CN107437097B - 一种基于角点描述的两阶段局部轮廓匹配方法 - Google Patents

Abstract

本发明公开了一种基于角点描述的两阶段局部轮廓匹配方法，其特征是，包括以下步骤：对于给定的一个作为参考的局部轮廓及待匹配的完整轮廓，分别计算参考轮廓及待匹配轮廓上各轮廓点处的曲率值，并使用各向异性扩散滤波算法对曲率值进行平滑；对于每一个参考轮廓上的角点，计算该点到轮廓端点的曲率积分值，选取对应曲率积分值最大的角点为参考轮廓的主角点，并使用角点描述子进行描述；轮廓粗匹配阶段；轮廓精匹配阶段；综合考虑粗匹配与精匹配阶段的匹配误差。优点：采用轮廓的显著角点作为轮廓特征点，提取的特征点描述具有更强的代表性和判别性，提高了匹配的效率和准确率；将匹配过程分为粗匹配和精匹配两个阶段，明显提高检索速度。

Description

一种基于角点描述的两阶段局部轮廓匹配方法

技术领域

本发明涉及一种基于角点描述的两阶段局部轮廓匹配方法，属于形状或图像目标轮廓匹配技术领域。

背景技术

图像目标轮廓匹配是视觉认知和图像理解的重要研究内容。相比于颜色、亮度和纹理等基本视觉特征，目标的轮廓特征是一种高层次的视觉特征，被广泛应用于手势识别、异源图像匹配等众多检测识别系统中。当前，轮廓匹配方法的研究主要集中在实现两个完整轮廓间点对点的匹配，然而，实际图像场景中存在大量遮挡以及目标成像不完整等因素，难以提取完整的目标轮廓，导致针对完整轮廓的匹配方案实用性较差。

局部轮廓匹配旨在通过给定一个参考的局部轮廓，在众多的目标轮廓中寻找出与之最匹配的局部轮廓片段，据此确定参考轮廓所属类别。为了解决这个问题，Saber等人(E.Saber,Y.Xu,A.M.Tekalp,Partial shape recognition by sub-matrix matching forpartial matching guided image labeling,Pattern Recognition38(10)(2005)1560-1573.)选取轮廓上的曲率极值点作为特征点，通过比较参考轮廓和待匹配轮廓上局部连续几个特征点之间的距离矩阵寻找最佳的局部匹配。该方法虽然计算简单，但是对特征点提取的精度要求较高。Latecki等人(L.J.Latecki,V.Megalooikonomou,Q.Wang,D.Yu,Anelastic partial shape matching technique,Pattern Recognition 40(11)(2007)3069-3080.)通过离散曲线演化技术从轮廓上提取特征点，使用局部切线特征描述采样点并设计了一种最小方差匹配方法确定轮廓间特征点的对应关系。由于难以确定离散曲线演化方法的终止条件，并且所用的描述特征判别性不强，导致匹配的效果不佳。Michel等人(D.Michel,I.Oikonomidis,A.Argyros,Scale invariant and deformation tolerantpartial shape matching,Image and Vision Computing 29(7)(2011)459-469.)首先在每个轮廓点处等角度地引出若射线，记录它们与轮廓相交的线段长度，形成轮廓点的描述向量，再通过描述向量确定各轮廓点处的尺度。根据尺度信息采样得到轮廓特征点，并计算其描述向量，通过一种改进的DTW方法匹配参考轮廓与待匹配轮廓上的特征点。尽管该方法可以取得不错的匹配效果，但是需要对轮廓点进行两次描述以估计尺度和提取特征点描述子，导致匹配效率低下。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种基于角点描述的两阶段局部轮廓匹配方法，特别适用于实现复杂场景下的局部轮廓高效率匹配。

为解决上述技术问题，本发明提供一种基于角点描述的两阶段局部轮廓匹配方法，其特征是，包括以下步骤：

步骤1、对于给定的一个作为参考的局部轮廓及待匹配的完整轮廓，分别计算参考轮廓及待匹配轮廓上各轮廓点处的曲率值，并使用各向异性扩散滤波算法对曲率值进行平滑，提取轮廓上的显著角点；

步骤2、对于每一个参考轮廓上的角点，计算该点到轮廓端点的曲率积分值，选取对应曲率积分值最大的角点为参考轮廓的主角点，并使用角点描述子进行描述；

步骤3、轮廓粗匹配阶段，对于待匹配轮廓上的每一个角点依次进行描述，并计算其描述子与参考轮廓主角点描述子之间的距离，初步确定待匹配轮廓上可能存在的与参考轮廓相匹配的片段；

步骤4、轮廓精匹配阶段，以参考轮廓的主角点和待匹配轮廓上与之匹配的角点为起始点，依次匹配剩余的角点；

步骤5、综合考虑粗匹配与精匹配阶段的匹配误差，从众多待匹配轮廓中选取最优的匹配轮廓片段。

进一步的，所述步骤1包括以下步骤：

步骤1-1、依次计算轮廓上各点处的曲率值，并使用各向异性滤波算法对曲率值进行平滑；

步骤1-2、按轮廓点的顺序排列平滑后的曲率值，选取对应曲率值为大于零的局部极大值或小于零的局部极小值的轮廓点作为该轮廓的显著角点。

进一步的，步骤2包括以下步骤：

步骤2-1、对于参考轮廓上的一个角点t_i，计算该点到轮廓起始端点和终止端点的曲率积分值如下：

其中，q₁和q_h分别为参考轮廓的起始端点和终止端点，Ψ_Q(s)为滤波后的轮廓点曲率值，k为参考轮廓上的角点个数；

步骤2-2、选取步骤2-1中较小的曲率积分值作为角点t_i对应的曲率积分值

对于给定的参考轮廓，可计算得到一组对应所有角点的曲率积分值

步骤2-3、选取对应曲率积分值最大的角点为参考轮廓的主角点：

其中，t_M为选取的参考轮廓的主角点，

为其对应的曲率积分值；

步骤2-4、记B_M为参考轮廓上所有积分到

的轮廓点的点集，O_M为以参考轮廓主角点t_M为圆心，包含所有B_M中轮廓点的最小圆形区域，得到用于描述角点t_M的点集：

C(t_M)＝{q_j∈O_M,j＝1,…,h}

其中，h为参考轮廓上的轮廓点个数，q_j为第j个参考轮廓点；

步骤2-5、在主角点处建立极坐标系，并利用曲率分布直方图对其进行描述如下：

其中，h_i(n)为直方图中第n个元素的值，N为直方图的元素个数，

为参考轮廓点q_j处的曲率绝对值，bin(n)为直方图第n个元素对应的计算区间。

进一步的，所述步骤3包括以下步骤：

步骤3-1、对于待匹配轮廓上的一个角点s_i，以该点为起点，沿轮廓计算曲率累积和，直到满足如下条件：

其中，p_e表示满足该条件的终点；

步骤3-2、记

为待匹配轮廓上的点集，

为以角点s_i为圆心，包含所有

中轮廓点的最小圆形区域，得到用于描述角点s_i的点集：

其中，l为待匹配轮廓上的轮廓点个数；

步骤3-3、在角点s_i处建立极坐标系，并利用曲率分布直方图对其进行描述如下：

计算该描述直方图与参考轮廓角点t_M描述直方图的距离，记为两个角点间的匹配误差；

步骤3-4、依次计算待匹配轮廓上各角点与参考轮廓主角点t_M间的匹配误差，其中匹配误差最小的点对，即为粗匹配点对，其匹配误差记为粗匹配误差Cost_C。

进一步的，所述步骤3中，对粗匹配误差设置阈值为0.2～0.3，以快速排除不相关的待匹配轮廓。

进一步的，所述步骤4包括以下步骤：

以参考轮廓的主角点t_M及与之匹配的待匹配轮廓上的角点为起点，在待匹配轮廓上顺序寻找与点列{t_M-1,…,t₁}和{t_M+1,…,t_k}相匹配的角点序列，两段点列的匹配误差为参考轮廓与待匹配轮廓之间的精匹配误差，分别记为Cost_F-和Cost_F+。

进一步的，所述步骤5包括以下步骤：

参考轮廓与待匹配轮廓最终的匹配代价计算如下：

其中，对应匹配代价最小的待匹配轮廓片段即为最优的匹配轮廓片段。

本发明所达到的有益效果：

本发明采用轮廓的显著角点作为轮廓特征点，提取的特征点描述具有更强的代表性和判别性，提高了匹配的效率和准确率；将匹配过程分为粗匹配和精匹配两个阶段，能够在粗匹配阶段快速排除不相关的待匹配轮廓，明显提高检索速度。

附图说明

图1为本发明实施例的局部轮廓匹配的流程示意图，其中，1(a)为给定的参考轮廓片段，1(b)为待匹配轮廓，1(c)为轮廓特征点的曲率分布直方图特征描述，1(d)为局部轮廓匹配结果；

图2为本发明实施例的局部轮廓匹配结果与现有技术的局部轮廓匹配结果的对比图，其中，2(a)为本发明申请的检测结果，2(b)为MVM模型的检测结果。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

图1为本发明实施例的局部轮廓匹配的流程示意图。如图1所示，本方法的一种基于角点描述的两阶段局部轮廓匹配方法，包括以下步骤：

步骤1、对于给定的一个作为参考的局部轮廓及待匹配的完整轮廓，分别计算参考轮廓及待匹配轮廓上各轮廓点处的曲率值，并使用各向异性扩散滤波算法对曲率值进行平滑，提取轮廓上的显著角点。图1(a)中的粗实曲线和图1(b)中的曲线所示分别为给定的参考轮廓片段和待匹配轮廓。

步骤2、对于每一个参考轮廓上的角点，计算该点到轮廓端点的曲率积分值，选取对应曲率积分值最大的角点为参考轮廓的主角点，并使用角点描述子进行描述。

获取参考轮廓主角点及其特征描述的具体过程为：

步骤2-1、对于参考轮廓上的一个角点t_i，计算该点到轮廓起始端点和终止端点的曲率积分值如下：

其中，q₁和q_h分别为参考轮廓的起始端点和终止端点，Ψ_Q(s)为滤波后的轮廓点曲率值，k为参考轮廓上的角点个数；

步骤2-2、选取步骤2-1中较小的曲率积分值作为角点t_i对应的曲率积分值

对于给定的参考轮廓，可计算得到一组对应所有角点的曲率积分值

步骤2-3、选取对应曲率积分值最大的角点为参考轮廓的主角点：

其中，t_M为选取的参考轮廓的主角点，

为其对应的曲率积分值，如图1(a)所示，计算得到参考轮廓的主角点为轮廓特征点A；

步骤2-4、记B_M为参考轮廓上所有积分到

的轮廓点的点集，O_M为以参考轮廓主角点t_M为圆心，包含所有B_M中轮廓点的最小圆形区域，如图1(a)中圆形区域所示，得到用于描述角点t_M的点集：

C(t_M)＝{q_j∈O_M,j＝1,…,h}

其中，h为参考轮廓上的轮廓点个数；

步骤2-5、在主角点处建立极坐标系，并利用曲率分布直方图对其进行描述如下：

其中，h_i(n)为直方图中第n个元素的值，N为直方图的元素个数。

为参考轮廓点q_j处的曲率绝对值。计算得到图1(a)中参考轮廓主角点的曲率分布直方图特征如图1(c)中的直方图A所示。

步骤3、轮廓粗匹配阶段，对于待匹配轮廓上的每一个角点依次进行描述，并计算其描述子与参考轮廓主角点描述子之间的距离，初步确定待匹配轮廓上可能存在的与参考轮廓相匹配的片段。

参考轮廓与待匹配轮廓的粗匹配的具体过程为：

步骤3-1、对于待匹配轮廓上的一个角点s_i，以该点为起点，沿轮廓计算曲率累积和，直到满足如下条件：

其中，p_e表示满足该条件的终点；

步骤3-2、记

为待匹配轮廓上的点集，

为以角点s_i为圆心，包含所有

中轮廓点的最小圆形区域，得到用于描述角点s_i的点集：

其中，l为待匹配轮廓上的轮廓点个数，如图1(b)所示，在描述轮廓特征点B时所确定的区域为图中的圆形区域；

步骤3-3、在角点s_i处建立极坐标系，并利用曲率分布直方图对其进行描述如下：

计算该描述直方图与参考轮廓角点t_M描述直方图的距离，记为两个角点间的匹配误差。如图1(c)中的直方图B和C所示，为图1(b)中轮廓特征点B和C的直方图描述，可见待匹配轮廓上与参考轮廓主角点对应的轮廓特征点具有与其更相似的特征描述；

步骤3-4、依次计算待匹配轮廓上各角点与参考轮廓主角点t_M间的匹配误差，其中匹配误差最小的点对，即为粗匹配点对，其匹配误差记为粗匹配误差Cost_C。此处可设置粗匹配误差阈值为0.2～0.3，以快速排除不相关的待匹配轮廓，通过实际试验确定设置阈值为0.24时可获得最佳的匹配效果。如图1(d)所示，圆圈标记的角点为待匹配轮廓上与参考轮廓主角点相匹配的轮廓特征点。

步骤4、轮廓精匹配阶段，以参考轮廓的主角点和待匹配轮廓上与之匹配的角点为起始点，依次匹配剩余的角点。

参考轮廓与待匹配轮廓的精匹配的具体过程为：以参考轮廓的主角点t_M及与之匹配的待匹配轮廓上的角点为起点，在待匹配轮廓上顺序寻找与点列{t_M-1,…,t₁}和{t_M+1,…,t_k}相匹配的角点序列，两段点列的匹配误差为参考轮廓与待匹配轮廓之间的精匹配误差，分别记为Cost_F-和Cost_F+。如图1(d)所示，粗实线标记的曲线为待匹配轮廓与参考轮廓精匹配的结果。

步骤5、综合考虑粗匹配与精匹配阶段的匹配误差，从众多待匹配轮廓中选取最优的匹配轮廓片段。参考轮廓与待匹配轮廓最终的匹配代价计算如下：

其中，对应匹配代价最小的待匹配轮廓片段即为最优的匹配轮廓片段。

图2为根据本发明的实施例的局部轮廓匹配结果与现有技术的匹配结果的对比图。其中，图2(a)为本发明申请的匹配结果，最左边一列为给定的参考轮廓片段，对于每一个参考轮廓，分别给出其与数据库中所有待匹配轮廓匹配误差最小的10个结果，上面一行为粗匹配阶段的检索结果及对应的匹配误差，下面一行为精匹配结果及对应的匹配误差。图2(b)为MVM模型(L.J.Latecki,V.Megalooikonomou,Q.Wang,D.Yu,An elastic partialshape matching technique,Pattern Recognition 40(11)(2007)3069-3080.)的匹配结果，最左边一列为给定的参考轮廓片段，对于每一个参考轮廓，分别给了出其与数据库中所有待匹配轮廓匹配误差最小的10个结果及对应的匹配误差。

以上所述仅是本发明的优选实施方式，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形，这些改进和变形也应视为本发明的保护范围。

Claims (6)

1.一种基于角点描述的两阶段局部轮廓匹配方法，其特征是，包括以下步骤：

步骤1、对于给定的一个作为参考的局部轮廓及待匹配的完整轮廓，分别计算参考轮廓及待匹配轮廓上各轮廓点处的曲率值，并使用各向异性扩散滤波算法对曲率值进行平滑，提取轮廓上的显著角点；

步骤2、对于每一个参考轮廓上的角点，计算该点到轮廓端点的曲率积分值，选取对应曲率积分值最大的角点为参考轮廓的主角点，并使用角点描述子进行描述，包括以下步骤：

步骤2-1、对于参考轮廓上的一个角点t_i，计算该点到轮廓起始端点和终止端点的曲率积分值如下：

其中，q₁和q_h分别为参考轮廓的起始端点和终止端点，Ψ_Q(s)为滤波后的轮廓点曲率值，k为参考轮廓上的角点个数；

步骤2-2、选取步骤2-1中较小的曲率积分值作为角点t_i对应的曲率积分值

对于给定的参考轮廓，可计算得到一组对应所有角点的曲率积分值

步骤2-3、选取对应曲率积分值最大的角点为参考轮廓的主角点：

其中，t_M为选取的参考轮廓的主角点，

为其对应的曲率积分值；

步骤2-4、记B_M为参考轮廓上所有积分到

的轮廓点的点集，O_M为以参考轮廓主角点t_M为圆心，包含所有B_M中轮廓点的最小圆形区域，得到用于描述主角点t_M的点集：

C(t_M)＝{q_j∈O_M,j＝1,…,h}

其中，h为参考轮廓上的轮廓点个数，q_j为第j个参考轮廓点；

步骤2-5、在主角点处建立极坐标系，并利用曲率分布直方图对其进行描述如下：

其中，h_i(n)为直方图中第n个元素的值，N为直方图的元素个数，

为参考轮廓点q_j处的曲率绝对值，bin(n)为直方图第n个元素对应的计算区间；

步骤3、轮廓粗匹配阶段，对于待匹配轮廓上的每一个角点依次进行描述，并计算其描述子与参考轮廓主角点描述子之间的距离，初步确定待匹配轮廓上可能存在的与参考轮廓相匹配的片段；

步骤4、轮廓精匹配阶段，以参考轮廓的主角点和待匹配轮廓上与之匹配的角点为起始点，依次匹配剩余的角点；

步骤5、综合考虑粗匹配与精匹配阶段的匹配误差，从众多待匹配轮廓中选取最优的匹配轮廓片段。

2.根据权利要求1所述的一种基于角点描述的两阶段局部轮廓匹配方法，其特征是，所述步骤1包括以下步骤：

步骤1-1、依次计算轮廓上各点处的曲率值，并使用各向异性滤波算法对曲率值进行平滑；

步骤1-2、按轮廓点的顺序排列平滑后的曲率值，选取对应曲率值为大于零的局部极大值或小于零的局部极小值的轮廓点作为该轮廓的显著角点。

3.根据权利要求1所述的一种基于角点描述的两阶段局部轮廓匹配方法，其特征是，所述步骤3包括以下步骤：

步骤3-1、对于待匹配轮廓上的一个角点s_i，以该点为起点，沿轮廓计算曲率累积和，直到满足如下条件：

其中，p_e表示满足该条件的终点；

步骤3-2、记

为待匹配轮廓上的点集，

为以角点s_i为圆心，包含所有

中轮廓点的最小圆形区域，得到用于描述角点s_i的点集：

其中，l为待匹配轮廓上的轮廓点个数；

步骤3-3、在角点s_i处建立极坐标系，并利用曲率分布直方图对其进行描述如下：

计算该描述直方图与参考轮廓主角点t_M描述直方图的距离，记为两个角点间的匹配误差；

步骤3-4、依次计算待匹配轮廓上各角点与参考轮廓主角点t_M间的匹配误差，其中匹配误差最小的点对，即为粗匹配点对，其匹配误差记为粗匹配误差Cost_C。

4.根据权利要求1所述的一种基于角点描述的两阶段局部轮廓匹配方法，其特征是，所述步骤3中，对粗匹配误差设置阈值为0.2～0.3，以快速排除不相关的待匹配轮廓。

5.根据权利要求3所述的一种基于角点描述的两阶段局部轮廓匹配方法，其特征是，所述步骤4包括以下步骤：

以参考轮廓的主角点t_M及与之匹配的待匹配轮廓上的角点为起点，在待匹配轮廓上顺序寻找与点列{t_M-1,…,t₁}和{t_M+1,…,t_k}相匹配的角点序列，两段点列的匹配误差为参考轮廓与待匹配轮廓之间的精匹配误差，分别记为Cost_F-和Cost_F+。

6.根据权利要求5所述的一种基于角点描述的两阶段局部轮廓匹配方法，其特征是，所述步骤5包括以下步骤：

参考轮廓与待匹配轮廓最终的匹配代价计算如下：

其中，k为参考轮廓上的角点个数，Cost_C为粗匹配误差，

对应匹配代价最小的待匹配轮廓片段即为最优的匹配轮廓片段。

Images