【技术实现步骤摘要】
一种形状识别方法
本专利技术涉及一种形状识别方法，属于形状识别
技术介绍
轮廓形状识别是机器视觉领域的一个重要研究方向，利用物体形状特征进行目标识别是机器视觉的主要研究课题，这项研究的主要成果是通过改进形状匹配算法或设计有效的形状描述符来充分提取目标形状特征用以进行更好的相似性度量。这在工程中得到了广泛应用，如雷达、红外成像检测、图像及视频的匹配与检索、机器人自动导航、场景语义分割、纹理识别和数据挖掘等多个领域中。通常，对于轮廓形状的表达和检索基于手工设计的形状描述子来提取目标轮廓特征，如ShapeContexts，ShapeVocabulary和Bagofcontourfragments等。但是通过手工描述子提取所得的形状信息通常不完备，无法保证描述子对目标形状的局部变化、遮挡和整体变形等变化具有鲁棒性。而设计过多种描述子则会导致特征提取冗余，计算复杂度较高。因此，识别准确率和效率较低。近年来，随着卷积神经网络在图像识别任务中取得较好的成绩，其在形状识别任务开始得以应用。而由于轮廓形状缺少表面纹理、色彩等...
【技术保护点】
1.一种形状识别方法，其特征在于：该方法包括以下步骤：/n步骤一、提取形状样本的轮廓关键点；/n步骤二、定义各关键点处的近似偏置曲率值并判断关键点处的曲线凹凸性，以获取候选形状分割点；/n步骤三、调整曲率筛选阈值，得到形状分割点；/n步骤四、基于分割线段位于形状内且互相不交叉的原则进行形状分割，并以最小分割代价分割得到若干子形状部分；/n步骤五、构建形状样本的拓扑结构；/n步骤六、使用形状的全尺度可视化表示方法，得到对应子形状部分的特征表达图像；/n步骤七、将各特征表达图像输入卷积神经网络进行训练，学习得到各子形状部分的特征向量；/n步骤八、构造形状样本的特征矩阵；/n步骤...
【技术特征摘要】
1.一种形状识别方法，其特征在于：该方法包括以下步骤：
步骤一、提取形状样本的轮廓关键点；
步骤二、定义各关键点处的近似偏置曲率值并判断关键点处的曲线凹凸性，以获取候选形状分割点；
步骤三、调整曲率筛选阈值，得到形状分割点；
步骤四、基于分割线段位于形状内且互相不交叉的原则进行形状分割，并以最小分割代价分割得到若干子形状部分；
步骤五、构建形状样本的拓扑结构；
步骤六、使用形状的全尺度可视化表示方法，得到对应子形状部分的特征表达图像；
步骤七、将各特征表达图像输入卷积神经网络进行训练，学习得到各子形状部分的特征向量；
步骤八、构造形状样本的特征矩阵；
步骤九、构建图卷积神经网络；
步骤十、训练图卷积神经网络，对测试样本进行形状分割，获取各子形状部分的特征向量，计算测试样本的特征矩阵和邻接矩阵，并输入至训练好的图卷积网络模型中，实现形状分类识别。
2.根据权利要求1所述的一种形状识别方法，其特征在于：所述步骤一中，提取轮廓关键点的方法为：
每一个形状样本的轮廓是由一系列抽样点组成的，对于任一形状样本S来说，对轮廓抽样n个点得到：
S＝{(px(i)，py(i))|i∈[1，n]}，
其中，px(i)，py(i)为轮廓抽样点p(i)在二维平面内的横、纵坐标，n为轮廓长度，即轮廓抽样点的个数；
对形状样本的轮廓曲线进行演化来提取关键点，在每一次演化过程中，对目标识别起到贡献最小的点被删除，其中每个点p(i)的贡献定义为：
其中，h(i，i-1)为点p(i)与p(i-1)间的曲线长度，h(i，i+1)为点p(i)与p(i+1)间的曲线长度，H1(i)为线段p(i)p(i-1)与线段p(i)p(i+1)间的角度，长度h根据轮廓周长进行归一化；Con(i)值越大表示该点p(i)对形状特征的贡献越大；
本方法引用了一个基于区域的自适应结束函数F(t)克服轮廓关键点提取过多或过少的问题：
其中S0为原始形状的面积，Si为经过i次演变后的形状面积，n0为原始形状轮廓上的总点数；当此结束函数值F(t)超过设定阈值后，轮廓关键点提取结束并得到n*个轮廓关键点。
3.根据权利要求2所述的一种形状识别方法，其特征在于：所述步骤二中，定义各关键点处的近似偏置曲率值并判断关键点处的曲线凹凸性，以获取候选分割点的具体方法为：
为了计算形状样本S中任意一处关键点p(i)的近似偏置曲率值，取p(i)前后临近的轮廓点p(i-ε)，p(i+ε)，其中ε为经验取值；由于：
cosHε(i)∝cur(p(i))，
其中，Hε(i)为线段p(i)p(i-ε)与线段p(i)p(i+ε)间的角度，cur(p(i))为点p(i)处的曲率；
定义点p(i)处的近似偏置曲率值cur～(p(i))为：
cur～(p(i))＝cosHε(i)+1，
其中Hε(i)为线段p(i)p(i-ε)与线段p(i)p(i+ε)间的角度，cosHε(i)取值范围在-1到1之间，cur～(p(i))的取值范围在0到2之间；
根据符合视觉自然性的形状分割方法，形状分割点均位于轮廓凹曲线处；因此在筛选用于形状分割的候选分割点时，定义了一种判断关键点p(i)处曲线凹凸性的方法：
对于形状的二值化图像，形状样本S轮廓内部的像素点的数值均为255，形状样本S轮廓外部的像素点的数值均为0；等距抽样线段p(i-ε)p(i+ε)得到R个离散点，若此R个离散点的像素值均为255，则线段p(i-ε)p(i+ε)全部在形状轮廓内，即p(i)处曲线表现为凸；若此R个离散点的像素值均为0，则线段p(i-ε)p(i+ε)全部在形状轮廓外，即p(i)处曲线表现为凹；记所有曲线表现为凹处的关键点p(i)为候选分割点P(j)。
4.根据权利要求3所述的一种形状识别方法，其特征在于：所述步骤三中，调整曲率筛选阈值Th并得到形状分割点的步骤如下：
(1)对于步骤二中得到的所有候选分割点P(j)，将它们的平均近似偏置曲率值作为初始阈值Th0：
其中J为候选分割点总个数；
(2)对于第τ次调整时的阈值Thτ，根据各候选分割点P(j)的近似偏置曲率值与Thτ的大小关系，可将P(j)分为两类：近似偏置曲率值大于Thτ的候选分割点和近似偏置曲率值小于等于Thτ的候选分割点计算并记录当前阈值下的分割区分度Dτ：
其中，
其中分别表示阈值Thτ下各候选分割点P(j)的正负曲率偏差，表示所有候选分割点正曲率偏差的最小值，表示所有候选分割点负曲率偏差的最大值；
判断是否存在近似偏置曲率值大于阈值Thτ的候选分割点，如果不存在，则不再调整，转到步骤(4)；如果存在近似偏置曲率值大于阈值Thτ的候选分割点，则转到步骤(3)继续调整阈值；
(3)继续调整阈值，新的阈值Thτ+1为上一次阈值调整过程中所有候选分割点正曲率偏差的最小值，用公式表示如下：
根据阈值Thτ+1计算第τ+1次调整下的各候选分割点的正负曲率偏差以及分割区分度Dτ+1并记录；判断是否存在近似偏置曲率值大于阈值Thτ+1的候选分割点，如果不存在，则不再调整，转到步骤(4)；如果存在近似偏置曲率值大于阈值Thτ+1的候选分割点，则令τ＝τ+1，重复当前步骤继续调整阈值；
(4)多次调整阈值则有多个分割区分度，最大分割区分度对应的阈值为最终的曲率筛选阈值Th，近似偏置曲率值小于该阈值Th的点为最终的形状分割点。
5.根据权利要求4所述的一种形状识别方法，其特征在于：所述步骤四中，基于分割线段位于形状内且互相不交叉的原则进行形状分割，并以最小分割代价分割得到若干子形状部分的具体方法为：
(1)对于任意两个形状分割点P(e1)，P(e2)，等距抽样分割线段P(e1)P(e2)得到C个离散点，若此C个点中存在像素值为0的离散点，则线段P(e1)P(e2)存在形状轮廓外的部分，不选择作为分割线段；
(2)对于任意两个形状分割点P(e3)，P(e4)，若已存在一条形状分割线段P(e5)P(e6)使得：
或
则线段P(e3)P(e4)与已有分割线段P(e5)P(e6)相交，不选择线段P(e3)P(e4)作为分割线段；
(3)对于满足以上两个原则的分割线段集进一步筛选，通过定义三种评价分割线段优劣的度量指标I，在最小分割代价下实现分割：
其中D*(u，v)、L*(u，v)、S*(u，v)，分别为归一化的分割长度、分割弧长、分割剩余面积三种分割度量指标，u，v为任意两个形状分割点序号，为分割点总数；
对于任意一条形状分割线段P(u)P(v)，三种分割评价指标计算方式如下：
其中Dmax为所有分割线段中长度最大的分割线段的长度，D*(u，v)的取值范围应当在0到1之间，且数值越小分割效果越显著；
其中为从P(u)到P(v)两点间的轮廓曲线的长度，L*(u，v)的取值范围应当在0到1之间，且数值越小分割效果越显著；
其中Sd为分割线段P(u)P(v)分割出的形状面积，即由线段P(u)P(v)和轮廓曲线构成的封闭区域面积，S*(u，v)的取值范围应当在0到1之间，且数值越小分割效果越显著；
依据上述步骤计算得到对于分割线段P(u)P(v)的分割代价Cost：
Cost＝αD*(u，v)+βL*(u，v)+γS*(u，v)，
其中α，β，γ为各度量指标的权重；
计算筛选出的分割线段集中的分割线段的分割代价Cost；对计算得到的全部Cost从小到大进行排序，最终根据形状样本S所属类别设置的分割子形状部分数量N选取Cost最小的N-1条分割线段，从而实现最优分割，得到N个子形状部分；分割子形状部分数量N取决于当前形状样本S所属的类别，对于不同类别的形状，手工设置了对应的分割子形状部分数量。
6.根据权利要求5所述的一种形状识别方法，其特征在于：所述步骤五中，构建形状样本的拓扑结构的具体方法为：对于任一形状样本S分割得到的N个子形状部分，将中心形状部分记作起始顶点v1，并将其余邻接形状部分按顺时针方向进行顶点排序，记作顶点{vo|o∈[2，N]}；记连接v1到其余各顶点vo的边为(v1，vo)，进而构成满足拓扑次序的形状有向图：
G1＝(V1，E1)，
其中V1＝{vo|o∈[1，N]}，E1＝{(v1，vo)|o∈[2，N]}；
对所有训练形...
【专利技术属性】
技术研发人员：杨剑宇，李一凡，闵睿朋，黄瑶，
申请(专利权)人：苏州大学，
类型：发明
国别省市：江苏;32
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。