CN104978582A - 基于轮廓弦角特征的遮挡目标识别方法 - Google Patents

Abstract

本发明涉及一种基于轮廓弦角特征的遮挡目标识别方法，通过建立多个目标图像的局部特征的模板库；提取出目标边缘的轮廓特征；构造各轮廓点的弦角特征描述子；利用弦角特征描述子的自包含属性对存在遮挡的轮廓进行描述，获得轮廓段的弦角特征描述矩阵；采用L1度量方法计算目标图像轮廓点的弦角特征描述子与模板库中局部特征的轮廓点的弦角特征描述子之间的距离，获得匹配代价矩阵；利用积分图算法计算匹配代价矩阵的相似度，实现部分遮挡目标的识别。本发明可以对目标形状进行轮廓空间位置特征的提取，实现存在遮挡目标的识别，具有尺度不变性、旋转不变性和平移不变性，提高了目标识别和形状检索的准确率和鲁棒性。

Description

基于轮廓弦角特征的遮挡目标识别方法

技术领域

本发明涉及图像识别和形状检索技术领域，尤其涉及一种基于轮廓弦角特征的遮挡目标识别方法。

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，如图像及视频匹配、目标识别、机器人导航、深度学习、场景分类以及图像分割等多个领域中。

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，基于轮廓的方法的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、有效的特点，在机器人视觉得到了广泛的应用。目前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，Contour Flexibility，但是计算复杂度高并会产生冗余的信息。上述的形状匹配算法均是针对整个形状或称闭合轮廓的形状匹配，当轮廓出现遮挡或者部分丢失，仅能获得形状的部分轮 廓时，上述的闭合轮廓的形状匹配算法均无法较好地解决该问题。

发明内容

为解决上述技术问题，本发明的目的是提供一种基于轮廓弦角特征的遮挡目标识别方法，以在无法获得完整轮廓的情况下实现形状匹配和目标识别。

本发明的基于轮廓弦角特征的遮挡目标识别方法，包括步骤：

S1、建立多个目标图像的局部特征的模板库；

S2、提取出目标图像的边缘，采用轮廓提取算法提取出目标图像边缘的轮廓点；

S3、构造各轮廓点的弦角特征，作为弦角特征描述子；

S4、利用弦角特征描述子的自包含属性对存在遮挡的轮廓进行描述，获得轮廓段的弦角特征描述矩阵；

S5、采用L1度量方法计算目标图像轮廓点的弦角特征描述子与模板库中局部特征的轮廓点的弦角特征描述子之间的距离，获得匹配代价矩阵；

S6、利用积分图算法计算匹配代价矩阵的相似度。

进一步的，所述步骤S2具体包括：

S21、采用Canny微分算子提取出目标图像的边缘；

S22、采用轮廓提取算法在边缘上均匀地等间隔采样，获得一组有序点集。

进一步的，所述步骤S3具体包括：

S31、在目标图像的轮廓点上，利用弦向量和弦向量之间的夹角(Δ为索引位移参数)构成角度向量集{θ_ij},j＝1,...,n来描述p_i点的弦角特征；

S32、采用反余弦公式计算各弦向量之间的夹角；

S33、将计算得到的点集{θ_ij},j＝1,...,n转化到对数空间中，作为该目标轮廓 点的最终弦角特征描述子。

进一步的，所述步骤S4中利用弦角特征描述子对轮廓段所有采样点按顺序进行描述，获得弦角特征描述矩阵。

进一步的，所述步骤S5中将目标图像轮廓的弦角特征描述矩阵中的每一行与模板库中轮廓的弦角特征描述矩阵中的每一行采用L1范数度量距离，得到匹配代价矩阵。

进一步的，所述步骤S6具体包括：

S61、首先计算两个轮廓以不同点作为起点的差值矩阵集合{I^t,t＝1,...,n}；；

S62、采用递归的方式计算差值矩阵I^t的积分图矩阵集合{SAT^t,t＝1,...,n}；

S63、将n个SAT矩阵的对角线元素取出并存储，获得相似度矩阵SIM；

S64、在相似度矩阵SIM中寻找行索引为m的矩阵元素序列中的最大元素，该最大元素对应的行索引即为匹配轮廓的起点，接着从该点沿采样方向遍历m-1个点组成的轮廓段即为目标图像匹配的轮廓段。

借由上述方案，与现有技术相比，本发明的基于轮廓弦角特征的遮挡目标识别方法，综合分析了遮挡轮廓和完整轮廓的关系，利用弦角特征可以对遮挡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。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附图详细说明如后。

附图说明

图1是本发明基于轮廓弦角特征的遮挡目标识别方法的具体流程图；

图2a～2b为本发明一具体实施方式中的轮廓点的弦角特征特征的构造原理 图,图2a、2b分别为两种情况下的构造方式；

图3a～3d为本发明一具体实施方式中CAR描述矩阵的自包含属性说明，图3a、3b、3c、3d分别为未遮挡轮廓、遮挡后轮廓、未遮挡轮廓的CAR灰度图、遮挡后的CAR灰度图；

图4为本发明一具体实施方式中大象目标部分轮廓的匹配结果；

图5为本发明一具体实施方式中识别目标的测试图集。

具体实施方式

下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施例用于说明本发明，但不用来限制本发明的范围。

参图1所示，本发明基于轮廓弦角特征的遮挡目标识别方法具体包括：

S1、建立多个目标图像的局部特征的模板库；

S2、提取出目标图像的边缘，采用轮廓提取算法提取出目标图像边缘的轮廓点；

S3、构造各轮廓点的弦角特征，作为弦角特征描述子；

S4、利用弦角特征描述子的自包含属性对存在遮挡的轮廓进行描述，获得轮廓段的弦角特征描述矩阵；

S5、采用L1度量方法计算目标图像轮廓点的弦角特征描述子与模板库中局部特征的轮廓点的弦角特征描述子之间的距离，获得匹配代价矩阵；

S6、利用积分图算法计算匹配代价矩阵的相似度，实现部分遮挡目标的识别。

其中，步骤S2具体包括：

S21、采用Canny微分算子提取出图像的边缘；

S22、采用轮廓提取算法在边缘上均匀地等间隔采样，获得一组有序点集，该点集即为目标的轮廓特征。

本发明中完整轮廓采样点数目取100，轮廓段采样点数目与其长度成正比。

进一步地，步骤S3具体包括：

S31、在目标轮廓上，利用弦向量和弦向量之间的夹角(Δ为索引位移参数)构成角度向量集{θ_ij},j＝1,...,n来描述p_i点的特征；

S32、采用反余弦公式计算任一种情况的弦向量之间的夹角，如 

S33、将计算得到的点集{θ_ij},j＝1,...,n转化到对数空间中，作为该目标轮廓点的最终弦角特征描述子。

为了保证点p_j±Δ总是位于点p_i和p_j点之间，应限制第i个点和第j个点之间的距离，两种角度构造原理图如图2所示，给出这样的θ_ij计算公式：

转化到对数空间为：θ'_ij＝log(1+θ_ij)。

图2a和图2b分别为两种情况下的弦角描述子构造原理图，p_i点为研究的目标轮廓点，p_j点为轮廓段上从小到大排序的点序列，即该点取遍轮廓上所有点，而第三个点p_j±Δ的位置由p_j点确定。这样构造一个弦角集合来描述点p_i的特征。

进一步地，步骤S4中利用弦角特征描述子对轮廓段所有采样点按顺序(顺时针或逆时针)进行描述，获得弦角特征描述矩阵A。

对轮廓上每个采样点进行弦角特征描述子构造，则可得到整个轮廓的n×n 维描述符矩阵A：

矩阵灰度图形式如图3c、图3d所示，两幅灰度图揭示了该弦角特征描述矩阵具有自包含属性：若图3a包含图3b，则图3c包含图3d。图3a为大象目标完整轮廓，图3b为被遮挡后大象目标的部分轮廓，图3c为图3a的弦角特征描述灰度图，图3d为图3b的弦角特征描述灰度图。从图3c和图3d中对比可以发现弦角特征描述矩阵具有包含属性，这也是该发明能够用于遮挡目标识别的基础。

进一步地，步骤S5中将目标图像轮廓的弦角特征描述矩阵中的每一行与模板库中轮廓的弦角特征描述矩阵中的每一行采用L1范数度量距离，得到匹配代价矩阵M。

设轮廓段序列为F＝{p₁,p₂,...,p_m}，模板库中形状轮廓的采样点序列为Q＝{q₁,q₂,...,q_n}，对可视部分的匹配即要在模板库轮廓Q中找到与轮廓段F的部分连续序列F(a,l)＝{p_a,...,p_a+l-1}最相似的部分连续序列Q(b,l)＝{q_b,...,q_b+l-1}，其中a和b分别为F和Q的起点，l为部分连续序列的长度。利用L1距离定义相似度sim为：

$sim\left(F\right(a,l),Q(b,l\left)\right)=1-\frac{1}{l^2}\underset{i=0}{\overset{l-1}{\Σ}}\underset{j=0}{\overset{l-1}{\Σ}}|A^F(a+i,a+j)-A^Q(b+i,b+j)|.$

上述步骤S6具体包括：

S61、首先计算两个轮廓以不同点作为起点的差值矩阵集合{I^t,t＝1,...,n}；

S62、接着采用递归的方式计算差值矩阵I^t的积分图矩阵集合{SAT^t,t＝1,...,n}；

S63、最后将n个SAT矩阵的对角线元素取出并存储，从而获得相似度矩阵SIM；

S64、在相似度矩阵SIM中寻找行索引为m的矩阵元素序列中的最大元素过程，该最大元素对应的行索引即为匹配轮廓的起点，接着从该点沿采样方向遍历m-1个点组成的轮廓段即为匹配的轮廓段，达到目标识别和形状检索的目的。

其中步骤S6中具体变量的计算公式如下：

I^t＝A^P-A^Q(t:t+n-1,t:t+n-1)

SAT^t(x,y)＝SAT^t(x-1,y)+SAT^t(x,y-1)-SAT^t(x-1,y-1)+I^t(x,y) 

基于上述方法，如图4所示，可以发现本发明能够识别出遮挡目标。

在考虑执行效率和保证算法的通用性后，本发明采用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，部分图像如图5所示。

通过对MPEG7_CE-Shape-1_Part_B数据库进行分析，以11个目标的轮廓段作为索引在1400个图像中进行检索识别，识别结果如表1所示。

表1

综上所述，本发明的遮挡识别结果如下：

由以上技术方案可以看出，本发明的基于轮廓弦角特征的遮挡目标识别方法能有效提取目标形状的全局特征和局部特征，实现了遮挡目标的特征描述，并通过积分图匹配大大提高了算法运行效率，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。

以上所述仅是本发明的优选实施方式，并不用于限制本发明，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变型，这些改进和变型也应视为本发明的保护范围。

Claims (6)

1.一种基于轮廓弦角特征的遮挡目标识别方法，其特征在于，所述方法包括步骤：

S1、建立多个目标图像的局部特征的模板库；

S2、提取出目标图像的边缘，采用轮廓提取算法提取出目标图像边缘的轮廓点；

S3、构造各轮廓点的弦角特征，作为弦角特征描述子；

S4、利用弦角特征描述子的自包含属性对存在遮挡的轮廓进行描述，获得轮廓段的弦角特征描述矩阵；

S5、采用L1度量方法计算目标图像轮廓点的弦角特征描述子与模板库中局部特征的轮廓点的弦角特征描述子之间的距离，获得匹配代价矩阵；

S6、利用积分图算法计算匹配代价矩阵的相似度。

2.根据权利要求1所述的基于轮廓弦角特征的遮挡目标识别方法，其特征在于，所述步骤S2具体包括：

S21、采用Canny微分算子提取出目标图像的边缘；

S22、采用轮廓提取算法在边缘上均匀地等间隔采样，获得一组有序点集。

3.根据权利要求2所述的基于轮廓弦角特征的遮挡目标识别方法，其特征在于，所述步骤S3具体包括：

S31、在目标图像的轮廓点上，利用弦向量和弦向量之间的夹角(Δ为索引位移参数)构成角度向量集{θ_ij},j＝1,...,n来描述p_i点的弦角特征；

S32、采用反余弦公式计算各弦向量之间的夹角；

S33、将计算得到的点集{θ_ij},j＝1,...,n转化到对数空间中，作为该目标轮廓点的最终弦角特征描述子。

4.根据权利要求3所述的基于轮廓弦角特征的遮挡目标识别方法，其特征 在于，所述步骤S4中利用弦角特征描述子对轮廓段所有采样点按顺序进行描述，获得弦角特征描述矩阵。

5.根据权利要求4所述的基于轮廓弦角特征的遮挡目标识别方法，其特征在于，所述步骤S5中将目标图像轮廓的弦角特征描述矩阵中的每一行与模板库中轮廓的弦角特征描述矩阵中的每一行采用L1范数度量距离，得到匹配代价矩阵。

6.根据权利要求5所述的基于轮廓弦角特征的遮挡目标识别方法，其特征在于，所述步骤S6具体包括：

S61、首先计算两个轮廓以不同点作为起点的差值矩阵集合{I^t,t＝1,...,n}；

S62、采用递归的方式计算差值矩阵I^t的积分图矩阵集合{SAT^t,t＝1,...,n}；

S63、将n个SAT矩阵的对角线元素取出并存储，获得相似度矩阵SIM；

S64、在相似度矩阵SIM中寻找行索引为m的矩阵元素序列中的最大元素，该最大元素对应的行索引即为匹配轮廓的起点，接着从该点沿采样方向遍历m-1个点组成的轮廓段即为目标图像匹配的轮廓段。