一种几何图像识别特征提取方法及系统技术方案

本发明专利技术属于图像识别技术领域，公开了一种几何图像识别特征提取方法及系统，采用目标图像中人物直立的方向划分图像的空间区域的方法，在每个区域中，分别提取多个颜色空间的色彩信息，将每个颜色空间的三维直方图拼接为单维，再连接该区域不同颜色空间的直方图，以及连接所有区域的直方图获得多区域多颜色空间的组合特征向量。本发明专利技术克服了在目标对象的跟踪识别中的局限性，增加颜色空间特征的信息量，同时高效表征目标对象的空间信息；本发明专利技术不但可有效保持图像像素间的拓扑结构和内在相关性，而且可有效降低模型计算过程的复杂度；有效的提高了识别图像的效率以及对于图像进行分类的准确性，系统性能良好且可扩展性好。

【技术实现步骤摘要】
一种几何图像识别特征提取方法及系统
本专利技术属于图像识别
，尤其涉及一种几何图像识别特征提取方法及系统。
技术介绍
目前，业内常用的现有技术是这样的：图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对像的技术。一般工业使用中，采用工业相机拍摄图片，然后再利用软件根据图片灰阶差做进一步识别处理，图像识别软件国外代表的有康耐视等，国内代表的有图智能等。另外在地理学中指将遥感图像进行分类的技术。然而，现有图像识别特征提取技术若特征提取的不够完整、充分及不准确则无法有效的传递图像的信息，对后续的图像处理工作产生影响，例如降低后续的图像识别、图像追踪的准确性和效率；同时现有技术中对于图像的处理存在破坏图像像素之间的拓扑结构，且计算过程在高维的数据空间较复杂的问题。综上所述，现有技术存在的问题是：现有图像识别特征提取技术若特征提取的不够完整、充分及不准确则无法有效的传递图像的信息，对后续的图像处理工作产生影响，例如降低后续的图像识别、图像追踪的准确性和效率；同时现有技术中对于图像的处理存在破坏图像像素之间的拓扑结构，且计算过程在高维的数据空间较复杂的问题。
技术实现思路
针对现有技术存在的问题，本专利技术提供了一种几何图像识别特征提取方法及系统。本专利技术是这样实现的，一种几何图像识别特征提取方法包括以下步骤：步骤一，对原始训练集中包含的原始训练样本进行二维判别特征学习；通过紧凑局部类内散度和分离局部类间散度，进行图像特征学习建模，可有效保持图像像素间的拓扑结构和内在相关性；基于1范数度量，提升了图像描述的鲁棒性，进而通过优化一个特征分解问题，得到可用于图像样本的二维鲁棒特征提取的投影矩阵；为：已知M维的投影矩阵V＝[V1,V2,…,VN]，其中Vj＝νj,j＝1,2,…,N，找到适当的投影的M×L的基矩阵W＝[W1,W2,…,WN]和L×N的系数矩阵H＝[H1,H2,…,HN]，使得：V≈WH(1)公式(1)表示为向量标量积的形式：对于给定的M维数据向量VM×N的集合，其中N为集合中数据样本的个数，分解为两个矩阵WM×L和矩阵HL×N，这两个矩阵的积就近似于VM×N；选择L小于M或N，使W和N小于原始矩阵V，使分解矩阵降低原始数据矩阵V的维度；本专利技术在图像识别的过程中，待融合的原始观测图像实际是就是客观真实世界在成像过程中引入了这些噪声形成的。因此，有效的降低或消除这些噪音，本专利技术提高了图像的清晰度。在投影矩阵分解算法中，假设V＝WH+ε，ε表示噪声，此时噪声ε在迭代算法中趋于收敛，这个过程恰好符合图像融合的过程。因此，联系图像融合过程，如果假设观测图像为V，真实图像为W，噪声为ε，那么V可以理解为W和ε之和，这样NMF可以有效地应用于图像融合。NMF算法通过迭代运算方法能够针对原始数据矩阵V得到一个基于部分的近似表示形式WH。其中，W的列数即特征基的数量r是一个待定量，它将直接决定特征子空间的维数。对于特定的数据集，隐藏在数据集内部的特征空间的维数是确定的，也就是说当选取的r与实际数据集的特征空间的维数一致时，所得到的特征空间以及特征空间的基最有意义。当r＝1时，通过迭代算法将得到唯一的一个含有源数据全部特征的特征基。由上述内容可知，NMF与图像融合能很好的结合在一起应用。假设有k幅来自于多传感器的大小为m×n的观测图像f1,f2,…,fk，将每副观测图像的元素逐行存储到一个列向量中，这样将可以得到一个mn×k的矩阵V，V中包含k个列向量v1,v2,...,vk，每个列向量代表k幅观测图像中的一幅图像的信息，如公式(3)所示。对这个观测矩阵V进行投影矩阵分解，分解时取r＝1，则可得到一个唯一的特征基W。显然，此时的W包含了参与融合的k幅图像的完整特征，将特征基W还原到源图像的像素级上即可得到比源图像效果都好的图像。其中，所述原始训练样本为具有与该原始训练样本的类别对应的类别标签的样本；步骤二，获取包含有每个所述原始训练样本的二维鲁棒特征的新训练样本集，并利用所述新训练样本集构建分类器；每个所述原始训练样本的二维鲁棒特征为利用所述投影矩阵对每个所述原始训练样本进行投影得到的；步骤三，利用所述分类器对待测样本进行分类，得到与所述待测样本的类别对应的分类结果，其中，所述待测样本为未知其类别的样本；步骤四，从待测样本分类结果中获取目标图像；步骤五，按照所述目标图像中人物直立的方向将所述目标图像划分为至少两个区域；步骤六，提取每个区域在多个颜色空间的色彩信息；将从所述至少两个区域中提取到的多个颜色空间的色彩信息组合，得到表示所述目标图像的组合特征向量。具体为：1)提取颜色特征和自适应LBP算子特征；2)构建多特征底秩矩阵表示模型；s.t.Xi＝XiAi+Ei,i＝1,…,K其中α是大于0的系数，用来度量噪声和野点带来的误差；等价为以下模型：3)对模型分解以及求解，得到子模型；4)输出伪区域并得到最后准确的区域；5)输出目标图像的组合特征向量的图像；提取自适应LBP算子特征算法的具体步骤如下：(1)将输入系统的图像转换成灰度图像，对图像{grayv(i,j)}像素灰度值求和，再获取平均值：(2)利用总的纹理特征去除背景，计算图像的像素灰度值与平均像素灰度值的差值的绝对值之和，求其平均值：利用局部纹理特征去除背景，用3×3大小的滑动窗口，遍历图像，求取中心像素灰度值与周边像素灰度值之差，在每一个窗口图像内求取平均值：(3)拟合计算自适应阈值的方法：所述迭代求解优化问题时，为：固定其他变量求解Ji得：利用奇异值阈值求解；所述输出伪区域并得到最后准确的区域，具体为：(1)根据区域大小、比例留下每个子空间的外接矩阵即为疑似区域；(2)设置一个跳变函数f(i,j)，对疑似区域进行精确定位，确定精确区域的上下边界：其中c(i,j)为c(i,j)＝LBP8,1(i,j)-LBP8,1(i,j-1)上两式中i＝1,2,3,4,…N,j＝2,3,4,…M，因此任意一行i的跳变次数和S(i)为：如果任意一行跳变次数的和S(i≥12)，则这一行属于精确区域；由上至下对整幅图像进行扫描，找出所有满足S(i≥12)的行，并记录下这一行的行数i；如果有连续的h行满足S(i≥12)，则可以得到一个宽度为M，高度为h的矩形区域，这个区域就是精确区域，图像中不具有此特征的区域得到排除。进一步，所述提取每个区域在多个颜色空间的色彩信息包括：根据颜色直方图提取每个区域在多个颜色空间中各个颜色维度的信息并用特征向量进行表示。进一步，所述将从所述至少两个区域中提取到的多个颜色空间的色彩信息组合，得到表示所述目标图像的组合特征向量包括：将每个区域在每个颜色空间的各个颜色维度的信息组合，得到每个区域中各个颜色空间的组合特征向量；将所述每个区域中各个颜色空间的组合特征向量进行拼接，得到每个区域在多个颜色空间的组合特征向量；将所述每个区域在多个颜色空间的组合特征向量进行拼接，得到所述目标图像在所述至少两个区域的多个颜色空间的组合特征向量。进一步，所述利用所述分类器对待测样本进行分类，得到与所述待测样本的类别对应的分类结果，包括：利用所述投影矩阵对所述待测样本进行投影，得到所述待测样本的待测二维鲁棒特征；将所述待测二维鲁棒特征作为所述分本文档来自技高网...

【技术保护点】
1.一种几何图像识别特征提取方法，其特征在于，所述几何图像识别特征提取方法包括以下步骤：步骤一，对原始训练集中包含的原始训练样本进行二维判别特征学习；通过紧凑局部类内散度和分离局部类间散度，进行图像特征学习建模，保持图像像素间的拓扑结构和内在相关性；通过优化一个特征分解，得到用于图像样本的二维鲁棒特征提取的投影矩阵；为：已知M维的投影矩阵V＝[V1,V2,…,VN]，其中Vj＝νj,j＝1,2,…,N，找到适当的投影的M×L的基矩阵W＝[W1,W2,…,WN]和L×N的系数矩阵H＝[H1,H2,…,HN]，使得：V≈WH   (1)公式(1)表示为向量标量积的形式：

【技术特征摘要】
1.一种几何图像识别特征提取方法，其特征在于，所述几何图像识别特征提取方法包括以下步骤：步骤一，对原始训练集中包含的原始训练样本进行二维判别特征学习；通过紧凑局部类内散度和分离局部类间散度，进行图像特征学习建模，保持图像像素间的拓扑结构和内在相关性；通过优化一个特征分解，得到用于图像样本的二维鲁棒特征提取的投影矩阵；为：已知M维的投影矩阵V＝[V1,V2,…,VN]，其中Vj＝νj,j＝1,2,…,N，找到适当的投影的M×L的基矩阵W＝[W1,W2,…,WN]和L×N的系数矩阵H＝[H1,H2,…,HN]，使得：V≈WH(1)公式(1)表示为向量标量积的形式：对于给定的M维数据向量VM×N的集合，其中N为集合中数据样本的个数，分解为两个矩阵WM×L和矩阵HL×N，这两个矩阵的积就近似于VM×N；选择L小于M或N，使W和N小于原始矩阵V，使分解矩阵降低原始数据矩阵V的维度；在投影矩阵分解算法中，通过NMF应用于图像融合；所述NMF算法通过迭代运算方法对原始数据矩阵V得到一个基于部分的近似表示形式WH；其中，W的列数即特征基的数量r是一个待定量，直接决定特征子空间的维数；对于特定的数据集，隐藏在数据集内部的特征空间的维数是确定的；当选取的r与实际数据集的特征空间的维数一致时，所得到的特征空间以及特征空间的基最有意义；当r＝1时，通过迭代算法将得到唯一的一个含有源数据全部特征的特征基；假设有k幅来自于多几何图像识别器的大小为m×n的观测图像f1,f2,…,fk，将每副观测图像的元素逐行存储到一个列向量中，得到一个mn×k的矩阵V，V中包含k个列向量v1,v2,...,vk，每个列向量代表k幅观测图像中的一幅图像的信息，如公式(3)所示；对这个观测矩阵V进行投影矩阵分解，分解时取r＝1，得到一个唯一的特征基W；此时的W包含参与融合的k幅图像的完整特征，将特征基W还原到源图像的像素级上得到比源图像效果都好的图像；其中，所述原始训练样本为具有与该原始训练样本的类别对应的类别标签的样本；步骤二，获取包含有每个所述原始训练样本的二维鲁棒特征的新训练样本集，并利用所述新训练样本集构建分类器；每个所述原始训练样本的二维鲁棒特征为利用所述投影矩阵对每个所述原始训练样本进行投影得到的；步骤三，利用所述分类器对待测样本进行分类，得到与所述待测样本的类别对应的分类结果，其中，所述待测样本为未知其类别的样本；步骤四，从待测样本分类结果中获取目标图像；步骤五，按照所述目标图像中人物直立的方向将所述目标图像划分为至少两个区域；步骤六，提取每个区域在多个颜色空间的色彩信息；将从所述至少两个区域中提取到的多个颜色空间的色彩信息组合，得到表示所述目标图像的组合特征向量；具体为：1)提取颜色特征和自适应LBP算子特征；2)构建多特征底秩矩阵表示模型；s.t.Xi＝XiAi+Ei,i＝1,…,K其中α是大于0的系数，用来度量噪声和野点带来的误差；等价为以下模型：3)对模型分解以及求解，得到子模型；4)输出伪区域并得到最后准确的区域；5)输出目标图像的组合特征向量的图像；提取自适应LBP算子特征算法的具体步骤如下：(1)将输入系统的图像转换成灰度图像，对图像{grayv(i,j)}像素灰度值求和，再获取平均值：(2)利用总的纹理特征去除背景，计算图像的像素灰度值与平均像素灰度值的差值的绝对值之和，求其平均值：利用局部纹理特征去除背景，用3×3大小的滑动窗口，遍历图像，求取中心像素灰度值与周边像素灰度值之差，在每一个窗口图像内求取平均值：(3)拟合计算自适应阈值的方法：所述迭代求解优化问题时，为：固定其他变量求解Ji得：利用奇异值阈值求解；所述输出伪区域并得到最后准确的区域，具体为：(1)根据区域大小、比例...

【专利技术属性】
技术研发人员：陈娜，郑刚，陆娜，武晓晶，
申请(专利权)人：兰州工业学院，
类型：发明
国别省市：甘肃,62