CN109035277A - 基于显著性轮廓特征片段的目标识别方法 - Google Patents
基于显著性轮廓特征片段的目标识别方法 Download PDFInfo
- Publication number
- CN109035277A CN109035277A CN201810766943.3A CN201810766943A CN109035277A CN 109035277 A CN109035277 A CN 109035277A CN 201810766943 A CN201810766943 A CN 201810766943A CN 109035277 A CN109035277 A CN 109035277A
- Authority
- CN
- China
- Prior art keywords
- segment
- profile
- point
- curvature
- contour
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 11
- 230000011218 segmentation Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 10
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000009466 transformation Effects 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 239000012634 fragment Substances 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G06T5/70—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20172—Image enhancement details
- G06T2207/20192—Edge enhancement; Edge preservation
Abstract
基于显著性轮廓特征片段的目标识别方法,包括以下步骤:步骤一、轮廓曲率计算及划分;步骤二、获得具有显著特征的轮廓片段;步骤三、轮廓片段的目标识别。本发明相对于现有的技术,确定了轮廓片段划分的显著性评价参数,通过价值性和重要性对轮廓片段进行整体评价,保证了所划分的轮廓片段具有显著特征,并有效应用于轮廓片段的目标识别,提高了目标识别率。
Description
技术领域
本发明涉及目标识别领域,特别是涉及一种基于显著性轮廓特征片段的目标识别方法。
背景技术
目标检测和识别技术在航空航天、卫星导航、视频监控、智能机器人导航、无人汽车驾驶、姿态识别、形状检索、动画合成及家用智能设备等军事民用领域得到了越来越广泛的应用。轮廓特征在目标识别中具有难以比拟的优势:即使当一个图像目标失去了颜色或纹理特征,人眼仍然能够识别出该物体的类别。众多经验表明,轮廓特征是一种更高级的视觉信息,识别的鲁棒性和稳定性更高。基于轮廓片段的目标识别因为轮廓划分并不能保证片段具有显著特征,而且没有统一的评价方法,因此最重要的是得到具有显著特征的轮廓片段。
形状片段或轮廓片段描述方法是近年来在自然图像目标识别中应用最广泛的目标识别方法。按照检测过程中所用的轮廓特征划分,可以分为基于局部特征的检测方法和基于全局特征的检测方法。局部特征反映轮廓的某一部分的特征信息,不能表示整个目标物体的特征,一般此种方法是通过检测算法检测到目标的局部信息。全局特征表示整体形状的信息,样本轮廓为闭合形状,整体信息充足,但当在自然场景图像中,提取的轮廓往往是不完全的信息,因此关于形状轮廓的局部特征的研究一直是学者致力解决的问题。
轮廓以其抗光照,对颜色、纹理变化的抗干扰性强吸引了研究者的注意,而具有显著特征的轮廓片段也能被人类识别,所以在轮廓的基础上进一步获得显著轮廓片段成为了研究者的重点。Filip kroluppe等人通过轮廓上拐点,对轮廓进行多边形近似来达到划分轮廓的目的。白翔在论文Detection and Recognition of Contour Parts Based onShape Similarity中提出通过对已知对象的完整轮廓使用DCE(离散曲线演化)算法,把轮廓分成多个部分。史思琦在论文中提出通过计算轮廓曲率来划分轮廓,给出了轮廓片段中特征点和非特征点的定义,并运用特征点和非特征点的比值来评价轮廓片段的局部性。
发明内容
发明目的:
一种基于显著性轮廓特征片段的目标识别方法,其目的是解决基于轮廓片段目标识别中存在的轮廓划分不合理或没有对轮廓片段作出评价的问题,该方法对获得的物体轮廓进行曲率计算,根据轮廓划分方案对轮廓进行分段,并从曲率差值、波动幅度、弯曲比三个方面对轮廓片段的价值性进行评价。对不合理划分的片段进行合并,从轮廓片段长度相对于整体轮廓长度方面对片段进行重要性评价,得到具有显著特征的轮廓片段。将合理划分的轮廓片段和轮廓片段数据库进行相似性度量,从而获得目标的最佳匹配结果。本发明相对于现有的技术,确定了轮廓片段划分的显著性评价参数,通过价值性和重要性对轮廓片段进行整体评价,保证了所划分的轮廓片段具有显著特征,提高了目标识别率。
技术方案:
为实现上述目的,本发明采用如下的技术方案:一种基于显著性轮廓特征片段的目标识别方法,包括以下步骤:步骤一、轮廓曲率计算及划分;步骤二、获得具有显著特征的轮廓片段;步骤三、轮廓片段的目标识别。
其中步骤一轮廓曲率计算及划分包含如下步骤(1.1)~步骤(1.2):
(1.1)对轮廓进行高斯平滑,运用轮廓曲率计算方法对获得的物体轮廓进行曲率计算;
(1.2)根据曲率值对轮廓进行划分得到轮廓片段。
步骤二获得具有显著特征的轮廓片段包含如下步骤(2.1)~步骤(2.4):
(2.1)计算轮廓片段的曲率差值、波动幅度、弯曲比,对轮廓片段的价值性进行评价;
(2.2)根据分段合并规则合并轮廓片段;
(2.3)计算轮廓片段的重要性;
(2.4)根据轮廓片段的重要性选择具有显著特征的轮廓片段。
步骤三、轮廓片段的目标识别包含如下步骤(3.1):
(3.1)轮廓片段的相似性度量。
步骤(1.1)中对平滑后的轮廓,运用轮廓曲率计算方法对获得的轮廓进行曲率计算。设轮廓曲线C(t)=(x(t),y(t)),轮廓曲线的曲率可以表示为:
式中x′(t)、y′(t)和x″(t)、y″(t)分别表示坐标x(t)、y(t)对弧长的一阶导数和二阶导数。
步骤(1.2)根据曲率值对轮廓进行划分得到轮廓片段包括如下步骤:找到轮廓上曲率小于固定阈值(视物体而定)的凹点并且其左右两点曲率比它大的点;对划分的轮廓片段的长度进行限制;判断是否到达轮廓终点;从分割出来的轮廓片段终点的下一点开始分割,得到下一段轮廓片段。
步骤(2.1)对片段的价值性进行计算包括如下步骤:
①计算轮廓片段最大曲率max(cur)和最小曲率min(cur),曲率差值的计算公式如下:
曲率差值=max(cur)-min(cur);
②用线段SE连接轮廓片段的首尾,并计算轮廓片段上的点到线段的距离,得到轮廓片段的波动幅度;设轮廓片段的起始点为S(xs,ys),终点为E(xe,ye),则轮廓片段上的点(x,y)到SE的距离公式推导如下:
SE的斜率:
SE的公式:y-ys=k(x-xs)
则点(x,y)到线段SE的距离公式d计算如下:
式中d为点(x,y)到线段SE的距离,k为SE的斜率,xs,ys为起始点S的坐标。
③计算线段SE的长度,并除以轮廓片段的长度,得到轮廓片段的弯曲比。首先计算轮廓片段的总点数L,再次,计算向量SE的点数,则轮廓的弯曲比γ为SE的点数与L的比。SE点数计算公式如下:
γ计算公式如下:
式中γ为弯曲比,l(SE)为向量SE的点数,L为轮廓片段点数。
步骤(2.2)根据分段合并规则合并轮廓片段,包含如下步骤:设定最小轮廓片段数N,如果小于N则不予合并;对不满足价值性的片段与其左右片段中价值性高的片段进行合并;移除原不满足价值性的片段,并对新片段进行价值性评价。
步骤(2.3)计算轮廓片段的重要性,即采用轮廓片段的长度相对于轮廓整体长度的比值来衡量。
步骤(2.4)根据轮廓片段的重要性选择具有显著特征的轮廓片段,即选择相对更加长的片段来用于物体的识别。
步骤(3.1)轮廓片段的相似性度量,首先对轮廓片段采样得到一组离散的点集P={pi,i=1,2,…n},以其中任意一点pi为参考点,在pi为圆心、R为半径的区域内按对数距离间隔建立W个同心圆,将此区域沿圆周方向V等分。此时点pi到其他各点的向量相对位置简化为各扇形区域内的点分布数。计算得到点pi的形状直方图,并以此得到轮廓分段P={pi,i=1,2,…n}上每个点的形状直方图。同理得到Q={qj,j=1,2…m}中每个点的形状直方图,则轮廓片段P的某点pi和轮廓片段Q的某点qj的匹配代价Cij如下面公式所示:
其中,k={1,2,…K},K=W*V,hi(k)为目标P的点pi的形状直方图,hj(k)为目标Q的点qj的形状直方图。
按照公式,即可得到两个目标之间的代价矩阵C,大小为n*m。
基于计算得到的代价矩阵C,进行点的匹配操作,使下面公式获得最小值:
式中π代表一个排列组合,C(pi,qπ(i))表示代价矩阵。
进一步用一个变换T来衡量形状之间的转变,所以,最后轮廓分段P和Q的形状上下文距离Dsc(P,Q)可以用估计的变换来表示,如下:
式中Dsc(P,Q)为轮廓分段P和Q的形状上下文距离,n为轮廓分段P的点数,m为轮廓分段Q的点数,表示在q∈Q,C(p,T(q))取得最小值时,此刻p和T(q)的取值,表示在p∈P,C(p,T(q))取得最小值时,此刻p和T(q)的取值。
最后基于这个形状距离可以基本衡量两个物体形状之间的区别,进一步进行物体识别方面的工作。
优点效果:
本发明相对于现有的技术,确定了轮廓片段划分的显著性评价参数,通过价值性和重要性对轮廓片段进行整体评价,保证了所划分的轮廓片段具有显著特征,并有效应用于轮廓片段的目标识别,提高了目标识别率。
附图说明
图1为基于显著性轮廓特征片段的目标识别方法流程图。
图2为轮廓划分的步骤。
图3为摩托车轮廓划分效果图。
具体实施方式
针对上文目标识别中存在的轮廓划分不合理或没有对轮廓片段作出评价问题,在获得轮廓片段的过程中应该考虑对轮廓片段进行整体评价,以此保证片段具有显著特征。本发明提出一种基于显著性轮廓特征片段的目标识别算法。根据轮廓划分方案对轮廓进行分段,并从曲率差值、波动幅度、弯曲比三个方面对轮廓片段的价值性进行评价,从轮廓片段长度相对于整体轮廓长度方面对轮廓片段进行重要性评价。在此基础上,对不合理划分的片段进行合并,得到轮廓片段划分结果。将合理划分的轮廓片段和轮廓片段测试库进行相似性度量,从而获得目标的最佳匹配结果。
下面结合附图,详细说明本发明的具体实施方式。
如图1所示,本发明基于显著性轮廓特征片段的目标识别方法用于识别待检测的目标。包含如下步骤:S1~S3:S1、轮廓曲率计算及划分;S2、获得具有显著特征的轮廓片段;S3、轮廓片段的目标识别。
其中步骤S1包含如下步骤S11~S12:
S11、首先对物体轮廓进行平滑然后根据轮廓曲率计算公式计算轮廓曲率。设轮廓曲线C(t)=(x(t),y(t)),轮廓曲线的曲率可以表示为:
式中x′(t)、y′(t)和x″(t)、y″(t)分别表示坐标x(t)、y(t)对弧长的一阶导数和二阶导数。
S12、如图2所示,根据曲率值对轮廓进行划分得到轮廓片段包括如下步骤:(1)找到轮廓上曲率小于固定阈值(视物体而定)的凹点并且其左右两点曲率比它大的点;(2)对划分的轮廓片段的长度进行限制;(3)判断是否到达轮廓终点;(4)从分割出来的轮廓片段终点的下一点开始分割,得到下一段轮廓片段。
在轮廓划分中,轮廓的分段结果还与轮廓的初始点选择有关,在这里选择轮廓最左边的点,即x值最小的点作为轮廓分段的初始点,并且规定按照顺时针方向划分。摩托车轮廓划分效果如图3所示。
步骤S2包含如下步骤S21~S24:
S21、对片段的价值性进行计算包括如下步骤:
(1)计算轮廓片段最大曲率max(cur)和最小曲率min(cur),并计算最大曲率和最小曲率之间的曲率差值:
曲率差值=max(cur)-min(cur)
(2)用线段SE连接轮廓片段的首尾,并计算轮廓片段上的点到线段的距离,得到轮廓片段的波动幅度;设轮廓片段的起始点S(xs,ys),终点E(xe,ye),则轮廓片段上的点(x,y)到SE的距离公式推导如下:
SE的斜率:
SE的公式:y-ys=k(x-xs)
则点(x,y)到直线SE的距离公式d计算如下:
式中d为点(x,y)到线段SE的距离,k为SE的斜率,xs,ys为起始点S的坐标。
(3)计算线段SE的长度,并除以轮廓片段的长度,得到轮廓片段的弯曲比。首先计算轮廓片段的总点数L,再次,计算向量SE的点数,则轮廓的弯曲比γ为SE的点数与L的比。SE点数计算如公式:
γ计算如公式:
式中γ为弯曲比,l(SE)为向量SE的点数,L为轮廓片段点数。
S22、根据分段合并规则合并轮廓片段,包含如下步骤:设定最小轮廓片段数N,如果小于N则不予合并;对不满足价值性的片段与其左右片段中价值性高的片段进行合并;移除原不满足价值性的片段,并对新片段进行价值性评价。
S23、计算轮廓片段的重要性,即采用轮廓片段的长度相对于轮廓整体长度的比值来衡量。
S24、根据轮廓片段的重要性选择具有显著特征的轮廓片段,即选择相对更加长的片段来用于物体的识别。
步骤S3包含如下步骤:
轮廓片段的相似性度量,首先对轮廓片段采样得到一组离散的点集P={pi,i=1,2,…n},以其中任意一点pi为参考点,在pi为圆心、R为半径的区域内按对数距离间隔建立W个同心圆,将此区域沿圆周方向V等分。此时点pi到其他各点的向量相对位置简化为各扇形区域内的点分布数。计算得到点pi的形状直方图,并以此得到轮廓分段P={pi,i=1,2,…n}上每个点的形状直方图。同理得到Q={qj,j=1,2…m}中每个点的形状直方图,则轮廓片段P的某点pi和轮廓片段Q的某点qj的匹配代价Cij如下面公式所示:
其中,k={1,2,…K},K=W*V,hi(k)为目标P的点pi的形状直方图,hj(k)为目标Q的点qi的形状直方图。
按照公式,即可得到两个目标之间的代价矩阵C,大小为n*m。
基于计算得到的代价矩阵C,进行点的匹配操作,使下面公式获得最小值:
式中π代表一个排列组合,C(pi,qπ(i))表示代价矩阵。
进一步用一个变换T来衡量形状之间的转变,所以,最后的轮廓分段P和Q形状上下文距离Dsc(P,Q)可以用估计的变换来表示,如下:
式中Dsc(P,Q)为轮廓分段P和Q的形状上下文距离,n为轮廓分段P的点数,m为轮廓分段Q的点数,表示在q∈Q,C(p,T(q))取得最小值时,此刻p和T(q)的取值,表示在p∈P,C(p,T(q))取得最小值时,此刻p和T(q)的取值。
最后根据Dsc得到匹配结果。基于这个形状距离基本衡量两个物体形状之间的区别,进一步进行物体识别方面的工作。
Claims (9)
1.一种基于显著性轮廓特征片段的目标识别方法,其特征在于:该方法包括以下步骤:步骤一、轮廓曲率计算及划分;步骤二、获得具有显著特征的轮廓片段;步骤三、轮廓片段的目标识别;
所述步骤一包含以下步骤:
(1.1)对轮廓进行高斯平滑,运用轮廓曲率计算算法对获得的物体轮廓进行曲率计算;
(1.2)根据曲率值对轮廓进行划分得到轮廓片段;
所述步骤二包含如下步骤:
(2.1)计算轮廓片段的曲率差值、波动幅度、弯曲比,对轮廓片段的价值性进行计算;
(2.2)根据分段合并规则合并轮廓片段;
(2.3)计算轮廓片段的重要性;
(2.4)根据轮廓片段的重要性选择具有显著特征的轮廓片段。
2.根据权利要求1所述的基于显著性轮廓特征片段的目标识别方法,其特征在于:步骤(1.1)中对平滑后的轮廓,运用轮廓曲率计算方法对获得的轮廓进行曲率计算;设轮廓曲线C(t)=(x(t),y(t)),轮廓曲线的曲率表示为:
式中x′(t)、y′(t)和x″(t)、y″(t)分别表示坐标x(t)、y(t)对弧长的一阶导数和二阶导数。
3.根据权利要求1所述的基于显著性轮廓特征片段的目标识别方法,其特征在于:所述步骤(1.2)根据曲率对轮廓进行划分具体包括如下步骤:
找到轮廓上曲率小于固定阈值(视物体而定)的凹点并且其左右两点曲率比它大的点;对划分的轮廓片段的长度进行限制;判断是否到达轮廓终点;从分割出来的轮廓片段终点的下一点开始分割,得到下一段轮廓片段。
4.根据权利要求1所述的基于显著性轮廓特征片段的目标识别方法,其特征在于:所述步骤(2.1)对片段的价值性进行计算,具体包括如下步骤:
(2.1.1)计算轮廓片段最大曲率max(cur)和最小曲率min(cur),并计算最大曲率和最小曲率之间的曲率差值;曲率差值的计算公式如下:
曲率差值=max(cur)-min(cur);
(2.2.2)用线段SE连接轮廓片段的首尾,并计算轮廓片段上的点到线段SE的距离,得到轮廓片段的波动幅度;
(2.2.3)计算线段SE的长度,并与轮廓片段的长度相比,得到轮廓片段的弯曲比γ。
5.根据权利要求4所述的基于显著性轮廓特征片段的目标识别方法,其特征在于:步骤(2.2.2)中设轮廓片段的起始点为S(xs,ys),终点为E(xe,ye),则轮廓片段上的点(x,y)到SE的距离公式推导如下:
SE的斜率:
SE的公式:y-ys=k(x-xs)
则点(x,y)到线段SE的距离公式d计算如下:
式中d为点(x,y)到线段SE的距离,k为SE的斜率,xs,ys为起始点S的坐标,xe,ye为终点E坐标。
6.根据权利要求4所述的基于显著性轮廓特征片段的目标识别方法,其特征在于:步骤(2.2.3)中首先计算轮廓片段的点数L,再次,计算向量SE的点数,则轮廓的弯曲比γ为SE的点数与L的比;SE点数计算公式如下:
γ计算公式如下:
式中γ为弯曲比,l(SE)为向量SE的点数,L为轮廓片段点数。
7.根据权利要求1所述的基于显著性轮廓特征片段的目标识别方法,其特征在于:所述步骤(2.2)根据分段合并规则合并轮廓片段具体包括如下步骤:
设定最小轮廓片段数N,如果小于N则不予合并;对不满足价值性的片段与其左右片段中价值性高的片段进行合并;移除原不满足价值性的片段,并对新片段进行价值性评价。
8.根据权利要求1所述的基于显著性轮廓特征片段的目标识别方法,其特征在于:所述步骤(2.3)计算轮廓片段的重要性采用轮廓片段的长度相对于轮廓整体长度的比值来衡量。
9.根据权利要求1所述的基于显著性轮廓特征片段的目标识别方法,其特征在于:步骤三包含如下步骤:
(3.1)轮廓片段的相似性度量:首先对轮廓片段采样得到一组离散的点集P={pi,i=1,2,…n},以其中任意一点pi为参考点,在pi为圆心、R为半径的区域内按对数距离间隔建立W个同心圆,将此区域沿圆周方向V等分。此时点pi到其他各点的向量相对位置简化为各扇形区域内的点分布数。计算得到点pi的形状直方图,并以此得到轮廓分段P={pi,i=1,2,…n}上每个点的形状直方图。同理得到Q={qj,j=1,2…m}中每个点的形状直方图,则轮廓片段P的某点pi和轮廓片段Q的某点qj的匹配代价Cij如下面公式所示:
其中,k={1,2,…K},K=W*V,hi(k)为目标P的点pi的形状直方图,hj(k)为目标Q的点qj的形状直方图;
按照公式,即得到两个目标之间的代价矩阵C,大小为n*m;
基于计算得到的代价矩阵C,进行点的匹配操作,使下面公式获得最小值:
式中π代表一个排列组合,C(pi,qπ(i))表示代价矩阵。
进一步用一个变换T来衡量形状之间的转变,所以,最后轮廓分段P和Q的形状上下文距离Dsc(P,Q)用估计的变换来表示,如下:
式中Dsc(P,Q)为轮廓分段P和Q的形状上下文距离,n为轮廓分段P的点数,m为轮廓分段Q的点数,表示在q∈Q,C(p,T(q))取得最小值时,此刻p和T(q)的取值,表示在p∈P,C(p,T(q))取得最小值时,此刻p和T(q)的取值。
最后根据Dsc得到匹配结果,基于这个形状距离基本衡量两个物体形状之间的区别,进一步进行物体识别方面的工作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810766943.3A CN109035277B (zh) | 2018-07-13 | 2018-07-13 | 基于显著性轮廓特征片段的目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810766943.3A CN109035277B (zh) | 2018-07-13 | 2018-07-13 | 基于显著性轮廓特征片段的目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109035277A true CN109035277A (zh) | 2018-12-18 |
CN109035277B CN109035277B (zh) | 2022-05-27 |
Family
ID=64642062
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810766943.3A Active CN109035277B (zh) | 2018-07-13 | 2018-07-13 | 基于显著性轮廓特征片段的目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109035277B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109827578A (zh) * | 2019-02-25 | 2019-05-31 | 中国人民解放军军事科学院国防科技创新研究院 | 基于轮廓相似性的卫星相对姿态估计方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070286493A1 (en) * | 2006-04-12 | 2007-12-13 | Fujitsu Limited | Shape comparison apparatus on contour decomposition and correspondence |
US20110052046A1 (en) * | 2006-11-07 | 2011-03-03 | Recognition Robotics, Inc. | System and method for visual searching of objects using lines |
WO2012070474A1 (ja) * | 2010-11-26 | 2012-05-31 | 日本電気株式会社 | 物体または形状の情報表現方法 |
CN103345628A (zh) * | 2013-07-29 | 2013-10-09 | 苏州大学 | 基于分层描述的目标识别和形状检索方法 |
CN103400136A (zh) * | 2013-08-13 | 2013-11-20 | 苏州大学 | 基于弹性匹配的目标识别方法 |
CN104899607A (zh) * | 2015-06-18 | 2015-09-09 | 江南大学 | 一种传统云纹图案的自动分类方法 |
CN105115441A (zh) * | 2015-04-23 | 2015-12-02 | 北京理工大学 | 一种回转体零件廓形的特征点提取及自动分段方法 |
CN105447485A (zh) * | 2016-01-07 | 2016-03-30 | 肖锐 | 一种快速检测的景观造型检测工具 |
CN107437069A (zh) * | 2017-07-13 | 2017-12-05 | 江苏大学 | 基于轮廓的猪只饮水行为识别方法 |
CN107798326A (zh) * | 2017-10-20 | 2018-03-13 | 华南理工大学 | 一种轮廓视觉检测算法 |
-
2018
- 2018-07-13 CN CN201810766943.3A patent/CN109035277B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070286493A1 (en) * | 2006-04-12 | 2007-12-13 | Fujitsu Limited | Shape comparison apparatus on contour decomposition and correspondence |
US20110052046A1 (en) * | 2006-11-07 | 2011-03-03 | Recognition Robotics, Inc. | System and method for visual searching of objects using lines |
WO2012070474A1 (ja) * | 2010-11-26 | 2012-05-31 | 日本電気株式会社 | 物体または形状の情報表現方法 |
CN103345628A (zh) * | 2013-07-29 | 2013-10-09 | 苏州大学 | 基于分层描述的目标识别和形状检索方法 |
CN103400136A (zh) * | 2013-08-13 | 2013-11-20 | 苏州大学 | 基于弹性匹配的目标识别方法 |
CN105115441A (zh) * | 2015-04-23 | 2015-12-02 | 北京理工大学 | 一种回转体零件廓形的特征点提取及自动分段方法 |
CN104899607A (zh) * | 2015-06-18 | 2015-09-09 | 江南大学 | 一种传统云纹图案的自动分类方法 |
CN105447485A (zh) * | 2016-01-07 | 2016-03-30 | 肖锐 | 一种快速检测的景观造型检测工具 |
CN107437069A (zh) * | 2017-07-13 | 2017-12-05 | 江苏大学 | 基于轮廓的猪只饮水行为识别方法 |
CN107798326A (zh) * | 2017-10-20 | 2018-03-13 | 华南理工大学 | 一种轮廓视觉检测算法 |
Non-Patent Citations (4)
Title |
---|
EMAD ATTALLA 等: "Robust shape Similarity retrieval based on contour segmentation polygonal multiresolution and elastic matching", 《PATTERN RECOGNITION》 * |
HUI WEI 等: "Contour segment grouping for object detection", 《J.VIS.COMMUN.IMAGE R.》 * |
史思琦 等: "基于特征完整描述的部分遮挡目标识别算法", 《系统工程与电子技术》 * |
黄伟国 等: "基于轮廓分层描述的目标识别算法研究", 《电子学报》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109827578A (zh) * | 2019-02-25 | 2019-05-31 | 中国人民解放军军事科学院国防科技创新研究院 | 基于轮廓相似性的卫星相对姿态估计方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109035277B (zh) | 2022-05-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109360226B (zh) | 一种基于时间序列多特征融合的多目标跟踪方法 | |
CN108090919B (zh) | 一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法 | |
EP1934941B1 (en) | Bi-directional tracking using trajectory segment analysis | |
CN108182447B (zh) | 一种基于深度学习的自适应粒子滤波目标跟踪方法 | |
CN108022254B (zh) | 一种基于征点辅助的时空上下文目标跟踪方法 | |
TWI497450B (zh) | 視訊物件追蹤方法 | |
CN107563286A (zh) | 一种基于Kinect深度信息的动态手势识别方法 | |
CN110991321B (zh) | 一种基于标签更正与加权特征融合的视频行人再识别方法 | |
CN110717934B (zh) | 一种基于strcf的抗遮挡目标跟踪方法 | |
CN109543615B (zh) | 一种基于多级特征的双学习模型目标跟踪方法 | |
CN108647597B (zh) | 一种手腕识别方法、手势识别方法、装置和电子设备 | |
CN110211160B (zh) | 一种基于改进Camshift算法的人脸跟踪方法 | |
CN111862155A (zh) | 一种针对目标遮挡的无人机单视觉目标跟踪方法 | |
CN112052802A (zh) | 一种基于机器视觉的前方车辆行为识别方法 | |
Joo et al. | Real-time depth-based hand detection and tracking | |
Bhuyan et al. | Trajectory guided recognition of hand gestures having only global motions | |
Hossain et al. | Fast-D: When non-smoothing color feature meets moving object detection in real-time | |
CN106527917B (zh) | 一种用于屏幕交互系统的多指触控操作的识别方法 | |
CN109035277A (zh) | 基于显著性轮廓特征片段的目标识别方法 | |
Cheng et al. | Car license plate recognition based on the combination of principal components analysis and radial basis function networks | |
CN104021564A (zh) | 一种基于局部不变特征检测的自适应均值漂移算法 | |
CN112884799A (zh) | 一种基于孪生神经网络的复杂场景下目标跟踪方法 | |
CN112287906A (zh) | 一种基于深度特征融合的模板匹配跟踪方法及系统 | |
Ikram et al. | Real time hand gesture recognition using leap motion controller based on CNN-SVM architechture | |
Holden et al. | Recognising moving hand shapes |
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 |