專利名稱：部分特征圖像的多維度目標(biāo)快速魯棒檢索定位方法
技術(shù)領(lǐng)域：
本發(fā)明屬于一種圖像特征目標(biāo)檢索領(lǐng)域，提出了一種部分內(nèi)容圖像特征目標(biāo)檢索方法，尤其是涉及一種部分特征圖像的多維度目標(biāo)快速魯棒檢索定位方法。
背景技術(shù)：
在當(dāng)今的信息社會(huì)中，盡管CAD技術(shù)在工業(yè)設(shè)計(jì)領(lǐng)域得到了廣泛的應(yīng)用，但仍有大量的圖紙信息以紙質(zhì)、圖片的形式保存、管理和使用著。這些工程圖紙往往使一個(gè)系統(tǒng)或者行業(yè)長(zhǎng)時(shí)間積累下來(lái)的，完整的保存了以往的寶貴經(jīng)驗(yàn)，對(duì)以后的設(shè)計(jì)有很好的借鑒作用。其中相當(dāng)一部分還會(huì)在以后的設(shè)計(jì)和制造中被修改和重復(fù)使用。為了復(fù)用這些圖紙， 將這些圖紙圖像的信息用計(jì)算機(jī)進(jìn)行管理，并建立相應(yīng)的數(shù)據(jù)庫(kù)，以大大減少圖紙的更新和維護(hù)耗費(fèi)的人力資源，更加便于存儲(chǔ)、修改、查詢、交流，是必然的發(fā)展趨勢(shì)，具有重要的社會(huì)現(xiàn)實(shí)意義。工程圖矢量化是將工程圖的掃描位圖表達(dá)轉(zhuǎn)化為CAD系統(tǒng)使用的圖形描述矢量實(shí)體，如直線、圓、圓弧、曲線以及字符等，可大大提高圖紙的復(fù)用能力。完整的矢量化過(guò)程大體分為兩類(lèi)，一種是包括有圖像的預(yù)處理、圖像二值化以及二值圖的矢量化識(shí)別過(guò)程，即直接在光柵圖上進(jìn)行圖形識(shí)別的矢量化系統(tǒng)；一種是包括光柵圖初步矢量化和圖形類(lèi)型檢測(cè)/識(shí)別的兩步操作的二維矢量化系統(tǒng)。其中應(yīng)用較為理想的是第二種方法，即先通過(guò)矢量化預(yù)處理方法，然后利用預(yù)處理過(guò)程的輸出數(shù)據(jù)進(jìn)行基于圖形類(lèi)型的檢測(cè)和識(shí)別過(guò)程，該過(guò)程可以得到較為理想的CAD文件。圖像初步矢量化過(guò)程同樣包括有圖像的預(yù)處理過(guò)程、圖像的二值化等過(guò)程。本發(fā)明涉及包括圖像初步矢量化和基于矢量化的圖形檢測(cè)識(shí)別的整個(gè)過(guò)程，稱為工程CAD圖紙的矢量化圖形識(shí)別系統(tǒng)。國(guó)內(nèi)外研究人員針對(duì)圖像矢量化處理過(guò)程提出了一些比較有效的算法，主要集中于初步矢量化/識(shí)別的思路。不同的初步矢量化算法往往對(duì)應(yīng)于不同的圖形識(shí)別算法。這里根據(jù)初步矢量化算法分類(lèi)有基于細(xì)化的方法、基于輪廓線的方法、基于圖形結(jié)構(gòu)的方法、離散象素跟蹤的方法以及正交之字型(簡(jiǎn)稱為0ΖΖ)方法。目前針對(duì)矢量化的研究基本上都是在這些方法的框架下進(jìn)行的，但對(duì)于圖像具有噪聲干擾，僅有離散圖像跟蹤的方法能夠取得比較好的效果，但離散圖像跟蹤的方法為了避免在初步矢量化過(guò)程中全圖搜索的過(guò)程而采用了位置索引算法，該算法得到的覆蓋域不能完全與原圖匹配，會(huì)造成一些誤矢量化的結(jié)果。另外，由于對(duì)工程CAD圖紙的矢量化在理論方面還有很多不完善的地方，因此大都仍然處于研究階段，沒(méi)有形成完整的系統(tǒng)?，F(xiàn)有專利(基于二值區(qū)域的逐步迭代矢量化預(yù)處理系統(tǒng))和專利(一種工程CAD 圖紙的矢量化識(shí)別方法)分別提出了一種二值區(qū)域的逐步迭代矢量化處理方法和一種矢量化識(shí)別方法。其中第一項(xiàng)專利的矢量化預(yù)處理方法主要進(jìn)行了基于斜框覆蓋域的初步矢量化過(guò)程，但該覆蓋域方法并不能有效覆蓋已矢量化部分，而且很可能覆蓋多余的未矢量化區(qū)域；第二項(xiàng)專利的識(shí)別過(guò)程是在前一個(gè)專利的基礎(chǔ)上進(jìn)行的，矢量化數(shù)據(jù)通過(guò)位置索引方法提高識(shí)別的效率，識(shí)別方法采用了基于假設(shè)/檢驗(yàn)的方法進(jìn)行。由于存在交錯(cuò)線后位置索引方法帶來(lái)的誤差，使得識(shí)別結(jié)果獲得了很多不完整的圖形。
隨著數(shù)字采集設(shè)備成本的降低和存儲(chǔ)設(shè)備容積的幾何級(jí)數(shù)的增大，如何從海量圖像數(shù)據(jù)庫(kù)中能夠快速準(zhǔn)確魯棒的檢索出所需要尋找的圖片并對(duì)圖片中相應(yīng)的感興趣目標(biāo)進(jìn)行定位，例如肇事車(chē)輛，犯罪嫌疑人，目標(biāo)建筑等是一個(gè)具有廣闊的應(yīng)用前景和發(fā)展?jié)摿Φ姆椒āＤ繕?biāo)圖片檢索是人工智能領(lǐng)域和數(shù)據(jù)挖據(jù)領(lǐng)域的一個(gè)研究的重要問(wèn)題，在解決自動(dòng)化生產(chǎn)和檢測(cè)，智能信息提取，醫(yī)學(xué)影像檢索等生產(chǎn)生活問(wèn)題的重要方法。現(xiàn)階段，圖片檢索是智能信息信息處理的一項(xiàng)關(guān)鍵且非常具有挑戰(zhàn)性的技術(shù)，如何在復(fù)雜背景，例如光照變換，背景噪聲，視角變換，遮蔽，目標(biāo)耦合粘連等情況下對(duì)圖片目標(biāo)進(jìn)行準(zhǔn)確的檢索和定位。尤其是當(dāng)目標(biāo)部分被遮蔽或者與其他目標(biāo)緊密耦合的情況下， 將目標(biāo)準(zhǔn)確的從圖片數(shù)據(jù)庫(kù)中檢索出來(lái)并進(jìn)行準(zhǔn)確定位會(huì)遇到更大的問(wèn)題。經(jīng)典的信息搜索方法主要是通過(guò)啟發(fā)式的人工文字標(biāo)注來(lái)檢索圖像和視頻，每個(gè)圖像是通過(guò)多個(gè)關(guān)鍵字來(lái)描述的。經(jīng)典的信息檢索技術(shù)在檢索網(wǎng)頁(yè)和自然語(yǔ)言文字信息等領(lǐng)域取得了很大的成功。采用此種方法，隨著數(shù)據(jù)庫(kù)技術(shù)的發(fā)展和數(shù)字設(shè)備價(jià)格的不斷下降，這種勞動(dòng)密集型技術(shù)變得越來(lái)越困難。傳統(tǒng)方法在檢索圖像和視頻存在兩個(gè)主要問(wèn)題。 第一個(gè)問(wèn)題是，傳統(tǒng)的檢索方法在檢索圖像和視頻時(shí)完全依賴于用于描述圖像信息的文本或行標(biāo)簽等關(guān)鍵字。但是，通過(guò)文字來(lái)準(zhǔn)確描述圖像有時(shí)是非常困難的。通過(guò)Google搜索 “Car”會(huì)返回期望的結(jié)果，而通過(guò)Google搜索“McDonalds”返回的結(jié)果則是雜亂無(wú)章的。 另一個(gè)問(wèn)題是，現(xiàn)在的檢索定位需要人工為數(shù)據(jù)集圖像添加文本標(biāo)注?，F(xiàn)在需要的最實(shí)用和高效的檢索工具應(yīng)當(dāng)是能夠處理顯著增長(zhǎng)的大且相對(duì)無(wú)組織結(jié)構(gòu)的圖像數(shù)據(jù)庫(kù)。通過(guò)模板圖像來(lái)搜索圖像是一種更智能的方法，也就是說(shuō)，當(dāng)我們需要檢索圖像時(shí)，不是通過(guò)輸入 “關(guān)鍵字”，而是通過(guò)輸入“模板圖像”實(shí)現(xiàn)搜索，其搜索結(jié)果將是與“模板圖像”相關(guān)的圖像信息。這是一種可替代的輸入方法。新檢索方法主要有兩個(gè)主要優(yōu)勢(shì)，一個(gè)是用圖像表示所需要搜索的內(nèi)容比用文字表示更準(zhǔn)確；另外一個(gè)是避免了人工給圖像添加文本標(biāo)注的繁瑣工作。在采用模版對(duì)圖像進(jìn)行快速檢索定位的技術(shù)之中，采用目標(biāo)的顏色圖像統(tǒng)計(jì)信息是一種重要的方法。MJ Swain,D H Ballard.等提出根據(jù)圖片的顏色直方圖信息來(lái)檢索圖片，RSchettini, GCiocca,等在 ‘k Survey of Methods for Colour Image Indexing and Retrievalin Image Databases'等提出可在不同的顏色空間，例如RGB，CIE, HSI, HSV空間等，主要的量化方法有最重要信息位、顏色空間劃分、顏色空間聚類(lèi)、參考顏色、圖像分割等，文獻(xiàn)中討論了對(duì)這些方法進(jìn)行了討論和總結(jié)。由于顏色直方圖缺乏顏色的空間分布信息，且基于顏色的統(tǒng)計(jì)信息的方法過(guò)于關(guān)注于色彩，當(dāng)光照等變化時(shí)，顏色信息會(huì)產(chǎn)生變換，系統(tǒng)的魯棒性比較差。紋理是圖像的重要特征之一，通常定義為圖像的某種局部性質(zhì)，或是對(duì)局部區(qū)域中像素之間關(guān)系的一種度量，其本質(zhì)是刻畫(huà)像素的鄰域灰度空間分布規(guī)律。紋理特征描述方法大致可以分為四類(lèi)統(tǒng)計(jì)法、結(jié)構(gòu)法、模型法、頻譜法。Tamura等人基于人類(lèi)視覺(jué)的心理學(xué)研究后提出了一些不同的方法來(lái)描述紋理特征，給出了幾個(gè)不同的描述紋理特征的術(shù)語(yǔ)粗糙度(Coarseness)、對(duì)比度(Contrast)、方向(Directionality)、線性度 (Linelikeness)、規(guī)則度(Regularity)、粗略度(Roughness)等。當(dāng)目標(biāo)圖片不具有紋理信息時(shí)，此方法不適用。SBres, R Schettini 等在Detection of Interest Points for Image
4Indexation'提出將圖像邊緣上的角點(diǎn)作為特征點(diǎn)，然后使用Delaimay三角形進(jìn)行劃分， 記錄三角形的形狀特征來(lái)描述圖像的形狀特征。這種方法由于是基于邊緣上的一些特殊點(diǎn)，因此對(duì)噪聲和點(diǎn)位置的變化較為敏感。A KJain, A Vailaya.等在‘Image Retrieval Using Color and Siape’文獻(xiàn)采用邊緣方向直方圖來(lái)刻畫(huà)形狀特征，具有簡(jiǎn)單、平移不變性等優(yōu)點(diǎn)，但也存在不具備尺度、旋轉(zhuǎn)不變性等缺點(diǎn)。目標(biāo)圖片的檢索定位技術(shù)的核心是使用圖像的可視特征對(duì)圖像進(jìn)行檢索。本質(zhì)上講，它是一種近似匹配技術(shù)，融合了計(jì)算機(jī)視覺(jué)、圖像處理、圖像理解和數(shù)據(jù)庫(kù)等多個(gè)領(lǐng)域的技術(shù)成果，其中的特征提取和索引的建立可由計(jì)算機(jī)自動(dòng)完成，避免了人工描述的主觀性。用戶檢索的過(guò)程一般是提供一個(gè)樣例圖像(Queryby Example)或描繪一幅草圖 (Queryby Sketch)，系統(tǒng)抽取該查詢圖像的特征，然后與數(shù)據(jù)庫(kù)中的特征進(jìn)行比較，并將與查詢特征相似的圖像返回給用戶。由于所要識(shí)別的圖像目標(biāo)可能存在大小、方向、光照、形變等變化，特別是當(dāng)圖像目標(biāo)部分遮擋或緊密耦合的情況下，圖像目標(biāo)檢索定位是一個(gè)非常復(fù)雜的問(wèn)題?？偟膩?lái)說(shuō)，圖像目標(biāo)檢索定位問(wèn)題的復(fù)雜性，現(xiàn)有的方法并沒(méi)有能夠在檢索定位的準(zhǔn)確性和速度方面解決很好，還存在諸多問(wèn)題，特別在如何選取合適的具有尺度，旋轉(zhuǎn)，視角等變換不變性的魯棒特征表征圖像目標(biāo)；以及如何能夠在合理的時(shí)間范圍內(nèi)利用所提取的特征快速檢索匹配定位目標(biāo)。針對(duì)目前識(shí)別方法的不足或缺陷，本發(fā)明提出了一種全新的具有層級(jí)結(jié)構(gòu)的多尺度高校目標(biāo)識(shí)別方法主要包括以下幾層首先，采用Multi-resolution的分析工具(比如Gabor Wavelets等)對(duì)圖像進(jìn)行濾波處理并在此分解圖中提取基于部分內(nèi)容的具有尺度，旋轉(zhuǎn)，視角等等變換不變性的魯棒特的局部特征來(lái)表征圖像，然后采用在頻率域的基于 Manhattan距離的最近鄰優(yōu)先匹配算法對(duì)所提取的特征進(jìn)行匹配并采用分類(lèi)器進(jìn)行分類(lèi)， 最后采用基于幾何不變性的Random Sampling算法對(duì)目標(biāo)進(jìn)行快速準(zhǔn)確檢索定位。

發(fā)明內(nèi)容
本發(fā)明要解決的技術(shù)問(wèn)題是克服現(xiàn)有技術(shù)中在目標(biāo)圖像內(nèi)容不完整的情況下的不能精確或者不能圖像目標(biāo)檢索和定位系統(tǒng)的不足和缺陷；本發(fā)明的目的是實(shí)現(xiàn)了當(dāng)圖像目標(biāo)部分內(nèi)容遮擋或緊密耦合的情況下，提供了一種有效快速有效的圖像目標(biāo)檢索識(shí)別方法，具體是一種部分特征圖像的多維度目標(biāo)快速魯棒檢索定位方法。該部分特征圖像的多維度目標(biāo)快速魯棒檢索定位方法通過(guò)預(yù)處理、特征點(diǎn)處理、圖像的魯棒快速準(zhǔn)確匹配和圖像的匹配檢索定位，較全面的解決了在圖像目標(biāo)檢索定位中由于圖像的大小，旋轉(zhuǎn)，視角變換，部分遮擋和緊密耦合等因素造成圖像檢索定位系統(tǒng)不穩(wěn)定、準(zhǔn)確率和速度間的關(guān)系對(duì)應(yīng)率低、定位精度度差等問(wèn)題；在部分特征圖像的檢索定位技術(shù)領(lǐng)域?qū)崿F(xiàn)了較好的靈活性， 易于實(shí)現(xiàn)性、穩(wěn)定性、準(zhǔn)確度、高速度和高精準(zhǔn)度的效果。為有效解決上述技術(shù)問(wèn)題并且實(shí)現(xiàn)其上述目的達(dá)到較好的技術(shù)效果，本發(fā)明是通過(guò)以下技術(shù)方案實(shí)現(xiàn)的本發(fā)明提供的一種部分特征圖像的多維度目標(biāo)快速魯棒檢索定位方法，該方法依次包括以下具體的步驟步驟(1)、預(yù)處理首先，將數(shù)據(jù)庫(kù)中存儲(chǔ)的多個(gè)不同圖像通過(guò)加博濾波器進(jìn)行濾波分解得到頻率域不同的4個(gè)帶，每個(gè)帶分成12個(gè)不同子帶，每個(gè)子帶的尺度大小之比依次為1 2，且每個(gè)子帶間的角度相差為30度，然后在Ycbcr圖像色域內(nèi)進(jìn)行噪聲消除和圖像的清晰度增強(qiáng)的預(yù)處理；其中，在所述噪聲消除的過(guò)程中，采用所述每個(gè)子帶的尺度的大小梯度模型對(duì)圖像邊沿進(jìn)行粗處理，以梯度均值作為其控制閥值；在進(jìn)行圖像增強(qiáng)處理中， 將每個(gè)帶中的12個(gè)子帶在Ycbcr圖像色空間中分別進(jìn)行圖像增強(qiáng)處理；步驟O)、特征點(diǎn)處理對(duì)步驟(1)中預(yù)處理后的每個(gè)帶，計(jì)算每個(gè)帶中的各子帶的能量值，并將每個(gè)帶中的所有子帶的能量值進(jìn)行累加處理得到每個(gè)帶的能量值，然后將得到的4個(gè)帶的能量值進(jìn)行累加處理得到完整的在加博濾波器中小波域內(nèi)的累加能量圖； 其中，所述累加能量圖為不同維度圖像的疊加圖；然后在所述累加能量圖中通過(guò)9cmX9cm 大小的窗口選取大小尺度和旋轉(zhuǎn)度的局部能量最大值的特征點(diǎn)，然后將小于所述局部能量最大值的特征點(diǎn)的能量值的65%的偽特征點(diǎn)去除；再通過(guò)一個(gè)具有局部特征的窗口進(jìn)行篩選圖像的局部能量最大值的特征點(diǎn)；步驟(3)、圖像的魯棒快速準(zhǔn)確匹配在步驟O)的特征點(diǎn)處理后，提取上述步驟 (2)中累加能量圖中具有旋轉(zhuǎn)與尺度變換不變性的魯棒特征；然后對(duì)其中任意的兩個(gè)帶及其子帶方向不同方向的亮度信息的所有特征點(diǎn)進(jìn)行建立圖像特征點(diǎn)的描述子，所述描述子是一個(gè)7X 12維度的特征矩陣；將所述特征矩陣進(jìn)行按行方向的快速傅立葉變換，同時(shí)在變換的過(guò)程中進(jìn)行插值，通過(guò)插值可以得到48個(gè)維度的方向描述，然后在上述不同的4個(gè)帶的頻率域內(nèi)對(duì)特征描述子進(jìn)行歸一化處理，得到特征描述子A，再對(duì)特征描述子A進(jìn)行乘積處理，選取最大的值為可得到匹配的特征子；然后對(duì)匹配的特征子進(jìn)行逆快速傅立葉變換得到原始的空間域的描述子；步驟(4)、圖像的匹配檢索定位通過(guò)分類(lèi)器對(duì)上述步驟(3)的匹配的特征子進(jìn)行分類(lèi)從而得到圖片目標(biāo)；其中，在進(jìn)行匹配目標(biāo)的分類(lèi)之前，對(duì)每對(duì)7X12維度的特征矩陣中的特征對(duì)進(jìn)行索引，形成匹配特征對(duì)的索引數(shù)據(jù)庫(kù)；然后從索引數(shù)據(jù)庫(kù)中抽取2000 3000組特征進(jìn)行樣本的訓(xùn)練，然后通過(guò)幾何不變性的自由采樣算法在所述索引數(shù)據(jù)庫(kù)中對(duì)目標(biāo)進(jìn)行快速準(zhǔn)確檢索定位。作為優(yōu)選的技術(shù)方案上述步驟(3)中在對(duì)描述子的匹配過(guò)程之中，采用Manhattan距離的最近鄰優(yōu)先匹配算法對(duì)描述子進(jìn)行匹配。上述步驟中從索引數(shù)據(jù)庫(kù)中抽取MOO組特征進(jìn)行樣本的訓(xùn)練。上述步驟中從索引數(shù)據(jù)庫(kù)中抽取沈00組特征進(jìn)行樣本的訓(xùn)練。上述步驟中從索引數(shù)據(jù)庫(kù)中抽取觀00組特征進(jìn)行樣本的訓(xùn)練。此外，本發(fā)明的部分特征圖像的多維度目標(biāo)快速魯棒檢索定位方法還可依次通過(guò)以下步驟來(lái)實(shí)現(xiàn)步驟一、從圖片中提取基于部分內(nèi)容的具有變換不變性的魯棒特征來(lái)表征圖片；首先，對(duì)圖片采用Gabor Wavelets進(jìn)行濾波分解得到4個(gè)band，得到每個(gè)層級(jí)之間大小相差為1 2不同的12個(gè)不同子帶，每個(gè)子帶間的角度相差為30度，12個(gè)子帶可以覆蓋整個(gè)圓周，并在Ycbcr域內(nèi)做噪聲消除和圖像增強(qiáng)的預(yù)處理，以增加圖片的清晰度，減少不必要的干擾。在做噪聲消除的過(guò)程中，設(shè)置閥值為局部最大能量的75%。進(jìn)行圖像增強(qiáng)處理時(shí)，對(duì)12個(gè)子帶在Ycbcr空間分別進(jìn)行操作。然后計(jì)算12個(gè)不同子帶的RMS(Root Mean Square)能量并將所有子帶的能量進(jìn)行乘積累加處理得到每個(gè)band的能量，最終將得到的4個(gè)band進(jìn)行累加處理得到完整的在Gabor小波域內(nèi)的累加能量圖。此累加能量圖是基于各個(gè)不同multi-resolution圖像的疊加圖，然后在得到的乘積累加能量圖中采用9x9大小的窗口選取具有大小，旋轉(zhuǎn)和視角等變換不變性的局部最大值，同時(shí)為了對(duì)得到的不必要的偽變換不變性特征進(jìn)行消除，采用所得到的特征和最大特征值相比的辦法進(jìn)行最大值抑制，如果所得到的特征能量，少于最大特征點(diǎn)能量的65%，則認(rèn)為此能量點(diǎn)是偽特征點(diǎn)。所挑選的特征是基于所有resolution和所有方向子帶所選取的，因而具有大小， 旋轉(zhuǎn)等變換不變性特征。同時(shí)，我們采用的一個(gè)具有局部特征的窗口來(lái)篩選圖像的局部最大值特征，這樣所選取的特征是基于圖像的部分內(nèi)容，因而當(dāng)圖像被遮擋或緊密耦合時(shí)，所選取的特征不受影響。為了提高所得到的特征點(diǎn)的空間位置準(zhǔn)確度，在能量累積圖中，采用4x4的Hessian矩陣對(duì)圖像進(jìn)行平滑處理，并基于所的到的平滑圖像得到特征點(diǎn)的精確位置。通過(guò)選取基于Gabor Wavelets分解得到的多尺度，多方向的局部?jī)?nèi)容特征最大值的合適特征，可以得到具有尺度，旋轉(zhuǎn)，視角等變換不變性的魯棒特征表征圖像目標(biāo)，來(lái)描述整個(gè)圖像數(shù)據(jù)庫(kù)中的圖像目標(biāo)。此選取的具有具有尺度，旋轉(zhuǎn)，視角等變換不變性的變換不變性的魯棒特征很適合來(lái)表征圖像目標(biāo)，特別是當(dāng)目標(biāo)圖片部分遮擋和緊密耦合的情況下，解決了傳統(tǒng)的采用顏色，紋理或形狀等方法來(lái)進(jìn)行目標(biāo)檢索定位時(shí)遇到的問(wèn)題，提高了目標(biāo)圖像檢索的準(zhǔn)確度。步驟二 對(duì)所得到的變換不變性的魯棒特征進(jìn)行快速準(zhǔn)確匹配；在提取了基于Gabor Wavelets分解變換能量累積圖得到的具有變換不變性的魯棒特征來(lái)標(biāo)準(zhǔn)整個(gè)圖片后，下一步是如何快速準(zhǔn)確的對(duì)這些得到的特征進(jìn)行準(zhǔn)確的匹配， 從而得到最相似的特征群組。在此，采用如下步驟，首先統(tǒng)計(jì)所選取的特征點(diǎn)在一定范圍內(nèi)，比如16x16，在不同bancK2個(gè))和子帶方向(12)不同方向的亮度信息的統(tǒng)計(jì)特征，然后基于此統(tǒng)計(jì)特征建立圖像特征點(diǎn)的描述子，此描述子是一個(gè)7x12維度的特征矩陣。為了對(duì)此特征矩陣進(jìn)行快速匹配，首先將此特征矩陣進(jìn)行按行方向的快速傅立葉變換(FFT)，同時(shí)在變換的過(guò)程中在接近中心頻率的范圍內(nèi)進(jìn)行4倍插值，通過(guò)插值，可以進(jìn)一步提高特征描述子的選擇不變性。以前的特診描述子具有12個(gè)方向維度的描述，通過(guò)插值可以得到48 個(gè)維度的方向描述，這樣對(duì)方向的選擇不變性從30度提高到了 7. 5度。然后在頻率域內(nèi)對(duì)特征描述子進(jìn)行歸一化處理，得到標(biāo)準(zhǔn)化的特征描述子。對(duì)標(biāo)準(zhǔn)化后的特征描述子進(jìn)行乘積處理然后選取最大的值即可得到匹配的特征子。對(duì)匹配的特征子進(jìn)行逆快速傅立葉變換即可得到原先的空間域的描述子。在對(duì)描述子的匹配過(guò)程之中，采用基于Manhattan距離的最近鄰優(yōu)先匹配算法對(duì)描述子進(jìn)行匹配，從而提高了匹配的速度。通過(guò)在頻率域的匹配避免了通常所需的卷積或內(nèi)積操作，從而提高執(zhí)行速度。通過(guò)采用以上步驟，對(duì)所得到的具有變換不變性的特征進(jìn)行快速準(zhǔn)確匹配。步驟三，采用分類(lèi)器對(duì)所得到的匹配特征進(jìn)行分類(lèi)從而得到圖片目標(biāo)；在得到變換不變性的魯棒特征的匹配對(duì)后，下一步的工作是對(duì)匹配對(duì)特征進(jìn)行分類(lèi)。從而基于匹配特征對(duì)，檢索到所需要的圖片目標(biāo)。在進(jìn)行匹配目標(biāo)對(duì)的分類(lèi)之前，對(duì)每對(duì)7x12維度的特征對(duì)進(jìn)行索引，形成匹配特征對(duì)的索引數(shù)據(jù)庫(kù)。然后從索引數(shù)據(jù)庫(kù)中抽取一定數(shù)量的，比如2000組特征進(jìn)行樣本的訓(xùn)練。在訓(xùn)練的過(guò)程中，采用Gaussian Kernel對(duì)樣本特征進(jìn)行變換，映射到fessian空間中，然后采用支持向量機(jī)(SVM)對(duì)特征進(jìn)行分類(lèi)， 從而得到特征的分類(lèi)的超平面。在對(duì)測(cè)試序列進(jìn)行分類(lèi)時(shí)，需要從每組圖片中提取一定數(shù)
7量的特征匹配對(duì)(比如10-200對(duì))，然后將得到的測(cè)試序列對(duì)輸入分類(lèi)器，對(duì)圖片進(jìn)行分類(lèi)檢索。通過(guò)對(duì)比實(shí)驗(yàn)發(fā)現(xiàn)，支持向量機(jī)分類(lèi)的方法具有分類(lèi)準(zhǔn)確率高，速度快的特點(diǎn)，同時(shí)可以避免過(guò)渡擬合的問(wèn)題，具有很好的通用性。步驟四最后采用基于幾何不變性的自由采樣算法對(duì)目標(biāo)進(jìn)行快速準(zhǔn)確檢索定位；在采用分類(lèi)器對(duì)得到的變換不變性匹配特征對(duì)進(jìn)行分類(lèi)后，可以檢索到所需的目標(biāo)圖片。接下的問(wèn)題是如何在特征圖片中對(duì)目標(biāo)進(jìn)行定位。在此，采用最后采用基于幾何小變性的Random Sampling算法對(duì)目標(biāo)進(jìn)行快速準(zhǔn)確檢索定位.在基于幾何不變性的模型之中，采用平面變換不變性模型來(lái)建立目標(biāo)的幾何特征模型。此模型有6個(gè)參數(shù)，因此僅需 3對(duì)匹配對(duì)即可對(duì)模型進(jìn)行建模，可以容忍目標(biāo)圖像的大小，旋轉(zhuǎn)等變換，而且對(duì)視角的變換具有一定的魯棒性。在選取匹配特征對(duì)的過(guò)程中，采用自由采樣算法(Random Sampling) 算法來(lái)選取所需的特征對(duì)。自由采樣算法可以很好的剔除當(dāng)圖像中的不正確匹配對(duì)造成的定位誤差。在描述誤差的過(guò)程中，采用誤差的累積平均值來(lái)描述。采用求解偽逆矩陣的方法來(lái)得到6個(gè)參數(shù)的擬合解。為了得到更好的定位精度，在求解參數(shù)的過(guò)程中，對(duì)自由采樣算法重復(fù)一定的次數(shù)，選取具有最小定位誤差的一組參數(shù)作為最后的定位參數(shù)，從而得到最終的定位模型。通過(guò)采用此種基于幾何不變性的自由采樣算法對(duì)目標(biāo)進(jìn)行快速準(zhǔn)確檢索定位，同時(shí)此方法具有所需匹配對(duì)少的有點(diǎn)，最少僅需要3對(duì)。本發(fā)明的技術(shù)方案帶來(lái)的有益效果有具有以上通過(guò)采用從圖片中提取基于部分內(nèi)容的具有變換不變性的魯棒特征來(lái)表征圖片以提高其高準(zhǔn)確率，避免了傳統(tǒng)的采用顏色和紋理等方法來(lái)檢索圖像時(shí)的魯棒性和準(zhǔn)確率不夠的問(wèn)題，特別是針對(duì)當(dāng)圖片部分遮擋或緊密耦合的情況，具有很好的高精確度效果。同時(shí)通過(guò)在頻率域采用基于Manhattan距離的最近鄰優(yōu)先匹配算法對(duì)描述子進(jìn)行匹配，從而提高了匹配的速度。采用分類(lèi)器對(duì)所得到的匹配特征進(jìn)行分類(lèi)從而得到圖片目標(biāo)，采用基于幾何不變性的自由采樣算法對(duì)目標(biāo)進(jìn)行快速準(zhǔn)確檢索定位，減少了定位誤差。較全面的解決了在圖片目標(biāo)檢索定位領(lǐng)域中存在的算法的魯棒性和算法時(shí)間復(fù)雜度之間的矛盾的問(wèn)題，實(shí)驗(yàn)結(jié)果表明該方法具有很好的識(shí)別準(zhǔn)確率同時(shí)具有較高的識(shí)別速度，同時(shí)具有很好的定位精度。
具體實(shí)施例方式下面結(jié)合具體實(shí)施方式
，進(jìn)一步闡述本發(fā)明。實(shí)施例1 一種部分特征圖像的多維度目標(biāo)快速魯棒檢索定位方法，該方法依次包括以下具體的步驟步驟(1)、預(yù)處理首先，將數(shù)據(jù)庫(kù)中存儲(chǔ)的多個(gè)不同圖像通過(guò)加博濾波器進(jìn)行濾波分解得到頻率域不同的4個(gè)帶，每個(gè)帶分成12個(gè)不同子帶，每個(gè)子帶的尺度大小之比依次為1 2，且每個(gè)子帶間的角度相差為30度，然后在Ycbcr圖像色域內(nèi)進(jìn)行噪聲消除和圖像的清晰度增強(qiáng)的預(yù)處理；其中，在所述噪聲消除的過(guò)程中，采用所述每個(gè)子帶的尺度的大小梯度模型對(duì)圖像邊沿進(jìn)行粗處理，以梯度均值作為其控制閥值；在進(jìn)行圖像增強(qiáng)處理中， 將每個(gè)帶中的12個(gè)子帶在Ycbcr圖像色空間中分別進(jìn)行圖像增強(qiáng)處理；步驟O)、特征點(diǎn)處理對(duì)步驟(1)中預(yù)處理后的每個(gè)帶，計(jì)算每個(gè)帶中的各子帶
8的能量值，并將每個(gè)帶中的所有子帶的能量值進(jìn)行累加處理得到每個(gè)帶的能量值，然后將得到的4個(gè)帶的能量值進(jìn)行累加處理得到完整的在加博濾波器中小波域內(nèi)的累加能量圖； 其中，所述累加能量圖為不同維度圖像的疊加圖；然后在所述累加能量圖中通過(guò)9cmX9cm 大小的窗口選取大小尺度和旋轉(zhuǎn)度的局部能量最大值的特征點(diǎn)，然后將小于所述局部能量最大值的特征點(diǎn)的能量值的65%的偽特征點(diǎn)去除；再通過(guò)一個(gè)具有局部特征的窗口進(jìn)行篩選圖像的局部能量最大值的特征點(diǎn)；步驟(3)、圖像的魯棒快速準(zhǔn)確匹配在步驟O)的特征點(diǎn)處理后，提取上述步驟 (2)中累加能量圖中具有旋轉(zhuǎn)與尺度變換不變性的魯棒特征；然后對(duì)其中任意的兩個(gè)帶及其子帶方向不同方向的亮度信息的所有特征點(diǎn)進(jìn)行建立圖像特征點(diǎn)的描述子，所述描述子是一個(gè)7X 12維度的特征矩陣；將所述特征矩陣進(jìn)行按行方向的快速傅立葉變換，同時(shí)在變換的過(guò)程中進(jìn)行插值，通過(guò)插值可以得到48個(gè)維度的方向描述，然后在上述不同的4個(gè)帶的頻率域內(nèi)對(duì)特征描述子進(jìn)行歸一化處理，得到特征描述子A，再對(duì)特征描述子A進(jìn)行乘積處理，選取最大的值為可得到匹配的特征子；然后對(duì)匹配的特征子進(jìn)行逆快速傅立葉變換得到原始的空間域的描述子，在對(duì)描述子的匹配過(guò)程之中，采用Manhattan距離的最近鄰優(yōu)先匹配算法對(duì)描述子進(jìn)行匹配；步驟(4)、圖像的匹配檢索定位通過(guò)分類(lèi)器對(duì)上述步驟(3)的匹配的特征子進(jìn)行分類(lèi)從而得到圖片目標(biāo)；其中，在進(jìn)行匹配目標(biāo)的分類(lèi)之前，對(duì)每對(duì)7X12維度的特征矩陣中的特征對(duì)進(jìn)行索引，形成匹配特征對(duì)的索引數(shù)據(jù)庫(kù)；然后從索引數(shù)據(jù)庫(kù)中抽取2000 3000組特征進(jìn)行樣本的訓(xùn)練，然后通過(guò)幾何不變性的自由采樣算法在所述索引數(shù)據(jù)庫(kù)中對(duì)目標(biāo)進(jìn)行快速準(zhǔn)確檢索定位。實(shí)施例2 一種部分特征圖像的多維度目標(biāo)快速魯棒檢索定位方法，該方法依次包括以下具體的步驟步驟(1)、預(yù)處理首先，將數(shù)據(jù)庫(kù)中存儲(chǔ)的多個(gè)不同圖像通過(guò)加博濾波器進(jìn)行濾波分解得到頻率域不同的4個(gè)帶，每個(gè)帶分成12個(gè)不同子帶，每個(gè)子帶的尺度大小之比依次為1 2，且每個(gè)子帶間的角度相差為30度，然后在Ycbcr圖像色域內(nèi)進(jìn)行噪聲消除和圖像的清晰度增強(qiáng)的預(yù)處理；其中，在所述噪聲消除的過(guò)程中，采用所述每個(gè)子帶的尺度的大小梯度模型對(duì)圖像邊沿進(jìn)行粗處理，以梯度均值作為其控制閥值；在進(jìn)行圖像增強(qiáng)處理中， 將每個(gè)帶中的12個(gè)子帶在Ycbcr圖像色空間中分別進(jìn)行圖像增強(qiáng)處理；步驟O)、特征點(diǎn)處理對(duì)步驟(1)中預(yù)處理后的每個(gè)帶，計(jì)算每個(gè)帶中的各子帶的能量值，并將每個(gè)帶中的所有子帶的能量值進(jìn)行累加處理得到每個(gè)帶的能量值，然后將得到的4個(gè)帶的能量值進(jìn)行累加處理得到完整的在加博濾波器中小波域內(nèi)的累加能量圖； 其中，所述累加能量圖為不同維度圖像的疊加圖；然后在所述累加能量圖中通過(guò)9cmX9cm 大小的窗口選取大小尺度和旋轉(zhuǎn)度的局部能量最大值的特征點(diǎn)，然后將小于所述局部能量最大值的特征點(diǎn)的能量值的65%的偽特征點(diǎn)去除；再通過(guò)一個(gè)具有局部特征的窗口進(jìn)行篩選圖像的局部能量最大值的特征點(diǎn)；步驟(3)、圖像的魯棒快速準(zhǔn)確匹配在步驟O)的特征點(diǎn)處理后，提取上述步驟 (2)中累加能量圖中具有旋轉(zhuǎn)與尺度變換不變性的魯棒特征；然后對(duì)其中任意的兩個(gè)帶及其子帶方向不同方向的亮度信息的所有特征點(diǎn)進(jìn)行建立圖像特征點(diǎn)的描述子，所述描述子是一個(gè)7X 12維度的特征矩陣；將所述特征矩陣進(jìn)行按行方向的快速傅立葉變換，同時(shí)在變換的過(guò)程中進(jìn)行插值，通過(guò)插值可以得到48個(gè)維度的方向描述，然后在上述不同的4個(gè)帶的頻率域內(nèi)對(duì)特征描述子進(jìn)行歸一化處理，得到特征描述子A，再對(duì)特征描述子A進(jìn)行乘積處理，選取最大的值為可得到匹配的特征子；然后對(duì)匹配的特征子進(jìn)行逆快速傅立葉變換得到原始的空間域的描述子；步驟(4)、圖像的匹配檢索定位通過(guò)分類(lèi)器對(duì)上述步驟( 的匹配的特征子進(jìn)行分類(lèi)從而得到圖片目標(biāo)；其中，在進(jìn)行匹配目標(biāo)的分類(lèi)之前，對(duì)每對(duì)7X12維度的特征矩陣中的特征對(duì)進(jìn)行索引，形成匹配特征對(duì)的索引數(shù)據(jù)庫(kù)；然后從索引數(shù)據(jù)庫(kù)中抽取MOO組特征進(jìn)行樣本的訓(xùn)練，然后通過(guò)幾何不變性的自由采樣算法在所述索引數(shù)據(jù)庫(kù)中對(duì)目標(biāo)進(jìn)行快速準(zhǔn)確檢索定位。實(shí)施例3 一種部分特征圖像的多維度目標(biāo)快速魯棒檢索定位方法，該方法依次包括以下具體的步驟步驟(1)、預(yù)處理首先，將數(shù)據(jù)庫(kù)中存儲(chǔ)的多個(gè)不同圖像通過(guò)加博濾波器進(jìn)行濾波分解得到頻率域不同的4個(gè)帶，每個(gè)帶分成12個(gè)不同子帶，每個(gè)子帶的尺度大小之比依次為1 2，且每個(gè)子帶間的角度相差為30度，然后在Ycbcr圖像色域內(nèi)進(jìn)行噪聲消除和圖像的清晰度增強(qiáng)的預(yù)處理；其中，在所述噪聲消除的過(guò)程中，采用所述每個(gè)子帶的尺度的大小梯度模型對(duì)圖像邊沿進(jìn)行粗處理，以梯度均值作為其控制閥值；在進(jìn)行圖像增強(qiáng)處理中， 將每個(gè)帶中的12個(gè)子帶在Ycbcr圖像色空間中分別進(jìn)行圖像增強(qiáng)處理；步驟O)、特征點(diǎn)處理對(duì)步驟(1)中預(yù)處理后的每個(gè)帶，計(jì)算每個(gè)帶中的各子帶的能量值，并將每個(gè)帶中的所有子帶的能量值進(jìn)行累加處理得到每個(gè)帶的能量值，然后將得到的4個(gè)帶的能量值進(jìn)行累加處理得到完整的在加博濾波器中小波域內(nèi)的累加能量圖； 其中，所述累加能量圖為不同維度圖像的疊加圖；然后在所述累加能量圖中通過(guò)9cmX9cm 大小的窗口選取大小尺度和旋轉(zhuǎn)度的局部能量最大值的特征點(diǎn)，然后將小于所述局部能量最大值的特征點(diǎn)的能量值的65%的偽特征點(diǎn)去除；再通過(guò)一個(gè)具有局部特征的窗口進(jìn)行篩選圖像的局部能量最大值的特征點(diǎn)；步驟(3)、圖像的魯棒快速準(zhǔn)確匹配在步驟O)的特征點(diǎn)處理后，提取上述步驟 (2)中累加能量圖中具有旋轉(zhuǎn)與尺度變換不變性的魯棒特征；然后對(duì)其中任意的兩個(gè)帶及其子帶方向不同方向的亮度信息的所有特征點(diǎn)進(jìn)行建立圖像特征點(diǎn)的描述子，所述描述子是一個(gè)7X 12維度的特征矩陣；將所述特征矩陣進(jìn)行按行方向的快速傅立葉變換，同時(shí)在變換的過(guò)程中進(jìn)行插值，通過(guò)插值可以得到48個(gè)維度的方向描述，然后在上述不同的4個(gè)帶的頻率域內(nèi)對(duì)特征描述子進(jìn)行歸一化處理，得到特征描述子A，再對(duì)特征描述子A進(jìn)行乘積處理，選取最大的值為可得到匹配的特征子；然后對(duì)匹配的特征子進(jìn)行逆快速傅立葉變換得到原始的空間域的描述子；步驟(4)、圖像的匹配檢索定位通過(guò)分類(lèi)器對(duì)上述步驟( 的匹配的特征子進(jìn)行分類(lèi)從而得到圖片目標(biāo)；其中，在進(jìn)行匹配目標(biāo)的分類(lèi)之前，對(duì)每對(duì)7X12維度的特征矩陣中的特征對(duì)進(jìn)行索引，形成匹配特征對(duì)的索引數(shù)據(jù)庫(kù)；然后從索引數(shù)據(jù)庫(kù)中抽取沈00組特征進(jìn)行樣本的訓(xùn)練，然后通過(guò)幾何不變性的自由采樣算法在所述索引數(shù)據(jù)庫(kù)中對(duì)目標(biāo)進(jìn)行快速準(zhǔn)確檢索定位。
實(shí)施例4 —種部分特征圖像的多維度目標(biāo)快速魯棒檢索定位方法，該方法依次包括以下具體的步驟步驟(1)、預(yù)處理首先，將數(shù)據(jù)庫(kù)中存儲(chǔ)的多個(gè)不同圖像通過(guò)加博濾波器進(jìn)行濾波分解得到頻率域不同的4個(gè)帶，每個(gè)帶分成12個(gè)不同子帶，每個(gè)子帶的尺度大小之比依次為1 2，且每個(gè)子帶間的角度相差為30度，然后在Ycbcr圖像色域內(nèi)進(jìn)行噪聲消除和圖像的清晰度增強(qiáng)的預(yù)處理；其中，在所述噪聲消除的過(guò)程中，采用所述每個(gè)子帶的尺度的大小梯度模型對(duì)圖像邊沿進(jìn)行粗處理，以梯度均值作為其控制閥值；在進(jìn)行圖像增強(qiáng)處理中， 將每個(gè)帶中的12個(gè)子帶在Ycbcr圖像色空間中分別進(jìn)行圖像增強(qiáng)處理；步驟O)、特征點(diǎn)處理對(duì)步驟(1)中預(yù)處理后的每個(gè)帶，計(jì)算每個(gè)帶中的各子帶的能量值，并將每個(gè)帶中的所有子帶的能量值進(jìn)行累加處理得到每個(gè)帶的能量值，然后將得到的4個(gè)帶的能量值進(jìn)行累加處理得到完整的在加博濾波器中小波域內(nèi)的累加能量圖； 其中，所述累加能量圖為不同維度圖像的疊加圖；然后在所述累加能量圖中通過(guò)9cmX9cm 大小的窗口選取大小尺度和旋轉(zhuǎn)度的局部能量最大值的特征點(diǎn)，然后將小于所述局部能量最大值的特征點(diǎn)的能量值的65%的偽特征點(diǎn)去除；再通過(guò)一個(gè)具有局部特征的窗口進(jìn)行篩選圖像的局部能量最大值的特征點(diǎn)；步驟(3)、圖像的魯棒快速準(zhǔn)確匹配在步驟O)的特征點(diǎn)處理后，提取上述步驟 (2)中累加能量圖中具有旋轉(zhuǎn)與尺度變換不變性的魯棒特征；然后對(duì)其中任意的兩個(gè)帶及其子帶方向不同方向的亮度信息的所有特征點(diǎn)進(jìn)行建立圖像特征點(diǎn)的描述子，所述描述子是一個(gè)7X 12維度的特征矩陣；將所述特征矩陣進(jìn)行按行方向的快速傅立葉變換，同時(shí)在變換的過(guò)程中進(jìn)行插值，通過(guò)插值可以得到48個(gè)維度的方向描述，然后在上述不同的4個(gè)帶的頻率域內(nèi)對(duì)特征描述子進(jìn)行歸一化處理，得到特征描述子A，再對(duì)特征描述子A進(jìn)行乘積處理，選取最大的值為可得到匹配的特征子；然后對(duì)匹配的特征子進(jìn)行逆快速傅立葉變換得到原始的空間域的描述子；步驟、圖像的匹配檢索定位通過(guò)分類(lèi)器對(duì)上述步驟C3)的匹配的特征子進(jìn)行分類(lèi)從而得到圖片目標(biāo)；其中，在進(jìn)行匹配目標(biāo)的分類(lèi)之前，對(duì)每對(duì)7X12維度的特征矩陣中的特征對(duì)進(jìn)行索引，形成匹配特征對(duì)的索引數(shù)據(jù)庫(kù)；然后從索引數(shù)據(jù)庫(kù)中抽取觀00組特征進(jìn)行樣本的訓(xùn)練，然后通過(guò)幾何不變性的自由采樣算法在所述索引數(shù)據(jù)庫(kù)中對(duì)目標(biāo)進(jìn)行快速準(zhǔn)確檢索定位。實(shí)施例5 一種部分特征圖像的多維度目標(biāo)快速魯棒檢索定位方法，該方法依次包括以下具體的步驟步驟一、采集目標(biāo)圖像；所述目標(biāo)圖像的采集方法如下首先，對(duì)圖片采用數(shù)字信號(hào)處理芯片(DSP)對(duì)目標(biāo)圖片進(jìn)行濾波分解，得到每個(gè)層級(jí)之間大小相差為1 2的4個(gè)band，同時(shí)得到不同的12個(gè)不同子帶，其中子帶間角度相差30度。通過(guò)在Ycbcr域內(nèi)的噪聲消除和圖像增強(qiáng)的預(yù)處理，使得目標(biāo)圖片的性噪比提高 10倍以上。在選取DSP期間的過(guò)程中，采用德州儀器公司所推出的面向圖像視頻處理專用的64系列高性能處理器，此處理器在體系結(jié)構(gòu)和指令集等各個(gè)層級(jí)基礎(chǔ)上，對(duì)圖像視頻處理做了加速運(yùn)算。通過(guò)分立器件所構(gòu)成的乘法器和累加運(yùn)放器等，在選取乘法器和累加運(yùn)放器的過(guò)程中，采用具有高容積率的電容電阻和運(yùn)放器件，具有很高的抗電磁干擾特性對(duì)圖像進(jìn)行快速的累加，從而得到具有不同維度的圖像的疊加能量圖。在累加能量圖中采用 9x9大小的窗口選取具有大小，旋轉(zhuǎn)和視角等變換不變性的局部最大值，同時(shí)為了對(duì)得到的不必要的偽變換小變性特征進(jìn)行消除，采用所得到的特征和最大特征值相比的辦法進(jìn)行最大值抑制，如果所得到的特征能量，少于最大特征點(diǎn)能量的65%，則認(rèn)為此能量點(diǎn)是偽特征點(diǎn)。在實(shí)驗(yàn)中，通過(guò)控制目標(biāo)閥值的大小，可以精確的控制所得到的特征點(diǎn)的個(gè)數(shù)，在實(shí)驗(yàn)中，對(duì)每張圖片得到大約4000個(gè)特征點(diǎn)。為了提高所得到的特征點(diǎn)的空間位置準(zhǔn)確度，在能量累積圖中，采用4x4的Hessian矩陣對(duì)圖像進(jìn)行平滑處理。這樣，通過(guò)對(duì)每張圖片選取大約4000個(gè)基于部分內(nèi)容的特征點(diǎn)，此選取的具有具有尺度，旋轉(zhuǎn)，視角等變換不變性的變換不變性的魯棒特征很適合來(lái)表征圖像目標(biāo)，特別是當(dāng)目標(biāo)圖片部分遮擋和緊密耦合的情況下，解決了傳統(tǒng)的采用顏色，紋理或形狀等方法來(lái)進(jìn)行目標(biāo)檢索定位時(shí)遇到的問(wèn)題，提高了目標(biāo)圖像檢索的準(zhǔn)確度。步驟二 對(duì)所得到的變換不變性的魯棒特征進(jìn)行快速準(zhǔn)確匹配；首先采用基于Xilinx的現(xiàn)場(chǎng)可編程門(mén)陣列器件(FPGA)對(duì)所獲得的特征建立圖像特征點(diǎn)的描述子，此描述子是一個(gè)7x12維度的特征矩陣。為了對(duì)此特征矩陣進(jìn)行快速匹配，采用FPGA作為協(xié)處理器，將此特征矩陣進(jìn)行按行方向的快速傅立葉變換(FFT)，同時(shí)在變換的過(guò)程中在接近中心頻率的范圍內(nèi)進(jìn)行4倍插值，對(duì)匹配的特征子進(jìn)行逆快速傅立葉變換即可得到原先的空間域的描述子。在對(duì)描述子的匹配過(guò)程之中，采用基于Manhattan 距離的最近鄰優(yōu)先匹配算法對(duì)描述子進(jìn)行匹配，從而提高了匹配的速度。再采用FPGA進(jìn)行逆快速傅立葉變換(IFFT)。通過(guò)實(shí)驗(yàn)發(fā)現(xiàn)大概每張圖片可以得到1000對(duì)特征匹配對(duì)。步驟三，采用分類(lèi)器對(duì)所得到的匹配特征進(jìn)行分類(lèi)從而得到圖片目標(biāo)；在所采用的64系列DSP處理器上，在進(jìn)行匹配目標(biāo)對(duì)的分類(lèi)之前，對(duì)每對(duì)7x12維度的特征對(duì)進(jìn)行索引，形成匹配特征對(duì)的索引數(shù)據(jù)庫(kù)。然后從索引數(shù)據(jù)庫(kù)中抽取2000組特征進(jìn)行樣本的訓(xùn)練。在訓(xùn)練的過(guò)程中，采用Gaussian Kernel對(duì)樣本特征進(jìn)行變換，映射到 Gassian空間中，然后采用支持向量機(jī)(SVM)對(duì)特征進(jìn)行分類(lèi)，從而得到特征的分類(lèi)的超平面。在對(duì)測(cè)試序列進(jìn)行分類(lèi)時(shí)，需要從每組圖片中提取50對(duì)的特征匹配對(duì)，然后將得到的測(cè)試序列對(duì)輸入分類(lèi)器，對(duì)圖片進(jìn)行分類(lèi)檢索。通過(guò)對(duì)比實(shí)驗(yàn)發(fā)現(xiàn)，支持向量機(jī)分類(lèi)的方法具有分類(lèi)準(zhǔn)確率高，速度快的特點(diǎn)，同時(shí)可以避免過(guò)渡擬合的問(wèn)題，具有很好的通用性，可以在圖像數(shù)據(jù)庫(kù)中快速檢索所需圖片目標(biāo)。步驟四最后采用基于幾何不變性的自由采樣算法對(duì)目標(biāo)進(jìn)行快速準(zhǔn)確檢索定位；由于基于64系列DSP的圖像處理平臺(tái)對(duì)基于幾何不變性的Random Sampling算法對(duì)目標(biāo)進(jìn)行快速準(zhǔn)確檢索定位算法具有很好的支持特性，此步驟也采用此平臺(tái)進(jìn)行處理。 在基于幾何不變性的模型之中，采用具有6個(gè)參數(shù)的平面變換不變性模型來(lái)建立目標(biāo)的幾何特征模型。為了提高定位的準(zhǔn)確度，我們采用50組特征匹配對(duì)來(lái)對(duì)模型參數(shù)進(jìn)行求解， 每組重復(fù)10次操作。選取具有最小定位誤差的一組參數(shù)作為最后的定位參數(shù)，從而得到最終的定位模型。實(shí)施例6 —種部分特征圖像的多維度目標(biāo)快速魯棒檢索定位方法，為了對(duì)方法進(jìn)行客觀的評(píng)價(jià)，采用了標(biāo)準(zhǔn)數(shù)據(jù)庫(kù)對(duì)方法進(jìn)行測(cè)試，數(shù)據(jù)庫(kù)包括256類(lèi)不同的圖像和一個(gè)背景類(lèi)圖像，每類(lèi)圖像包含大約500張?jiān)诓煌墓庹?，大學(xué)，旋轉(zhuǎn)和視角變換下的圖片，相鄰兩周圖片圖像大小的差距為0.1。相鄰圖片間的選擇角度變換為5度。每張圖片提取2000個(gè)具有變換不變性的特征表征圖片，采用線性支持向量機(jī)進(jìn)行分類(lèi)在進(jìn)行分類(lèi)時(shí)，進(jìn)行分類(lèi)時(shí)，我們選取一半的圖像作為訓(xùn)練集，另外一半的作為測(cè)試集，然后尋找RoC曲線上的平衡點(diǎn)作為測(cè)試準(zhǔn)確性的標(biāo)準(zhǔn)。采用選取50組匹配的特征對(duì)輸入基于幾何不變性的自由采樣算法對(duì)目標(biāo)進(jìn)行快速準(zhǔn)確檢索定位，算法的檢索準(zhǔn)確度達(dá)到90%以上，同時(shí)處理時(shí)間少于2秒鐘，平均定位誤差少于0. 6像素。 本發(fā)明的保護(hù)范圍不局限于上述說(shuō)明解釋和實(shí)施例。相反，旨在本發(fā)明在所有所述的權(quán)利要求所確定的界限內(nèi)均廣泛適用。
權(quán)利要求
1.一種部分特征圖像的多維度目標(biāo)快速魯棒檢索定位方法，其特征在于，該方法依次包括以下具體的步驟步驟(1)、預(yù)處理；首先，將數(shù)據(jù)庫(kù)中存儲(chǔ)的多個(gè)不同圖像通過(guò)加博濾波器進(jìn)行濾波分解得到頻率域不同的4個(gè)帶，每個(gè)帶分成12個(gè)不同子帶，每個(gè)子帶的尺度大小之比依次為1 2，且每個(gè)子帶間的角度相差為30度，然后在Ycbcr圖像色域內(nèi)進(jìn)行噪聲消除和圖像的清晰度增強(qiáng)的預(yù)處理；其中，在所述噪聲消除的過(guò)程中，采用所述每個(gè)子帶的尺度的大小梯度模型對(duì)圖像邊沿進(jìn)行粗處理，以梯度均值作為其控制閥值；在進(jìn)行圖像增強(qiáng)處理中，將每個(gè)帶中的12個(gè)子帶在Ycbcr圖像色空間中分別進(jìn)行圖像增強(qiáng)處理；步驟O)、特征點(diǎn)處理；對(duì)步驟(1)中預(yù)處理后的每個(gè)帶，計(jì)算每個(gè)帶中的各子帶的能量值，并將每個(gè)帶中的所有子帶的能量值進(jìn)行累加處理得到每個(gè)帶的能量值，然后將得到的4個(gè)帶的能量值進(jìn)行累加處理得到完整的在加博濾波器中小波域內(nèi)的累加能量圖；其中，所述累加能量圖為不同維度圖像的疊加圖；然后在所述累加能量圖中通過(guò)9cmX9cm大小的窗口選取大小尺度和旋轉(zhuǎn)度的局部能量最大值的特征點(diǎn)，然后將小于所述局部能量最大值的特征點(diǎn)的能量值的65%的偽特征點(diǎn)去除；再通過(guò)一個(gè)具有局部特征的窗口進(jìn)行篩選圖像的局部能量最大值的特征點(diǎn)；步驟(3)、圖像的魯棒快速準(zhǔn)確匹配；在步驟O)的特征點(diǎn)處理后，提取上述步驟O)中累加能量圖中具有旋轉(zhuǎn)與尺度變換不變性的魯棒特征；然后對(duì)其中任意的兩個(gè)帶及其子帶方向不同方向的亮度信息的所有特征點(diǎn)進(jìn)行建立圖像特征點(diǎn)的描述子，所述描述子是一個(gè)7X12維度的特征矩陣；將所述特征矩陣進(jìn)行按行方向的快速傅立葉變換，同時(shí)在變換的過(guò)程中進(jìn)行插值，通過(guò)插值可以得到48個(gè)維度的方向描述，然后在上述不同的4個(gè)帶的頻率域內(nèi)對(duì)特征描述子進(jìn)行歸一化處理，得到特征描述子A，再對(duì)特征描述子A進(jìn)行乘積處理，選取最大的值為可得到匹配的特征子；然后對(duì)匹配的特征子進(jìn)行逆快速傅立葉變換得到原始的空間域的描述子；步驟G)、圖像的匹配檢索定位；通過(guò)分類(lèi)器對(duì)上述步驟(3)的匹配的特征子進(jìn)行分類(lèi)從而得到圖片目標(biāo)；其中，在進(jìn)行匹配目標(biāo)的分類(lèi)之前，對(duì)每對(duì)7X12維度的特征矩陣中的特征對(duì)進(jìn)行索引，形成匹配特征對(duì)的索引數(shù)據(jù)庫(kù)；然后從索引數(shù)據(jù)庫(kù)中抽取2000 3000組特征進(jìn)行樣本的訓(xùn)練，然后通過(guò)幾何不變性的自由采樣算法在所述索引數(shù)據(jù)庫(kù)中對(duì)目標(biāo)進(jìn)行快速準(zhǔn)確檢索定位。
2.根據(jù)權(quán)利要求1所述的部分特征圖像的多維度目標(biāo)快速魯棒檢索定位方法，其特征在于上述步驟(3)中在對(duì)描述子的匹配過(guò)程之中，采用Manhattan距離的最近鄰優(yōu)先匹配算法對(duì)描述子進(jìn)行匹配。
3.根據(jù)權(quán)利要求1所述的部分特征圖像的多維度目標(biāo)快速魯棒檢索定位方法，其特征在于上述步驟(4)中從索引數(shù)據(jù)庫(kù)中抽取MOO組特征進(jìn)行樣本的訓(xùn)練。
4.根據(jù)權(quán)利要求1所述的部分特征圖像的多維度目標(biāo)快速魯棒檢索定位方法，其特征在于上述步驟(4)中從索引數(shù)據(jù)庫(kù)中抽取沈00組特征進(jìn)行樣本的訓(xùn)練。
5.根據(jù)權(quán)利要求1或5所述的部分特征圖像的多維度目標(biāo)快速魯棒檢索定位方法，其特征在于上述步驟(4)中從索引數(shù)據(jù)庫(kù)中抽取觀00組特征進(jìn)行樣本的訓(xùn)練。
全文摘要
本發(fā)明涉及一種部分特征圖像的多維度目標(biāo)快速魯棒檢索定位方法，通過(guò)預(yù)處理、特征點(diǎn)處理、圖像的魯棒快速準(zhǔn)確匹配和圖像的匹配檢索定位，較全面的解決了在圖像目標(biāo)檢索定位中由于圖像的大小，旋轉(zhuǎn)，視角變換，部分遮擋和緊密耦合等因素造成圖像檢索定位系統(tǒng)不穩(wěn)定、準(zhǔn)確率和速度間的關(guān)系對(duì)應(yīng)率低、定位精度度差等問(wèn)題；在部分特征圖像的檢索定位技術(shù)領(lǐng)域?qū)崿F(xiàn)了較好的靈活性，易于實(shí)現(xiàn)性、穩(wěn)定性、準(zhǔn)確度、高速度和高精準(zhǔn)度的效果。
文檔編號(hào)G06F17/14GK102508917SQ201110370079
公開(kāi)日2012年6月20日 申請(qǐng)日期2011年11月21日 優(yōu)先權(quán)日2011年11月21日
發(fā)明者洪濤 申請(qǐng)人:洪濤