基于特征点扩充及PCA特征提取的ASM定位算法制造技术

本发明专利技术涉及一种基于特征点扩充及PCA特征提取的ASM定位算法，首先，采用等距插值的方法扩充手工标定的特征点；其次，建立统计特征模型，提出采用主成分分析PCA处理特征点法线灰度信息代替原算法中的灰度值求导，统计特征点的局部纹理特征；再而建立统计形状模型，统计分析得到目标形状模型及形变的模板，最后采用相应的搜索点与训练好的特征点的局部灰度特征之间的相似性度量作为匹配标准，同时以多尺度的ASM搜索策略完成整个搜索匹配的过程统计特征点局部灰度特征。与传统ASM算法相比，本发明专利技术的目标定位精度和鲁棒性都有了显著的提高，实验数据显示，平均定位误差降低了38%以上。

ASM location algorithm based on feature point expansion and PCA feature extraction

The invention relates to a ASM positioning algorithm, feature extraction and expansion based on PCA features first, using the method of equidistant interpolation expansion feature points of the manual calibration; secondly, the establishment of statistical feature model is proposed using principal component analysis PCA characteristics of normal gray information instead of gray values in the original algorithm derivation, local texture statistical feature feature points; and then establish a statistical shape model, statistical analysis to obtain the target shape model and deformation of the template, the similarity between the local gray feature corresponding search points and trained the measure as the matching criteria, at the same time with the multi-scale ASM search strategy to complete the search of local gray statistical characteristics of process point matching features. Compared with the traditional ASM algorithm, the target location accuracy and robustness of the proposed method have been significantly improved. Experimental data show that the average positioning error is reduced by more than 38%.

【技术实现步骤摘要】

本专利技术涉及一种目标定位算法，针对传统ASM算法定位精度较低，模型容易收敛到错误位置等问题，提出了一种基于特征点扩充及PCA特征提取的ASM定位算法。
技术介绍
目前，Cootes等人提出的活动形状模型ASM（ActiveShapeModel）是一种主流的目标定位方法，它是一种基于点分布模型PDM（PointDistributionModel）的统计学习算法，允许待定位的目标有一定程度的形变，它采用目标的灰度信息指导形状模型的匹配收敛，收敛速度较快，其主要思想是：（1）建立统计形状模型，首先，搜集相应的目标样本，手工标定目标特征点，得到形状向量集并配准对齐；然后，将对齐的形状向量集进行主成分分析（PrincipalComponentAnalysis，PCA），得到目标平均形状模型和形变的模板；（2）建立统计特征模型，采用对样本法线采样点进行灰度值求导的方法构建目标特征点局部统计特征；（3）目标的搜索匹配，通过对目标特征点的灰度信息进行收敛匹配，从而实现目标的定位。但传统的ASM算法也存在着一些不足，如定位精度不高，模型容易收敛匹配到错误的位置等，造成这些不足的原因主要有以下两个方面：（1）传统ASM算法利用手工标定的特征点的灰度信息进行匹配，手工标定的特征点关于目标的特征统计信息较少，仅利用手工标定的特征点进行目标轮廓的收敛匹配容易使形状模型收敛到错误的位置；（2）在ASM算法中，需要统计样本特征点的局部灰度特征，传统ASM算法以灰度值求导的方法进行特征的统计，并不能充分体现特征点的局部纹理特征，以灰度变化率作为匹配的依据，定位精度较低。针对传统ASM算法中存在的不足，目前已有一些专家学者从不同方面提出了一些改进方法。Froba等人提出以特征点处的梯度值作为ASM算法的模型统计信息，但目标的定位精度并没有太大的提高；Hamarneh等人结合Snake模型与传统ASM算法，将Snake可产生光滑的、不间断的边界的特点和传统ASM算法可产生与训练集相似的可变形状模型的特点结合起来，从而实现在心脏图像中的定位，该算法虽然比传统ASM算法的定位精度要高，但耗时很长。
技术实现思路
本专利技术的目的在于提供一种克服传统ASM算法中存在的定位精度不高，模型容易收敛匹配到错误的位置等问题，提出了一种基于特征点扩充及PCA特征提取的ASM定位算法。为实现上述目的，本专利技术的技术方案是：一种基于特征点扩充及PCA特征提取的ASM定位算法，包括如下步骤，步骤S01：将搜集好的训练样本集进行目标特征点的手工标定，并采用等距插值的方法进行特征点的扩充；步骤S02：统计特征模型的建立：采用主成分分析PCA处理目标特征点的法线采样点的灰度信息，以灰度数据特征代替灰度变化率特征作为匹配的依据，统计特征点的局部纹理特征；步骤S03：统计形状模型的建立：根据特征点，将初步得到的形状向量进行配准对齐操作，以每个形状向量的平均坐标、平均角度为基准，对每个形状向量进行平移、旋转操作，然后对其进行PCA处理，统计分析得到目标形状模型及形变的模板；步骤S04：目标轮廓的匹配：采用主成分分析PCA处理法线采样点的灰度信息，在搜索匹配时，采用相应的搜索点与训练好的特征点的局部灰度特征之间的相似性度量作为匹配标准，同时以多尺度的ASM搜索策略完成整个搜索匹配的过程。在本专利技术实施例中，所述步骤S01的特征点的扩充过程包括如下步骤，步骤S21：手工标定特征点，即标定目标物体轮廓的拐角点和T字型节点；步骤S22：以前后两个标定特征点之间目标物体的轮廓呈线性变化的特性为依据，分别在前后两个手工标定特征点之间进行线性等距插值，从而实现样本特征点的扩充。在本专利技术实施例中，所述步骤S02统计特征模型的建立，具体包括如下步骤，步骤S41：计算样本中每个特征点的法向采样点灰度均值：其中，n为样本形状向量个数，表示第j个样本的第i个特征点的法向采样点灰度值构成的灰度值向量；步骤S42：计算特征点法向采样灰度向量的协方差矩阵：步骤S43：分别计算每个特征点对应的协方差矩阵的特征值，并将得到的特征值从大到小进行排序，，其中，，选择前t个比较大的特征值，使得：得到以及其对应的特征向量组成的矩阵，各样本特征点的局部灰度特征可表示为：其中，为灰度特征向量参数。在本专利技术实施例中，所述步骤S03统计形状模型表示为：其中，是平均形状向量，是进行PCA处理后，前t个特征值对应特征向量组成的矩阵，是形状向量参数，通常限制在范围内。在本专利技术实施例中，所述步骤S04的目标轮廓的匹配，具体为，搜索点与训练好的特征点的局部灰度特征之间的相似性度量表示为：在搜索匹配时，需要先获取测试图像中当前模型轮廓法线搜索点的局部灰度信息，然后利用相似性度量进行匹配，最小的子局部特征对应的搜索点即为该特征点的新位置；为所有的特征点找到其新位置，并把它们的位移组成一个向量：通过调整形状模型的参数使得当前特征点的位置与最为接近，这样就完成了整个的匹配过程。相较于现有技术，本专利技术具有以下有益效果：首先，针对定位目标的特征统计信息的不足，采用等距插值的方法扩充手工标定的特征点：在手工标定特征点的基础上，在特征点与特征点之间采用等距插值的方法，进行特征点的扩充；扩充特征点之后，目标的特征统计信息更为完善，匹配精度更高；其次，针对样本特征点的局部纹理特征的不充分，提出采用主成分分析PCA处理特征点法线灰度信息代替原算法中的灰度值求导，构建特征点的局部纹理特征；相对于对灰度值进行求导，PCA处理灰度信息能更充分的体现特征点的局部纹理特征，使定位的精度更高。附图说明图1为改进的ASM算法的整体流程图。图2a为手工标定人眼特征点的结果图。图2b等距插值扩充特征点结果图。图3a配准对齐前的样本集。图3b配准对齐后的样本集。图4为部分左眼样本集。图5为改进ASM算法与传统ASM算法睁眼定位效果对比图。图6为改进ASM算法与传统ASM算法闭眼定位效果对比图。具体实施方式下面结合附图，对本专利技术的技术方案进行具体说明。如图1所示，本专利技术一种基于特征点扩充及PCA特征提取的ASM定位算法，包括如下步骤，步骤S01：将搜集好的训练样本集进行目标特征点的手工标定，并采用等距插值的方法进行特征点的扩充；步骤S02：统计特征模型的建立：采用主成分分析PCA处理目标特征点的法线采样点的灰度信息，以灰度数据特征代替灰度变化率特征作为匹配的依据，统计特征点的局部纹理特征；步骤S03：统计形状模型的建立：根据特征点，将初步得到的形状向量进行配准对齐操作，以每个形状向量的平均坐标、平均角度为基准，对每个形状向量进行平移、旋转操作，然后对其进行PCA处理，统计分析得到目标形状模型及形变的模板；步骤S04：目标轮本文档来自技高网...

【技术保护点】
一种基于特征点扩充及PCA特征提取的ASM定位算法，其特征在于：包括如下步骤，步骤S01：将搜集好的训练样本集进行目标特征点的手工标定，并采用等距插值的方法进行特征点的扩充；步骤S02：统计特征模型的建立：采用主成分分析PCA处理目标特征点的法线采样点的灰度信息，以灰度数据特征代替灰度变化率特征作为匹配的依据，统计特征点的局部纹理特征；步骤S03：统计形状模型的建立：根据特征点，将初步得到的形状向量进行配准对齐操作，以每个形状向量的平均坐标、平均角度为基准，对每个形状向量进行平移、旋转操作，然后对其进行PCA处理，统计分析得到目标形状模型及形变的模板；步骤S04：目标轮廓的匹配：采用主成分分析PCA处理法线采样点的灰度信息，在搜索匹配时，采用相应的搜索点与训练好的特征点的局部灰度特征之间的相似性度量作为匹配标准，同时以多尺度的ASM搜索策略完成整个搜索匹配的过程。

【技术特征摘要】
1.一种基于特征点扩充及PCA特征提取的ASM定位算法，其特征在于：包括如下步骤，
步骤S01：将搜集好的训练样本集进行目标特征点的手工标定，并采用等距插值的方法进行特征点的扩充；
步骤S02：统计特征模型的建立：采用主成分分析PCA处理目标特征点的法线采样点的灰度信息，以灰度数据特征代替灰度变化率特征作为匹配的依据，统计特征点的局部纹理特征；
步骤S03：统计形状模型的建立：根据特征点，将初步得到的形状向量进行配准对齐操作，以每个形状向量的平均坐标、平均角度为基准，对每个形状向量进行平移、旋转操作，然后对其进行PCA处理，统计分析得到目标形状模型及形变的模板；
步骤S04：目标轮廓的匹配：采用主成分分析PCA处理法线采样点的灰度信息，在搜索匹配时，采用相应的搜索点与训练好的特征点的局部灰度特征之间的相似性度量作为匹配标准，同时以多尺度的ASM搜索策略完成整个搜索匹配的过程。
2.根据权利要求1所述的基于特征点扩充及PCA特征提取的ASM定位算法，其特征在于：所述步骤S01的特征点的扩充过程包括如下步骤，
步骤S21：手工标定特征点，即标定目标物体轮廓的拐角点和T字型节点；
步骤S22：以前后两个标定特征点之间目标物体的轮廓呈线性变化的特性为依据，分别在前后两个手工标定特征点之间进行线性等距插值，从而实现样本特征点的扩充。
3.根据权利要求1所述的基于特征点扩充及PCA特征提取的ASM定位算法，其特征在于：所述步骤S02统计特征模型...

【专利技术属性】
技术研发人员：郭太良，徐胜，姚剑敏，林金堂，林志贤，叶芸，
申请(专利权)人：福州大学，
类型：发明
国别省市：福建;35