【技术实现步骤摘要】
本专利技术属于一种。具体 来说,它是目前计算机视觉领域中结合图像的局部特征提取、降维方法以及隐条件随机场 进行建模并对目标图像进行判别的方法。
技术介绍
目标识别作为计算机视觉领域的最重要的方向之一,是后续各种更高层次处理例 如目标分类、视频检索、行为理解等的基础。已有许多方法,包括基于变化轮廓的检测、基 于特征建模的检测、基于EM算法的颜色统计信息的检测、基于区域方法的检测以及基于帧 差法的检测等等。这些经典方法简洁而易于理解,但其效果并不能令人满意。使用简单特 征信息并不足以对物体进行判别,其后出现的改进算法当中,由于某些特征之间尚还存在 相互抵消的特性,所以直到目前为止的较为成功的目标识别方法均是特定于某种场景之下 的。局部特征是最近兴起的计算机视觉领域的特征提取方法,已经在目标识别、图像 配准、图像检索、三维重建领域得到了广泛的应用。局部特征对于几何变换、光照变换具有 不变性,对于噪声、遮挡、以及背景干扰均具有良好的鲁棒性,并且特征间具有很高的区分度。对于目标识别任务来讲,局部特征的提取完成了最基本的一步。局部特征提取的 信息包括特征点信息和特征点对应的描述子信息。之后还需要进行描述子的匹配、匹配对 筛选、利用概率模型的过程才能完成目标识别,这还不包括关于物体描述子库的建立过程。 而且在利用局部特征进行匹配进而识别的整个过程中,还必须用到的是所识别物体表面在 物理上的对应性。本专利技术提出了一种。它 首先对图像提取SIFT (Scale invariant feature transform,尺度不变特征)特征描述子, 在保持SIFT描述子的高维 ...
【技术保护点】
一种基于降维局部特征描述子和隐条件随机场的目标识别方法,其特征在于:它的目标是建立起一个用于物体识别的目标识别模型,包括模型建立和物体识别两个阶段,其中建模的步骤包括: (1)对于训练样本集中的包含有对应标签值的物体的每一幅图像,提取其SIFT特征描述子; (2)使用近邻保持嵌入方法对提取的高维SIFT特征描述子降维,得到降维以后向量集合; (3)每一幅图像对应的降维后的向量集合,与物体的标签号构成训练隐条件随机场模型的一个样本,则经过所有样本学习得到可用于识别物体的隐条件随机场模型; 识别的步骤包括: (1)对于测试集中的包含有对应物体的每一幅图像,提取其SIFT特征描述子; (2)使用近邻保持嵌入方法对提取的高维SIFT特征描述子降维,得到降维以后向量集合; (3)每一幅图像对应的降维后的向量集合,输入训练得到的隐条件随机场模型,输出物体标签号,作为最终的识别结果。
【技术特征摘要】
一种基于降维局部特征描述子和隐条件随机场的目标识别方法,其特征在于它的目标是建立起一个用于物体识别的目标识别模型,包括模型建立和物体识别两个阶段,其中建模的步骤包括(1)对于训练样本集中的包含有对应标签值的物体的每一幅图像,提取其SIFT特征描述子;(2)使用近邻保持嵌入方法对提取的高维SIFT特征描述子降维,得到降维以后向量集合;(3)每一幅图像对应的降维后的向量集合,与物体的标签号构成训练隐条件随机场模型的一个样本,则经过所有样本学习得到可用于识别物体的隐条件随机场模型;识别的步骤包括(1)对于测试集中的包含有对应物体的每一幅图像,提取其SIFT特征描述子;(2)使用近邻保持嵌入方法对提取的高维SIFT特征描述子降维,得到降维以后向量集合;(3)每一幅图像对应的降维后的向量集合,输入训练得到的隐条件随机场模型,输出物体标签号,作为最终的识别结果。2.根据权利要求1中所述的一种基于降维局部特征描述子和隐条件随机场的目标识 别方法,其特征在于对于训练样本集中的包含有对应标签值的物体的每一幅图像,或者待 识别的测试样本集中的包含有对应物体的每一幅图像,提取对应的SIFT特征,均包括特征 点检测和描述子计算两个过程,其中特征点检测步骤为(1)尺度空间极值点检测检测尺度空间上的极值点,需要对高斯差运算后的图像 D(x, y,σ )中的点进行遍历;D(x,y,σ )表示为D(x, y, σ ) = (G(x,y,ko )-G(x,y,o))*I(x,y) =L(x, y, k σ )_L(x, y, σ )其中k为相邻两个尺度间的尺度因子;G(x,y,σ)是以原点为均值,σ为均方差的高 斯函数,L(x,y,σ)称作一幅图像的关于可变尺度σ的高斯平滑;I(x,y)表示源图像,*表 示卷积运算;比较D(x,y,σ)中的每一个点与相邻8个点以及上下两层相邻的9个点的灰 度值,若该点对应灰度值为相邻区域的极大或者极小值,则将这个点作为候选的关键点(2)精确特征点定位若检测到的局部极值点为Xtl=O^ytl, o)jiD(X,y,σ)使用 泰勒展开,并对展开式求导,使导数为0,得到对应于局部极值点Xtl的精确位置χ —卜(处)鸟丨.c dX2dX ‘描述子计算步骤包括(1)主方向确定对于每一幅经过高斯平滑的图像L(x,y,ο),特征点处的周围点的梯 度幅度m(x,y)以及方向θ (x,y)由下列两式计算;Μχ, y) = λ! (Mx + \,y)-L{x~\, y)f +(£(>,y + \)~ L(x,y- 1))Jθ (x,y) = arctan (L (χ, y+1) -L (χ, y-1)) / (L (x+1,y) L (χ-l,y)) 将0° 360°分为36个等分,每个等分10°,根据方向θ (x,y)作关于对应幅度m(x, y)的直方图,对应直方图中最大值的对应的方向作为该特征点的主方向;(2)描述子计算以特征点为中心旋转坐标轴使χ方向与该特征点的主方向重合,取· 16 X 16大小的窗口,将其分为4X 4的均等正方形的格状区域,使用均方差为计算描述子所 用窗口的变长的一半大小即8的高斯函数对区域内的点进行权值分配,对于每个区域计算 水平、竖直、主对角线、副对角线各两侧共8个方向上关于梯度值的直方图,每个方向上对 应的梯度值作为特征描述子中...
【专利技术属性】
技术研发人员:池毅韬,李超,郭信谊,熊璋,
申请(专利权)人:北京航空航天大学,
类型:发明
国别省市:11[]
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。