CN103473537A - 一种目标图像轮廓特征表示方法及装置 - Google Patents

Abstract

本发明适用于计算机视觉和模式识别技术领域，提供一种目标图像轮廓特征表示方法及装置，所述方法包括：根据边缘检测算法获取目标图像的边缘轮廓图像；获取所述边缘轮廓图像中各个边缘像素点的切线方向；将所述边缘轮廓图像划分为若干个块，并且在多个方向上统计每个块中边缘像素点的切线方向直方图；对所述每个块的切线方向直方图进行归一化处理得到对应的直方图向量，将得到的各个直方图向量按顺序串行连接，生成表示整个目标图像轮廓特征的边缘特征向量。本发明是一种基于网格状边缘方向直方图的目标图像轮廓特征表示方案，本方案只需计算边缘像素点的切线方向，最终得到的边缘特征向量维度低，计算量小，为后续目标图像检测识别提供基础。

Description

一种目标图像轮廓特征表示方法及装置

技术领域

本发明属于计算机视觉和模式识别技术领域，尤其涉及一种目标图像轮廓特征表示方法及装置。

背景技术

在复杂和海量的视觉信息中，如何快速、准确的提取目标的特征并进行有效的表达，是计算机视觉和视频理解的关键问题，对降低视觉信息处理维度与提高视觉计算的认知水平具有重要的意义。目标图像的轮廓特征表达在目标识别中起到了至关重要的作用，选取的目标图像的轮廓特征与背景特征具有可区分性是特征选取的原则，只有这样才可以在特征空间中将目标识别出来。

在目标图像轮廓特征的选取和描述方法中，通常采用梯度方向直方图描述符（Histogram of oriented gradient，HOG）方法，该技术将图像局部出现的方向梯度次数进行计数，HOG的核心思想是所检测的局部物体外形能够被光强梯度所描述，具体的，首先将整幅图像分割成小的连接区域，计算图像中每个像素点的梯度，然后在每个连接区域中生成一个方向梯度直方图，最后将得到的所有的方向梯度直方图的进行组合，得到目标图像轮廓特征的表示向量。HOG主要描述的是目标表面视觉特征，该方法目前广泛应用在图像和视频的目标检测和识别中。

HOG方法中，需要计算和统计对图像中所有像素点的梯度方向，且目标图像轮廓特征的表达式的维度依赖于图像中连接区域分割的多少，比如对于一张大小为64*128像素的目标图像，HOG方法中描述描述目标图像的轮廓特征的表示向量的维度是3528，显然目前用HOG方法来描述目标图像的轮廓特征计算量大，在很大程度上会影响后续的目标图像检测识别速度，

发明内容

鉴于上述问题，本发明的目的在于提供一种目标图像轮廓特征表示方法及装置，旨在解决采用现有HOG方法来描述目标图像轮廓特征的表示方式中，所述维数多、计算量大，影响到目标图像检测识别速度的技术问题。

一方面，所述目标图像轮廓特征表示方法包括下述步骤：

根据边缘检测算法获取目标图像的边缘轮廓图像；

获取所述边缘轮廓图像中各个边缘像素点的切线方向；

将所述边缘轮廓图像划分为若干个块，并且在多个方向上统计每个块中边缘像素点的切线方向直方图；

对所述每个块的切线方向直方图进行归一化处理得到对应的直方图向量，将得到的各个直方图向量按顺序串行连接，生成表示整个目标图像轮廓特征的边缘特征向量。

另一方面，目标图像轮廓特征表示装置包括：

边缘检测单元，用于根据边缘检测算法获取目标图像的边缘轮廓图像；

方向获取单元，用于获取所述边缘轮廓图像中各个边缘像素点的切线方向；

方向统计单元，用于将所述边缘轮廓图像划分为若干个块，并且在多个方向上统计每个块中边缘像素点的切线方向直方图；

轮廓特征表示单元，用于对所述每个块的切线方向直方图进行归一化处理得到对应的直方图向量，将得到的各个直方图向量按顺序串行连接，生成表示整个目标图像轮廓特征的边缘特征向量；

所述边缘检测单元、方向获取单元、方向统计单元和轮廓特征表示单元顺次连接。

本发明的有益效果是：本发明技术方案首先对图像进行边缘检测得到边缘轮廓图像，再对边缘轮廓图像按区域划块，然后统计每个块中边缘像素点的切线方向直方图，最后级联各个切线方向直方图得到用于表示整个目标图像轮廓特征的边缘特征向量，显然本发明只需统计每个块中边缘像素点的切线方向，边缘特征向量的维数与图像划分块数和统计切线方向直方图中的方向数量有关，所述图像划分块数和方向数量通常都是比较小的自然数，比如都可以为9，那么表示目标图像轮廓特征的边缘特征向量仅需81维即可，因此本发明可以在很大程度上降低计算量，为后续目标图像检测识别提供良好基础。

附图说明

图1是本发明第一实施例提供的目标图像轮廓特征表示方法的流程图；

图2是本发明第二实施例提供的目标图像轮廓特征表示方法的流程图；

图3是原始的目标图像；

图4是经过边缘检测、去噪和边缘修复处理后得到的边缘轮廓图像；

图5是块划分示意图；

图6是在图5中各个块对应的切线方向直方图；

图7是图6中各个切线方向直方图归一化后的级联直方图；

图8是图3-图7的结合示意图；

图9是本发明第三实施例提供的目标图像轮廓特征表示装置的结构方框图；

图10是本发明第四实施例提供的目标图像轮廓特征表示装置的结构方框图。

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。

为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。

实施例一：

图1示出了本发明第一实施例提供的目标图像轮廓特征表示方法的流程，为了便于说明仅示出了与本发明实施例相关的部分。

步骤S101、根据边缘检测算法获取目标图像的边缘轮廓图像。

本步骤首先需要得到目标图像的边缘轮廓图像，本实施例不限定采用的具体的边缘检测算法，比如Canny算法、Sobel算法、Roberts算法、SUSAN算法等，不用算法的复杂度和边缘检测效果有所不同，可以根据实际目标图像检测精度选择对应算法。

步骤S102、获取所述边缘轮廓图像中各个边缘像素点的切线方向。

上述步骤S102中所获取的边缘轮廓图像中是由边缘像素点连接而成的曲线，本步骤需要获取图像中各个边缘像素点的切线方向大小，范围在0～180度之间，本步骤不限定具体切线方向获取方法，

步骤S103、将所述边缘轮廓图像划分为若干个块，并且在多个方向上统计每个块中边缘像素点的切线方向直方图。

将所述边缘轮廓图像按区域划分为若干个块，相邻块之间可以重合可以不重合，而且各个块的大小也不做限定，本步骤需要在多个方向上统计每个块中边缘像素点的切线方向直方图，所述切线方向直方图中的方向数量也不做限定，比如可以在9个方向经行统计边缘像素点的切线方向，那么每个方向的范围是20度，统计每个块中切线方向在0-20度、20度-40度、40度-60度、.......、160度-180度范围区中边缘像素点的数量，生成切线方向直方图。

步骤S104、对所述每个块的切线方向直方图进行归一化处理得到对应的直方图向量，将得到的各个直方图向量按顺序串行连接，生成表示整个目标图像轮廓特征的边缘特征向量。

对每个块中生成切线方向直方图进行归一化处理，得到对应的直方图向量，最后将所有的直方图向量按照一定顺序连接，组成一个更多维数的边缘特征向量，这个边缘特征向量可以准确表示目标图像轮廓特征。

本实施例提供的目标图像轮廓特征表示方法只需计算边缘轮廓图像中边缘像素点的切线方向，然后在多个方向上统计每个块中边缘像素点的切线方向直方图，最后连接得到边缘特征向量，与现有HOG方法相比，本实施例得到的边缘特征向量维数较小，降低了计算量，为后续目标图像检测识别提供了基础，加快了检测识别速度。

实施例二：

图2示出了本发明第二实施例提供的目标图像轮廓特征表示方法的流程，为了便于说明仅示出了与本发明实施例相关的部分。

步骤S201、根据边缘检测算法获取目标图像的边缘轮廓图像；

步骤S202、对所述边缘轮廓图像进行去噪和边缘修复处理。

为了使得到的边缘轮廓图像更清晰和准确，本步骤还需要对边缘轮廓图像进行去噪和边缘修复处理，这里去噪算法、边缘修复算法本实施不做具体限定。

步骤S203、获取所述边缘轮廓图像中各个边缘像素点的位置向量

其中dx_i,j、dy_i,j分别表示当前边缘像素点与邻域边缘像素点在水平和竖直方向的距离；

步骤S204、根据所述各个边缘像素点的位置向量得到边缘像素点的切线方向 ${\mathrm{\θ}}_{i,j}=\arctan \left(\frac{{\mathrm{dy}}_{i,j}}{{\mathrm{dx}}_{i,j}}\right).$

上述步骤S203、S204是实施例一中步骤S102的一种具体优选实施方式，将每个边缘像素点用一位置向量

表示，每个位置向量包含了当前边缘像素点和领域边缘像素点的水平距离和数值，然后根据正切关系近似得到每个边缘像素点的切线方向

步骤S205、将所述边缘轮廓图像平均分割成r×r个小方格，将相邻的m×m个小方格作为一个块，且任意相邻的两个块中间有m×(m-1)个小方格重合，其中所述r、m均为自然数；

步骤S206、在n个方向上统计每个块中边缘像素点的切线方向直方图，其中n为自然数，每一个方向包含180/n度的范围；

步骤S207、对所述每个块的切线方向直方图进行归一化处理得到对应的直方图向量，将得到的各个直方图向量按顺序串行连接，生成表示整个目标图像轮廓特征的边缘特征向量。

上述步骤S205、S206是实施例一中步骤S103的一种具体优选实施方式，为了便于理解，现列举一图像处理方法实例，图3所示的图像为原始的目标图像，所述目标图像经过边缘检测、去噪和边缘修复处理后得到如图4所示的边缘轮廓图像，再将所述边缘轮廓图像平均分割成r×r个小方格，并将相邻的m×m个小方格作为一个块，且任意相邻的两个块中间有m×(m-1)个小方格重合，图5示出了一种分割方法，这里r=4、m=2、n=9，具体的，将边缘轮廓图像平均分割成4*4的小方格，其中相邻的2*2个小方格作为一个块，总共分成9个块，相邻的两个块（包括上下两个相邻的块和左右两个相邻的块）之间有两个小方格重合，9个块分别为图5a-图5i中灰色部分所示，然后在9个方向上统计每个块中边缘像素点的切线方向直方图，具体如图6所示，其中图6a-图6i分别是图5中图5a-图5i划分块所对应的切线方向直方图，每个切线方向直方图有9个方向分量，每个方向包含20度范围，然后对各个切线方向直方图进行归一化处理得到对应的直方图向量，所述直方图向量表示了在每个方向范围中边缘像素点出现的概率，最后将所有直方图向量按一定顺序串行连接，比如按从左到右、从上到下的顺序串行连接，就可以得到用于表示整个目标图像轮廓特征的边缘特征向量，为了方便理解，可以参照图7所示的切线方向直方图经过归一化后按照一定顺序串行连接得到的级联直方图，将所述级联直方图用向量进行表示，就可以得到所述的边缘特征向量，每个向量分量表示了在相应的划分块和对应方向范围中边缘像素点出现的概率，这些概率分布可以精确表示出目标图像的轮廓特征，比如图7所示的概率分布依次为0.0128、0.0203、0.0166、0.0120、0.0052、0.0098、0.0186、……、0.0157、0.0098、0.0126、0.0212、0.0358、……、0.009，特征向量为81维，与目标图像的像素大小无关，假设同样为64*128像素的目标图像，采用HOG方法需要用3528维的表示向量来描述目标图像轮廓特征，而本实例中仅需一个81维边缘特征向量即可精确地表示出目标图像的轮廓特征，显然采用本实施例方法可以大大减小计算量，为实现高速图像检测识别提供基础。

实施例三：

图9示出了本发明第三实施例提供的目标图像轮廓特征表示装置的结构，为了便于说明仅示出了与本发明实施例相关的部分。

本实施例提供的目标图像轮廓特征表示装置包括：

边缘检测单元901，用于根据边缘检测算法获取目标图像的边缘轮廓图像；

方向获取单元902，用于获取所述边缘轮廓图像中各个边缘像素点的切线方向；

方向统计单元903，用于将所述边缘轮廓图像划分为若干个块，并且在多个方向上统计每个块中边缘像素点的切线方向直方图；

轮廓特征表示单元904，用于对所述每个块的切线方向直方图进行归一化处理得到对应的直方图向量，将得到的各个直方图向量按顺序串行连接，生成表示整个目标图像轮廓特征的边缘特征向量；

所述边缘检测单元901、方向获取单元902、方向统计单元903和轮廓特征表示单元904顺次连接。

本实施例提供的各个功能单元901-904对应实现了实施例一中步骤S101-S104，在具体实现时，所述各个功能单元901-904可以通过数据处理芯片编程实现，比如DSP等，首先边缘检测单元901对目标图像进行边缘检测得到边缘轮廓图像，方向获取单元902再获取所述边缘轮廓图像中各个边缘像素点的切线方向，然后方向统计单元903将所述边缘轮廓图像划分为若干个块，并且在多个方向上统计每个块中边缘像素点的切线方向直方图，最后轮廓特征表示单元904对所述每个块的切线方向直方图进行归一化处理得到对应的直方图向量，将得到的各个直方图向量按顺序串行连接，生成表示整个目标图像轮廓特征的边缘特征向量。

本实施例提供的目标图像轮廓特征表示装置只需计算边缘轮廓图像中边缘像素点的切线方向，然后在多个方向上统计每个块中边缘像素点的切线方向直方图，最后连接得到边缘特征向量，与现有HOG方法相比，本实施例得到的边缘特征向量维数较小，降低了计算量，为后续目标图像检测识别提供了基础，加快了检测识别速度。

实施例四：

图10示出了本发明第三实施例提供的目标图像轮廓特征表示装置的结构，为了便于说明仅示出了与本发明实施例相关的部分。

本实施例提供的目标图像轮廓特征表示装置包括：

边缘检测单元101，用于根据边缘检测算法获取目标图像的边缘轮廓图像；

去噪修复模块102，用于对所述边缘轮廓图像进行去噪和边缘修复处理。

方向获取单元103，用于获取所述边缘轮廓图像中各个边缘像素点的切线方向；

方向统计单元104，用于将所述边缘轮廓图像划分为若干个块，并且在多个方向上统计每个块中边缘像素点的切线方向直方图；

轮廓特征表示单元105，用于对所述每个块的切线方向直方图进行归一化处理得到对应的直方图向量，将得到的各个直方图向量按顺序串行连接，生成表示整个目标图像轮廓特征的边缘特征向量；

其中所述方向获取单元103包括：

位置向量获取模块1031，用于获取所述边缘轮廓图像中各个边缘像素点的位置向量其中dx_i,j、dy_i,j分别表示当前边缘像素点与邻域边缘像素点在水平和竖直方向的距离；

切线方向获取模块1032，用于根据所述各个边缘像素点的位置向量得到边缘像素点的切线方向

其中所述方向统计单元104包括：

块划分模块1041，用于将所述边缘轮廓图像平均分割成r×r个小方格，将相邻的m×m个小方格作为一个块，且任意相邻的两个块中间有m×(m-1)个小方格重合，其中所述r、m均为自然数；

方向统计模块1042，用于在n个方向上统计每个块中边缘像素点的切线方向直方图，其中n为自然数，每一个方向包含180/n度的范围。

本实施例提供的各个功能单元和功能模块对应实现了实施例二中的各个步骤，另一方面，本实施例在实施例三的基础上增加了去噪修复模块102，以及进一步公开了方向获取单元103和方向统计单元104的具体优选结构，经过所述去噪修复模块102处理可以得到清晰准确的边缘轮廓图像，所述方向获取单元103和方向统计单元104分别提供了一种获取边缘像素点切线方向和统计每个块中边缘像素点的切线方向直方图的具体优选方案，作为一种实现方式，所述r为4，m为2、n为9，这样得到的目标图像轮廓特征的边缘特征向量为81维，可以大大减小计算量，为实现高速图像检测识别提供基础。

本领域普通技术人员可以理解，实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，所述的程序可以在存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种目标图像轮廓特征表示方法，其特征在于，所述方法包括：

根据边缘检测算法获取目标图像的边缘轮廓图像；

获取所述边缘轮廓图像中各个边缘像素点的切线方向；

将所述边缘轮廓图像划分为若干个块，并且在多个方向上统计每个块中边缘像素点的切线方向直方图；

对所述每个块的切线方向直方图进行归一化处理得到对应的直方图向量，将得到的各个直方图向量按顺序串行连接，生成表示整个目标图像轮廓特征的边缘特征向量。

2.如权利要求1所述方法，其特征在于，所述根据边缘检测算法获取目标图像的边缘轮廓图像步骤之后，还包括：

对所述边缘轮廓图像进行去噪和边缘修复处理。

3.如权利要求1或2所述方法，其特征在于，所述获取所述边缘轮廓图像中各个边缘像素点的切线方向步骤，具体包括：

获取所述边缘轮廓图像中各个边缘像素点的位置向量

其中dx_i,j、dy_i,j分别表示当前边缘像素点与邻域边缘像素点在水平和竖直方向的距离；

根据所述各个边缘像素点的位置向量得到边缘像素点的切线方向 ${\mathrm{\θ}}_{i,j}=\arctan \left(\frac{{\mathrm{dy}}_{i,j}}{{\mathrm{dx}}_{i,j}}\right).$

4.如权利要求3所述方法，其特征在于，所述将所述边缘轮廓图像划分为若干个块，并且在多个方向上统计每个块中边缘像素点的切线方向直方图步骤，具体包括：

将所述边缘轮廓图像平均分割成r×r个小方格，将相邻的m×m个小方格作为一个块，且任意相邻的两个块中间有m×(m-1)个小方格重合，其中所述r、m均为自然数；

在n个方向上统计每个块中边缘像素点的切线方向直方图，其中n为自然数，每一个方向包含180/n度的范围。

5.如权利要求4所述方法，其特征在于，所述r为4，m为2、n为9。

6.如权利要求5所述方法，其特征在于，将得到的各个直方图向量按从左到右、从上到下的顺序串行连接生成表示整个目标图像轮廓特征的边缘特征向量。

7.一种目标图像轮廓特征表示装置，其特征在于，所述装置包括：

边缘检测单元，用于根据边缘检测算法获取目标图像的边缘轮廓图像；

方向获取单元，用于获取所述边缘轮廓图像中各个边缘像素点的切线方向；

方向统计单元，用于将所述边缘轮廓图像划分为若干个块，并且在多个方向上统计每个块中边缘像素点的切线方向直方图；

轮廓特征表示单元，用于对所述每个块的切线方向直方图进行归一化处理得到对应的直方图向量，将得到的各个直方图向量按顺序串行连接，生成表示整个目标图像轮廓特征的边缘特征向量；

所述边缘检测单元、方向获取单元、方向统计单元和轮廓特征表示单元顺次连接。

8.如权利要求7所述装置，其特征在于，所述装置还包括：

去噪修复模块，用于对所述边缘轮廓图像进行去噪和边缘修复处理。

9.如权利要求7或8所述装置，其特征在于，所述方向获取单元包括：

位置向量获取模块，用于获取所述边缘轮廓图像中各个边缘像素点的位置向量

其中dx_i,j、dy_i,j分别表示当前边缘像素点与邻域边缘像素点在水平和竖直方向的距离；

切线方向获取模块，用于根据所述各个边缘像素点的位置向量得到边缘像素点的切线方向 ${\mathrm{\θ}}_{i,j}=\arctan \left(\frac{{\mathrm{dy}}_{i,j}}{{\mathrm{dx}}_{i,j}}\right).$

10.如权利要求9所述装置，其特征在于，所述方向统计单元包括：

块划分模块，用于将所述边缘轮廓图像平均分割成r×r个小方格，将相邻的m×m个小方格作为一个块，且任意相邻的两个块中间有m×(m-1)个小方格重合，其中所述r、m均为自然数；

方向统计模块，用于在n个方向上统计每个块中边缘像素点的切线方向直方图，其中n为自然数，每一个方向包含180/n度的范围。

Images