CN105139013B - 一种融合形状特征和兴趣点的物体识别方法 - Google Patents

一种融合形状特征和兴趣点的物体识别方法 Download PDF

Info

Publication number
CN105139013B
CN105139013B CN201510396171.5A CN201510396171A CN105139013B CN 105139013 B CN105139013 B CN 105139013B CN 201510396171 A CN201510396171 A CN 201510396171A CN 105139013 B CN105139013 B CN 105139013B
Authority
CN
China
Prior art keywords
feature
point
interest
similarity measure
points
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.)
Expired - Fee Related
Application number
CN201510396171.5A
Other languages
English (en)
Other versions
CN105139013A (zh
Inventor
张蕾
蔡广军
董永生
黄涛
普杰信
冯金旺
张洋
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.)
Henan University of Science and Technology
Original Assignee
Henan University of Science and Technology
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 Henan University of Science and Technology filed Critical Henan University of Science and Technology
Priority to CN201510396171.5A priority Critical patent/CN105139013B/zh
Publication of CN105139013A publication Critical patent/CN105139013A/zh
Application granted granted Critical
Publication of CN105139013B publication Critical patent/CN105139013B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

一种融合形状特征和兴趣点的物体识别方法，针对用单一的全局特征或者单一的局部特征识别物体的缺陷，采用改进的HU矩描述的形状表示全局特征，快速鲁棒特征描述的兴趣点表示局部特征。将二者融合起来共同描述物体的特征，采用相似性测度进行物体的分类识别。实验结果表明，该方法对物体的尺度变换、视角变换和多种不同的噪声变化具有较好的鲁棒性。并将该方法与同类方法进行比较，结果表明该方法具有更佳的识别性能。

Description

一种融合形状特征和兴趣点的物体识别方法
技术领域
本发明涉及物体识别，尤其涉及一种融合形状特征和兴趣点的物体识别方法。
背景技术
物体识别，是计算机能够对任何环境下观察到的任意物体进行分类和辨别。其被广泛地应用于医学图像，视频监控，虚拟现实，机器人，遥感，视觉导航和数字图书馆等方面。在计算机视觉领域中，物体识别主要包括物体特征的提取、表示以及决策、分类的过程。其中，所提取特征的优劣直接影响最终的物体识别率。目前对物体识别的研究中，有提取物体的全局特征的识别算法，也有提取物体的局部特征的识别算法。文献[1,2]使用不变矩提取物体的形状特征，从而完成物体识别。该方法对于物体的平移、旋转、缩放都具有较高的鲁棒性，但对于噪声物体的识别，其识别率较低。文献[3,4]采用SIFT算法提取物体的局部特征，算法稳定性较高，但计算较耗时,对识别速度有一定的影响。文献[5]融合HU矩和SIFT特征来表示商标，该方法的识别率高于二者单独使用的识别率，但由于SIFT特征的维数较高，识别速度不理想，更重要的是该方法没有考虑HU矩和SIFT特征对最终识别率的贡献度。
针对现有算法的优缺点，本文将形状特征和兴趣点融合起来描述物体，然后采用相似性测度来识别物体。其中，物体的形状特征采用改进的HU矩描述，兴趣点采用快速鲁棒特征进行描述。采用相似性测度识别物体时，考虑改进的HU矩和快速鲁棒特征对识别率的贡献度，引入权值因子。
参考文献：
[1]Esin Dogantekin,Mustafa Yilmaz，Akif Dogantekin,Engin Avci.A robusttechnique based on invariant moments–ANFIS for recognition of human parasiteeggs in microscopic images[J].Expert Systems with Applications,2008,35:728-738.
[2]Zhang Feng,Liu Shangqian,Wang Dabao,Guan Wei.Aircraft recognitionin infrared image using wavelet moment invariants[J].Image and VisionComputing,2009,27:313-318.
[3]Shengnan Sun,Shicai Yang,Lindu Zhao.Noncooperative bovine irisrecognition via SIFT[J]. Neurocomputing,2013,120:310-317.
[4]Georgios Kordelas,Petros Daras.Viewpoint independent objectrecognition in cluttered scenes exploiting ray-triangle intersection and SIFTalgorithms[J].Pattern Recognition,2010,43:3833- 3845.
[5]王振海,融合HU不变矩和SIFT特征的商标检索[J].计算机工程与应用,2012,48(1):187-191.
[6]M.K.Bhuyan,Karl F.MacDorman,Mithun Kumar Kar.Hand pose recognitionfrom monocular images by geometrical and texture analysis[J].Journal ofVisual Languages &Computing,2015,28(1):39-55.
[7]JieZhu,Jian Yu,Chaomurilige Wang.Object recognition via contextualcolor attention[J].Journal of Visual Communication and Image Representation,2015,27(2):44-56.
[8]Shah Atiqur Rahman,M.K.H.Leung,Siu-Yeung Cho.Human actionrecognition employing negative space features[J].Journal of VisualCommunication and Image Representation, 2013,24(3):217-231.
[9]Vicente Palazon-Gonzalez,Andres Marzal,Juan M.Vilar.On hiddenMarkov models and cyclic srings for shape recognition[J].Pattern Recognition,2014,47(7):2490-2504.
[10]Hu M K.Visual pattern recognition by moment invariant[J].IRETrans Information Theory, 1962,1(8):179-187.
[11]张蕾，刘勇，范庆辉.基于修正不变矩和范数的物体特征识别方法[J].微电子学与计算机，2008,25(6)：42-47.
[12]Leonardo Chang,Miriam M.Duarte,L.E.Sucar,Eduardo F.Morales.ABayesian approach for object classification based on clusters of SIFT localfeatures[J].Expert Systems with Applications, 2012,39(4):1679-1686.
[13]Shengnan Sun,Shicai Yang,Lindu Zhao.Noncooperative bovine irisrecognition via SIFT[J].Neurocomputing,2013,120(1):310-317.
[14]Zhenbing Zhao,Ning Liu.The recognition and localization ofinsulators adopting SURF and IFS based on correlation coefficient[J].International Journal for Light and Electron Optics,2014,125(20):6049-6052.
[15]Hunny Mehrotra,Pankaj K.Sa,Banshidhar Majhi.Fast segmentation andadaptive SURF descriptor for iris recognition[J].Mathematical and ComputerModelling,2013,58(1):132-146。
发明内容
为解决上述技术问题，一种融合形状特征和兴趣点的物体识别方法，将形状特征和兴趣点融合起来描述物体，然后采用相似性测度来识别物体。
为实现上述技术目的，本发明所采用的技术方案是：一种融合形状特征和兴趣点的物体识别方法，其特征在于：包括以下步骤，
步骤一、提取物体的形状不变矩特征，即mk＝|1g|αk||，k＝1，2，…7，其中αk为物体的七个HU矩；
步骤二、提取物体的兴趣点，即SURF根据尺度空间理论提取特征点，在各尺度下通过Hessian矩阵的行列式获得图像中的兴趣点，Hessian矩阵可定义为：
式中，表示任意一点，σ表示相应的尺度，Lxx、Lyy和Lxy是图像上的点与对应的高斯滤波二阶偏导的卷积结果；
通过改变盒子滤波的大小来构建不同尺度的金字塔，经盒子滤波后，Dxx，Dyy和Dxy分别近似代替Lxx、Lyy和Lxy；在尺度σ上，可通过式(4)近似计算Hessian矩阵行列式的值判断某一点是否为兴趣点，如果det(H)＞0,则该点为兴趣点；
det(H)＝DxxDyy-(0.9Dxy)2 (4)
在多尺度空间的立体邻域内，将兴趣点和其26个邻域值比较，若是为最小或最大的极值点，则该兴趣点是此区域的特征点；
步骤三、对步骤一中的HU矩进行相似性测度，得到HU矩的相似性测度SH；
步骤四、对步骤二中的兴趣点进行相似性测度，得到兴趣点的相似性测度SS；
步骤五、将步骤三和步骤四中的两种相似性测度进行融合，同时引入权值因子，表示如下：
p+q＝1 (11)
其中，p，q分别是SH和SS对应的权值，并且满足0≤p≤1，0≤q≤1，n是物体的兴趣点特征数，根据图像中特征点的数量确定相似性测度的关系，根据公式(10)计算出融合后的相似性测度S，然后根据实验情况设定一个阈值ST，如果S≥ST,则可以识别为同一个物体，相反如果S＜ST,则判断为不同的物体。
本发明所述的步骤三中HU矩进行相似性测度的方法是，设数据库中某一标准样本的改进HU矩特征向量为(α1，α2，α3，α4，α5，α6，α7），待识别物体的改进HU矩特征向量为(α′1，α′2，α′3，α′4，α′5，α′6，α′7），采用相似性测度函数完成改进HU矩的特征匹配；
为了方便相似性测度函数的计算，先对改进的HU矩进行归一化，其归一化函数如下：
则数据库中标准样本和待识别物体之间的相似性可用以下度量函数计算：
相似性测度函数SH表示改进HU矩的相似性测度，其值越逼近1，则相似度越高。
本发明所述的步骤四中兴趣点进行相似性测度的方法，设数据库中某一标准样本的 SURF特征点数为m，则该样本的SURF特征构成标准特征向量F＝{F1，F2，…，Fm}，待识别物体的SURF特征点数为n，则该物体的SURF特征构成待识别特征向量 G＝{G1，G2，…，Gn}，F和G中每个特征向量都是64维的，F和G中的每一个分量是由 v构成；
对步骤二中每个特征点，进行插值处理确定其位置和尺度，以特征点为圆心，6σ为半径的圆形邻域内，分别近似X和Y方向Harr小波的响应，以确定特征点的主方向，以特征点为中心，沿主方向把图像分为4×4个子区域，在每个子区域中计算Harr小波的响应dx和dy，生成4维特征向量如式(5)所示，因此4×4个子区域共可得到64个值，然后进行归一化处理，将该64维的特征向量作为SURF特征描述子
v＝(∑dx∑dy，∑|dx|，∑|dy|) (5)；
将F中每个特征向量与G中所有特征向量进行匹配，设匹配对数为t，则 0≤t≤min(m，n)，然后采用各个向量之间夹角的余弦值来分别计算每个匹配对的相似性测度
其中，和分别代表第k个匹配对的F中的第i个特征向量和G中的第j个特征向量；再计算待识别物体和标准样本中各匹配对的相似性测度的平均值，如式(9)，相似性测度函数SS表示兴趣点的相似性测度，其值越大，相似度越高，
本发明的有益效果是：该方法对物体的尺度变换、视角变化和噪声变化具有较好的鲁棒性。并将该方法与其它同类方法相比较，实验结果表明该算法具有更好的识别性能，识别时间短，识别率高。
附图说明
图1为标准图像；
图2是图1标准图像缩小0.8倍后的图像；
图3是图1标准图像放大1.1倍后的图像；
图4是图1标准图像旋转30度后的图像；
图5是图1标准图像添加高斯噪声后的图像。
具体实施方式
1.特征提取和表示
1.1物体的形状特征提取和表示
特征提取和表示是物体识别过程中非常重要和关键的一步。常用的物体特征有纹理特征 [6]、颜色特征[7]、空间关系特征[8]和形状特征[9]。其中形状特征是最直接、最重要的视觉特征。形状描述的是物体的全局特征。提取形状特征的方法很多，有傅里叶形状描述法、几何参数特征、形状不变矩特征。其中形状不变矩特征是目前物体识别中应用最广泛的一种。 HU定义的七个不变矩[10]常用于提取物体的形状特征，该矩在连续条件下具有比例、平移和旋转不变性,但在离散条件下比例不变性不成立。因此，本文采用改进的七个HU矩[11] 来表示物体的形状特征，其描述如下：
因为该改进的HU不变矩组变化范围较大,为方便比较和计算,我们采用取对数来压缩数据，同时考虑到该不变矩为负值的情况,故实际使用的不变矩为
mk＝|lg|αk|| k＝1，2，…7 (2)
1.2物体的兴趣点的提取和表示
兴趣点是图像中的“稳定点”，这些点比较特殊，不会因为光照的变化、视角的改变、噪音的干扰而消失，例如边缘点、角点、亮区域的暗点以及暗区域的亮点。其描述的是物体的局部特征，表示方法有多种，常用的有尺度不变特征表示法[12,13]和快速鲁棒特征表示法 [14,15]。尺度不变特征表示法(SIFT)鲁棒性较好，并具有尺度不变性，但其描述物体特征维数较高，特征点较多，使得计算量较大，故本文采用快速鲁棒特征表示法(SURF)来描述物体的特征。SURF是最有区分度、最有代表性的特征，其具有尺度和旋转不变性，并对噪声具有较好的鲁棒性。
SURF根据尺度空间理论提取特征点，在各尺度下通过Hessian矩阵的行列式获得图像中的兴趣点。Hessian矩阵可定义为：
式中，表示任意一点，σ表示相应的尺度，Lxx、Lyy和Lxy是图像上的点与对应的高斯滤波二阶偏导的卷积结果。
采用盒子滤波代替二阶高斯滤波，通过改变盒子滤波的大小来构建不同尺度的金字塔，经盒子滤波后，Dxx，Dyy和Dxy分别近似代替Lxx、Lyy和Lxy。在尺度σ上，可通过式(4)近似计算Hessian矩阵行列式的值判断某一点是否为兴趣点。如果det(H)＞0,则该点为兴趣点。
det(H)＝DxxDyy-(0.9Dxy)2 (4)
在多尺度空间的立体邻域内，将兴趣点和其26个邻域值比较，若是最小或最大的极值点，则该兴趣点是此区域的特征点。对每个特征点，进行插值处理确定其位置和尺度。以特征点为圆心，6σ为半径的圆形邻域内，分别近似X和Y方向Harr小波的响应，以确定特征点的主方向。
以特征点为中心，沿主方向把图像分为4×4个子区域，在每个子区域中计算Harr小波的响应dx和dy，生成4维特征向量如式(5)所示。因此4×4个子区域共可得到64 个值，然后进行归一化处理，将该64维的特征向量作为SURF特征描述子。
v＝(∑dx，∑dy，∑|dx|，∑|dy|) (5)
2.识别算法
相似性测度用于衡量同类样本的相似性，在分类决策中应用广泛，故物体的分类识别采用相似性测度的方法。由于提取物体的改进HU矩和SURF特征，所以分类识别时，先分别计算两种特征的相似性测度，再根据两种特征对于识别的贡献度，加入权值因子，通过自适应地调节权值因子的值，以区分每种特征对识别率的影响。
2.1改进HU矩的相似性测度
设数据库中某一标准样本的改进HU矩特征向量为(α1，α2，α3，α4，α5，α6，α7)，待识别物体的改进HU矩特征向量为(α′1，α′2，α′3，α′4，α′5，α′6，α′7)，采用相似性测度函数完成改进HU矩的特征匹配。
为了方便相似性测度函数的计算，先对改进的HU矩进行归一化，其归一化函数如下：
则数据库中标准样本和待识别物体之间的相似性可用以下度量函数计算：
相似性测度函数SH表示改进HU矩的相似性测度，其值越逼近1，则相似度越高。
2.2SURF特征的相似性测度
设数据库中某一标准样本的SURF特征点数为m，则该样本的SURF特征构成标准特征向量 F＝{F1，F2，…，Fm}。待识别物体的SURF特征点数为n，则该物体的SURF特征构成待识别特征向量G＝{G1，G2，…，Gn}，F和G中每个特征向量都是64维的，F和G中的每一个分量是由v构成。
将F中每个特征向量与G中所有特征向量进行匹配，设匹配对数为t，则 0≤t≤min(m，n)，然后采用各个向量之间夹角的余弦值来分别计算每个匹配对的相似性测度
其中，fki和gkj分别代表第k个匹配对的F中的第i个特征向量和G中的第j个特征向量。
再计算待识别物体和标准样本中各匹配对的相似性测度的平均值，如式(9)。相似性测度函数SS表示兴趣点的相似性测度，其值越大，相似度越高。
2.3两种相似性测度的融合
由于改进的HU矩和SURF特征对物体识别的贡献度不同，所以将式(7)和(9)中的两种相似性测度进行融合，同时引入权值因子，表示如下：
p+q＝1 (11)
其中，p，q分别是SH和SS对应的权值，并且满足0≤p≤1，0≤q≤1。n是物体的兴趣点特征数，根据图像中特征点的数量确定相似性测度的关系。
根据公式(10)计算出融合后的相似性测度S，然后根据实验情况设定一个阈值ST，如果S≥ST,则可以识别为同一个物体，相反如果S＜ST,则判断为不同的物体。
3.实验结果及分析
本实验用的计算机是Intel Core i3 CPU(3.40GHz)，3.43G RAM，2GB内存，Windows 7 旗舰版操作系统，用MATLAB 2010b作为仿真平台。为了验证本文方法的鲁棒性，具体采用哥伦比亚图像数据库COIL-100中的物体进行实验。该数据库包含100个不同外形的物体图像。具体拍摄时，将物体放在一个旋转的平台上,摄像机固定,旋转平台，每隔5°拍摄一幅图像，这样每个物体可有72幅不同视角的图像。图像的分辨率是128×128。图1-图5给出了典型的三个物体，每个物体给出了五幅不同视角的图像，其中图1是标准图像，图2是标准图像缩小0.8倍后的图像，图3是标准图像放大1.1倍后的图像，图4是标准图像旋转30度后的图像，图5是标准图像添加高斯噪声后的图像。
由于各物体的结构逻辑信息不同，所以提取的兴趣点的数量也不一样。对图1中，物体obj1的信息较丰富，可提取到较多的兴趣点，此时兴趣点对分类识别的贡献更大，相应地权值q会较大。物体obj2，可提取的兴趣点较少，此时形状特征对分类识别起主要作用，相应地权值p会较大。相对于obj1和obj2来说,物体obj3，可提取的兴趣点数量居中，因此兴趣点和形状特征对分类识别的贡献相等，相应地权值p和q相等。
在相同的实验条件下，用基于形状的物体识别，基于兴趣点的物体识别，融合形状和SIFT的物体识别以及本文算法对物体发生尺度、视角、噪声(包括高斯噪声和椒盐噪声)变化时进行比较，其结果如表1-3所示。其中识别时间是指每一幅图像的平均识别时间, 包括特征提取时间、归一化时间和分类识别的时间。
表1各算法在尺度变化时的性能比较
方法 识别图像数 正确识别数 识别率(％) 识别时间(s)
形状 258 215 83.3 0.035
兴趣点 258 222 86.0 0.643
形状和SIFT 258 234 90.7 1.425
本文方法 258 242 93.8 0.687
表2各算法在视角变化时的性能比较
方法 识别图像数 正确识别数 识别率(％) 识别时间(s)
形状 297 250 84.2 0.058
兴趣点 297 238 80.1 0.664
形状和SIFT 297 266 89.6 1.342
本文方法 297 271 91.2 0.729
表3各算法在噪声变化时的性能比较
方法 识别图像数 正确识别数 识别率(％) 识别时间(s)
形状 186 140 75.3 0.046
兴趣点 186 133 71.5 0.702
形状和SIFT 186 149 80.1 1.587
本文方法 186 166 89.2 0.779
本文从识别率和识别时间两方面综合评价算法的优劣。从表1-3的实验结果可看出，无论是发生尺度、视角变化，还是发生噪声变化，本文方法的正确识别率均比单独使用形状或兴趣点的识别率提高了。特别是在发生视角变化时，本文方法的正确识别率比单独使用兴趣点的识别率要高出11.1％。本文方法的识别率比使用形状和SIFT的识别率也稍有提高。也就是说，从识别率上看，本文方法是四种方法中最优的。从识别时间上看，单独使用形状特征的识别时间最短，使用形状和SIFT特征的识别时间最长，本文方法的识别时间在二者之间，与单独使用兴趣点的识别时间比较接近。
通过比较分析，我们发现在发生各种变化时，本文方法的正确识别率在四种方法中是最高的。主要是因为单独使用形状或兴趣点的识别，只考虑了单一的全局特征或局部特征，有一定的片面性。而本文方法综合考虑物体的全局特征和局部特征，融合改进HU矩和SURF特征进行物体识别，同时引入权值因子，自适应地调整两种特征的相似性测度对最终识别率的贡献。本文方法的识别时间比使用形状和 SIFT的识别时间要短得多(前者识别速度几乎是后者识别速度的2倍)，主要是因为使用形状和SIFT的方法提取128维的SIFT特征和HU特征,同时每幅图像可产生大量的SIFT特征点。而本文方法提取64维的SURF特征和改进的HU矩特征，尽可能地减少冗余信息，每幅图像产生最有代表性的SURF特征点，数量较少，同时提取的特征维数较少，所以识别速度快。总体来说，本文方法的识别率明显高于单独使用形状或兴趣点的识别率；本文方法的识别速度几乎是使用形状和SIFT的识别速度的2倍，同时本文方法的识别率也比使用形状和SIFT的识别率提高了。

Claims (1)

1.一种融合形状特征和兴趣点的物体识别方法，其特征在于：包括以下步骤，
步骤一、提取物体的形状不变矩特征，即mk＝|lg|αk||，k＝1，2，…7，其中αk为物体的七个HU矩，七个HU矩为：
α1＝φ1，α2＝φ2/φ1 2，α3＝φ3/φ1 3，α4＝φ4/φ1 3，
α5＝φ5/φ1 6，α6＝φ6/φ1 4，α7＝φ7/φ1 6；
步骤二、提取物体的兴趣点，即SURF根据尺度空间理论提取特征点，在各尺度下通过Hessian矩阵的行列式获得图像中的兴趣点，Hessian矩阵定义为：
式中，表示任意一点，σ表示相应的尺度，Lxx、Lyy和Lxy是图像上的点与对应的高斯滤波二阶偏导的卷积结果；
通过改变盒子滤波的大小来构建不同尺度的金字塔，经盒子滤波后，Dxx，Dyy和Dxy分别近似代替Lxx、Lyy和Lxy；在尺度σ上，通过式(4)近似计算Hessian矩阵行列式的值判断某一点是否为兴趣点，如果det(H)＞0,则该点为兴趣点；
det(H)＝DxxDyy-(0.9Dxy)2 (4)
在多尺度空间的立体邻域内，将兴趣点和其26个邻域值比较，若是为最小或最大的极值点，则该兴趣点是此区域的特征点；
步骤三、对步骤一中的HU矩进行相似性测度，得到HU矩的相似性测度SH；
对HU矩进行相似性测度的方法是，设数据库中某一标准样本的改进HU矩特征向量为(α1，α2，α3，α4，α5，α6，α7)，待识别物体的改进HU矩特征向量为(α1′，α2′，α3′，α4′，α5′，α6′，α7′)，采用相似性测度函数完成改进HU矩的特征匹配；
为了方便相似性测度函数的计算，先对改进的HU矩进行归一化，其归一化函数如下：
则数据库中标准样本和待识别物体之间的相似性用以下度量函数计算：
相似性测度函数SH表示改进HU矩的相似性测度，其值越逼近1，则相似度越高；
步骤四、对步骤二中的兴趣点进行相似性测度，得到兴趣点的相似性测度SS；
上述对兴趣点进行相似性测度的方法为，设数据库中某一标准样本的SURF特征点数为m，则该样本的SURF特征构成标准特征向量F＝{F1，F2，…，Fm}，待识别物体的SURF特征点数为n，则该物体的SURF特征构成待识别特征向量G＝{G1，G2，…，Gn}，F和G中每个特征向量都是64维的，F和G中的每一个分量是由v构成；
对步骤二中每个特征点，进行插值处理确定其位置和尺度，以特征点为圆心，6σ为半径的圆形邻域内，分别近似X和Y方向Harr小波的响应，以确定特征点的主方向，以特征点为中心，沿主方向把图像分为4×4个子区域，在每个子区域中计算Harr小波的响应dx和dy，生成4维特征向量如式(5)所示，因此4×4个子区域共得到64个值，然后进行归一化处理，将该64维的特征向量作为SURF特征描述子
v＝(∑dx，∑dy，∑|dx|，∑|dy|) (5)；
将F中每个特征向量与G中所有特征向量进行匹配，设匹配对数为t，则0≤t≤min(m，n)，然后采用各个向量之间夹角的余弦值来分别计算每个匹配对的相似性测度
其中，fki和gkj分别代表第k个匹配对的F中的第i个特征向量和G中的第j个特征向量；
再计算待识别物体和标准样本中各匹配对的相似性测度的平均值，如式(9)，相似性测度函数SS表示兴趣点的相似性测度，其值越大，相似度越高，
步骤五、将步骤三和步骤四中的两种相似性测度进行融合，同时引入权值因子，表示如下：
p+q＝1 (11)
其中，p，q分别是SH和SS对应的权值，并且满足0≤p≤1，0≤q≤1，n是物体的兴趣点特征数，根据图像中特征点的数量确定相似性测度的关系，根据公式(10)计算出融合后的相似性测度S，然后根据实验情况设定一个阈值ST，如果S≥ST,则识别为同一个物体，相反如果S＜ST,则判断为不同的物体。
CN201510396171.5A 2015-07-08 2015-07-08 一种融合形状特征和兴趣点的物体识别方法 Expired - Fee Related CN105139013B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510396171.5A CN105139013B (zh) 2015-07-08 2015-07-08 一种融合形状特征和兴趣点的物体识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510396171.5A CN105139013B (zh) 2015-07-08 2015-07-08 一种融合形状特征和兴趣点的物体识别方法

Publications (2)

Publication Number Publication Date
CN105139013A CN105139013A (zh) 2015-12-09
CN105139013B true CN105139013B (zh) 2019-02-26

Family

ID=54724356

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510396171.5A Expired - Fee Related CN105139013B (zh) 2015-07-08 2015-07-08 一种融合形状特征和兴趣点的物体识别方法

Country Status (1)

Country Link
CN (1) CN105139013B (zh)

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106408029B (zh) * 2016-09-28 2019-09-24 河南科技大学 一种基于结构差分直方图的图像纹理分类方法
CN106960214B (zh) * 2017-02-17 2020-11-20 北京一维弦科技有限责任公司 基于图像的物体识别方法
CN108256578B (zh) * 2018-01-18 2022-04-19 广东工业大学 一种灰度图像的识别方法、装置、设备及可读存储介质
CN111401384B (zh) * 2020-03-12 2021-02-02 安徽南瑞继远电网技术有限公司 一种变电设备缺陷图像匹配方法
CN112183585B (zh) * 2020-09-08 2024-08-02 西安建筑科技大学 一种基于多特征测度的青铜器铭文相似性度量方法

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008379A (zh) * 2014-06-16 2014-08-27 河南科技大学 一种基于surf特征的物体识别方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140160264A1 (en) * 2012-12-10 2014-06-12 The Johns Hopkins University Augmented field of view imaging system

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104008379A (zh) * 2014-06-16 2014-08-27 河南科技大学 一种基于surf特征的物体识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
融合多特征和压缩感知的手势识别;杨磊;《中国优秀硕士学位论文全文数据库信息科技辑》;20150215(第02期);第1-47页

Also Published As

Publication number Publication date
CN105139013A (zh) 2015-12-09

Similar Documents

Publication Publication Date Title
Guo et al. 3D object recognition in cluttered scenes with local surface features: A survey
CN105139013B (zh) 一种融合形状特征和兴趣点的物体识别方法
Alsmadi et al. Fish recognition based on robust features extraction from size and shape measurements using neural network
Bagri et al. A comparative study on feature extraction using texture and shape for content based image retrieval
Elder et al. Local scale control for edge detection and blur estimation
Liu et al. Image partial blur detection and classification
CN103632132B (zh) 一种基于肤色分割和模板匹配的人脸检测与识别方法
US9875427B2 (en) Method for object localization and pose estimation for an object of interest
Mikolajczyk et al. A performance evaluation of local descriptors
Wahl et al. Surflet-pair-relation histograms: a statistical 3D-shape representation for rapid classification
CN106355577B (zh) 基于特征状态与全局一致性的快速图像匹配方法及系统
CN105303150B (zh) 实现图像处理的方法和系统
CN105930790B (zh) 基于核稀疏编码的人体行为识别方法
CN104036284A (zh) 基于Adaboost算法的多尺度行人检测方法
CN103984920B (zh) 一种基于稀疏表示与多特征点的三维人脸识别方法
CN104008379A (zh) 一种基于surf特征的物体识别方法
Al Ghamdi et al. Spatio-temporal SIFT and its application to human action classification
CN110222661B (zh) 一种用于运动目标识别及跟踪的特征提取方法
CN112150359B (zh) 基于机器学习和特征点识别的无人机图像快速拼接方法
Zhou et al. Histograms of Gaussian normal distribution for 3D feature matching in cluttered scenes
CN103577825B (zh) 合成孔径声纳图像的目标自动识别方法以及自动识别系统
Günay et al. Real-time dynamic texture recognition using random sampling and dimension reduction
Davarzani et al. Robust image description with weighted and adaptive local binary pattern features
Zhao Sports motion feature extraction and recognition based on a modified histogram of oriented gradients with speeded up robust features
Weinmann et al. Material recognition for efficient acquisition of geometry and reflectance

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190226

Termination date: 20190708

CF01 Termination of patent right due to non-payment of annual fee