CN104850852B - 特征向量计算方法和装置 - Google Patents
特征向量计算方法和装置 Download PDFInfo
- Publication number
- CN104850852B CN104850852B CN201510205489.0A CN201510205489A CN104850852B CN 104850852 B CN104850852 B CN 104850852B CN 201510205489 A CN201510205489 A CN 201510205489A CN 104850852 B CN104850852 B CN 104850852B
- Authority
- CN
- China
- Prior art keywords
- gradient
- pixel
- cell factory
- image
- cell
- 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
Links
Landscapes
- Image Analysis (AREA)
Abstract
本公开是关于一种特征向量计算方法和装置,属于图像识别领域。所述方法包括:对待分析的图像进行二值化处理,得到灰度图像;将灰度图像划分为多个细胞单元;对于每个细胞单元,根据细胞单元内每个像素的梯度方向,从除边缘像素以外的像素中,确定梯度方向位于指定方向区间的至少一个指定像素;根据至少一个指定像素的数目和梯度统计值,计算细胞单元在指定方向区间内的梯度投影值;根据细胞单元在每个方向区间内的梯度投影值,计算细胞单元的梯度直方图;根据每个细胞单元的梯度直方图,计算图像的方向梯度直方图HOG特征向量。本公开提高了HOG特征向量的准确率,提升了特征提取算法的性能,应用于图像识别时,能够提高图像识别的准确率。
Description
技术领域
本公开是关于图像识别领域,具体来说是关于特征向量计算方法和装置。
背景技术
HOG(Histogram of Oriented Gradient,方向梯度直方图)算法是一种常用的特征提取算法,可以根据图像局部区域的方向梯度直方图,计算出图像的HOG特征向量,HOG特征向量可以广泛应用于图像识别中。
采用HOG算法计算图像的HOG特征向量时,先对该图像进行二值化处理,得到灰度图像,计算该灰度图像中每个像素的梯度。之后,将该灰度图像划分为多个细胞单元,对于每个细胞单元来说,预先将360度的梯度方向平均划分为9个方向区间,则对于9个方向区间中的每个方向区间来说,从除图像边缘像素以外的像素中,确定该细胞单元内梯度方向位于该方向区间内的每个像素,计算所确定像素的梯度幅值之和,得到该细胞单元在该方向区间内的梯度投影值,从而得到该细胞单元在每个方向区间内的梯度投影值,再根据该细胞单元在每个方向区间的梯度投影值得到该细胞单元的梯度直方图。采用上述方法可以得到每个细胞单元的梯度直方图,将该灰度图像中的多个细胞单元组成一个块,将每个块内所有细胞单元的梯度直方图串联起来,得到每个块对应的特征描述子,再将该灰度图像内所有块的特征描述子串联起来,即可得到该图像的HOG特征向量。
发明内容
为了解决相关技术中存在的问题,本公开提供了一种特征向量计算方法和装置。所述技术方案如下:
根据本公开实施例的第一方面,提供了一种特征向量计算方法,所述方法包括:
对待分析的图像进行二值化处理,得到灰度图像;
将所述灰度图像划分为多个细胞单元;
对于每个细胞单元,
根据所述细胞单元内每个像素的梯度方向,从除所述细胞单元内边缘像素以外的像素中,确定梯度方向位于指定方向区间的至少一个指定像素;
根据已确定的至少一个指定像素的数目和每个指定像素的梯度统计值,计算所述细胞单元在所述指定方向区间内的梯度投影值;
计算所述细胞单元在每个方向区间内的梯度投影值;
根据所述细胞单元在每个方向区间内的梯度投影值,计算所述细胞单元的梯度直方图;
根据每个细胞单元的梯度直方图,计算所述图像的方向梯度直方图HOG特征向量。
在另一实施例中,所述根据已确定的至少一个指定像素的数目和每个指定像素的梯度统计值,计算所述细胞单元在所述指定方向区间内的梯度投影值,包括:
获取所述至少一个指定像素中每个指定像素的梯度统计值;
根据所述至少一个指定像素的数目和每个指定像素的梯度统计值,计算所述至少一个指定像素的梯度统计值的平均值,作为所述细胞单元在所述指定方向区间内的梯度投影值。
在另一实施例中,所述指定像素的梯度统计值为所述指定像素的梯度幅值、梯度幅值的平方或梯度幅值的平方根。
在另一实施例中,所述指定方向区间为下述方向区间中的任一个方向区间:
(0,40]、(40,80]、(80,120]、(120,160]、(160,200]、(200,240]、(240,280]、(280,320]、(320,360]。
在另一实施例中,所述根据每个细胞单元的梯度直方图,计算所述图像的方向梯度直方图HOG特征向量,包括:
将所述灰度图像划分为多个像素块,每个像素块包括多个细胞单元;
根据每个像素块内所有细胞单元的梯度直方图,得到每个像素块的特征描述子;
根据每个像素块的特征描述子,计算所述图像的HOG特征向量。
根据本公开实施例的第二方面,提供了一种特征向量计算装置,所述装置包括:
二值化模块,用于对待分析的图像进行二值化处理,得到灰度图像;
图像划分模块,用于将所述灰度图像划分为多个细胞单元;
确定像素模块,用于对于每个细胞单元,根据所述细胞单元内每个像素的梯度方向,从除所述细胞单元内边缘像素以外的像素中,确定梯度方向位于指定方向区间的至少一个指定像素;
计算模块,用于根据已确定的至少一个指定像素的数目和每个指定像素的梯度统计值,计算所述细胞单元在所述指定方向区间内的梯度投影值;
所述计算模块,还用于计算所述细胞单元在每个方向区间内的梯度投影值;
所述计算模块,还用于根据所述细胞单元在每个方向区间内的梯度投影值,计算所述细胞单元的梯度直方图;根据每个细胞单元的梯度直方图,计算所述图像的方向梯度直方图HOG特征向量。
所述计算模块还用于获取所述至少一个指定像素中每个指定像素的梯度统计值;根据所述至少一个指定像素的数目和每个指定像素的梯度统计值,计算所述至少一个指定像素的梯度统计值的平均值,作为所述细胞单元在所述指定方向区间内的梯度投影值。
在另一实施例中,所述指定像素的梯度统计值为所述指定像素的梯度幅值、梯度幅值的平方或梯度幅值的平方根。
在另一实施例中,所述指定方向区间为下述方向区间中的任一个方向区间:
(0,40]、(40,80]、(80,120]、(120,160]、(160,200]、(200,240]、(240,280]、(280,320]、(320,360]。
在另一实施例中,所述计算模块还用于将所述灰度图像划分为多个像素块,每个像素块包括多个细胞单元;根据每个像素块内所有细胞单元的梯度直方图,得到每个像素块的特征描述子;根据每个像素块的特征描述子,计算所述图像的HOG特征向量。
根据本公开实施例的第三方面,提供了一种特征向量计算装置,所述装置包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
对待分析的图像进行二值化处理,得到灰度图像;
将所述灰度图像划分为多个细胞单元;
对于每个细胞单元,
根据所述细胞单元内每个像素的梯度方向,从除所述细胞单元内边缘像素以外的像素中,确定梯度方向位于指定方向区间的至少一个指定像素;
根据已确定的至少一个指定像素的数目和每个指定像素的梯度统计值,计算所述细胞单元在所述指定方向区间内的梯度投影值;
计算所述细胞单元在每个方向区间内的梯度投影值;
根据所述细胞单元在每个方向区间内的梯度投影值,计算所述细胞单元的梯度直方图;
根据每个细胞单元的梯度直方图,计算所述图像的方向梯度直方图HOG特征向量。
本公开的实施例提供的技术方案可以包括以下有益效果:
本实施例提供的方法和装置,通过在计算图像的特征向量时,根据该细胞单元内每个像素的梯度方向,从除该细胞单元内边缘像素以外的像素中,确定梯度方向位于指定方向区间的至少一个指定像素,根据已确定的至少一个指定像素的数目和每个指定像素的梯度统计值,计算该细胞单元在该指定方向区间内的梯度投影值,从而计算出图像的HOG特征向量。通过根据指定像素的数目进行计算,使得计算出的HOG特征向量更加准确,提高了HOG特征向量的准确率,提升了特征提取算法的性能。将计算出的HOG特征向量应用于图像识别时,能够提高图像识别的准确率。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性的,并不能限制本公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本公开的实施例,并与说明书一起用于解释本公开的原理。
图1是根据一示例性实施例示出的一种特征向量计算方法的流程图;
图2是根据一示例性实施例示出的一种特征向量计算方法的流程图;
图3是根据一示例性实施例示出的方向区间示意图;
图4是根据一示例性实施例示出的细胞单元的像素示意图;
图5是根据一示例性实施例示出的一种特征向量计算装置的框图;
图6是根据一示例性实施例示出的一种用于特征向量计算装置的框图。
具体实施方式
为使本公开的目的、技术方案和优点更加清楚明白,下面结合实施方式和附图,对本公开做进一步详细说明。在此,本公开的示意性实施方式及其说明用于解释本公开,但并不作为对本公开的限定。
本公开实施例提供一种特征向量计算方法和装置,以下结合附图对本公开进行详细说明。
图1是根据一示例性实施例示出的一种特征向量计算方法的流程图,如图1所示,该特征向量计算方法用于图像处理装置中,包括以下步骤:
在步骤101中,对待分析的图像进行二值化处理,得到灰度图像。
在步骤102中,将该灰度图像划分为多个细胞单元。
在步骤103中,对于每个细胞单元,根据该细胞单元内每个像素的梯度方向,从除该细胞单元内边缘像素以外的像素中,确定梯度方向位于指定方向区间的至少一个指定像素。
在步骤104中,根据已确定的至少一个指定像素的数目和每个指定像素的梯度统计值,计算该细胞单元在该指定方向区间内的梯度投影值。
在步骤105中,计算该细胞单元在每个方向区间内的梯度投影值。
在步骤106中,根据该细胞单元在每个方向区间内的梯度投影值,计算该细胞单元的梯度直方图。
在步骤107中,根据每个细胞单元的梯度直方图,计算该图像的HOG特征向量。
本实施例提供的方法,通过在计算图像的特征向量时,根据该细胞单元内每个像素的梯度方向,从除该细胞单元内边缘像素以外的像素中,确定梯度方向位于指定方向区间的至少一个指定像素,根据已确定的至少一个指定像素的数目和每个指定像素的梯度统计值,计算该细胞单元在该指定方向区间内的梯度投影值,从而计算出图像的HOG特征向量。通过根据指定像素的数目进行计算,使得计算出的HOG特征向量更加准确,提高了HOG特征向量的准确率,提升了特征提取算法的性能。将计算出的HOG特征向量应用于图像识别时,能够提高图像识别的准确率。
在另一实施例中,该根据已确定的至少一个指定像素的数目和每个指定像素的梯度统计值,计算该细胞单元在该指定方向区间内的梯度投影值,包括:
获取该至少一个指定像素中每个指定像素的梯度统计值;
根据该至少一个指定像素的数目和每个指定像素的梯度统计值,计算该至少一个指定像素的梯度统计值的平均值,作为该细胞单元在该指定方向区间内的梯度投影值。
在另一实施例中,该指定像素的梯度统计值为该指定像素的梯度幅值、梯度幅值的平方或梯度幅值的平方根。
在另一实施例中,该指定方向区间为下述方向区间中的任一个方向区间:
(0,40]、(40,80]、(80,120]、(120,160]、(160,200]、(200,240]、(240,280]、(280,320]、(320,360]。
在另一实施例中,该根据每个细胞单元的梯度直方图,计算该图像的方向梯度直方图HOG特征向量,包括:
将该灰度图像划分为多个像素块,每个像素块包括多个细胞单元;
根据每个像素块内所有细胞单元的梯度直方图,得到每个像素块的特征描述子;
根据每个像素块的特征描述子,计算该图像的HOG特征向量。
上述所有可选技术方案,可以采用任意结合形成本公开的可选实施例,在此不再一一赘述。
图2是根据一示例性实施例示出的一种特征向量计算方法的流程图,如图2所示,该特征向量计算方法用于图像处理装置中,包括以下步骤:
在步骤201中,图像处理装置对待分析的图像进行二值化处理,得到灰度图像,将该灰度图像划分为多个细胞单元。
其中,该图像处理装置具有处理图像的功能,可以为手机、计算机或者服务器等,本实施例对此不做限定。该图像处理装置可以进行拍摄,得到待分析的图像,也可以接收其他设备发送的待分析图像等,本实施例对此也不做限定。
该图像处理装置可以对待分析的图像进行二值化处理,得到灰度图像。例如,该图像处理装置预先设定预设阈值,将该图像中像素值大于该预设阈值的像素的像素值调整为1,将像素值小于该预设阈值的像素的像素值调整为0,得到该灰度图像,该灰度图像中包括像素值为1或0的像素。其中,该预设阈值可以通过对该图像中每个像素的像素值进行统计确定,可以为128或者其他数值,本实施例对此不做限定。
得到该灰度图像后,该图像处理装置可以对该灰度图像进行划分,将该灰度图像划分为多个细胞单元,每个细胞单元包括多个像素,且每个细胞单元的形状相同,且每个细胞单元内的像素数目相同。
细胞单元的形状可以为圆形、矩形或星形等。以细胞单元为矩形为例,细胞单元可以为3×3的像素区域,每个细胞单元中包括9个像素,或者,细胞单元可以为6×6的像素区域,每个细胞单元中包括36个像素。细胞单元的形状和像素数目可以根据对特征向量的准确度需求和该图像的像素数目确定,本实施例对此均不做限定。
在步骤202中,对于每个细胞单元,该图像处理装置根据该细胞单元内每个像素的梯度方向,从除该细胞单元内边缘像素以外的像素中,确定梯度方向位于指定方向区间的至少一个指定像素,并根据已确定的至少一个指定像素的数目和每个指定像素的梯度统计值,计算该细胞单元在该指定方向区间内的梯度投影值。
本实施例中,该图像处理装置计算每个像素的梯度,得到每个像素的梯度方向和梯度幅值,并对每个像素的梯度幅值进行统计,得到每个像素的梯度统计值,该梯度统计值用于计算该图像的HOG特征向量。其中,像素的梯度统计值可以为该像素的梯度幅值、梯度幅值的平方或者梯度幅值的平方根等,本实施例对此不做限定。
对于每个细胞单元,该图像处理装置根据该细胞单元内每个像素的梯度方向和梯度统计值,计算该细胞单元在每个方向区间内的梯度投影值,从而计算该细胞单元的梯度直方图。
而在实际应用时,该图像中包括边缘像素,如该图像第一行上的像素、最后一行上的像素、第一列上的像素和最后一列上的像素等等。由于边缘像素在该图像的外侧没有相邻像素,根据相邻像素的像素值计算梯度时,所计算出的边缘像素的梯度不准确。则为了提高特征向量的准确率,在计算该细胞单元在每个方向区间内的梯度投影值时,可以除去边缘像素,仅基于除边缘像素以外的像素进行计算。
该图像处理装置预先将360度的梯度方向平均划分为多个方向区间,其中,该指定方向区间是指该图像处理装置所划分得到的多个方向区间中的任一方向区间。该图像处理装置可以将360度的梯度方向平均划分为9个方向区间,每个方向区间的方向角度跨度为40度。参见图3,该图像处理装置划分得到的9个方向区间可以为:(0,40]、(40,80]、(80,120]、(120,160]、(160,200]、(200,240]、(240,280]、(280,320]、(320,360]。或者,该图像处理装置还可以采用其他方式划分多个方向区间,本实施例对此不做限定。
对于该指定方向区间来说,该图像处理装置根据该细胞单元内每个像素的梯度方向,从除边缘像素以外的像素中,确定梯度方向位于指定方向区间的至少一个指定像素,该至少一个指定像素的梯度统计值将用于计算该细胞单元在该指定方向区间内的梯度投影值。
本实施例中,为了提高特征向量的准确率,该图像处理装置不仅要根据每个指定像素的梯度统计值进行计算,还要根据已确定的至少一个指定像素的数目进行计算,即该图像处理装置根据该至少一个指定像素的数目和每个指定像素的梯度统计值,计算该细胞单元在该指定方向区间内的梯度投影值。
该图像处理装置获取每个指定像素的梯度统计值,计算该至少一个指定像素的梯度统计值的和值,并计算该和值与该指定像素的数目之商,得到该至少一个指定像素的梯度统计值的平均值,将该平均值作为该细胞单元在该指定区间内的梯度投影值。
在步骤203中,对于每个方向区间,该图像处理装置重复执行步骤202,计算出该细胞单元在每个方向区间内的梯度投影值。
在相关技术中,对于包含边缘像素的第一细胞单元,图像处理装置获取该第一细胞单元中除边缘像素以外的多个像素,将获取到的多个像素中,梯度方向位于方向区间内的像素的梯度统计值之和作为该第一细胞单元在该方向区间内的梯度投影值。而对于不包含边缘像素的第二细胞单元,图像处理装置将该第二细胞单元内,梯度方向位于方向区间内的每个像素的梯度统计值之和作为该第二细胞单元在该方向区间内的梯度投影值。
由于该第一细胞单元中除边缘像素以外的多个像素参与计算,而该第二细胞单元中所有像素均参与计算,使得第二细胞单元中参与计算的像素数目大于该第一细胞单元中参与计算的像素数目,导致最终计算出的HOG特征向量不准确。参见图4,以每个细胞单元为3×3的像素区域为例,细胞单元内包括1-9这九个像素。如果这九个像素都没有位于图像边缘,则九个像素均要参与计算。而如果像素1位于图像的左上角,则像素1、2、3、4、6为边缘像素,不能参与计算,参与计算的像素仅有5、6、8、9四个像素。
而在本实施例中,无论细胞单元中是否包含边缘像素,该图像处理装置计算梯度方向位于方向区间内的每个像素的梯度统计值的平均值,保证了最终计算出的HOG特征向量的准确性。
在步骤204中,该图像处理装置根据该细胞单元在每个方向区间内的梯度投影值,计算该细胞单元的梯度直方图。
该图像处理装置获取该细胞单元在每个方向区间内的梯度投影值,根据获取到的多个梯度投影值,计算该细胞单元的梯度直方图,该梯度直方图中包括该细胞单元在每个方向区间内的梯度投影值。
在步骤205,该图像处理装置计算每个细胞单元的梯度直方图,根据每个细胞单元的梯度直方图,计算该图像的HOG特征向量。
该图像处理装置对每个细胞单元执行上述步骤202-204,得到每个细胞单元的梯度直方图,再根据每个细胞单元的梯度直方图,计算该图像的HOG特征向量。
该图像处理装置可以将该灰度图像划分为多个像素块,每个像素块包括多个细胞单元,每个像素块的形状相同,且每个像素块内细胞单元的数目相同。像素块的形状可以为圆形、矩形或星形等,像素块的形状可以根据细胞单元的形状确定,像素块内细胞单元的数目可以根据细胞单元内像素的数目及该图像的像素数目确定,本实施例对此均不做限定。
该图像处理装置根据每个像素块内所有细胞单元的梯度直方图,得到每个像素块的特征描述子,根据每个像素块的特征描述子,计算该图像的HOG特征向量。例如,该图像处理装置可以将每个像素块内所有细胞单元的梯度直方图串联起来,得到每个像素块对应的特征描述子,再将该灰度图像内所有像素块的特征描述子串联起来,即可得到该图像的HOG特征向量。
通过实验可知,采用本实施例提供的方法提取图像的HOG特征向量时,HOG特征向量的准确率有了显著地提高,将本实施例计算的HOG特征向量应用于图像识别时,图像识别的准确率从90%提高到了94%。
本实施例提供的方法,通过在计算图像的特征向量时,根据该细胞单元内每个像素的梯度方向,从除该细胞单元内边缘像素以外的像素中,确定梯度方向位于指定方向区间的至少一个指定像素,根据已确定的至少一个指定像素的数目和每个指定像素的梯度统计值,计算该细胞单元在该指定方向区间内的梯度投影值,从而计算出图像的HOG特征向量。通过根据指定像素的数目进行计算,使得计算出的HOG特征向量更加准确,提高了HOG特征向量的准确率,提升了特征提取算法的性能。将计算出的HOG特征向量应用于图像识别时,能够提高图像识别的准确率。
图5是根据一示例性实施例示出的一种特征向量计算装置的框图。参见图5,该装置包括二值化模块501,图像划分模块502,确定像素模块503和计算模块504。
二值化模块501,被配置为用于对待分析的图像进行二值化处理,得到灰度图像;
图像划分模块502,被配置为用于将该灰度图像划分为多个细胞单元;
确定像素模块503,被配置为用于对于每个细胞单元,根据该细胞单元内每个像素的梯度方向,从除该细胞单元内边缘像素以外的像素中,确定梯度方向位于指定方向区间的至少一个指定像素;
计算模块504,被配置为用于根据已确定的至少一个指定像素的数目和每个指定像素的梯度统计值,计算该细胞单元在该指定方向区间内的梯度投影值;
该计算模块504,还被配置为用于计算该细胞单元在每个方向区间内的梯度投影值;
该计算模块504,还被配置为用于根据该细胞单元在每个方向区间内的梯度投影值,计算该细胞单元的梯度直方图;根据每个细胞单元的梯度直方图,计算该图像的方向梯度直方图HOG特征向量。
本实施例提供的装置,通过在计算图像的特征向量时,根据该细胞单元内每个像素的梯度方向,从除该细胞单元内边缘像素以外的像素中,确定梯度方向位于指定方向区间的至少一个指定像素,根据已确定的至少一个指定像素的数目和每个指定像素的梯度统计值,计算该细胞单元在该指定方向区间内的梯度投影值,从而计算出图像的HOG特征向量。通过根据指定像素的数目进行计算,使得计算出的HOG特征向量更加准确,提高了HOG特征向量的准确率,提升了特征提取算法的性能。将计算出的HOG特征向量应用于图像识别时,能够提高图像识别的准确率。
在另一实施例中,该计算模块504还被配置为用于获取该至少一个指定像素中每个指定像素的梯度统计值;根据该至少一个指定像素的数目和每个指定像素的梯度统计值,计算该至少一个指定像素的梯度统计值的平均值,作为该细胞单元在该指定方向区间内的梯度投影值。
在另一实施例中,该指定像素的梯度统计值为该指定像素的梯度幅值、梯度幅值的平方或梯度幅值的平方根。
在另一实施例中,该指定方向区间为下述方向区间中的任一个方向区间:
(0,40]、(40,80]、(80,120]、(120,160]、(160,200]、(200,240]、(240,280]、(280,320]、(320,360]。
在另一实施例中,该计算模块504还被配置为用于将该灰度图像划分为多个像素块,每个像素块包括多个细胞单元;根据每个像素块内所有细胞单元的梯度直方图,得到每个像素块的特征描述子;根据每个像素块的特征描述子,计算该图像的HOG特征向量。
关于上述实施例中的装置,其中各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述,此处将不做详细阐述说明。
需要说明的是:上述实施例提供的特征向量计算装置在计算特征向量时,仅以上述各功能模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能模块完成,即将图像处理装置的内部结构划分成不同的功能模块,以完成以上描述的全部或者部分功能。另外,上述实施例提供的特征向量计算装置与特征向量计算方法实施例属于同一构思,其具体实现过程详见方法实施例,这里不再赘述。
图6是根据一示例性实施例示出的一种用于特征向量计算的装置600的框图。例如,装置600可以是移动电话,计算机,数字广播终端,消息收发设备,游戏控制台,平板设备,医疗设备,健身设备,个人数字助理等。
参照图6,装置600可以包括以下一个或多个组件:处理组件602,存储器604,电源组件606,多媒体组件608,音频组件610,输入/输出(I/O)的接口612,传感器组件614,以及通信组件616。
处理组件602通常控制装置600的整体操作,诸如与显示,电话呼叫,数据通信,相机操作和记录操作相关联的操作。处理组件602可以包括一个或多个处理器620来执行指令,以完成上述的方法的全部或部分步骤。此外,处理组件602可以包括一个或多个模块,便于处理组件602和其他组件之间的交互。例如,处理部件602可以包括多媒体模块,以方便多媒体组件608和处理组件602之间的交互。
存储器604被配置为存储各种类型的数据以支持在装置600的操作。这些数据的示例包括用于在装置600上操作的任何应用程序或方法的指令,联系人数据,电话簿数据,消息,图片,视频等。存储器604可以由任何类型的易失性或非易失性存储设备或者它们的组合实现,如静态随机存取存储器(SRAM),电可擦除可编程只读存储器(EEPROM),可擦除可编程只读存储器(EPROM),可编程只读存储器(PROM),只读存储器(ROM),磁存储器,快闪存储器,磁盘或光盘。
电源组件606为装置600的各种组件提供电力。电源组件606可以包括电源管理系统,一个或多个电源,及其他与为装置600生成、管理和分配电力相关联的组件。
多媒体组件608包括在所述装置600和用户之间的提供一个输出接口的屏幕。在一些实施例中,屏幕可以包括液晶显示器(LCD)和触摸面板(TP)。如果屏幕包括触摸面板,屏幕可以被实现为触摸屏,以接收来自用户的输入信号。触摸面板包括一个或多个触摸传感器以感测触摸、滑动和触摸面板上的手势。所述触摸传感器可以不仅感测触摸或滑动动作的边界,而且还检测与所述触摸或滑动操作相关的持续时间和压力。在一些实施例中,多媒体组件608包括一个前置摄像头和/或后置摄像头。当装置600处于操作模式,如拍摄模式或视频模式时,前置摄像头和/或后置摄像头可以接收外部的多媒体数据。每个前置摄像头和后置摄像头可以是一个固定的光学透镜系统或具有焦距和光学变焦能力。
音频组件610被配置为输出和/或输入音频信号。例如,音频组件610包括一个麦克风(MIC),当装置600处于操作模式,如呼叫模式、记录模式和语音识别模式时,麦克风被配置为接收外部音频信号。所接收的音频信号可以被进一步存储在存储器604或经由通信组件616发送。在一些实施例中,音频组件610还包括一个扬声器,用于输出音频信号。
I/O接口612为处理组件602和外围接口模块之间提供接口,上述外围接口模块可以是键盘,点击轮,按钮等。这些按钮可包括但不限于:主页按钮、音量按钮、启动按钮和锁定按钮。
传感器组件614包括一个或多个传感器,用于为装置600提供各个方面的状态评估。例如,传感器组件614可以检测到装置600的打开/关闭状态,组件的相对定位,例如所述组件为装置600的显示器和小键盘,传感器组件614还可以检测装置600或装置600一个组件的位置改变,用户与装置600接触的存在或不存在,装置600方位或加速/减速和装置600的温度变化。传感器组件614可以包括接近传感器,被配置用来在没有任何的物理接触时检测附近物体的存在。传感器组件614还可以包括光传感器,如CMOS或CCD图像传感器,用于在成像应用中使用。在一些实施例中,该传感器组件614还可以包括加速度传感器,陀螺仪传感器,磁传感器,压力传感器或温度传感器。
通信组件616被配置为便于装置600和其他设备之间有线或无线方式的通信。装置600可以接入基于通信标准的无线网络,如WiFi,2G或3G,或它们的组合。在一个示例性实施例中,通信组件616经由广播信道接收来自外部广播管理系统的广播信号或广播相关信息。在一个示例性实施例中,所述通信组件616还包括近场通信(NFC)模块,以促进短程通信。例如,在NFC模块可基于射频识别(RFID)技术,红外数据协会(IrDA)技术,超宽带(UWB)技术,蓝牙(BT)技术和其他技术来实现。
在示例性实施例中,装置600可以被一个或多个应用专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、控制器、微控制器、微处理器或其他电子元件实现,用于执行上述特征向量计算方法中图像处理装置执行的步骤。
在示例性实施例中,还提供了一种包括指令的非临时性计算机可读存储介质,例如包括指令的存储器604,上述指令可由装置600的处理器620执行以完成上述方法。例如,所述非临时性计算机可读存储介质可以是ROM、随机存取存储器(RAM)、CD-ROM、磁带、软盘和光数据存储设备等。
一种非临时性计算机可读存储介质,当所述存储介质中的指令由图像处理装置的处理器执行时,使得图像处理装置能够执行上述特征向量计算方法。
本领域技术人员在考虑说明书及实践这里公开的发明后,将容易想到本公开的其它实施方案。本申请旨在涵盖本公开的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本公开的一般性原理并包括本公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本公开的真正范围和精神由权利要求指出。
应当理解的是,本公开并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本公开的范围仅由所附的权利要求来限制。
Claims (9)
1.一种特征向量计算方法,其特征在于,所述方法包括:
对待分析的图像进行二值化处理,得到灰度图像;
将所述灰度图像划分为多个细胞单元;
对于每个细胞单元,
根据所述细胞单元内每个像素的梯度方向,从除所述细胞单元内边缘像素以外的像素中,确定梯度方向位于指定方向区间的至少一个指定像素;
获取所述至少一个指定像素中每个指定像素的梯度统计值;
根据所述至少一个指定像素的数目和每个指定像素的梯度统计值,计算所述至少一个指定像素的梯度统计值的平均值,作为所述细胞单元在所述指定方向区间内的梯度投影值;
计算所述细胞单元在每个方向区间内的梯度投影值;
根据所述细胞单元在每个方向区间内的梯度投影值,计算所述细胞单元的梯度直方图;
根据每个细胞单元的梯度直方图,计算所述图像的方向梯度直方图HOG特征向量。
2.根据权利要求1所述的方法,其特征在于,所述指定像素的梯度统计值为所述指定像素的梯度幅值、梯度幅值的平方或梯度幅值的平方根。
3.根据权利要求1所述的方法,其特征在于,所述指定方向区间为下述方向区间中的任一个方向区间:(0,40]、(40,80]、(80,120]、(120,160]、(160,200]、(200,240]、(240,280]、(280,320]、(320,360]。
4.根据权利要求1所述的方法,其特征在于,所述根据每个细胞单元的梯度直方图,计算所述图像的方向梯度直方图HOG特征向量,包括:
将所述灰度图像划分为多个像素块,每个像素块包括多个细胞单元;
根据每个像素块内所有细胞单元的梯度直方图,得到每个像素块的特征描述子;
根据每个像素块的特征描述子,计算所述图像的HOG特征向量。
5.一种特征向量计算装置,其特征在于,所述装置包括:
二值化模块,用于对待分析的图像进行二值化处理,得到灰度图像;
图像划分模块,用于将所述灰度图像划分为多个细胞单元;
确定像素模块,用于对于每个细胞单元,根据所述细胞单元内每个像素的梯度方向,从除所述细胞单元内边缘像素以外的像素中,确定梯度方向位于指定方向区间的至少一个指定像素;
计算模块,用于获取所述至少一个指定像素中每个指定像素的梯度统计值;根据所述至少一个指定像素的数目和每个指定像素的梯度统计值,计算所述至少一个指定像素的梯度统计值的平均值,作为所述细胞单元在所述指定方向区间内的梯度投影值;
所述计算模块,还用于计算所述细胞单元在每个方向区间内的梯度投影值;
所述计算模块,还用于根据所述细胞单元在每个方向区间内的梯度投影值,计算所述细胞单元的梯度直方图;根据每个细胞单元的梯度直方图,计算所述图像的方向梯度直方图HOG特征向量。
6.根据权利要求5所述的装置,其特征在于,所述指定像素的梯度统计值为所述指定像素的梯度幅值、梯度幅值的平方或梯度幅值的平方根。
7.根据权利要求5所述的装置,其特征在于,所述指定方向区间为下述方向区间中的任一个方向区间:
(0,40]、(40,80]、(80,120]、(120,160]、(160,200]、(200,240]、(240,280]、(280,320]、(320,360]。
8.根据权利要求5所述的装置,其特征在于,所述计算模块还用于将所述灰度图像划分为多个像素块,每个像素块包括多个细胞单元;根据每个像素块内所有细胞单元的梯度直方图,得到每个像素块的特征描述子;根据每个像素块的特征描述子,计算所述图像的HOG特征向量。
9.一种特征向量计算装置,其特征在于,包括:
处理器;
用于存储处理器可执行指令的存储器;
其中,所述处理器被配置为:
对待分析的图像进行二值化处理,得到灰度图像;
将所述灰度图像划分为多个细胞单元;
对于每个细胞单元,
根据所述细胞单元内每个像素的梯度方向,从除所述细胞单元内边缘像素以外的像素中,确定梯度方向位于指定方向区间的至少一个指定像素;
获取所述至少一个指定像素中每个指定像素的梯度统计值;
根据所述至少一个指定像素的数目和每个指定像素的梯度统计值,计算所述至少一个指定像素的梯度统计值的平均值,作为所述细胞单元在所述指定方向区间内的梯度投影值;
计算所述细胞单元在每个方向区间内的梯度投影值;
根据所述细胞单元在每个方向区间内的梯度投影值,计算所述细胞单元的梯度直方图;
根据每个细胞单元的梯度直方图,计算所述图像的方向梯度直方图HOG特征向量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510205489.0A CN104850852B (zh) | 2015-04-27 | 2015-04-27 | 特征向量计算方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510205489.0A CN104850852B (zh) | 2015-04-27 | 2015-04-27 | 特征向量计算方法和装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104850852A CN104850852A (zh) | 2015-08-19 |
CN104850852B true CN104850852B (zh) | 2018-06-12 |
Family
ID=53850487
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510205489.0A Active CN104850852B (zh) | 2015-04-27 | 2015-04-27 | 特征向量计算方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104850852B (zh) |
Families Citing this family (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP3058510B1 (en) * | 2014-11-28 | 2017-12-20 | FotoNation Limited | A method for producing a histogram of oriented gradients |
CN105654092B (zh) * | 2015-11-25 | 2019-08-30 | 小米科技有限责任公司 | 特征提取方法及装置 |
CN105654094B (zh) * | 2015-11-25 | 2019-11-29 | 小米科技有限责任公司 | 特征提取方法及装置 |
CN106295519A (zh) * | 2016-07-25 | 2017-01-04 | 中国人民解放军军事医学科学院卫生装备研究所 | 一种针对灾害现场人体搜寻的图像特征 |
CN106934403B (zh) * | 2017-03-09 | 2019-09-06 | 湖南第一师范学院 | 一种低维方向梯度直方图特征的提取方法 |
CN107240149A (zh) * | 2017-06-14 | 2017-10-10 | 广东工业大学 | 基于图像处理的物体三维模型构建方法 |
CN108898121B (zh) * | 2018-07-04 | 2021-12-07 | 海视英科光电(苏州)有限公司 | 一种图像特征的提取方法及系统 |
CN110907132B (zh) * | 2019-12-13 | 2022-06-07 | 中国人民解放军军事科学院国防科技创新研究院 | 一种波向探测方法、系统、设备、介质 |
CN113839930A (zh) * | 2021-09-06 | 2021-12-24 | 哈尔滨工业大学 | 一种基于图像处理的网络入侵检测方法和系统 |
CN113920329A (zh) * | 2021-11-08 | 2022-01-11 | 北京九州安华信息安全技术有限公司 | 一种基于梯度直方图的特征提取方法和装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102096827A (zh) * | 2011-01-18 | 2011-06-15 | 东华大学 | 一种基于尺度不变和向量机分类的异形纤维自动识别方法 |
CN102034106B (zh) * | 2010-12-20 | 2012-08-08 | 浙江工业大学 | 一种基于图像处理的火焰轮廓提取方法 |
CN103729654A (zh) * | 2014-01-22 | 2014-04-16 | 青岛新比特电子科技有限公司 | 基于改进sift算法的图像匹配检索系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4703605B2 (ja) * | 2007-05-31 | 2011-06-15 | アイシン・エィ・ダブリュ株式会社 | 地物抽出方法、並びにそれを用いた画像認識方法及び地物データベース作成方法 |
-
2015
- 2015-04-27 CN CN201510205489.0A patent/CN104850852B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102034106B (zh) * | 2010-12-20 | 2012-08-08 | 浙江工业大学 | 一种基于图像处理的火焰轮廓提取方法 |
CN102096827A (zh) * | 2011-01-18 | 2011-06-15 | 东华大学 | 一种基于尺度不变和向量机分类的异形纤维自动识别方法 |
CN103729654A (zh) * | 2014-01-22 | 2014-04-16 | 青岛新比特电子科技有限公司 | 基于改进sift算法的图像匹配检索系统 |
Non-Patent Citations (2)
Title |
---|
方向梯度直方图学习笔记二 HOG正篇;SayGoodbye;《http://blog.sina.com.cn/s/blog_60e6e3d50101bkpn.html》;20120926;正文及图1-4 * |
目标检测的图像特征提取之(一)HOG特征;zouxy09;《http://blog.csdn.net/zouxy09/article/details/7929348》;20120831;正文及图3 * |
Also Published As
Publication number | Publication date |
---|---|
CN104850852A (zh) | 2015-08-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104850852B (zh) | 特征向量计算方法和装置 | |
CN104156947B (zh) | 图像分割方法、装置及设备 | |
CN106339680B (zh) | 人脸关键点定位方法及装置 | |
EP3188094A1 (en) | Method and device for classification model training | |
CN105809704A (zh) | 识别图像清晰度的方法及装置 | |
CN106295515B (zh) | 确定图像中的人脸区域的方法及装置 | |
WO2017215224A1 (zh) | 指纹录入提示方法和装置 | |
CN108062547A (zh) | 文字检测方法及装置 | |
CN105426878B (zh) | 人脸聚类方法及装置 | |
CN104036240B (zh) | 人脸特征点的定位方法和装置 | |
CN104484871B (zh) | 边缘提取方法和装置 | |
CN109951476B (zh) | 基于时序的攻击预测方法、装置及存储介质 | |
CN106648063B (zh) | 手势识别方法及装置 | |
CN104484858B (zh) | 人物图像处理方法及装置 | |
CN106980840A (zh) | 脸型匹配方法、装置及存储介质 | |
CN106557755B (zh) | 指纹模板获取方法及装置 | |
CN106682736A (zh) | 图像识别方法及装置 | |
CN107464253A (zh) | 眉毛定位方法及装置 | |
CN107480665A (zh) | 文字检测方法、装置及计算机可读存储介质 | |
CN106384348B (zh) | 监控图像的异常检测方法及装置 | |
CN107392166A (zh) | 肤色检测方法、装置及计算机可读存储介质 | |
CN106503682A (zh) | 视频数据中的关键点定位方法及装置 | |
CN113409342A (zh) | 图像风格迁移模型的训练方法、装置及电子设备 | |
CN107403144A (zh) | 嘴巴定位方法及装置 | |
CN104899588B (zh) | 识别图像中的字符的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
EXSB | Decision made by sipo to initiate substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |