一种基于局部相似结构统计匹配的目标识别方法技术

本发明专利技术提出一种基于局部相似结构统计匹配的目标识别方法。该发明专利技术首先建立包含目标不同姿态、不同尺度的示例图片集，提取局部结构特征获得示例图片集局部结构特征矩阵，并通过去除相似的结构特征简化该结构特征矩阵。然后，通过统计测试图片局部区域内与结构特征矩阵相似结构特征数量的匹配的方法，以此获得测试图片与示例图片集的相似度图像，最后使用非极大值抑制的方法对相似度图像提取目标，达到目标识别的目的。本发明专利技术方法能有效识别具有结构复杂、姿态多样性特点的目标。

【技术实现步骤摘要】

本专利技术属于图像处理
，具体涉及一种基于局部相似结构统计匹配的目标 识别方法。
技术介绍
目标识别是计算机人工智能的一个重要领域，现在的研究中，比较流行的对象识 别理论模型分别是基于概率模型与基于部分和形状模型。这些识别方法是在基于统计学习 的分类器的基础上实现的，需要通过大量地学习和训练确定所包含的各个分类器的参数， 由此也叫做参数方法。一般这种方法在学习的过程中需要大量的训练样本，但是训练的过 程中会导致训练参数出现过拟合，而且训练过程很缓慢。为了避免在学习中使用大量样本 和漫长的训练过程，现在逐步提出了无训练的图像识别方法，即通过示例图片来查找目标 图片中包含有与示例图片相似的目标对象。 文献（H. J. Seo and P. Milanfar，Training-free, Generic Object Detection using Locally Adaptive Regression Kernels, IEEE Trans, on Pattern Analysis and Machine Intelligence, vol. 32, No. 9, pp. 1688 一 1704，Sept. 2010)提出了关于使用局部 自适应核回归LARK (Locally Adaptive Regression Kernels)的方法进行目标识别。其中 关于使用局部自适应核回归方法用于提取图片特征并应用到一般对象识别中，该方法取得 了较好的效果。但是，使用一张示例图片对测试图片进行识别仅适用于整体结构紧凑、姿态 变化简单的目标和特定姿态的检测具有很好的识别效果，对于整体特征变化很大或者具有 姿态多样性的目标对象，在示例图片与测试图片中目标姿态差异比较大的情况，再使用一 张示例图片很难达到准确识别检测的目的，会出现漏检，识别准确性较差。
技术实现思路
本专利技术提出，可以对姿态复杂的 目标有更高的识别准确率。 为了解决上述技术问题，本专利技术提供一种技术方案？?？ 本专利技术与现有技术相比，其显著优点在于：（1)本专利技术方法首先建立包含目标的 不同尺度、不同姿态的示例图片集，通过提取局部结构特征得到示例图片集的结构特征矩 阵，该结构特征矩阵比较全面地包含了目标不同形态下的不同局部结构特征，不同于建立 目标的大规模模板集，本专利技术方法仅需要少量的示例图片即可达到识别目的，而且是一种 非训练的目标识别方法，省去了漫长的训练过程；（2)本专利技术方法提出了基于结构特征相 似性去除相似结构特征的方法，得到去冗余相似结构后简化的结构特征矩阵，从而减少了 计算量，提高识别精度，而且该特征矩阵一旦建立既可直接用于一般目标的识别；(3)本发 明方法提出了基于局部相似结构统计匹配的方法，统计测试图片局部区域内与结构特征矩 阵的相似结构特征的数量，获得局部相似度图像，通过非极大值抑制的方法提取目标；(4) 本专利技术方法对结构复杂、姿态多样性的目标较使用一张示例图片识别测试图片中目标的方 法具有更高地识别准确度。【附图说明】 图1是本专利技术方法流程图。 图2是本专利技术仿真实验选取的测试图片和示例图片集，其中（a)是带有目标的红 外图像测试图片，（b)是目标人的红外示例图片集。 图3是本专利技术仿真实验步骤二中获得的中间图像，其中（a)是获得的余弦相似图 像，（b)是获得的位置索引图像Index。 图4为是本专利技术仿真实验步骤三中由索引图像Index到相似度图像RM的转化过 程TK意图。 图5是本专利技术仿真实验获得的最终识别结果像。【具体实施方式】 本专利技术的基本思路： 对于将要识别的测试图片中的目标，由于事先并不知道测试图片中目标的具体姿 态，因此选择包含目标在不同形态、尺度下的多张图片组成示例图片集。本专利技术是根据测试 图片中某区域内含有与示例图片集中相似结构的数量来判定该区域内是否存在与示例图 像中相似的目标，由于局部自适应核回归方法（LARK)在提取的局部结构特征上具有很好 的鲁棒性，得到的结构特征能很好的描述图像的局部结构特征，因此结构特征相似即可表 示为局部结构相似。 本专利技术方法包括以下步骤： 步骤一、对示例图片集Q= (QdQ2, L，QJ的η张图片以及大小为Hi1Xm2的测试图片 T分别使用局部自适应核回归（LARK)的方法提取图片的局部结构特征，并分别计算获得示 例图片集Q = (Q1, Q2, L，QJ的结构特征矩阵％= M+d.丄以及测试图片τ的结构特 征矩阵Wt，其中，％表示第η张示例图片Qn的结构特征矩阵；上述结构特征矩阵的列向量 又可称为结构特征向量，表示图像的局部结构特征，由LARK方法计算局部结构获得。由于 结构特征矩阵的每列向量表示的就是图像的局部结构特征，因此可以使用结构特征矩阵的 列向量的相似性来表示局部结构的相似性。然后对示例图片集Q= (Q1, Q2, L, Qj的结构特 征矩阵 '去除冗余的相似列向量，从而获得简化的各列向量互不相似的结构特征矩阵Wqr 本步骤的具体计算过程如下： 步骤I. 1 :分别对构成示例图片集的η张图片{Qi，Q2, L，QJ使用局部自适应核回归 的方法计算得到η张示例图片各自的结构特征矩阵{ Py1，，L，}，然后把这n个结构特 征矩阵按列序从左到右组成表示整个示例图片集Q的结构特征矩阵'，具体如下所示： 兵干，PXP衣不甘昇同部铕构符他圯卩牛耿的同部窗口的大小，N表示η张示例 图片总的像素数，wf表示结构特征矩阵Wtj的第N列向量。 同理可得测试图片T的结构特征矩阵为： rr=e/?p2xM 其中，M表示测试图片T的总像素数，wf表示结构特征矩阵Wt的第M列向量。 计算结构特征矩阵所使用的局部自适应核回归（LARK)的方法详见文献 (H. J. Seo and P. Milanfarj Face Verification Using the LARK Representation, IEEE Transactions on Information Forensics and Security, vol. 6, No. 4,pp. 1275 - 1286, December2011.)。 步骤I. 2 :由于步骤I. I直接计算获得的示例图片集Q的结构特征矩阵Wq的数据 量庞大，考虑到每个示例图片中含有很多结构相似的区域，结构相似的区域可以理解为冗 余结构，而图像的局部结构特征可以使用其结构特征矩阵对应的列向量描述，结构相似在 结构特征矩阵中即可表述为相应的列向量相似。因此，将结构特征矩阵W tj中相似的列向量 进行合并，保留互不相似的列向量，可以去除结构特征矩阵Wtj冗余相似列向量。去冗余后， 不但可以降低示例图片结构特征矩阵W tj的列向量数目从而提高运算速度，还可以提高最终 识别准确度。 本专利技术提出基于向量余弦相似去除冗余相似向量的方法，获得去除冗余向量后各 列向量互不相似的结构特征矩阵W w。对于示例图片集Q的结构特征矩阵Wtj中每列向量与 其他列向量的相似度的大小，本专利技术使用两个向量的向量夹角的余弦值的大小来衡量。相 比距离度量，本专利技术使用的方法更加注重两个向量在方向上的差异，可以更真实地反应两 个向量在变化方向上的差异，从而反映向量所代表的图形的差本文档来自技高网...

【技术保护点】
一种基于局部相似结构统计匹配的目标识别方法，其特征在于，包括以下步骤：步骤一、对示例图片集Q的n张图片以及大小为m1×m2的测试图片T分别使用局部自适应核回归的方法提取图片的局部结构特征，并分别计算获得示例图片集Q的结构特征矩阵WQ以及测试图片T的结构特征矩阵WT；对结构特征矩阵WQ去除冗余的相似列向量，获得各列向量互不相似的结构特征矩阵WQR；步骤二、就结构特征矩阵WT中的每一个列向量，计算其与结构特征矩阵WQR的每一个列向量计算向量夹角的余弦值，判断值最大的余弦值是否大于预先设定的相似阈值，若该最大余弦值大于预先设定的相似阈值，则保存该最大余弦值所对应结构特征矩阵WQR中列向量的位置，获得位置索引矩阵Index；步骤三、统计位置索引矩阵Index的所有局部窗口内不相同数值的个数num，获得相似度矩阵RM，根据RM获取测试图片中的目标位置。

【技术特征摘要】

【专利技术属性】
技术研发人员：柏连发，张毅，罗飞扬，韩静，祁伟，陈钱，顾国华，
申请(专利权)人：南京理工大学，
类型：发明
国别省市：江苏;32