專利名稱：匹配程度計(jì)算裝置及方法
技術(shù)領(lǐng)域：
本發(fā)明涉及目標(biāo)相似度計(jì)算，尤其涉及在圖像或視頻數(shù)據(jù)中對(duì)目標(biāo)區(qū)域與感興趣目標(biāo)的相似度進(jìn)行計(jì)算并進(jìn)4亍類別判定的匹配程度計(jì)算裝置及方法。
背景技術(shù)：
在圖像分析的問(wèn)題中，對(duì)檢測(cè)區(qū)域與目標(biāo)相似度的判斷，是所
有工作的前提?，F(xiàn)有判斷方法大致分為兩類基于判別理i侖的方法和基于坤目似、度匹配J里i侖的方法。
基于判別理論的方法主要是通過(guò)學(xué)習(xí)目標(biāo)的統(tǒng)計(jì)特點(diǎn)，訓(xùn)練兩類分類器，直接從圖像中確定檢測(cè)區(qū)域是否為目標(biāo)。例如，先用區(qū)域增長(zhǎng)法提取所有非草地區(qū)域，再利用預(yù)先手工標(biāo)定好的圖像訓(xùn)練支4掌向量才幾(support vector machine, SVM)分類器，》于非草;l也區(qū)域是否為球員進(jìn)行識(shí)別，將識(shí)別為人的區(qū)域作為分割結(jié)果。此外，還可以利用手工標(biāo)定大量訓(xùn)練圖像的方式訓(xùn)練得到Boost型球員定位器，將定位器檢測(cè)結(jié)果直接作為球員分割區(qū)域。還可以利用圖像的斗弟度方4立直方圖(Histogram of Oriented Gradient, HOG)特M正訓(xùn)練SVM分類器，對(duì)檢測(cè)區(qū)域是否為行人或車輛作出判斷。另外，還可以采用矩形特征來(lái)才企測(cè)靜態(tài)圖4象中的人體，用Boost方法自動(dòng)選才奪人所在的區(qū)域。這類方法首先通過(guò)對(duì)手工標(biāo)定好的正負(fù)樣本進(jìn);f于學(xué)習(xí)，建立跟蹤區(qū)域判別準(zhǔn)則。然后在定位時(shí)，利用已經(jīng)訓(xùn)練好的判別準(zhǔn)則對(duì)目標(biāo)區(qū)域進(jìn)^亍判斷。這類方法對(duì)已訓(xùn)練圖^f象一般具有較高的分類正確率，但由于需要預(yù)先手工標(biāo)定好大量訓(xùn)練圖像，因此訓(xùn)練樣本圖像的標(biāo)定工作相當(dāng)困難。
另一方面，基于相似度匹配理i侖的方法首先確定圖^象中感興趣區(qū)的大體位置，然后4艮據(jù)目標(biāo)的特征信息對(duì)所有感興趣區(qū)的匹配程度進(jìn)行標(biāo)定，按照匹配程度的大小，對(duì)檢測(cè)區(qū)域是否為目標(biāo)做出判斷。例如，可利用檢測(cè)區(qū)域與人物姿勢(shì)的吻合程度，給出圖像中每像素點(diǎn)的匹配程度。另夕卜，可以利用顏色信息給出跟蹤圖像的匹配程度。此外，也有利用運(yùn)動(dòng)信息等其它特征確定匹配程度的方法。這類方法的優(yōu)點(diǎn)是大多不受跟蹤目標(biāo)的形狀和姿勢(shì)變化的影響，并且特征計(jì)算方便。但是，由于需要對(duì)每個(gè)目標(biāo)區(qū)域單獨(dú)建立匹配模型，因此在對(duì)屬于較少類別的多目標(biāo)追蹤問(wèn)題中，計(jì)算效率不高。
綜上所述，需要能夠自動(dòng)完成樣本提取且能夠提高計(jì)算效率的匹配程度計(jì)算裝置及其方法。

發(fā)明內(nèi)容
本發(fā)明的目的在于解決現(xiàn)有技術(shù)中所存在的問(wèn)題。
根據(jù)本發(fā)明的一個(gè)方面，提供了一種匹配程度計(jì)算裝置，用于在圖像分析中計(jì)算目標(biāo)區(qū)域的匹配程度并對(duì)目標(biāo)區(qū)域進(jìn)行分類，該
匹配程度計(jì)算裝置包括樣本選取^^莫塊，用于對(duì)輸入的訓(xùn)練樣本進(jìn)行選取，以得到對(duì)應(yīng)于單一前景區(qū)域的多個(gè)樣本作為多個(gè)特征訓(xùn)練圖像；特征訓(xùn)練模塊，用于對(duì)多個(gè)樣本執(zhí)行預(yù)定處理，以自動(dòng)完成多類特征的訓(xùn)練以及分類判別標(biāo)準(zhǔn)的確定；以及匹配程度計(jì)算才莫塊，用于基于通過(guò)特征訓(xùn)練模塊訓(xùn)練得到的多類特征和分類判別標(biāo)準(zhǔn)，計(jì)算得到關(guān)于輸入圖像中所有前景區(qū)域的匹配程度結(jié)果并對(duì)所有前景區(qū)域進(jìn)4亍分類。其中，樣本選取模塊包括訓(xùn)練圖像集采集模塊，用于從所輸入的訓(xùn)練樣本中采集預(yù)定數(shù)量的包括一 個(gè)或多個(gè)前景區(qū)域的訓(xùn)練圖像作為訓(xùn)練圖像集；范圍限制條件獲取模塊，用于統(tǒng)計(jì)訓(xùn)練圖像集中的所有訓(xùn)練圖像的大小和形狀參數(shù)，獲取對(duì)應(yīng)于單一前景區(qū)域的范圍限制條件；以及特征訓(xùn)練圖像選擇模塊，用于基于通過(guò)范圍限制條件獲取模塊所獲取的范圍限制條件，從所有訓(xùn)練圖像中選擇對(duì)應(yīng)于單一前景區(qū)域的多個(gè)特征訓(xùn)練圖像。
此外，范圍限制條件獲取模塊包括計(jì)算模塊，用于求取所有訓(xùn)練圖像的長(zhǎng)、寬、以及長(zhǎng)寬比參數(shù)，并分別計(jì)算所有訓(xùn)練圖像的長(zhǎng)、寬、以及長(zhǎng)寬比所^"應(yīng)的均^直和方差；以及范圍限制條4牛確定模塊，用于基于在計(jì)算模塊中得到的均值和方差，確定范圍限制條件。
優(yōu)選地，特征訓(xùn)練模塊包括樣本接收模塊，用于接收從樣本選取模塊中輸出的多個(gè)樣本；特征提取模塊，用于提取多個(gè)樣本中每一個(gè)的特征；樣本初始中心確定才莫塊，用于計(jì)算多個(gè)樣本之間的兩兩距離，并將距離最大的兩個(gè)樣本確定為第一類樣本的初始中心和第二類樣本的初始中心；以及樣本分類模塊，用于以通過(guò)樣本初始中心確定才莫塊所確定的初始中心為起點(diǎn)，綜合使用最近鄰和K均值兩種自動(dòng)聚類算法，通過(guò)迭代到最終收斂中心的方式得到第 一閾值和第二閾值，然后利用第 一 閾值和第二闊值將多個(gè)樣本分為第一類樣本、第二類樣本以及第三類樣本。
另外，特征提取模塊包括轉(zhuǎn)換模塊，用于將多個(gè)樣本的RGB圖像信息轉(zhuǎn)換到HSV特征空間；以及直方圖信息提取模塊，用于分別4是取單一樣本區(qū)域內(nèi)HSV三通道的直方圖信息作為多個(gè)樣本的特征。另外，樣本分類模塊還包括迭代模塊，用于計(jì)算每個(gè)樣本與 第 一類樣本的初始中心的第 一距離以及與第二類樣本的初始中心 的第二距離，然后使用最近鄰算法根據(jù)第 一距離和第二距離的大小 將所有樣本分為第一類樣本和第二類樣本，使用K均值算法計(jì)算第 一類樣本和第二類樣本的平均特征作為第一類樣本和第二類樣本 新的中心，然后進(jìn)^f于迭代處理直到所有樣本類別變化個(gè)lt總和為 零；統(tǒng)計(jì)模塊，用于統(tǒng)計(jì)第一類樣本和第二類樣本的個(gè)數(shù)，如果第 一類樣本和第二類樣本的個(gè)數(shù)差大于預(yù)定值，則將樣本數(shù)量較少的 那類樣本作為第三類樣本，并對(duì)多個(gè)樣本中剩余的樣本重復(fù)樣本初 始中心確定模塊和迭代模塊中的處理，直到第 一類樣本的個(gè)數(shù)和第 二類樣本的個(gè)數(shù)差小于等于預(yù)定值為止；樣本特征計(jì)算模塊，用于 在統(tǒng)計(jì)模塊中確定第一類樣本和第二類樣本的個(gè)數(shù)差小于等于預(yù) 定值的情況下，計(jì)算第一類樣本和第二類樣本的所有特征相對(duì)應(yīng)的 均值和協(xié)方差矩陣組；Mahalanobis距離計(jì)算裝置，用于對(duì)每個(gè)樣 本計(jì)算所有特征的Mahalanobis距離之和，然后重復(fù)迭代模塊、統(tǒng) 計(jì)模塊以及樣本特征計(jì)算模塊中的處理，直到所有樣本類別變化個(gè) 數(shù)總和為零；以及第三類樣本個(gè)數(shù)確定才莫塊，用于根據(jù)預(yù)定的概率， 確定第一類樣本和第二類樣本中作為第三類樣本的樣本個(gè)數(shù)；閾值 確定模塊，用于將每一類樣本到各自樣本中心的Mahalanobis距離 按照從大到小的順序進(jìn)行排序，將每類距離排序中從前到后、排名 等于第三類樣本個(gè)數(shù)的樣本所對(duì)應(yīng)的距離作為從第 一類樣本和第 二類樣本中剔除第三類樣本的第 一 閾值和第二閾值；類別判斷模
塊，用于基于第一閾值和第二閾值將多個(gè)樣本分為第一類樣本、第 二類樣本、以及第三類樣本。
優(yōu)選地，匹配程度計(jì)算模塊包括圖像接收模塊，用于接收包 括待匹配目標(biāo)區(qū)域的輸入圖像；以及前景區(qū)域選取模塊，用于基于 預(yù)定處理選取輸入圖4象中的所有前景區(qū)域。
14具體地，前景區(qū)域選取模塊包括背景去除模塊，用于利用主 顏色分割處理，從輸入圖像中去除背景區(qū)域；以及前景區(qū)域提取模 塊，用于利用單連通域選擇處理，從經(jīng)過(guò)背景去除才莫塊處理的圖4象 中提取所有前景區(qū)域。
另外，匹配程度確定模塊還包括匹配結(jié)果生成模塊，用于基 于通過(guò)特征訓(xùn)練模塊訓(xùn)練好的兩類特征，通過(guò)概率投影進(jìn)行兩次計(jì) 算，給出輸入圖像中所有前景目標(biāo)的匹配程度結(jié)果；以及類別判斷 模塊，用于提取所有前景區(qū)域的特征并分別計(jì)算特征與通過(guò)特征訓(xùn) 練模塊訓(xùn)練得到的兩類前景樣本中心的Mahalanobis距離，按照最 近鄰算法將所有前景區(qū)域分為第一類樣本和第二類樣本，然后基于 在特征訓(xùn)練模塊中得到的分類判別標(biāo)準(zhǔn)，從第一類樣本和第二類樣 本中剔除第三類樣本，從而將所有前景區(qū)域分為第一類樣本、第二 類才羊本以及第三類樣本。
才艮據(jù)本發(fā)明的另一方面，提供了一種匹配程度計(jì)算方法，用于 在圖像分析中計(jì)算目標(biāo)區(qū)域的匹配程度并對(duì)目標(biāo)區(qū)域進(jìn)行分類，該 方法包4舌以下步驟樣本選取步驟，^f吏樣本選纟奪才莫塊對(duì)輸入的訓(xùn)練 樣本進(jìn)4亍選取，以得到對(duì)應(yīng)于單一前景區(qū)域的多個(gè)樣本作為多個(gè)特 征訓(xùn)練圖4象；特;f正訓(xùn)練步驟，4吏特征訓(xùn)練才莫塊對(duì)多個(gè)樣本#1行預(yù)定 處J里，以自動(dòng)完成多類特^正的訓(xùn)練以及分類判別才示準(zhǔn)的確定；以及 匹配程度計(jì)算步驟，使匹配程度計(jì)算模塊基于在訓(xùn)練步驟中訓(xùn)練得 到的多類特征和分類判別標(biāo)準(zhǔn)，計(jì)算得到關(guān)于輸入圖像中所有前景 區(qū)域的匹配程度結(jié)果并對(duì)所有前景區(qū)域進(jìn)行分類。
其中，樣本選取步驟還包括訓(xùn)練圖像集采集步驟，使訓(xùn)練圖 像集采集模塊從所輸入的訓(xùn)練樣本中采集預(yù)定數(shù)量的包括一個(gè)或 多個(gè)前景區(qū)域的訓(xùn)練圖像作為訓(xùn)練圖像集；范圍限制條件獲取步 驟，使范圍限制條件獲取模塊統(tǒng)計(jì)訓(xùn)練圖像集中的所有訓(xùn)練圖像的 大小和形狀參數(shù)，獲取對(duì)應(yīng)于單一前景區(qū)域的范圍限制條件；以及
15特征訓(xùn)練圖像選擇步驟，使特征訓(xùn)練圖像選擇模塊基于在范圍限制 條件獲取步驟獲取的范圍限制條件，從所有訓(xùn)練圖像中選擇對(duì)應(yīng)于 單一前景區(qū)域的多個(gè)特征訓(xùn)練圖像。
此外，范圍限制條件獲取步驟還包括計(jì)算步驟，使計(jì)算模塊 求取所有訓(xùn)練圖像的長(zhǎng)、寬、以及長(zhǎng)寬比參數(shù)，并分別計(jì)算所有訓(xùn) 練圖^f象的長(zhǎng)、寬、以及長(zhǎng)寬比所對(duì)應(yīng)的均^直和方差；以及范圍限制 條件確定步驟，用于使范圍限制條件確定模塊基于在計(jì)算步驟中得 到的均值和方差，確定范圍限制條件。
優(yōu)選地，特征訓(xùn)練步驟還包括樣本接收步驟，用于使樣本接 收模塊接收在樣本選取步驟中輸出的多個(gè)樣本；特征提取步驟，用 于使特征提取模塊提取多個(gè)樣本中每一個(gè)的特征；樣本初始中心確 定步驟，用于使樣本初始中心確定模塊計(jì)算多個(gè)樣本之間的兩兩距 離，并將距離最大的兩個(gè)樣本確定為第 一類樣本的初始中心和第二 類樣本的初始中心；樣本分類步驟，用于使樣本分類模塊以在樣本 初始中心確定步驟中確定的初始中心為起點(diǎn)，綜合使用最近鄰和K 均值兩種自動(dòng)聚類算法，通過(guò)迭代到最終收》支中心的方式得到第一 閾值和第二閾值，然后利用第 一 閾值和第二閾值將多個(gè)樣本分為第 一類樣本、第二類樣本以及第三類樣本。
另外，特征提取步驟還包括轉(zhuǎn)換步驟，使轉(zhuǎn)換模塊將多個(gè)樣 本的RGB圖像信息轉(zhuǎn)換到HSV特征空間；以及直方圖信息提取步 驟，使直方圖信息提取才莫塊分別提取單一樣本區(qū)域內(nèi)HSV三通道 的直方圖信息作為多個(gè)樣本的特4正。
另外，樣本分類步驟還包括迭代步驟，使迭代模塊計(jì)算每個(gè) 樣本與第一類樣本的初始中心的第一距離以及與第二類樣本的初 始中心的第二距離，然后使用最近鄰算法根據(jù)第 一距離和第二距離 的大小將所有樣本分為第一類樣本和第二類樣本，使用K均值算法計(jì)算第一類樣本和第二類樣本的平均特征作為第一類樣本和第二 類樣本新的中心，然后進(jìn)行迭代處理直到所有樣本類別變化個(gè)數(shù)總
和為零；統(tǒng)計(jì)步驟，4吏統(tǒng)計(jì)才莫塊統(tǒng)計(jì)第一類樣本和第二類樣本的個(gè) 數(shù)，如果第一類樣本和第二類樣本的個(gè)數(shù)差大于預(yù)定值，則將樣本 數(shù)量較少的那類樣本作為第三類樣本，并對(duì)多個(gè)樣本中剩余的樣本 重復(fù)樣本初始中心確定4莫塊和迭代才莫塊中的處理，直到第 一類樣本 的個(gè)數(shù)和第二類樣本的個(gè)數(shù)差小于等于預(yù)定值為止；樣本特征計(jì)算 步驟，使樣本特征計(jì)算模塊在統(tǒng)計(jì)步驟中確定第 一類樣本和第二類 樣本的個(gè)數(shù)差小于等于預(yù)定值的情況下，計(jì)算第一類樣本和第二類
樣本的所有特征相對(duì)應(yīng)的均值和協(xié)方差矩陣組；Mahalanobis距離 計(jì)算步驟，使Mahalanobis距離計(jì)算裝置對(duì)每個(gè)才羊本計(jì)算所有特征 的Mahalanobis距離之和，然后重復(fù)迭代步驟、統(tǒng)計(jì)步驟以及樣本 特征計(jì)算步驟中的處理，直到所有樣本類別變化個(gè)凄t總和為零；以 及第三類樣本個(gè)數(shù)確定步驟，使第三類樣本個(gè)數(shù)確定模塊根據(jù)預(yù)定 的概率，確定第一類樣本和第二類樣本中作為第三類樣本的樣本個(gè) 數(shù)；閾值確定步驟，使闊值確定模塊將每一類樣本到各自樣本中心 的Mahalanobis距離按照從大到小的順序進(jìn)行排序，將每類距離排 序中從前到后、排名等于第三類樣本個(gè)數(shù)的樣本所對(duì)應(yīng)的距離作為
從第一類樣本和第二類樣本中剔除第三類樣本的第一閾值和第二 閾值；分類步驟，使類別判斷模塊基于第一閾值和第二閾值將多個(gè) 樣本分為第一類樣本、第二類樣本、以及第三類樣本。
優(yōu)選地，匹配程度計(jì)算步驟還包括圖像接收步驟，使圖像接 收模塊接收包括待匹配目標(biāo)區(qū)域的輸入圖像；以及前景區(qū)域選取步 驟，使前景區(qū)域選取^莫塊基于預(yù)定處理選取輸入圖像中的所有前景 區(qū)域。
具體地，前景區(qū)域選取步驟還包括背景去除步驟，使背景去 除模塊利用主顏色分割處理，從輸入圖像中去除背景區(qū)域；以及前景區(qū)域提取步驟，使前景區(qū)域提取模塊利用單連通域選擇處理，從 經(jīng)過(guò)背景去除模塊處理的圖像中提取所有前景區(qū)域。
另外，匹配程度確定步驟還包括匹配結(jié)果生成步驟，使匹配 結(jié)果生成模塊基于通過(guò)在訓(xùn)練步驟中訓(xùn)練好的兩類特征，通過(guò)概率 投影進(jìn)行兩次計(jì)算，給出輸入圖像中所有前景目標(biāo)的匹配程度結(jié) 果；以及類別判斷步驟，使類別判斷模塊提取所有前景區(qū)域的特征 并分別計(jì)算特征與通過(guò)特征訓(xùn)練模塊訓(xùn)練得到的兩類前景樣本中 心的Mahalanobis距離，按照最近鄰算法將所有前景區(qū)域分為第一 類樣本和第二類樣本，然后基于在特征訓(xùn)練步驟中得到的分類判別 標(biāo)準(zhǔn)，從第一類樣本和第二類樣本中剔除第三類樣本，從而將所有 前景區(qū)域分為第一類樣本、第二類樣本以及第三類樣本。
因而，在訓(xùn)練過(guò)程中，所有工作都不需要手工的干預(yù)，由系統(tǒng) 自動(dòng)完成對(duì)單一前景區(qū)域訓(xùn)練樣本的4是取及自動(dòng)分類；對(duì)一張4寺匹 配圖4象中，屬于兩種類別的多個(gè)跟蹤區(qū)域，4又通過(guò)兩次計(jì)算，就可 以給出全部區(qū)域各自對(duì)應(yīng)的匹配程度及分類結(jié)果；以及可以在對(duì)一 類樣本增強(qiáng)匹配程度的同時(shí)，減少另一類樣本的匹配程度，從而減
輕后續(xù)分析過(guò)程中兩類樣本間的相互影響。
本發(fā)明的其它特征和優(yōu)點(diǎn)將在隨后的說(shuō)明書中闡述，并且，部 分地從說(shuō)明書中變得顯而易見(jiàn)，或者通過(guò)實(shí)施本發(fā)明而了解。本發(fā) 明的目的和其他優(yōu)點(diǎn)可通過(guò)在所寫的說(shuō)明書、權(quán)利要求書、以及附 圖中所特別指出的結(jié)構(gòu)來(lái)實(shí)現(xiàn)和獲得。


附圖用來(lái)才是供對(duì)本發(fā)明的進(jìn)一步理解，并且構(gòu)成i兌明書的一部 分，與本發(fā)明的實(shí)施例一起用于解釋本發(fā)明，并不構(gòu)成對(duì)本發(fā)明的 限制。在附圖中圖1是示出根據(jù)本發(fā)明的匹配程度計(jì)算裝置100的框圖
圖2是示出根據(jù)本發(fā)明的樣本選取模塊102的框圖
圖3是示出根據(jù)本發(fā)明的特性訓(xùn)練模塊104的框圖
圖4是示出才艮據(jù)本發(fā)明的樣本分類才莫塊148的框圖
圖5是示出根據(jù)本發(fā)明的匹配程度計(jì)算模塊106的框圖6是示出根據(jù)本發(fā)明的匹配程度計(jì)算方法的流程圖7是示出^4居本發(fā)明實(shí)施例的系統(tǒng)流程；
圖8是示出根據(jù)本發(fā)明實(shí)施例的訓(xùn)練樣本的圖像特征的示圖9是示出根據(jù)本發(fā)明實(shí)施例的匹配程度計(jì)算的流程圖IO是示出從待匹配圖像中提取所有前景區(qū)域的示圖11示出了經(jīng)過(guò)訓(xùn)練得到的兩類前景樣本中心對(duì)應(yīng)的直方圖 才既率分布曲線；
圖12是示出根據(jù)本發(fā)明實(shí)施例的待匹配圖像的相似度投影和 匹配結(jié)果圖；以及
圖13是示出根據(jù)本發(fā)明實(shí)施例的所有前景區(qū)域的匹配程度圖 像及分類結(jié) 的實(shí)驗(yàn)結(jié)果的示圖。
具體實(shí)施例方式
以下結(jié)合附圖對(duì)本發(fā)明的優(yōu)選實(shí)施例進(jìn)行說(shuō)明，應(yīng)當(dāng)理解，此 處所描述的優(yōu)選實(shí)施例僅用于說(shuō)明和解釋本發(fā)明，并不用于限定本 發(fā)明。
本部分實(shí)施例以對(duì)體育圖像或一見(jiàn)頻中足球運(yùn)動(dòng)員區(qū)域的匹配 程度計(jì)算和類別判斷為例，但本發(fā)明不限于足球運(yùn)動(dòng)員的匹配程度 計(jì)算，而是還可以用于其他情況。
圖1是示出根據(jù)本發(fā)明的匹配程度計(jì)算裝置100的框圖。
如圖1所示，匹配程度計(jì)算裝置100包括樣本選取才莫塊102， 用于對(duì)輸入的訓(xùn)練才羊本進(jìn)行選取，以得到對(duì)應(yīng)于單一前景區(qū)域的多 個(gè)樣本作為多個(gè)特征訓(xùn)練圖像；特征訓(xùn)練模塊104 ，用于對(duì)多個(gè)樣 本才丸4于預(yù)定處理，以自動(dòng)完成多類特4正的訓(xùn)練以及分類判別標(biāo)準(zhǔn)的 確定；以及匹配程度計(jì)算模塊106，用于基于通過(guò)特征訓(xùn)練模塊104 訓(xùn)練得到的多類特征和分類判別標(biāo)準(zhǔn)，通過(guò)兩次計(jì)算，得到關(guān)于輸 入圖像中所有前景區(qū)域的匹配程度結(jié)果并對(duì)所有前景區(qū)域進(jìn)4亍分 類。
如圖2所示，樣本選取模塊102包括訓(xùn)練圖像集采集模塊122， 用于從所輸入的訓(xùn)練樣本中采集預(yù)定數(shù)量的包括一個(gè)或多個(gè)前景 區(qū)域的訓(xùn)練圖像作為訓(xùn)練圖像集；范圍限制條件獲取模塊124，用 于統(tǒng)計(jì)訓(xùn)練圖像集中的所有訓(xùn)練圖像的大小和形狀參數(shù)獲取對(duì)應(yīng) 于單一前景區(qū)域的范圍限制條件；以及特征訓(xùn)練圖像選擇模塊U6，
用于基于通過(guò)范圍限制條件獲取模塊124所獲取的范圍限制條件， 從所有訓(xùn)練圖像中選擇對(duì)應(yīng)于單一前景區(qū)域的多個(gè)特征訓(xùn)練圖像。
20此夕卜，范圍限制條件獲取才莫塊124 a彷卞卞異^旲厭1242,用T 求取所有訓(xùn)練圖像的長(zhǎng)、寬、以及長(zhǎng)寬比參數(shù)，并分別計(jì)算所有訓(xùn) 練圖像的長(zhǎng)、寬、以及長(zhǎng)寬比所對(duì)應(yīng)的均值和方差；以及范圍限制 條件確定才莫塊1244,用于基于在計(jì)算模塊1242中得到的均值和方 差，確定范圍限制條件。
如圖3所示，特征訓(xùn)練模塊104包括樣本接收模塊142，用 于接收從樣本選取才莫塊102中輸出的多個(gè)樣本；特征提取模塊144， 用于提取多個(gè)樣本中每一個(gè)的特征；樣本初始中心確定模塊146, 用于計(jì)算多個(gè)樣本之間的兩兩距離，并將距離最大的兩個(gè)樣本確定 為第一類才羊本的初始中心和第二類才羊本的初始中心；以及才羊本分類 才莫塊148，用于以通過(guò)樣本初始中心確定才莫塊146所確定的初始中 心為起點(diǎn)，綜合使用最近鄰和K均值兩種自動(dòng)聚類算法，通過(guò)迭代 到最終收《夂中心的方式得到第 一閾值和第二閾值，然后利用第 一閾 值和第二閾值將多個(gè)樣本分為第一類樣本、第二類樣本以及第三類 樣本。
另夕卜，特征才是耳又才莫塊144包括轉(zhuǎn)換才莫塊1442，用于將多個(gè)樣 本的RGB圖像信息轉(zhuǎn)換到HSV特征空間；以及直方圖信息提取模 塊1444，用于分別提取單一樣本區(qū)域內(nèi)HSV三通道的直方圖信息 作為多個(gè)才羊本的特4正。
另外，如圖4所示，樣本分類才莫塊148還包4舌迭fC才莫塊1482, 用于計(jì)算每個(gè)樣本與第 一類樣本的初始中心的第 一距離以及與第
二類樣本的初始中心的第二距離，然后使用最近鄰算法才艮據(jù)第一距 離和第二距離的大小將所有樣本分為第一類樣本和第二類樣本，使
用K均值算法計(jì)算第一類樣本和第二類樣本的平均特征作為第一 類樣本和第二類樣本新的中心，然后進(jìn)行迭代處理直到所有樣本類
別變化個(gè)凄t總和為零；統(tǒng)計(jì)才莫塊1484,用于統(tǒng)計(jì)第一類樣本和第二 類樣本的個(gè)數(shù)，如果第一類樣本和第二類樣本的個(gè)數(shù)差大于預(yù)定值，則將樣本數(shù)量較少的那類樣本作為第三類樣本，升對(duì)多個(gè)枰本 中剩余的樣本重復(fù)樣本初始中心確定才莫塊和迭代模塊中的處理，直
到第一類樣本的個(gè)數(shù)和第二類樣本的個(gè)數(shù)差小于等于預(yù)定值為止； 樣本特征計(jì)算模塊i486,用于在統(tǒng)計(jì)才莫塊1484中確定第一類樣本 和第二類樣本的個(gè)數(shù)差小于等于預(yù)定值的情況下，計(jì)算第一類樣本 和第二類樣本的所有特征相對(duì)應(yīng)的均值和協(xié)方差矩陣組；
Mahalanobis距離計(jì)算裝置1488，用于對(duì)每個(gè)樣本計(jì)算所有特征的 Mahalanobis3巨離之和，然后重復(fù)迭代才莫塊1482、統(tǒng)計(jì)才莫塊1484以 及樣本特征計(jì)算才莫塊I486中的處理，直到所有樣本類別變化個(gè)數(shù) 總和為零；以及第三類樣本個(gè)l欠確定才莫塊14卯，用于才艮據(jù)預(yù)定的概 率，確定第一類樣本和第二類樣本中作為第三類樣本的樣本個(gè)數(shù)； 閾值確定模塊1492,用于將每一類樣本到各自樣本中心的 Mahalanobis距離按照從大到小的順序進(jìn)行排序，將每類距離排序 中從前到后、排名等于第三類樣本個(gè)數(shù)的樣本所對(duì)應(yīng)的距離作為從 第一類樣本和第二類樣本中剔除第三類樣本的第一閾值和第二閾 值；以及類別判斷模塊1494，用于基于第一閾值和第二閾值將多個(gè) 樣本分為第一類樣本、第二類樣本、以及第三類樣本。
如圖5所示，匹配程度計(jì)算模塊106包括圖像接收模塊162， 用于接收包括待匹配目標(biāo)區(qū)域的輸入圖像；以及前景區(qū)域選取模塊 164，用于基于預(yù)定處理選取輸入圖像中的所有前景區(qū)域。
具體地，前景區(qū)域選耳又才莫塊164包括背景去除才莫塊1642,用 于利用主顏色分割處理，從輸入圖像中去除背景區(qū)域；以及前景區(qū) 域提取模塊1644,用于利用單連通域選擇處理，從經(jīng)過(guò)背景去除模 塊處理的圖像中提取所有前景區(qū)域。
另夕卜，匹配程度確定模塊106還包括匹配結(jié)果生成模塊166， 用于基于通過(guò)特征訓(xùn)練模塊104訓(xùn)練好的兩類特征，通過(guò)概率投影 進(jìn)4亍兩次計(jì)算，給出##入圖<象中所有前景目標(biāo)的匹配程度結(jié)果；以及類別判斷模塊168，用于提取所有前景區(qū)域的特征并分別計(jì)算特 征與通過(guò)特征訓(xùn)練才莫塊104訓(xùn)練得到的兩類前景樣本中心的 Mahalanobis距離，4要照最近鄰算法將所有前景區(qū)i或分為第一類才羊 本和第二類樣本，然后基于在特征訓(xùn)練模塊104中得到的分類判別 標(biāo)準(zhǔn)，從第一類樣本和第二類樣本中剔除第三類樣本，從而將所有 前景區(qū)域分為第一類樣本、第二類樣本以及第三類樣本。
圖6是示出根據(jù)本發(fā)明的匹配程度計(jì)算方法的流程圖。
參照?qǐng)D6，該匹配程度計(jì)算方法包括樣本選取步驟S602,使 樣本選擇模塊對(duì)輸入的訓(xùn)練樣本進(jìn)行選取，以得到對(duì)應(yīng)于單一前景 區(qū)域的多個(gè)樣本作為多個(gè)特征訓(xùn)練圖像；特征訓(xùn)練步驟S604，使特 征訓(xùn)練才莫塊對(duì)多個(gè)樣本4丸行預(yù)定處理，以自動(dòng)完成兩類特征的訓(xùn)練 以及分類判別標(biāo)準(zhǔn)的確定；以及匹配程度計(jì)算步驟S606,使匹配程 度計(jì)算模塊基于在訓(xùn)練步驟中訓(xùn)練得到的兩類特征和分類判別標(biāo) 準(zhǔn)，通過(guò)兩次計(jì)算，得到關(guān)于輸入圖像中所有前景區(qū)域的匹配程度 結(jié)果并對(duì)所有前景區(qū)域進(jìn)行分類。
下面，參照?qǐng)D7至圖13詳細(xì)描述本發(fā)明的實(shí)施例。
注意，在本發(fā)明的實(shí)施例中，以檢測(cè)兩類對(duì)象為例，但本發(fā)明 不P艮于it匕，本發(fā)明還可用于^r測(cè)三類或三類以上的^"象。
圖7是示出才艮據(jù)本發(fā)明實(shí)施例的系統(tǒng)流程。該流程分為訓(xùn)練樣 本選4奪、特征訓(xùn)練和匹配三個(gè)部分。
首先，描述訓(xùn)練階^a的處理。
701中所有的訓(xùn)練樣本為盡量多包含單一前景區(qū)域的前景圖像。在702中進(jìn)行訓(xùn)練樣本的選擇，具體過(guò)程如下 求取所有訓(xùn)練樣本圖像的長(zhǎng)、寬及長(zhǎng)寬比參數(shù)，并進(jìn)行保存；
分別計(jì)算所有訓(xùn)練圖像長(zhǎng)、寬及長(zhǎng)寬比各自對(duì)應(yīng)的兩個(gè)參數(shù)，
(W, ctw ), (H, & ), (ratio w , cr w ) 即，均值與方差，乂人而4尋到 W百；
基于長(zhǎng)、寬及長(zhǎng)寬比各自對(duì)應(yīng)的均值與方差，確定范圍限制條 件，假設(shè)樣本長(zhǎng)、寬及長(zhǎng)寬比參數(shù)為(W，H，ratio)，則范圍限制條件
定義為
W<(!,+C7W)
< _(H,-aH)<H<(5,+CrH)
(ratio w ,-crw ) < ratio < (ratio w ,+crw)
. ￥"S" 百 "S"; 以及
將所有符合長(zhǎng)、寬及長(zhǎng)寬比限制條件的最終訓(xùn)練圖像作為輸 出，發(fā)送到特征訓(xùn)練模塊用于訓(xùn)練。
在單一前景區(qū)域選取的過(guò)程中可以具體才艮據(jù)前景樣本類別的 不同來(lái)選擇不同的形狀限制方式；大小、形狀的限制方式以選擇的
前景區(qū)域?qū)?yīng)單個(gè)跟蹤目標(biāo)為標(biāo)準(zhǔn)；并且所有訓(xùn)練圖像不需要用手 工標(biāo)定任何信息。
接下來(lái)，在703中進(jìn)行特征訓(xùn)練，訓(xùn)練過(guò)程具體如下
(1 )輸入所有符合單一前景區(qū)域范圍限制條件的最終訓(xùn)練樣 本圖像；
(2)提取所有最終訓(xùn)練樣本圖像的特征，在本實(shí)施中采用如 下特征提取處理對(duì)于每個(gè)最終訓(xùn)練樣本圖像，首先將RGB圖像信息轉(zhuǎn)換到HSV特征空間；其次，提取單一樣本區(qū)域內(nèi)HSV三通 道各自的直方圖信息，作為三類特征，訓(xùn)練樣本的圖像特征如圖8 所示；
(3)用HSV三個(gè)直方圖的歐式距離平方和D'J作為評(píng)價(jià)方式， 確定所有最終訓(xùn)練樣本圖像特征之間的兩兩距離；
D,j =2(hik —hJk)2 + 2(sik -sJk)2 +^(vlk — Vjk)2
k=l k=l k=l
其中，i， j為表示訓(xùn)練集中第i， j個(gè)樣本的編號(hào)；nH，ns， 對(duì)應(yīng) 表示HSV三通道直方圖的維凄t， ^Ak,Vik表示第i個(gè)樣本的HSV三
通道直方圖每一維上的系^:， h」k'Sjk，Vjk同理；
(4 )將D"距離最大的兩個(gè)樣本作為兩類樣本的初始中心；
(5 )利用距離評(píng)價(jià)方式D ,計(jì)算每個(gè)樣本對(duì)該類樣本特征中心 的距萬(wàn)Da，Db: <formula>formula see original document page 25</formula>
其中，hAk,SM,VAk表示特征中心A, HSV三通道直方圖每一維上 的系凄t ， hBk, sBk ， vBk同j里。
然后，使用最近鄰分類方法，根據(jù)Da，Db的大小將所有祥本分 為AB兩類，具體處J里方法為
<formula>formula see original document page 25</formula>fA若D八<DB
然后，分別計(jì)算AB兩類樣本平均特征，作為新的特征中心:
其中，、表示A類樣本特征中心，nA為A類才羊本總-數(shù)，^為 A類中第k個(gè)才羊本；Cb, nb， S祉同J里；
然后進(jìn)行迭代分類，直到所有樣本類別變化個(gè)數(shù)總和為零，從 而將所有才羊本圖^f象分為AB兩類；
(6) 統(tǒng)計(jì)兩類才羊本的個(gè)H如果總lt相差過(guò)大，則將樣本凄t 較少的那類作為背景類C;否則，進(jìn)入(8);
(7) 對(duì)剩余樣本重復(fù)(3) ~ (6)的處理，直到兩類樣本個(gè) 凄t相當(dāng)；
(8) 統(tǒng)計(jì)兩類樣本所有特征對(duì)應(yīng)的均值CA， Cs與協(xié)方差矩陣 組CoVa， Covb:
<formula>formula see original document page 26</formula>其中，S細(xì)為A類中第k個(gè)樣本的H直方圖特4i， c旭為A類 中心的H直方圖特征，cov旭為A類樣本H通道特征對(duì)應(yīng)的協(xié)方差
頭巨卩車，SBkH ,cbh，COVAS，COVAV,COVBH ,COVBS， COVbv同j里；
(9 )對(duì)每個(gè)樣本計(jì)算對(duì)特4i中心CA ， CB, HSV三通道的 Mahalanobis距離之和dm ,來(lái)替換距離評(píng)價(jià)方式D :
DMA, = ( Sw — C站)T cov丄 ( Sw — C旭)+ (S,s - CAS )T co《 ( S,s _ CAS) + (S,v — CAV )T cov丄 (SlV - CAV) Dmbj = (S,H - CBH)T cov丄 (SH — CBH) + (Sis - CBS)T covB's (S,s _ CBS) + (S,v — CBV)T cov丄 (Siv - CBV)
其中，S,H表示所有訓(xùn)練樣本中第i個(gè)樣本的H直方圖特征，其它同 理；
重復(fù)(5) ~ (9)的處理，直到所有樣本類別變化個(gè)數(shù)總和為
零；
(10)假設(shè)在(9)的分類完畢后的結(jié)果中每類包含背景的概
率為則兩類中作為背景類的樣本個(gè)數(shù)1nb = nbx
(11 )將每類樣本到各自特征均值的Mahalanobis距離按照從 大到小的順序進(jìn)行排序，將距禹最大的第Na， &個(gè)樣本對(duì)應(yīng)的距離 作為從每類中剔除背景圖像的闊值D'hd,A,D加,b ;
(12)利用閾值D械A(chǔ)，D試B,分別乂人兩類樣本中剔除背景樣本， 對(duì)所有訓(xùn)練樣本圖像進(jìn)行類別判斷；類別=
/^DA<D,A<DthdA B若Db <Daj_DB <DthdB C*DA<DBiDA2DthdA C若Db 〈Da且D"D,
<1〉
在訓(xùn)練過(guò)程中，使用對(duì)應(yīng)于單一目標(biāo)的圖像作為訓(xùn)練圖像，且 訓(xùn)練得到的特征匹配程度是對(duì)應(yīng)于單一 目標(biāo)的。
此外，用無(wú)須估計(jì)參數(shù)的距離評(píng)價(jià)方式確定兩類樣本的初始分 布中心，用無(wú)須估計(jì)參數(shù)的距離評(píng)價(jià)方式，通過(guò)迭代收斂方法將所 有樣本分為兩類，用無(wú)須估計(jì)參數(shù)的距離評(píng)價(jià)方式，通過(guò)迭代收斂 方法，初步剔除背景樣本。然后，對(duì)于每個(gè)樣本來(lái)說(shuō)，如果包含多 類特征，則用所有特征各自對(duì)應(yīng)的Mahalanobis距離之和DM表示每 個(gè)樣本與所屬類中心的差異，利用對(duì)所有樣本與各自對(duì)應(yīng)特征均值 距離排序的方法，將給定的背景類占樣本數(shù)量的百分比閾值，轉(zhuǎn)換 為每類剔除背景圖4象的3巨離閾^f直D織a，D械b 。
接下來(lái)，參照?qǐng)D9描述匹配程度計(jì)算階段704的處理，具體過(guò) 程如下
在901中，輸入所有待匹配目標(biāo)區(qū)域所在的圖像；
在902中，利用主顏色分割方法，乂人待匹配圖^f象中去除背景區(qū)
域；
在903中，利用單連通域選擇方法，從待匹配圖像中提取所有 前景區(qū)域，如圖IO所示；
在904中，利用訓(xùn)練好的特征，通過(guò)概率投影的方法，經(jīng)兩次 計(jì)算，^^出所有前景目標(biāo)區(qū)^^的匹配程度；
28圖11示出了經(jīng)過(guò)訓(xùn)練得到的兩類前景樣本中心對(duì)應(yīng)的直方圖
概率分布曲線。其中，橫坐標(biāo)為HSV特征值，縱軸為相似度匹西己 結(jié)果。任意給定HSV特征值，垂直向兩條曲線上投影，投影點(diǎn)的 縱坐標(biāo)就是該特征值對(duì)應(yīng)的匹配程度。從圖11可以看出，同一特 征值經(jīng)AB兩條曲線得到的才更影相似度匹配結(jié)果SA、 Sb不同。
將每張待匹配圖像經(jīng)兩直方圖曲線投影得到對(duì)應(yīng)于兩類樣本 的相似度匹配結(jié)果，如圖12 (a)、圖12 (b)所示。
在卯5中，才是耳又所有前景區(qū)域的HSV直方圖特4正，并分別計(jì). 算其與訓(xùn)練得到的兩類前景樣本特征中心的Mahalanobis距離dma ， DMB;
fDMA = (SH - C化)t C0Va'h (SH - C^) + (Ss -CAS)T co" (Ss -CAS) + (Sv - CAV)T cov丄 ( Sv — CAV) 1 Dmb = (SH — CBH)T COvB'H (SH — CBH) + (Ss -CBS)T coy" (Ss -CBS) + (Sv - CBV)T cov; (Sv — CBV)
然后，將計(jì)算得到的距離，根據(jù)每類對(duì)應(yīng)的剔除背景圖像閾值 Dthd.A，Dthd3,使用公式O對(duì)前景樣本作判斷，將其分為AB兩類前
景或c類背景。
接下來(lái)，根據(jù)每個(gè)前景目標(biāo)區(qū)域分類結(jié)果，從903得到的兩張 匹配圖4象中，挑選對(duì)應(yīng)區(qū)域作為匹配程度計(jì)算的結(jié)果。例如，樣本 i被判斷為屬于A類，則選取A類直方圖投影結(jié)果圖像中樣本i所 對(duì)應(yīng)的區(qū)域，作為樣本i的匹配程度計(jì)算結(jié)果。
如圖12的方框中的小區(qū)域所示，在輸出的兩張匹配結(jié)果圖像 中，A類目標(biāo)的匹配一呈度在對(duì)應(yīng)A類目標(biāo)的匹配圖^f象(a )中，明 顯大于其在對(duì)應(yīng)B類目標(biāo)圖像(b)中的匹配程度(亮度對(duì)應(yīng)匹配 程度，越亮，匹配程度越高)。B類目標(biāo)結(jié)果同理?？梢钥闯?，本發(fā)明可在對(duì)一類樣本增強(qiáng)匹配程度的同時(shí)，減少 了另一類樣本的匹配程度，從而減輕后續(xù)分析過(guò)程中，兩類樣本間 的相互影響。
在匹配程度計(jì)算階段中，根據(jù)訓(xùn)練好的兩類前景特征均值，對(duì)
每個(gè);f寺匹配前景區(qū)域4吏用相無(wú)率才殳影的方式計(jì)算匹配程度，^又通過(guò)兩 次計(jì)算，就能夠完成多個(gè)目標(biāo)區(qū)域匹配程度的計(jì)算。
此外，匹配程度計(jì)算模塊可以同時(shí)給出目標(biāo)區(qū)域的匹配程度及 分類結(jié)果，并且可以在對(duì)一類樣本增強(qiáng)匹配程度的同時(shí)，減少另一 類樣本的匹配程度，從而以減輕后續(xù)分析過(guò)程中兩類樣本間的相互影響。
圖13是示出所有前景區(qū)域的匹配程度圖像及分類結(jié)果的實(shí)驗(yàn) 結(jié)果的示圖。實(shí)驗(yàn)結(jié)果表明，本方法對(duì)多目標(biāo)匹配程度的確定，便 捷、準(zhǔn)確而有效。
通過(guò)本發(fā)明的4支術(shù)方案，實(shí)現(xiàn)了以下優(yōu)點(diǎn)在訓(xùn)練過(guò)程中，所 有工作都不需要手工的干預(yù)，由系統(tǒng)自動(dòng)完成對(duì)單一前景區(qū):l或訓(xùn)練 樣本的提取及自動(dòng)分類；對(duì)一張待匹配圖像中，屬于兩種類別的多 個(gè)跟蹤區(qū)域，僅通過(guò)兩次計(jì)算，就可以給出全部區(qū)域各自對(duì)應(yīng)的匹 配程度及分類結(jié)果；以及可以在對(duì)一類樣本增強(qiáng)匹配程度的同時(shí)， 減少另 一類樣本的匹配程度，從而減輕后續(xù)分析過(guò)程中兩類樣本間 的相互影響。
注意，實(shí)施例僅給出了本發(fā)明在一種特定環(huán)境下的應(yīng)用方式， 對(duì)算法不具有限定條件。本系統(tǒng)應(yīng)用于圖像或者—見(jiàn)頻數(shù)據(jù)中對(duì)目標(biāo) 區(qū)域匹配程度的計(jì)算及類別判定。該方法也可以與其他特征和方法 聯(lián)合來(lái)共同完成兩類目標(biāo)匹配程度的計(jì)算與分類。通過(guò)本發(fā)明，提 高了算法的應(yīng)用^f更捷性和對(duì)特征分類的準(zhǔn)確性。以上〗又為本發(fā)明的優(yōu)選實(shí)施例而已，并不用于限制本發(fā)明，對(duì) 于本領(lǐng)域的技術(shù)人員來(lái)說(shuō)，本發(fā)明可以有各種更改和變化。凡在本 發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均 應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
權(quán)利要求
1.一種匹配程度計(jì)算裝置，用于在圖像分析中計(jì)算目標(biāo)區(qū)域的匹配程度并對(duì)所述目標(biāo)區(qū)域進(jìn)行分類，其特征在于，所述匹配程度計(jì)算裝置包括樣本選取模塊，用于對(duì)輸入的訓(xùn)練樣本進(jìn)行選取，以得到對(duì)應(yīng)于單一前景區(qū)域的多個(gè)樣本作為多個(gè)特征訓(xùn)練圖像；特征訓(xùn)練模塊，用于對(duì)所述多個(gè)樣本執(zhí)行預(yù)定處理，以自動(dòng)完成多類特征的訓(xùn)練以及分類判別標(biāo)準(zhǔn)的確定；以及匹配程度計(jì)算模塊，用于基于通過(guò)所述特征訓(xùn)練模塊訓(xùn)練得到的多類特征和分類判別標(biāo)準(zhǔn)，計(jì)算得到關(guān)于輸入圖像中所有前景區(qū)域的匹配程度結(jié)果并對(duì)所有前景區(qū)域進(jìn)行分類。
2. 才艮據(jù)權(quán)利要求1所述的匹配程度計(jì)算裝置，其特征在于，所述 樣本選取才莫塊包括訓(xùn)練圖像集采集模塊，用于從所輸入的訓(xùn)練樣本中采集 預(yù)定數(shù)量的包括一個(gè)或多個(gè)前景區(qū)域的訓(xùn)練圖像作為訓(xùn)練圖 像集；范圍限制條件獲取模塊，用于統(tǒng)計(jì)所述訓(xùn)練圖像集中的 所有訓(xùn)練圖像的大小和形狀參數(shù)，獲取對(duì)應(yīng)于單一前景區(qū)域的范圍限制條件；以及特征訓(xùn)練圖像選擇模塊，用于基于通過(guò)所述范圍限制條 件獲取模塊所獲取的所述范圍限制條件，從所有訓(xùn)練圖像中選 擇對(duì)應(yīng)于單一前景區(qū)域的所述多個(gè)特征訓(xùn)練圖像。
3. 根據(jù)權(quán)利要求2所述的匹配程度計(jì)算裝置，其特征在于，所述 范圍限制條件獲取模塊包括計(jì)算模塊，用于求取所有訓(xùn)練圖像的長(zhǎng)、寬、以及長(zhǎng)寬 比參數(shù)，并分別計(jì)算所有訓(xùn)練圖像的長(zhǎng)、寬、以及長(zhǎng)寬比所對(duì) 應(yīng)的均4直和方差；以及范圍限制條件確定模塊，用于基于在所述計(jì)算模塊中得 到的所述均值和所述方差，確定范圍限制條件。
4. 根據(jù)權(quán)利要求1所述的匹配程度計(jì)算裝置，其特征在于，所述 特征訓(xùn)練^^塊包括樣本接收模塊，用于接收從所述樣本選取模塊中輸出的 所述多個(gè)樣本；特征提取模塊，用于提取所述多個(gè)樣本中每一個(gè)的特征；樣本初始中心確定模塊，用于計(jì)算所述多個(gè)樣本之間的 兩兩距離，并將距離最大的兩個(gè)樣本確定為第一類樣本的初始 中心和第二類才羊本的初始中心；以及樣本分類才莫塊，用于以通過(guò)所述樣本初始中心確定才莫塊 所確定的所述初始中心為起點(diǎn)，綜合4吏用最近鄰和K均值兩 種自動(dòng)聚類算法，通過(guò)迭代到最終收斂中心的方式得到第 一 閾 值和第二閾值，然后利用所述第 一 閾值和所述第二閾值將所述 多個(gè)樣本分為所述第 一類樣本、所述第二類樣本以及第三類樣本。
5. 根據(jù)權(quán)利要求4所述的匹配程度計(jì)算裝置，其特征在于，所述 特征提取模塊包括轉(zhuǎn)換模塊，用于將所述多個(gè)樣本的RGB圖像信息轉(zhuǎn)換到 HSV特^正空間；以及直方圖信息提取模塊，用于分別提取單一樣本區(qū)域內(nèi)—HSV三通道的直方圖信息作為所述多個(gè)樣本的特征。
6. 根據(jù)權(quán)利要求4所述的匹配程度計(jì)算裝置，其特征在于，所述 樣本分類模塊還包括迭代模塊，用于計(jì)算每個(gè)樣本與所述第一類樣本的初始 中心的第一3巨離以及與所述第二類樣本的初始中心的第二距 離，然后使用最近鄰算法根據(jù)所述第一距離和所述第二距離的 大小將所有樣本分為所述第 一類樣本和所述第二類樣本，使用 K均值算法計(jì)算所述第一類樣本和所述第二類樣本的平均特 征作為所述第一類樣本和所述第二類才羊本新的中心，然后進(jìn)4亍 迭代處理直到所有樣本類別變化個(gè)數(shù)總和為零；統(tǒng)計(jì)才莫塊，用于統(tǒng)計(jì)所述第一類樣本和所述第二類樣本 的個(gè)數(shù)，如果所述第一類樣本和所述第二類樣本的個(gè)數(shù)差大于 預(yù)定值，則將樣本數(shù)量較少的那類樣本作為第三類樣本，并對(duì) 所述多個(gè)樣本中剩余的樣本重復(fù)所述樣本初始中心確定才莫塊 和所述迭代;漠塊中的處理，直到所述第 一類樣本的個(gè)數(shù)和所述 第二類樣本的個(gè)數(shù)差小于等于所述預(yù)定值為止；樣本特征計(jì)算模塊，用于在所述統(tǒng)計(jì)才莫塊中確定所述第 一類樣本和所述第二類樣本的個(gè)數(shù)差小于等于所述預(yù)定值的 情況下，計(jì)算所述第一類樣本和所述第二類樣本的所有特征相 對(duì)應(yīng)的均值和妨、方差矩陣組；Mahalanobis距離計(jì)算裝置，用于對(duì)每個(gè)樣本計(jì)算所有特 征的Mahalanobis距離之和，然后重復(fù)所述迭代模塊、所述統(tǒng) 計(jì)模塊以及所述樣本特征計(jì)算模塊中的處理，直到所有樣本類 別變化個(gè)數(shù)總和為零；以及第三類樣本個(gè)凄t確定才莫塊，用于沖艮據(jù)預(yù)定的祁無(wú)率，確定 所述第一類樣本和所述第二類樣本中作為第三類樣本的樣本個(gè)數(shù)；閾值確定模塊，用于將每一類樣本到各自樣本中心的 Mahalanobis距離按照從大到小的順序進(jìn)行排序，將每類距離 排序中從前到后、排名等于第三類樣本個(gè)數(shù)的樣本所對(duì)應(yīng)的距 離作為從所述第 一類樣本和所述第二類樣本中剔除所述第三 類樣本的所述第一閾值和所述第二閾值；以及類別判斷模塊，用于基于所述第一閾值和所述第二閾值 將所述多個(gè)樣本分為所述第一類樣本、所述第二類樣本、以及 所述第三類樣本。
7. 根據(jù)權(quán)利要求1所述的匹配程度計(jì)算裝置，其特征在于，所述 匹配程度計(jì)算模塊包括圖像接收模塊，用于接收包括待匹配目標(biāo)區(qū)域的所述輸 入圖J象；以及前景區(qū)域選取模塊，用于基于預(yù)定處理選取所述輸入圖 ^像中的所有前景區(qū)域。
8. 根據(jù)權(quán)利要求7所述的匹配程度計(jì)算裝置，其特征在于，所述 前景區(qū)域選取4莫塊還包括背景去除模塊，用于利用主顏色分割處理，從所述輸入 圖像中去除背景區(qū)域；以及前景區(qū)域提取模塊，用于利用單連通域選擇處理，從經(jīng) 過(guò)所述背景去除模塊處理的圖像中提取所有前景區(qū)域。
9. 4艮據(jù)權(quán)利要求7所述的匹配程度計(jì)算裝置，其特征在于，所迷 匹配程度計(jì)算才莫塊還包括匹配結(jié)果生成才莫塊，用于基于通過(guò)所述特4i訓(xùn)練才莫塊訓(xùn) 練好的兩類特征，通過(guò)概率投影進(jìn)行兩次計(jì)算，給出輸入圖像 中所有前景的匹配程度結(jié)果；以及類別判斷模塊，用于提取所有前景區(qū)域的特征并分別計(jì) 算所述特征與通過(guò)所述特征訓(xùn)練模塊訓(xùn)練得到的兩類前景樣 本中心的Mahalanobis距離，按照最近鄰算法將所有前景區(qū)域 分為第 一類樣本和第二類樣本，然后基于在所述特征訓(xùn)練模塊 中得到的所述分類判別標(biāo)準(zhǔn)，從所述第 一類樣本和所述第二類 樣本中剔除第三類樣本，從而將所有前景區(qū)域分為所述第 一類 樣本、所述第二類樣本以及所述第三類樣本。
10. —種匹配程度計(jì)算方法，用于在圖像分析中計(jì)算目標(biāo)區(qū)域的匹 配程度并對(duì)所述目標(biāo)區(qū)域進(jìn)行分類，其特征在于，所述方法包 4舌以下步-驟樣本選取步驟，4吏才羊本選擇才莫塊對(duì)輸入的訓(xùn)練樣本進(jìn)4亍 選取，以得到對(duì)應(yīng)于單一前景區(qū)域的多個(gè)樣本作為多個(gè)特征訓(xùn) 練圖像；特征訓(xùn)練步驟，4吏特征訓(xùn)練才莫塊對(duì)所述多個(gè)樣本扭J亍預(yù) 定處理，以自動(dòng)完成多類特4i的訓(xùn)練以及分類判別標(biāo)準(zhǔn)的確 定；以及匹配程度計(jì)算步驟，使匹配程度計(jì)算模塊基于在所述訓(xùn) 練步驟中訓(xùn)練得到的多類特征和分類判別標(biāo)準(zhǔn)，計(jì)算得到關(guān)于 輸入圖像中所有前景區(qū)域的匹配程度結(jié)果并對(duì)所有前景區(qū)域 進(jìn)行分類。
11. 才艮據(jù)4又利要求10所述的匹配程度計(jì)算方法，其特4正在于，所 述樣本選取步驟還包括訓(xùn)練圖像集采集步驟，使訓(xùn)練圖像集采集模塊從所輸入 的訓(xùn)練樣本中采集預(yù)定數(shù)量的包括 一 個(gè)或多個(gè)前景區(qū)域的訓(xùn) 練圖像作為訓(xùn)練圖像集；范圍限制條件獲取步驟，使范圍限制條件獲取模塊統(tǒng)計(jì)所述訓(xùn)練圖像集中的所有訓(xùn)練圖像的大小和形狀參數(shù)，獲取對(duì) 應(yīng)于單一前景區(qū)域的范圍限制條件；以及特征訓(xùn)練圖像選擇步驟，使特征訓(xùn)練圖像選擇模塊基于 在所述范圍限制條件獲取步驟獲取的所述范圍限制條件，從所 有訓(xùn)練圖像中選擇對(duì)應(yīng)于單 一 前景區(qū)域的所述多個(gè)特征訓(xùn)練 圖像。
12. 才艮據(jù)4又利要求11所述的匹配程度計(jì)算方法，其特4正在于，所 述范圍限制條件獲取步驟還包括計(jì)算步驟，使計(jì)算模塊求取所有訓(xùn)練圖像的長(zhǎng)、寬、以 及長(zhǎng)寬比參數(shù)，并分別計(jì)算所有訓(xùn)練圖像的長(zhǎng)、寬、以及長(zhǎng)寬 比所^j"應(yīng)的均^直和方差；以及范圍限制條件確定步驟，用于使范圍限制條件確定模塊 基于在所述計(jì)算步驟中得到的所述均值和所述方差，確定范圍 限制條件。
13. 根據(jù)權(quán)利要求10所述的匹配程度計(jì)算方法，其特征在于，所 述特征訓(xùn)練步驟還包括樣本接收步驟，用于〗吏樣本4妄收才莫塊^姿收在所述樣本選 耳又步驟中輸出的所述多個(gè)樣本；特征提取步驟，用于使特征提取模塊提取所述多個(gè)樣本 中每一個(gè)的凈爭(zhēng);^正；樣本初始中心確定步驟，用于^f吏樣本初始中心確定才莫塊 計(jì)算所述多個(gè)樣本之間的兩兩距離，并將距離最大的兩個(gè)樣本確定為第 一類才羊本的初始中心和第二類才羊本的初始中心；樣本分類步驟，用于使樣本分類才莫塊以在所述樣本初始 中心確定步驟中確定的所述初始中心為起點(diǎn)，綜合4吏用最近鄰 和K均值兩種自動(dòng)聚類算法，通過(guò)迭代到最終收斂中心的方 式得到第 一閾值和第二閾值，然后利用所述第 一閾值和所述第 二閾值將所述多個(gè)樣本分為所述第一類樣本、所述第二類樣本 以及第三類樣本。
14. 根據(jù)權(quán)利要求13所述的匹配程度計(jì)算方法，其特征在于，所 述特征提取步驟還包括轉(zhuǎn)換步驟，使轉(zhuǎn)換模塊將所述多個(gè)樣本的RGB圖像信息 轉(zhuǎn)換到HSV特征空間；以及直方圖信息提取步驟，使直方圖信息提取模塊分別提取 單一樣本區(qū)域內(nèi)HSV三通道的直方圖信息作為所述多個(gè)樣本 的特征。
15. 根據(jù)權(quán)利要求13所述的匹配程度計(jì)算方法，其特征在于，所 述樣本分類步一銀還包括迭代步驟，使迭代模塊計(jì)算每個(gè)樣本與所述第一類樣本 的初始中心的第 一距離以及與所述第二類樣本的初始中心的 第二距離，然后使用最近鄰算法根據(jù)所述第 一距離和所述第二 距離的大小將所有樣本分為所述第 一類樣本和所述第二類樣 本，使用K均值算法計(jì)算所述第一類樣本和所述第二類樣本 的平均特征作為所述第 一類樣本和所述第二類樣本新的中心， 然后進(jìn)行迭代處理直到所有樣本類別變化個(gè)數(shù)總和為零；統(tǒng)計(jì)步驟，4吏統(tǒng)計(jì)才莫塊統(tǒng)計(jì)所述第一類樣本和所述第二 類樣本的個(gè)數(shù)，如果所述第 一類樣本和所述第二類樣本的個(gè)數(shù) 差大于預(yù)定值，則將樣本數(shù)量較少的那類樣本作為第三類樣 本，并對(duì)所述多個(gè)樣本中剩余的樣本重復(fù)所述樣本初始中心確 定模塊和所述迭代模塊中的處理，直到所述第 一類樣本的個(gè)數(shù)和所述第二類樣本的個(gè)數(shù)差小于等于所述預(yù)定值為止；樣本特征計(jì)算步驟，使樣本特征計(jì)算模塊在所述統(tǒng)計(jì)步 驟中確定所述第一類樣本和所述第二類樣本的個(gè)數(shù)差小于等 于所述預(yù)定值的情況下，計(jì)算所述第一類樣本和所述第二類樣 本的所有特4正相對(duì)應(yīng)的均值和協(xié)方差矩陣組；Mahalanobis距離計(jì)算步驟，使Mahalanobis距離計(jì)算裝 置對(duì)每個(gè)樣本計(jì)算所有特征的Mahalanobis距離之和，然后重 復(fù)所述迭代步驟、所述統(tǒng)計(jì)步驟以及所述樣本特征計(jì)算步驟中 的處理，直到所有樣本類別變化個(gè)數(shù)總和為零；以及第三類樣本個(gè)數(shù)確定步驟，使第三類樣本個(gè)數(shù)確定模塊 根據(jù)預(yù)定的概率，確定所述第一類樣本和所述第二類樣本中作 為第三類樣本的樣本個(gè)數(shù)；閾值確定步驟，使閾值確定模塊將每一類樣本到各自樣 本中心的Mahalanobis距離按照從大到小的順序進(jìn)行排序，將 每類距離排序中從前到后、排名等于第三類樣本個(gè)數(shù)的樣本所 對(duì)應(yīng)的距離作為從所述第一類樣本和所述第二類樣本中剔除 所述第三類樣本的所述第一閾值和所述第二閾4直；以及分類步驟，使類別判斷模塊基于所述第一閾值和所述第 二閾值將所述多個(gè)樣本分為所述第一類樣本、所述第二類樣 本、以及所述第三類沖羊本。
16. 根據(jù)權(quán)利要求10所迷的匹配程度計(jì)算方法，其特征在于，所 述匹配程度計(jì)算步驟還包括圖像接收步驟，使圖像接收模塊接收包括待匹配目標(biāo)區(qū) 域的所述輸入圖像；以及前景區(qū)域選取步驟，使前景區(qū)域選取模塊基于預(yù)定處理 選取所述輸入圖 <象中的所有前景區(qū)域。
17. 4艮據(jù)權(quán)利要求16所述的匹配程度計(jì)算方法，其特4正在于，所 述前景區(qū)域選取步驟還包括背景去除步驟，使背景去除模塊利用主顏色分割處理， 從所述輸入圖像中去除背景區(qū)域；以及前景區(qū)域提取步驟，使前景區(qū)域提取模塊利用單連通域 選擇處理，乂人經(jīng)過(guò)所述背景去除才莫塊處理的圖 <象中l(wèi)是取所有前 景區(qū)域。
18. 根據(jù)權(quán)利要求16所述的匹配程度計(jì)算方法，其特征在于，所 述匹配程度確定步驟還包括匹配結(jié)果生成步驟，使匹配結(jié)果生成模塊基于通過(guò)在所 述訓(xùn)練步驟中訓(xùn)練好的兩類特征，通過(guò)概率4殳影進(jìn)行兩次計(jì) 算，給出輸入圖像中所有前景的匹配程度結(jié)果；以及類別判斷步驟，使類別判斷模塊提取所有前景區(qū)域的特 征并分別計(jì)算所述特征與通過(guò)所述特征訓(xùn)練才莫塊訓(xùn)練得到的 兩類前景樣本中心的Mahalanobis距離，按照最近鄰算法將所 有前景區(qū)域分為第 一類樣本和第二類樣本，然后基于在所述特 征訓(xùn)練步驟中得到的所述分類判別標(biāo)準(zhǔn)，乂人所述第 一類樣本和 所述第二類樣本中剔除第三類樣本，從而將所有前景區(qū)域分為 所述第一類樣本、所述第二類樣本以及所述第三類樣本。
全文摘要
本發(fā)明公開(kāi)了匹配程度計(jì)算裝置及方法，其中，該匹配程度計(jì)算裝置包括樣本選取模塊，用于對(duì)輸入的訓(xùn)練樣本進(jìn)行選取，以得到對(duì)應(yīng)于單一前景區(qū)域的多個(gè)樣本用于特征訓(xùn)練；特征訓(xùn)練模塊，用于對(duì)多個(gè)樣本執(zhí)行預(yù)定處理，以自動(dòng)完成多類特征的訓(xùn)練以及分類判別標(biāo)準(zhǔn)的確定；以及匹配程度計(jì)算模塊，用于基于通過(guò)特征訓(xùn)練模塊訓(xùn)練好的多類特征和分類判別標(biāo)準(zhǔn)，計(jì)算得出輸入圖像中所有前景區(qū)域的匹配程度結(jié)果并進(jìn)行分類。通過(guò)本發(fā)明，提高了算法的應(yīng)用便捷性和對(duì)特征分類的準(zhǔn)確性。
文檔編號(hào)G06K9/62GK101655909SQ20081021012
公開(kāi)日2010年2月24日 申請(qǐng)日期2008年8月21日 優(yōu)先權(quán)日2008年8月21日
發(fā)明者吳偉國(guó), 張斯聰 申請(qǐng)人:索尼(中國(guó))有限公司