CN113837203A - 面向多标签识别与分布优化的rfid图像快速匹配方法 - Google Patents

面向多标签识别与分布优化的rfid图像快速匹配方法 Download PDF

Info

Publication number
CN113837203A
CN113837203A CN202111134292.4A CN202111134292A CN113837203A CN 113837203 A CN113837203 A CN 113837203A CN 202111134292 A CN202111134292 A CN 202111134292A CN 113837203 A CN113837203 A CN 113837203A
Authority
CN
China
Prior art keywords
image
label
rfid
calculating
pixel point
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
Application number
CN202111134292.4A
Other languages
English (en)
Other versions
CN113837203B (zh
Inventor
张科
俞晓磊
赵志敏
李琳
刘振鲁
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.)
Nanjing University of Aeronautics and Astronautics
Original Assignee
Nanjing University of Aeronautics and Astronautics
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 Nanjing University of Aeronautics and Astronautics filed Critical Nanjing University of Aeronautics and Astronautics
Priority to CN202111134292.4A priority Critical patent/CN113837203B/zh
Publication of CN113837203A publication Critical patent/CN113837203A/zh
Application granted granted Critical
Publication of CN113837203B publication Critical patent/CN113837203B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
    • Y02T10/00—Road transport of goods or passengers
    • Y02T10/10—Internal combustion engine [ICE] based vehicles
    • Y02T10/40—Engine management systems

Landscapes

  • Image Analysis (AREA)

Abstract

本发明公开了一种面向多标签识别与分布优化的RFID图像快速匹配方法，具体为：步骤1：对多标签RFID图像进行灰度化处理；步骤2：特征点提取；步骤3：将多标签RFID图像均分成N个图像块，计算每个图像块的特征向量；步骤4：计算多标签RFID图像A和多标签RFID图像D之间任意两个特征向量之间的相似度，选择相似度大于等于预设的相似度阈值的特征向量为相似的特征向量，计算相似的特征向量在图像A中对应的图像块a，以及在图像D中对应的图像块d；并计算图像块a和图像块d中特征点的欧氏距离，将欧氏距离小于预设的距离阈值的两个特征点作为匹配对。本发明为RFID多标签实时快速匹配与精准定位提供了一种有效途径。

Description

面向多标签识别与分布优化的RFID图像快速匹配方法
技术领域
本发明属于光电检测与图像处理技术领域。
背景技术
射频识别(Radio Frequency Identification,RFID)作为一种应用广泛的新型非接触式自动识别技术，具有众多优点。其中多标签的识别与分布优化存在识读能力不足的问题。
图像匹配，是一种通过对影像内容、特征、结构、关系、纹理及灰度等的对应关系，相似性和一致性的分析，寻求相似影像目标的方法。研究多标签图像匹配问题，其中特征匹配是关键，特征匹配就是寻找两幅图像之间相似的特征点之间的距离，其中最近邻距离比值法是最常用的方法。目前，目标特征提取与匹配主要有SIFT(尺度不变特征转换,ScaleInvariant Feature Transform)、SURF(加速稳健特征，Speeded Up Robust Feature)、ORB(Oriented FAST and Rotated BRIEF)等方法。但这些算法，在RFID多标签图像匹配方面，运行时间较长且匹配效果较为一般。
发明内容
发明目的：为了解决上述现有技术存在的问题，本发提供了一种面向多标签识别与分布优化的RFID图像快速匹配方法。
技术方案：本发明提供了一种面向多标签识别与分布优化的RFID图像快速匹配方法，具体包括如下步骤：
步骤1：对多标签RFID图像进行灰度化处理；
步骤2：对经过灰度化处理的多标签RFID图像进行特征点提取；
步骤3：将多标签RFID图像均分成N个图像块，计算每个图像块的特征向量；
步骤4：计算多标签RFID图像A和多标签RFID图像D之间任意两个特征向量之间的相似度，如果相似度大于等于预设的相似度阈值，则该两个特征向量为相似的特征向量，计算相似的特征向量在多标签RFID图像A中对应的图像块a，以及在多标签RFID图像D中对应的图像块d；并计算图像块a和图像块d中特征点的欧氏距离，将欧氏距离小于预设的距离阈值的两个特征点作为匹配对。
进一步的，采用如下公式对多标签RFID图像进行灰度化处理：
Y＝0.299*R+0.587*G+0.114*B
其中，Y为多标签RFID图像的灰度值，R,G,B分别为多标签RFID图像每个像素点的红，绿，蓝像素值。
进一步的，所述步骤2具体为：
步骤2.1：在经过灰度化处理的多标签RFID图像上建立一个固定窗口，计算窗口发生[u,v]移动时，滑动前后窗口中的灰度变化
Figure BDA0003281692960000021
其中，u表示窗口在竖直方向的偏移，v表示窗口在水平方向的偏移，M为二阶矩阵，
Figure BDA0003281692960000022
w(x,y)为窗口函数，(x,y)表示当前窗口中像素点的坐标，Ix和Iy分别为在像素点(x,y)处对x和y的一阶偏导；
步骤2.2：设置得分函数R＝min(λ1,λ2)，其中，λ1和λ2是M的特征值，若R的值大于预设的最小阈值σ，则点(x,y)为特征点。
进一步的，所述步骤3具体为：
步骤3.1：计算经多标签RFID图像中每个像素点(x,y)的水平方向梯度Ax(x,y)＝H(x+1,y)-H(x-1,y)，和垂直方向梯度Ay(x,y)＝H(x,y+1)-H(x,y-1)，其中，H(x,y)表示像素点(x,y)的像素值，H(x+1,y)表示像素点(x+1,y)的像素值，H(x-1,y)表示像素点(x-1,y)的像素值，H(x,y+1)表示像素点(x,y+1)的像素值，H(x,y-1)表示像素点(x,y-1)的像素值；
步骤3.2：计算像素点(x,y)处的梯度幅值
Figure BDA0003281692960000023
计算像素点(x,y)的梯度方向
Figure BDA0003281692960000024
步骤3.3：根据每个像素点的梯度方向设置Q个梯度方向区间；将每个图像块均分成J个单元格，针对第j个单元格建立初始直方图，该直方图以梯度方向区间为横轴，以梯度幅值作为纵轴，j＝1,2,…,J；将第j个单元格中属于第q个梯度方向区间的像素点的梯度幅值叠加，从而得到与第j个单元对应的直方图；以直方图的纵轴的值作为特征向量，将图像块内的J个直方图进行归一化，得到每个图像块对应的特征向。
有益效果：本发明通过图像匹配来提高RFID多标签的定位精度，达到提高识别性能的最终目的。本发明具有匹配准确性和实时性，为RFID多标签实时快速匹配与精准定位提供了一种有效途径。
附图说明
图1为本发明流程图；
图2为多标签RFID原始图像A；
图3为多标签RFID原始图像D；
图4为灰度化处理后的多标签RFID原始图像A；
图5为灰度化处理后的多标签RFID原始图像D；
图6为在多标签RFID图像A提取的特征点；
图7为在多标签RFID图像D提取的特征点；
图8为多标签RFID图像A,D的匹配结果；
图9为划分坐标轴示意图。
具体实施方式
构成本发明的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
如图1所示，本发明提出一种面向多标签识别与分布优化的RFID图像快速匹配算法，包括以下步骤：
第一步骤：灰度化处理步骤，选取两张拍摄角度不同的多标签RFID图像A和D，如图2和图3所示，读取图2和图3并分别进行灰度化处理，灰度化处理后的多标签RFID图像如图4和图5所示；
第二步骤：特征提取步骤，对图4和图5分别进行特征提取，特征提取后的多标签RFID图像如图6和图7所示，图4和图5上各有423个特征点；
第三步骤：计算多标签RFID图像A和多标签RFID图像D的特征向量；
第四步骤：计算多标签RFID图像A和多标签RFID图像D之间任意两个特征向量之间的相似度，如果相似度大于等于预设的相似度阈值，则该两个特征向量为相似的特征向量，计算相似的特征向量在多标签RFID图像A中对应的图像块a，以及在多标签RFID图像D中对应的图像块d；并计算图像块a和图像块d中特征点的欧氏距离，将欧氏距离小于预设的距离阈值的两个特征点作为匹配对；
Figure BDA0003281692960000041
(xm,ym)为在图像块A中某个特征点的坐标，(xn,yn)为在图像块D中某个特征点的坐标，本实施例中建立了匹配对的多标签RFID图像如图8所示。
第一步骤所述的灰度化处理为：
对图像A和D进行灰度化处理：Y＝0.299*R+0.587*G+0.114*B，其中，Y为多标签RFID图像的灰度值，R,G,B为多标签RFID图像每个像素点的红，绿，蓝像素值。
第二步骤所述特征提取方法，步骤如下：
步骤2.1：在经过灰度化处理后的多标签RFID图像上建立一个固定窗口，窗口发生[u,v]移动时，滑动前后窗口中的灰度变化为：
Figure BDA0003281692960000042
其中，u表示窗口在竖直方向的偏移，v表示窗口在水平方向的偏移，w(x,y)是窗口函数，I(x,y)是当前窗口中像素点的灰度值，w(x,y)和I(x,y)中的(x,y)均表示当前窗口像素点的坐标，窗口移动后的灰度值变化I(x+u,y+v)＝I(x,y)+Ixu+Iyv；则灰度变化进一步改写为：
Figure BDA0003281692960000043
Figure BDA0003281692960000044
Ix和Iy分别是多标签RFID图像上像素点(x,y)处对x和y的一阶偏导数；
步骤2.2：定义一个得分函数R＝min(λ1,λ2)，其中，λ1和λ2是M的特征值(M是二阶矩阵，可以选择通过计算特征多项式来求解M的特征值)，如果R的值比预设的最小阈值σ大，该像素点(x,y)就被认为是一个特征点。
第三步骤所述计算特征向量方法，步骤如下：
步骤3.1：计算多标签RFID图像A和多标签RFID图像D中像素点(x,y)的水平方向梯度Ax(x,y)＝H(x+1,y)-H(x-1,y)，以及像素点(x,y)的垂直方向梯度Ay(x,y)＝H(x,y+1)-H(x,y-1)，其中，H(x,y)表示像素点的像素值；
步骤3.2：计算像素点(x,y)处的梯度幅值
Figure BDA0003281692960000051
计算像素点(x,y)的梯度方向
Figure BDA0003281692960000052
步骤3.3：根据每个像素点的梯度方向设置Q个梯度方向区间(本实施例中划分9个区间，如图9所述，第一个区间的角度范围z1＝0°-20°)；将每个图像块均分成J个单元格(本实施例中以8*8像素为一个单元格，2*2个单元格为一个图像块)，针对第j个单元格建立初始直方图，该直方图以梯度方向区间为横轴，以梯度幅值作为纵轴，j＝1,2,…,J；将第j个单元格中属于第q个梯度方向区间的像素点的梯度幅值叠加，从而得到与第j个单元对应的直方图；以直方图的纵轴的值作为特征向量，将图像块内的J个直方图进行归一化，得到每个图像块对应的特征向量(本实施例中每个图像块对应的特征向量是1*9维)。归一化函数为
Figure BDA0003281692960000053
其中，v′是归一化后特征向量，v是归一化前特征向量，ε是标准化常量，║·║2是二范数；多标签RFID图像1和多标签RFID图2各有44×75＝3300个特征向量。
步骤3.4：将所有图像块对应的特征向量v'1,v'2,v'3,v'4.......v'3300依次串联起来形成最后的特征向量。
本实施例建立的匹配对的共有82组，如表1所示：
表1
Figure BDA0003281692960000054
Figure BDA0003281692960000061
Figure BDA0003281692960000071
另外需要说明的是，在上述具体实施方式中所描述的各个具体技术特征，在不矛盾的情况下，可以通过任何合适的方式进行组合。为了避免不必要的重复，本发明对各种可能的组合方式不再另行说明。

Claims (4)

1.面向多标签识别与分布优化的RFID图像快速匹配方法，其特征在于，具体包括如下步骤：
步骤1：对多标签RFID图像进行灰度化处理；
步骤2：对经过灰度化处理的多标签RFID图像进行特征点提取；
步骤3：将多标签RFID图像均分成N个图像块，计算每个图像块的特征向量；
步骤4：计算多标签RFID图像A和多标签RFID图像D之间任意两个特征向量之间的相似度，如果相似度大于等于预设的相似度阈值，则该两个特征向量为相似的特征向量，计算相似的特征向量在多标签RFID图像A中对应的图像块a，以及在多标签RFID图像D中对应的图像块d；并计算图像块a和图像块d中特征点的欧氏距离，将欧氏距离小于预设的距离阈值的两个特征点作为匹配对。
2.根据权利要求1所述的面向多标签识别与分布优化的RFID图像快速匹配方法，其特征在于，采用如下公式对多标签RFID图像进行灰度化处理：
Y＝0.299*R+0.587*G+0.114*B
其中，Y为多标签RFID图像的灰度值，R,G,B分别为多标签RFID图像每个像素点的红，绿，蓝像素值。
3.根据权利要求1所述的面向多标签识别与分布优化的RFID图像快速匹配方法，其特征在于，所述步骤2具体为：
步骤2.1：在经过灰度化处理的多标签RFID图像上建立一个固定窗口，计算窗口发生[u,v]移动时，滑动前后窗口中的灰度变化
Figure FDA0003281692950000011
其中，u表示窗口在竖直方向的偏移，v表示窗口在水平方向的偏移，M为二阶矩阵，
Figure FDA0003281692950000012
w(x,y)为窗口函数，(x,y)表示当前窗口中像素点的坐标，Ix和Iy分别为在像素点(x,y)处对x和y的一阶偏导；
步骤2.2：设置得分函数R＝min(λ1,λ2)，其中，λ1和λ2是M的特征值，若R的值大于预设的最小阈值σ，则点(x,y)为特征点。
4.根据权利要求1所述的面向多标签识别与分布优化的RFID图像快速匹配方法，其特征在于，所述步骤3具体为：
步骤3.1：计算经多标签RFID图像中每个像素点(x,y)的水平方向梯度Ax(x,y)＝H(x+1,y)-H(x-1,y)，和垂直方向梯度Ay(x,y)＝H(x,y+1)-H(x,y-1)，其中，H(x,y)表示像素点(x,y)的像素值，H(x+1,y)表示像素点(x+1,y)的像素值，H(x-1,y)表示像素点(x-1,y)的像素值，H(x,y+1)表示像素点(x,y+1)的像素值，H(x,y-1)表示像素点(x,y-1)的像素值；
步骤3.2：计算像素点(x,y)处的梯度幅值
Figure FDA0003281692950000021
计算像素点(x,y)的梯度方向
Figure FDA0003281692950000022
步骤3.3：根据每个像素点的梯度方向设置Q个梯度方向区间；将每个图像块均分成J个单元格，针对第j个单元格建立初始直方图，该直方图以梯度方向区间为横轴，以梯度幅值作为纵轴，j＝1,2,…,J；将第j个单元格中属于第q个梯度方向区间的像素点的梯度幅值叠加，从而得到与第j个单元对应的直方图；以直方图的纵轴的值作为特征向量，将图像块内的J个直方图进行归一化，得到每个图像块对应的特征向量。
CN202111134292.4A 2021-09-27 2021-09-27 面向多标签识别与分布优化的rfid图像快速匹配方法 Active CN113837203B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111134292.4A CN113837203B (zh) 2021-09-27 2021-09-27 面向多标签识别与分布优化的rfid图像快速匹配方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111134292.4A CN113837203B (zh) 2021-09-27 2021-09-27 面向多标签识别与分布优化的rfid图像快速匹配方法

Publications (2)

Publication Number Publication Date
CN113837203A true CN113837203A (zh) 2021-12-24
CN113837203B CN113837203B (zh) 2024-05-24

Family

ID=78970611

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111134292.4A Active CN113837203B (zh) 2021-09-27 2021-09-27 面向多标签识别与分布优化的rfid图像快速匹配方法

Country Status (1)

Country Link
CN (1) CN113837203B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110443128A (zh) * 2019-06-28 2019-11-12 广州中国科学院先进技术研究所 一种基于surf特征点精确匹配的指静脉识别方法
US20210034919A1 (en) * 2018-10-10 2021-02-04 Tencent Technology (Shenzhen) Company Limited Method and apparatus for establishing image set for image recognition, network device, and storage medium
CN113128378A (zh) * 2021-04-06 2021-07-16 浙江精宏智能科技有限公司 一种指静脉快速识别方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20210034919A1 (en) * 2018-10-10 2021-02-04 Tencent Technology (Shenzhen) Company Limited Method and apparatus for establishing image set for image recognition, network device, and storage medium
CN110443128A (zh) * 2019-06-28 2019-11-12 广州中国科学院先进技术研究所 一种基于surf特征点精确匹配的指静脉识别方法
CN113128378A (zh) * 2021-04-06 2021-07-16 浙江精宏智能科技有限公司 一种指静脉快速识别方法

Also Published As

Publication number Publication date
CN113837203B (zh) 2024-05-24

Similar Documents

Publication Publication Date Title
CN110097093B (zh) 一种异源图像精确匹配方法
CN104200495B (zh) 一种视频监控中的多目标跟踪方法
CN107563377A (zh) 一种利用边缘和文字区域的证件关键区域检测定位方法
CN107316031A (zh) 用于行人重识别的图像特征提取方法
Zhang et al. Texture-based image retrieval by edge detection matching GLCM
CN104715251A (zh) 一种基于直方图线性拟合的显著目标检测方法
CN107862319A (zh) 一种基于邻域投票的异源高分光学影像匹配误差剔除方法
CN109766850B (zh) 基于特征融合的指纹图像匹配方法
CN111709426A (zh) 一种基于轮廓和纹理的硅藻识别方法
Huang et al. FAST and FLANN for feature matching based on SURF
CN113469195B (zh) 一种基于自适应颜色快速点特征直方图的目标识别方法
CN114373079A (zh) 一种快速准确的探地雷达目标检测方法
CN114332172A (zh) 一种基于协方差矩阵改进的激光点云配准方法
CN117952979A (zh) 一种建设工程质量检测监管方法及系统
Yuan et al. Fast QR code detection based on BING and AdaBoost-SVM
CN105512682B (zh) 一种基于Krawtchouk矩和KNN-SMO分类器的密级标识识别方法
CN109977892B (zh) 基于局部显著性特征和cnn-svm的舰船检测方法
CN111311657A (zh) 一种基于改进角点主方向分配的红外图像同源配准方法
CN106650629A (zh) 一种基于核稀疏表示的快速遥感目标检测识别方法
CN113837203B (zh) 面向多标签识别与分布优化的rfid图像快速匹配方法
Han et al. Accurate and robust vanishing point detection method in unstructured road scenes
CN113792788B (zh) 一种基于多特征相似度融合的红外和可见光图像匹配方法
CN110738098A (zh) 一种目标的识别定位与锁定跟踪方法
CN106056575A (zh) 一种基于似物性推荐算法的图像匹配方法
Jin et al. A method for traffic signs detection, tracking and recognition

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