[发明专利]图像标签信息识别方法

说明书

技术领域

本发明涉及的是一种图像处理技术领域的方法，具体是一种图像标签信息识别方法。

背景技术

目前，基于图像的标签的识别技术应用十分广泛，该技术能够识别出一幅图像或者一个视频帧中的特定标签，包括台标、商标、logo、广告标志等等，在广告信息统计、图片/视频检索以及不良多媒体信息筛选等领域有着十分重要和广泛的应用。

标签识别在概念上可以扩大为对象识别技术，在西方有着比较深入的发展，但是传统的标签识别侧重于对象的结构、形态、颜色、统计信息等特征，但是这样有一个很大的问题，就是抗干扰性比较差，对象的大小、形变、倾斜、污染、亮度变化、断裂、颜色变化、视角变化等都会对识别的准确率造成很大的影响；同时西方的标签和中国的标签有一些不同之处，中国的标签中通常包含一些如汉字等形态结构比较复杂的元素，使用传统的结构形状等特征比较乏力；另外，传统的对象识别多用到比如神经网络、贝叶斯网络、svm等技术，这类技术都需要进行大量的机器学习过程，而机器学习又是一个繁琐和复杂的技术。

David G Lowe在2004年总结了现有的基于不变量技术的特征检测方法的基础上，提出了SIFT(Scale-invariant feature transform，尺度不变性特征转换)方法，它是一种基于尺度空间的、对图像缩放、旋转、仿射变换、光照变化保持一定的稳定性的图像局部特征描述算子，但是SIFT方法生成的128维向量在匹配速度上不能令人满意，而且在特征点检测和计算特征向量时耗时也比较多；Yan Ke在SIFT基础上将SIFT中直方图方法换作主元分析法，在pca(主成分分析)降维后得到的特征向量只有20维，降低了匹配时间，但是其特征生成的耗时比SIFT多很多，是一种用特征计算时间换取匹配时间的方法。

上述方法在寻找特征点、计算特征点特征向量上都存在计算量大、耗时多的缺点，考虑到这一点，Herbert Bay等在2006年提出了SURF(Speeded Up Robust Features，快速鲁棒特征)方法，它使用快速Hessian方法对原始图像的积分图像进行特征点检测，通过计算特征点邻接圆域内x、y方向上的Haar小波响应来获得主方向，在特征点选择一块大小与尺度相应的方形区域，分成64块，统计每一块的dx，dy，|dx|，|dy|的累积和，获得64维特征向量(可以扩充为128维来提高精度)，在保持良好的尺度不变性、旋转不变性、亮度不变性、仿射不变性和对污染的低敏感度的同时，有着理想的计算时间和匹配时间。

经对现有文献检索发现，中国专利文献号为：CN101561866，，名称为：基于SIFT特征与灰度差值直方图特征的文字识别方法，该技术SIFT特征和灰度差值直方图两者产生的特征向量简单合并，用于特征匹配；中国专利文献号为：CN101339601，名称为：一种基于SIFT方法的车牌汉字识别方法，该技术分离出车牌区域后用SIFT特征进行车牌匹配。但是上述两项技术的缺点是：应用范围窄，且识别速度慢，识别的准确率低。

发明内容

本发明的目的在于克服现有技术的上述不足，提供一种图像标签信息识别方法，本发明以SURF特征为主要识别手段，辅以LBP特征提高识别准确率，能够对图像或者视频帧中背景复杂、形变、倾斜、污浊、部分遮挡、光线变化、颜色变化以及视角变化的标签等进行有效地识别，可以广泛应用于台标、商标、logo(商标)、广告标志等的识别。

本发明是通过以下技术方案实现的，本发明包括以下步骤：

步骤一，收集若干模板图像，模板图像的背景不限，但模板图像周围的非模板区域尽可能少，从而建立模板图像库。

步骤二，对模板图像进行Hessian特征点检测，得到模板图像的特征点；对待识别的图像进行Hessian特征点检测，得到待识别图像的特征点；以左上角像素点为原点、横向向右为x轴正方向、纵向向下为y轴正方向分别对模板图像和待识别图像建立直角坐标系，得到模板图像的每个特征点和待识别图像的每个特征点的位置信息和尺度信息。

所述的Hessian特征点检测，具体是：使用若干不同尺度的二维高斯滤波器对图像的每个像素点进行卷积，得到每个像素点在若干尺度空间的Hessian矩阵的元素，进而得到每个像素点分别在每个尺度空间中的Hessian矩阵行列式值，每个尺度空间中最大的Hessian矩阵行列式值和最小的Hessian矩阵行列式值所对应像素点就是该图像的特征点。

所述的尺度信息是特征点对应的Hessian矩阵所在的尺度空间的尺度。