[发明专利]基于结构森林和PCANet的标志物检测与识别方法

权利要求书

1.一种基于结构森林和PCANet的标志物检测与识别方法，其特征在于，所述基于结构森林和PCANet的标志物检测与识别方法包括以下步骤：

第一步，图像预处理；获取视频图像序列，结合摄像机的内部参数，对图像进行畸变校正；采用基于结构森林的边缘检测算法，得到图像边缘结构的映射图；

第二步，候选区域的提取；对于辅助线及角点区域提取，根据获取的边缘结构映射图像的基础上，通过基于骨架提取的动态聚类算法，采用K3M顺序迭代的方法提取辅助线的骨架，并在Hough空间对直线进行聚类分析，若直线判断为某一类直线簇的内点，则在现有直线簇的类别中进行更新；若直线判断为直线簇的外点，则同时更新直线簇的类别和数量，利用最小二乘算法拟合辅助线，并求解直线间交点作为角点区域；对于典型标志物区域提取，为了增强标志物区域和背景之间的边缘结构差异，根据公式对边缘结构映射图像中的背景与标志物的边缘结构进行增强处理；采用MSER特征检测器，对图像中的最大稳定极值区域进行提取，若满足设置的条件，则作为标志物的候选区；否则，作为干扰区域，删除该区域；对边缘结构映射图像中的背景与标志物的边缘结构进行增强处理的公式为：

I_bd＝I_gray-I_edge；

I_db＝(1-I_edge)-I_gray；

式中，I_gray为输入图像的灰度图，I_bd为对图像中亮度高于其它图像区域的边缘进行增强的结果，I_db为对图像中亮度低于其它图像区域边缘进行增强的结果；

第三步，标志物的识别；根据生成的角点及标志物候选区域，分别计算候选区域的二值化哈希编码，得到扩展直方图特征；采用预训练的PCANet结构的分类器进行分类识别。

2.如权利要求1所述的基于结构森林和PCANet的标志物检测与识别方法，其特征在于，所述步骤一具体包括：

随机森林是由N棵独立的决策树T_i(x)构成的，每一棵决策树由分层的节点组成；对于每一棵决策树T_i(x)，给定其对应的训练集根据节点分离信息增益I_j最大的原则，可确定分离函数为：

式中，其中θ_j为使信息增益最大化的参数；θ_j＝{k,γ}，k为x的某一量化的特征，γ为该特征对应的阈值；通过递归训练节点分离函数和直到达到了预定的决策树深度或者信息增益的阈值；信息增益定义为：

式中，H(S_j)为香农熵，p_y为训练数据集S_j对应输出标签y的概率；

计算I_j，对于每一个节点j，将该节点中所有标签y映射到离散化标签c，采用c代替y计算I_j：

π:y∈Ya c∈C{1,2,L,k}

结构化随机森林的输出，是将高维的输出标签y映射为二元向量；采用K-means聚类或者主成分分析的降维量化法，判断具有相似输出标签y的节点是否属于同一标志物，给出节点的具体标签编号C(1,2,L,k)；在训练的过程中，采用BSDS500作为结构化随机森林的训练集，得到基于结构森林的边缘检测模型，用于边缘检测。