CN114119658A - 一种多特征自适应融合的跟随算法 - Google Patents
一种多特征自适应融合的跟随算法 Download PDFInfo
- Publication number
- CN114119658A CN114119658A CN202111336918.XA CN202111336918A CN114119658A CN 114119658 A CN114119658 A CN 114119658A CN 202111336918 A CN202111336918 A CN 202111336918A CN 114119658 A CN114119658 A CN 114119658A
- Authority
- CN
- China
- Prior art keywords
- pixel
- feature
- lbp
- blocks
- pixels
- 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
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 31
- 230000004927 fusion Effects 0.000 title claims abstract description 15
- 238000000034 method Methods 0.000 claims description 30
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 3
- 230000008859 change Effects 0.000 description 2
- 230000036039 immunity Effects 0.000 description 2
- 238000007500 overflow downdraw method Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000005034 decoration Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000014509 gene expression Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多特征自适应融合的跟随算法，包括提取特征点,计算选取的像素在其邻域有足够像素的像素值差；然后将两个像素点的比较改为三个像素块，先选取预设尺寸的图像窗口，检测到的特征点为中心，通过比较窗口中的所有像素对，形成特征点的二进制字符串；再计算像素块之间的范数来评估相似度。然后将图像窗口划分为25个主块，每个主块大小为20*20像素，然后将每个主块划分为36个副块，根据副块的灰度均值计算每个主块的LBP特征描述符；通过对所有主块LBP描述的串联，形成特征点的改进LBP特征描述符等步骤，生成一个新的特征描述符作为LBP描述符。本发明大大缩短了计算时间。可以有效提高匹配精度，减少误匹配。
Description
技术领域
本发明涉及人工智能算法领域，具体为一种多特征自适应融合的跟随算法。
背景技术
人工智能的三大基石—算法、数据和计算能力，算法作为其中之一，是非常重要的，应用最广泛的，算法被广泛应用于图形识别中。
图像匹配是指通过一定的匹配算法在两幅或多幅图像之间识别同名点，如二维图像匹配中通过比较目标区和搜索区中相同大小的窗口的相关系数，取搜索区中相关系数最大所对应的窗口中心点作为同名点。其实质是在基元相似性的条件下，运用匹配准则的最佳搜索问题。
迄今为止，人们已经提出了各种各样的图像匹配算法，但从总体上讲，这些匹配算法可以分成关系结构匹配方法、结合特定理论工具的匹配方法、基于灰度信息的匹配方法、基于亚像元匹配方法、基于内容特征的匹配方法五大类型，但这些算法都存在识别精准度差或者时间较慢的问题。
发明内容
为解决上述技术问题，本发明提供一种多特征自适应融合的跟随算法。
本发明提供了一种多特征自适应融合的跟随算法，包括如下步骤：
步骤1：采用多尺度快速角点检测算法提取特征点,计算选取的像素在其邻域有足够像素的像素值差；
步骤2：将两个像素点的比较改为三个像素块，先选取预设尺寸的图像窗口，检测到的特征点为中心，通过比较窗口中的所有像素对，形成特征点的二进制字符串；
步骤3：选取预设尺寸的图像窗口，检测到的特征点为中心，在图像窗口中定义样本，每个样本包含三个像素块，然后计算像素块之间的范数来评估相似度；
步骤4：将图像窗口划分为25个主块，每个主块大小为20*20像素，然后将每个主块划分为36个副块；
步骤5：根据副块的灰度均值计算每个主块的LBP特征描述符；
步骤6：通过对所有主块LBP描述的串联，形成特征点的改进LBP特征描述符；
步骤7：在特征描述符的生成过程中，采用灰度质心法对特征点周围的固定尺寸图像块进行旋转；
步骤8：提取特征点的闩锁描述符和改进LBP描述符，然后连接锁存器和改进的LBP描述符来生成新的描述符。
优先地，在所述步骤“计算选取的像素在其邻域有足够像素的像素值差”之后，还包括：判断当像素值差大于设定阈值时，将所选像素视为特征点。
优先地，在所述步骤3之后，还包括：对窗口中的三个像素块样本进行比较，形成特征点的二进制字符串。
优先地，在所述步骤8之后，还包括：将每个主块的LBP特征计算为8位二进制字符串。然后，将特征点邻域窗口中的所有8位二进制字符串串联起来，形成一个新的128位二进制字符串，作为特征点的改进LBP特征。
本发明提供的一种多特征自适应融合的跟随算法，多特征融合解决了大误差和高不匹配的问题。在原有的二进制描述的基础上，利用闩锁特征描述将两个像素点的比较改为三个像素块的比较，提高了二进制描述的准确性。其次，通过将图像分割成块，提高了LBP算法的抗噪声能力。最后，利用多特征融合方法，将这两个特征描述符有效地结合起来，生成一个新的特征描述符作为闩锁/LBP描述符。大大缩短了计算时间。同时，与传统的二进制字符描述方法相比，可以有效提高匹配精度，减少误匹配。
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，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地介绍，显而易见地，下面描述中的附图仅仅是本发明中记载的一些实施例，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他的附图。
图1为本发明实施方式的流程示意图。
具体实施方式
为了使本领域技术人员更好地理解本发明的技术方案，下面结合附图对本发明进行详细描述，本部分的描述仅是示范性和解释性，不应对本发明的保护范围有任何的限制作用。
应注意到：相似的标号在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
需要说明的是，术语“中心”、“上”、“下”、“左”、“右”、“竖直”、“水平”、“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，或者是该发明产品使用时惯常摆放的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
此外，术语“水平”、“竖直”、“悬垂”等术语并不表示要求部件绝对水平或悬垂，而是可以稍微倾斜。如“水平”仅仅是指其方向相对“竖直”而言更加水平，并不是表示该结构一定要完全水平，而是可以稍微倾斜。
在本发明的描述中，还需要说明的是，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接，也可以是电连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施方式一
如图1所示，本实施方式提供的一种多特征自适应融合的跟随算法，包括如下步骤：
步骤1：采用多尺度快速角点检测算法提取特征点,计算选取的像素在其邻域有足够像素的像素值差；
步骤2：将两个像素点的比较改为三个像素块，先选取预设尺寸的图像窗口，检测到的特征点为中心，通过比较窗口中的所有像素对，形成特征点的二进制字符串；
步骤3：选取预设尺寸的图像窗口，检测到的特征点为中心，在图像窗口中定义样本，每个样本包含三个像素块，然后计算像素块之间的范数来评估相似度；
步骤4：将图像窗口划分为25个主块，每个主块大小为20*20像素，然后将每个主块划分为36个副块；
步骤5：根据副块的灰度均值计算每个主块的LBP特征描述符；
步骤6：通过对所有主块LBP描述的串联，形成特征点的改进LBP特征描述符；
步骤7：在特征描述符的生成过程中，采用灰度质心法对特征点周围的固定尺寸图像块进行旋转；
步骤8：提取特征点的闩锁描述符和改进LBP描述符，然后连接锁存器和改进的LBP描述符来生成新的描述符。
因为简单的像素值直接比较方法对噪声和图像局部变化非常敏感。针对这一缺陷，将三像素块的比较方法应用到锁存器算法中，在一定程度上解决了噪声的影响，提高了匹配精度。
与传统的特征描述算法相比，LBP特征描述算法具有特征提取准确、光照精细、不变性等优点。但也存在一些不足，LBP特征对图像中的噪声太敏感。为了解决这一问题，本发明采用图像块的方法，用图像块代替像素生成LBP特征描述。
LBP特征描述是描述纹理特征的一种有效方法，可用于测量和提取局部相邻区域的纹理信息。近几十年来，LBP特征描述在纹理分类、图像检索、人脸图像分析等领域得到了广泛的应用。
原始LBP算法的原理：
首先，在图像的每个像素周围定义一个3x3的局部图像窗口。然后将局部图像窗口中每个像素的灰度值与中心像素的灰度值进行比较。如果像素的灰度值小于中心像素的灰度值，则对应的位置为0，反之为1。图像中的每个像素都可以得到一个二进制编码字符串，并将二进制编码字符串转换为十进制数，那么十进制数就是像素的LBP码。图像中所有像素的LBP代码的直方图作为图像的LBP特征。
在生成闩锁特征描述符时，可以使用48*48像素大小的特征点邻域窗口，所以也使用48*48像素大小的图像窗口来生成特征点的LBP描述符。将图像窗口被划分为25个主块，每个主块大小为20*20像素。然后将每个主块进一步划分为36个副块，每个副块大小为8*8像素。以尽量减少对噪音的敏感性，LBP特征描述是用副块生成。首先计算每个副块的灰度均值，然后根据副块的灰度均值计算每个主块的LBP特征描述符。最后，通过对所有主块的LBP描述的串联，形成特征点的改进LBP特征描述符。
在特征描述符的生成过程中，采用灰度质心法对特征点周围的固定尺寸图像块进行旋转。然后提取特征点的闩锁描述符和改进的LBP描述符。然后连接锁存器和改进的LBP来生成新的描述符、闩锁或者LBP描述符。
其中，在所述步骤“计算选取的像素在其邻域有足够像素的像素值差”之后，还包括：判断当像素值差大于设定阈值时，将所选像素视为特征点。
其中，在所述步骤3之后，还包括：对窗口中的三个像素块样本进行比较，形成特征点的二进制字符串。
算法在原有的局部二进制描述的基础上，将两个像素点的比较改为三个像素块，从而提高了局部二进制描述符的准确性。首先选取一定尺寸的图像窗口，检测到的特征点为中心
其中，在所述步骤8之后，还包括：将每个主块的LBP特征计算为8位二进制字符串。然后，将特征点邻域窗口中的所有8位二进制字符串串联起来，形成一个新的128位二进制字符串，作为特征点的改进LBP特征。
本发明提供的一种多特征自适应融合的跟随算法，多特征融合解决了大误差和高不匹配的问题。在原有的二进制描述的基础上，利用闩锁特征描述将两个像素点的比较改为三个像素块的比较，提高了二进制描述的准确性。其次，通过将图像分割成块，提高了LBP算法的抗噪声能力。最后，利用多特征融合方法，将这两个特征描述符有效地结合起来，生成一个新的特征描述符作为闩锁/LBP描述符。大大缩短了计算时间。同时，与传统的二进制字符描述方法相比，可以有效提高匹配精度，减少误匹配。
需要说明的是，在本文中，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实例的说明只是用于帮助理解本发明的方法及其核心思想。以上仅是本发明的优选实施方式，应当指出，由于文字表达的有限性，而客观上存在无限的具体结构，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进、润饰或变化，也可以将上述技术特征以适当的方式进行组合；这些改进润饰、变化或组合，或未经改进将发明的构思和技术方案直接应用于其它场合的，均应视为本发明的保护范围。
Claims (4)
1.一种多特征自适应融合的跟随算法，其特征在于，包括如下步骤：
步骤1：采用多尺度快速角点检测算法提取特征点,计算选取的像素在其邻域有足够像素的像素值差；
步骤2：将两个像素点的比较改为三个像素块，先选取预设尺寸的图像窗口，检测到的特征点为中心，通过比较窗口中的所有像素对，形成特征点的二进制字符串；
步骤3：选取预设尺寸的图像窗口，检测到的特征点为中心，在图像窗口中定义样本，每个样本包含三个像素块，然后计算像素块之间的范数来评估相似度；
步骤4：将图像窗口划分为25个主块，每个主块大小为20*20像素，然后将每个主块划分为36个副块；
步骤5：根据副块的灰度均值计算每个主块的LBP特征描述符；
步骤6：通过对所有主块LBP描述的串联，形成特征点的改进LBP特征描述符；
步骤7：在特征描述符的生成过程中，采用灰度质心法对特征点周围的固定尺寸图像块进行旋转；
步骤8：提取特征点的闩锁描述符和改进LBP描述符，然后连接锁存器和改进的LBP描述符来生成新的描述符。
2.根据权利要求1所述的多特征自适应融合的跟随算法，其特征在于，在所述步骤“计算选取的像素在其邻域有足够像素的像素值差”之后，还包括：判断当像素值差大于设定阈值时，将所选像素视为特征点。
3.根据权利要求2所述的多特征自适应融合的跟随算法，其特征在于，在所述步骤3之后，还包括：对窗口中的三个像素块样本进行比较，形成特征点的二进制字符串。
4.根据权利要求3所述的多特征自适应融合的跟随算法，其特征在于，在所述步骤8之后，还包括：将每个主块的LBP特征计算为8位二进制字符串；然后，将特征点邻域窗口中的所有8位二进制字符串串联起来，形成一个新的128位二进制字符串，作为特征点的改进LBP特征。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111336918.XA CN114119658A (zh) | 2021-11-12 | 2021-11-12 | 一种多特征自适应融合的跟随算法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111336918.XA CN114119658A (zh) | 2021-11-12 | 2021-11-12 | 一种多特征自适应融合的跟随算法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114119658A true CN114119658A (zh) | 2022-03-01 |
Family
ID=80378815
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111336918.XA Pending CN114119658A (zh) | 2021-11-12 | 2021-11-12 | 一种多特征自适应融合的跟随算法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114119658A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114821128A (zh) * | 2022-06-24 | 2022-07-29 | 北京科技大学 | 一种尺度自适应的模板匹配方法 |
-
2021
- 2021-11-12 CN CN202111336918.XA patent/CN114119658A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114821128A (zh) * | 2022-06-24 | 2022-07-29 | 北京科技大学 | 一种尺度自适应的模板匹配方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111292305B (zh) | 一种改进型yolo-v3的金属加工表面缺陷检测方法 | |
| CN109740603B (zh) | 基于cnn卷积神经网络下的车辆字符识别方法 | |
| CN105046252B (zh) | 一种人民币冠字码识别方法 | |
| Zahran et al. | A MODIFIED LBP METHOD TO EXTRACT FEATURES FROM COLOR IMAGES. | |
| CN114841972A (zh) | 基于显著性图和语义嵌入特征金字塔的输电线路缺陷识别方法 | |
| Sheng et al. | Learning-based road crack detection using gradient boost decision tree | |
| CN108520278A (zh) | 一种基于随机森林的路面裂缝检测方法及其评价方法 | |
| El-Sayed et al. | New edge detection technique based on the shannon entropy in gray level images | |
| CN110428450B (zh) | 应用于矿井巷道移动巡检图像的尺度自适应目标跟踪方法 | |
| CN109948776A (zh) | 一种基于lbp的对抗网络模型图片标签生成方法 | |
| CN113516619B (zh) | 一种基于图像处理技术的产品表面瑕疵识别方法 | |
| CN116703895B (zh) | 基于生成对抗网络的小样本3d视觉检测方法及其系统 | |
| CN113888456B (zh) | 一种基于轮廓的角点检测方法 | |
| CN113554036A (zh) | 一种改进orb算法的特征点提取与匹配方法 | |
| CN110738265A (zh) | 一种基于改进的lbp特征和lndp特征相融合的改进orb算法 | |
| Rasooli et al. | Farsi license plate detection based on element analysis and characters recognition | |
| CN114119658A (zh) | 一种多特征自适应融合的跟随算法 | |
| CN111209886B (zh) | 一种基于深度神经网络的快速行人再识别方法 | |
| CN109829511B (zh) | 基于纹理分类的下视红外图像中云层区域检测方法 | |
| CN111292346A (zh) | 一种噪声环境下浇铸箱体轮廓的检测方法 | |
| CN116129280A (zh) | 一种遥感影像雪检测的方法 | |
| CN110689538B (zh) | 隧道衬砌裂缝图像检测方法 | |
| CN114580569A (zh) | 一种基于特征编码融合的建筑垃圾物料视觉识别方法 | |
| KRISHNA et al. | Digitization, Preservation and Character Recognition in Ancient Documents Using Image Processing Techniques–A Review | |
| CN113506253B (zh) | 一种基于多层多核学习与区域合并的砂岩孔隙检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20220301 |