CN108898121B - 一种图像特征的提取方法及系统 - Google Patents

一种图像特征的提取方法及系统 Download PDF

Info

Publication number
CN108898121B
CN108898121B CN201810725356.XA CN201810725356A CN108898121B CN 108898121 B CN108898121 B CN 108898121B CN 201810725356 A CN201810725356 A CN 201810725356A CN 108898121 B CN108898121 B CN 108898121B
Authority
CN
China
Prior art keywords
gradient
cell unit
directions
cell
pixel
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
CN201810725356.XA
Other languages
English (en)
Other versions
CN108898121A (zh
Inventor
范少华
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.)
HIVINTEK OPTRONICS (SUZHOU) Inc
Original Assignee
HIVINTEK OPTRONICS (SUZHOU) Inc
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 HIVINTEK OPTRONICS (SUZHOU) Inc filed Critical HIVINTEK OPTRONICS (SUZHOU) Inc
Priority to CN201810725356.XA priority Critical patent/CN108898121B/zh
Publication of CN108898121A publication Critical patent/CN108898121A/zh
Application granted granted Critical
Publication of CN108898121B publication Critical patent/CN108898121B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • 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

Abstract

本发明揭示了一种图像特征提取方法及系统，方法包括计算被提取图像中每个像素在8个方向上的梯度；将所述被提取图像分成多个细胞单元，并根据所述每个像素在8个方向上的梯度统计每个细胞单元在8个方向的梯度直方图；根据所述每个细胞单元在8个方向的梯度直方图计算所述细胞单元的特征向量；将每个所述细胞单元的特征向量组合后获得所述被提取图像的特征。本发明能够获得低维数的特征向量及较少的特征数据，并且降低数据处理器的数据运算能力，广泛适用于目标识别、物体跟踪等图像应用中。

Description

一种图像特征的提取方法及系统
技术领域
本发明涉及一种图像处理技术领域，尤其是涉及一种图像特征的提取方法及系统。
背景技术
随着科技的不断发展，方向梯度直方图(Histogram of Oriented Gradient,HOG)特征结合SVM(Support Vector Machine，支持向量机)分类器被广泛应用于图像识别，尤其应用于行人检测。HOG特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子，它通过计算和统计图像局部区域的梯度方向直方图来构成特征。
现有技术中，针对一幅图像提取HOG特征常采用以下步骤：首先，计算图像在水平和垂直方向梯度值，并根据梯度值通过反三角函数计算出空间方向，此时图像中每个像素具有一个方向和幅值属性；其次，将图像划分成若干个单元格(Cell)，同时统计每个单元格的梯度直方图，并对梯度直方图进行规定权重的投影，其中，幅值作为加权系数；最后，将单元格合并为更大的块(Block)结构，对于每一个重叠块内的单元格进行对比度归一化，将所有块内直方图向量组合成一个大的HOG特征向量。
现有的HOG特征提取方法一般生成36维特征向量，并且图像特征的数据量较大，需要占用大的存储空间进行存储；同时，在计算方向时，每个像素需要进行反三角函数计算，计算相对复杂，对数据处理器(如CPU、单片机等)的数据运算能力要求较高。
发明内容
本发明的目的在于克服现有技术的缺陷，提供一种可获得低维数特征向量，并且降低数据运算能力的图像提取方法及系统。
为实现上述目的，本发明提出如下技术方案：一种图像特征提取方法，包括如下步骤：
S1，计算被提取图像中每个像素在8个方向上的梯度；
S2，将所述被提取图像分成多个细胞单元，并根据所述每个像素在8个方向上的梯度统计每个细胞单元在8个方向的梯度直方图；
S3，根据所述每个细胞单元在8个方向的梯度直方图计算所述细胞单元的特征向量；及
S4，将每个所述细胞单元的特征向量组合后获得所述被提取图像的特征。
优选地，在步骤S1中，所述像素在8个方向上的梯度通过计算其与周围相邻8个像素的差值获得。
优选地，在步骤S2中，所述每个细胞单元在8个方向上的梯度直方图根据如下步骤统计：
S201，根据像素在8个方向上的梯度计算获得所述像素在8个方向上梯度幅值的平方值；
S202，根据像素在8个方向上梯度幅值的平方值及如下公式统计每个细胞单元在8个方向上的梯度直方图，
Figure BDA0001719578170000021
其中，m，n＝1，2，…，k，k为细胞单元在水平方向上包含的像素数，Hi,j为细胞单元的梯度直方图，
Figure BDA0001719578170000031
表示像素在第一方向上梯度幅值的平方值，依次类推，
Figure BDA0001719578170000032
表示像素在第八方向上梯度幅值的平方值。
优选地，在步骤S3中，每个细胞单元的特征向量根据如下步骤计算：
S301，将待计算特征向量的细胞单元与其周围相邻的8个细胞单元分成4组，每组中均包含待计算特征向量的细胞单元；
S302，根据如下公式依次计算细胞单元在每个方向上每组的值；
Figure BDA0001719578170000033
Figure BDA0001719578170000034
Figure BDA0001719578170000035
Figure BDA0001719578170000036
其中，
Figure BDA0001719578170000037
表示待计算特征向量的细胞单元的梯度直方图，
Figure BDA0001719578170000038
表示与待计算特征向量的细胞单元相邻的第一个细胞单元的梯度直方图，依次类推，
Figure BDA0001719578170000039
表示与待计算特征向量的细胞单元相邻的第八个细胞单元的梯度直方图；
Figure BDA00017195781700000310
表示第一个细胞单元分组的值，依次类推，
Figure BDA00017195781700000311
表示第四个细胞单元分组的值；
S303，根据每个方向上每组的值及如下公式计算细胞单元在每个方向上的特征向量；
Figure BDA00017195781700000312
其中，r＝1，2，3，4。
S304，将每个方向上的特征向量组合后获得所述细胞单元的特征向量。
优选地，在步骤S304中，
Figure BDA00017195781700000313
其中，r＝1，2，3，4；β为0～5。
本发明还揭示了一种图像特征提取系统，包括
梯度计算模块，用于计算待提取图像中每个像素在8个方向上的梯度；
梯度直方图统计模块，用于将被提取图像分成多个细胞单元，并根据每个像素在8个方向上的梯度统计每个细胞单元在8个方向上的梯度直方图；
特征向量计算模块，用于根据所述每个细胞单元在8个方向的梯度直方图计算所述细胞单元的特征向量；及
图像特征获取模块，用于根据每个所述细胞单元的特征向量获得被提取图像的图像特征。
优选地，所述梯度计算模块通过计算像素与其周围相邻的8个像素的差值获得该像素在8个方向上的梯度。
优选地，所述梯度直方图统计模块包括
细胞单元划分模块，用于将被提取图像划分成若干个细胞单元；
统计模块，用于根据如下公式统计每个细胞单元中在8个方向上的梯度直方图；
Figure BDA0001719578170000041
其中，Hi,j表示细胞单元在8个方向上的梯度直方图，
Figure BDA0001719578170000042
表示像素在第一方向上梯度幅值的平方值，依次类推，
Figure BDA0001719578170000043
表示像素在第八方向上梯度幅值的平方值；m，n＝1，2，…，k，k为细胞单元在水平方向上包含的像素数。
优选地，所述特征向量计算模块包括
分组计算模块，用于将待处理的细胞单元与其周围相邻的8个细胞单元分成4组，根据如下公式依次计算细胞单元在每个方向上每组的值；
Figure BDA0001719578170000051
Figure BDA0001719578170000052
Figure BDA0001719578170000053
Figure BDA0001719578170000054
其中，
Figure BDA0001719578170000055
表示待计算特征向量的细胞单元的梯度直方图，
Figure BDA0001719578170000056
表示与待计算特征向量的细胞单元相邻的第一个细胞单元的梯度直方图，依次类推，
Figure BDA0001719578170000057
表示与待计算特征向量的细胞单元相邻的第八个细胞单元的梯度直方图；
Figure BDA0001719578170000058
表示第一个细胞单元分组的值，依次类推，
Figure BDA0001719578170000059
表示第四个细胞单元分组的值；
向量获取模块，用于根据每个方向上每组的值及如下公式计算细胞单元在每个方向上的特征向量；
Figure BDA00017195781700000510
其中，r＝1，2，3，4。
优选地，所述特征向量计算模块还包括数据选取模块，所述数据选取模块根据如下公式选取用于计算特征向量的
Figure BDA00017195781700000511
Figure BDA00017195781700000512
其中，r＝1，2，3，4；β为0～5。
本发明的有益效果是：
与现有技术相比，本发明所述的图像特征提取方法及系统，在保持图像形状和光照不变的情况下，可获得低维数特征向量及较少的特征数据，并且通过改变特征向量的计算方式，降低数据处理器的数据运算能力，提升图像的处理速度，降低了对硬件平台的要求，可在嵌入式平台中运行，尤其在目标识别、物体跟踪等图像应用中具有明显优势。
附图说明
图1是本发明的方法流程图示意图；
图2是本发明的待处理像素梯度计算示意图；
图3是本发明的细胞单元划分示意图；
图4是本发明的细胞单元分组示意图；
图5是本发明的系统结构框图示意图。
具体实施方式
下面将结合本发明的附图，对本发明实施例的技术方案进行清楚、完整的描述。
本发明所揭示的一种图像特征的提取方法及系统，在保持图像形状和光照不变的情况下，可获得低维数特征向量及较少的特征数据，并且通过改变特征向量的计算方式，降低数据处理器的数据运算能力，广泛适用于目标识别、物体跟踪等。
结合1图所示，一种图像特征的提取方法，包括如下步骤：
S1，计算待提取图像中每个像素在8个方向上的梯度；
具体地，在计算每个像素在8个方向上的梯度之前需对被提取图像通过行预处理来降低图像局部的阴影和光照变化所造成的影响，预处理可以采用Gamma校正法对被提取图像进行颜色空间的标准化。
进一步地，每个像素在8个方向上的梯度通过如下方式计算：
通过计算待处理像素及其周围相邻的8个像素的差值可获得所述待处理像素在8个方向上的梯度。
如图2所示，待处理像素Px,y的周围共分布着8个像素，其与周围相邻的8个像素组成一3×3区域，其中，
Figure BDA0001719578170000061
表示与待处理像素Px,y相邻的第一个像素，依次类推，
Figure BDA0001719578170000062
表示与待处理像素Px,y相邻的第八个像素。具体实施时，对于彩色图像而言，待提取图像中的每个像素使用RGB值进行表示，而对于灰度图像而言，每个像素使用灰度值进行表示。本发明在计算待处理像素Px,y在8个方向上的梯度时，优选使用灰度值进行计算，对于彩色图像，可现将其转换为灰度图像再计算每个像素在8个方向上的梯度。
在图像特征提取时，计算待处理像素Px,y与其周围相邻像素
Figure BDA0001719578170000071
的像素差值，其中，i＝1，2，…，8，使得待处理像素Px,y具有8个方向上的梯度，每个梯度具有梯度幅值和梯度方向，其中，梯度方向如图中箭头所示，每个梯度的梯度幅值为
Figure BDA0001719578170000072
其中，i＝1，2，…，8；
Figure BDA0001719578170000073
表示待处理像素周围的第i个像素的灰度值，Px,y表示待处理像素的灰度值。
通过上述计算，待处理像素Px,y具有8个特征，进一步对每个梯度幅值进行平方处理，并将上述获得的8个数据进行组合，可获得待处理像素Px,y在8个方向上梯度幅值的平方值，其可以用作加权系数，如下所示。
Figure BDA0001719578170000074
其中，Gx,y表示待处理像素Px,y在8个方向上梯度幅值的平方值。
通过计算待提取图像特征的图像中每个像素在8个方向上的梯度，最终形成一幅梯度图像G，可表示如下，在所述梯度图像G中每个像素均具有8个特征。
Figure BDA0001719578170000075
S2，将所述被提取图像分成多个细胞单元，并根据每个像素在8个方向上的梯度统计每个细胞单元在8个方向的梯度直方图；
为了降低存储每个像素特征数据的存储空间大小，可通过对每个像素所具有的特征进一步压缩来减少特征数据量。进一步地，可通过将被提取图像划分成多个细胞单元，统计每个细胞单元在8个方向的梯度直方图来减少特征数据量。
如图3所示，实施时，首先将被提取图像划分成若干个细胞单元，细胞单元的形状以矩形为最佳，每个细胞单元中包含k×k个像素，其中，k为细胞单元在水平方向上包含的像素数。本实施例中，每个细胞单元包含4×4个像素。进一步地，每个细胞单元中在8个方向上的梯度直方图，可根据如下公式进行统计：
Figure BDA0001719578170000081
其中，Hi,j表示细胞单元在8个方向上的梯度直方图信息，
Figure BDA0001719578170000082
表示细胞单元在第1个方向上的梯度直方图信息，依次类推，
Figure BDA0001719578170000083
表示细胞单元在第八个方向上的梯度直方图信息；m，n＝1，2，…，k。
所有细胞单元在8个方向上的梯度直方图可以组成直方图图像H。
S3，根据所述每个细胞单元在8个方向的梯度直方图计算所述细胞单元的特征向量；
具体地，以待计算特征向量的细胞单元为中心，将其与周围相邻的8个细胞单元组成3×3的区域，如图4所示。计算细胞单元的特征向量时，首先对3×3区域中的细胞单元进行分成4组，每组中均包括待计算特征向量的细胞单元，如图4所示，
Figure BDA0001719578170000084
为待处理细胞单元，
Figure BDA0001719578170000085
Figure BDA0001719578170000086
表示待处理细胞单元周围的8个细胞单元的梯度直方图信息，可形成如下分组
Figure BDA0001719578170000087
Figure BDA0001719578170000088
4组。
进一步地，计算细胞单元在每个方向上的特征向量。
本实施例中，以计算细胞单元在第一个方向上的特征向量为例，同理可得细胞单元在其他方向上的特征向量。
首先，根据如下公式计算每一组的值：
Figure BDA0001719578170000091
Figure BDA0001719578170000092
Figure BDA0001719578170000093
Figure BDA0001719578170000094
其中，
Figure BDA0001719578170000095
表示待计算特征向量的细胞单元的梯度直方图，
Figure BDA0001719578170000096
表示与待计算特征向量的细胞单元相邻的第一个细胞单元的梯度直方图，依次类推，
Figure BDA0001719578170000097
表示与待计算特征向量的细胞单元相邻的第八个细胞单元的梯度直方图；
Figure BDA0001719578170000098
表示第一个细胞单元分组的值，依次类推，
Figure BDA0001719578170000099
表示第四个细胞单元分组的值。
其次，为了减小计算误差，对
Figure BDA00017195781700000910
做截止处理，如下所示：
Figure BDA00017195781700000911
其中，r＝1，2，3，4；β为0～5，具体实施时，以β取3最佳。
最后，根据如下公式及上述获得的
Figure BDA00017195781700000912
值，可获得细胞单元在第一个方向上的特征向量。
Figure BDA00017195781700000913
其中，
Figure BDA00017195781700000914
表示待处理细胞单元在第一方向上的特征向量。同理可得，待处理下细胞单元在第二方向至第八方向上的特征向量。将上述8个特征向量组合后，可得该细胞单元的特征向量，如下所示。
Figure BDA0001719578170000101
S4，将每个所述细胞单元的特征向量组合后获得图像的特征。
具体地，通过上述方法计算得到每个细胞单元的特征向量，其中，每个细胞单元的特征向量为8维特征向量。将每个细胞单元的特征向量组合后可获得被提取图像的特征，如下所示：
Figure BDA0001719578170000102
如图5所示，本发明还揭示了一种图像特征提取系统，包括：
梯度计算模块，用于计算待提取图像中每个像素在8个方向上的梯度；
梯度直方图统计模块，用于将被提取图像分成多个细胞单元，并根据每个像素在8个方向上的梯度统计每个细胞单元在8个方向上的梯度直方图；
特征向量计算模块，用于根据所述每个细胞单元在8个方向的梯度直方图计算所述细胞单元的特征向量；及
图像特征获取模块，用于根据每个所述细胞单元的特征向量获得图像特征。
具体地，梯度计算模块通过计算待处理像素及其周围相邻的8个像素的差值可获得所述待处理像素在8个方向上的梯度。如图2所示，待处理像素Px,y的周围共分布着8个像素，其与周围相邻的8个像素组成一3×3区域，其中，
Figure BDA0001719578170000103
表示与待处理像素Px,y相邻的第一个像素，依次类推，
Figure BDA0001719578170000104
表示与待处理像素Px,y相邻的第八个像素。具体实施时，对于彩色图像而言，待提取图像中的每个像素使用RGB值进行表示，而对于灰度图像而言，每个像素使用灰度值进行表示。本发明在计算待处理像素Px,y在8个方向上的梯度时，优选使用灰度值进行计算，对于彩色图像，可现将其转换为灰度图像再计算每个像素在8个方向上的梯度。
在图像特征提取时，计算待处理像素Px,y与其周围相邻像素
Figure BDA0001719578170000111
的像素差值，其中，i＝1，2，…，8，使得待处理像素Px,y具有8个方向上的梯度，每个梯度具有梯度幅值和梯度方向，其中，梯度方向如图中箭头所示，梯度幅值为
Figure BDA0001719578170000112
其中，i＝1，2，…，8；
Figure BDA0001719578170000113
表示待处理像素周围的第i个像素的灰度值，Px,y表示待处理像素的灰度值。
通过上述计算，待处理像素Px,y具有8个特征，进一步对每个梯度幅值进行平方处理，并将其进行组合，可获得待处理像素Px,y在8个方向上梯度幅值的平方值，其可以用作加权系数，如下所示。
Figure BDA0001719578170000114
进一步地，梯度直方图统计模块包括细胞单元划分模块和统计模块，其中，细胞单元划分模块用于将被提取图像划分成若干个细胞单元；统计模块用于统计每个细胞单元中在8个方向上的梯度直方图。具体地，细胞单元划分模块将被提取图像划分成若干个细胞单元，细胞单元的形状以矩形为最佳，每个细胞单元中包含k×k个像素，其中，k为细胞单元在水平方向上包含的像素数。本实施例中，每个细胞单元包含4×4个像素。统计模块根据如下公式统计每个细胞单元在8个方向上的梯度直方图。
Figure BDA0001719578170000115
其中，Hi,j表示…，
Figure BDA0001719578170000121
表示…，q＝1，2，…，8；m，n＝1，2，…，k。
进一步地，特征向量计算模块包括分组计算模块和向量计算模块。其中，分组计算模块用于将待处理的细胞单元与其周围相邻的8个细胞单元分成4组，并计算每组的值；向量计算模块用于根据每组数值计算细胞单元的特征向量。所述特征向量计算模块还包括数据选取模块，用于根据预设条件，选取每组的值。
具体地，分组计算模块以待计算特征向量的细胞单元为中心，将其与周围相邻的8个细胞单元组成3×3的区域。分组计算模块对3×3的区域中细胞单元进行分成4组，每组中均包括待计算特征向量的细胞单元，
Figure BDA0001719578170000122
为待处理细胞单元，
Figure BDA0001719578170000123
表示待处理细胞单元周围的8个细胞单元，可形成如下分组：
Figure BDA0001719578170000124
Figure BDA0001719578170000125
共4组。
本实施例中，以计算细胞单元在第一个方向上的特征向量为例，同理可得其他方向上的特征向量。
分组后，分组计算模块根据如下公式计算每一组的值，
Figure BDA0001719578170000126
其中，
Figure BDA0001719578170000127
表示待计算特征向量的细胞单元的梯度直方图，
Figure BDA0001719578170000128
表示与待计算特征向量的细胞单元相邻的第一个细胞单元的梯度直方图，依次类推，
Figure BDA0001719578170000129
表示与待计算特征向量的细胞单元相邻的第八个细胞单元的梯度直方图；
Figure BDA00017195781700001210
表示第一个细胞单元分组的值，依次类推，
Figure BDA00017195781700001211
表示第四个细胞单元分组的值。
进一步地，数据选取模块根据如下公式选取
Figure BDA00017195781700001212
的值，如下所示：
Figure BDA00017195781700001213
其中，r＝1，2，3，4；β为0～5，具体实施时，以β取3最佳。
进一步地，向量计算模块根据如下公式计算细胞单元在第一个方向上的特征向量。
Figure BDA0001719578170000131
其中，
Figure BDA0001719578170000132
表示待处理细胞单元在第一方向上的特征向量。同理可得，待处理下细胞单元在第二方向至第八方向上的特征向量。将上述8个特征向量组合后，可获得该细胞单元的特征向量。
Figure BDA0001719578170000133
进一步地，图像特征获取模块将每个细胞单元的特征向量组合后可获得被提取图像的特征，如下所示：
Figure BDA0001719578170000134
本发明的技术内容及技术特征已揭示如上，然而熟悉本领域的技术人员仍可能基于本发明的教示及揭示而作种种不背离本发明精神的替换及修饰，因此，本发明保护范围应不限于实施例所揭示的内容，而应包括各种不背离本发明的替换及修饰，并为本专利申请权利要求所涵盖。

Claims (8)

1.一种图像特征的提取方法，其特征在于，包括如下步骤：
S1，计算被提取图像中每个像素在8个方向上的梯度；
S2，将所述被提取图像分成多个细胞单元，并根据所述每个像素在8个方向上的梯度统计每个细胞单元在8个方向的梯度直方图；
S3，根据所述每个细胞单元在8个方向的梯度直方图计算所述细胞单元的特征向量；及
S4，将每个所述细胞单元的特征向量组合后获得所述被提取图像的特征；
其中，步骤S3中，每个细胞单元的特征向量根据如下步骤计算：
S301，将待计算特征向量的细胞单元与其周围相邻的8个细胞单元分成4组，形成如下分组：
Figure FDA0003331800890000011
Figure FDA0003331800890000012
每组中均包含待计算特征向量的细胞单元；
S302，根据如下公式依次计算细胞单元在8个梯度方向上每组的值；
Figure FDA0003331800890000013
Figure FDA0003331800890000014
Figure FDA0003331800890000015
Figure FDA0003331800890000016
其中，
Figure FDA0003331800890000017
表示待计算特征向量的细胞单元的梯度直方图，
Figure FDA0003331800890000018
表示与待计算特征向量的细胞单元相邻的第一个细胞单元的梯度直方图，依次类推，
Figure FDA0003331800890000019
表示与待计算特征向量的细胞单元相邻的第八个细胞单元的梯度直方图；
Figure FDA0003331800890000021
表示第一个细胞单元分组的值，依次类推，
Figure FDA0003331800890000022
表示第四个细胞单元分组的值；
S303，根据8个梯度方向上每组的值及如下公式计算细胞单元在8梯度个方向上的特征向量，分别为：
Figure FDA0003331800890000023
Figure FDA0003331800890000024
Figure FDA0003331800890000025
Figure FDA0003331800890000026
Figure FDA0003331800890000027
Figure FDA0003331800890000028
Figure FDA0003331800890000029
Figure FDA00033318008900000210
其中，
Figure FDA00033318008900000211
表示待处理细胞单元在第一梯度方向上的特征向量，依次类推，
Figure FDA00033318008900000212
表示待处理细胞单元在第八梯度方向上的特征向量，r＝1，2，3，4；
S304，将8个梯度方向上的特征向量组合后获得所述细胞单元的特征向量：
Figure FDA00033318008900000213
2.根据权利要求1所述的方法，其特征在于，在步骤S1中，所述像素在8个方向上的梯度通过计算其与周围相邻8个像素的差值获得。
3.根据权利要求1所述的方法，其特征在于，在步骤S2中，所述每个细胞单元在8个方向上的梯度直方图根据如下步骤统计：
S201，根据像素在8个方向上的梯度计算获得所述像素在8个方向上梯度幅值的平方值；
S202，根据像素在8个方向上梯度幅值的平方值及如下公式统计每个细胞单元在8个方向上的梯度直方图，
Figure FDA0003331800890000031
其中，m，n＝1，2，…，k，k为细胞单元在水平方向上包含的像素数，Hi,j为细胞单元的梯度直方图，
Figure FDA0003331800890000032
表示像素在第一方向上梯度幅值的平方值，依次类推，
Figure FDA0003331800890000033
表示像素在第八方向上梯度幅值的平方值。
4.根据权利要求1所述的方法，其特征在于，在步骤S304中，
Figure FDA0003331800890000034
其中，r＝1，2，3，4；β为0～5。
5.一种图像特征的提取系统，其特征在于，包括
梯度计算模块，用于计算待提取图像中每个像素在8个方向上的梯度；
梯度直方图统计模块，用于将被提取图像分成多个细胞单元，并根据每个像素在8个方向上的梯度统计每个细胞单元在8个方向上的梯度直方图；
特征向量计算模块，用于根据所述每个细胞单元在8个方向的梯度直方图计算所述细胞单元的特征向量；及
图像特征获取模块，用于根据每个所述细胞单元的特征向量获得被提取图像的图像特征；
其中，所述特征向量计算模块包括：
分组计算模块，用于将待处理的细胞单元与其周围相邻的8个细胞单元分成如下4组：
Figure FDA0003331800890000041
Figure FDA0003331800890000042
进一步根据如下公式计依次计算细胞单元在8个梯度方向上每组的值；
Figure FDA0003331800890000043
Figure FDA0003331800890000044
Figure FDA0003331800890000045
Figure FDA0003331800890000046
其中，
Figure FDA0003331800890000047
表示待计算特征向量的细胞单元的梯度直方图，
Figure FDA0003331800890000048
表示与待计算特征向量的细胞单元相邻的第一个细胞单元的梯度直方图，依次类推，
Figure FDA0003331800890000049
表示与待计算特征向量的细胞单元相邻的第八个细胞单元的梯度直方图；
Figure FDA00033318008900000410
表示第一个细胞单元分组的值，依次类推，
Figure FDA00033318008900000411
表示第四个细胞单元分组的值；
向量获取模块，用于根据8梯度个方向上每组的值及如下公式计算细胞单元在8梯度个方向上的特征向量，分别为：
Figure FDA00033318008900000412
Figure FDA00033318008900000413
Figure FDA0003331800890000051
Figure FDA0003331800890000052
Figure FDA0003331800890000053
Figure FDA0003331800890000054
Figure FDA0003331800890000055
Figure FDA0003331800890000056
其中，
Figure FDA0003331800890000057
表示待处理细胞单元在第一梯度方向上的特征向量，依次类推，
Figure FDA0003331800890000058
表示待处理细胞单元在第八梯度方向上的特征向量，r＝1，2，3，4。
6.根据权利要求5所述的系统，其特征在于，所述梯度计算模块通过计算像素与其周围相邻的8个像素的差值获得该像素在8个方向上的梯度。
7.根据权利要求5所述的系统，其特征在于，所述梯度直方图统计模块包括
细胞单元划分模块，用于将被提取图像划分成若干个细胞单元；
统计模块，用于根据如下公式统计每个细胞单元中在8个方向上的梯度直方图；
Figure FDA0003331800890000059
其中，Hi,j表示细胞单元在8个方向上的梯度直方图，
Figure FDA00033318008900000510
表示像素在第一方向上梯度幅值的平方值，依次类推，
Figure FDA00033318008900000511
表示像素在第八方向上梯度幅值的平方值；m，n＝1，2，…，k，k为细胞单元在水平方向上包含的像素数。
8.根据权利要求7所述的系统，其特征在于，所述特征向量计算模块还包括数据选取模块，所述数据选取模块根据如下公式选取用于计算特征向量的
Figure FDA0003331800890000061
Figure FDA0003331800890000062
其中，r＝1，2，3，4；β为0～5。
CN201810725356.XA 2018-07-04 2018-07-04 一种图像特征的提取方法及系统 Active CN108898121B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810725356.XA CN108898121B (zh) 2018-07-04 2018-07-04 一种图像特征的提取方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810725356.XA CN108898121B (zh) 2018-07-04 2018-07-04 一种图像特征的提取方法及系统

Publications (2)

Publication Number Publication Date
CN108898121A CN108898121A (zh) 2018-11-27
CN108898121B true CN108898121B (zh) 2021-12-07

Family

ID=64347916

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810725356.XA Active CN108898121B (zh) 2018-07-04 2018-07-04 一种图像特征的提取方法及系统

Country Status (1)

Country Link
CN (1) CN108898121B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112102280B (zh) * 2020-09-11 2021-03-23 哈尔滨市科佳通用机电股份有限公司 铁路货车小部件承挡键螺母松动和丢失故障检测方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9064157B2 (en) * 2012-11-30 2015-06-23 National Chung Shan Institute Of Science And Technology Pedestrian detection systems and methods
CN104598929A (zh) * 2015-02-03 2015-05-06 南京邮电大学 一种hog特征快速提取方法
CN104850852B (zh) * 2015-04-27 2018-06-12 小米科技有限责任公司 特征向量计算方法和装置
CN106295519A (zh) * 2016-07-25 2017-01-04 中国人民解放军军事医学科学院卫生装备研究所 一种针对灾害现场人体搜寻的图像特征
CN108052971A (zh) * 2017-12-11 2018-05-18 奕响（大连）科技有限公司 一种基于hog改进的图片相似判定方法

Also Published As

Publication number Publication date
CN108898121A (zh) 2018-11-27

Similar Documents

Publication Publication Date Title
Ma et al. Region-of-interest detection via superpixel-to-pixel saliency analysis for remote sensing image
CN112837303A (zh) 一种用于模具监视的缺陷检测方法、装置、设备及介质
CN112800838A (zh) 一种基于深度学习的航道船舶检测与识别方法
CN110648284B (zh) 一种光照不均匀的图像处理方法及装置
CN108292367B (zh) 图像处理装置、半导体装置、图像识别装置、移动体装置以及图像处理方法
CN114897779A (zh) 基于融合注意力的宫颈细胞学图像异常区域定位方法及装置
CN111199186A (zh) 图像质量评分模型训练方法、装置、设备及存储介质
CN106846343A (zh) 一种基于聚类超像素分割的病理图像特征提取方法
CN108898121B (zh) 一种图像特征的提取方法及系统
CN111563517A (zh) 图像处理方法、装置、电子设备及存储介质
US8243167B2 (en) Image sensor having output of integral image
CN112084988B (zh) 车道线实例聚类方法、装置、电子设备和存储介质
KR20130035914A (ko) 디지털 단색 이미지의 결함 픽셀의 휘도를 정정하는 방법
CN112435283A (zh) 图像的配准方法、电子设备以及计算机可读存储介质
CN112598012A (zh) 神经网络模型中数据处理方法、存储介质和电子装置
CN105608673B (zh) 图像颜色量化与抖动方法和系统
CN113298702B (zh) 基于大尺寸图像像素点的重新排序和分割方法
CN114943729A (zh) 一种高分辨率细胞图像的细胞计数方法及系统
CN110458851A (zh) 红外图像处理方法、装置、计算机设备和存储介质
CN112967331B (zh) 一种图像处理的方法、电子设备及存储介质
CN113111770A (zh) 一种视频处理方法、装置、终端及存储介质
CN113744220A (zh) 一种基于pynq的无预选框检测系统
CN106570911A (zh) 一种基于daisy描述子的脸部卡通画合成方法
CN107563415B (zh) 一种基于局部滤波特征矢量的图像匹配方法
Hsu et al. Reconfigurable cache memory architecture for integral image and integral histogram applications

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
GR01 Patent grant
GR01 Patent grant