專利名稱：基于形狀稀疏表示的聯(lián)合目標(biāo)分割和識別方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像分割和目標(biāo)識別方法，特別涉及一種基于形狀稀疏表示的聯(lián)合目標(biāo)分割和識別方法。
背景技術(shù)：
在圖像處理和計算機(jī)視覺領(lǐng)域，圖像分割和目標(biāo)識別處于不同的層次，圖像分割屬于低層任務(wù)，目標(biāo)識別屬于高層任務(wù)。在實際應(yīng)用中，僅僅利用低層信息來進(jìn)行圖像分割并不能取得理想的結(jié)果，而將低層特征和高層信息結(jié)合起來則可以提高分割精度。對于熟悉目標(biāo)的分割和識別來說，利用目標(biāo)形狀的先驗信息來提高目標(biāo)分割精度已成為一種熱門 的分割方法，許多學(xué)者根據(jù)該思路提出了許多具體的方法。但是，由于受諸如噪聲、目標(biāo)被遮擋、目標(biāo)信息缺失或背景雜亂等干擾因素的影響，這類方法往往不能取得理想的分割效果。同時，將分割和識別整合到一個框架中來，即同時實現(xiàn)目標(biāo)分割和目標(biāo)識別，仍舊是個有待解決的問題。近些年來，基于變分的水平集方法由于其在圖像分割過程中可以較好地考慮形狀先驗信息而被廣泛研究應(yīng)用，水平集方法是一種基于曲線演化的方法，而所有的基于曲線演化的方法都可以認(rèn)為是數(shù)據(jù)項和形狀約束項共同作用的，幾何主動輪廓模型和Chan-Vese (—種由T. Chan和L. Vese兩人提出的一種圖像分割模型)模型是其中常見的兩種由數(shù)據(jù)項來指引主動輪廓演化的方法，之后眾多學(xué)者在這兩個模型的基礎(chǔ)上提出了很多方法，如將形狀統(tǒng)計信息融合進(jìn)幾何主動輪廓模型中去，在Chan-Vese模型中提出一種不同的不相似性度量方法，提出了臨時形狀一致性和學(xué)習(xí)動態(tài)統(tǒng)計形狀模型，在水平集的曲線演化函數(shù)中增加對稱性約束來實現(xiàn)對近似對稱目標(biāo)的分割。常規(guī)的形狀可以由符號距離函數(shù)SDF來表示，這樣就可以很容易地將形狀作為一個形狀約束項融合到水平集變分方法中去。近來，基于主成分分析法PCA的統(tǒng)計形狀模型已被成功地應(yīng)用于變分分割方法中，PCA的應(yīng)用主要是為了去除訓(xùn)練集中的冗余信息，降低數(shù)據(jù)量?，F(xiàn)有的大多數(shù)基于水平集的分割方法只考慮相似的先驗形狀，且基于如下假設(shè)，即訓(xùn)練形狀可以被近似認(rèn)為符合均勻分布或高斯分布，但在實際應(yīng)用中，該假設(shè)往往是不成立。用SDF表示的形狀與水平集框架是一致的，具有參數(shù)自由和拓?fù)渥兓滋幚淼膬?yōu)點，但同時也有如下兩個缺點其一，SDF空間是非線性空間，如平均形狀的線性組合就不再是一個有效的形狀；其二，大多數(shù)基于形狀先驗信息的水平集方法都是基于識別的分割，這類方法只能分割那些類別已知，且與先驗形狀較相似的目標(biāo)。同時，在信號處理領(lǐng)域，稀疏性的追求也得到了人們的廣泛關(guān)注，通過構(gòu)造一個K行N列的字典矩陣字典矩陣D,其中D中每列都代表一個參考信號,這樣測試信號y可以表示為這些參考信號的稀疏線性組合。追求稀疏性的問題就可以表示為最小化稀疏系數(shù)X，
即X = arg min X Q subject to Dx = y但是該式要得到一個準(zhǔn)確的}是幾乎不可能的，因為有很多個^可以滿足上式，該最優(yōu)化問題是非凸的，即所謂的NP(Nondeterministic Polynomial,非確定性多項式)難題。若將上式中的O-范數(shù)(I X I0)換成I-范數(shù)(I X I1),則可以得到一個唯一的稀疏系數(shù)向量$。這里所謂P-范數(shù)(P可以取1、2)為I |x| |p= (|Xl|p+|X2|p+*+|Xn|p)l/p，而0-范數(shù)(I |x| Io)就是求取某個向量中非零元素的個數(shù)。Chen等人在變分分割模型中引入了形狀稀疏表達(dá)來實現(xiàn)目標(biāo)識別，他們將先驗知識作為一個訓(xùn)練形狀集，對熟悉目標(biāo)的分割來說，目標(biāo)形狀可以近似的表示為訓(xùn)練形狀的稀疏線性組合，他們采用概率定義下的形狀。這種方法有一些不足之處，首先它是假設(shè)演變的形狀和參考形狀的稀疏線性組合是等同的，而實際情況并非如此；其次該方法的目標(biāo)識別效率差，尤其是在訓(xùn)練樣本集規(guī)模很大的情況下。

發(fā)明內(nèi)容
為了克服現(xiàn)有分割方法中往往由于受噪聲干擾，背景雜亂，目標(biāo)重疊，數(shù)據(jù)缺失等因素影響引起的圖像分割質(zhì)量不佳，目標(biāo)分割和目標(biāo)識別同時進(jìn)行時效率低下等問題，本發(fā)明提出了一種基于形狀稀疏表示的聯(lián)合目標(biāo)分割和識別方法，能實現(xiàn)了目標(biāo)分割和目標(biāo)識別同步完成。為解決上述技術(shù)問題，本發(fā)明提出一種基于形狀稀疏表示的聯(lián)合目標(biāo)分割和識別方法，采用概率定義來表示參考形狀和目標(biāo)形狀，所采用的技術(shù)方案包括A)對第一參考形狀集進(jìn)行K均值聚類處理，得到第二參考形狀集；B)對所述第二參考形狀集采用主成分分析方法PCA進(jìn)行降維處理，得到第三參考形狀集；C)初始化稀疏系數(shù)向量得到第一稀疏系數(shù)向量；D)初始化形狀參數(shù)得到第一形狀參數(shù)；E)對所述第三參考形狀集采用第一稀疏系數(shù)向量進(jìn)行稀疏線性組合得到第一目標(biāo)形狀；F)用所述第一形狀參數(shù)、圖像低層數(shù)據(jù)和所述第一目標(biāo)形狀來構(gòu)造目標(biāo)函數(shù)；G)采用交替迭代法來求解所述目標(biāo)函數(shù)得到第二形狀參數(shù)和第二稀疏系數(shù)向量;H)判斷求得的結(jié)果是否符合精度要求，若是，則執(zhí)行I);否則，將第二形狀參數(shù)賦值給第一形狀參數(shù)，第二稀疏系數(shù)向量賦值給第一稀疏系數(shù)向量，返回E)繼續(xù)執(zhí)行。I)對所述第二形狀參數(shù)采用反向PCA處理，得到第二目標(biāo)形狀，實現(xiàn)目標(biāo)分割； J)根據(jù)類間殘差最小原則，由所述第二稀疏系數(shù)向量和所述第二形狀參數(shù)得到所述第二目標(biāo)形狀所屬的類別，實現(xiàn)目標(biāo)識別。作為優(yōu)選，所述目標(biāo)函數(shù)包括數(shù)據(jù)項〈teyO+ dlVgnj和形狀稀疏約束項A \\As-a\l + f52 II^II1，優(yōu)化所述目標(biāo)函數(shù)的公式為{ , 0, K 外=arg min{A \\As-af2 + f521卜I1 + (qa,e,h, r) + ^qa,e,h |[ I
s,0,h,a其中A是第三參考形狀集，s是第一稀疏系數(shù)向量，a是第一形狀參數(shù)，P1, 02，u是常系數(shù)，qa,e,h是a對應(yīng)的形狀，0是姿態(tài)參數(shù)，h是平移參數(shù)，r = Rtj(U)-Rb (u) ,Rtj(U)=-log p0 (u), Rb (u) = -log pb (u), p0 (u)和pb (u)分別為圖像u中目標(biāo)區(qū)域和背景區(qū)域的概率直方圖，代表圖像低層數(shù)據(jù)。作為優(yōu)選，步驟G)中所述“采用交替迭代法來求解所述目標(biāo)函數(shù)得到第二形狀參數(shù)和第二稀疏系數(shù)向量”包括以下步驟假設(shè)S1已知，采用梯度下降法求解a \ 0 1和h權(quán)利要求
1.一種基于形狀稀疏表示的聯(lián)合目標(biāo)分割和識別方法，采用概率定義來表示參考形狀和目標(biāo)形狀，其特征在于包括 A)對第一參考形狀集進(jìn)行K均值聚類處理，得到第二參考形狀集； B)對所述第二參考形狀集采用主成分分析方法PCA進(jìn)行降維處理，得到第三參考形狀集; C)初始化稀疏系數(shù)向量得到第一稀疏系數(shù)向量； D)初始化形狀參數(shù)得到第一形狀參數(shù)； E)對所述第三參考形狀集采用第一稀疏系數(shù)向量進(jìn)行稀疏線性組合得到第一目標(biāo)形狀； F)用所述第一形狀參數(shù)、圖像低層數(shù)據(jù)和所述第一目標(biāo)形狀來構(gòu)造目標(biāo)函數(shù)； G)采用交替迭代法來求解所述目標(biāo)函數(shù)得到第二形狀參數(shù)和第二稀疏系數(shù)向量； H)判斷求得的結(jié)果是否符合精度要求，若是，則執(zhí)行I);否則，將第二形狀參數(shù)賦值給第一形狀參數(shù)，第二稀疏系數(shù)向量賦值給第一稀疏系數(shù)向量，返回E)繼續(xù)執(zhí)行。
I)對所述第二形狀參數(shù)采用反向PCA處理，得到第二目標(biāo)形狀，實現(xiàn)目標(biāo)分割； J)根據(jù)類間殘差最小原則，由所述第二稀疏系數(shù)向量和所述第二形狀參數(shù)得到所述第二目標(biāo)形狀所屬的類別，實現(xiàn)目標(biāo)識別。
2.根據(jù)權(quán)利要求I所述的基于形狀稀疏表示的聯(lián)合目標(biāo)分割和識別方法，其特征在于所述目標(biāo)函數(shù)包括數(shù)據(jù)項〈&V〉+叫|v知4和形狀稀疏約束項Α|Α-^+AM，優(yōu)化所述目標(biāo)函數(shù)的公式為{ ，Θ, K 幻=arg minlA ||^ - α\ζ + β2 丨丨^ + {qaJ) h，r〉+ 叫|▽知，Θ，Α || } sfi,h,a 其中A是第三參考形狀集，s是第一稀疏系數(shù)向量，α是第一形狀參數(shù)，β1; β2，υ是常系數(shù)，qa,e,h是α對應(yīng)的形狀，Θ是姿態(tài)參數(shù)，h是平移參數(shù)，r = Rtj(U)-Rb(u) ,Rtj(U)=-log p。(u), Rb (u) = -log pb (u), p0 (u)和pb (u)分別為圖像u中目標(biāo)區(qū)域和背景區(qū)域的概率直方圖，代表圖像低層數(shù)據(jù)。
3.根據(jù)權(quán)利要求I所述的基于形狀稀疏表示的聯(lián)合目標(biāo)分割和識別方法，其特征在于步驟G)中所述“采用交替迭代法來求解所述目標(biāo)函數(shù)得到第二形狀參數(shù)和第二稀疏系數(shù)向量”包括以下步驟 假設(shè)S1已知，采用梯度下降法求解α \ Θ 1和h1} = arg mma 0 A β, \\Asl -α\ζ+ [qa e h ,r) 根據(jù)求得的α1、Θ1和h1，采用軟閾值方法求解s1+1 sl+l =^2(sl -5AT(Asl -a)) 其中S是迭代步長、+,、是軟閾值函數(shù)，其定義為<h) = I^ X > 2，A是 rIfiMoI ο ^ < β2第三參考形狀集，s是第一稀疏系數(shù)向量，a是第一形狀參數(shù)，^^是常系數(shù)^吣^^是a對應(yīng)的目標(biāo)形狀，Θ是姿態(tài)參數(shù)，h是平移參數(shù)，I表示第I次迭代過程，Si表示向量S中的第i個元素。
4.根據(jù)權(quán)利要求I所述的基于形狀稀疏表示的聯(lián)合目標(biāo)分割和識別方法，其特征在于步驟J)中所述“根據(jù)類間殘差最小原則，由所述第二稀疏系數(shù)向量和所述第二形狀參數(shù)得到所述第二目標(biāo)形狀所屬的類別，實現(xiàn)目標(biāo)識別”公式為
全文摘要
本發(fā)明公開了一種涉及圖像分割和目標(biāo)識別中的基于形狀稀疏表示的聯(lián)合目標(biāo)分割和識別方法，包括對第一參考形狀集進(jìn)行K均值聚類處理，得到第二參考形狀集；對所述第二參考形狀集進(jìn)行PCA降維處理，得到第三參考形狀集；初始化第一稀疏系數(shù)向量和第一形狀參數(shù)；對所述第三參考形狀集采用第一稀疏系數(shù)向量進(jìn)行稀疏線性組合得到第一目標(biāo)形狀；用所述第一形狀參數(shù)、圖像低層數(shù)據(jù)和第一目標(biāo)形狀來構(gòu)造目標(biāo)函數(shù)；采用交替迭代法求解目標(biāo)函數(shù)得到第二形狀參數(shù)和第二稀疏系數(shù)向量；對所述第二形狀參數(shù)采用反向PCA處理得到第二目標(biāo)形狀，實現(xiàn)目標(biāo)分割；根據(jù)所述第二稀疏系數(shù)向量和所述第二形狀參數(shù)得到所述第二目標(biāo)形狀的類別，實現(xiàn)目標(biāo)識別。
文檔編號G06K9/62GK102663425SQ20121008729
公開日2012年9月12日 申請日期2012年3月29日 優(yōu)先權(quán)日2012年3月29日
發(fā)明者于慧敏, 潘能杰, 胡浩基, 陳飛 申請人:浙江大學(xué)