDA00001769495900054
代表全局角度约束分布矩阵第b列经过大小归一化之后的列向量，db(x)表示该列向量中第x个值；q代表一列中从上到下的H个元素中的一个，f(mb(Rq))函数表示mb(Rq)的值是否落在第x个分段内，如果在该分段内，f(mb(Rq))为1，否则为0。
此处将[0°,180°]划分成N个等值段，由于在步骤三中，将[0°,180°]划分为W个等值段，所以经过大小归一化后的全局角度约束分布矩阵的形式如下：
Figure 111111
本发明步骤五中，在分别得到待识别标志和标志图像数据库中的所有标志的全局几何约束分布矩阵之后，要分别计算待识别标志和标志图像数据库中的标志的相似度。其中，两个标志S和T之间的相似度按如下公式计算：
dis=sum[abs(LRHS-LRHT)]+sum[abs(AHS-AHT)]，
其中，LRH表示全局长度比约束分布矩阵，AH表示全局角度约束分布矩阵；待比较的两个标志图像的全局约束分布矩阵分别为{LRHS,AHS}和{LRHT,AHT}；dis表示标志图像S和标志图像T的相似度，abs为绝对值函数，sum为求和函数。
有益效果：本发明是一种标志图像的识别方法，提取了像素之间的几何约束关系，获得像素对应于每个参考点的局部约束分布直方图，且将局部约束进行组合生成全局的约束分布矩阵，比其它基于统计特征的标志识别方法具有更好的标志局部细节区分能力。另外，本发明还具有对缩放和旋转变换鲁棒的优点。
附图说明
下面结合附图和具体实施方式对本发明做更进一步的具体说明，本发明的上述和或其他方面的优点将会变得更加清楚。
图1为本发明流程图。
图2为本发明一对像素点相对于当前参考点的长度比和角度的计算示例。
图3为从标志图像数据库中分别识别七个标志所得到的结果示例。
具体实施方式：
本发明所述的一种标志图像的识别方法，基本出发点是通过对标志进行等大小的网格划分，并将每个网格的几何中心点设置为参考点，然后计算每一对像素点相对于参考点的长度比和角度几何约束特征值，形成局部的描述算子，最后再将所有参考点对应的局部描述子组成全局的约束分布矩阵，以此作为标志的描述符来进行标志的识别。
本发明公开了一种标志图像的识别方法，包括以下步骤：
步骤一，输入一个待识别标志图像到标志图像数据库，所述待识别标志图像以及标志图像数据库中的标志图像中都包含若干有效像素点。
步骤二，将标志图像划分为大小相等的网格，计算每个网格的几何中心点，将该几何中心点设置为参考点；把一个标志图像划分为H个网格，对H个网格的参考点依次编号为R0,R1,...,RH-1。
步骤三，遍历一个标志图像中的任意两个像素组成的像素对，并计算每对像素点相对于当前参考点的几何约束特征值，所述几何约束特征值包括角度θ和长度比L；将所有像素对计算出来的约束特征值分别投影到各自的一维坐标系中；长度比L的取值范围为[0,1]，将取值范围[0,1]划分为Q个等值段；角度θ的其取值范围为[0°,180°]，将取值范围[0°,180°]划分为W个等值段；分别统计落在Q个等值段中的长度比L的数量百分比和落在W个等值段中的角度θ的数量百分比，从而构成两个直方图，即为当前参考点对应的局部几何约束分布直方图。
遍历一个标志图像中所有参考点，得到每个参考点对应的局部几何约束分布直方图。
步骤三中，所述几何约束特征值中的长度比和角度计算方法如下：
C(Rl)={(Lij,θij)|i∈[1,S-1],j∈[i+1,S]}，
Lij=min{|PiRl|/|PjRl|,|PjRl|/|PiRl|},Lij∈[0,1]，
θij=∠PiRlPj，
S为图像中像素点的个数，对S个像素点依次进行编号0,...,i,...,j,...,S-1，i和j是其中任意两个编号，Pi和Pj分别为标志图像上S个像素点中的第i个和第j个像素，Ri代表当前网格内的参考点，0≤j≤H-1；|PiRl|和|PjRl|分别表示向量和
Figure BDA00001769495900072
的长度值；∠PiRlPj为上述两个向量形成的夹角；Lij和θij分别为第i个和第j个像素与参考点Rl形成的长度比值和角度值；C(Rl)表示所有的像素点相对于参考点Rl所形成的长度比值和角度值集合；min表示获取多个元素中的最小元素；对于参考点Rl，总共有S(S-1)/2对约束特征值。
步骤三中，所述当前参考点对应的局部几何约束分布直方图的计算如下：
对于长度比Lij，对Q个等值段进行编号0,...,k,...,Q-1；
对于角度θij，对W个等值段进行编号0,...,t,...,W-1；
对于参考点Rl，其长度比直方图
Figure BDA00001769495900073
表示为：
v R ll → = [ n 0 ( R l ) , n 1 ( R l ) , . . . n k ( R l ) . . . , n Q - 1 ( R l ) ] ,
nk(Rl)表示参考点Rl所对应的长度比直方图中第k个等值段对应的数值；
对于参考点Rl，其角度直方图
Figure BDA00001769495900075
表示为：
v R la → = [ m 0 ( R l ) , m 1 ( R l ) , . . . m t ( R l ) . . . , n W - 1 ( R l ) ] ,
mt(Rl)表示参考点Rl所对应的角度直方图中第t个等值段对应的数值。
步骤四，将一个标志图像中所有参考点对应的局部几何约束分布直方图进行组合，得到一个标志图像对应的全局几何约束分布矩阵，并对其进行大小归一化；
步骤四中，所述全局长度比约束分布矩阵的表示为：
n 0 ( R 0 ) n 1 ( R 0 ) · · · n Q - 1 ( R 0 ) n 0 ( R 1 ) n 1 ( R 1 ) · · · n Q - 1 ( R 1 ) · · · · · · · · · n 0 ( R H - 1 ) n 1 ( R H - 1 ) · · · n Q - 1 ( R H - 1 ) ,
全局角度约束分布矩阵表示为：
m 0 ( R 0 ) m 1 ( R 0 ) · · · m W - 1 ( R 0 ) m 0 ( R 1 ) m 1 ( R 1 ) · · · m W - 1 ( R 1 ) · · · · · · · · · m 0 ( R H - 1 ) m 1 ( R H - 1 ) · · · m W - 1 ( R H - 1 ) .
步骤四中，对全局几何约束分布矩阵进行大小归一化的方法如下：
对于全局长度比约束分布矩阵中的第a列，这列总共包含H个元素，记为：
{na(Rp)|p=0,1,...H-1},na(Rp)∈[0,1]；
每个元素的取值范围为[0,1]，将[0,1]划分成M个等值段，对M个等值段进行编号0,...,r,...,M-1，将第a列表示为：
v c a l → = [ z a ( 0 ) , z a ( 1 ) , . . . z a ( r ) . . . , z a ( M - 1 ) ] T ,
na(Rp)代表全局长度比约束分布矩阵中第a列的一个元素，
Figure BDA00001769495900084
代表全局长度比约束分布矩阵第a列经过大小归一化之后的列向量，za(r)表示该列向量中第r个值；
将长度比L的取值范围[0,1]划分为Q个等值段，得到如下归一化后的矩阵：
z 0 ( 0 ) z 1 ( 0 ) · · · z Q - 1 ( 0 ) z 0 ( 1 ) z 1 ( 1 ) · · · z Q - 1 ( 1 ) · · · · · · · · · z 0 ( M - 1 ) z 1 ( M - 1 ) · · · z Q - 1 ( M - 1 ) ;
对于全局角度约束分布矩阵中的第b列，这列总共包含H个元素，记为：
{mb(Rq)|q=0,1，...H-1},mb(Rq)∈[0°,180°]；
每个元素的取值范围为[0°,180°]，将[0°,180°]划分成N个等值段，对N个等值段进行编号0,...,x,...,N-1，将第b列表示为：
v c b a → = [ d b ( 0 ) , d b ( 1 ) , . . . d b ( x ) . . . , d b ( N - 1 ) ] T ,
mb(Rq)代表全局角度约束分布矩阵中第b列的一个元素，代表全局角度约束分布矩阵第b列经过大小归一化之后的列向量，db(x)表示该列向量中第x个值；
经过大小归一化后的全局角度约束分布矩阵的形式如下：
Figure 222222
步骤五，重复步骤二至步骤四，遍历标志待识别标志图像和图像数据库中的每一个标志图像，得到每一个标志图像所对应的全局几何约束分布矩阵；
分别计算待识别标志图像与标志图像数据库中的每一个标志图像的曼哈顿距离作为对应的相似度；
步骤五中，两个标志图像之间的相似度的计算如下：
dis=sum[abs(LRHS-LRHT)]+sum[abs(AHS-AHT)]，
其中，LRH表示全局长度比约束分布矩阵，AH表示全局角度约束分布矩阵；待比较的两个标志图像的全局约束分布矩阵分别为{LRHS,AHS}和{LRHT,AHT}；dis表示标志图像S和标志图像T的相似度，abs为绝对值函数，sum为求和函数。
步骤六，按照标志图像间的相似度数值从低到高排序输出对应的标志图像，完成标志图像的识别。
实施例
下面结合附图对本实施例作更加详细的解释：
如图1所示，步骤1，起始。
步骤2，输入待识别标志图像S。经过下面步骤的计算，即可返回与标志S相似的标志序列（按照与标志S的相似度大小排序）。
步骤3，对标志进行大小相等的网格划分。
步骤4，将每个网格内的几何中心点设置为参考点。
步骤5，依次选取每个网格内的参考点作为当前参考点。
步骤6，计算标志上的每一对像素点对于当前参考点的长度比L和角度θ约束特征值：
Lij=min{|PiRl|/|PjRl|,|PjRl|/|PiRl|},Lij∈[0,1]，θij=∠PiRlPj，
步骤7，将每一对像素点计算出来的两个约束特征值分别进行直方图统计，对于长度比Lij，其计算如下：
n k ( R l ) = 2 S ( S - 1 ) Σ i = 1 S - 1 Σ j = i + 1 S f ( L ij ) , f ( L ij ) = 1 L ij ∈ [ ( k - 1 ) / Q , k / Q ] 0 Else ,
对于角度θij，其计算如下：
m t ( R l ) = 2 S ( S - 1 ) Σ i = 1 S - 1 Σ j = i + 1 S g ( θ ij ) , g ( θ ij ) = 1 θ ij ∈ [ ( t - 1 ) * 180 / W , t * 180 / W 0 Else ,
步骤8，生成对应于当前网格参考点的局部几何约束分布直方图，对于长度比Lij，将其取值范围[0,1]划分为Q个等值段；对于角度θij，将其取值范围[0°,180°]划分为W个等值段。对于当前参考点Rl，它的长度比直方图可用如下向量来进行表示：
v R ll → = [ n 0 ( R l ) , n 1 ( R l ) , . . . , n Q - 1 ( R l ) ] ,
v R la → = [ m 0 ( R l ) , m 1 ( R l ) , . . . , n W - 1 ( R l ) ] ,
重复步骤5至步骤8，直到标志所有参考点对应的局部几何约束分布直方图全部计算结束，进行步骤10，如果没有遍历所有的分割体，则返回步骤5；
步骤10，在遍历完所有参考点之后，将每个参考点对应的局部几何约束分布直方图进行组合生成全局的几何约束分布矩阵：
假定把整个标志划分为了H个小网格，那么便可以用步骤8中得到的H个向量来构筑全局长度比约束分布矩阵：
n 0 ( R 0 ) n 1 ( R 0 ) · · · n Q - 1 ( R 0 ) n 0 ( R 1 ) n 1 ( R 1 ) · · · n Q - 1 ( R 1 ) · · · · · · · · · n 0 ( R H - 1 ) n 1 ( R H - 1 ) · · · n Q - 1 ( R H - 1 ) ,
全局角度约束分布矩阵和上述类似，其形式如下：
m 0 ( R 0 ) m 1 ( R 0 ) · · · m W - 1 ( R 0 ) m 0 ( R 1 ) m 1 ( R 1 ) · · · m W - 1 ( R 1 ) · · · · · · · · · m 0 ( R H - 1 ) m 1 ( R H - 1 ) · · · m W - 1 ( R H - 1 ) ,
然后再将上述长度比约束分布矩阵和角度约束分布矩阵分别进行大小归一化。至此得到了一个标志的描述算子，即是标志的全局几何约束分布矩阵。
步骤11，判断当前处理的标志是否为待识别标志，若是，则在步骤12中，将得到的全局几何约束分布矩阵记为MS，然后执行步骤13；若不是，则执行步骤14，之后执行步骤15。
在步骤13，从标志图像数据库中取出一个标志，按步骤3到10计算该标志的全局几何约束分布矩阵。
步骤14，记全局几何约束分布矩阵为MT。
步骤15，判断是否遍历了所有标志图像数据库中的所有标志，如果是，则进行步骤16，否则执行步骤13。
步骤16，计算待识别标志和标志图像数据库中的其它标志的全局几何约束分布矩阵描述算子之间的曼哈顿距离，以此作为标志之间的相似度度量值。
步骤17，对标志之间的相似度按从小到大进行排序。相似度的值越小，则说明该标志和待识别标志S越相似。
步骤18，输出检索的结果。
步骤19，结束。
如图2所示，图中的黑色圆点Rl代表了该网格的几何中心点，同时也是该网格的参考点。图中由Pi和Rl构成的直线代表了前面所述的向量
Figure BDA00001769495900121
类似的，由Pj和Rl构成的直线代表了向量
Figure BDA00001769495900122
图中由向量
Figure BDA00001769495900123
和构成的夹角就是θij。
如图3所示，七个标志识别的例子：Query代表待识别标志，No.1-9是计算返回结果的前9个，其下方数字表示该标志与待识别标志之间的相似度，相似度越小，表示相似程度越高。在GREC2005图形基准测试库上的实验表明，本发明中提出的标志识别方法比以往的方法在识别率上平均提升了二十多个百分点。
本发明提供了一种标志图像的识别方法，具体实现该技术方案的方法和途径很多，以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。本实施例中未明确的各组成部分均可用现有技术加以实现。

Claims (6)

1.一种标志图像的识别方法，其特征在于，包括以下步骤：
步骤一，输入一个待识别标志图像到标志图像数据库，所述待识别标志图像以及标志图像数据库中的标志图像中都包含若干有效像素点；
步骤二，将标志图像划分为大小相等的网格，计算每个网格的几何中心点，将该几何中心点设置为参考点；把一个标志图像划分为H个网格，对H个网格的参考点依次编号为R0,R1,...,RH-1；
步骤三，遍历一个标志图像中的任意两个像素组成的像素对，并计算每对像素点相对于当前参考点的几何约束特征值，所述几何约束特征值包括角度θ和长度比L；将所有像素对计算出来的约束特征值分别投影到各自的一维坐标系中；长度比L的取值范围为[0,1]，将取值范围[0,1]划分为Q个等值段；角度θ的其取值范围为[0°,180°]，将取值范围[0°,180°]划分为W个等值段；分别统计落在Q个等值段中的长度比L的数量百分比和落在W个等值段中的角度θ的数量百分比，从而构成两个直方图，即为当前参考点对应的局部几何约束分布直方图；
遍历一个标志图像中所有参考点，得到每个参考点对应的局部几何约束分布直方图；
步骤四，将一个标志图像中所有参考点对应的局部几何约束分布直方图进行组合，得到一个标志图像对应的全局几何约束分布矩阵，并对其进行大小归一化；
步骤五，重复步骤二至步骤四，遍历标志待识别标志图像和图像数据库中的每一个标志图像，得到每一个标志图像所对应的全局几何约束分布矩阵；
分别计算待识别标志图像与标志图像数据库中的每一个标志图像的曼哈顿距离作为对应的相似度；
步骤六，按照标志图像间的相似度数值从低到高排序输出对应的标志图像，完成标志图像的识别。
2.根据权利要求1所述的一种标志图像的识别方法，其特征在于，步骤三中，所述几何约束特征值中的长度比和角度计算方法如下：
C(Rl)={(Lij,θij)|i∈[1,S-1],j∈[i+1,S]}，
Lij=min{|PiRl|/|PjRl|,|PjRl|/|PiRl|},Lij∈[0,1]，
θij=∠PiRlPj，
S为图像中像素点的个数，对S个像素点依次进行编号0,...,i,...,j,...,S-1，i和j是其中任意两个编号，Pi和Pj分别为标志图像上S个像素点中的第i个和第j个像素，Rl代表当前网格内的参考点，0≤j≤H-1；|PiRl|和|PjRl|分别表示向量和
Figure FDA00001769495800022
的长度值；∠PiRlPj为上述两个向量形成的夹角；Lij和θij分别为第i个和第j个像素与参考点Rl形成的长度比值和角度值；C(Rl)表示所有的像素点相对于参考点Rl所形成的长度比值和角度值集合；min表示获取多个元素中的最小元素；对于参考点Rl，总共有S(S-1)/2对约束特征值。
3.根据权利要求2所述的一种标志图像的识别方法，其特征在于，步骤三中，所述当前参考点对应的局部几何约束分布直方图的计算如下：
对于长度比Lij，对Q个等值段进行编号0,...,k,...,Q-1；
对于角度θij，对W个等值段进行编号0,...,t,...,W-1；
对于参考点Rl，其长度比直方图
Figure FDA00001769495800023
表示为：
v R ll → = [ n 0 ( R l ) , n 1 ( R l ) , . . . n k ( R l ) . . . , n Q - 1 ( R l ) ] ,
nk(Rl)表示参考点Rl所对应的长度比直方图中第k个等值段对应的数值；
对于参考点Rl，其角度直方图
Figure FDA00001769495800025
表示为：
v R la → = [ m 0 ( R l ) , m 1 ( R l ) , . . . m t ( R l ) . . . , n W - 1 ( R l ) ] ,
mt(Rl)表示参考点Rl所对应的角度直方图中第t个等值段对应的数值。
4.根据权利要求3所述的一种标志图像的识别方法，其特征在于，步骤四中，所述全局长度比约束分布矩阵的表示为：
n 0 ( R 0 ) n 1 ( R 0 ) · · · n Q - 1 ( R 0 ) n 0 ( R 1 ) n 1 ( R 1 ) · · · n Q - 1 ( R 1 ) · · · · · · · · · n 0 ( R H - 1 ) n 1 ( R H - 1 ) · · · n Q - 1 ( R H - 1 ) ,
全局角度约束分布矩阵表示为：
m 0 ( R 0 ) m 1 ( R 0 ) · · · m W - 1 ( R 0 ) m 0 ( R 1 ) m 1 ( R 1 ) · · · m W - 1 ( R 1 ) · · · · · · · · · m 0 ( R H - 1 ) m 1 ( R H - 1 ) · · · m W - 1 ( R H - 1 ) .
5.根据权利要求4所述的一种标志图像的识别方法，其特征在于，步骤四中，对全局几何约束分布矩阵进行大小归一化的方法如下：
对于全局长度比约束分布矩阵中的第a列，这列总共包含H个元素，记为：
{na(Rp)|p=0,1,...H-1},na(Rp)∈[0,1]；
每个元素的取值范围为[0,1]，将[0,1]划分成M个等值段，对M个等值段进行编号0,...,r,...,M-1，将第a列表示为：
v c a l → = [ z a ( 0 ) , z a ( 1 ) , . . . z a ( r ) . . . , z a ( M - 1 ) ] T ,
na(Rp)代表全局长度比约束分布矩阵中第a列的一个元素，
Figure FDA00001769495800034
代表全局长度比约束分布矩阵第a列经过大小归一化之后的列向量，za(r)表示该列向量中第r个值；
将长度比L的取值范围[0,1]划分为Q个等值段，得到大小归一化后的全局长度比约束分布矩阵：
z 0 ( 0 ) z 1 ( 0 ) · · · z Q - 1 ( 0 ) z 0 ( 1 ) z 1 ( 1 ) · · · z Q - 1 ( 1 ) · · · · · · · · · z 0 ( M - 1 ) z 1 ( M - 1 ) · · · z Q - 1 ( M - 1 ) ;
对于全局角度约束分布矩阵中的第b列，这列总共包含H个元素，记为：
{mb(Rq)|q=0,1，...H-1},mb(Rq)∈[0°,180°]；
每个元素的取值范围为[0°,180°]，将[0°,180°]划分成N个等值段，对N个等值段进行编号0,...,x,...,N-1，将第b列表示为：
v c b a → = [ d b ( 0 ) , d b ( 1 ) , . . . d b ( x ) . . . , d b ( N - 1 ) ] T ,
mb(Rq)代表全局角度约束分布矩阵中第b列的一个元素，
Figure FDA00001769495800042
代表全局角度约束分布矩阵第b列经过大小归一化之后的列向量，db(x)表示该列向量中第x个值；
经过大小归一化后的全局角度约束分布矩阵的形式如下：
Figure 000000
6.根据权利要求1所述的一种标志图像的识别方法，其特征在于，步骤五中，两个标志图像之间的相似度的计算如下：
dis=sum[abs(LRHS-LRHT)]+sum[abs(AHS-AHT)]，
其中，LRH表示全局长度比约束分布矩阵，AH表示全局角度约束分布矩阵；待比较的两个标志图像的全局约束分布矩阵分别为{LRHS,AHS}和{LRHT,AHT}；dis表示标志图像S和标志图像T的相似度，abs为绝对值函数，sum为求和函数。
CN201210198831.5A 2012-06-15 2012-06-15 一种标志图像的识别方法 Active CN102737254B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201210198831.5A CN102737254B (zh) 2012-06-15 2012-06-15 一种标志图像的识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201210198831.5A CN102737254B (zh) 2012-06-15 2012-06-15 一种标志图像的识别方法

Publications (2)

Publication Number Publication Date
CN102737254A true CN102737254A (zh) 2012-10-17
CN102737254B CN102737254B (zh) 2014-04-02

Family

ID=46992718

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201210198831.5A Active CN102737254B (zh) 2012-06-15 2012-06-15 一种标志图像的识别方法

Country Status (1)

Country Link
CN (1) CN102737254B (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104112284A (zh) * 2013-04-22 2014-10-22 阿里巴巴集团控股有限公司 一种图片的相似度检测方法和设备
CN109325138A (zh) * 2018-07-12 2019-02-12 上海电机学院 一种基于扩展与亚像素矩阵结合的图像快速识别方法
CN111504194A (zh) * 2020-05-15 2020-08-07 深圳市振邦智能科技股份有限公司 应用在焊点检测aoi中的焊点定位方法
CN113221604A (zh) * 2020-02-05 2021-08-06 北京京东乾石科技有限公司 目标识别方法、装置、存储介质及电子设备

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101470805A (zh) * 2007-12-28 2009-07-01 北大方正集团有限公司 静态图像目标的特征信息提取方法及装置
CN101763516A (zh) * 2010-01-15 2010-06-30 南京航空航天大学 一种基于拟合函数的文字识别方法
CN102074010A (zh) * 2011-01-12 2011-05-25 山东大学 弦长位置矩阵形状特征提取方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101470805A (zh) * 2007-12-28 2009-07-01 北大方正集团有限公司 静态图像目标的特征信息提取方法及装置
CN101763516A (zh) * 2010-01-15 2010-06-30 南京航空航天大学 一种基于拟合函数的文字识别方法
CN102074010A (zh) * 2011-01-12 2011-05-25 山东大学 弦长位置矩阵形状特征提取方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104112284A (zh) * 2013-04-22 2014-10-22 阿里巴巴集团控股有限公司 一种图片的相似度检测方法和设备
CN109325138A (zh) * 2018-07-12 2019-02-12 上海电机学院 一种基于扩展与亚像素矩阵结合的图像快速识别方法
CN109325138B (zh) * 2018-07-12 2022-07-15 上海电机学院 一种基于扩展与亚像素矩阵结合的图像快速识别方法
CN113221604A (zh) * 2020-02-05 2021-08-06 北京京东乾石科技有限公司 目标识别方法、装置、存储介质及电子设备
CN111504194A (zh) * 2020-05-15 2020-08-07 深圳市振邦智能科技股份有限公司 应用在焊点检测aoi中的焊点定位方法

Also Published As

Publication number Publication date
CN102737254B (zh) 2014-04-02

Similar Documents

Publication Publication Date Title
Jia et al. Gabor cube selection based multitask joint sparse representation for hyperspectral image classification
CN107784597B (zh) 出行方式识别方法、装置、终端设备及存储介质
EP2808827B1 (en) System and method for OCR output verification
WO2017092418A1 (zh) 过车记录处理方法和装置
CN112016605B (zh) 一种基于边界框角点对齐和边界匹配的目标检测方法
Baatz et al. Handling urban location recognition as a 2d homothetic problem
CN109325502B (zh) 基于视频渐进区域提取的共享单车停放检测方法和系统
US20180150714A1 (en) A method and a device for extracting local features of a three-dimensional point cloud
CN109359690B (zh) 基于卡口数据的车辆出行轨迹识别方法
CN102663401B (zh) 一种图像特征提取和描述方法
US20060245617A1 (en) Object identification between non-overlapping cameras without direct feature matching
CN102592148A (zh) 基于非负矩阵分解和多种距离函数的人脸识别方法
CN102129573A (zh) 基于字典学习和稀疏表示的sar图像分割方法
CN103226584B (zh) 形状描述符的构建方法及基于该描述符的图像检索方法
CN102147812A (zh) 基于三维点云模型的地标建筑图像分类方法
CN102737254A (zh) 一种标志图像的识别方法
CN103559476A (zh) 一种指纹匹配方法和装置
CN104216949A (zh) 一种融合空间信息的图像特征聚合表示方法及系统
CN103279738A (zh) 车标自动识别方法及系统
CN104978582A (zh) 基于轮廓弦角特征的遮挡目标识别方法
CN102208033A (zh) 基于数据聚类的鲁棒sift特征匹配方法
CN105740877A (zh) 交通标志的识别方法、装置和车辆
CN102609732B (zh) 基于泛化视觉词典图的物体识别方法
Tang et al. Exploiting distinctive topological constraint of local feature matching for logo image recognition
Huang et al. Vefnet: an event-rgb cross modality fusion network for visual place recognition

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