到視差圖。
[0051] 此外，需要說明的是，盡管在上文中以灰度圖作為示例進行了說明。然而，本領(lǐng)域 技術(shù)人員能夠理解的是，在攝像機的攝像參數(shù)和計算設(shè)備的計算性能等參數(shù)允許的情況 下，也可以使用彩色圖(或稱為彩色圖像）來代替該灰度圖。
[0052] 接下來，在獲得了感興趣的圖像或圖像序列之后，可以從該圖像或圖像序列中提 取待識別的目標圖像區(qū)域。
[0053] 例如，該目標圖像區(qū)域可以是在感興趣的圖像或圖像序列中事先檢測得到的包括 待識別目標的圖像區(qū)域。這里，根據(jù)識別應(yīng)用的用途，該目標可以是通用對象或特定對象， 該通用對象例如可以是指書、桌子、或不同類別的汽車等(如，小轎車和卡車）；而該特定對 象例如可以人、動物等。
[0054] 然后，可以在所提取出的目標圖像區(qū)域中獲取特征點，以便根據(jù)事先已經(jīng)得知其 類別的樣本圖像區(qū)域來識別所述目標圖像區(qū)域的類別，從而判斷該目標圖像區(qū)域是否對應(yīng) 于所述多個樣本圖像區(qū)域中的某一個樣本圖像區(qū)域。
[0055] 下面，為了便于理解，首先，將參考圖2A和圖2B來描述根據(jù)現(xiàn)有技術(shù)的目標識別 方法中的特征點獲取過程及其技術(shù)問題。
[0056] 圖2A圖示了根據(jù)現(xiàn)有技術(shù)的在樣本圖像區(qū)域中獲取特征點的示意圖，并且圖2B 圖示了根據(jù)現(xiàn)有技術(shù)的在目標圖像區(qū)域中獲取特征點的示意圖。
[0057] 典型地，如上所述，根據(jù)現(xiàn)有技術(shù)的目標識別方法可以包括特征點檢測和匹配方 案。在該方案中，可以使用檢測器來在已知類別的樣本圖像區(qū)域和未知類別的目標圖像區(qū) 域中分別檢測特征點，并且通過特征點匹配來對目標圖像區(qū)域的類別進行識別。
[0058] 然而，如在【背景技術(shù)】中描述的，該現(xiàn)有方案存在以下技術(shù)問題：由于特征點是通過 檢測算法來檢出的，所以特征點的數(shù)量往往很少。
[0059] 具體地，通過參考圖2A和圖2B可以看出，在樣本圖像區(qū)域和目標圖像區(qū)域中檢測 出的特征點個數(shù)很少，其數(shù)目分別僅僅在15個左右，從而導致圖中的目標(即，人)的表達不 夠充分。特別是，例如，如圖2A所示，在使用SIFT算子作為檢測器的情況下，在以附圖標記 1所標記的圓圈區(qū)域中僅僅能夠檢測到5個特征點。
[0060] 此外，本發(fā)明人進一步發(fā)現(xiàn)，該現(xiàn)有方案還存在另一個技術(shù)問題，即，當在目標圖 像區(qū)域中發(fā)生光照變化、視角改變、遮擋和形變等情況時，很可能導致在樣本圖像區(qū)域和目 標圖像區(qū)域之間實際上并不存在可配對的特征點，然而，即使這樣，在特征點檢測和匹配方 案中，特征點匹配處理仍然會實施，從而獲得錯誤的匹配結(jié)果。
[0061] 具體地，通過觀察圖2A可以發(fā)現(xiàn)，在圖2A所示的樣本圖像區(qū)域中，在處于后方的 人的領(lǐng)口處檢測到一個特征點，其示出在以附圖標記2所標記的圓圈區(qū)域中。然而，通過進 一步觀察圖2B可以發(fā)現(xiàn)，該特征點由于處于前方的人與處于后方人之間的相對運動而被 處于前方的人所遮擋，從而在圖2B所示的目標圖像區(qū)域中不再存在。這時，由于該方案必 須在樣本圖像區(qū)域與目標圖像區(qū)域之間進行特征點匹配，所以即使在兩個圖像區(qū)域之間沒 有實際上配對的特征點，仍然會從目標圖像區(qū)域中選擇一個錯誤的特征點（例如，其示出在 以附圖標記2'所標記的圓圈區(qū)域中）來與樣本圖像區(qū)域中的該特征點2進行匹配，從而導 致錯誤的發(fā)生。
[0062] 由于上述技術(shù)問題，采用該現(xiàn)有方案所得到的識別結(jié)果的置信度可能不高。
[0063] 針對現(xiàn)有方案中的第一個技術(shù)問題，即針對只有少量的特征點可被檢測到的情 形，在根據(jù)本發(fā)明實施例的目標識別方法中提出，可以按照某種規(guī)定的采樣方式來直接增 加特征點的數(shù)目。由于特征點的數(shù)量增加，所以對于目標圖像區(qū)域的表達更加豐富，從而在 一定程度上提高了匹配結(jié)果的置信度。
[0064] 下面，將參考圖3A和圖3B，通過與現(xiàn)有技術(shù)進行對比的方式來描述根據(jù)本發(fā)明實 施例的目標識別方法中的特征點獲取過程及其有益效果。
[0065] 圖3A圖示了根據(jù)現(xiàn)有技術(shù)的在目標圖像區(qū)域中獲取特征點的示意圖，并且圖3B 圖示了根據(jù)本發(fā)明實施例的在目標圖像區(qū)域中獲取特征點的示意圖。
[0066] 為了更加豐富地表達目標圖像區(qū)域，以提高識別結(jié)果的置信度，在本申請中，可以 通過預定的采樣方式來對所述目標圖像區(qū)域進行采樣，并且將直接獲得的采樣點作為特征 點，以增加特征點的數(shù)量。例如，可以通過自定義或隨機設(shè)置采樣點的位置等采樣方式來在 所述圖像或圖像序列中直接增加特征點。為了便于描述，下面，將以自定義采樣中的均勻采 樣為例進行描述。
[0067] 例如，如圖3B所圖示的，可以根據(jù)目標圖像區(qū)域的尺寸來選擇預定的采樣間隔， 以在該目標圖像區(qū)域中獲得MX N個采樣點，其中M表示堅直方向中的采樣點個數(shù)，N表示 水平方向中的采樣點個數(shù)，并且M和N屬于正整數(shù)。由于采用均勻采樣，所以在該目標圖像 區(qū)域中，堅直方向中的每兩個采樣點之間的間隔相等，同時水平方向中的每兩個采樣點之 間的間隔相等。
[0068] 顯然，與圖3A相比，在圖3B中，由于特征點的數(shù)量大量增加，所以對于目標圖像區(qū) 域的表達變得更加豐富，從而在一定程度上提高了后續(xù)識別結(jié)果的置信度。
[0069] 需要說明的是，由于該采樣操作可以是對于目標圖像區(qū)域進行的，所以在這里為 了清楚起見，可以將該目標圖像區(qū)域中的采樣點稱為目標采樣點。此外，由于在后續(xù)步驟中 實際上是將采樣點作為特征點使用，所以也可以將該目標采樣點稱為目標特征點。
[0070] 在步驟S120中，計算目標采樣點的穩(wěn)定性權(quán)重。
[0071 ] 在通過對目標圖像區(qū)域進行采樣而直接增加目標特征點的數(shù)量之后，本發(fā)明人進 一步發(fā)現(xiàn)，由于在本申請中，特征點是通過采樣所直接得到的(這是一種弱的條件)，而不再 是使用關(guān)鍵點檢測器通過算法檢查所得到的(這是一種強的條件)，所以這些特征點的質(zhì)量 (這里，質(zhì)量是指該采樣點在特征空間中的穩(wěn)定性）很難有所保證。
[0072] 具體地，在根據(jù)現(xiàn)有技術(shù)的特征點檢測和匹配方案中，由于目標圖像區(qū)域中的特 征點是通過關(guān)鍵點檢測器檢測出的，也就是說，是通過一種嚴格的計算條件而獲得的，所以 它們是最為穩(wěn)定的點；相反地，在根據(jù)本發(fā)明實施例的目標識別方法中，由于在上述步驟 SllO中得到的目標圖像區(qū)域中的特征點不是通過檢測器所獲得的，而是通過自定義的或者 隨機的采樣得到(在本實施例中，所述特征點是通過均勻采樣得到的)，所以它們在特征空 間中沒有同等的穩(wěn)定性。
[0073] 考慮到上述情況，為了避免以下潛在問題，即當均等地處理在特征空間中具有不 同的穩(wěn)定性的特征點時，可能會導致最終的識別結(jié)果存在誤差，優(yōu)選地，在本申請中，可以 確定每個特征點在特征空間中的穩(wěn)定性，并且在特征空間中的穩(wěn)定性意義上，由于更穩(wěn)定 的特征點對于對象識別過程更為重要，所以向其賦予一個較大的權(quán)重；相反地，由于更不穩(wěn) 定的特征點對于對象識別過程更不重要，所以向其賦予一個較小的權(quán)重，從而最大可能地 保證識別過程的正確性。
[0074] 為此，需要確定采樣點在特征空間中的穩(wěn)定程度。例如，可以在多種不同維度中度 量該特征點在特征空間中的穩(wěn)定性。
[0075] 在本發(fā)明的第一實施例中，例如，該特征點在特征空間中的穩(wěn)定性可以是所述特 征點在尺度空間中的穩(wěn)定程度。
[0076] 例如，返回參考圖3A和圖3B，假設(shè)如圖3A所示的目標圖像區(qū)域中的特征點是通過 尺度不變算法(例如，尺度不變特征轉(zhuǎn)換（SIFT)算法、加速魯棒特征（SURF)算法、和仿射性 尺度不變特征變換（ASIFT)算法）檢測到的，那么這些特征點是在尺度上最穩(wěn)定的點，也就 是說，它們具有相同的尺度穩(wěn)定性。相反地，由于如圖3B所示的目標圖像區(qū)域中的特征點 不是通過尺度不變算法檢測到的，所以這些特征點不一定都會滿足尺度不變的限制條件， 并因此它們在尺度上不是同樣穩(wěn)定的。
[0077] 具體地，通過同時參考圖3A和圖3B可知，當在圖3B中，一些通過采樣得到的特征 點（如下方的箭頭K所指的點）恰好與圖3A中的通過SIFT算子檢測得到的特征點重合時， 這些特征點必然會比另外一些特征點（如上方的箭頭J所指向的點)在尺度空間中更加穩(wěn)定 一些，相應(yīng)地，也就應(yīng)該向前者賦予更高的權(quán)重。
[0078] 因此，在第一實施例中，為了刻畫這些特征點在尺度空間中的穩(wěn)定性差異，可以對 每一個特征點使用一個尺度穩(wěn)定性權(quán)重，所述尺度穩(wěn)定性權(quán)重用于表達所述目標采樣點在 尺度空間中的穩(wěn)定程度，并且隨著特征點的尺度穩(wěn)定性而變化，以便在后續(xù)的識別過程中 不均等地處理這些不同的特征點。
[0079] 下面，將參考圖4A來描述根據(jù)本發(fā)明第一實施例的計算目標采樣點的尺度穩(wěn)定 性權(quán)重的步驟的具體流程示例。
[0080] 圖4A圖示了根據(jù)本發(fā)明第一實施例的計算目標采樣點的尺度穩(wěn)定性權(quán)重的步驟 的具體流程圖。
[0081] 參考圖4A，該計算目標采樣點的尺度穩(wěn)定性權(quán)重的步驟具體包括：
[0082] 在步驟S1210中，獲取目標圖像區(qū)域的原始圖像。
[0083] 為了對于目標采樣點實施尺度不變描述以及尺度穩(wěn)定性度量，從而獲得每個采 樣點第一種類型的權(quán)重（即，尺度穩(wěn)定性權(quán)重)，可以獲得目標圖像區(qū)域的一張原始圖像，例 如，所述原始圖像可以包括灰度圖像或彩色圖像。
[0084] 例如，該原始圖像可以是在上述的步驟SllO中獲得的，也可以是在其他操作中獲 得的。
[0085] 在步驟S1220中，根據(jù)原始圖像來對目標采樣點執(zhí)行尺度不變特征描述和尺度穩(wěn) 定性測量，以獲得目標采樣點的尺度穩(wěn)定性權(quán)重。
[0086] 下面，將參考圖5來描述根據(jù)本發(fā)明第一實施例的對目標采樣點執(zhí)行尺度不變特 征描述和尺度穩(wěn)定性測量的步驟的具體操作示例。
[0087] 圖5圖示了根據(jù)本發(fā)明第一實施例的對目標采樣點執(zhí)行尺度不變特征描述和尺 度穩(wěn)定性測量的原理示意圖。
[0088] 該對目標采樣點執(zhí)行尺度不變特征描述和尺度穩(wěn)定性測量的步驟可以包括： [0089] 在子步驟1中，可以首先對所述原始圖像執(zhí)行迭代高斯濾波，以生成所述原始圖 像的尺度空間。
[0090] 例如，參考圖5,在給定一張原始圖像(灰度或彩色）之后，本方法可以對該原始圖 像施加迭代高斯濾波來獲得一簇圖像，所述一簇圖像中的每一幅圖像對應(yīng)于某一個特定的 高斯濾波迭代次數(shù)。在圖5中，該次數(shù)以I表示，其中I是整數(shù)。例如，I=O表示相關(guān)圖像 是未施加高斯濾波的原始圖像，I=I表示相關(guān)圖像是施加了 1次高斯濾波的原始圖像，1=2 表示相關(guān)圖像是施加了 2次高斯濾波的原始圖像，如此類推。
[0091 ] 這一簇圖像在圖像處理技術(shù)中被稱作原始圖像的尺度空間，對尺度空間在圖像意 義上的解釋可以描述如下：在這一簇圖像中，如果對每一幅高斯濾波后的圖像進行降采樣 (采樣間隔可以與該圖像的高斯濾波次數(shù)相關(guān)，例如，對I=O的圖像不進行降采樣，對I=I的 圖像每兩個像素進行一次采樣，對1=2的圖像每四個像素進行一次采樣，以此類推)，可以生 成一個圖像金字塔，在該圖像金字塔中，由于降采樣的原因而導致每個圖像的尺寸不同，并 且將降采樣的次數(shù)越多，該圖像的尺寸越小。這個圖像金字塔在本質(zhì)上等價于該對象在不 同距離上(也即，在不同的尺度上）被拍攝得到的圖像。
[0092] 然而，需要說明的是，在本目標識別方法中，在對目標采樣點進行尺度不變特征描 述的過程中，降采樣被忽略，只有迭代高斯濾波操作被采納，以保證這些圖像具有同樣大小 的尺寸。并且，如圖5所示，所述一簇圖像中的每一幅圖像都仍然包括MXN個采樣點。
[0093] 在子步驟2中，在生成所述原始圖像的尺度空間之后，可以針對每一個目標采樣 點，沿著所述尺度空間的尺度軸，向所述目標采樣點施加尺度不變特征描述，以產(chǎn)生與所述 目標采樣點對應(yīng)的在不同尺度中的特征描述集合。
[0094] 例如，對于這一簇圖像而言，可以利用尺度不變特征描述子來描述在相同采樣位 置處的沿著尺度軸的各個像素點（即，采樣點），并且將其提取出，以得到關(guān)于那個位置處的 采樣點的特征集合。
[0095] 尺度不變特征轉(zhuǎn)換是一種用于電腦視覺的算法，其用來偵測與描述圖像中的局部 性特征，局部圖像特征的描述與偵測可以幫助辨識物體。