[发明专利]多尺度自卷积快速变换算法的应用方法及装置

说明书

技术领域

本发明涉及目标识别技术领域，尤其涉及一种多尺度自卷积快速变换算法的应用方法及装置。

背景技术

目标识别是计算机视觉的重点研究课题之一，其实质上为利用某种数学工具或模型提取不变量。近年来，不变量提取已从基于单一目标图像发展到基于目标多尺度图像，不变量识别能力得到了明显提高，例如，多尺度傅立叶描述子、全局仿射不变量、二进小波仿射不变量等都优于相应的单尺度不变量。当目标尺寸远小于成像距离时，仿射变换模型是模拟这些目标所成图像之间关系的最优选择，因此利用多尺度方法提取仿射不变量已成为研究热点。

Rahtu等人将图像函数概率解释与仿射坐标系统相结合，提出了多尺度自卷积变换（Multi-scale Autoconvolution,MSA）提取目标仿射不变特征的方法，所提特征数量不受限制，对噪声、遮挡和角度变化等具有良好的适应性，性能优于仿射不变矩等特征，在目标识别、景象匹配、图像配准、图像检索等方面取得了较好的效果。虽然通过快速傅里叶变换可提高MSA方法的计算速度，但是每对尺度获取特征时需完成4次傅立叶变换，计算复杂度大，时间消耗多。之后，基于多尺度自卷积变换，归一化仿射矩、多尺度自卷积熵等方法相继被提出，它们虽然保持着较高的识别精度，但在特征提取过程中，多尺度自卷积变换占用了主要的计算时间，计算复杂度与MSA方法相当或更高。

发明内容

本发明提出一种多尺度自卷积快速变换算法的应用方法及装置，以提高MSA变换速度。

一种多尺度自卷积快速变换算法的应用方法，包括：减小多尺度自卷积变换的变换次数或变换尺寸，建立多尺度自卷积快速变换算法；利用所述多尺度自卷积快速变换算法进行目标识别、景象匹配、图像配准或图像检索。

所述减小多尺度自卷积变换的变换次数包括：将所有尺度图像以相同的尺寸进行傅立叶变换。

所述减小多尺度自卷积变换的变换尺寸包括：对(α,β,γ)进行变换，使F(α,β)值保持不变，使得|α|+|β|+|γ|值变小；其中，α,β,γ为尺度因子，并且α+β+γ=1，F(α,β)表示图像灰度值的数学期望。

一种多尺度自卷积快速变换算法的应用装置，包括：快速变换算法单元，用于减小多尺度自卷积变换的变换次数或变换尺寸，建立多尺度自卷积快速变换算法；应用单元，用于利用所述多尺度自卷积快速变换算法进行目标识别、景象匹配、图像配准或图像检索。

快速变换算法单元通过将所有尺度图像以相同的尺寸进行傅立叶变换实现减小多尺度自卷积变换的变换次数。

快速变换算法单元通过对(α,β,γ)进行变换，使F(α,β)值保持不变并使得|α|+|β|+|γ|值变小实现减小多尺度自卷积变换的变换尺寸；其中，α,β,γ为尺度因子，并且α+β+γ=1，F(α,β)表示图像灰度值的数学期望。

综上，本发明通过研究发现傅立叶变换效率是制约基于MSA方法计算速度的关键环节，而影响计算速度的主要因素为变换尺寸和变换次数。基于此，本发明提出了MSA的快速计算方法。针对尺度在最小平面区域内均匀取值特点，求解和证明了MSA值与变换尺寸无关的最小变换尺寸要求，从而将各尺度图像统一到相同尺寸上进行变换，大大减少了变换次数，提高了MSA变换速度；针对尺度中绝对值最大值大于1时，提出利用多尺度自卷积变换性质，将尺度变换到[-1,1]区间内，从而减小变换尺寸，两种途径都能有效提高MSA变换速度。

附图说明

图1是本发明多尺度自卷积快速变换算法的应用方法流程图；

图2示出了获得所有MSA特征的最小(α,β)平面区域；

图3a示出了以0.2间隔取13对尺度；

图3b示出了以0.1间隔取43对尺度；

图4a示出了原尺度参数；

图4b示出了变换后的尺度参数；

图5是本发明多尺度自卷积快速变换算法的应用装置流程图。

具体实施方式