基于轮廓弦角特征的遮挡目标识别方法技术

本发明专利技术涉及一种基于轮廓弦角特征的遮挡目标识别方法，通过建立多个目标图像的局部特征的模板库；提取出目标边缘的轮廓特征；构造各轮廓点的弦角特征描述子；利用弦角特征描述子的自包含属性对存在遮挡的轮廓进行描述，获得轮廓段的弦角特征描述矩阵；采用L1度量方法计算目标图像轮廓点的弦角特征描述子与模板库中局部特征的轮廓点的弦角特征描述子之间的距离，获得匹配代价矩阵；利用积分图算法计算匹配代价矩阵的相似度，实现部分遮挡目标的识别。本发明专利技术可以对目标形状进行轮廓空间位置特征的提取，实现存在遮挡目标的识别，具有尺度不变性、旋转不变性和平移不变性，提高了目标识别和形状检索的准确率和鲁棒性。

【技术实现步骤摘要】

本专利技术设及图像识别和形状检索
，尤其设及一种基于轮廓弦角特征的遮 挡目标识别方法。
技术介绍
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，该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W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， 基于轮廓的方法的特征全部来自于目标轮廓，如Moravec、Harris角点特征，轮廓周长、紧 密度、偏屯、率，Haus化off距离等，具有简单、有效的特点，在机器人视觉得到了广泛的应用。 目前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，如化apeContexts,Inner-Distance和Multi-scaleR巧resentation;局部特 征能够克服上述的问题，具有鲁椿性，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，如化apeTree,ClassSe卵entSets,ContourFlexibility,但是计算 复杂度高并会产生冗余的信息。上述的形状匹配算法均是针对整个形状或称闭合轮廓的形 状匹配，当轮廓出现遮挡或者部分丢失，仅能获得形状的部分轮廓时，上述的闭合轮廓的 形状匹配算法均无法较好地解决该问题。【专利技术内容】 为解决上述技术问题，本专利技术的目的是提供一种基于轮廓弦角特征的遮挡目标识 别方法，W在无法获得完整轮廓的情况下实现形状匹配和目标识别。 本专利技术的，包括步骤： S1、建立多个目标图像的局部特征的模板库； S2、提取出目标图像的边缘，采用轮廓提取算法提取出目标图像边缘的轮廓点； S3、构造各轮廓点的弦角特征，作为弦角特征描述子； S4、利用弦角特征描述子的自包含属性对存在遮挡的轮廓进行描述，获得轮廓段 的弦角特征描述矩阵； S5、采用L1度量方法计算目标图像轮廓点的弦角特征描述子与模板库中局部特 征的轮廓点的弦角特征描述子之间的距离，获得匹配代价矩阵； S6、利用积分图算法计算匹配代价矩阵的相似度。 进一步的，所述步骤S2具体包括： S21、采用Canny微分算子提取出目标图像的边缘； S22、采用轮廓提取算法在边缘上均匀地等间隔采样，获得一组有序点集。 进一步的，所述步骤S3具体包括：[001引 S31、在目标图像的轮廓点上，利用弦向量和弦向量戶^之间的夹角(A 为索引位移参数）构成角度向量集{ 0y}，j= 1，. . .，n来描述Pi点的弦角特征； S32、采用反余弦公式计算各弦向量之间的夹角； S33、将计算得到的点集{ 0y}，j= 1，...，n转化到对数空间中，作为该目标轮廓 点的最终弦角特征描述子。 进一步的，所述步骤S4中利用弦角特征描述子对轮廓段所有采样点按顺序进行 描述，获得弦角特征描述矩阵。 进一步的，所述步骤S5中将目标图像轮廓的弦角特征描述矩阵中的每一行与模 板库中轮廓的弦角特征描述矩阵中的每一行采用L1范数度量距离，得到匹配代价矩阵。 进一步的，所述步骤S6具体包括： S61、首先计算两个轮廓W不同点作为起点的差值矩阵集合{r，t=l，...，n};; S62、采用递归的方式计算差值矩阵r的积分图矩阵集合怯ATt，t= 1，. . .，n}; S63、将n个SAT矩阵的对角线元素取出并存储，获得相似度矩阵SIM;S64、在相似度矩阵SIM中寻找行索引为m的矩阵元素序列中的最大元素，该最大 元素对应的行索引即为匹配轮廓的起点，接着从该点沿采样方向遍历m-1个点组成的轮廓 段即为目标图像匹配的轮廓段。 借由上述方案，与现有技术相比，本专利技术的基于轮廓弦角特征的遮挡目标识别方 法，综合分析了遮挡轮廓和完整轮廓的关系，利用弦角特征可W对遮挡目标形状进行有效 的特征提取，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鲁椿性， 减小了计算复杂度。 上述说明仅是本专利技术技术方案的概述，为了能够更清楚了解本专利技术的技术手段， 并可依照说明书的内容予W实施，W下W本专利技术的较佳实施例并配合附图详细说明如后。【附图说明】 图1是本专利技术的具体流程图； 图2a~化为本专利技术一【具体实施方式】中的轮廓点的弦角特征特征的构造原理图， 图2a、化分别为两种情况下的构造方式； 图3a~3d为本专利技术一【具体实施方式】中CAR描述矩阵的自包含属性说明，图3a、 3b、3c、3d分别为未遮挡轮廓、遮挡后轮廓、未遮挡轮廓的CAR灰度图、遮挡后的CAR灰度 图； 图4为本专利技术一【具体实施方式】中大象目标部分轮廓的匹配结果； 图5为本专利技术一【具体实施方式】中识别目标的测试图集。【具体实施方式】 下面结合附图和实施例，对本专利技术的【具体实施方式】作进一步详细描述。W下实施 例用于说明本专利技术，但不用来限制本专利技术的范围。 参图1所示，本专利技术具体包括：SI、建立多个目标图像的局部特征的模板库； S2、提取出目标图像的边缘，采用轮廓提取算法提取出目标图像边缘的轮廓点； S3、构造各轮廓点的弦角特征，作为弦角特征描述子； S4、利用弦角特征描述子的自包含属性对存在遮挡的轮廓进行描述，获得轮廓段 的弦角特征描述矩阵； S5、采用L1度量方法计算目标图像轮廓点的弦角特征描述子与模板库中局部特 征的轮廓点的弦角特征描述子之间的距离，获得匹配代价矩阵； S6、利用积分图算法计算匹配代价矩阵的相似度，实现部分遮挡目标的识别。 其中，步骤S2具体包括； S21、采用Canny微分算子提取出图像的边缘； S22、采用轮廓提取算法在边缘上均匀地等间隔采样，获得一组有序点集，该点集 即为目标的轮廓特征。 本专利技术中完整轮廓采样点数目取100,轮廓段采样点数目与其长度成正比。 进一步地，步骤S3具体包括；[004引 S31、在目标轮廓上，利用弦向量;和弦向量之间的夹角（A为索引位 移参数）构成角度向量集{ 0y}，j= 1，. . .，n来描述Pi点的特征； S32、采用反余弦公式计算任一种情况的弦向量之间的夹角，如 APiPi，Pj-、、Pih[004引S33、将计算得到的点集{ 0y}，j= 1，...，n转化到对数空间中，作为该目标轮廓 点的最终弦角特征描述子。为了保证点总是位于点Pi和Pj.点之间，应限制第i个点和第j个点之间的 距离，两种角度构造原理图如图2所示，给出该样的0U计当前第1页1 2 本文档来自技高网...

【技术保护点】
一种基于轮廓弦角特征的遮挡目标识别方法，其特征在于，所述方法包括步骤：S1、建立多个目标图像的局部特征的模板库；S2、提取出目标图像的边缘，采用轮廓提取算法提取出目标图像边缘的轮廓点；S3、构造各轮廓点的弦角特征，作为弦角特征描述子；S4、利用弦角特征描述子的自包含属性对存在遮挡的轮廓进行描述，获得轮廓段的弦角特征描述矩阵；S5、采用L1度量方法计算目标图像轮廓点的弦角特征描述子与模板库中局部特征的轮廓点的弦角特征描述子之间的距离，获得匹配代价矩阵；S6、利用积分图算法计算匹配代价矩阵的相似度。

【技术特征摘要】

【专利技术属性】
技术研发人员：胡大盟，黄伟国，张永萍，毕威，朱忠奎，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32