基于同底三角形面积描述的目标识别和形状检索方法

摘要

本发明涉及一种基于同底三角形面积描述的目标识别和形状检索方法，包括:S1、提取出目标图像的边缘特征，采用轮廓提取算法提取出目标轮廓特征；S2、根据所提取出的目标轮廓特征构造每个轮廓点的同底三角形集合，计算所有三角形的面积，作为同底三角形面积描述子；S3、采用分段平均的方法平滑同底三角形面积描述子，以形成同底三角形面积特征描述矩阵；S4、将同底三角形面积特征描述矩阵按行局部归一化，以形成最终特征描述矩阵；S5、采用加权L1范数计算平滑归一化后的同底三角形面积描述矩阵中的每列之间的距离，以得到匹配代价矩阵；S6、采用动态规划对匹配代价矩阵进行相似度匹配。

说明书

技术领域

本发明涉及一种基于同底三角形面积描述的目标识别和形状检索方法，属 于目标识别和形状检索技术领域。

背景技术

如何使机器人视觉自动地识别和认识目标在现实世界中是一个非常具有挑 战性的问题，这项研究的最新进展主要是设计智能的形状描述符来提供更好的 相似性度量。目标识别和形状检索是机器人视觉中研究的热点，在工程中得到 了广泛的应用，如图像及视频匹配、目标识别、机器人导航、深度学习、场景 分类以及图像分割等多个领域中。

根据特征来源把形状描述方法分为两类：基于轮廓的方法和基于变换域的 方法，前者特征全部来自于目标图像的轮廓，如Moravec、Harris角点特征，轮 廓周长、紧密度、偏心率，Hausdroff距离等，具有简单但有效的特点，在机器 人视觉得到了广泛的应用。通常主要有两种方法描述目标的特征：基于全局特 征和基于局部特征。全局特征能够描述目标的整体特征，对目标形状简单、具 有单个封闭的轮廓特别有用，但是对局部变化比较敏感，易发生误匹配，如Shape  Contexts，Inner-Distance和Multi-scale Representation。局部特征能够克服上述的 问题，具有鲁棒性，因为即使部分轮廓被遮挡或发生变形，其它局部特征也能 被匹配和识别，如Shape Tree，Class Segment Sets，Contour Flexibility，但是计 算复杂度高并会产生冗余的信息。

发明内容

为解决上述技术问题，本发明的目的是提供一种基于同底三角形面积描述 的目标识别和形状检索方法，其能够达到提高准确率、鲁棒性，减少计算量的 目的。

本发明的一种基于同底三角形面积描述的目标识别和形状检索方法，包括：

S1、提取出目标图像的边缘特征，采用轮廓提取算法提取出目标轮廓特征；

S2、根据所提取出的目标轮廓特征构造每个轮廓点的同底三角形集合，计 算所有三角形的面积，作为同底三角形面积描述子；

S3、采用分段平均的方法平滑同底三角形面积描述子，以形成同底三角形 面积特征描述矩阵；

S4、将同底三角形面积特征描述矩阵按行局部归一化，以形成最终特征描 述矩阵；

S5、采用加权L1范数计算平滑归一化后的同底三角形面积描述矩阵中的每 列之间的距离，以得到匹配代价矩阵；

S6、采用动态规划对匹配代价矩阵进行相似度匹配。

进一步的，所述步骤S1具体包括：

S11、采用Log二阶微分算子提取出目标图像的边缘特征；

S12、采用的轮廓提取算法在目标图像边缘上均匀地等间隔采样得到一组有 序点集，该点集即为目标轮廓特征。

进一步的，所述步骤S2具体包括：

S21、在目标图像的轮廓上，取目标轮廓点p_i，利用与目标轮廓点p_i相邻的 两个轮廓点p_i-1，p_i+1构成的线段作为三角形的底边，并固定不变；

S22、按照顺时针方向取点作为三角形的顶点，构成一个三角形集合，该集 合即为目标轮廓点p_i的同底三角形集合；

S23、采用行列式计算该同底三角形集合中每个三角形的面积，作为该目标 轮廓点p_i的同底三角形面积描述子。

进一步的，所述步骤S3具体包括：

S31、规定分段区间长度k；

S32、将轮廓采样点数n，按[1,k],[k+1,2k],...,[mk-k+1,mk]形式等间隔分 成m段；

S33、计算每一段中k个同底三角形面积的平均值

S34、将每一段中k个面积用该平均值代替，构成m维向量，作为目标轮廓 点p_i新的同底三角形面积描述子；

S35、计算每一个目标轮廓点p_i的新的同底三角形面积描述子，构成m×n维 的同底三角形面积特征描述矩阵。

进一步的，所述步骤S4具体包括：

S41、计算目标图像轮廓的同底三角形面积特征描述矩阵中每一行的最大绝 对值；

S42、将同底三角形面积特征描述矩阵中每一行元素除以对应行的最大绝对 值，作为目标图像轮廓的最终特征描述矩阵。

进一步的，所述步骤S5具体包括：

S51、计算数据库中所有N个模板图像轮廓的同底三角形面积特征矩阵；

S52、将目标图像轮廓的最终特征描述矩阵中的每一列与模板图像轮廓的同 底三角形面积特征矩阵中的每一列采用加权L1范数距离度量，得到n×n维的 匹配代价矩阵。

所述步骤S6具体包括：

S61、采用动态规划算法计算匹配代价矩阵的最佳映射关系，获得目标图像 轮廓与模板图像轮廓的相似度；

S62、计算每一个模板图像轮廓与目标图像轮廓的相似度，最小相似度对应 的模板图像即为匹配图像，达到目标识别和形状检索的目的。

借由上述方案，本发明至少具有以下优点：本发明的基于同底三角形面积 描述的目标识别和形状检索方法在自动识别和检索中，综合分析了目标图像的 全局特征和局部特征，及两者之间的关系，可以对图像形状进行特征的提取和 有效表示，具有尺度不变性、旋转不变性和平移不变性，提高了识别的准确率 和效率，特别对轮廓边界变形的目标图像同样适用。

上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术 手段，并可依照说明书的内容予以实施，以下以本发明的较佳实施例并配合附 图详细说明如后。

附图说明

图1为本发明基于同底三脚形面积描述的目标识别和形状检索方法的具体 流程图；

图2为本发明一具体实施方式中的轮廓点的同底三角形构造原理图；

图3a～3c为本发明一具体实施方式中蝴蝶轮廓点的同底三角形面积描述子 曲线图，其中图3a、3b、图3c分别为蝴蝶原始图像、蝴蝶轮廓序列图像、同底 三角形面积描述子曲线图；

图4a～4c为本发明一具体实施方式中同底三角形面积用于轮廓凹凸性的识 别效果图，其中图4a、4b、4c分别为字母T原始图像、字母T轮廓序列图像、 轮廓凹凸性识别曲线；

图5为本发明一具体实施方式中目标轮廓的同底三角形面积描述矩阵的三 维图；

图6为本发明一具体实施方式中识别目标的MPEG7_CE-Shape-1_Part_B标 准测试图集；

图7a～7e本发明一具体实施方式中识别目标的抗噪测试图集，其中图7a、 7b、图7c、图7d、图7e分别为Kimia99数据集、原轮廓、加噪声水平0.6的轮 廓、加噪声水平0.8的轮廓、加噪声水平1.0的轮廓。

具体实施方式

为了使本技术领域的人员更好地理解本发明中的技术方案，下面将结合本 发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述， 显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基 于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获 得的所有其他实施例，都应当属于本发明保护的范围。

参见图1，本发明的一种基于同底三角形面积描述的目标识别和形状检索方 法包括：

S1、提取出目标的边缘特征，采用轮廓提取算法提取出目标轮廓特征；

S2、根据所提取出的目标轮廓特征构造每个轮廓点的同底三角形集合，计 算所有三角形的面积，作为同底三角形面积描述子；

S3、采用分段平均的方法平滑同底三角形面积描述子，以形成同底三角形 面积特征描述矩阵；

S4、将同底三角形面积特征描述矩阵按行局部归一化，以形成最终特征描 述矩阵；

S5、采用加权L1范数计算平滑归一化后的同底三角形面积描述矩阵中的每 列(即同底三角形面积描述子)之间的距离，以得到匹配代价矩阵；

S6、采用动态规划(Dynamic Programming)对匹配代价矩阵进行相似度匹 配。

其中，上述步骤S1具体包括：

S11、采用Log二阶微分算子提取出目标图像的边缘特征；

S12、采用的轮廓提取算法在目标图像边缘上均匀地等间隔采样得到一组有 序点集，该点集即为目标轮廓特征，点集数目n一般取100。

上述步骤S2具体包括：

S21、在目标轮廓上，取目目标轮廓点p_i，利用与目标轮廓点p_i相邻的两个 轮廓点p_i-1，p_i+1构成的线段作为三角形的底边，并固定不变；

S22、按照顺时针方向取点作为三角形的顶点，构成一个三角形集合，该集 合即为目标轮廓点p_i的同底三角形集合；

S23、采用行列式计算该同底三角形集合中每个三角形的面积，作为该目标 轮廓点p_i的同底三角形面积描述子。

由于形状是由一系列轮廓点序列组成的，因此描述形状特征应从描述轮廓 上的每一个轮廓点特征开始。本发明定义一种新的三角形集合来描述某一个轮 廓点的特征，即用与该目标轮廓点p_i相邻的两采样点构成的线段作为三角形底 边，并固定不变，轮廓上所有采样点依次作为三角形顶点，这样构成一组具有 共同底边的三角形集合，用这个三角形的面积集合来表征该点在轮廓上的位置 特征信息。

如图2所示，三角形表示p点处的部分同底三角形，具体定义如下：令 S＝{p_i}(i＝1,...,n)表示对一个形状进行顺时针均匀采样获得的n个轮廓点的序 列。以与目标图像轮廓上某一采样点p_i相邻的两个采样点p_i-1，p_i+1构成的线段 作为三角形底边，所有轮廓采样点作为三角形顶点，并用三角形的有向 面积s_i来衡量点在形状中与其他点的相对位置关系。而p_i点处的某一个同底三 角形面积计算方式为：

$s_{\mathrm{iu}}=\frac{1}{2}\left(\begin{array}{ccc}{x}_{i-1}& y_{i-1}& 1\\ x_u& y_u& 1\\ x_{i+1}& y_{i+1}& 1\end{array}\right)$

其中(x_i-1,y_i-1)，(x_u,y_u)，(x_i+1,y_i+1)分别表示采样点p_i-1，p_u，p_i+1的平面坐 标。那么所有三角形面积的集合可以表示为

S_i＝{s_i,u}，(u＝i,i+1,...,n,1,2...,i-1)

该向量即为目标轮廓点p_i的同底三角形面积描述子。

上述步骤S3具体包括：

S31、规定分段区间长度k；

S32、将轮廓采样点数n，按[1,k],[k+1,2k],...,[mk-k+1,mk]形式等间隔分 成m段；

S33、计算每一段中k个同底三角形面积的平均值

S34、将每一段中k个面积用该平均值代替，构成m维向量，作为目标轮廓 点p_i新的同底三角形面积描述子ψ_i；

S35、计算每一个目标轮廓点p_i的新的同底三角形面积描述子ψ_i，构成 m×n维的同底三角形面积特征描述矩阵Ψ。

在实际应用中，整数k的选择要根据目标轮廓点p_i的总数确定，k的一般取 值为5～7。平均值的计算方式为：

新的同底三角形面积描述子为：

整个目标图像轮廓的同底三角形面积特征描述矩阵为

Ψ＝(ψ₁,ψ₂,...,ψ_n)

上述步骤S4具体包括：

S41、计算目标图像轮廓的同底三角形面积特征描述矩阵Ψ中每一行的最大 绝对值；

S42、将同底三角形面积特征描述矩阵Ψ中每一行元素除以对应行的最大绝 对值，作为目标图像轮廓的最终特征描述矩阵。

为了获得目标图像的轮廓的仿射变换不变性，本发明采用局部归一化的方 法对描述矩阵进行正规化，方式为：

如图5所示，为目标图像轮廓的最终特征描述矩阵的三维立体图。

上述步骤S5具体包括：

S51、计算数据库中所有N个模板图像轮廓的同底三角形面积特征矩阵；

S52、将目标图像轮廓的最终特征描述矩阵中的每一列与模板图像轮廓的同 底三角形面积特征矩阵中的每一列采用加权L1范数距离度量，得到n×n维的 匹配代价矩阵M。

假设p_r，q_c分别是两个形状S₁，S₂的第r个轮廓点和第c个轮廓点，则这 两个点的同底三角形面积描述子距离或者称匹配代价：

其中ω_t为不同分段的描述子的权重，一般取值ω_t＝1/min{t,m-t}。

上述步骤S6具体包括：

S61、采用动态规划(Dynamic Programming)算法计算匹配代价矩阵M的 最佳映射关系，获得目标图像轮廓与模板图像轮廓的相似度；

S62、计算每一个模板图像轮廓与目标图像轮廓的相似度，最小相似度对应 的模板图像即为匹配图像，达到目标识别和形状检索的目的。

动态规划(Dynamic Programming)算法主要目的在于获得形状S₁，S₂的轮 廓点索引的最佳对应映射π:r→c，该映射应使得最小，从而最终 的形状距离为：

$d(S_1,S_2)=\underset{r=1}{\overset{n}{\Sigma }}c(p_r,q_{\pi \left(r\right)})$

d值越小，目标图像与模板图像相似度越大。

以下结合一具体实例，对本发明作进一步阐述。

在考虑执行效率和保证算法的通用性后，本系统采用MATLAB软件编写算 法语言。用的测试图像是MPEG7_CE-Shape-1_Part_B数据库，该库中共有70 组不同种类的目标图像，每组图像含有20个不同形态的二值图像， MPEG7_CE-Shape-1_Part_B数据库中部分图像如图6所示。

对应于本实施例的方法，为目标识别和形状检索系统共设计了6个任务， 表1中描述了任务的名称以及任务的功能。

表1：形状匹配和目标识别系统任务说明

如图1所示，上述表格具体方法为：S1、提取出目标的边缘特征，采用轮 廓提取算法提取出目标轮廓特征；S2、根据所提取出的目标轮廓特征构造每个 轮廓点的同底三角形集合，计算所有三角形的面积，作为同底三角形面积描述 子；S3、采用分段平均的方法平滑同底三角形面积描述子，以形成同底三角形 面积特征描述矩阵；S4、将同底三角形面积特征描述矩阵按行局部归一化，以 形成最终特征描述矩阵；S5、采用加权L1范数计算平滑归一化后的同底三角形 面积描述矩阵中的每列之间的距离，以得到匹配代价矩阵；S6、采用动态规划 (Dynamic Programming)对匹配代价矩阵进行相似度匹配。

如图2所示，该图为同底三角形描述子的构造原理图，p点研究的目标轮廓 点，以其两边的轮廓点构成的线段作为三角形底边，其他轮廓点作为三角形顶 点，构成一个同底三角形集合。

如图3a～3c所示，图3a为一幅蝴蝶的二值图像，图3b是用Log二阶微分 算子提取的目标图像的边缘特征，图3c为某一轮廓点的同底三角形面积描述子 曲线。

如图4a～4c所示，图4a为字母T的二值图像，该图像包含8个显著角点(2 个凹点和4个凸点)，图4b为轮廓点序列图像；从图4c可以看出，8个尖峰对 应8个角点，2个正尖峰对应2个凹点，6个负尖峰对应6个凸点。可见本发明 的同底三角形面积描述方法可以用于轮廓凹凸性的检测。

如图5所示，该图显示了目标图像轮廓的同底三角形面积描述矩阵的三维 图。

通过对MPEG7_CE-Shape-1_Part_B数据库进行分析，采用Bullseye测试实 验，该方法和其它常见的方法的形状识别率可见表1。

表1：MPEG-7数据库上的识别率

当目标分别加上本文对Kmia99数据库中所有图形轮廓的x坐标，y坐标加 入均值μ＝0、标准差由σ＝0.6递增到σ＝1.0的高斯噪声，如图7c～e所示。在 不同噪声水平的情况下，数据库中目标检索率见表2。

表2：不同噪声水平下的目标识别率

σ Recognition Rate(％) 0 96.36 0.6 95.35 0.8 94.14 1.0 92.63

从分析过程和应用实例可以看出，基于同底三角形面积描述的目标识别和 形状检索方法能有效提取目标形状的全局特征和局部特征，实现了目标的特征 描述，并通过分段平滑保证了描述方法的抗噪性能，并获得较高的识别率。

由以上技术方案可以看出，上述基于同底三角形面积描述的目标识别和形 状检索方法在自动识别和检索中，综合分析了目标图像的全局特征和局部特征， 及两者之间的关系，可以对图像形状进行特征的提取和有效表示，具有尺度不 变性、旋转不变性和平移不变性，提高了识别的准确率和效率，特别对轮廓边 界变形的目标图像同样适用。

对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节， 而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现 本发明。因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非 限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落 在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权 利要求中的任何附图标记视为限制所涉及的权利要求。

此外，应当理解，虽然本说明书按照实施方式加以描述，但并非每个实施 方式仅包含一个独立的技术方案，说明书的这种叙述方式仅仅是为清楚起见， 本领域技术人员应当将说明书作为一个整体，各实施例中的技术方案也可以经 适当组合，形成本领域技术人员可以理解的其他实施方式。