本发明专利技术公开了一种特征模型生成方法和装置，所述方法包括：在目标图像中获得特征点及其位置信息和描述信息；针对各特征点，基于描述信息来在视觉词典模型中查找与之匹配的匹配视觉词条，其中，视觉词典模型包括第一和第二类视觉词条，在第一类视觉词条中，视觉词条与其他视觉词条在空间关系中具有关联性；针对与特征点匹配的匹配视觉词条，根据其类别来确定映射目标视觉词条，并且至少基于特征点和匹配视觉词条的描述信息来计算特征点映射到映射目标视觉词条上的特征权重；以及基于视觉词典模型中的视觉词条上的特征权重来生成具有空间信息的目标图像的特征模型。因此，根据本发明专利技术的方法，能够生成具有空间信息的目标图像的特征模型。
【技术实现步骤摘要】
本专利技术涉及数字图像处理领域，更具体地，本专利技术涉及一种特征模型生成方法和 特征模型生成装置。
技术介绍
视觉词典模型（或称之为视觉词袋模型BoF)是当前目标分类或目标识别领域的 最好的方法之一。该模型能够很好地表达目标的特征，以力求获得更高的识别率。 视觉词典模型的构建是基于特征点的特征来实现的，因此该模型对于位置、光照、 旋转以及仿射变换有着不变性。同时，该模型对于部分遮挡和偏移也有较好的鲁棒性。 然而，传统的视觉词典模型由于直接将目标中的所有特征点生成直方图特征，而 没有考虑目标中的特征点的空间信息，因此，不能获得良好的识别率。 为此，提出了一种改进的空间视觉词典匹配方法，其使用空间金字塔匹配（SPM) 作为考虑空间信息的补充。空间金字塔匹配是一种能够给原始的视觉词典模型增加空间信 息的简单方法。该匹配算法与视觉词典模型结合起来，能够对于目标对应的空间金字塔中 的每一块子区域都获得一个特征向量，而不是获得基于目标整体的单一特征向量。其中，各 特征向量是目标的一块子区域所对应的基于视觉词典模型的特征信息。当得到所有子区域 的特征向量后，可以将它们结合成一个维数更大的特征向量，该特征向量暗含着粗略的空 间信息。因此，该空间金字塔匹配可以获得更好的识别率。然而，因为空间金字塔匹配算法 对图像的各子区域中的特征点进行视觉词典匹配时存在大量的重复计算，占用了大量的处 理资源，并且仅仅考虑了刚性变化，所以该算法太过于严格且耗时。此外，在空间金字塔匹 配方法中，由于各特征点只能够对其所属子区域产生影响，所以在这种情况下几乎无法表 达各个子区域之间的相互关系。 另一种改进的空间视觉词典匹配方法在视觉词典匹配过程中也考虑了空间信息。 它将样本划分成不同的子块，通过距离模板获得不同子块间的空间关系影响。然而，该方法 所考虑的空间关系仍然是刚性的，并没有考虑到目标物体的内部结构。也就是说，视觉词典 中的每个视觉词条（单词类别）都是独立的，并没有考虑它们之间的相互关系。 综上所述，现有的视觉词典模型不能够很好地表达目标的空间信息，而且在视频 相关的应用中也会受到很多限制。
技术实现思路
所谓词袋，就是包含一组数据的打包或封装。在一个视觉词袋中往往包含了若干 幅图的基本特征元素，例如若干幅图的特征，包括形状、结构、颜色、纹理等的特征。由于视 觉词袋具有一类或多类图像的一些特征，故而当提取出视觉词袋中的元素时，就可以对相 近类图像进行描述，同时也可以用作不同类别图像的分类。视觉词袋运用在某一个图像中， 也可形象地称为视觉词典，其于包括一系列视觉词条，使得该图像的各种特征可以用视觉 词典中的各个视觉词条来表示。 本专利技术的目的在于提供一种能够生成具有空间信息的目标图像的特征模型。 为此，本专利技术在建立特征模型时，除了考虑视觉词典模型，还考虑到图像上的各个 点之间的空间位置关系，以便更准确地构造用于分类图像的分类模型，从而更准确地对图 像进行分类。 根据本专利技术的一个方面，提供了一种特征模型生成方法，所述方法包括：在目标图 像中获得至少一个特征点并且获得各特征点的位置信息和描述信息；针对各特征点，基于 所述特征点的描述信息来在视觉词典模型中查找与所述特征点匹配的至少一个匹配视觉 词条，其中，所述视觉词典模型包括第一类视觉词条和第二类视觉词条，在所述第一类视觉 词条中，一个视觉词条与至少一个其他视觉词条在空间关系中具有关联性；针对与所述特 征点匹配的各匹配视觉词条，根据所述匹配视觉词条的类别来确定至少一个映射目标视觉 词条，并且至少基于所述特征点的描述信息和所述匹配视觉词条的描述信息来计算所述特 征点映射到各映射目标视觉词条上的特征权重；以及基于所述视觉词典模型中的各视觉词 条上所映射的特征权重来生成具有空间信息的所述目标图像的特征模型。 此外，根据本专利技术的另一方面，提供了一种特征模型生成装置，所述装置包括：特 征提取单元，用于在目标图像中获得至少一个特征点并且获得各特征点的位置信息和描述 信息；以及视觉词典匹配单元，用于针对各特征点，基于所述特征点的描述信息来在视觉词 典模型中查找与所述特征点匹配的至少一个匹配视觉词条，其中，所述视觉词典模型包括 第一类视觉词条和第二类视觉词条，在所述第一类视觉词条中，一个视觉词条与至少一个 其他视觉词条在空间关系中具有关联性；针对与所述特征点匹配的各匹配视觉词条，根据 所述匹配视觉词条的类别来确定至少一个映射目标视觉词条，并且至少基于所述特征点的 描述信息和所述匹配视觉词条的描述信息来计算所述特征点映射到各映射目标视觉词条 上的特征权重；以及基于所述视觉词典模型中的各视觉词条上所映射的特征权重来生成具 有空间信息的所述目标图像的特征模型。 与现有技术相比，采用根据本专利技术实施例的特征模型生成方法和装置，其能够从 建立视觉词典模型的第一步开始，就利用目标物体各个部分（即特征点）之间的内在结构 关系来建立该目标物体内部的空间关联性，并且基于这种空间关联性来执行目标图像中各 特征点与视觉词典模型中各视觉词条之间的特征权重映射，从而能够生成具有空间信息 的、基于视觉词条的权重的目标图像的特征模型。 本专利技术的其它特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变 得显而易见，或者通过实施本专利技术而了解。本专利技术的目的和其他优点可通过在说明书、权利 要求书以及附图中所特别指出的结构来实现和获得。【附图说明】 附图用来提供对本专利技术的进一步理解，并且构成说明书的一部分，与本专利技术的实 施例一起用于解释本专利技术，并不构成对本专利技术的限制。在附图中： 图1是图示了根据本专利技术实施例的特征模型生成方法的总体流程图。 图2是图示了根据本专利技术实施例具体示例的特征模型生成方法的总体流程图。 图3是图示了根据本专利技术实施例具体示例的特征模型生成方法中的总体数据流 图。 图4是图示了根据本专利技术实施例具体示例的特征提取与描述步骤的具体流程图。 图5A和图5B是图示了根据本专利技术实施例具体示例的SIFT特征描述的原理图。 图6是图示了根据本专利技术实施例具体示例的标记了身体部件的行人和采样点的 示意图。 图7是图示了根据本专利技术实施例具体示例的视觉词典模型生成步骤的具体流程 图。 图8A到图8D是图示了根据本专利技术实施例具体示例的K近邻算法的原理图。 图9A到图9D是图示了根据本专利技术实施例具体示例的显著类别生成子步骤的示意 图。 图10A和图10B是图示了根据本专利技术实施例具体示例的显著类别关联建立子步骤 的示意图。 图11是图示了根据本专利技术实施例具体示例的视觉词典匹配步骤的具体流程图。 图12A和图12B是图示了根据本专利技术实施例具体示例的匹配视觉词条查找子步骤 的示意图。 图13A和图13B是图7K了根据本专利技术实施例具体7K例的特征权重映射子步骤的7K 意图。 图14A和图14B是图示了根据本专利技术实施例具体示例的特征模型生成子步骤的示 意图。 图15是图示了根据本专利技术实施例的特征模型生成装置的功能配置框图。 图16是图示了根据本专利技术实施例的车辆控制系统的功能结构图。 图17是图示了基于车载相机图像上用改进的视觉词典模型进行物体检测的物体 检测子系统的内部构造。【具体实施方式】 将参照附图详细描述根据本专利技术的各个实施例。这里，本文档来自技高网...
【技术保护点】
一种特征模型生成方法，其特征在于，所述方法包括：在目标图像中获得至少一个特征点并且获得各特征点的位置信息和描述信息；针对各特征点，基于所述特征点的描述信息来在视觉词典模型中查找与所述特征点匹配的至少一个匹配视觉词条，其中，所述视觉词典模型包括第一类视觉词条和第二类视觉词条，在所述第一类视觉词条中，一个视觉词条与至少一个其他视觉词条在空间关系中具有关联性；针对与所述特征点匹配的各匹配视觉词条，根据所述匹配视觉词条的类别来确定至少一个映射目标视觉词条，并且至少基于所述特征点的描述信息和所述匹配视觉词条的描述信息来计算所述特征点映射到各映射目标视觉词条上的特征权重；以及基于所述视觉词典模型中的各视觉词条上所映射的特征权重来生成具有空间信息的所述目标图像的特征模型。
【技术特征摘要】
【专利技术属性】
技术研发人员：胡平，李静雯，师忠超，鲁耀杰，
申请(专利权)人：株式会社理光，
类型：发明
国别省市：日本;JP
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。