[发明专利]基于Radon变换的可变形物体相似度检测方法及电子设备

说明书

本发明涉及一种基于Radon变换的可变形物体相似度检测方法及电子设备，方法包括：步骤S1：获取柔性物体形变前的第一图像，以及柔性物体形变后的第二图像；步骤S2：通过Radon变换分别对所述第一图像和第二图像进行转换，得到第一Radon变换特征图和第二Radon变换特征图；步骤S3：将所述第一Radon变换特征图和第二Radon变换特征图输入深度神经网络，通过深度神经网络计算所述第一Radon变换特征图和第二Radon变换特征图之间的相似度分数；步骤S4：通过所述相似度分数来判别柔性物体形变前和柔性物体形变后的相似度。本发明能够对形变前后的柔性物体进行有效识别。

技术领域

本发明涉及目标识别技术领域，尤其是指一种基于Radon变换的可变形物体相似度检测方法及电子设备。

背景技术

图像的自动识别、描述和分类是计算机视觉领域的重要研究课题。其中基于特征描述符的物体识别是一项基础且重要的任务，具有广泛的应用，如手势识别、目标跟踪、行人检测等等。关于刚性形变的物体描述符已经得到了深入且有效的探索。典型的研究包括基于几何形状的方法和基于光谱解析的方法。然而，在较大的非刚性形变场景下，物体描述符的研究仍是一个困难的课题。此外，对于二维形状的相似度学习也需要进一步的探索。解决形状特征和相似度学习之前的结构障碍是十分具有挑战性的，如刚性或非刚性变换、不规则的拓扑结构等。

传统上，形状分类通常被认为是一个基本的分类问题，包括特征描述、评价指标和分类优化三个步骤。其中，最困难的就是形状表达，它直接影响最终识别的效率和准确率。因此，需要对这一部分进行研究。近几十年来，人们提出了许多局部和全局特征的描述符来提取物体的特征。局部描述符通过构造局部特征来实现片段之间的匹配或是逐点对应。然而，基于局部特征的描述受表达形式的限制，它们不能表达形状的内部内容，对于断开和内部有多孔的形状不适用。与局部形状描述相比，全局形状描述因其实现简单而被广泛使用，其优点是不需要预处理和额外分割。但是，它要求对于形状的描述必须充分，不能漏掉其内部的内容。因此，选择合适的描述方法从而适应各种情况是十分困难而重要的。同时，用何种形状描述特征更是决定了采用何种匹配算法来实现最优性能。神经网络似乎是一个好的匹配算法的选择，因为它具有良好的跨场景泛化能力。但是它存在过拟合的问题，因此可以通过l2正则化来约束参数，这在深度学习中起到了必不可少的作用，更像是一个调整参数，有助于模型的优化。

形状的特征描述通常被分为两类：(1)基于局部特征的描述；(2)基于全局特征的描述。之后，根据何种特征描述使用何种匹配算法。

基于局部特征的描述通常采用特征描述边缘信息，主要根据对噪声的鲁棒性和小的失真的容忍度。一般来说，最常见的边缘描述子是傅里叶描述子(FD，FourierDescriptors)。轮廓信息也可以是多边形原语(polygonal primitives)或曲率信息(curvature information)。但是任何的多边形逼近算法都会或多或少导致信息的丢失。Lui等提出一种将物体映射到单位圆中的方法，得到单位圆的一组微分同态，与共形模一起定义形状特征。这种方法对多边形具有鲁棒性。然而，它的主要缺点是时间复杂度高。Rasche提出了一种分解，它参数化灰度图像的轮廓和区域的几何形状和外观，以达到快速分类的目的。为了表达轮廓几何，将轮廓转换为局部/全局空间，从该空间中派生出参数，对其全局几何(圆弧、拐点或交替)进行分类，并描述其局部方面(曲率、边缘、对称性)。

其他方法，如形状上下文(SC，Shape Context)或骨架方法(Shape Context)也都是基于轮廓信息。形状上下文对小扰动具有较高的鲁棒性，但它很难保证尺度不变性。骨架提取也被广泛应用于模式匹配中。Bai通过比较骨架端点之间的测地线路径来匹配骨架图。Wei等介绍了一种使用贝叶斯概率权衡量化骨架性质，并采取一个单一的参数作为这个性质的权重因子。