[发明专利]基于同底三角形面积描述的目标识别和形状检索方法

说明书

技术领域

本发明涉及一种基于同底三角形面积描述的目标识别和形状检索方法，属于目标识别和形状检索技术领域。

背景技术

如何使机器人视觉自动地识别和认识目标在现实世界中是一个非常具有挑战性的问题，这项研究的最新进展主要是设计智能的形状描述符来提供更好的相似性度量。目标识别和形状检索是机器人视觉中研究的热点，在工程中得到了广泛的应用，如图像及视频匹配、目标识别、机器人导航、深度学习、场景分类以及图像分割等多个领域中。

根据特征来源把形状描述方法分为两类：基于轮廓的方法和基于变换域的方法，前者特征全部来自于目标图像的轮廓，如Moravec、Harris角点特征，轮廓周长、紧密度、偏心率，Hausdroff距离等，具有简单但有效的特点，在机器人视觉得到了广泛的应用。通常主要有两种方法描述目标的特征：基于全局特征和基于局部特征。全局特征能够描述目标的整体特征，对目标形状简单、具有单个封闭的轮廓特别有用，但是对局部变化比较敏感，易发生误匹配，如Shape Contexts，Inner-Distance和Multi-scale Representation。局部特征能够克服上述的问题，具有鲁棒性，因为即使部分轮廓被遮挡或发生变形，其它局部特征也能被匹配和识别，如Shape Tree，Class Segment Sets，Contour Flexibility，但是计算复杂度高并会产生冗余的信息。

发明内容

为解决上述技术问题，本发明的目的是提供一种基于同底三角形面积描述的目标识别和形状检索方法，其能够达到提高准确率、鲁棒性，减少计算量的目的。

本发明的一种基于同底三角形面积描述的目标识别和形状检索方法，包括：

S1、提取出目标图像的边缘特征，采用轮廓提取算法提取出目标轮廓特征；

S2、根据所提取出的目标轮廓特征构造每个轮廓点的同底三角形集合，计算所有三角形的面积，作为同底三角形面积描述子；

S3、采用分段平均的方法平滑同底三角形面积描述子，以形成同底三角形面积特征描述矩阵；

S4、将同底三角形面积特征描述矩阵按行局部归一化，以形成最终特征描述矩阵；

S5、采用加权L1范数计算平滑归一化后的同底三角形面积描述矩阵中的每列之间的距离，以得到匹配代价矩阵；

S6、采用动态规划对匹配代价矩阵进行相似度匹配。

进一步的，所述步骤S1具体包括：

S11、采用Log二阶微分算子提取出目标图像的边缘特征；

S12、采用的轮廓提取算法在目标图像边缘上均匀地等间隔采样得到一组有序点集，该点集即为目标轮廓特征。

进一步的，所述步骤S2具体包括：

S21、在目标图像的轮廓上，取目标轮廓点p_i，利用与目标轮廓点p_i相邻的两个轮廓点p_i-1，p_i+1构成的线段作为三角形的底边，并固定不变；

S22、按照顺时针方向取点作为三角形的顶点，构成一个三角形集合，该集合即为目标轮廓点p_i的同底三角形集合；

S23、采用行列式计算该同底三角形集合中每个三角形的面积，作为该目标轮廓点p_i的同底三角形面积描述子。

进一步的，所述步骤S3具体包括：

S31、规定分段区间长度k；

S32、将轮廓采样点数n，按[1,k],[k+1,2k],...,[mk-k+1,mk]形式等间隔分成m段；

S33、计算每一段中k个同底三角形面积的平均值

S34、将每一段中k个面积用该平均值代替，构成m维向量，作为目标轮廓点p_i新的同底三角形面积描述子；

S35、计算每一个目标轮廓点p_i的新的同底三角形面积描述子，构成m×n维的同底三角形面积特征描述矩阵。

进一步的，所述步骤S4具体包括：

S41、计算目标图像轮廓的同底三角形面积特征描述矩阵中每一行的最大绝对值；

S42、将同底三角形面积特征描述矩阵中每一行元素除以对应行的最大绝对值，作为目标图像轮廓的最终特征描述矩阵。

进一步的，所述步骤S5具体包括：

S51、计算数据库中所有N个模板图像轮廓的同底三角形面积特征矩阵；