CN108256588A - 一种几何图像识别特征提取方法及系统 - Google Patents
一种几何图像识别特征提取方法及系统 Download PDFInfo
- Publication number
- CN108256588A CN108256588A CN201810143634.0A CN201810143634A CN108256588A CN 108256588 A CN108256588 A CN 108256588A CN 201810143634 A CN201810143634 A CN 201810143634A CN 108256588 A CN108256588 A CN 108256588A
- Authority
- CN
- China
- Prior art keywords
- image
- sample
- region
- feature
- tested
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- 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
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明属于图像识别技术领域,公开了一种几何图像识别特征提取方法及系统,采用目标图像中人物直立的方向划分图像的空间区域的方法,在每个区域中,分别提取多个颜色空间的色彩信息,将每个颜色空间的三维直方图拼接为单维,再连接该区域不同颜色空间的直方图,以及连接所有区域的直方图获得多区域多颜色空间的组合特征向量。本发明克服了在目标对象的跟踪识别中的局限性,增加颜色空间特征的信息量,同时高效表征目标对象的空间信息;本发明不但可有效保持图像像素间的拓扑结构和内在相关性,而且可有效降低模型计算过程的复杂度;有效的提高了识别图像的效率以及对于图像进行分类的准确性,系统性能良好且可扩展性好。
Description
技术领域
本发明属于图像识别技术领域,尤其涉及一种几何图像识别特征提取方法及系统。
背景技术
目前,业内常用的现有技术是这样的:
图像识别,是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对像的技术。一般工业使用中,采用工业相机拍摄图片,然后再利用软件根据图片灰阶差做进一步识别处理,图像识别软件国外代表的有康耐视等,国内代表的有图智能等。另外在地理学中指将遥感图像进行分类的技术。然而,现有图像识别特征提取技术若特征提取的不够完整、充分及不准确则无法有效的传递图像的信息,对后续的图像处理工作产生影响,例如降低后续的图像识别、图像追踪的准确性和效率;同时现有技术中对于图像的处理存在破坏图像像素之间的拓扑结构,且计算过程在高维的数据空间较复杂的问题。
综上所述,现有技术存在的问题是:
现有图像识别特征提取技术若特征提取的不够完整、充分及不准确则无法有效的传递图像的信息,对后续的图像处理工作产生影响,例如降低后续的图像识别、图像追踪的准确性和效率;同时现有技术中对于图像的处理存在破坏图像像素之间的拓扑结构,且计算过程在高维的数据空间较复杂的问题。
发明内容
针对现有技术存在的问题,本发明提供了一种几何图像识别特征提取方法及系统。
本发明是这样实现的,一种几何图像识别特征提取方法包括以下步骤:
步骤一,对原始训练集中包含的原始训练样本进行二维判别特征学习;
通过紧凑局部类内散度和分离局部类间散度,进行图像特征学习建模,可有效保持图像像素间的拓扑结构和内在相关性;基于1范数度量,提升了图像描述的鲁棒性,进而通过优化一个特征分解问题,得到可用于图像样本的二维鲁棒特征提取的投影矩阵;为:
已知M维的投影矩阵V=[V1,V2,…,VN],其中Vj=νj,j=1,2,…,N,找到适当的投影的M×L的基矩阵W=[W1,W2,…,WN]和L×N的系数矩阵H=[H1,H2,…,HN],使得:
V≈WH (1)
公式(1)表示为向量标量积的形式:
对于给定的M维数据向量VM×N的集合,其中N为集合中数据样本的个数,分解为两个矩阵WM×L和矩阵HL×N,这两个矩阵的积就近似于VM×N;选择L小于M或N,使W和N小于原始矩阵V,使分解矩阵降低原始数据矩阵V的维度;
本发明在图像识别的过程中,待融合的原始观测图像实际是就是客观真实世界在成像过程中引入了这些噪声形成的。因此,有效的降低或消除这些噪音,本发明提高了图像的清晰度。在投影矩阵分解算法中,假设V=WH+ε,ε表示噪声,此时噪声ε在迭代算法中趋于收敛,这个过程恰好符合图像融合的过程。因此,联系图像融合过程,如果假设观测图像为V,真实图像为W,噪声为ε,那么V可以理解为W和ε之和,这样NMF可以有效地应用于图像融合。
NMF算法通过迭代运算方法能够针对原始数据矩阵V得到一个基于部分的近似表示形式WH。其中,W的列数即特征基的数量r是一个待定量,它将直接决定特征子空间的维数。对于特定的数据集,隐藏在数据集内部的特征空间的维数是确定的,也就是说当选取的r与实际数据集的特征空间的维数一致时,所得到的特征空间以及特征空间的基最有意义。当r=1时,通过迭代算法将得到唯一的一个含有源数据全部特征的特征基。
由上述内容可知,NMF与图像融合能很好的结合在一起应用。假设有k幅来自于多传感器的大小为m×n的观测图像f1,f2,…,fk,将每副观测图像的元素逐行存储到一个列向量中,这样将可以得到一个mn×k的矩阵V,V中包含k个列向量v1,v2,...,vk,每个列向量代表k幅观测图像中的一幅图像的信息,如公式(3)所示。对这个观测矩阵V进行投影矩阵分解,分解时取r=1,则可得到一个唯一的特征基W。显然,此时的W包含了参与融合的k幅图像的完整特征,将特征基W还原到源图像的像素级上即可得到比源图像效果都好的图像。
其中,所述原始训练样本为具有与该原始训练样本的类别对应的类别标签的样本;
步骤二,获取包含有每个所述原始训练样本的二维鲁棒特征的新训练样本集,并利用所述新训练样本集构建分类器;
每个所述原始训练样本的二维鲁棒特征为利用所述投影矩阵对每个所述原始训练样本进行投影得到的;
步骤三,利用所述分类器对待测样本进行分类,得到与所述待测样本的类别对应的分类结果,其中,所述待测样本为未知其类别的样本;
步骤四,从待测样本分类结果中获取目标图像;
步骤五,按照所述目标图像中人物直立的方向将所述目标图像划分为至少两个区域;
步骤六,提取每个区域在多个颜色空间的色彩信息;将从所述至少两个区域中提取到的多个颜色空间的色彩信息组合,得到表示所述目标图像的组合特征向量。具体为:
1)提取颜色特征和自适应LBP算子特征;
2)构建多特征底秩矩阵表示模型;
s.t.Xi=XiAi+Ei,i=1,…,K
其中α是大于0的系数,用来度量噪声和野点带来的误差;
等价为以下模型:
3)对模型分解以及求解,得到子模型;
4)输出伪区域并得到最后准确的区域;
5)输出目标图像的组合特征向量的图像;
提取自适应LBP算子特征算法的具体步骤如下:
(1)将输入系统的图像转换成灰度图像,对图像{grayv(i,j)}像素灰度值求和,再获取平均值:
(2)利用总的纹理特征去除背景,计算图像的像素灰度值与平均像素灰度值的差值的绝对值之和,求其平均值:
利用局部纹理特征去除背景,用3×3大小的滑动窗口,遍历图像,求取中心像素灰度值与周边像素灰度值之差,在每一个窗口图像内求取平均值:
(3)拟合计算自适应阈值的方法:
所述迭代求解优化问题时,为:
固定其他变量求解Ji得:
利用奇异值阈值求解;
所述输出伪区域并得到最后准确的区域,具体为:
(1)根据区域大小、比例留下每个子空间的外接矩阵即为疑似区域;
(2)设置一个跳变函数f(i,j),对疑似区域进行精确定位,确定精确区域的上下边界:
其中c(i,j)为
c(i,j)=LBP8,1(i,j)-LBP8,1(i,j-1)
上两式中i=1,2,3,4,…N,j=2,3,4,…M,因此任意一行i的跳变次数和S(i)为:
如果任意一行跳变次数的和S(i≥12),则这一行属于精确区域;由上至下对整幅图像进行扫描,找出所有满足S(i≥12)的行,并记录下这一行的行数i;如果有连续的h行满足S(i≥12),则可以得到一个宽度为M,高度为h的矩形区域,这个区域就是精确区域,图像中不具有此特征的区域得到排除。
进一步,所述提取每个区域在多个颜色空间的色彩信息包括:
根据颜色直方图提取每个区域在多个颜色空间中各个颜色维度的信息并用特征向量进行表示。
进一步,所述将从所述至少两个区域中提取到的多个颜色空间的色彩信息组合,得到表示所述目标图像的组合特征向量包括:
将每个区域在每个颜色空间的各个颜色维度的信息组合,得到每个区域中各个颜色空间的组合特征向量;
将所述每个区域中各个颜色空间的组合特征向量进行拼接,得到每个区域在多个颜色空间的组合特征向量;
将所述每个区域在多个颜色空间的组合特征向量进行拼接,得到所述目标图像在所述至少两个区域的多个颜色空间的组合特征向量。
进一步,所述利用所述分类器对待测样本进行分类,得到与所述待测样本的类别对应的分类结果,包括:
利用所述投影矩阵对所述待测样本进行投影,得到所述待测样本的待测二维鲁棒特征;
将所述待测二维鲁棒特征作为所述分类器的输入,得到至少一个与所述待测样本对应的类别,并确定得到的至少一个与所述待测样本对应的类别中与所述待测样本的相似性度量最大的类别为所述待测样本的类别。
本发明的另一目的在于提供一种实现所述几何图像识别特征提取方法的计算机程序。
本发明的另一目的在于提供一种实现所述几何图像识别特征提取方法的信息数据处理终端。
本发明的另一目的在于提供一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行所述的几何图像识别特征提取方法。
本发明的另一目的在于提供一种几何图像识别特征提取系统包括:
二维判别特征学习模块,对原始训练集中包含的原始训练样本进行二维判别特征学习;
通过紧凑局部类内散度和分离局部类间散度,进行图像特征学习建模,可有效保持图像像素间的拓扑结构和内在相关性;基于1范数度量,提升了图像描述的鲁棒性,进而通过优化一个特征分解问题,得到可用于图像样本的二维鲁棒特征提取的投影矩阵;其中,所述原始训练样本为具有与该原始训练样本的类别对应的类别标签的样本;
分类器模块,获取包含有每个所述原始训练样本的二维鲁棒特征的新训练样本集,并利用所述新训练样本集构建分类器;
每个所述原始训练样本的二维鲁棒特征为利用所述投影矩阵对每个所述原始训练样本进行投影得到的;
分类结果模块,利用所述分类器对待测样本进行分类,得到与所述待测样本的类别对应的分类结果,其中,所述待测样本为未知其类别的样本;
目标图像获取模块,从待测样本分类结果中获取目标图像;
目标图像划分模块,按照所述目标图像中人物直立的方向将所述目标图像划分为至少两个区域;
目标图像的组合特征向量获取模块,提取每个区域在多个颜色空间的色彩信息;将从所述至少两个区域中提取到的多个颜色空间的色彩信息组合,得到表示所述目标图像的组合特征向量。
本发明的另一目的在于提供一种搭载有所述几何图像识别特征提取系统的信息数据处理终端。
本发明的优点及积极效果为:
本发明采用目标图像中人物直立的方向划分图像的空间区域的方法,在每个区域中,分别提取多个颜色空间的色彩信息,将每个颜色空间的三维直方图拼接为单维,再连接该区域不同颜色空间的直方图,以及连接所有区域的直方图获得多区域多颜色空间的组合特征向量,从而克服了在目标对象的跟踪识别中的局限性,增加颜色空间特征的信息量,同时高效表征目标对象的空间信息;同时本发明不但可有效保持图像像素间的拓扑结构和内在相关性,而且可有效降低模型计算过程的复杂度。此外,基于1范数度量,可确保在特征提取过程中对噪音的鲁棒性。因此,本发明提供的上述方案通过直接对图像进行特征提取及分类,有效的提高了识别图像的效率以及对于图像进行分类的准确性,系统性能良好且可扩展性好。
本发明根据颜色和LBP特征算子,结合改进的LRR模型和形态学操作获得精确区域。多个特征相结合,能有效提高图像检测的鲁棒性和准确性,减少误检。
可以对复杂背景下的图像进行纹理分析,能提供更准确的特征信息。
附图说明
图1是本发明实施提供的几何图像识别特征提取方法流程图。
图2是本发明实施提供的几何图像识别特征提取系统示意图。
图中:1、二维判别特征学习模块;2、分类器模块;3、分类结果模块;4、目标图像获取模块;5、目标图像划分模块;6、目标图像的组合特征向量获取模块。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
下面结合附图对本发明的应用原理作进一步描述。
如图1所示,本发明实施例提供的几何图像识别特征提取方法包括以下步骤:
S101,对原始训练集中包含的原始训练样本进行二维判别特征学习;
通过紧凑局部类内散度和分离局部类间散度,进行图像特征学习建模,可有效保持图像像素间的拓扑结构和内在相关性;基于1范数度量,提升了图像描述的鲁棒性,进而通过优化一个特征分解问题,得到可用于图像样本的二维鲁棒特征提取的投影矩阵;其中,所述原始训练样本为具有与该原始训练样本的类别对应的类别标签的样本;
S102,获取包含有每个所述原始训练样本的二维鲁棒特征的新训练样本集,并利用所述新训练样本集构建分类器;
每个所述原始训练样本的二维鲁棒特征为利用所述投影矩阵对每个所述原始训练样本进行投影得到的;
S103,利用所述分类器对待测样本进行分类,得到与所述待测样本的类别对应的分类结果,其中,所述待测样本为未知其类别的样本;
S104,从待测样本分类结果中获取目标图像;
S105,按照所述目标图像中人物直立的方向将所述目标图像划分为至少两个区域;
S106,提取每个区域在多个颜色空间的色彩信息;将从所述至少两个区域中提取到的多个颜色空间的色彩信息组合,得到表示所述目标图像的组合特征向量。具体为:
1)提取颜色特征和自适应LBP算子特征;
2)构建多特征底秩矩阵表示模型;
s.t.Xi=XiAi+Ei,i=1,…,K
其中α是大于0的系数,用来度量噪声和野点带来的误差;
等价为以下模型:
3)对模型分解以及求解,得到子模型;
4)输出伪区域并得到最后准确的区域;
5)输出目标图像的组合特征向量的图像;
提取自适应LBP算子特征算法的具体步骤如下:
(1)将输入系统的图像转换成灰度图像,对图像{grayv(i,j)}像素灰度值求和,再获取平均值:
(2)利用总的纹理特征去除背景,计算图像的像素灰度值与平均像素灰度值的差值的绝对值之和,求其平均值:
利用局部纹理特征去除背景,用3×3大小的滑动窗口,遍历图像,求取中心像素灰度值与周边像素灰度值之差,在每一个窗口图像内求取平均值:
(3)拟合计算自适应阈值的方法:
所述迭代求解优化问题时,为:
固定其他变量求解Ji得:
利用奇异值阈值求解;
所述输出伪区域并得到最后准确的区域,具体为:
(1)根据区域大小、比例留下每个子空间的外接矩阵即为疑似区域;
(2)设置一个跳变函数f(i,j),对疑似区域进行精确定位,确定精确区域的上下边界:
其中c(i,j)为
c(i,j)=LBP8,1(i,j)-LBP8,1(i,j-1)
上两式中i=1,2,3,4,…N,j=2,3,4,…M,因此任意一行i的跳变次数和S(i)为:
如果任意一行跳变次数的和S(i≥12),则这一行属于精确区域;由上至下对整幅图像进行扫描,找出所有满足S(i≥12)的行,并记录下这一行的行数i;如果有连续的h行满足S(i≥12),则可以得到一个宽度为M,高度为h的矩形区域,这个区域就是精确区域,图像中不具有此特征的区域得到排除。
S101中,投影矩阵为:
已知M维的投影矩阵V=[V1,V2,…,VN],其中Vj=νj,j=1,2,…,N,找到适当的投影的M×L的基矩阵W=[W1,W2,…,WN]和L×N的系数矩阵H=[H1,H2,…,HN],使得:
V≈WH (1)
公式(1)表示为向量标量积的形式:
对于给定的M维数据向量VM×N的集合,其中N为集合中数据样本的个数,分解为两个矩阵WM×L和矩阵HL×N,这两个矩阵的积就近似于VM×N;选择L小于M或N,使W和N小于原始矩阵V,使分解矩阵降低原始数据矩阵V的维度;
本发明在图像识别的过程中,待融合的原始观测图像实际是就是客观真实世界在成像过程中引入了这些噪声形成的。因此,有效的降低或消除这些噪音,本发明提高了图像的清晰度。在投影矩阵分解算法中,假设V=WH+ε,ε表示噪声,此时噪声ε在迭代算法中趋于收敛,这个过程恰好符合图像融合的过程。因此,联系图像融合过程,如果假设观测图像为V,真实图像为W,噪声为ε,那么V可以理解为W和ε之和,这样NMF可以有效地应用于图像融合。
NMF算法通过迭代运算方法能够针对原始数据矩阵V得到一个基于部分的近似表示形式WH。其中,W的列数即特征基的数量r是一个待定量,它将直接决定特征子空间的维数。对于特定的数据集,隐藏在数据集内部的特征空间的维数是确定的,也就是说当选取的r与实际数据集的特征空间的维数一致时,所得到的特征空间以及特征空间的基最有意义。当r=1时,通过迭代算法将得到唯一的一个含有源数据全部特征的特征基。
由上述内容可知,NMF与图像融合能很好的结合在一起应用。假设有k幅来自于多传感器的大小为m×n的观测图像f1,f2,…,fk,将每副观测图像的元素逐行存储到一个列向量中,这样将可以得到一个mn×k的矩阵V,V中包含k个列向量v1,v2,...,vk,每个列向量代表k幅观测图像中的一幅图像的信息,如公式(3)所示。对这个观测矩阵V进行投影矩阵分解,分解时取r=1,则可得到一个唯一的特征基W。显然,此时的W包含了参与融合的k幅图像的完整特征,将特征基W还原到源图像的像素级上即可得到比源图像效果都好的图像。
本发明提供的将从所述至少两个区域中提取到的多个颜色空间的色彩信息组合,得到表示所述目标图像的组合特征向量包括:
将每个区域在每个颜色空间的各个颜色维度的信息组合,得到每个区域中各个颜色空间的组合特征向量;
将所述每个区域中各个颜色空间的组合特征向量进行拼接,得到每个区域在多个颜色空间的组合特征向量;
将所述每个区域在多个颜色空间的组合特征向量进行拼接,得到所述目标图像在所述至少两个区域的多个颜色空间的组合特征向量。
本发明提供的步骤S103中利用所述分类器对待测样本进行分类,得到与所述待测样本的类别对应的分类结果,包括:
利用所述投影矩阵对所述待测样本进行投影,得到所述待测样本的待测二维鲁棒特征;
将所述待测二维鲁棒特征作为所述分类器的输入,得到至少一个与所述待测样本对应的类别,并确定得到的至少一个与所述待测样本对应的类别中与所述待测样本的相似性度量最大的类别为所述待测样本的类别。
如图2所示,本发明实施例提供的几何图像识别特征提取系统包括:
二维判别特征学习模块1,对原始训练集中包含的原始训练样本进行二维判别特征学习;
通过紧凑局部类内散度和分离局部类间散度,进行图像特征学习建模,可有效保持图像像素间的拓扑结构和内在相关性;基于1范数度量,提升了图像描述的鲁棒性,进而通过优化一个特征分解问题,得到可用于图像样本的二维鲁棒特征提取的投影矩阵;其中,所述原始训练样本为具有与该原始训练样本的类别对应的类别标签的样本;
分类器模块2,获取包含有每个所述原始训练样本的二维鲁棒特征的新训练样本集,并利用所述新训练样本集构建分类器;
每个所述原始训练样本的二维鲁棒特征为利用所述投影矩阵对每个所述原始训练样本进行投影得到的;
分类结果模块3,利用所述分类器对待测样本进行分类,得到与所述待测样本的类别对应的分类结果,其中,所述待测样本为未知其类别的样本;
目标图像获取模块4,从待测样本分类结果中获取目标图像;
目标图像划分模块5,按照所述目标图像中人物直立的方向将所述目标图像划分为至少两个区域;
目标图像的组合特征向量获取模块6,提取每个区域在多个颜色空间的色彩信息;将从所述至少两个区域中提取到的多个颜色空间的色彩信息组合,得到表示所述目标图像的组合特征向量。
在上述实施例中,可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用全部或部分地以计算机程序产品的形式实现,所述计算机程序产品包括一个或多个计算机指令。在计算机上加载或执行所述计算机程序指令时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(DSL)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输)。所述计算机可读取存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质,(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质(例如固态硬盘SolidState Disk(SSD))等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种几何图像识别特征提取方法,其特征在于,所述几何图像识别特征提取方法包括以下步骤:
步骤一,对原始训练集中包含的原始训练样本进行二维判别特征学习;
通过紧凑局部类内散度和分离局部类间散度,进行图像特征学习建模,保持图像像素间的拓扑结构和内在相关性;通过优化一个特征分解,得到用于图像样本的二维鲁棒特征提取的投影矩阵;为:
已知M维的投影矩阵V=[V1,V2,…,VN],其中Vj=νj,j=1,2,…,N,找到适当的投影的M×L的基矩阵W=[W1,W2,…,WN]和L×N的系数矩阵H=[H1,H2,…,HN],使得:
V≈WH (1)
公式(1)表示为向量标量积的形式:
对于给定的M维数据向量VM×N的集合,其中N为集合中数据样本的个数,分解为两个矩阵WM×L和矩阵HL×N,这两个矩阵的积就近似于VM×N;选择L小于M或N,使W和N小于原始矩阵V,使分解矩阵降低原始数据矩阵V的维度;
在投影矩阵分解算法中,通过NMF应用于图像融合;所述NMF算法通过迭代运算方法对原始数据矩阵V得到一个基于部分的近似表示形式WH;其中,W的列数即特征基的数量r是一个待定量,直接决定特征子空间的维数;对于特定的数据集,隐藏在数据集内部的特征空间的维数是确定的;当选取的r与实际数据集的特征空间的维数一致时,所得到的特征空间以及特征空间的基最有意义;当r=1时,通过迭代算法将得到唯一的一个含有源数据全部特征的特征基;
假设有k幅来自于多几何图像识别器的大小为m×n的观测图像f1,f2,…,fk,将每副观测图像的元素逐行存储到一个列向量中,得到一个mn×k的矩阵V,V中包含k个列向量v1,v2,...,vk,每个列向量代表k幅观测图像中的一幅图像的信息,如公式(3)所示;对这个观测矩阵V进行投影矩阵分解,分解时取r=1,得到一个唯一的特征基W;此时的W包含参与融合的k幅图像的完整特征,将特征基W还原到源图像的像素级上得到比源图像效果都好的图像;
其中,所述原始训练样本为具有与该原始训练样本的类别对应的类别标签的样本;
步骤二,获取包含有每个所述原始训练样本的二维鲁棒特征的新训练样本集,并利用所述新训练样本集构建分类器;
每个所述原始训练样本的二维鲁棒特征为利用所述投影矩阵对每个所述原始训练样本进行投影得到的;
步骤三,利用所述分类器对待测样本进行分类,得到与所述待测样本的类别对应的分类结果,其中,所述待测样本为未知其类别的样本;
步骤四,从待测样本分类结果中获取目标图像;
步骤五,按照所述目标图像中人物直立的方向将所述目标图像划分为至少两个区域;
步骤六,提取每个区域在多个颜色空间的色彩信息;将从所述至少两个区域中提取到的多个颜色空间的色彩信息组合,得到表示所述目标图像的组合特征向量;具体为:
1)提取颜色特征和自适应LBP算子特征;
2)构建多特征底秩矩阵表示模型;
s.t.Xi=XiAi+Ei,i=1,…,K
其中α是大于0的系数,用来度量噪声和野点带来的误差;
等价为以下模型:
3)对模型分解以及求解,得到子模型;
4)输出伪区域并得到最后准确的区域;
5)输出目标图像的组合特征向量的图像;
提取自适应LBP算子特征算法的具体步骤如下:
(1)将输入系统的图像转换成灰度图像,对图像{grayv(i,j)}像素灰度值求和,再获取平均值:
(2)利用总的纹理特征去除背景,计算图像的像素灰度值与平均像素灰度值的差值的绝对值之和,求其平均值:
利用局部纹理特征去除背景,用3×3大小的滑动窗口,遍历图像,求取中心像素灰度值与周边像素灰度值之差,在每一个窗口图像内求取平均值:
(3)拟合计算自适应阈值的方法:
所述迭代求解优化问题时,为:
固定其他变量求解Ji得:
利用奇异值阈值求解;
所述输出伪区域并得到最后准确的区域,具体为:
(1)根据区域大小、比例留下每个子空间的外接矩阵即为疑似区域;
(2)设置一个跳变函数f(i,j),对疑似区域进行精确定位,确定精确区域的上下边界:
其中c(i,j)为
c(i,j)=LBP8,1(i,j)-LBP8,1(i,j-1)
上两式中i=1,2,3,4,…N,j=2,3,4,…M,因此任意一行i的跳变次数和S(i)为:
如果任意一行跳变次数的和S(i≥12),则这一行属于精确区域;由上至下对整幅图像进行扫描,找出所有满足S(i≥12)的行,并记录下这一行的行数i;如果有连续的h行满足S(i≥12),则可以得到一个宽度为M,高度为h的矩形区域,这个区域就是精确区域,图像中不具有此特征的区域得到排除。
2.如权利要求1所述的几何图像识别特征提取方法,其特征在于,所述提取每个区域在多个颜色空间的色彩信息包括:
根据颜色直方图提取每个区域在多个颜色空间中各个颜色维度的信息并用特征向量进行表示。
3.如权利要求2所述的几何图像识别特征提取方法,其特征在于,所述将从所述至少两个区域中提取到的多个颜色空间的色彩信息组合,得到表示所述目标图像的组合特征向量包括:
将每个区域在每个颜色空间的各个颜色维度的信息组合,得到每个区域中各个颜色空间的组合特征向量;
将所述每个区域中各个颜色空间的组合特征向量进行拼接,得到每个区域在多个颜色空间的组合特征向量;
将所述每个区域在多个颜色空间的组合特征向量进行拼接,得到所述目标图像在所述至少两个区域的多个颜色空间的组合特征向量。
4.如权利要求1所述的几何图像识别特征提取方法,其特征在于,所述利用所述分类器对待测样本进行分类,得到与所述待测样本的类别对应的分类结果,包括:
利用所述投影矩阵对所述待测样本进行投影,得到所述待测样本的待测二维鲁棒特征;
将所述待测二维鲁棒特征作为所述分类器的输入,得到至少一个与所述待测样本对应的类别,并确定得到的至少一个与所述待测样本对应的类别中与所述待测样本的相似性度量最大的类别为所述待测样本的类别。
5.一种实现权利要求1~4任意一项所述几何图像识别特征提取方法的计算机程序。
6.一种实现权利要求1~4任意一项所述几何图像识别特征提取方法的信息数据处理终端。
7.一种计算机可读存储介质,包括指令,当其在计算机上运行时,使得计算机执行如权利要求1-4任意一项所述的几何图像识别特征提取方法。
8.一种如权利要求1所述的几何图像识别特征提取方法的几何图像识别特征提取系统,其特征在于,所述几何图像识别特征提取系统包括:
二维判别特征学习模块,对原始训练集中包含的原始训练样本进行二维判别特征学习;
通过紧凑局部类内散度和分离局部类间散度,进行图像特征学习建模,可有效保持图像像素间的拓扑结构和内在相关性;基于1范数度量,提升了图像描述的鲁棒性,进而通过优化一个特征分解问题,得到可用于图像样本的二维鲁棒特征提取的投影矩阵;其中,所述原始训练样本为具有与该原始训练样本的类别对应的类别标签的样本;
分类器模块,获取包含有每个所述原始训练样本的二维鲁棒特征的新训练样本集,并利用所述新训练样本集构建分类器;
每个所述原始训练样本的二维鲁棒特征为利用所述投影矩阵对每个所述原始训练样本进行投影得到的;
分类结果模块,利用所述分类器对待测样本进行分类,得到与所述待测样本的类别对应的分类结果,其中,所述待测样本为未知其类别的样本;
目标图像获取模块,从待测样本分类结果中获取目标图像;
目标图像划分模块,按照所述目标图像中人物直立的方向将所述目标图像划分为至少两个区域;
目标图像的组合特征向量获取模块,提取每个区域在多个颜色空间的色彩信息;将从所述至少两个区域中提取到的多个颜色空间的色彩信息组合,得到表示所述目标图像的组合特征向量。
9.一种搭载有权利要求8所述几何图像识别特征提取系统的信息数据处理终端。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810143634.0A CN108256588A (zh) | 2018-02-12 | 2018-02-12 | 一种几何图像识别特征提取方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810143634.0A CN108256588A (zh) | 2018-02-12 | 2018-02-12 | 一种几何图像识别特征提取方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108256588A true CN108256588A (zh) | 2018-07-06 |
Family
ID=62744080
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810143634.0A Pending CN108256588A (zh) | 2018-02-12 | 2018-02-12 | 一种几何图像识别特征提取方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108256588A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448040A (zh) * | 2018-10-22 | 2019-03-08 | 湖南机电职业技术学院 | 一种机械生产制造展示辅助系统 |
CN109558557A (zh) * | 2018-11-23 | 2019-04-02 | 京华信息科技股份有限公司 | 一种基于图像识别的移动建模方法、装置及存储介质 |
CN110516687A (zh) * | 2019-08-07 | 2019-11-29 | 北京工业大学 | 一种基于图像融合和改进ResNet的图像识别方法 |
CN110909747A (zh) * | 2019-05-13 | 2020-03-24 | 河南理工大学 | 一种基于多颜色空间主元分析描述的煤矸石识别方法 |
CN113111807A (zh) * | 2021-04-20 | 2021-07-13 | 北京嘀嘀无限科技发展有限公司 | 一种目标识别的方法和系统 |
CN113341534A (zh) * | 2021-07-06 | 2021-09-03 | 浙江天铂云科光电股份有限公司 | 通过曼哈顿街区距离寻找最佳焦距的算法 |
CN115426048A (zh) * | 2022-07-22 | 2022-12-02 | 北京大学 | 一种增广空间信号检测方法、接收装置及光通信系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810474A (zh) * | 2014-02-14 | 2014-05-21 | 西安电子科技大学 | 一种基于多特征低秩矩阵表示的车牌检测方法 |
CN105469117A (zh) * | 2015-12-03 | 2016-04-06 | 苏州大学 | 一种基于鲁棒特征提取的图像识别方法与装置 |
CN106097290A (zh) * | 2016-06-03 | 2016-11-09 | 西安电子科技大学 | 基于nmf图像融合的sar图像变化检测方法 |
CN107506738A (zh) * | 2017-08-30 | 2017-12-22 | 深圳云天励飞技术有限公司 | 特征提取方法、图像识别方法、装置及电子设备 |
-
2018
- 2018-02-12 CN CN201810143634.0A patent/CN108256588A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103810474A (zh) * | 2014-02-14 | 2014-05-21 | 西安电子科技大学 | 一种基于多特征低秩矩阵表示的车牌检测方法 |
CN105469117A (zh) * | 2015-12-03 | 2016-04-06 | 苏州大学 | 一种基于鲁棒特征提取的图像识别方法与装置 |
CN106097290A (zh) * | 2016-06-03 | 2016-11-09 | 西安电子科技大学 | 基于nmf图像融合的sar图像变化检测方法 |
CN107506738A (zh) * | 2017-08-30 | 2017-12-22 | 深圳云天励飞技术有限公司 | 特征提取方法、图像识别方法、装置及电子设备 |
Non-Patent Citations (1)
Title |
---|
JUNYING ZHANG等: "《Image Fusion based on Non-Negative Matrix Factorization》", 《2004 INTERNATIONAL CONFERENCE ON IMAGE PROCESSING》 * |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109448040A (zh) * | 2018-10-22 | 2019-03-08 | 湖南机电职业技术学院 | 一种机械生产制造展示辅助系统 |
CN109558557A (zh) * | 2018-11-23 | 2019-04-02 | 京华信息科技股份有限公司 | 一种基于图像识别的移动建模方法、装置及存储介质 |
CN110909747A (zh) * | 2019-05-13 | 2020-03-24 | 河南理工大学 | 一种基于多颜色空间主元分析描述的煤矸石识别方法 |
CN110909747B (zh) * | 2019-05-13 | 2023-04-07 | 河南理工大学 | 一种基于多颜色空间主元分析描述的煤矸石识别方法 |
CN110516687A (zh) * | 2019-08-07 | 2019-11-29 | 北京工业大学 | 一种基于图像融合和改进ResNet的图像识别方法 |
CN113111807A (zh) * | 2021-04-20 | 2021-07-13 | 北京嘀嘀无限科技发展有限公司 | 一种目标识别的方法和系统 |
CN113111807B (zh) * | 2021-04-20 | 2024-06-07 | 北京嘀嘀无限科技发展有限公司 | 一种目标识别的方法和系统 |
CN113341534A (zh) * | 2021-07-06 | 2021-09-03 | 浙江天铂云科光电股份有限公司 | 通过曼哈顿街区距离寻找最佳焦距的算法 |
CN115426048A (zh) * | 2022-07-22 | 2022-12-02 | 北京大学 | 一种增广空间信号检测方法、接收装置及光通信系统 |
CN115426048B (zh) * | 2022-07-22 | 2024-06-25 | 北京大学 | 一种增广空间信号检测方法、接收装置及光通信系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108256588A (zh) | 一种几何图像识别特征提取方法及系统 | |
US7136524B1 (en) | Robust perceptual color identification | |
Lei et al. | Multiscale superpixel segmentation with deep features for change detection | |
CN109871902B (zh) | 一种基于超分辨率对抗生成级联网络的sar小样本识别方法 | |
Ke et al. | Adaptive change detection with significance test | |
CN108549891A (zh) | 基于背景与目标先验的多尺度扩散显著目标检测方法 | |
KR102045223B1 (ko) | 골 연령 분석 방법, 장치 및 컴퓨터 프로그램 | |
Sommer et al. | Comprehensive analysis of deep learning-based vehicle detection in aerial images | |
CN107784663A (zh) | 基于深度信息的相关滤波跟踪方法及装置 | |
CN101189641A (zh) | 编码数字图像的像素或体素的方法及处理数字图像的方法 | |
CN114241511B (zh) | 一种弱监督行人检测方法、系统、介质、设备及处理终端 | |
CN114022759A (zh) | 一种融合神经网络时空特性的空域有限像素目标检测系统及方法 | |
Yadav et al. | An improved deep learning-based optimal object detection system from images | |
CN102346854A (zh) | 前景物体检测方法和设备 | |
Rao et al. | Object tracking system using approximate median filter, Kalman filter and dynamic template matching | |
CN112464983A (zh) | 一种用于苹果树叶病害图像分类的小样本学习方法 | |
CN111274964A (zh) | 一种基于无人机视觉显著性分析水面污染物的检测方法 | |
CN114332071A (zh) | 一种基于前景信息增强的视频异常检测方法 | |
CN112258525A (zh) | 一种基于鸟类高帧频序列图像丰度统计和种群识别算法 | |
CN117437406A (zh) | 一种多目标检测的方法及装置 | |
Marcos et al. | Automated benthic counting of living and non-living components in Ngedarrak Reef, Palau via subsurface underwater video | |
Hossny et al. | Towards autonomous image fusion | |
CN104766068A (zh) | 一种多规则融合的随机游走舌像提取方法 | |
Japar et al. | Coherent group detection in still image | |
Wang et al. | An unsupervised automatic measurement of wheat spike dimensions in dense 3D point clouds for field application |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180706 |