CN103345628A - 基于分层描述的目标识别和形状检索方法 - Google Patents

Abstract

本发明公开了一种基于分层描述的目标识别和形状检索方法，包括：采用轮廓提取算法提取出目标的轮廓特征；计算出目标轮廓上每个点的曲率值；采用非极大值抑制提取出目标的角点特征；将每两个角点对应的轮廓分段作为目标的全局特征描述子；将轮廓点按照曲率值的大小进行分层描述，将轮廓分段按照价值特征的重要程度进行分层描述；将价值小于评价阈值的轮廓分段进行合并形成轮廓特征分段，作为目标的局部特征描述子；将轮廓特征分段实现归一化处理；将不同目标的轮廓特征分段采用Shape Contexts距离进行相似度度量。本发明可以对目标形状进行有效的特征提取，具有尺度不变性、旋转不变性和平移不变性，提高了识别的准确率和鲁棒性，减小了计算复杂度。

Description

基于分层描述的目标识别和形状检索方法

技术领域

本发明涉及目标识别和形状检索技术领域，特别是涉及一种基于分层描述的目标识别和形状检索方法。

背景技术

如何使机器人视觉自动地识别和认识目标在现实世界中是一个非常具有挑战性的问题，这项研究的最新进展主要是设计智能的形状描述符来提供更好的相似性度量。目标识别和形状检索是机器人视觉中研究的热点，在工程中得到了广泛的应用，如宽基线匹配、目标类别识别、图像及视频检索、特定目标识别、机器人导航、场景分类、纹理识别和数据挖掘等多个领域中。

根据特征来源把形状描述方法分为两类：基于轮廓的方法和基于变换域的方法，前者特征全部来自于目标轮廓，如Moravec、Harris角点特征，轮廓周长、紧密度、偏心率，Hausdroff距离等，具有简单但有效的特点，在机器人视觉得到了广泛的应用。通常主要有两种方法描述目标的特征：基于全局特征和基于局部特征。全局特征能够描述目标的整体特征，对目标形状简单、具有单个封闭的轮廓特别有用，但是对局部变化比较敏感，易发生误匹配，如Shape Contexts，Inner-Distance和Multi-scale Representation。局部特征能够克服上述的问题，具有鲁棒性，因为即使部分轮廓被遮挡或发生变形，其它局部特征也能被匹配和识别，如Shape Tree，Class Segment Sets，ContourFlexibility，但是计算复杂度高并会产生冗余的信息。

因此，针对上述技术问题，在做目标识别和形状检索的时候不能仅仅关注全局的特征或者局部的特征，应该要考虑两者之间的关系，有必要提供一种基于分层描述的目标识别和形状检索方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于分层描述的目标识别和形状检索方法，其综合应用了全局特征和局部特征，达到提高准确率、鲁棒性，减少计算量的目的。

为了实现上述目的，本发明实施例提供的技术方案如下：

一种基于分层描述的目标识别和形状检索方法，所述方法包括以下步骤：

S1、采用轮廓提取算法提取出目标的轮廓特征；

S2、计算出目标轮廓上每个点的曲率值；

S3、采用非极大值抑制提取出目标的角点特征；

S4、将每两个角点对应的轮廓分段作为目标的全局特征描述子；

S5、将轮廓点按照曲率值的大小进行分层描述，将轮廓分段按照价值特征的重要程度进行分层描述；

S6、将价值小于评价阈值的轮廓分段进行合并形成轮廓特征分段，作为目标的局部特征描述子；

S7、将轮廓特征分段实现归一化处理；

S8、将不同目标的轮廓特征分段采用Shape Contexts距离进行相似度度量。

作为本发明的进一步改进，所述步骤S1具体包括：

S11、采用Canny二阶微分算子提取出图像的边缘特征；

S12、采用的轮廓提取算法为：在图像边缘上均匀地等间隔采样得到一组有序点集，该点集即为目标的轮廓特征。

作为本发明的进一步改进，所述步骤S2具体包括：

S21、在目标轮廓上按照逆时针方向取点计算每个点的曲率值；

S22、计算某个点的曲率值时，选取在该点前后相距为k的两点，组成特征三角形；

S23、由该三角形拟合成一个圆，计算出该圆的半径，则该点的曲率值即为半径的倒数。

作为本发明的进一步改进，所述步骤S3具体包括：

S31、提取出所有曲率值大于或等于阈值的轮廓点K(i)≥T为候选角点；

S32、如果候选角点满足非极大值抑制

即该点在局部范围能取得曲率极大值时，该候选角点即为真正角点。

作为本发明的进一步改进，所述步骤S4中的轮廓分段为相邻角点之间的曲线段。

作为本发明的进一步改进，所述步骤S5具体包括：

S51、将目标轮廓上的点按照曲率值的大小分为三类：角点、特征点、非特征点；

S52、定义轮廓分段的价值尺度

和评价阈值 ${\mathrm{Th}}_v={\mathrm{\ω}}_f\underset{s_i\∈S}{\max }\left(V\left(s_i\right)\right);$

S53、如果轮廓分段价值大于阈值，则为轮廓特征分段。

作为本发明的进一步改进，所述步骤S6具体包括：

S61、规定最小轮廓分段数量m；

S62、如果轮廓分段数量小于m或者每个轮廓分段价值大于评价阈值，则结束分段合并，否则继续；

S63、选取价值最小的轮廓分段s_i进行合并，如果V(s_i ^R)≥V(s_i ^L)，则s_i与s_i右边的轮廓分段s_i ^R进行合并，如果V(s_i ^R)<V(s_i ^L)，则s_i与s_i左边的轮廓分段s_i ^L进行合并；

S64、合并后的轮廓分段即为s′，从轮廓分段集中移出s_i，加入s′至轮廓分段集中。

作为本发明的进一步改进，所述步骤S7具体包括：

S71、每个轮廓特征分段经过等间隔采用后表示为一组有序点集{t₁,t₂,…,t_n}；

S72、每个轮廓点按照如下规则进行坐标变换：t₁→t₁′=(0,0)，t_n→t_n′=(1,0)；

S73、将{t₂,…,t_n1}从原坐标系变换到由t₁′和t_n′确定的坐标系中。

作为本发明的进一步改进，所述步骤S8具体包括：

S81、将目标的轮廓特征分段与模板的特征分段采用Shape Contexts距离进行相似度度量，找出距离值最小即最相似的特征分段；

S82、将特征分段对应到模板图像，则目标的每个特征分段可以对应一个模板图像，即目标图像与对应次数最多的模板图像相似，达到目标识别和形状检索的目的。

本发明具有以下有益效果：

基于分层描述的目标识别和形状检索方法在自动检索和识别系统中，综合分析了目标的全局特征和局部特征、及两者之间的关系，可以对目标形状进行有效的特征提取，具有尺度不变性、旋转不变性和平移不变性，提高了识别的准确率和鲁棒性，减小了计算复杂度。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明基于分层描述的目标识别和形状检索方法的具体流程图；

图2为本发明一具体实施方式中的轮廓点曲率计算原理图；

图3a～3e为本发明一具体实施方式中提取花瓶图像的角点过程图，图3a、3b、3c、3d、3e分别为花瓶原始图像、边缘图像、轮廓点的曲率值、候选角点、真实角点；

图4a～4c为本发明一具体实施方式中不同的轮廓分段识别效果图，图4a、4b、4c分别为曲线S₁和S、曲线S₁识别效果图、曲线S识别效果图；

图5a～5i为本发明一具体实施方式中轮廓分段合并过程图；

图6a～6b为本发明一具体实施方式中轮廓特征分段的归一化原理图，图6a、6b分别为归一化前和归一化后的坐标位置图；

图7为本发明一具体实施方式中识别遮挡目标的测试图集；

图8a～8d为本发明一具体实施方式中工程应用实例，图8a、8b、8c、8d分别为模板图像、完整的目标图像、被遮挡的目标图像及识别图像。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明保护的范围。

参图1所示，本发明基于分层描述的目标识别和形状检索方法具体包括：

S1、提取出目标的边缘特征，采用轮廓提取算法提取出目标的轮廓特征；

S2、计算出目标轮廓上每个点的曲率值；

S3、采用非极大值抑制提取出目标的角点特征；

S4、将每两个角点对应的轮廓分段作为目标的全局特征描述子；

S5、将轮廓点按照曲率值的大小进行分层描述，将轮廓分段按照价值特征的重要程度进行分层描述；

S6、将价值小于评价阈值的轮廓分段进行合并形成轮廓特征分段，作为目标的局部特征描述子；

S7、将轮廓特征分段实现归一化处理；

S8、将不同目标的轮廓特征分段采用Shape Contexts距离进行相似度度量。

其中，步骤S1具体包括：

S11、采用Canny二阶微分算子提取出图像的边缘特征；

S12、采用的轮廓提取算法为：在图像边缘上均匀地等间隔采样得到一组有序点集，该点集即为目标的轮廓特征。

进一步地，步骤S2具体包括：

S21、在目标轮廓上按照逆时针方向取点计算每个点的曲率值；

S22、计算某个点的曲率值时，选取在该点前后相距为k的两点，组成特征三角形；

S23、由该三角形拟合成一个圆，计算出该圆的半径，则该点的曲率值即为半径的倒数。

由于目标轮廓采用数字采样的方式获得，其边缘不平滑且存在模糊的现象，常用的曲率计算公式针对的是连续的曲线，离散的数字曲线形式可采用如下的方法计算每个点的曲率值：

如图2所示，选取该轮廓线上任意一点P_i(x(i),y(i))为中心，前后相距为k的两点为P_i-k(x(i-k),y(i-k))和P_i+k(x(i+k),y(i+k))，外围实线为轮廓线，黑点代表像素点，虚线为P_i-k,P_i,P_i+k三点拟合成的圆弧，r为圆弧半径。

在很小的局部区域内，可以认为

根据正弦定理：

$\frac{\sin (\mathrm{\&alpha;}/2)}{r}=\frac{\sin \mathrm{\&omega;}}{\left|P_i{P}_{i+k}\right|}=\frac{\sin (\mathrm{\&pi;}-2*\mathrm{\&alpha;}/2)}{\left(|P_{i-k}{P}_i\right|+\left|P_i{P}_{i+k}\right|)/2}$

$=\frac{2\sin (\mathrm{\&alpha;}/2)\cos (\mathrm{\&alpha;}/2)}{\left(\right|P_{i-k}{P}_i|+|P_i{P}_{i+k}\left|\right)/2}(0<\mathrm{\&alpha;}\&le;\mathrm{\&pi;})$

则： $\frac{1}{r}=\frac{4\sqrt{1-{\sin }^2(\mathrm{\&alpha;}/2)}}{\left|P_{i-k}{P}_i\right|+\left|P_i{P}_{i+k}\right|}=K\left(i\right)$

由于： $\sin (\mathrm{\&alpha;}/2)=\frac{\left|P_{i-k}{P}_{i+k}\right|/2}{\left|P_i{P}_{i+k}\right|}=\frac{\left|P_{i-k}{P}_{i+k}\right|}{\left|P_{i-k}{P}_i\right|+\left|P_i{P}_{i+k}\right|}$

那么每个轮廓点的曲率可以表示为

$K\left(i\right)=\frac{4\sqrt{{\left(\right|P_{i-k}{P}_i|+|P_i{P}_{i+k}\left|\right)}^2-{\left|P_{i-k}{P}_{i+k}\right|}^2}}{{\left(\right|P_{i-k}{P}_i|+|P_i{P}_{i+k}\left|\right)}^2}$

进一步地，步骤S3具体包括：

S31、提取出所有曲率值大于或等于阈值的轮廓点K(i)≥T为候选角点；

S32、如果候选角点满足非极大值抑制即该点在局部范围能取得曲率极大值时，该候选角点即为真正角点。

在实际应用中，阈值T的选择要根据轮廓曲线的弯曲程度以及参数k的取值来确定，k的一半取值为3～5，阈值T的选择一般为0.05～0.2。

进一步地，所述步骤S4中的轮廓分段为相邻角点之间的曲线段。

进一步地，步骤S5具体包括：

S51、将目标轮廓上的点按照曲率值的大小分为三类：角点、特征点、非特征点；

S52、定义轮廓分段的价值尺度

和评价阈值 ${\mathrm{Th}}_v={\mathrm{\&omega;}}_f\underset{s_i\&Element;S}{\max }\left(V\left(s_i\right)\right);$

S53、如果轮廓分段价值大于阈值，则为轮廓特征分段。

角点是图像最本质的特征，对目标的识别起着关键的作用，但是有一些轮廓点的曲率值小于角点，但相对较大也对识别目标起着积极作用。将目标轮廓点采用分层描述的方法，按照曲率值的大小分为三类：角点、特征点、非特征点。特征点和非特征点的定义如下：

P_F={i:K(i)≥ω_kmax(K(i))}；

P_NF={i:K(i)<ω_kmax(K(i))}，

K(i)是轮廓曲率的离散形式，曲率权重ω_k用于区分特征点和非特征点，如果ω_k较小，有利于描述目标细节特征，但不利于计算；ω_k较大，不利于描述目标的细节特征。通常ω_k取值为0.2～0.4，如果目标形状较复杂，则ω_k取小一点，反之亦然。

不同的轮廓分段对目标识别的贡献程度是不一样的，如图4所示，非特征的轮廓分段可能造成目标的误匹配，其重要程度可以由价值尺度评价：

$V\left(s_i\right)=N\left({P_{s_i}}^F\right)/N\left({P_{s_i}}^{\mathrm{NF}}\right),$

其中N(·)代表括号中元素的数量。

定义评价阈值其中ω_f为特征分段权重，如果轮廓分段的价值大于Th_v，则该分段为特征分段，对目标识别作用较大。

上述步骤S6具体包括：

S61、规定最小轮廓分段数量m；

S62、如果轮廓分段数量小于m或者每个轮廓分段价值大于评价阈值，则结束分段合并，否则继续；

S63、选取价值最小的轮廓分段s_i进行合并，如果V(s_i ^R)≥V(s_i ^L)，则s_i与s_i右边的轮廓分段s_i ^R进行合并，如果V(s_i ^R)<V(s_i ^L)，则s_i与s_i左边的轮廓分段s_i ^L进行合并；

S64、合并后的轮廓分段即为s′，从轮廓分段集中移出s_i，加入s′至轮廓分段集中。。

进一步地，步骤S7具体包括：

S71、每个轮廓特征分段经过等间隔采用后表示为一组有序点集{t₁,t₂,…,t_n}；

S72、每个轮廓点按照如下规则进行坐标变换：t₁→t₁′=(0,0)，t_n→t_n′=(1,0)；

S73、将{t₂,…,t_n1}从原坐标系变换到由t₁′和t_n′确定的坐标系中。

将轮廓特征分段进行归一化处理后，实现了该特征描述符的旋转不变性、平移不变性和尺度不变性。

进一步地，步骤S8具体包括：

S81、将目标的轮廓特征分段与模板的特征分段采用Shape Contexts距离进行相似度度量，找出距离值最小即最相似的特征分段；

S82、将特征分段对应到模板图像，则目标的每个特征分段可以对应一个模板图像，即目标图像与对应次数最多的模板图像相似，达到目标识别和形状检索的目的。

步骤S8中匹Shape Contexts配度值D计算方式为：

假设目标图像轮廓点数为n，模板图像轮廓点数为m。将目标图像轮廓上P_i点和模板图像轮廓上Q_j点进行匹配，用公式Ci_j=C(P_i,Q_j)来表示这两个点之间的匹配度：

$C_{\mathrm{ij}}=C(P_i,Q_j)=\frac{1}{2}\underset{k=1}{\overset{K}{\mathrm{\&Sigma;}}}\frac{{[h_i\left(k\right)-h_j\left(k\right)]}^2}{h_i\left(k\right)+h_j\left(k\right)},$

其中，h_i(k)和h_j(k)分别为P_i点和Q_j点对应的直方图值，K=60。

目标图像轮廓上P_i点与模板图像的匹配度可以表示为：

$C_i=\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{C}_{\mathrm{ij}}/m,$

目标图像与模板图像的匹配度为：

$C=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{C}_i/n,$

匹配度值在0～1之间，其匹配度值越小，目标图像与模板图像相似度越大。

以下结合一具体实例，对本发明作进一步阐述。

在考虑执行效率和保证算法的通用性后，本系统采用MATLAB软件编写算法语言。用的测试图像是MPEG7_CE-Shape-1_Part_B数据库，该库中共有70组不同种类的目标图像，每组图像含有20个不同形态的二值图像。

对应于本实施例的方法，为目标识别和形状检索系统共设计了6个任务，表1中描述了任务的名称以及任务的功能。

表1：形状匹配和目标识别系统任务说明

任务名称	任务功能
		目标轮廓提取	采用Canny算子提取目标边缘和轮廓特征
轮廓点曲率计算	计算出目标轮廓上没一点的曲率值
		图像角点提取	采用非极大值抑制的方法提取图像角点特征
目标全局特征描述	将相邻角点间的轮廓分段作为目标全局特征
		分层描述	将目标轮廓点和轮廓分段分层描述
轮廓分段合并	目标轮廓分段按价值合并，形成轮廓特征分段
		目标局部特征描述	将目标轮廓特征分段作为局部特征
特征分段归一化	将轮廓特征分段进行旋转、尺度、平移归一化
		相似度度量	特征分段按照Shape Context距离相似度度量

如图1所示，物体目标识别和形状检索过程如下：提取出目标的边缘特征，采用轮廓提取算法提取出目标轮廓特征；计算出数字轮廓上每个点的曲率值；采用非极大值抑制提取出目标的角点特征；将每两个角点对应的轮廓分段作为目标的全局特征描述子；将轮廓点按照曲率值的大小进行分层描述，将轮廓分段按照价值特征的重要程度进行分层描述；将价值较小的轮廓分段进行合并形成轮廓特征分段，作为目标的局部特征描述子；将轮廓特征分段实现归一化处理；将不同目标的轮廓特征分段采用Shape Context距离进行相似度度量。

如图2所示，该图为局部轮廓放大图，外围实线为轮廓线，黑点代表像素点，虚线为P_ik,P_i,P_i+k三点拟合成的圆弧，O点为圆心，α为支撑角，P_ikP_i和P_iP_i+k为支撑臂，r为支撑半径。

如图3a～3e所示，图3a为一幅花瓶的二值图像，图3b是用Canny算子提取的目标边缘特征图像，图3c为花瓶轮廓点的曲率值，图3d是花瓶图像的候选角点，图3e是花瓶图像的真实角点。

如图4a～4c所示，图4a是从Heart-3图像中截取的一段曲线S，由S₁和S₂两个连续轮廓分段组成，分别选取轮廓分段S₁和S与三个测试目标做相似度度量，采用Shape Context距离表述其相似度，每个目标中与S₁和S最相似的轮廓分段用红色实线表示；从图4b可以看出，轮廓分段S₁不能代表目标的特征，不能从三个测试目标中区分；从图4c可以看出，轮廓分段S能够代表目标的特征，能够判断该曲线来自第一个目标，因此合理的轮廓分段对识别目标是非常重要的。

如图5所示，该图显示了轮廓划分与轮廓分段合并过程，在每一次合并过程中，选取价值最小的轮廓分段与相邻价值最高的轮廓分段进行合并，得到新的轮廓分段，经过合并后，得到了轮廓特征分段，描述了目标的局部特征。

如图6a～6b所示，图6a为归一化前的轮廓特征分段坐标系，图6b为归一化后的轮廓特征分段坐标系，通过归一化实现了旋转、尺度、平移的不变性。

通过对MPEG7_CE-Shape-1_Part_B数据库进行分析，采用Bullseye测试实验，该方法和其它常见的方法的形状检索率可见表1。

表1：MPEG-7数据量的检索率

如图7所示，为了测试该方法对遮挡目标的识别率，从MPEG-7数据库中选出的10组目标图像。

当目标分别遮挡10%，20%，30%时，该方法对目标的识别率见表2。

表2：不同遮挡率下的目标识别率

Occluded Ratio	10%	20%	30%
				Apple	92.3	88.2	83.5
Bat	96.5	94.2	93.7
				Bird	95.3	93.9	90.4
Camel	94.8	90.6	88.9
				Chicken	93.8	90.1	86.4
Cup	93.2	89.7	86.3
				Dog	94.8	91.8	89.6
Elephant	95.4	92.3	88.8
				Spoon	91.1	88.5	84.3
Deer	93.8	91.6	87.7

当目标分别遮挡10%，20%，30%时，该方法与一些常用的目标识别方法对MPEG-7数据库中目标识别率见表3。

表3：不同遮挡率下的不同方法的目标识别率

Occluded Ratio	10%	20%	30%
				Pol-Des	91.4	86.5	80.6
Sub-Mat	91.6	87.4	82.1
				CSS	92.3	89.8	87.9
Mul-Rep	91.5	86.4	83.8
				Con-Sim	91.8	86.1	84.9
Our method	92.5	90.6	88.4

如图8所示，图8a为模板图像，图8b为完整的目标图像，图8c为存在部分遮挡的目标图像，图8d为在模板图像中寻找目标图像的结果，用方框表示。根据目标图像的大小，将模板图像分割成若干份和目标图像同样大小的子图像，计算目标图像与每个子图像之间的匹配度值，值最小的那幅图像即与目标图像相似度最大，在图8d中用方框表示出来，可以看出该方法对部分遮挡目标识别的鲁棒性。

从分析过程和应用实例可以看出，本发明基于分层描述的目标识别和形状检索方法能有效提取目标形状的全局特征和局部特征，实现了目标的分层描述，并通过价值特征尺度探究两者之间关系，对目标特征描述描述更具体、完整和准确，同时能完整描述部分遮挡的目标特征，并获得较高的识别率。该方法在目标识别和形状检索的工程领域中能得到广泛应用。

由以上技术方案可以看出，本发明提供的基于分层描述的目标识别和形状检索方法在自动识别和检索中，可以对图像形状进行特征的提取和有效表示，具有尺度不变性、旋转不变性和平移不变性，提高了识别的准确率和效率，特别对部分遮挡的目标同样适用。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见，本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经适当组合，形成本领域技术人员可以理解的其他实施方式。

Claims (9)

1.一种基于分层描述的目标识别和形状检索方法，其特征在于，所述方法包括以下步骤：

S1、采用轮廓提取算法提取出目标的轮廓特征；

S2、计算出目标轮廓上每个点的曲率值；

S3、采用非极大值抑制提取出目标的角点特征；

S4、将每两个角点对应的轮廓分段作为目标的全局特征描述子；

S5、将轮廓点按照曲率值的大小进行分层描述，将轮廓分段按照价值特征的重要程度进行分层描述；

S6、将价值小于评价阈值的轮廓分段进行合并形成轮廓特征分段，作为目标的局部特征描述子；

S7、将轮廓特征分段实现归一化处理；

S8、将不同目标的轮廓特征分段采用Shape Contexts距离进行相似度度量。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1具体包括：

S11、采用Canny二阶微分算子提取出图像的边缘特征；

S12、采用的轮廓提取算法为：在图像边缘上均匀地等间隔采样得到一组有序点集，该点集即为目标的轮廓特征。

3.根据权利要求1所述的方法，其特征在于，所述步骤S2具体包括：

S21、在目标轮廓上按照逆时针方向取点计算每个点的曲率值；

S22、计算某个点的曲率值时，选取在该点前后相距为k的两点，组成特征三角形；

S23、由该三角形拟合成一个圆，计算出该圆的半径，则该点的曲率值即为半径的倒数。

4.根据权利要求1所述的方法，其特征在于，所述步骤S3具体包括：

S31、提取出所有曲率值大于或等于阈值的轮廓点K(i)≥T为候选角点；

S32、如果候选角点满足非极大值抑制

即该点在局部范围能取得曲率极大值时，该候选角点即为真正角点。

5.根据权利要求4所述的方法，其特征在于，所述步骤S4中的轮廓分段为相邻角点之间的曲线段。

6.根据权利要求1所述的方法，其特征在于，所述步骤S5具体包括：

S51、将目标轮廓上的点按照曲率值的大小分为三类：角点、特征点、非特征点；

S52、定义轮廓分段的价值尺度

和评价阈值 ${\mathrm{TH}}_v={\mathrm{\&omega;}}_f\underset{s_i\&Element;S}{\max }\left(V\left(s_i\right)\right);$

S53、如果轮廓分段价值大于阈值，则为轮廓特征分段。

7.根据权利要求1所述的方法，其特征在于，所述步骤S6具体包括：

S61、规定最小轮廓分段数量m；

S62、如果轮廓分段数量小于m或者每个轮廓分段价值大于评价阈值，则结束分段合并，否则继续；

S63、选取价值最小的轮廓分段s_i进行合并，如果V(s_i ^R)≥V(s_i ^L)，则s_i与s_i右边的轮廓分段s_i ^R进行合并，如果V(s_i ^R)<V(s_i ^L)，则s_i与s_i左边的轮廓分段s_i ^L进行合并；

S64、合并后的轮廓分段即为s′，从轮廓分段集中移出s_i，加入s′至轮廓分段集中。

8.根据权利要求1所述的方法，其特征在于，所述步骤S7具体包括：

S71、每个轮廓特征分段经过等间隔采用后表示为一组有序点集{t₁,t₂,…,t_n}；

S72、每个轮廓点按照如下规则进行坐标变换：t₁→t₁′=(0,0)，t_n→t_n′=(1,0)；

S73、将{t₂,…,t_n1}从原坐标系变换到由t₁′和t_n′确定的坐标系中。

9.根据权利要求1所述的方法，其特征在于，所述步骤S8具体包括：

S81、将目标的轮廓特征分段与模板的特征分段采用Shape Contexts距离进行相似度度量，找出距离值最小即最相似的特征分段；

S82、将特征分段对应到模板图像，则目标的每个特征分段可以对应一个模板图像，即目标图像与对应次数最多的模板图像相似，达到目标识别和形状检索的目的。

Images