CN112949625A - 基于质心轮廓距离的目标识别方法与系统 - Google Patents
基于质心轮廓距离的目标识别方法与系统 Download PDFInfo
- Publication number
- CN112949625A CN112949625A CN202110123278.8A CN202110123278A CN112949625A CN 112949625 A CN112949625 A CN 112949625A CN 202110123278 A CN202110123278 A CN 202110123278A CN 112949625 A CN112949625 A CN 112949625A
- Authority
- CN
- China
- Prior art keywords
- feature sequence
- area
- shape feature
- circularity
- minimum
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 238000012360 testing method Methods 0.000 description 16
- 239000013598 vector Substances 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000005070 sampling Methods 0.000 description 5
- 241001522301 Apogonichthyoides nigripinnis Species 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 2
- 230000001154 acute effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/24—Aligning, centring, orientation detection or correction of the image
- G06V10/245—Aligning, centring, orientation detection or correction of the image by locating a pattern; Special marks for positioning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及机器视觉技术领域,具体涉及一种基于质心轮廓距离的目标识别方法与系统。该方法通过获取待识别对象的最小外接圆和最小外接矩形,以得到待识别对象的圆形度和矩形度;根据质心轮廓距离得到待识别对象的形状特征序列,将圆形度和矩形度添加在形状特征序列得到新形状特征序列,计算新形状特征序列和形状模板库中对应形状特征序列之间的曼哈顿距离以得到两者之间的相似度,根据相似度得到待识别对象的形状识别结果。通过增加待识别对象的圆形度和矩形度这两个特征,能够很好的区分质心轮廓距离相似的待识别对象,同时在保证了匹配速度不降低的情况下,提高了匹配精度。
Description
技术领域
本发明涉及机器视觉技术领域,具体涉及一种基于质心轮廓距离的目标识别方法与系统。
背景技术
形状描述子是物体识别的重要研究方向,已广泛应用于图像分析,机器视觉和目标识别等应用中。当目标在整个图像中占据的位置太少或目标的纹理特征模糊时,形状描述子可以通过形状特征成功识别目标。虽然深度学习可以在大量训练数据集之前完美地检测和识别目标,但是一些图像数据集很难获得。在这种情况下,形状描述子就能很好的利用。
形状描述子用于提取对象的形状特征,被提出的形状描述子有很多,它可以大致分为:全局描述子,局部描述子,多尺度描述子等。傅里叶描述子(FD),质心轮廓距离(CCD),基于质心轮廓距离的傅里叶描述子(FD-CCD),最远点距离描述子(FPD),小波描述子(WD)都是经典的描述子。基于多尺度质心距离的傅立叶描述子(FMSCCD)和角度尺度描述符与质心距离(ASD&CCD)都是进行了改进的描述子。
CCD描述子的原理简单易懂,它被许多研究人员引用和改进。ASD是一个角度比例尺描述子,可以在多个不同的比例尺上计算角度序列的特征向量,多尺度可以包括局部和全局信息。ASD&CCD在CCD的基础上添加角度信息。经过实验结果分析,FD-CCD在MPEG-7CE1Part B数据库中表现最佳。
发明人在实践中,发现上述现有技术存在以下缺陷:易于理解的原理和简单计算的描述符只能代表形状的一般特征,缺乏诸如方向特征之类的详细描述,然而当出现质心轮廓距离相似的两个形状时,会影响形状匹配的准确性,使得目标识别的结果出现误差。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种基于质心轮廓距离的目标识别方法与系统,所采用的技术方案具体如下:
第一方面,本发明一个实施例提供了一种基于质心轮廓距离的目标识别方法,该方法具体包括:
获取待识别对象的最小外接圆,以得到所述待识别对象的圆形度;所述最小外接圆是通过最小外接圆算法得到的;
获取所述待识别对象的最小外接矩形,以得到所述待识别对象的矩形度;所述最小外接矩形是指最小面积外接矩形;
基于质心轮廓距离的算法得到所述待识别对象的形状特征序列,在所述形状特征序列中添加所述圆形度和所述矩形度以得到新形状特征序列,进而计算所述新形状特征序列与形状模板库中对应形状特征序列之间的曼哈顿距离,利用所述曼哈顿距离表示所述新形状特征序列和所述对应形状特征序列之间的相似度,进而根据所述相似度得到所述待识别对象的形状识别结果。
进一步地,所述圆形度为所述最小外接圆的第一面积和所述待识别对象的第二面积的比值。
进一步地,所述圆形度为所述第一面积中像素点的数量和所述第二面积中所述像素点的数量的比值。
进一步地,所述矩形度为所述最小外接矩形的第三面积和所述待识别对象的所述第二面积的比值。
进一步地,所述矩形度为所述第三面积中所述像素点的数量和所述第二面积中所述像素点的数量的比值。
第二方面,本发明另一个实施例提供了一种基于质心轮廓距离的目标识别系统,该系统包括:
圆形度获取单元,用于获取待识别对象的最小外接圆,以得到所述待识别对象的圆形度;所述最小外接圆是通过最小外接圆算法得到的;
矩形度获取单元,用于获取所述待识别对象的最小外接矩形,以得到所述待识别对象的矩形度;所述最小外接矩形是指最小面积外接矩形;
形状识别单元,用于基于质心轮廓距离的算法得到所述待识别对象的形状特征序列,在所述形状特征序列中添加所述圆形度和所述矩形度以得到新形状特征序列,进而计算所述新形状特征序列与形状模板库中对应形状特征序列之间的曼哈顿距离,利用所述曼哈顿距离表示所述新形状特征序列和所述对应形状特征序列之间的相似度,进而根据所述相似度得到所述待识别对象的形状识别结果。
进一步地,所述圆形度获取单元中所述圆形度为所述最小外接圆的第一面积和所述待识别对象的第二面积的比值。
进一步地,所述圆形度获取单元中所述圆形度为所述第一面积中像素点的数量和所述第二面积中所述像素点的数量的比值。
进一步地,所述矩形度获取单元中所述矩形度为所述最小外接矩形的第三面积和所述待识别对象的所述第二面积的比值。
进一步地,所述矩形度获取单元中所述矩形度为通过所述第三面积中所述像素点的数量和所述第二面积中所述像素点的数量的比值。
本发明实施例至少存在以下有益效果:通过增加待识别对象的圆形度和矩形度这两个特征,能够很好的区分质心轮廓距离相似的待识别对象,同时在保证了匹配速度不降低的情况下,提高了匹配精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它附图。
图1为本发明一个实施例所提供的基于质心轮廓距离的目标识别方法的步骤流程图;
图2为本发明实施例所提供的关于最小外接圆的示例图;
图3为本发明实施例所提供的关于最小外接矩形的示例图;
图4为本发明实施例所提供的关于质心轮廓距离相似的两组待识别对象的示例图;
图5为本发明实施例所提供的关于两组待识别对象的CCD特征矢量曲线图;
图6为本发明实施例所提供的关于两组待识别对象的FD-CCD特征向量图;
图7为本发明实施例所提供的关于两组待识别对象的AFD-CCD特征向量图;
图8为本发明另一个实施例所提供的基于质心轮廓距离的目标识别系统的结构框图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种基于质心轮廓距离的目标识别方法与系统,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构、或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
下面结合附图具体的说明本发明所提供的一种基于质心轮廓距离的傅里叶描述子的目标识别方法与系统的具体方案。
参照附图1,本发明实施例提供了一种基于质心轮廓距离的目标识别方法,该方法包括以下具体步骤:
步骤S001,获取待识别对象的最小外接圆,以得到待识别对象的圆形度;最小外接圆是通过最小外接圆算法得到的。
步骤S002,获取待识别对象的最小外接矩形,以得到待识别对象的矩形度;最小外接矩形是指最小面积外接矩形。
步骤S003,基于质心轮廓距离的算法得到待识别对象的形状特征序列,在形状特征序列中添加圆形度和矩形度以得到新形状特征序列,进而计算新形状特征序列与形状模板库中对应形状特征序列之间的曼哈顿距离,利用曼哈顿距离表示新形状特征序列和对应形状特征序列之间的相似度,进而根据相似度得到待识别对象的形状识别结果。
进一步地,在步骤S001中,本发明实施例优先选择利用最小外接圆算法获取待识别对象的最小外接圆,该最小外接圆算法的主要步骤如下:
1)在待识别对象的轮廓点集中随机选择3个轮廓点,即第一轮廓点A、第二轮廓点B和第三轮廓点C。
2)利用第一轮廓点A、第二轮廓点B和第三轮廓点C这三个轮廓点构造最小的封闭圆。
3)在轮廓点集中找到距离封闭圆中心点最远的轮廓点V。如果最远的轮廓点V在封闭圆内,则算法终止;否则,继续下一步。
4)在第一轮廓点A、第二轮廓点B、第三轮廓点C和最远轮廓点V中选择3个轮廓点,构造封闭圆,从封闭圆中找出能包容这4个轮廓点的最小封闭圆,若随机选择的3个轮廓点构成的最小封闭圆包容了所有轮廓点,则该封闭圆即为所求的最小外接圆。
需要说明的是,随机选择的3个轮廓点应从边界上的轮廓点中选择。
具体的,根据随机选择轮廓点获取最小外接圆的方法如下:
随机选择轮廓点时,可能会遇到三个轮廓点共线,两个轮廓点重叠以及三个轮廓点重叠的现象,则此时最小外接圆的计算方法为:
其中,r为最小外接圆的半径;a为最小外接圆圆心的横坐标;x1为第一轮廓点A的横坐标;x2为第二轮廓点B的横坐标;b为最小外接圆圆心的纵坐标;y1为第一轮廓点A的纵坐标;y2为第二轮廓点B的纵坐标。
当由三个轮廓点组成的三角形是直角三角形时,最小外接圆的计算方法为:
其中,x3为第三轮廓点C的横坐标;y3为第三轮廓点C的纵坐标。
当由三个轮廓点组成的三角形是钝角三角形或锐角三角形时,最小外接圆的圆心是三角形的垂直平分线的交点,则计算方法如下:
r=((x1-a)2+(y1-b)2)1/2
进一步地,参照附图2,本发明实施例利用最小外接圆算法得到的待识别对象的最小外接圆,以获取待识别对象的圆形度,即圆形度的计算公式如下:
其中,c为圆形度;Sco为待识别对象的第二面积;Smc为最小外接圆的第一面积;Ncop为第二面积内像素点的数量;Nmcp为第一面积内像素点的数量。
进一步地,常见图形有两种外接矩形,即最小面积外接矩形和最小周长外接矩形,在步骤S002中,参照附图3,本发明实施例优先选择最小面积外接矩形,根据最小面积外接矩形获得待识别对象的矩形度,其中,获取最小面积外接矩形的步骤如下:
1)获取待识别对象的轮廓的所有凸包点,选择一条边作为起始边,并分别以凸包点A(x1,y1),B(x2,y2)为该起始边的左右端点,以A为中心旋转角度θ,使得该起始边平行于坐标横轴,其中旋转角度θ可由下式得到:
2)将所有凸包点都绕凸包点A旋转θ角度。
3)本发明实施例以起始边为一个上边界,找到y值最小的一个凸包点,经过此凸包点作一条平行于x轴的直线,就确定了对应的一个下边界;或者,以起始边为一个下边界,找到y值最大的一个凸包点,经过此凸包点作一条平行于x轴的直线,就确定了对应的一个上边界。然后找到x值最大和最小的左侧点和右侧点。经过这两个左右侧点分别作垂直与x轴的两条直线,就确定了对应的左边界和右边界,这样就可得到一个外接矩形,进而得到此外接矩形的面积。
4)顺序选择下一条边,以获取所有对应的外接矩形,进而比较所有外接矩形的面积,选择面积最小的外接矩形。
进一步地,本发明实施例根据最小外接矩形的面积得到待识别对象的矩形度,该矩形度的计算公式为:
其中,w为矩形度;Smr为最小外接矩形的第三面积;Nmrp为第三面积内像素点的数量。
进一步地,在步骤S003中,本发明实施例基于质心轮廓距离得到待识别对象的形状特征序列,在形状特征序列中添加待识别对象的圆形度和矩形度得到新形状特征序列,利用新形状序列在形状模板库中识别出待识别对象的形状,具体的过程如下:
1)假设待识别对象的轮廓上的采样点数为N,根据采样点得到待识别对象的质心点,如公式(1)所示:
其中,psam表示待识别对象的质心点;pi=(xi,yi)为待识别对象轮廓上的第i个采样点的坐标。
2)使用欧几里得距离来获取质心点到采样点之间的距离,且欧几里得距离是n维空间中两点之间的真实距离,如公式(2)所述:
3)每个形状和轮廓不相同,采样点的数量也不相同,对欧几里得距离进行归一化能够减少由不同数量的采样点引起的干扰,且利用公式(3)进行归一化:
8)计算新形状特征序列与形状模板库中对应形状特征序列之间的曼哈顿距离,如公式(6)所示:
其中,K是频域中形状特征的数量,优选的,本发明实施例中K=60。
进一步地,本发明实施例中利用新形状特征序列与形状模板库中对应形状特征序列之间的曼哈顿距离表示他们之间的相似度,进而根据相似度得到待识别对象的形状识别结果。
综上所述,本发明实施例提供了一种基于质心轮廓距离的目标识别方法,该方法获取待识别对象的最小外接圆和最小外接矩形,以得到待识别对象的圆形度和矩形度;根据质心轮廓距离得到待识别对象的形状特征序列,将圆形度和矩形度添加在形状特征序列得到新形状特征序列,对新形状特征序列和形状模板库中对应形状特征序列进行傅里叶变化,进而计算两者之间的曼哈顿距离以得到两者之间的相似度,根据相似度得到待识别对象的形状识别结果。通过增加待识别对象的圆形度和矩形度这两个特征,能够很好的区分质心轮廓距离相似的待识别对象,同时在保证了匹配速度不降低的情况下,提高了匹配精度。
作为一个示例,参照附图4,利用质心轮廓距离(CDD)分别区分图(a)和图(b)以及图(c)和图(d)这两组质心轮廓距离相似的待识别对象的形状时,利用MPEG-7CE1 Part B数据集进行测试,测试结果请参照附图5,图中左侧的实线表示(a)形状的CCD特征,虚线表示图(b)形状的CCD特征;图中右侧的实线表示图(c)形状的CCD特征,虚线表示图(d)形状的CCD特征,由测试结果可知这两组待识别对象的形状的CCD特征矢量曲线非常相似,无法很好的进行区分。
进一步地,本发明实施例利用基于质心轮廓距离的傅里叶描述子同样对这两组质心轮廓距离相似的待识别对象的形状进行区分时,同样利用MPEG-7CE1 Part B数据集进行测试,测试结果请参照附图6,图中左侧的实线表示(a)形状的FD-CCD特征,虚线表示图(b)形状的FD-CCD特征;图中右侧的实线表示图(c)形状的FD-CCD特征,虚线表示图(d)形状的FD-CCD特征,由测试结果可知虽然基于质心轮廓距离的傅里叶描述子对距离进行了傅里叶变换,但是当距离标准化后,轮廓点相对于质心点的方向信息丢失,导致这两组待识别对象的FD-CCD特征向量非常相似,也无法很好的进行区分。
进一步地,本发明实施例在基于质心轮廓距离的傅里叶描述子的基础上,添加了待识别对象的圆形度和矩形度这两个特征后,利用MPEG-7CE1 Part B数据集进行测试,测试结果请参照附图7,图中左侧的实线表示(a)形状的AFD-CCD特征,虚线表示图(b)形状的AFD-CCD特征;图中右侧的实线表示图(c)形状的AFD-CCD特征,虚线表示图(d)形状的AFD-CCD特征,能够看出这两组质心轮廓距离相似的待识别对象的AFD-CCD特征向量明显不同,且第一组待识别对图(a)和图(b)的圆形度分别为0.4292和0.2203,第二组待识别对象图(c)与图(d)的矩形度分别为0.4654和0.3948。
需要说明的是,(1)MPEG-7CE1 Part B是用于图像形状模板的图像模板库,该库包含1400个形状的模板图像,其中有70个类别,且每个类别包含20个形状,该图像模板库可用于研究对象形状特征。
(2)AFD-CCD,称为基于质心轮廓距离的高级傅里叶描述子,是本发明实施例所提供的基于质心轮廓距离的傅里叶描述子(FD-CDD)的基础上添加了圆形度和矩形度的算法。
作为另一个示例,本发明实施例为了使得添加了圆形度和矩形度的傅里叶描述子的效果更加直观,在Windows 7系统,装有i7-7700 CPU和16GB RAM的PC上,利用MATLAB测试了质心轮廓距离(CCD),基于质心轮廓距离的傅里叶描述子(FD-CCD),最远点距离描述子(FPD)和基于质心轮廓距离的高级傅里叶描述子(AFD-CCD)四种算法。
进一步地,参照表1,表1列出了一些常用的描述子和AFD-CCD的靶心测试得分(Bulls-eye-test score)和匹配时间(matching time)。从靶心测试得分的角度来看,AFD-CCD的靶心测试得分最高,其余算法的靶心测试得分为67.63%,68.32%,64.45%;从匹配时间来看,FPD的匹配时间最快,且为3.1ms,AFD-CCD的匹配时间为3.8ms,其余算法的匹配时间分别为3.5ms和112.8ms。虽然AFD-CCD的匹配时间相比较FPD慢了0.7时,但是靶心测验得分增加了3.73%。由于FD-CCD和CCD无法区分质心轮廓距离相似的待识别对象,而AFD-CCD能够在3.8ms的匹配时间内很好的区分,进而使得MPEG-7CE1 B部分数据集的靶心测试得分更高,提高了目标识别的准确性,因此,利用AFD-CCD对于目标识别的效果更加准确。
表1.一些描述算法的靶心测试得分和匹配时间
基于与上述方法相同的发明构思,本发明实施例提供了一种基于质心轮廓距离的目标识别系统。
参照附图8,本发明实施例提供了一种基于质心轮廓距离的目标识别系统,该系统包括:圆形度获取单元10、矩形度获取单元20以及形状识别单元30。
圆形度获取单元10用于获取待识别对象的最小外接圆,以得到待识别对象的圆形度;最小外接圆是通过最小外接圆算法得到的;
矩形度获取单元20用于获取待识别对象的最小外接矩形,以得到待识别对象的矩形度;最小外接矩形是指最小面积外接矩形;
形状识别单元30用于基于质心轮廓距离的算法得到待识别对象的形状特征序列,在形状特征序列中添加圆形度和矩形度以得到新形状特征序列,进而计算新形状特征序列与形状模板库中对应形状特征序列之间的曼哈顿距离,利用曼哈顿距离表示新形状特征序列和对应形状特征序列之间的相似度,进而根据相似度得到待识别对象的形状识别结果。
进一步地,圆形度获取单元10中圆形度为最小外接圆的第一面积和待识别对象的第二面积的比值。
进一步地,圆形度获取单元10中圆形度为第一面积中像素点的数量和第二面积中像素点的数量的比值。
进一步地,矩形度获取单元20中矩形度为最小外接矩形的第三面积和待识别对象的第二面积的比值。
进一步地,矩形度获取单元20中矩形度为通过第三面积中像素点的数量和第二面积中像素点的数量的比值。
综上所述,本发明实施例提供了一种基于质心轮廓距离的目标识别系统,该系统在圆形度获取单元10和矩形度获取单元20获取待识别对象的最小外接圆和最小外接矩形,以得到待识别对象的圆形度和矩形度;结合圆形度和矩形度在形状识别单元30中得到待识别对象的新形状特征序列,进而根据待识别对象的新形状特征序列与形状模板库中对应形状特征序列的曼哈顿距离得到待识别对象的相似度,根据相似度得到待识别对象的形状识别结果。通过增加待识别对象的圆形度和矩形度这两个特征,能够很好的区分质心轮廓距离相似的待识别对象,同时在保证了匹配速度不降低的情况下,提高了匹配精度。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。且上述对本说明书特定实施例进行了描述。其它实施例在所附权利要求书的范围内。在一些情况下,在权利要求书中记载的动作或步骤可以按照不同于实施例中的顺序来执行并且仍然可以实现期望的结果。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,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、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种基于质心轮廓距离的目标识别方法,其特征在于,该方法包括:
获取待识别对象的最小外接圆,以得到所述待识别对象的圆形度;所述最小外接圆是通过最小外接圆算法得到的;
获取所述待识别对象的最小外接矩形,以得到所述待识别对象的矩形度;所述最小外接矩形是指最小面积外接矩形;
基于质心轮廓距离的算法得到所述待识别对象的形状特征序列,在所述形状特征序列中添加所述圆形度和所述矩形度以得到所述新形状特征序列,进而计算所述新形状特征序列与形状模板库中对应形状特征序列之间的曼哈顿距离,利用所述曼哈顿距离表示所述新形状特征序列和所述对应形状特征序列之间的相似度,进而根据所述相似度得到所述待识别对象的形状识别结果。
2.如权利要求1所述的方法,其特征在于,所述圆形度为所述最小外接圆的第一面积和所述待识别对象的第二面积的比值。
3.如权利要求1所述的方法,其特征在于,所述圆形度为所述第一面积中像素点的数量和所述第二面积中所述像素点的数量的比值。
4.如权利要求1~3任意一项所述的方法,其特征在于,所述矩形度为所述最小外接矩形的第三面积和所述待识别对象的所述第二面积的比值。
5.如权利要求1~3任意一项所述的方法,其特征在于,所述矩形度为所述第三面积中所述像素点的数量和所述第二面积中所述像素点的数量的比值。
6.一种基于质心轮廓距离的目标识别系统,其特征在于,该系统包括:
圆形度获取单元,用于获取待识别对象的最小外接圆,以得到所述待识别对象的圆形度;所述最小外接圆是通过最小外接圆算法得到的;
矩形度获取单元,用于获取所述待识别对象的最小外接矩形,以得到所述待识别对象的矩形度;所述最小外接矩形是指最小面积外接矩形;
形状识别单元,用于基于质心轮廓距离的算法得到所述待识别对象的形状特征序列,在所述形状特征序列中添加所述圆形度和所述矩形度以得到新形状特征序列,进而计算所述新形状特征序列与形状模板库中对应形状特征序列之间的曼哈顿距离,利用所述曼哈顿距离表示所述新形状特征序列和所述对应形状特征序列之间的相似度,进而根据所述相似度得到所述待识别对象的形状识别结果。
7.如权利要求6所述的系统,其特征在于,所述圆形度获取单元中所述圆形度为所述最小外接圆的第一面积和所述待识别对象的第二面积的比值。
8.如权利要求6所述的系统,其特征在于,所述圆形度获取单元中所述圆形度为所述第一面积中像素点的数量和所述第二面积中所述像素点的数量的比值。
9.如权利要求6~8任意一项所述的系统,其特征在于,所述矩形度获取单元中所述矩形度为所述最小外接矩形的第三面积和所述待识别对象的所述第二面积的比值。
10.如权利要求6~8任意一项所述的系统,其特征在于,所述矩形度获取单元中所述矩形度为通过所述第三面积中所述像素点的数量和所述第二面积中所述像素点的数量的比值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110123278.8A CN112949625A (zh) | 2021-01-29 | 2021-01-29 | 基于质心轮廓距离的目标识别方法与系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110123278.8A CN112949625A (zh) | 2021-01-29 | 2021-01-29 | 基于质心轮廓距离的目标识别方法与系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112949625A true CN112949625A (zh) | 2021-06-11 |
Family
ID=76239262
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110123278.8A Pending CN112949625A (zh) | 2021-01-29 | 2021-01-29 | 基于质心轮廓距离的目标识别方法与系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112949625A (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880877A (zh) * | 2012-09-28 | 2013-01-16 | 中科院成都信息技术有限公司 | 一种基于轮廓特征的目标识别方法 |
CN103345634A (zh) * | 2013-07-29 | 2013-10-09 | 湖南省植物保护研究所 | 一种黄板上常见蔬菜昆虫的自动识别方法 |
CN105740882A (zh) * | 2016-01-22 | 2016-07-06 | 苏州大学 | 一种基于多尺度不变量描述的目标识别方法及装置 |
CN105809705A (zh) * | 2016-03-30 | 2016-07-27 | 广东工业大学 | 一种基于最小外接矩形的贴片元件定位识别方法 |
CN105809138A (zh) * | 2016-03-15 | 2016-07-27 | 武汉大学 | 一种基于分块识别的道路警告标志检测与识别方法 |
JP2016181276A (ja) * | 2016-06-16 | 2016-10-13 | 株式会社リコー | 画像認識装置、画像認識方法及びプログラム |
CN109446895A (zh) * | 2018-09-18 | 2019-03-08 | 中国汽车技术研究中心有限公司 | 一种基于人体头部特征的行人识别方法 |
CN111199163A (zh) * | 2019-12-31 | 2020-05-26 | 徐波 | 一种环形码的边缘检测与定位识别方法 |
-
2021
- 2021-01-29 CN CN202110123278.8A patent/CN112949625A/zh active Pending
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102880877A (zh) * | 2012-09-28 | 2013-01-16 | 中科院成都信息技术有限公司 | 一种基于轮廓特征的目标识别方法 |
CN103345634A (zh) * | 2013-07-29 | 2013-10-09 | 湖南省植物保护研究所 | 一种黄板上常见蔬菜昆虫的自动识别方法 |
CN105740882A (zh) * | 2016-01-22 | 2016-07-06 | 苏州大学 | 一种基于多尺度不变量描述的目标识别方法及装置 |
CN105809138A (zh) * | 2016-03-15 | 2016-07-27 | 武汉大学 | 一种基于分块识别的道路警告标志检测与识别方法 |
CN105809705A (zh) * | 2016-03-30 | 2016-07-27 | 广东工业大学 | 一种基于最小外接矩形的贴片元件定位识别方法 |
JP2016181276A (ja) * | 2016-06-16 | 2016-10-13 | 株式会社リコー | 画像認識装置、画像認識方法及びプログラム |
CN109446895A (zh) * | 2018-09-18 | 2019-03-08 | 中国汽车技术研究中心有限公司 | 一种基于人体头部特征的行人识别方法 |
CN111199163A (zh) * | 2019-12-31 | 2020-05-26 | 徐波 | 一种环形码的边缘检测与定位识别方法 |
Non-Patent Citations (5)
Title |
---|
YAN ZHENG 等: "A Fourier Descriptor of 2D Shapes Based on Multiscale Centroid Contour Distances Used in Object Recognition in Remote Sensing Images", 《SENSORS》 * |
ZEKUN LI 等: "Vertical Interior Distance Ratio to Minimum Bounding Rectangle of A Shape", 《EASYCHAIR PREPRINT》 * |
杨林杰: "基于轮廓特征的目标匹配算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王春薇: "隧道裂缝图像智能匹配与变化趋势检测算法研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
邓秋君: "基于轮廓特征的物体分类识别算法研究", 《现代计算机》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10339409B2 (en) | Method and a device for extracting local features of a three-dimensional point cloud | |
Hambalık | Fingerprint recognition system using artificial neural network as feature extractor: design and performance evaluation | |
CN104851095B (zh) | 基于改进型形状上下文的工件图像稀疏立体匹配方法 | |
US8953852B2 (en) | Method for face recognition | |
US20080304699A1 (en) | Face feature point detection apparatus and method of the same | |
CN111178252A (zh) | 多特征融合的身份识别方法 | |
CN111709426B (zh) | 一种基于轮廓和纹理的硅藻识别方法 | |
Bai et al. | Shape band: A deformable object detection approach | |
CN115830015A (zh) | 基于计算机视觉的五金冲压配件质量检测方法 | |
CN110659374A (zh) | 一种基于神经网络提取车辆特征值及属性的以图搜图方法 | |
CN111753119A (zh) | 一种图像搜索方法、装置、电子设备及存储介质 | |
CN112597812A (zh) | 一种基于卷积神经网络和sift算法的手指静脉识别方法及系统 | |
CN113379777A (zh) | 一种基于最小外接矩形垂直内距离比例的形状描述与检索方法 | |
Zhu et al. | Underwater object recognition using transformable template matching based on prior knowledge | |
CN110472651B (zh) | 一种基于边缘点局部特征值的目标匹配与定位方法 | |
CN105139013A (zh) | 一种融合形状特征和兴趣点的物体识别方法 | |
CN106650616A (zh) | 虹膜定位方法及可见光虹膜识别系统 | |
CN113936303A (zh) | 一种手部图像最大内接矩形确定方法及图像识别方法 | |
CN110516638B (zh) | 一种基于轨迹和随机森林的手语识别方法 | |
CN112949625A (zh) | 基于质心轮廓距离的目标识别方法与系统 | |
Ray et al. | Palm print recognition using hough transforms | |
CN109815791B (zh) | 基于血管的身份识别方法和装置 | |
CN114549420A (zh) | 基于模板匹配的工件识别定位方法 | |
CN102379701B (zh) | 生物特征辨识方法 | |
Zhu et al. | Palmprint recognition based on PFI and fuzzy logic |
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: 20210611 |