基于Radon变换的可变形物体相似度检测方法及电子设备技术

本发明专利技术涉及一种基于Radon变换的可变形物体相似度检测方法及电子设备，方法包括：步骤S1：获取柔性物体形变前的第一图像，以及柔性物体形变后的第二图像；步骤S2：通过Radon变换分别对所述第一图像和第二图像进行转换，得到第一Radon变换特征图和第二Radon变换特征图；步骤S3：将所述第一Radon变换特征图和第二Radon变换特征图输入深度神经网络，通过深度神经网络计算所述第一Radon变换特征图和第二Radon变换特征图之间的相似度分数；步骤S4：通过所述相似度分数来判别柔性物体形变前和柔性物体形变后的相似度。本发明专利技术能够对形变前后的柔性物体进行有效识别。的柔性物体进行有效识别。的柔性物体进行有效识别。

【技术实现步骤摘要】
基于Radon变换的可变形物体相似度检测方法及电子设备


[0001]本专利技术涉及目标识别
，尤其是指一种基于Radon变换的可变形物体相似度检测方法及电子设备。

技术介绍

[0002]图像的自动识别、描述和分类是计算机视觉领域的重要研究课题。其中基于特征描述符的物体识别是一项基础且重要的任务，具有广泛的应用，如手势识别、目标跟踪、行人检测等等。关于刚性形变的物体描述符已经得到了深入且有效的探索。典型的研究包括基于几何形状的方法和基于光谱解析的方法。然而，在较大的非刚性形变场景下，物体描述符的研究仍是一个困难的课题。此外，对于二维形状的相似度学习也需要进一步的探索。解决形状特征和相似度学习之前的结构障碍是十分具有挑战性的，如刚性或非刚性变换、不规则的拓扑结构等。
[0003]传统上，形状分类通常被认为是一个基本的分类问题，包括特征描述、评价指标和分类优化三个步骤。其中，最困难的就是形状表达，它直接影响最终识别的效率和准确率。因此，需要对这一部分进行研究。近几十年来，人们提出了许多局部和全局特征的描述符来提取物体的特征。局部描述符通过构造局部特征来实现片段之间的匹配或是逐点对应。然而，基于局部特征的描述受表达形式的限制，它们不能表达形状的内部内容，对于断开和内部有多孔的形状不适用。与局部形状描述相比，全局形状描述因其实现简单而被广泛使用，其优点是不需要预处理和额外分割。但是，它要求对于形状的描述必须充分，不能漏掉其内部的内容。因此，选择合适的描述方法从而适应各种情况是十分困难而重要的。同时，用何种形状描述特征更是决定了采用何种匹配算法来实现最优性能。神经网络似乎是一个好的匹配算法的选择，因为它具有良好的跨场景泛化能力。但是它存在过拟合的问题，因此可以通过l2正则化来约束参数，这在深度学习中起到了必不可少的作用，更像是一个调整参数，有助于模型的优化。
[0004]形状的特征描述通常被分为两类：(1)基于局部特征的描述；(2)基于全局特征的描述。之后，根据何种特征描述使用何种匹配算法。
[0005]基于局部特征的描述通常采用特征描述边缘信息，主要根据对噪声的鲁棒性和小的失真的容忍度。一般来说，最常见的边缘描述子是傅里叶描述子(FD，Fourier Descriptors)。轮廓信息也可以是多边形原语(polygonal primitives)或曲率信息(curvature information)。但是任何的多边形逼近算法都会或多或少导致信息的丢失。Lui等提出一种将物体映射到单位圆中的方法，得到单位圆的一组微分同态，与共形模一起定义形状特征。这种方法对多边形具有鲁棒性。然而，它的主要缺点是时间复杂度高。Rasche提出了一种分解，它参数化灰度图像的轮廓和区域的几何形状和外观，以达到快速分类的目的。为了表达轮廓几何，将轮廓转换为局部/全局空间，从该空间中派生出参数，对其全局几何(圆弧、拐点或交替)进行分类，并描述其局部方面(曲率、边缘、对称性)。
[0006]其他方法，如形状上下文(SC，Shape Context)或骨架方法(Shape Context)也都
是基于轮廓信息。形状上下文对小扰动具有较高的鲁棒性，但它很难保证尺度不变性。骨架提取也被广泛应用于模式匹配中。Bai通过比较骨架端点之间的测地线路径来匹配骨架图。Wei等介绍了一种使用贝叶斯概率权衡量化骨架性质，并采取一个单一的参数作为这个性质的权重因子。
[0007]为了避免边缘特征描述受表达形式的限制，相关研究采用基于区域特征的描述方法，把一定区域内的所有像素都考虑进去。常用的方法是基于矩理论的。Hu提出了图像识别的不变矩理论，并且首次提出了基于代数不变量的矩不变量。事实上，所谓的不变矩可以看做是图像的一种统计特征。它主要是利用图像灰度分布的各阶矩来描述图像灰度分布的特性。Zhang和Lu提出了一种基于区域的Generic Fourier descriptor(GFD)，克服了基于轮廓的FD的局限性。另一方面，该方法在形状采样上使用二维傅里叶变换(FT)，避免了傅里叶光谱中的旋转问题。实验结果表明，GFD优于传统的基于轮廓的方法和基于区域的方法。基于区域特征的描述通常采用质心位置、重采样等归一化的方式，来满足图形的几何不变性特征。
[0008]早期的方法中，基于内容的图像相似度匹配通过比较图像的视觉内容差异进行搜索排序，即：对于一个给定的图像，将集合中的图片根据它们与给定图片的相似度进行排序。典型的方法是通过一组手工制作的特征(如SIFT)来对表示其视觉内容。由于单个图像可能包含几百个这样的特征，可以使用bag
‑
of
‑
words(BoW)这样的聚合技术将局部描述符编码为一个紧凑的向量，从而提高计算效率和可伸缩性。Garcia等人提出了一种新的基于无监督深度学习和BoW的形状描述子，用于判别和学习紧凑的形状特征。
[0009]最近，由于深度学习的快速发展，从卷积神经网络获取特征已经成为了图像相似度学习的新方向。目前流行的一些相似度学习工作，如OASIS和MLR，它们通过优化线性变换矩阵的权值进行线性度量学习。例如Yang等人提出了一种通过求解线性优化问题来对检索任务中的元素进行排序的框架。
[0010]基于深度学习的非线性相似度学习最近被应用于许多不同的视觉环境。通常使用Siamese或Triple架构，通过训练cnn对patches进行匹配，从而适用于人脸识别、检索、分类和产品搜索等领域。如Sergey改进传统的Siamese网络，提出了Pseudo
‑
siamese、2
‑
channel等网络结构。Albert提出了一种新的实例级图像检索方法。它通过聚合多个区域描述符，为每个图像生成一个全局且紧凑的固定长度表示。
[0011]基于局部特征的形状符都是高效的，因为它们都是基于全局优化的。然而它们具有很高的复杂度。基于局部特征的描述受表达形式的限制，它们不能表达形状的内部内容。因此该类方法对于断开和内部有多孔的形状不适用。基于全局特征的形状描述符通常都是由单一特征向量进行表示，这可能无法确保获取所有的形状信息，进而无法保证最终决策的可靠性。
[0012]早期的形状匹配方法虽然描述符有很高的紧致性(compactness)和鲁棒性，但是由于它们的参数估计很复杂，导致时间复杂度很高。线性方法更容易优化且不太容易过拟合，但是非线性的方法的精度明显优于线性的方法。而基于深度学习的方法通常都依赖于学习图像像素本身的性质，并没有对原图的特征进行分析。这常常导致当物体产生较大形变时，网络对物体的相似度判断出现错误。

技术实现思路

[0013]为此，本专利技术所要解决的技术问题在于克服现有技术中柔性物体形变前后相似度检测精度不高的问题。
[0014]为解决上述技术问题，本专利技术提供了一种基于Radon变换的可变形物体相似度检测方法，包括：
[0015]步骤S1：获取柔性物体形变前的第一图像，以及柔性物体形变后的第二图像；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于Radon变换的可变形物体相似度检测方法，其特征在于：包括：步骤S1：获取柔性物体形变前的第一图像，以及柔性物体形变后的第二图像；步骤S2：通过Radon变换分别对所述第一图像和第二图像进行转换，得到第一Radon变换特征图和第二Radon变换特征图；步骤S3：将所述第一Radon变换特征图和第二Radon变换特征图输入深度神经网络，通过深度神经网络计算所述第一Radon变换特征图和第二Radon变换特征图之间的相似度分数；步骤S4：通过所述相似度分数来判别柔性物体形变前和柔性物体形变后的相似度。2.根据权利要求1所述的基于Radon变换的可变形物体相似度检测方法，其特征在于：所述步骤S2中的Radon变换公式为：其中，(ρ,θ)表示Radon空间中一点，ρ＝xcosθ+ysinθ，D表示图像的整个平面，f(x,y)表示图像上一点(x,y)的像素值，δ为狄拉克函数且ρ为(x,y)平面内直线到原点距离，θ为原点到直线的垂线与x轴的夹角。3.根据权利要求1所述的基于Radon变换的可变形物体相似度检测方法，其特征在于：所述步骤S3中的深度神经网络为改进的SimNet网络。4.根据权利要求3所述的基于Radon变换的可变形物体相似度检测方法，其特征在于：所述改进的SimNet网络包括第一特征提取模块、第二特征提取模块和相似度得分计算模块，所述第一特征提取模块和第二特征提取模块结构相同并共享权重；所述第一特征提取模块用于提取第一Radon变换特征图的特征；所述第二特征提取模块用于提取第二Radon变换特征图的特征；所述相似度得分计算模块用于根据第一特征提取模块和第二特征提取模块提取到的特征计算相似度分数。5.根据权利要求4所述的基于Radon变换的可变形物体相似度检测方法，其特征在于：所述第一特征...

【专利技术属性】
技术研发人员：吴澄，盛洁，张瑾，袁浩，陈一豪，
申请(专利权)人：苏州大学，
类型：发明
国别省市：