CN104915669B - 一种基于Bipond特征的图像局部特征提取方法 - Google Patents

一种基于Bipond特征的图像局部特征提取方法 Download PDF

Info

Publication number
CN104915669B
CN104915669B CN201410088671.8A CN201410088671A CN104915669B CN 104915669 B CN104915669 B CN 104915669B CN 201410088671 A CN201410088671 A CN 201410088671A CN 104915669 B CN104915669 B CN 104915669B
Authority
CN
China
Prior art keywords
mrow
bipond
features
mtd
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
CN201410088671.8A
Other languages
English (en)
Other versions
CN104915669A (zh
Inventor
单志辉
刘宇
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.)
Nanjing inspector Intelligent Technology Co., Ltd
Original Assignee
Nanjing Inspectors Image Recognition Technology Co Ltd
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 Nanjing Inspectors Image Recognition Technology Co Ltd filed Critical Nanjing Inspectors Image Recognition Technology Co Ltd
Priority to CN201410088671.8A priority Critical patent/CN104915669B/zh
Publication of CN104915669A publication Critical patent/CN104915669A/zh
Application granted granted Critical
Publication of CN104915669B publication Critical patent/CN104915669B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Abstract

本发明公开了一种基于Bipond特征的图像局部特征提取方法，所述Bipond特征不是简单地统计某区域内像素点的LBP值构成的直方图，而是统计该区域内LBP值满足某个属性I的点的个数，该属性通过一个8位无符号数(有且仅有两位为1)指定。所述Bipond特征计算简单，易于实现，不需要归一化等运算，计算速度快于Hog特征，并且检测精度高于Hog，将基于该特征提取的图像局部特征与大众分类器相结合，可使得基于该Bipond特征的检测器在性能和速度上均达到实际应用要求。

Description

一种基于Bipond特征的图像局部特征提取方法
技术领域
本发明属于计算机视觉和图像处理领域，具体提出了一种基于Bipond特征的图像局部特征提取方法。
背景技术
如何对图像进行局部特征提取是计算机视觉和图像处理领域研究的一个基本问题，提取出来的局部特征是许多物体分类和检测方法的基础依据。图像局部特征描述符就是从图像的局部结构出发，用局部信息来构建出具有光照、几何变换不变性的描述符，简称特征，合适的特征和分类器相结合是图像分类和检测的标准架构，例如，Haar特征与级联的Adaboost分类器结合，使得人脸分类检测技术基本达到实用水平，Hog特征与SVM分类器的结合大大提升了行人分类检测的准确率，可以说图像分类和检测的结果极大依赖于一个优秀的图像局部特征描述符。
现在应用较多的特征包括Haar特征、Surf特征、Centrist特征和Hog特征等。Haar特征计算若干相邻块的灰度差，因而过于简单而不能达到检测精度，因此只适用于人脸检测这样简单的应用场合；Surf特征统计区域中多个点的灰度差，虽然它的辨别力好于Haar特征，但仍然偏差，不能满足检测要求；Centrist特征统计区域中的各个点的LBP值构成的直方图，其性能好于Surf特征；Hog特征度量区域中各个点的梯度方向构成的直方图，是以上几个特征中辨别力最好，所以近年来在学术领域获得了广泛的使用，但是Hog特征在计算时需要进行归一化等运算，这大大减缓了基于Hog特征的检测器的运行速度，难以达到实时性的要求。
由于基于Hog特征的检测器的运行速度难以达到实时性的要求，需要提出一种新的特征描述符，基于该特征描述符提取图像局部特征，将提取到的局部特征与大众分类器相结合，使得基于该新的特征的检测器在性能和速度上均达到实际应用要求。
发明内容
本发明的目的是提出一种基于Bipond特征的图像局部特征提取方法。
本发明要解决的技术问题是，提供一种基于Bipond特征的图像局部特征提取方法，所述Bipond特征辨别力上要高于Hog特征，并且计算速度快于Hog，能够达到实时性要求，将所述Bipond特征与AdaBoost、随机森林、SVM分类器结合训练出的图像检测器的运行速度比基于Hog特征的检测器的运行速度快。
为解决上述技术问题，本发明采取以下技术方案：提出一种基于Bipond特征的图像局部特征提取方法，其特征在于：
Bipond特征的属性包括：
(1)区域R，对应图像中的一块矩形区域；
(2)索引I，是一个8位无符号数，有且仅有两位为1，其余位为0，故索引共有28个值；
所述Bipond特征的计算步骤为：
(1)计算所述区域R中的点pj的LBP(Local binary pattern)值为sj；
(2)如果sj中由所述索引I指定的两位不相同，则认为这个点符合属性要求，公式如下：
其中表示位与运算；
(3)统计出所述区域内符合属性要求的点的个数，即为所述Bipond特征的特征值，公式如下：
结合不同的分类器，基于Bipond特征的图像局部特征提取方法包括：
(1)对于AdaBoost和随机森林分类器，训练随机生成一组Bipond特征，所述Bipond特征对应图像中不同的区域，有着不同的索引，然后按照某种规则选择一个最佳的Bipond特征，所述最佳的Bipond特征即为提取到的基于Bipond特征的图像局部特征；
(2)对于SVM分类器，将一个图像划分成网格，在每个网格中计算全部28个索引值对应的Bipond特征值，然后将这些特征连接成一个向量，最后将这个向量送至SVM分类器进行分类，所述向量即为提取到的基于Bipond特征的图像局部特征。
附图说明
图1——本发明中Bipond特征属性值的计算方法。
具体实施方式
下面进一步阐述本发明所述的一种基于Bipond特征的图像局部特征提取方法。
Bipond特征描述符不是简单地统计区域内各个点的LBP值落入LBP直方图中各个维度点的个数，而是统计满足某个属性的点的个数。具体地，Bipond特征包含以下成员：
(1)区域R，对应一个矩形区域；
(2)索引I，一个8位无符号数，其中有且仅有2位是1，由于索引I为8位无符号数，有且仅有2位为1，那么一共有28个索引。
Bipond特征的计算步骤具体为：
第一步，计算区域R中的点pj的LBP(Local binary pattern)值为sj；
第二步，如果sj中由索引I指定的两位不相同，则认为这个点符合属性要求，公式如下：
其中表示位与运算
该公式判断出索引I所指定的s中的两位，相同则为0，不同则输出为1，例如图1。
第三步，统计出区域R内符合属性要求的点的个数，记为该特征的特征值，公式如下：
本发明介绍的Bipond特征有如下两种使用方式：
第一种：对于AdaBoost和随机森林分类器，训练随机生成一组Bipond特征(它们一般对应图像中不同的区域，有着不同的索引)，然后按照某种规则选择一个最佳的Bipond特征，所述最佳的Bipond特征即为提取到的基于Bipond特征的图像局部特征。
第二种：对于SVM分类器，将一个图片划分为网格，在每个网格中计算全部28个索引对应的特征值，然后将这些特征值连接成一个向量，最后将这个向量送至SVM分类器进行分类，所述特征值连接成的向量即为提取到的基于Bipond特征的图像局部特征。在实际图片上进行检测时，由于没有归一化等操作，因而可以大大加快运行速度。
本发明所介绍的特征与Hog特征相比计算更加简单，易于实现，并且该特征不需要归一化等运算，所以计算速度快于Hog，并且大量实验数据表明Bipond特征检测精度更高，辨别力更强。

Claims (1)

1.一种基于Bipond特征的图像局部特征提取方法，其特征在于：
Bipond特征的属性包括：
(1)区域R，对应图像中的一块矩形区域；
(2)索引I，是一个8位无符号数，有且仅有两位为1，其余位为0，故索引共有28个值；
所述Bipond特征的计算步骤为：
(1)计算所述区域R中的点pj的LBP(Local binary pattern)值为sj；
(2)如果sj中由所述索引I指定的两位不相同，则认为这个点符合属性要求，公式如下：
<mrow> <mi>f</mi> <mrow> <mo>(</mo> <mi>s</mi> <mo>,</mo> <mi>I</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfenced open = "{" close = ""> <mtable> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>s</mi> <mo>&amp;CircleTimes;</mo> <mi>I</mi> <mo>=</mo> <mn>0</mn> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>0</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>s</mi> <mo>&amp;CircleTimes;</mo> <mi>I</mi> <mo>=</mo> <mi>I</mi> </mrow> </mtd> </mtr> <mtr> <mtd> <mrow> <mn>1</mn> <mo>,</mo> </mrow> </mtd> <mtd> <mrow> <mi>o</mi> <mi>t</mi> <mi>h</mi> <mi>e</mi> <mi>r</mi> <mi>s</mi> </mrow> </mtd> </mtr> </mtable> </mfenced> </mrow>
其中表示位与运算；
(3)统计出所述区域内符合属性要求的点的个数，即为所述Bipond特征的特征值，公式如下：
<mrow> <mi>F</mi> <mrow> <mo>(</mo> <mi>R</mi> <mo>,</mo> <mi>I</mi> <mo>)</mo> </mrow> <mo>=</mo> <munder> <mo>&amp;Sigma;</mo> <mrow> <msub> <mi>p</mi> <mi>j</mi> </msub> <mo>&amp;Element;</mo> <mi>R</mi> </mrow> </munder> <mi>f</mi> <mrow> <mo>(</mo> <msub> <mi>s</mi> <mi>j</mi> </msub> <mo>,</mo> <mi>I</mi> <mo>)</mo> </mrow> <mo>;</mo> </mrow>
结合不同的分类器，基于Bipond特征的图像局部特征提取方法包括：
(1)对于AdaBoost和随机森林分类器，训练随机生成一组Bipond特征，所述Bipond特征对应图像中不同的区域，有着不同的索引，然后按照某种规则选择一个最佳的Bipond特征，所述最佳的Bipond特征即为提取到的基于Bipond特征的图像局部特征；
(2)对于SVM分类器，将一个图像划分成网格，在每个网格中计算全部28个索引值对应的Bipond特征值，然后将这些特征连接成一个向量，最后将这个向量送至SVM分类器进行分类，所述向量即为提取到的基于Bipond特征的图像局部特征。
CN201410088671.8A 2014-03-12 2014-03-12 一种基于Bipond特征的图像局部特征提取方法 Active CN104915669B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410088671.8A CN104915669B (zh) 2014-03-12 2014-03-12 一种基于Bipond特征的图像局部特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410088671.8A CN104915669B (zh) 2014-03-12 2014-03-12 一种基于Bipond特征的图像局部特征提取方法

Publications (2)

Publication Number Publication Date
CN104915669A CN104915669A (zh) 2015-09-16
CN104915669B true CN104915669B (zh) 2017-12-15

Family

ID=54084719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410088671.8A Active CN104915669B (zh) 2014-03-12 2014-03-12 一种基于Bipond特征的图像局部特征提取方法

Country Status (1)

Country Link
CN (1) CN104915669B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102034212A (zh) * 2010-06-21 2011-04-27 艾浩军 一种基于视频分析的城市管理系统

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR940005247B1 (ko) * 1991-12-07 1994-06-15 삼성전자 주식회사 화상처리 시스템의 해상도 변환방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102034212A (zh) * 2010-06-21 2011-04-27 艾浩军 一种基于视频分析的城市管理系统

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
基于LBP的尺度不变特征的描述和匹配算法;朱英宏 等;《计算机辅助设计与图形学学报》;20111031;第23卷(第10期);1758-1763 *
基于局部投影与块LBP特征的图像检索;邹彬 等;《中国图象图形学报》;20120630;第17卷(第6期);671-677 *

Also Published As

Publication number Publication date
CN104915669A (zh) 2015-09-16

Similar Documents

Publication Publication Date Title
He et al. Multi-scale FCN with cascaded instance aware segmentation for arbitrary oriented word spotting in the wild
Yang et al. Towards real-time traffic sign detection and classification
Lee et al. Adaboost for text detection in natural scene
CN105740842B (zh) 基于快速密度聚类算法的无监督人脸识别方法
CN103514456B (zh) 基于压缩感知多核学习的图像分类方法及其装置
CN107833213B (zh) 一种基于伪真值自适应法的弱监督物体检测方法
CN106156777B (zh) 文本图片检测方法及装置
CN102722712A (zh) 基于连续度的多尺度高分辨图像目标检测方法
CN105528575B (zh) 基于上下文推理的天空检测方法
Hu et al. Exploring structural information and fusing multiple features for person re-identification
CN109325507B (zh) 结合超像素显著性特征与hog特征图像分类方法和系统
Lin et al. Image retrieval and classification using adaptive local binary patterns based on texture features
CN108345850A (zh) 基于超像素的笔画特征变换和深度学习的区域分类的场景文本检测方法
CN109344880B (zh) 基于多特征和复合核的sar图像分类方法
CN108154151B (zh) 一种快速多方向文本行检测方法
CN110751027B (zh) 一种基于深度多示例学习的行人重识别方法
CN103955952A (zh) 一种服装图像颜色特征的提取与描述方法
CN111401380A (zh) 一种基于深度特征增强和边缘优化的rgb-d图像语义分割方法
CN108664969A (zh) 基于条件随机场的路标识别方法
Lodh et al. Flower recognition system based on color and GIST features
CN106203448A (zh) 一种基于非线性尺度空间的场景分类方法
CN103714340A (zh) 基于图像分块的自适应特征提取方法
CN111368865B (zh) 遥感影像储油罐检测方法、装置、可读存储介质及设备
CN104504715A (zh) 基于局部四元数矩特征的图像分割方法
CN104376312A (zh) 基于词袋压缩感知特征提取的人脸识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
ASS Succession or assignment of patent right

Owner name: NANJING GUANCHAZHE INFORMATION TECHNOLOGY CO., LTD

Free format text: FORMER OWNER: NANJING YIJIZHI INFORMATION TECHNOLOGY CO., LTD.

Effective date: 20150909

C41 Transfer of patent application or patent right or utility model
TA01 Transfer of patent application right

Effective date of registration: 20150909

Address after: North building, Guanghua Road, Baixia District Nanjing city Jiangsu province 210014 network No. 1 Baixia high-tech park Stenden Building 5 layer

Applicant after: NANJING SHICHAZHE INFORMATION TECHNOLOGY CO., LTD.

Address before: Guanghua Road Qinhuai District of Nanjing City, Jiangsu province 210014 (No. 1 Baixia High-tech Park) stenden networking tower 8

Applicant before: Nanjing Yijizhi Information Technology Co., Ltd.

C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
DD01 Delivery of document by public notice

Addressee: NANJING SHICHAZHE INFORMATION TECHNOLOGY CO., LTD.

Document name: Notification of Publication and of Entering the Substantive Examination Stage of the Application for Invention

CB02 Change of applicant information
CB02 Change of applicant information

Address after: Everwise road in Qinhuai District of Nanjing City, Jiangsu province 210014 No. 6 Baixia high-tech park, building 4, building 209 B

Applicant after: Nanjing inspectors Image Recognition Technology Co., Ltd.

Address before: North building, Guanghua Road, Baixia District Nanjing city Jiangsu province 210014 network No. 1 Baixia high-tech park Stenden Building 5 layer

Applicant before: NANJING SHICHAZHE INFORMATION TECHNOLOGY CO., LTD.

GR01 Patent grant
GR01 Patent grant
CP01 Change in the name or title of a patent holder
CP01 Change in the name or title of a patent holder

Address after: Everwise road in Qinhuai District of Nanjing City, Jiangsu province 210014 No. 6 Baixia high-tech park, building 4, building 209 B

Patentee after: Nanjing inspector Intelligent Technology Co., Ltd

Address before: Everwise road in Qinhuai District of Nanjing City, Jiangsu province 210014 No. 6 Baixia high-tech park, building 4, building 209 B

Patentee before: NANJING SHICHAZHE IMAGE IDENTIFICATION TECHNOLOGY Co.,Ltd.