特征提取方法及装置制造方法及图纸

本公开揭示了一种特征提取方法及装置，属于图像处理技术领域。所述特征提取方法包括：将图像划分为若干个块，每个所述块包括若干个单元格；对每个所述单元格利用预定的字典D进行稀疏信号分解，得到每个所述单元格各自对应的稀疏向量；所述预定的字典D是对样本图像应用迭代算法计算得到的字典；根据所述稀疏向量提取所述图像的方向梯度直方图HOG特征。通过迭代计算得到最优的预定的字典D，从而对稀疏信号分解后的图像提取HOG特征；解决了在HOG特征提取过程中是针对图像的空间域直接计算得到，导致在模式识别中的检测率和准确度较低的问题；达到了在频率域提取图像的HOG特征，提高了在模式识别中的检测率和准确度的效果。

【技术实现步骤摘要】

本公开涉及图像处理
，特别涉及一种特征提取方法及装置。
技术介绍
图像检测与识别是计算机视觉中一个重要的研究领域。图像检测与识别技术中最常用的方法是通过提取图像中的某种特征从而对图像进行检测与识别。在相关技术中，通过提取图像的HOG(HistogramofOrientedGradient，方向梯度直方图)特征对图像进行检测与识别。HOG特征提取的方法如下：计算图像中每个像素的梯度；将图像划分成若干个单元格，每个单元格包括若干个像素，每相邻的n个单元格形成一个块；统计每个单元格中所有像素的梯度直方图，再根据每个块中的所有单元格的梯度直方图得到每个块的HOG特征；统计图像中所有块的HOG特征得到图像的HOG特征。
技术实现思路
为了解决相关技术中存在的问题，本公开提供一种特征提取方法及装置。所述技术方案如下：根据本公开实施例的第一方面，提供一种特征提取方法，该方法包括：将图像划分为若干个块，每个块包括若干个单元格；对每个单元格利用预定的字典D进行稀疏信号分解，得到每个单元格各自对应的稀疏向量；预定的字典D是对样本图像应用迭代算法计算得到的字典；根据稀疏向量提取图像的方向梯度直方图HOG特征。在一个可选的实施例中，该方法还包括：获取样本图像，样本图像包括若干个类别的图像集；利用下述公式，迭代得到最优的字典作为预定的字典D；其中，R＝[r1,r2,…,rC]表示C个样本图像的稀疏系数矩阵，Y表示所有类别的样本图像，||·||0表示计算一个向量中非零元的个数，T0表示预先给定的稀疏上限，||·||F表示计算向量每个元素的平方和后开平方。在一个可选的实施例中，对每个单元格利用预定的字典D进行稀疏信号分解，得到每个单元格各自对应的稀疏向量，包括：将每个单元格中的像素调整为n*1维的向量；利用下述公式，对每个单元格中的向量在预定的字典D下进行稀疏信号分解，得到对应的稀疏向量；min(x)||x||1subjecttoy＝Dx其中，y为每个单元格中的向量，x为y在预定的字典D下稀疏得到的稀疏向量，||x||1表示对稀疏向量x的每列的绝对值求和，每个稀疏向量是m*1维的向量，预定的字典D是n*m的矩阵。在一个可选的实施例中，根据稀疏向量提取图像的方向梯度直方图HOG特征，包括：根据稀疏向量计算每个单元格的梯度大小和梯度方向，得到每个单元格的描述子；统计每个块内的各个描述子，得到每个块的HOG特征；统计图像中各个块的HOG特征，得到图像的HOG特征。在一个可选的实施例中，统计图像中各个块的HOG特征，得到图像的HOG特征，包括：将图像中各个块的HOG特征串联成一个矩阵，得到图像的HOG特征，矩阵的每一列为一个块的HOG特征。在一个可选的实施例中，统计图像中各个块的HOG特征，得到图像的HOG特征，包括：将图像中每个块的HOG特征由初始的L*1维向量调整为M*N的矩阵，每个块包括M*N个像素，L＝M*N；根据每个块的调整后的HOG特征和每个块在图像中的对应位置，得到图像的HOG特征。在一个可选的实施例中，该方法，还包括：将图像进行归一化处理，得到预定尺寸大小的图像。根据本公开实施例的第二方面，提供一种特征提取装置，该装置包括：划分模块，被配置为将图像划分为若干个块，每个块包括若干个单元格；分解模块，被配置为对每个单元格利用预定的字典D进行稀疏信号分解，得到每个单元格各自对应的稀疏向量；预定的字典D是对样本图像应用迭代算法计算得到的字典；提取模块，被配置为根据稀疏向量提取图像的方向梯度直方图HOG特征。在一个可选的实施例中，该装置还包括：获取模块，被配置为获取样本图像，样本图像包括若干个类别的图像集；迭代模块，被配置为利用下述公式，迭代得到最优的字典作为预定的字典D；其中，R＝[r1,r2,…,rC]表示C个样本图像的稀疏系数矩阵，Y表示所有类别的样本图像，||·||0表示计算一个向量中非零元的个数，T0表示预先给定的稀疏上限，||·||F表示计算向量每个元素的平方和后开平方。在一个可选的实施例中，分解模块，包括：第一调整子模块，被配置为将每个单元格中的像素调整为n*1维的向量；信号分解子模块，被配置利用下述公式，对每个单元格中的向量在预定的字典D下进行稀疏信号分解，得到对应的稀疏向量；min(x)||x||1subjecttoy＝Dx其中，y为每个单元格中的向量，x为y在预定的字典D下稀疏得到的稀疏向量，||x||1表示对稀疏向量x的每列的绝对值求和，每个稀疏向量是m*1维的向量，预定的字典D是n*m的矩阵。在一个可选的实施例中，提取模块，包括：计算子模块，被配置为根据稀疏向量计算每个单元格的梯度大小和梯度方向，得到每个单元格的描述子；第一统计子模块，被配置为统计每个块内的各个描述子，得到每个块的HOG特征；第二统计子模块，被配置为统计图像中各个块的HOG特征，得到图像的HOG特征。在一个可选的实施例中，第二统计子模块，被配置为将图像中各个块的HOG特征串联成一个矩阵，得到图像的HOG特征，矩阵的每一列为一个块的HOG特征。在一个可选的实施例中，第二统计子模块，包括：第二调整子模块，被配置为将图像中每个块的HOG特征由初始的L*1维向量调整为M*N的矩阵，每个块包括M*N个像素，L＝M*N；特征提取子模块，被配置为根据每个块的调整后的HOG特征和每个块在图像中的对应位置，得到图像的HOG特征。在一个可选的实施例中，该装置，还包括：处理模块，被配置为将图像进行归一化处理，得到预定尺寸大小的图像。根据本公开实施例的第三方面，提供一种特征提取装置，该装置包括：处理器；用于存储处理器可执行指令的存储器；其中，处理器被配置为：将图像划分为若干个块，每个块包括若干个单元格；对每个单元格利用预定的字典D进行稀疏信号分解，得到每个单元格各自对应的稀疏向量；预定的字典D是对样本图像应用迭代算法计算得到的字典；根据稀疏向量提取图像的方向梯度直方图HOG特征。本公开的实施例提供的技术方案可以包括以下有益效果：通过将图像划分为若干个块，每个块包括若干个单元格；对每个单元格利用预定的字典D进行稀疏信号分解，得到每个单元格各自对应的稀疏向量；预定的字典D是对样本图像应用迭代算法计算得到的字典；根据稀疏向量提取图像的方向梯度直方图HOG特征；解决了在HOG特征提取过程中是针对图像的空间域直接计算得到，导致在模式识别中的检测率和准确度较低的问题；达到了在频率域提取图像的HOG特征，提高了在模式识别中的检测率和准确度的效果。应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本公开。附图说明此处的附图被并入说明书中本文档来自技高网...

【技术保护点】
一种特征提取方法，其特征在于，所述方法包括：将图像划分为若干个块，每个所述块包括若干个单元格；对每个所述单元格利用预定的字典D进行稀疏信号分解，得到每个所述单元格各自对应的稀疏向量；所述预定的字典D是对样本图像应用迭代算法计算得到的字典；根据所述稀疏向量提取所述图像的方向梯度直方图HOG特征。

【技术特征摘要】
1.一种特征提取方法，其特征在于，所述方法包括：
将图像划分为若干个块，每个所述块包括若干个单元格；
对每个所述单元格利用预定的字典D进行稀疏信号分解，得到每个所述单
元格各自对应的稀疏向量；所述预定的字典D是对样本图像应用迭代算法计算
得到的字典；
根据所述稀疏向量提取所述图像的方向梯度直方图HOG特征。
2.根据权利要求1所述的方法，其特征在于，所述方法还包括：
获取所述样本图像，所述样本图像包括若干个类别的图像集；
利用下述公式，迭代得到最优的字典作为所述预定的字典D；
min(R,D)||Y-DR||F2subjectto∀i,||mi||0≤T0]]>其中，R＝[r1,r2,…,rC]表示C个所述样本图像的稀疏系数矩阵，Y表示所有
类别的所述样本图像，||·||0表示计算一个向量中非零元的个数，T0表示预先给定
的稀疏上限，||·||F表示计算向量每个元素的平方和后开平方。
3.根据权利要求2所述的方法，其特征在于，所述对每个所述单元格利用
预定的字典D进行稀疏信号分解，得到每个所述单元格各自对应的稀疏向量，
包括：
将每个所述单元格中的像素调整为n*1维的向量；
利用下述公式，对每个所述单元格中的所述向量在所述预定的字典D下进
行稀疏信号分解，得到对应的稀疏向量；
min(x)||x||1subjecttoy＝Dx
其中，y为每个所述单元格中的所述向量，x为y在所述预定的字典D下稀
疏得到的稀疏向量，||x||1表示对所述稀疏向量x的每列的绝对值求和，每个所述
稀疏向量是m*1维的向量，所述预定的字典D是n*m的矩阵。
4.根据权利要求1所述的方法，其特征在于，所述根据所述稀疏向量提取
所述图像的方向梯度直方图HOG特征，包括：
根据所述稀疏向量计算每个所述单元格的梯度大小和梯度方向，得到每个

\t所述单元格的描述子；
统计每个所述块内的各个所述描述子，得到每个所述块的HOG特征；
统计所述图像中各个所述块的HOG特征，得到所述图像的HOG特征。
5.根据权利要求4所述的方法，其特征在于，所述统计所述图像中各个所
述块的HOG特征，得到所述图像的HOG特征，包括：
将所述图像中各个所述块的HOG特征串联成一个矩阵，得到所述图像的
HOG特征，所述矩阵的每一列为一个所述块的HOG特征。
6.根据权利要求4所述的方法，其特征在于，所述统计所述图像中各个所
述块的HOG特征，得到所述图像的HOG特征，包括：
将所述图像中每个所述块的HOG特征由初始的L*1维向量调整为M*N的
矩阵，每个所述块包括M*N个像素，L＝M*N；
根据每个所述块的调整后的所述HOG特征和每个所述块在所述图像中的对
应位置，得到所述图像的HOG特征。
7.根据权利要求1至6任一所述的方法，其特征在于，所述方法，还包括：
将所述图像进行归一化处理，得到预定尺寸大小的所述图像。
8.一种特征提取装置，其特征在于，所述装置包括：
划分模块，被配置为将图像划分为若干个块，每个所述块包括若干个单元
格；
分解模块，被配置为对每个所述单元格利用预定的字典D进行稀疏信号分
解，得到每个所述单元格各自对应的稀疏向量；所述预定的字典D是对样本图<...

【专利技术属性】
技术研发人员：龙飞，陈志军，张涛，
申请(专利权)人：小米科技有限责任公司，
类型：发明
国别省市：北京;11