CN109685029A - 复杂空间结构的柔性物体识别方法、装置、设备和介质 - Google Patents
复杂空间结构的柔性物体识别方法、装置、设备和介质 Download PDFInfo
- Publication number
- CN109685029A CN109685029A CN201811625889.7A CN201811625889A CN109685029A CN 109685029 A CN109685029 A CN 109685029A CN 201811625889 A CN201811625889 A CN 201811625889A CN 109685029 A CN109685029 A CN 109685029A
- Authority
- CN
- China
- Prior art keywords
- image
- under test
- object under
- template
- dimensionality reduction
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/30—Computing systems specially adapted for manufacturing
Abstract
本申请涉及一种复杂空间结构的柔性物体识别方法、装置、计算机设备和存储介质。所述方法包括:获取待测物体图像;将所述待测物体图像与模板库中的第一图像模板进行匹配;所述第一图像模板用于采用高维数据描述待测物体的形变状态;若所述模板库中没有与所述待测物体图像匹配的第一图像模板,则对所述待测物体图像进行降维,获取降维结果;根据所述降维结果与所述模板库中的第二图像模板,识别所述待测物体图像的待测物体,由于第二图像模板可以采用降维数据描述空间结构变化较大的待测物体的形变状态,因此,即使是对于空间结构变化较大的柔性物体,也能实现物体识别。
Description
技术领域
本申请涉及计算机视觉领域,特别是涉及一种复杂空间结构的柔性物体识别方法、装置、计算机设备和存储介质。
背景技术
随着计算机技术的飞速发展,物体识别技术作为计算机视觉领域中的一项基础研究,已广泛应用于工业、生活及国防场景的方方面面。物体识别技术的任务是识别出图像中有什么物体,并计算出这个物体在图像表示的场景中的位置和方向。
传统的物体识别技术为基于模型的识别方法,它首先需要建立物体模型,然后利用匹配算法从真实的图像中识别出与物体模型最相似的物体,实现物体识别。
然而,对于空间结构变化较大的柔性物体,传统的基于模型的识别方法很难进行物体识别,甚至无法识别物体。
发明内容
基于此,有必要针对上述技术问题,提供一种复杂空间结构的柔性物体识别方法、装置、计算机设备和存储介质。
一种复杂空间结构的柔性物体识别方法,所述方法包括:
获取待测物体图像;
将所述待测物体图像与模板库中的第一图像模板进行匹配;所述第一图像模板用于采用高维数据描述待测物体的形变状态;
若所述模板库中没有与所述待测物体图像匹配的第一图像模板,则对所述待测物体图像进行降维,获取降维结果;
根据所述降维结果与所述模板库中的第二图像模板,识别所述待测物体图像的待测物体;所述第二图像模板用于采用降维数据描述所述待测物体的形变状态。
在其中一个实施例中,所述方法包括:获取原始物体在不同形变下的多个形变图像;采用预设的降维方法,对各所述形变图像进行降维,提取各所述形变图像对应的变化矩阵;根据各所述变化矩阵,获取各所述第二图像模板。
在其中一个实施例中,所述根据各所述变化矩阵,获取各所述第二图像模板,包括:从各所述变化矩阵中选取多个目标变化矩阵,作为所述第二图像模板对应的树结构各层的左子树和右子树;判断每层的所述左子树和所述右子树之间的相似度,得到判断结果;根据所述判断结果,获取各所述第二图像模板。
在其中一个实施例中,所述根据所述判断结果,获取各所述第二图像模板,包括:若第N层的左子树与所述第N层的右子树之间的相似度大于预设阈值,则去掉所述第N层的右子树对应的所述变化矩阵,获取第N层树结构;若所述第N层树结构去掉的为所述右子树对应的所述变化矩阵,则去掉第N+1层左子树对应的所述变化矩阵,得到第N+1层树结构,直至获取所述第二图像模板。
在其中一个实施例中,所述对所述待测物体图像进行降维,获取降维结果,包括:根据所述待测物体图像的像素点的坐标,获取各所述像素点中的欧氏距离;根据所述欧氏距离,获取所有所述像素点之间的最短路径;根据所述最短路径,获取所述待测物体图像的降维结果。
在其中一个实施例中,所述根据所述最短路径,获取所述待测物体图像的降维结果,包括:根据所述最短路径,获取距离矩阵;根据所述距离矩阵,计算内积矩阵;对所述内积矩阵作特征值分解,从分解后的特征值中获取K个非零特征值;根据所述非零特征值,获取所述待测物体图像的降维结果。
在其中一个实施例中,所述根据所述降维结果与所述模板库中的第二图像模板,识别所述待测物体图像的待测物体,包括:获取所述降维结果中的各变化矩阵与各所述第二图像模板对应的变化矩阵之间的相似度;将相似度最高的变化矩阵对应的第二图像模板确定为目标图像模板;根据所述目标图像模板,识别所述待测物体图像的待测物体。
一种复杂空间结构的柔性物体识别装置,所述装置包括:
获取模块,用于获取待测物体图像;
匹配模块,用于将所述待测物体图像与模板库中的第一图像模板进行匹配;所述第一图像模板用于采用高维数据描述待测物体的形变状态;
降维模块,用于若所述模板库中没有与所述待测物体图像匹配的第一图像模板,则对所述待测物体图像进行降维,获取降维结果;
识别模块,用于根据所述降维结果与所述模板库中的第二图像模板,识别所述待测物体图像的待测物体;所述第二图像模板用于采用降维数据描述所述待测物体的形变状态。
一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,所述处理器执行所述计算机程序时实现上述任一实施例所述的复杂空间结构的柔性物体识别方法。
一种计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现上述任一实施例所述的复杂空间结构的柔性物体识别方法。
上述复杂空间结构的柔性物体识别方法、装置、计算机设备和存储介质,上述实施例中,通过获取待测物体图像,进而将所述待测物体图像与模板库中的第一图像模板进行匹配,若所述模板库中没有与所述待测物体图像匹配的第一图像模板,则对所述待测物体图像进行降维,获取降维结果,进而根据所述降维结果与所述模板库中的第二图像模板,识别所述待测物体图像的待测物体,由于第二图像模板可以采用降维数据描述空间结构变化较大的待测物体的形变状态,因此,即使是对于空间结构变化较大的柔性物体,也能实现物体识别。
附图说明
图1为一个实施例中计算机设备的内部结构图;
图2为一个实施例中复杂空间结构的柔性物体识别方法的流程示意图;
图3为一个实施例中建立第二图像模板的流程示意图;
图4为图3实施例中S303的实现方式的流程示意图;
图5为一个实施例中降维到不同投影平面的结果示意图;
图6为图4实施例中S403的实现方式的流程示意图;
图7为一个实施例中的树结构表达示意图;
图8为图2实施例中S203的实现方式的流程示意图;
图9为图8实施例中S803的实现方式的流程示意图;
图10为图2实施例中S204的实现方式的流程示意图;
图11为一个实施例中复杂空间结构的柔性物体识别装置的结构框图;
图12为另一个实施例中复杂空间结构的柔性物体识别装置的结构框图;
图13为另一个实施例中复杂空间结构的柔性物体识别装置的结构框图;
图14为另一个实施例中复杂空间结构的柔性物体识别装置的结构框图;
图15为另一个实施例中复杂空间结构的柔性物体识别装置的结构框图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
本申请实施例提供的复杂空间结构的柔性物体识别方法可以应用于计算机设备,该计算机设备可以是终端,其内部结构图可以如图1所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种复杂空间结构的柔性物体识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解,图1中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
下面以具体地实施例对本发明的技术方案进行详细说明。下面这几个具体的实施例可以相互结合,对于相同或相似的概念或过程可能在某些实施例中不再赘述。
在一个实施例中,如图2所示,提供了一种复杂空间结构的柔性物体识别方法,该方法的执行主体为图1所示的计算机设备,本申请涉及的是复杂空间结构的柔性物体识别的具体实现过程,包括以下步骤:
S201,获取待测物体图像。
具体地,可以通过与计算机设备连接的图像采集装置例如摄像头,获取待测物体图像,进而图像采集装置将待测物体图像发送给计算机设备,计算机设备获取待测物体图像。
S202,将所述待测物体图像与模板库中的第一图像模板进行匹配;所述第一图像模板用于采用高维数据描述待测物体的形变状态。
其中,模板库中的第一图像模板可以包括多个物体的多种形变图像,其中,这些形变图像的空间关系较简单或空间结构变化较小,例如,可以是空间关系较简单的柔性物体A的图像及物体A的多种形变图像A1、A2、A3等,也可以是空间关系较简单的柔性物体B的图像及物体B的多种形变图像B1、B2、B3等。
示例性地,可以将待测物体图像和第一图像模板分别进行切分,获取待测物体图像对应的第一切分图像和第一图像模板对应的第二切分图像,将第一切分图像与第二切分图像进行匹配,根据一切分图像和第二切分图像之间的相似度,进而实现待测物体图像与第一图像模板的匹配。
S203,若所述模板库中没有与所述待测物体图像匹配的第一图像模板,则对所述待测物体图像进行降维,获取降维结果。
可选地,通过将待测物体图像与第一图像模板进行匹配,若待测物体图像对应的第一切分图像和第一图像模板对应的第二切分图像之间的相似度大于预设阈值,则表明第二切分图像中存在与第一切分图像匹配的形变图像,进而表示模板库中存在与所述待测物体图像匹配的第一图像模板,则实现待测物体图像的待测物体的识别。
具体地,若待测物体图像对应的第一切分图像和第一图像模板对应的第二切分图像之间的相似度小于预设阈值,则表明第二切分图像中没有与第一切分图像匹配的形变图像,进而表示模板库中没有与所述待测物体图像匹配的第一图像模板,则可以通过预设的降维方法,例如,主成分分析(Principal Component Analysis,PCA)、多维标度分析(Multidimensional scaling,MDS)、等距特征映射(Isometric Feature Mapping,Isomap)等,对待测物体图像进行降维,进而得到降维结果。
S204,根据所述降维结果与所述模板库中的第二图像模板,识别所述待测物体图像的待测物体;所述第二图像模板用于采用降维数据描述所述待测物体的形变状态。
其中,降维结果可以是多个变化矩阵,模板库中的第二图像模板可以包括多个柔性物体的多种形变图像的降维数据,其中,这些形变图像的空间关系较复杂或空间结构变化较大。
示例性地,可以通过降维结果与第二图像模板作匹配,根据降维结果与第二图像模板之间的相似度,将与降维结果相似度最大的作为目标图像模板,进而根据目标图像模板,识别待测物体图像的待测物体。
上述实施例中,通过获取待测物体图像,进而将所述待测物体图像与模板库中的第一图像模板进行匹配,若所述模板库中没有与所述待测物体图像匹配的第一图像模板,则对所述待测物体图像进行降维,获取降维结果,进而根据所述降维结果与所述模板库中的第二图像模板,识别所述待测物体图像的待测物体,由于第二图像模板可以采用降维数据描述空间结构变化较大的待测物体的形变状态,因此,即使是对于空间结构变化较大的柔性物体,也能实现物体识别。
在复杂空间结构的柔性物体识别的过程中,需要建立模板库中的第二图像模板,进而将第二图像模板存储在计算机设备。在上述实施例的基础上,图3提供了一种建立第二图像模板的流程示意图,如图3所示,所述方法还包括:
S301,获取原始物体在不同形变下的多个形变图像。
其中,原始物体可以是空间结构变化较大的原始柔性物体。可选地,通过获取原始物体图像,可以将原始物体图像的边缘沿直线中点顺时针旋转0.1°、0.2°、0.3°等度数以此类推;或者进行其他形变操作,再根据形变后的边缘进行组合,获取原始物体在不同形变下的多个形变图像。
S302,采用预设的降维方法,对各所述形变图像进行降维,提取各所述形变图像对应的变化矩阵。
其中,预设的降维方法可以是PCA、MDS、Isomap等方法。示例性地,预设的降维方法可以是PCA算法,则可以将各形变图像A的像素点作为原始数据集,进而获取原始数据集的协方差矩阵,对协方差矩阵进行特征分解,获取正交矩阵,进而选取正交矩阵对应的最大k个特征值所对应的特征向量,即为形变图像A的变化矩阵PA1,或者,选取正交矩阵对应的最小k个特征值所对应的特征向量,即为形变图像A的变化矩阵PA2,以此方式,提取形变图像A对应的多个变化矩阵。
S303,根据各所述变化矩阵,获取各所述第二图像模板。
可选地,可以从各变化矩阵中,选取若干个目标变化矩阵,进而直接将目标变化矩阵存储为第二图像模板;或者,可以将目标变化矩阵按照特定的存储方式,存储为第二图像模板。
上述实施例中,通过获取原始物体在不同形变下的多个形变图像,然后采用预设的降维方法,对各所述形变图像进行降维,提取各所述形变图像对应的变化矩阵,进而根据各所述变化矩阵,获取各所述第二图像模板,实现了第二图像模板的建立,且由于第二图像模板包括多个变化矩阵,避免了当形变状态A1及形变状态A2在低维空间表达很接近时,可能会错误地将形变A1识别成形变A2的问题,进而为物体识别提供良好的适用基础。
为了提高待测物体图像与第二图像模板的匹配效率,可以将变化矩阵按照特定地的存储方式,例如,树结构方式进行存储,图4提供了根据各所述变化矩阵,获取各所述第二图像模板的具体实现方式流程图。如图4所示,S303“根据各所述变化矩阵,获取各所述第二图像模板”,包括:
S401,从各所述变化矩阵中选取多个目标变化矩阵,作为所述第二图像模板对应的树结构各层的左子树和右子树。
其中,可以从各变化矩阵中随机选取多个目标变化矩阵,也可以根据特定的方式,例如,选取较大特征值对应的特征向量形成的变化矩阵,作为目标变化矩阵。
示例性地,可以将目标变化矩阵作为树结构的左子树和右子树。如图5所示,对于同一复杂柔性物体P的形变图像P1的高维数据表达,可以降维到A平面垂直于xy平面,或者,降维到B平面,垂直于yz平面,那么就会得到形变图像P1的A空间低维表达及B平面低维表达,这两个低维表达就可以作为原复杂柔性物体P的形变图像P1的左子树及右子树。具体地,对于复杂柔性物体P,会根据P的形变图像P1、P2、P3等分别形成树结构空间表达,可综合形成树结构空间表达库,其子树是根据目标变化矩阵生成的。
S402,判断每层的所述左子树和所述右子树之间的相似度,得到判断结果。
可选地,可以利用余弦相似度进行判断每层的左子树和右子树之间的相似度,也可以利用欧式距离断每层的左子树和右子树之间的相似度。
示例性地,对于第一层树结构,可以将所述左子树对应的变化矩阵转化为一维向量,记为X,同理,将所述右子树对应的变化矩阵也转换为一维向量,记为Y,然后获取向量X与Y之间的夹角,进而根据夹角判断第一层的左子树和右子树之间的相似度。若夹角小于预设的值,则表明判断结果为第一层的左子树和右子树之间的相似度较高;若夹角大于预设的值,则表明判断结果第一层的左子树和右子树之间的相似度较低;以此类推,获取每层的左子树和右子树之间的相似度,得到判断结果。
S403,根据所述判断结果,获取各所述第二图像模板。
具体地,可以通过判断结果,对树结构每一层的左子树和右子树进行整合,进而获取各第二图像模板。
可选地,如图6所示,S403“根据所述判断结果,获取各所述第二图像模板”,包括:
S601,若第N层的左子树与所述第N层的右子树之间的相似度大于预设阈值,则去掉所述第N层的右子树对应的所述变化矩阵,获取第N层树结构。
具体地,如图7所示,可以将左子树对应的变化矩阵和右子树对应的变化矩阵作比较,进而获取左子树对应的变化矩阵和右子树对应的变化矩阵之间的相似度,若相似度大于预设阈值,则表明左子树和右子树比较相似,可仅保留其中一个,因此可去掉右子树对应的变化矩阵;若相似度小于预设阈值,则表明左子树和右子树不相似,保留左子树与右子树。
S602,若所述第N层树结构去掉的为所述右子树对应的所述变化矩阵,则去掉第N+1层左子树对应的所述变化矩阵,得到第N+1层树结构,直至获取所述第二图像模板。
具体地,若在第N层已去掉右子树,则在第N+1层相似度比较时,若第N+1层左子树与右子树之间的相似度大于预设阈值,则去掉左子树,形成新的一层后,以此类推,根据实际需要,当达到适合的树结构层数后,得到第二图像模板。
上述实施例中,由于从各变化矩阵中选取多个目标变化矩阵,作为第二图像模板对应的树结构各层的左子树和右子树,然后判断每层的左子树和右子树之间的相似度,得到判断结果,进而根据判断结果,获取各第二图像模板,实现了第二图像模板的树结构存储方式,进而提高了待测物体图像与第二图像模板的匹配效率。
在其中一个实施例中,如图8所示,S203“所述对所述待测物体图像进行降维,获取降维结果”,包括:
S801,根据所述待测物体图像的像素点的坐标,获取各所述像素点中的欧氏距离。
具体地,可以首先对待测物体图像的原始数据做归一化预处理,进而获取各待测物体图像的像素点的坐标,根据像素点的坐标计算欧式距离。
S802,根据所述欧氏距离,获取所有所述像素点之间的最短路径。
具体地,可以通过预设的K-means算法,根据各像素点之间的欧式距离,获取各像素点之间的邻域图,在邻域图上使用Dijkstra算法或Floyd算法计算各像素点之间的最短路径。
S803,根据所述最短路径,获取所述待测物体图像的降维结果。
具体地,可以根据各像素点之间最短路径,获取距离矩阵,在距离矩阵上使用MDS算法得到低维嵌入坐标,进而获取待测物体图像的降维结果。
可选地,图9提供了根据所述最短路径,获取所述待测物体图像的降维结果的具体实现方式流程示意图。如图9所示,S803“所述根据所述最短路径,获取所述待测物体图像的降维结果”,包括:
S901,根据所述最短路径,获取距离矩阵。
具体地,距离矩阵可以像素点之间的测地距离获取,对于离得较近的像素点,用像素点之间的欧氏距离作为测地距离;对于离得较远的像素点,用像素点之间的最短路径作为测地距离,进而获取距离矩阵。
S902,根据所述距离矩阵,计算内积矩阵。
具体地,内积矩阵可以是双中心化矩阵,若距离矩阵为D,则可以通过公式和其中I为单位矩阵,e为单位向量,进而获取内积矩阵K。
S903,对所述内积矩阵作特征值分解,从分解后的特征值中获取K个非零特征值。
具体地,可以利用奇异值分解(Singular Value Decomposition,SVD),求解内积矩阵K的特征值和其对应的特征向量。
S904,根据所述非零特征值,获取所述待测物体图像的降维结果。
具体地,将内积矩阵K的最大d个特征值对应的特征向量,作为待测物体图像的降维结果。
上述实施例中,由于根据待测物体图像的像素点的坐标,获取各像素点中的欧氏距离,然后根据欧氏距离,获取所有像素点之间的最短路径,进而根据最短路径,获取待测物体图像的降维结果,实现了对待测物体图像的降维,进而对于空间结构较为复杂的柔性物体,避免了高维带来的物体难以识别的问题。
在其中一个实施例中,如图10所示,S204“所述根据所述降维结果与所述模板库中的第二图像模板,识别所述待测物体图像的待测物体”,包括:
S1001,获取所述降维结果中的各变化矩阵与各所述第二图像模板对应的变化矩阵之间的相似度。
示例性地,若待测物体图像的降维结果中的变化矩阵为PAD1、PAD2、PAD3,则可以通过预设的相似度判别方法,分别获取PAD1、PAD2、PAD3与第二图像模板的各树结构对应的变化矩阵之间的相似度。
S1002,将相似度最高的变化矩阵对应的第二图像模板确定为目标图像模板。
具体地,根据PAD1、PAD2、PAD3与第二图像模板的各树结构对应的变化矩阵之间的相似度,可以确定PAD1、PAD2、PAD3对应的变化矩阵分别为QAD1、QAD2、QAD3,通过对降维结果中的各变化矩阵赋予不同权重,例如,对于降维结果中的变化矩阵PAD1、PAD2、PAD3,将PAD1权重赋予为2,PAD2和PAD3赋予权重为1,由于PAD1权重为2,则PAD1与对应的变化矩阵QAD1相似度最高,进而将变化矩阵QAD1确定为目标图像模板。
S1003,根据所述目标图像模板,识别所述待测物体图像的待测物体。
具体性,低维表示都有唯一对应的高维信息,即第二图像模板变化矩阵都有唯一对应的形变物体图像,进而根据目标图像模板对应的形变物体图像,识别待测物体图像的待测物体。
上述实施例中,通过获取降维结果中的各变化矩阵与各第二图像模板对应的变化矩阵之间的相似度,将相似度最高的变化矩阵对应的第二图像模板确定为目标图像模板,根据目标图像模板,识别待测物体图像的待测物体,由于降维结果中也包含多变化矩阵,即可以将待测物体图像的多个低维表示与第二图像模板进行匹配,避免了待测物体图像单一的变化矩阵与第二图像模板匹配,进而提高了物体识别的准确度。
应该理解的是,虽然图2-10的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,图2-10中的至少一部分步骤可以包括多个子步骤或者多个阶段,这些子步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些子步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中,如图11所示,提供了一种复杂空间结构的柔性物体识别装置,包括第一获取模块11、匹配模块12、降维模块13和识别模块14,其中:
第一获取模块11,用于获取待测物体图像;
匹配模块12,用于将所述待测物体图像与模板库中的第一图像模板进行匹配;所述第一图像模板用于采用高维数据描述待测物体的形变状态;
降维模块13,用于若所述模板库中没有与所述待测物体图像匹配的第一图像模板,则对所述待测物体图像进行降维,获取降维结果;
识别模块14,用于根据所述降维结果与所述模板库中的第二图像模板,识别所述待测物体图像的待测物体;所述第二图像模板用于采用降维数据描述所述待测物体的形变状态。
在其中一个实施例中,如图12所示,在图11所示的基础上,所述装置还包括第二获取模块15、提取模块16和第三获取模块17,其中:
第二获取模块15,用于获取原始物体在不同形变下的多个形变图像;
提取模块16,用于采用预设的降维方法,对各所述形变图像进行降维,提取各所述形变图像对应的变化矩阵;
第三获取模块17,用于根据各所述变化矩阵,获取各所述第二图像模板。
在其中一个实施例中,如图13所示,在图12所示的基础上,第三获取模块17包括:
选取单元170,用于从各所述变化矩阵中选取多个目标变化矩阵,作为所述第二图像模板对应的树结构各层的左子树和右子树;
判断单元171,用于判断每层的所述左子树和所述右子树之间的相似度,得到判断结果;
第一获取单元172,用于根据所述判断结果,获取各所述第二图像模板。
在其中一个实施例中,所述获取单元172具体用于若第N层的左子树与所述第N层的右子树之间的相似度大于预设阈值,则去掉所述第N层的右子树对应的所述变化矩阵,获取第N层树结构;若所述第N层树结构去掉的为所述右子树对应的所述变化矩阵,则去掉第N+1层左子树对应的所述变化矩阵,得到第N+1层树结构,直至获取所述第二图像模板。
在其中一个实施例中,如图14所示,在图11所示的基础上,降维模块13包括:
第二获取单元130,用于根据所述待测物体图像的像素点的坐标,获取各所述像素点中的欧氏距离;
第三获取单元131,用于根据所述欧氏距离,获取所有所述像素点之间的最短路径;
第四获取单元132,用于根据所述最短路径,获取所述待测物体图像的降维结果。
在其中一个实施例中,所述第四获取单元132具体用于根据所述最短路径,获取距离矩阵;根据所述距离矩阵,计算内积矩阵;对所述内积矩阵作特征值分解,从分解后的特征值中获取K个非零特征值;根据所述非零特征值,获取所述待测物体图像的降维结果。
在其中一个实施例中,如图15所示,在图11所示的基础上,识别模块14包括:
第五获取单元140,用于获取所述降维结果中的各变化矩阵与各所述第二图像模板对应的变化矩阵之间的相似度;
确定单元141,用于将相似度最高的变化矩阵对应的第二图像模板确定为目标图像模板;
识别单元142,用于根据所述目标图像模板,识别所述待测物体图像的待测物体。
关于复杂空间结构的柔性物体识别装置的具体限定可以参见上文中对于复杂空间结构的柔性物体识别方法的限定,在此不再赘述。上述复杂空间结构的柔性物体识别中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现以下步骤:
获取待测物体图像;
将所述待测物体图像与模板库中的第一图像模板进行匹配;所述第一图像模板用于采用高维数据描述待测物体的形变状态;
若所述模板库中没有与所述待测物体图像匹配的第一图像模板,则对所述待测物体图像进行降维,获取降维结果;
根据所述降维结果与所述模板库中的第二图像模板,识别所述待测物体图像的待测物体;所述第二图像模板用于采用降维数据描述所述待测物体的形变状态。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取原始物体在不同形变下的多个形变图像;采用预设的降维方法,对各所述形变图像进行降维,提取各所述形变图像对应的变化矩阵;根据各所述变化矩阵,获取各所述第二图像模板。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:从各所述变化矩阵中选取多个目标变化矩阵,作为所述第二图像模板对应的树结构各层的左子树和右子树;判断每层的所述左子树和所述右子树之间的相似度,得到判断结果;根据所述判断结果,获取各所述第二图像模板。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:若第N层的左子树与所述第N层的右子树之间的相似度大于预设阈值,则去掉所述第N层的右子树对应的所述变化矩阵,获取第N层树结构;若所述第N层树结构去掉的为所述右子树对应的所述变化矩阵,则去掉第N+1层左子树对应的所述变化矩阵,得到第N+1层树结构,直至获取所述第二图像模板。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据所述待测物体图像的像素点的坐标,获取各所述像素点中的欧氏距离;根据所述欧氏距离,获取所有所述像素点之间的最短路径;根据所述最短路径,获取所述待测物体图像的降维结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:根据所述最短路径,获取距离矩阵;根据所述距离矩阵,计算内积矩阵;对所述内积矩阵作特征值分解,从分解后的特征值中获取K个非零特征值;根据所述非零特征值,获取所述待测物体图像的降维结果。
在一个实施例中,处理器执行计算机程序时还实现以下步骤:获取所述降维结果中的各变化矩阵与各所述第二图像模板对应的变化矩阵之间的相似度;将相似度最高的变化矩阵对应的第二图像模板确定为目标图像模板;根据所述目标图像模板,识别所述待测物体图像的待测物体。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
获取待测物体图像;
将所述待测物体图像与模板库中的第一图像模板进行匹配;所述第一图像模板用于采用高维数据描述待测物体的形变状态;
若所述模板库中没有与所述待测物体图像匹配的第一图像模板,则对所述待测物体图像进行降维,获取降维结果;
根据所述降维结果与所述模板库中的第二图像模板,识别所述待测物体图像的待测物体;所述第二图像模板用于采用降维数据描述所述待测物体的形变状态。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取原始物体在不同形变下的多个形变图像;采用预设的降维方法,对各所述形变图像进行降维,提取各所述形变图像对应的变化矩阵;根据各所述变化矩阵,获取各所述第二图像模板。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:从各所述变化矩阵中选取多个目标变化矩阵,作为所述第二图像模板对应的树结构各层的左子树和右子树;判断每层的所述左子树和所述右子树之间的相似度,得到判断结果;根据所述判断结果,获取各所述第二图像模板。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:若第N层的左子树与所述第N层的右子树之间的相似度大于预设阈值,则去掉所述第N层的右子树对应的所述变化矩阵,获取第N层树结构;若所述第N层树结构去掉的为所述右子树对应的所述变化矩阵,则去掉第N+1层左子树对应的所述变化矩阵,得到第N+1层树结构,直至获取所述第二图像模板。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据所述待测物体图像的像素点的坐标,获取各所述像素点中的欧氏距离;根据所述欧氏距离,获取所有所述像素点之间的最短路径;根据所述最短路径,获取所述待测物体图像的降维结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:根据所述最短路径,获取距离矩阵;根据所述距离矩阵,计算内积矩阵;对所述内积矩阵作特征值分解,从分解后的特征值中获取K个非零特征值;根据所述非零特征值,获取所述待测物体图像的降维结果。
在一个实施例中,计算机程序被处理器执行时还实现以下步骤:获取所述降维结果中的各变化矩阵与各所述第二图像模板对应的变化矩阵之间的相似度;将相似度最高的变化矩阵对应的第二图像模板确定为目标图像模板;根据所述目标图像模板,识别所述待测物体图像的待测物体。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对发明专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种复杂空间结构的柔性物体识别方法,其特征在于,所述方法包括:
获取待测物体图像;
将所述待测物体图像与模板库中的第一图像模板进行匹配;所述第一图像模板用于采用高维数据描述待测物体的形变状态;
若所述模板库中没有与所述待测物体图像匹配的第一图像模板,则对所述待测物体图像进行降维,获取降维结果;
根据所述降维结果与所述模板库中的第二图像模板,识别所述待测物体图像的待测物体;所述第二图像模板用于采用降维数据描述所述待测物体的形变状态。
2.根据权利要求1所述的方法,其特征在于,所述方法包括:
获取原始物体在不同形变下的多个形变图像;
采用预设的降维方法,对各所述形变图像进行降维,提取各所述形变图像对应的变化矩阵;
根据各所述变化矩阵,获取各所述第二图像模板。
3.根据权利要求2所述的方法,其特征在于,所述根据各所述变化矩阵,获取各所述第二图像模板,包括:
从各所述变化矩阵中选取多个目标变化矩阵,作为所述第二图像模板对应的树结构各层的左子树和右子树;
判断每层的所述左子树和所述右子树之间的相似度,得到判断结果;
根据所述判断结果,获取各所述第二图像模板。
4.根据权利要求3所述的方法,其特征在于,所述根据所述判断结果,获取各所述第二图像模板,包括:
若第N层的左子树与所述第N层的右子树之间的相似度大于预设阈值,则去掉所述第N层的右子树对应的所述变化矩阵,获取第N层树结构;
若所述第N层树结构去掉的为所述右子树对应的所述变化矩阵,则去掉第N+1层左子树对应的所述变化矩阵,得到第N+1层树结构,直至获取所述第二图像模板。
5.根据权利要求1-4任一项所述的方法,其特征在于,所述对所述待测物体图像进行降维,获取降维结果,包括:
根据所述待测物体图像的像素点的坐标,获取各所述像素点中的欧氏距离;
根据所述欧氏距离,获取所有所述像素点之间的最短路径;
根据所述最短路径,获取所述待测物体图像的降维结果。
6.根据权利要求5所述的方法,其特征在于,所述根据所述最短路径,获取所述待测物体图像的降维结果,包括:
根据所述最短路径,获取距离矩阵;
根据所述距离矩阵,计算内积矩阵;
对所述内积矩阵作特征值分解,从分解后的特征值中获取K个非零特征值;
根据所述非零特征值,获取所述待测物体图像的降维结果。
7.根据权利要求1-4任一项所述的方法,其特征在于,所述根据所述降维结果与所述模板库中的第二图像模板,识别所述待测物体图像的待测物体,包括:
获取所述降维结果中的各变化矩阵与各所述第二图像模板对应的变化矩阵之间的相似度;
将相似度最高的变化矩阵对应的第二图像模板确定为目标图像模板;
根据所述目标图像模板,识别所述待测物体图像的待测物体。
8.一种复杂空间结构的柔性物体识别装置,其特征在于,所述装置包括:
获取模块,用于获取待测物体图像;
匹配模块,用于将所述待测物体图像与模板库中的第一图像模板进行匹配;所述第一图像模板用于采用高维数据描述待测物体的形变状态;
降维模块,用于若所述模板库中没有与所述待测物体图像匹配的第一图像模板,则对所述待测物体图像进行降维,获取降维结果;
识别模块,用于根据所述降维结果与所述模板库中的第二图像模板,识别所述待测物体图像的待测物体;所述第二图像模板用于采用降维数据描述所述待测物体的形变状态。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811625889.7A CN109685029B (zh) | 2018-12-28 | 2018-12-28 | 复杂空间结构的柔性物体识别方法、装置、设备和介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811625889.7A CN109685029B (zh) | 2018-12-28 | 2018-12-28 | 复杂空间结构的柔性物体识别方法、装置、设备和介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109685029A true CN109685029A (zh) | 2019-04-26 |
CN109685029B CN109685029B (zh) | 2023-07-11 |
Family
ID=66190947
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811625889.7A Active CN109685029B (zh) | 2018-12-28 | 2018-12-28 | 复杂空间结构的柔性物体识别方法、装置、设备和介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109685029B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950767A (zh) * | 2021-03-24 | 2021-06-11 | 东莞中国科学院云计算产业技术创新与育成中心 | 目标遮挡判断方法、装置、计算机设备和存储介质 |
CN113096251A (zh) * | 2021-04-06 | 2021-07-09 | 苍穹数码技术股份有限公司 | 基于cim的模型处理方法、装置、设备及存储介质 |
WO2024037053A1 (zh) * | 2022-08-18 | 2024-02-22 | 荣耀终端有限公司 | 指纹识别的方法和装置 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136751A (zh) * | 2013-02-05 | 2013-06-05 | 电子科技大学 | 一种改进型sift图像特征匹配算法 |
CN103745235A (zh) * | 2013-12-18 | 2014-04-23 | 小米科技有限责任公司 | 人脸识别方法、装置及终端设备 |
CN103839270A (zh) * | 2014-03-24 | 2014-06-04 | 东方网力科技股份有限公司 | 一种图像匹配方法及装置 |
CN105117712A (zh) * | 2015-09-15 | 2015-12-02 | 北京天创征腾信息科技有限公司 | 兼容人脸老化识别的单样本人脸识别方法 |
CN105160303A (zh) * | 2015-08-10 | 2015-12-16 | 上海闻泰电子科技有限公司 | 基于混合匹配的指纹识别方法 |
CN105335753A (zh) * | 2015-10-29 | 2016-02-17 | 小米科技有限责任公司 | 图像识别方法和装置 |
CN106650568A (zh) * | 2016-08-31 | 2017-05-10 | 浙江大华技术股份有限公司 | 一种人脸识别方法及装置 |
CN107679509A (zh) * | 2017-10-19 | 2018-02-09 | 广东工业大学 | 一种小环藻识别方法及装置 |
CN107766810A (zh) * | 2017-10-10 | 2018-03-06 | 湖南省测绘科技研究所 | 一种云、影检测方法 |
CN108664925A (zh) * | 2018-05-10 | 2018-10-16 | 王逸人 | 人脸识别的方法及用户终端 |
CN108960209A (zh) * | 2018-08-09 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 身份识别方法、装置及计算机可读存储介质 |
-
2018
- 2018-12-28 CN CN201811625889.7A patent/CN109685029B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103136751A (zh) * | 2013-02-05 | 2013-06-05 | 电子科技大学 | 一种改进型sift图像特征匹配算法 |
CN103745235A (zh) * | 2013-12-18 | 2014-04-23 | 小米科技有限责任公司 | 人脸识别方法、装置及终端设备 |
CN103839270A (zh) * | 2014-03-24 | 2014-06-04 | 东方网力科技股份有限公司 | 一种图像匹配方法及装置 |
CN105160303A (zh) * | 2015-08-10 | 2015-12-16 | 上海闻泰电子科技有限公司 | 基于混合匹配的指纹识别方法 |
CN105117712A (zh) * | 2015-09-15 | 2015-12-02 | 北京天创征腾信息科技有限公司 | 兼容人脸老化识别的单样本人脸识别方法 |
CN105335753A (zh) * | 2015-10-29 | 2016-02-17 | 小米科技有限责任公司 | 图像识别方法和装置 |
CN106650568A (zh) * | 2016-08-31 | 2017-05-10 | 浙江大华技术股份有限公司 | 一种人脸识别方法及装置 |
CN107766810A (zh) * | 2017-10-10 | 2018-03-06 | 湖南省测绘科技研究所 | 一种云、影检测方法 |
CN107679509A (zh) * | 2017-10-19 | 2018-02-09 | 广东工业大学 | 一种小环藻识别方法及装置 |
CN108664925A (zh) * | 2018-05-10 | 2018-10-16 | 王逸人 | 人脸识别的方法及用户终端 |
CN108960209A (zh) * | 2018-08-09 | 2018-12-07 | 腾讯科技(深圳)有限公司 | 身份识别方法、装置及计算机可读存储介质 |
Non-Patent Citations (1)
Title |
---|
李学相等: "基于三维图像动作识别算法研究", 《计算机仿真》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112950767A (zh) * | 2021-03-24 | 2021-06-11 | 东莞中国科学院云计算产业技术创新与育成中心 | 目标遮挡判断方法、装置、计算机设备和存储介质 |
CN113096251A (zh) * | 2021-04-06 | 2021-07-09 | 苍穹数码技术股份有限公司 | 基于cim的模型处理方法、装置、设备及存储介质 |
WO2024037053A1 (zh) * | 2022-08-18 | 2024-02-22 | 荣耀终端有限公司 | 指纹识别的方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN109685029B (zh) | 2023-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Liu et al. | Gift: Learning transformation-invariant dense visual descriptors via group cnns | |
Evans | Notes on the opensurf library | |
Riaz et al. | Texture classification using rotation-and scale-invariant gabor texture features | |
Huang et al. | A coarse-to-fine algorithm for matching and registration in 3D cross-source point clouds | |
US8712156B2 (en) | Comparison of visual information | |
US11189020B2 (en) | Systems and methods for keypoint detection | |
CN109685029A (zh) | 复杂空间结构的柔性物体识别方法、装置、设备和介质 | |
US9171226B2 (en) | Image matching using subspace-based discrete transform encoded local binary patterns | |
Kiforenko et al. | A performance evaluation of point pair features | |
CN110211046B (zh) | 一种基于生成对抗网络的遥感图像融合方法、系统和终端 | |
CN110070096B (zh) | 针对非刚性形状匹配的局部频域描述子生成方法及装置 | |
CN107346414B (zh) | 行人属性识别方法和装置 | |
CN111860124B (zh) | 基于空谱胶囊生成对抗网络的遥感图像分类方法 | |
JP2011521372A (ja) | 形状の不変量アフィン認識方法及びデバイス | |
CN115205547A (zh) | 一种目标图像的检测方法、装置、电子设备及存储介质 | |
Zhang et al. | Learning rotation-invariant representations of point clouds using aligned edge convolutional neural networks | |
Matusiak et al. | Unbiased evaluation of keypoint detectors with respect to rotation invariance | |
JP2014199559A (ja) | 視点推定装置及びその分類器学習方法 | |
CN110163910A (zh) | 物体对象定位方法、装置、计算机设备和存储介质 | |
Ye et al. | Feature pyramid deep matching and localization network for image forensics | |
US20220139073A1 (en) | Automatic topology mapping processing method and system based on omnidirectional image information | |
CN109063601A (zh) | 唇纹检测方法、装置、计算机设备和存储介质 | |
Weinmann et al. | Material recognition for efficient acquisition of geometry and reflectance | |
KK et al. | Visual words for 3D reconstruction and pose computation | |
CN106570911A (zh) | 一种基于daisy描述子的脸部卡通画合成方法 |
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 |