[发明专利]一种基于最小外接矩形垂直内距离比例的形状描述与检索方法

说明书

本发明公开了一种基于最小外接矩形垂直内距离比例的形状描述与检索方法，改善了现有技术中传统描述子方向性仍有缺陷的问题。该发明含有以下步骤，提取出目标图像的边缘特征，采用轮廓提取算法提取轮廓特征；根据提取出目标图像的轮廓特征，构造最小外接矩形；轮廓上某一点向最小外接矩形的四个边作垂线，形成轮廓点垂直内距离集合，计算所有轮廓点的垂直内距离比例，作为垂直内距离比例描述子；将轮廓点垂直内距离比例划分为K个网格，平滑归一化每一个网格，形成特征描述矩阵；采用L1范数度量每列垂直内距离比例特征描述矩阵之间的距离，得到代价矩阵；采用动态规划算法对代价矩阵进行相似度匹配。该技术可提升形状检索的性能，更适用于大规模的形状检索。

技术领域

本发明涉及计算机视觉方法领域，特别是涉及一种基于最小外接矩形垂直内距离比例的形状描述与检索方法。

背景技术

形状描述与检索是计算机视觉中的重要问题,已经被应用在多个领域,如目标识别、图像检索、文字识别、人脸识别、医学图像分析、机器人导航、传感器网络等.其中最重要的是设计智能的形状描述子来提供更好的相似性度量。

当目标在整个图像中所占的比重过小或目标的纹理特征被模糊时，形状描述子可以通过形状特征成功地识别出目标。值得一提的是，基于深度学习的物体识别与检索依赖大量的数据集，经过多次数据集的训练，返回适当的模型参数，很好地实现检测和识别目标。这种以深度学习为代表的目标识别和检索系统优点是精确度高，速度较快。但是一些图像数据集很难获取。在这种情况下，形状描述符是一个有意义的工具。

评价一个形状描述子的能力主要是通过对形状进行平移、旋转和尺度变换，看其是否会不受影响，依然能正确识别出图形。即一个形状描述子必须满足平移、旋转和尺度不变性。目前许多形状描述子已经被提出，大致可分为四类:全局描述子、局部描述子、多尺度描述子和多面描述子。SC(形状上下文)对非刚性匹配具有很好的鲁棒性，但是缺乏对目标方向特征描述。FD(傅立叶描述子)是早期对设计快速描述子的尝试，FD-CCD(基于轮廓中心距离的傅里叶描述子)是一种将是FD的改进，但是在MPEG-7CE-1Part B形状数据集上的检索率要比SC低。ASD(多尺度角特征)是一种包含方向特征的描述子，它可以计算不同比例的角度序列的特征矢量，包含有局部和全局信息。ASDCCD(角度尺度描述子与质心距离)根据CCD添加角度信息。与CCD和FPD(最远点距离)相比，ASDCCD更准确，但大量的计算是不可避免的，运行缓慢。在中，ASDCCD具有最高的牛眼测试分数，但MPEG-7CE1部分B的匹配时间比CCD长。IDSC(基于内距离的形状上下文)是在SC的基础上改进而来的，虽然实验结果要比SC更优，但匹配阶段仍然需要大量的时间，且该形状特征不具方向性，存在方向缺陷。CCD和SC，只针对轮廓点进行描述，存在区分具有相似质心轮廓距离和相似形状上下文的问题。

现有的形状描述子的缺陷和不足主要有：一般的简单形状描述子原理简单，计算简单，但没有任何方向，只能代表形状的一般特征，而缺乏诸如方向特征等详细描述。

发明内容

本发明改善了现有技术中传统描述子方向性仍有缺陷的问题，提供一种可分变性强，物体识别和检索性能好的基于最小外接矩形垂直内距离比例的形状描述与检索方法。

本发明的技术解决方案是，提供一种具有以下步骤的基于最小外接矩形垂直内距离比例的形状描述与检索方法：

步骤1、提取出目标图像的边缘特征，采用轮廓提取算法提取轮廓特征；

步骤2、根据提取出目标图像的轮廓特征，构造最小外接矩形；

步骤3、轮廓上某一点向最小外接矩形的四个边作垂线，形成轮廓点垂直内距离集合，计算所有轮廓点的垂直内距离比例，作为垂直内距离比例描述子；

步骤4、将轮廓点垂直内距离比例划分为K个网格，平滑归一化每一个网格，形成特征描述矩阵；

步骤5、采用L1范数度量每列垂直内距离比例特征描述矩阵之间的距离，得到代价矩阵；