圖像特征提取方法及裝置制造方法
【專利摘要】本發(fā)明公開一種圖像特征提取方法及裝置,其方法包括:標(biāo)定訓(xùn)練集圖庫(kù)中各圖像輪廓的特征點(diǎn),得到訓(xùn)練集圖庫(kù)的特征點(diǎn)矩陣;從特征點(diǎn)矩陣中提取特征向量矩陣、特征向量值以及所述訓(xùn)練集圖庫(kù)的平均特征點(diǎn)幾何位置;通過隨機(jī)森林算法生成所述訓(xùn)練集圖庫(kù)中每個(gè)特征點(diǎn)的隨機(jī)森林局部紋理模型;根據(jù)隨機(jī)森林局部紋理模型、特征向量矩陣、特征向量值以及平均特征點(diǎn)幾何位置對(duì)當(dāng)前輸入圖像進(jìn)行特征提取。本發(fā)明基于主動(dòng)形態(tài)模型算法的框架,利用隨機(jī)森林算法生成的局部紋理模型,改善了主動(dòng)形態(tài)模型算法在分辨率低的算法健壯性;減少光照和色差的干擾,增強(qiáng)臉部特征點(diǎn)定位的魯棒性;同時(shí)極大的減小了計(jì)算復(fù)雜度,增加了特征點(diǎn)定位的實(shí)時(shí)性、準(zhǔn)確性。
【專利說明】圖像特征提取方法及裝置
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及圖像處理【技術(shù)領(lǐng)域】,尤其涉及一種圖像特征提取方法及裝置?!颈尘凹夹g(shù)】
[0002]目前,在照相軟件中通常采用主動(dòng)形態(tài)模型(ASM,Active Shape Model)來實(shí)現(xiàn)臉部特征點(diǎn)的定位和臉部輪廓的提取。其基本原理是:首先統(tǒng)計(jì)訓(xùn)練集中特征點(diǎn)連線法線上的圖像梯度信息,之后將該梯度信息作為特征點(diǎn)逼近搜索的參照物,確定與訓(xùn)練集的梯度信息相似度最高的像素為目標(biāo)特征點(diǎn)。
[0003]然而,現(xiàn)有的這種臉部特征的提取方法中,由于主動(dòng)形態(tài)模型中的圖像梯度信息易于受光照和色差以及個(gè)體樣本差異影響,使得生成的局部紋理模型包含了過多的個(gè)體紋理信息,不具備唯一表征性,紋理模型健壯性欠佳;此外,主動(dòng)形態(tài)模型中的建立局部紋理模型時(shí),需要計(jì)算出法線上若干像素的梯度信息、歸一化處理,生成特征點(diǎn)的梯度向量,然后計(jì)算出所有特征點(diǎn)的梯度向量矩陣,在搜索過程中每次需要計(jì)算當(dāng)前搜索形狀的梯度向量矩陣和訓(xùn)練集梯度向量矩陣的相似度,由此使得計(jì)算復(fù)雜度高;而且對(duì)于分辨率較低的圖像,受限于局部像素信息,主動(dòng)形態(tài)模型的梯度紋理模型識(shí)別效果較差。
【發(fā)明內(nèi)容】
[0004]本發(fā)明的主要目的在于提供一種圖像特征提取方法及裝置,旨在降低計(jì)算復(fù)雜度,提高特征提取的準(zhǔn)確性和實(shí)時(shí)性。
[0005]為了達(dá)到上述目的,本發(fā)明提出一種圖像特征提取方法,包括:
[0006]標(biāo)定訓(xùn)練集圖庫(kù)中各圖像輪廓的特征點(diǎn),得到訓(xùn)練集圖庫(kù)的特征點(diǎn)矩陣;
[0007]從所述特征點(diǎn)矩陣中提取特征向量矩陣、特征向量值以及所述訓(xùn)練集圖庫(kù)的平均特征點(diǎn)幾何位置;通過隨機(jī)森林算法生成所述訓(xùn)練集圖庫(kù)中每個(gè)特征點(diǎn)的隨機(jī)森林局部紋理模型;
[0008]根據(jù)所述隨機(jī)森林局部紋理模型、所述特征向量矩陣、特征向量值以及平均特征點(diǎn)幾何位置對(duì)當(dāng)前輸入圖像進(jìn)行特征提取。
[0009]本發(fā)明還提出一種圖像特征提取裝置,包括:
[0010]標(biāo)定模塊,用于標(biāo)定訓(xùn)練集圖庫(kù)中各圖像輪廓的特征點(diǎn),得到訓(xùn)練集圖庫(kù)的特征點(diǎn)矩陣;
[0011]第一提取模塊,用于從所述特征點(diǎn)矩陣中提取特征向量矩陣、特征向量值以及所述訓(xùn)練集圖庫(kù)的平均特征點(diǎn)幾何位置;
[0012]模型建立模塊,用于通過隨機(jī)森林算法生成所述訓(xùn)練集圖庫(kù)中每個(gè)特征點(diǎn)的隨機(jī)森林局部紋理模型;
[0013]第二提取模塊,用于根據(jù)所述隨機(jī)森林局部紋理模型、所述特征向量矩陣、特征向量值以及平均特征點(diǎn)幾何位置對(duì)當(dāng)前輸入圖像進(jìn)行特征提取。
[0014]本發(fā)明提出的一種圖像特征提取方法及裝置,通過標(biāo)定訓(xùn)練集圖庫(kù)中各圖像輪廓的特征點(diǎn),得到訓(xùn)練集圖庫(kù)的特征點(diǎn)矩陣;從特征點(diǎn)矩陣中提取特征向量矩陣、特征向量值以及訓(xùn)練集圖庫(kù)的平均特征點(diǎn)幾何位置;并通過隨機(jī)森林算法生成訓(xùn)練集圖庫(kù)中每個(gè)特征點(diǎn)的隨機(jī)森林局部紋理模型;以此隨機(jī)森林局部紋理模型以及提取的特征向量矩陣、特征向量值和平均特征點(diǎn)幾何位置對(duì)當(dāng)前輸入圖像進(jìn)行特征提取,由此,基于主動(dòng)形態(tài)模型算法的框架,利用隨機(jī)森林算法生成的局部紋理模型,改善了主動(dòng)形態(tài)模型算法在分辨率低的算法健壯性;減少光照和色差的干擾,增強(qiáng)臉部特征點(diǎn)定位的魯棒性;同時(shí)極大的減小了計(jì)算復(fù)雜度,增加了特征點(diǎn)定位的實(shí)時(shí)性、準(zhǔn)確性。
【專利附圖】
【附圖說明】
[0015]圖1是本發(fā)明圖像特征提取方法第一實(shí)施例的流程示意圖;
[0016]圖2是本發(fā)明圖像特征提取方法第二實(shí)施例的流程示意圖;
[0017]圖3是本發(fā)明圖像特征提取方法第三實(shí)施例的流程示意圖;
[0018]圖4是本發(fā)明圖像特征提取裝置第一實(shí)施例的結(jié)構(gòu)示意圖;
[0019]圖5是本發(fā)明圖像特征提取裝置第一實(shí)施例中模型建立模塊的結(jié)構(gòu)示意圖;
[0020]圖6是本發(fā)明圖像特征提取裝置第一實(shí)施例中第二提取模塊的結(jié)構(gòu)示意圖;
[0021]圖7是本發(fā)明圖像特征提取裝置第二實(shí)施例的結(jié)構(gòu)示意圖;
[0022]圖8是本發(fā)明圖像特征提取裝置第三實(shí)施例的結(jié)構(gòu)示意圖。
[0023]為了使本發(fā)明的技術(shù)方案更加清楚、明了,下面將結(jié)合附圖作進(jìn)一步詳述。
【具體實(shí)施方式】
[0024]本發(fā)明實(shí)施例的解決方案主要是:基于主動(dòng)形態(tài)模型算法的框架,利用隨機(jī)森林算法生成局部紋理模型,根據(jù)該隨機(jī)森林局部紋理模型以及從訓(xùn)練集圖庫(kù)的特征點(diǎn)矩陣中提取的特征向量矩陣、特征向量值和平均特征點(diǎn)幾何位置對(duì)當(dāng)前輸入圖像進(jìn)行特征提取,以降低計(jì)算復(fù)雜度,提高特征提取的準(zhǔn)確性和實(shí)時(shí)性。
[0025]如圖1所示,本發(fā)明第一實(shí)施例提出一種圖像特征提取方法,包括:
[0026]步驟S101,標(biāo)定訓(xùn)練集圖庫(kù)中各圖像輪廓的特征點(diǎn),得到訓(xùn)練集圖庫(kù)的特征點(diǎn)矩陣;
[0027]本實(shí)施例基于主動(dòng)形態(tài)模型算法的框架,利用隨機(jī)森林算法來優(yōu)化主動(dòng)形態(tài)模型中局部紋理生成算法,生成隨機(jī)森林局部紋理模型,可用于圖像中特征點(diǎn)的定位與提取。
[0028]其中,所涉及的圖像可以是指定的某種類型圖像,比如照相軟件中對(duì)于人或某種動(dòng)物的臉部特征點(diǎn)的定位及臉部輪廓提取。
[0029]具體地,首先基于給定的訓(xùn)練集圖庫(kù)建立隨機(jī)森林局部紋理模型,并提取相應(yīng)的參數(shù)。
[0030]對(duì)于給定的訓(xùn)練集圖庫(kù),標(biāo)定該訓(xùn)練集圖庫(kù)中各圖像輪廓的特征點(diǎn),如眼睛輪廓上的特征點(diǎn),得到訓(xùn)練集圖庫(kù)的特征點(diǎn)矩陣。
[0031]步驟S102,從所述特征點(diǎn)矩陣中提取特征向量矩陣、特征向量值以及所述訓(xùn)練集圖庫(kù)的平均特征點(diǎn)幾何位置;通過隨機(jī)森林算法生成所述訓(xùn)練集圖庫(kù)中每個(gè)特征點(diǎn)的隨機(jī)森林局部紋理模型;
[0032]提取訓(xùn)練集圖庫(kù)訓(xùn)練集特征點(diǎn)矩陣的特征向量矩陣P和特征向量值I,以及訓(xùn)練集圖庫(kù)的平均特征點(diǎn)幾何位置X,同時(shí),通過隨機(jī)森林算法提取每個(gè)特征點(diǎn)的隨機(jī)森林,即隨機(jī)森林局部紋理模型。
[0033]上述特征向量矩陣P、特征向量值I以及平均特征點(diǎn)幾何位置X用于結(jié)合隨機(jī)森林局部紋理模型計(jì)算獲取目的特征點(diǎn)位置。
[0034]其中,生成訓(xùn)練集圖庫(kù)中每個(gè)特征點(diǎn)的隨機(jī)森林局部紋理模型的過程如下:
[0035]S1、對(duì)訓(xùn)練集圖庫(kù)特征點(diǎn)矩陣中的每一特征點(diǎn),將以該特征點(diǎn)為中心的MxM像素區(qū)域作為正樣本,在該特征點(diǎn)周圍隨機(jī)抽取N (比如N=8)個(gè)偽特征點(diǎn),并將以各偽特征點(diǎn)為中心的像素區(qū)域(比如MxM的矩形像素區(qū)域)作為負(fù)樣本,得到N+1個(gè)正負(fù)樣本;
[0036]S2、假設(shè)訓(xùn)練集圖庫(kù)包含S幅訓(xùn)練圖,則將S幅訓(xùn)練圖中對(duì)應(yīng)該特征點(diǎn)的N+1個(gè)正負(fù)樣本共S* (N+1)個(gè)樣本作為該特征點(diǎn)的訓(xùn)練樣本集;
[0037]S3、隨機(jī)選取MxM像素區(qū)域內(nèi)的兩個(gè)像素點(diǎn)pi和p2 ;對(duì)于所述訓(xùn)練樣本集中的每一樣本,在對(duì)應(yīng)像素點(diǎn)Pl和p2處進(jìn)行灰度值大小比較,將所述訓(xùn)練樣本集分為左右子樹集兩類,形成當(dāng)前節(jié)點(diǎn);
[0038]具體地,通過對(duì)應(yīng)像素點(diǎn)pi和p2處進(jìn)行灰度值大小比較,將pi灰度值大于p2的樣本送入當(dāng)前節(jié)點(diǎn)的左邊子樹集,否則送入右邊子樹集,由此將訓(xùn)練樣本集中的所有樣本分成了兩類。
[0039]S4、重復(fù)上述步驟S3預(yù)定次數(shù),選取預(yù)定條件的左右子樹集,并將對(duì)應(yīng)的像素點(diǎn)Pl和p2,作為該左右子樹集所在節(jié)點(diǎn)的分類器點(diǎn)對(duì);
[0040]重復(fù)上述步驟S3預(yù)定次數(shù),將分類效果最佳的隨機(jī)像素點(diǎn)對(duì)作為該節(jié)點(diǎn)的分類器點(diǎn)對(duì)。
[0041]具體判斷過程如下:
[0042]通過重復(fù)步驟S3預(yù)定次數(shù)得到若干對(duì)左右子樹集,比較所有的左子樹集,從中選取正樣本比率最高的左子樹集所對(duì)應(yīng)的隨機(jī)像素點(diǎn)對(duì)Pl和p2,作為該節(jié)點(diǎn)的分類器點(diǎn)對(duì);或者,比較所有的右子樹集,從中選取負(fù)樣本比率最高的右子樹集所對(duì)應(yīng)的隨機(jī)像素點(diǎn)對(duì)Pl和P2,作為該節(jié)點(diǎn)的分類器點(diǎn)對(duì)。
[0043]上述M、N均為自然數(shù)。
[0044]S5、對(duì)選取的所述左右子樹集分別進(jìn)行步驟S3-步驟S4,直到頂層節(jié)點(diǎn)(直至達(dá)到樹的葉子節(jié)點(diǎn)或者達(dá)到最大層數(shù))。獲取各層節(jié)點(diǎn)的分類器點(diǎn)對(duì),建立搜索路徑;并獲取各頂層節(jié)點(diǎn)的正樣本數(shù)和總樣本數(shù);以各頂層節(jié)點(diǎn)的正樣本數(shù)和總樣本數(shù)的比率作為各頂層節(jié)點(diǎn)的相似概率,生成所述特征點(diǎn)的一決策樹;
[0045]S6、重復(fù)上述步驟S3-S5,對(duì)每一特征點(diǎn)生成L顆決策樹,從而形成該特征點(diǎn)的隨機(jī)森林局部紋理模型,即形成該特征點(diǎn)的隨機(jī)森林。
[0046]步驟S103,根據(jù)所述隨機(jī)森林局部紋理模型、所述特征向量矩陣、特征向量值以及平均特征點(diǎn)幾何位置對(duì)當(dāng)前輸入圖像進(jìn)行特征提取。
[0047]首先,初步估計(jì)當(dāng)前輸入圖像中目標(biāo)特征點(diǎn)的幾何位置作為搜索的起始位置;并在所述起始位置附近選取一搜索區(qū)域;
[0048]對(duì)所述搜索區(qū)域內(nèi)的每一像素點(diǎn),根據(jù)所述隨機(jī)森林局部紋理模型中對(duì)應(yīng)的搜索路徑,獲取對(duì)應(yīng)頂層節(jié)點(diǎn)的相似概率,取其中相似概率最大的像素點(diǎn)的位置作為改進(jìn)特征點(diǎn)位置Y,并記錄該改進(jìn)特征點(diǎn)位置Y對(duì)應(yīng)的相似概率W ;
[0049]根據(jù)所述改進(jìn)特征點(diǎn)位置Y、記錄的對(duì)應(yīng)的相似概率W,以及所述特征向量矩陣P、特征向量值I和平均特征點(diǎn)幾何位置X,進(jìn)行幾何變換矩陣a和形狀變換矩陣b的迭代計(jì)算直至收斂,獲取最優(yōu)幾何變換矩陣a*和形狀變換矩陣b'
[0050]具體計(jì)算公式如下:
[0051]通過求取滿足下式的優(yōu)化幾何變換矩陣a*:
[0052]a*=min (Y_a (X+Pb) 1W (Y_a (X+Pb))) (I)
[0053]上述公式(I)中,Y是改進(jìn)特征點(diǎn)位置;W為改進(jìn)特征點(diǎn)位置對(duì)應(yīng)的相似概率,P為特征向量矩陣;x為平均特征點(diǎn)幾何位置;a為幾何變換矩陣,b為形狀變換矩陣,a和b預(yù)先給定一初始值。
[0054]之后再根據(jù)下式求取優(yōu)化的形狀變換矩陣b*:
[0055]b* = min ((V - a* (I + Pb) )rW(F — a*(J + Pb)) + Σ hi ",.)( 2 )
[0056]上述公式(2)中,Y是改進(jìn)特征點(diǎn)位置;W為改進(jìn)特征點(diǎn)位置對(duì)應(yīng)的相似概率,P為特征向量矩陣為特征向量值;x為平均特征點(diǎn)幾何位置。
[0057]通過上述公式(I)和(2),依次迭代計(jì)算每次最優(yōu)的幾何轉(zhuǎn)換矩陣a*和形狀變換矩陣b%直至收斂,得到最終的最優(yōu)幾何轉(zhuǎn)換矩陣a*和形狀變換矩陣b'
[0058]最后,根據(jù)最優(yōu)幾何變換矩陣、形狀變換矩陣、特征向量矩陣以及平均特征點(diǎn)幾何位置計(jì)算獲取目標(biāo)特征點(diǎn)位置Y'
[0059]具體計(jì)算過程如下:
[0060]根據(jù)ASM算法,目標(biāo)特征點(diǎn)幾何位置Y*和訓(xùn)練集平均幾何坐標(biāo)X、特征向量矩陣P有如下關(guān)系:
[0061]Y*=a* (X+Pb*) (3)
[0062]根據(jù)上述公式(3)即可計(jì)算得到目標(biāo)特征點(diǎn)幾何位置Y*。
[0063]本實(shí)施例通過上述方案,基于主動(dòng)形態(tài)模型算法的框架,利用隨機(jī)森林算法生成局部紋理模型,改善了主動(dòng)形態(tài)模型算法在分辨率低的算法健壯性;減少光照和色差的干擾,增強(qiáng)臉部特征點(diǎn)定位的魯棒性;而且基于隨機(jī)森林的局部紋理模型算法,較梯度信息紋理模型,極大的減小了計(jì)算復(fù)雜度,增加了特征點(diǎn)定位的實(shí)時(shí)性,其定位結(jié)果較同類算法更準(zhǔn)確和快速。
[0064]如圖2所示,本發(fā)明第二實(shí)施例提出一種圖像特征提取方法,在上述第一實(shí)施例的基礎(chǔ)上,在上述步驟S102之前還包括:
[0065]步驟S104,對(duì)所述特征點(diǎn)矩陣進(jìn)行圖像輪廓?dú)w一化處理。
[0066]本實(shí)施例與上述第一實(shí)施例的區(qū)別在于,本實(shí)施例在得到訓(xùn)練集圖庫(kù)的特征點(diǎn)矩陣后,將訓(xùn)練集圖庫(kù)中的特征點(diǎn)輪廓?dú)w一化到標(biāo)準(zhǔn)輪廓,使得訓(xùn)練集圖庫(kù)中各圖像的特征點(diǎn)輪廓具備統(tǒng)一性,比如,對(duì)于臉部圖像,不同人的臉型各不相同,因此便于同一特征點(diǎn)匕如嘴角)的提取,需要對(duì)臉型輪廓進(jìn)行歸一化處理,使各臉部圖像達(dá)到標(biāo)準(zhǔn)輪廓,以提高特征點(diǎn)提取計(jì)算的準(zhǔn)確性和魯棒性。他與第一實(shí)施例相同。
[0067]如圖3所示,本發(fā)明第三實(shí)施例提出一種圖像特征提取方法,在上述第二實(shí)施例的基礎(chǔ)上,在上述步驟S104之后還包括:
[0068]步驟S105,對(duì)所述特征點(diǎn)矩陣進(jìn)行PCA降維處理。
[0069]本實(shí)施例與上述第二實(shí)施例的區(qū)別在于,本實(shí)施例在得到訓(xùn)練集圖庫(kù)的特征點(diǎn)矩陣,并將訓(xùn)練集圖庫(kù)中的特征點(diǎn)輪廓?dú)w一化到標(biāo)準(zhǔn)輪廓后,需要對(duì)特征點(diǎn)矩陣進(jìn)行PCA(Principal Component Analysis,主成分分析)降維處理,以降低后續(xù)計(jì)算的復(fù)雜度。其他
與第二實(shí)施例相同。
[0070]如圖4所示,本發(fā)明第一實(shí)施例提出一種圖像特征提取裝置,包括:標(biāo)定模塊201、第一提取模塊202、模型建立模塊203及第二提取模塊204,其中:
[0071]標(biāo)定模塊201,用于標(biāo)定訓(xùn)練集圖庫(kù)中各圖像輪廓的特征點(diǎn),得到訓(xùn)練集圖庫(kù)的特征點(diǎn)矩陣;
[0072]第一提取模塊202,用于從所述特征點(diǎn)矩陣中提取特征向量矩陣、特征向量值以及所述訓(xùn)練集圖庫(kù)的平均特征點(diǎn)幾何位置;
[0073]模型建立模塊203,用于通過隨機(jī)森林算法生成所述訓(xùn)練集圖庫(kù)中每個(gè)特征點(diǎn)的隨機(jī)森林局部紋理模型;
[0074]第二提取模塊204,用于根據(jù)所述隨機(jī)森林局部紋理模型、所述特征向量矩陣、特征向量值以及平均特征點(diǎn)幾何位置對(duì)當(dāng)前輸入圖像進(jìn)行特征提取。
[0075]本實(shí)施例基于主動(dòng)形態(tài)模型算法的框架,利用隨機(jī)森林算法來優(yōu)化主動(dòng)形態(tài)模型中局部紋理生成算法,生成隨機(jī)森林局部紋理模型,可用于圖像中特征點(diǎn)的定位與提取。
[0076]其中,所涉及的圖像可以是指定的某種類型圖像,比如照相軟件中對(duì)于人或某種動(dòng)物的臉部特征點(diǎn)的定位及臉部輪廓提取。
[0077]具體地,首先基于給定的訓(xùn)練集圖庫(kù)建立隨機(jī)森林局部紋理模型,并提取相應(yīng)的參數(shù)。
[0078]對(duì)于給定的訓(xùn)練集圖庫(kù),通過標(biāo)定模塊201標(biāo)定該訓(xùn)練集圖庫(kù)中各圖像輪廓的特征點(diǎn),如眼睛輪廓上的特征點(diǎn),得到訓(xùn)練集圖庫(kù)的特征點(diǎn)矩陣。
[0079]然后,由第一提取模塊202提取訓(xùn)練集圖庫(kù)訓(xùn)練集特征點(diǎn)矩陣的特征向量矩陣P和特征向量值I,以及訓(xùn)練集圖庫(kù)的平均特征點(diǎn)幾何位置X,同時(shí),模型建立模塊203通過隨機(jī)森林算法提取每個(gè)特征點(diǎn)的隨機(jī)森林,即隨機(jī)森林局部紋理模型。
[0080]上述特征向量矩陣P、特征向量值I以及平均特征點(diǎn)幾何位置X用于結(jié)合隨機(jī)森林局部紋理模型計(jì)算獲取目的特征點(diǎn)位置。
[0081]其中,生成訓(xùn)練集圖庫(kù)中每個(gè)特征點(diǎn)的隨機(jī)森林局部紋理模型的過程如下:
[0082]S1、對(duì)訓(xùn)練集圖庫(kù)特征點(diǎn)矩陣中的每一特征點(diǎn),將以該特征點(diǎn)為中心的MxM像素區(qū)域作為正樣本,在該特征點(diǎn)周圍隨機(jī)抽取N (比如N=8)個(gè)偽特征點(diǎn),并將以各偽特征點(diǎn)為中心的像素區(qū)域(比如MxM的矩形像素區(qū)域)作為負(fù)樣本,得到N+1個(gè)正負(fù)樣本;
[0083]S2、假設(shè)訓(xùn)練集圖庫(kù)包含S幅訓(xùn)練圖,則將S幅訓(xùn)練圖中對(duì)應(yīng)該特征點(diǎn)的N+1個(gè)正負(fù)樣本共S* (N+1)個(gè)樣本作為該特征點(diǎn)的訓(xùn)練樣本集;
[0084]S3、隨機(jī)選取MxM像素區(qū)域內(nèi)的兩個(gè)像素點(diǎn)pi和p2 ;對(duì)于所述訓(xùn)練樣本集中的每一樣本,在對(duì)應(yīng)像素點(diǎn)Pl和p2處進(jìn)行灰度值大小比較,將所述訓(xùn)練樣本集分為左右子樹集兩類,形成當(dāng)前節(jié)點(diǎn);
[0085]具體地,通過對(duì)應(yīng)像素點(diǎn)pi和p2處進(jìn)行灰度值大小比較,將pi灰度值大于p2的樣本送入當(dāng)前節(jié)點(diǎn)的左邊子樹集,否則送入右邊子樹集,由此將訓(xùn)練樣本集中的所有樣本分成了兩類。
[0086]S4、重復(fù)上述步驟S3預(yù)定次數(shù),選取預(yù)定條件的左右子樹集,并將對(duì)應(yīng)的像素點(diǎn)Pl和p2,作為該左右子樹集所在節(jié)點(diǎn)的分類器點(diǎn)對(duì);[0087]重復(fù)上述步驟S3預(yù)定次數(shù),將分類效果最佳的隨機(jī)像素點(diǎn)對(duì)作為該節(jié)點(diǎn)的分類器點(diǎn)對(duì)。
[0088]具體判斷過程如下:
[0089]通過重復(fù)步驟S3預(yù)定次數(shù)得到若干對(duì)左右子樹集,比較所有的左子樹集,從中選取正樣本比率最高的左子樹集所對(duì)應(yīng)的隨機(jī)像素點(diǎn)對(duì)Pl和p2,作為該節(jié)點(diǎn)的分類器點(diǎn)對(duì);或者,比較所有的右子樹集,從中選取負(fù)樣本比率最高的右子樹集所對(duì)應(yīng)的隨機(jī)像素點(diǎn)對(duì)Pl和P2,作為該節(jié)點(diǎn)的分類器點(diǎn)對(duì)。
[0090]上述M、N均為自然數(shù)。
[0091]S5、對(duì)選取的所述左右子樹集分別進(jìn)行步驟S3-步驟S4,直到頂層節(jié)點(diǎn)(直至達(dá)到樹的葉子節(jié)點(diǎn)或者達(dá)到最大層數(shù))。獲取各層節(jié)點(diǎn)的分類器點(diǎn)對(duì),建立搜索路徑;并獲取各頂層節(jié)點(diǎn)的正樣本數(shù)和總樣本數(shù);以各頂層節(jié)點(diǎn)的正樣本數(shù)和總樣本數(shù)的比率作為各頂層節(jié)點(diǎn)的相似概率,生成所述特征點(diǎn)的一決策樹;
[0092]S6、重復(fù)上述步驟S3-S5,對(duì)每一特征點(diǎn)生成L顆決策樹,從而形成該特征點(diǎn)的隨機(jī)森林局部紋理模型,即形成該特征點(diǎn)的隨機(jī)森林。
[0093]首先,初步估計(jì)當(dāng)前輸入圖像中目標(biāo)特征點(diǎn)的幾何位置作為搜索的起始位置;并在所述起始位置附近選取一搜索區(qū)域;
[0094]對(duì)所述搜索區(qū)域內(nèi)的每一像素點(diǎn),根據(jù)所述隨機(jī)森林局部紋理模型中對(duì)應(yīng)的搜索路徑,獲取對(duì)應(yīng)頂層節(jié)點(diǎn)的相似概率,取其中相似概率最大的像素點(diǎn)的位置作為改進(jìn)特征點(diǎn)位置Y,并記錄該改進(jìn)特征點(diǎn)位置Y對(duì)應(yīng)的相似概率W ;
[0095]根據(jù)所述改進(jìn)特征點(diǎn)位置Y、記錄的對(duì)應(yīng)的相似概率W,以及所述特征向量矩陣P、特征向量值I和平均特征點(diǎn)幾何位置X,進(jìn)行幾何變換矩陣a和形狀變換矩陣b的迭代計(jì)算直至收斂,獲取最優(yōu)幾何變換矩陣a*和形狀變換矩陣b'
[0096]其中,優(yōu)化幾何變換矩陣a*采用上述公式(I ),優(yōu)化形狀變換矩陣b*采用上述公式
(2)。
[0097]上述公式(I)中,Y是改進(jìn)特征點(diǎn)位置;W為改進(jìn)特征點(diǎn)位置對(duì)應(yīng)的相似概率,P為特征向量矩陣;x為平均特征點(diǎn)幾何位置;a為幾何變換矩陣,b為形狀變換矩陣,a和b預(yù)先給定一初始值。
[0098]上述公式(2)中,Y是改進(jìn)特征點(diǎn)位置;W為改進(jìn)特征點(diǎn)位置對(duì)應(yīng)的相似概率,P為特征向量矩陣為特征向量值;x為平均特征點(diǎn)幾何位置。
[0099]通過上述公式(I)和(2),依次迭代計(jì)算每次最優(yōu)的幾何轉(zhuǎn)換矩陣a*和形狀變換矩陣b%直至收斂,得到最終的最優(yōu)幾何轉(zhuǎn)換矩陣a*和形狀變換矩陣b'
[0100]最后,根據(jù)最優(yōu)幾何變換矩陣、形狀變換矩陣、特征向量矩陣以及平均特征點(diǎn)幾何位置計(jì)算獲取目標(biāo)特征點(diǎn)位置Y'
[0101]具體計(jì)算過程如下:
[0102]根據(jù)ASM算法,目標(biāo)特征點(diǎn)幾何位置Y*和訓(xùn)練集平均幾何坐標(biāo)X、特征向量矩陣P有如下關(guān)系:
[0103]Y*=a* (X+Pb*);
[0104]根據(jù)上述公式即可計(jì)算得到目標(biāo)特征點(diǎn)幾何位置Y'
[0105]具體實(shí)施過程中,如圖5所示,所述模型建立模塊203可以包括:正負(fù)樣本獲取單元2031、訓(xùn)練樣本集獲取單元2032、分類單元2033、選取單元2034、生成單元2035,其中:
[0106]正負(fù)樣本獲取單元2031,用于對(duì)所述特征點(diǎn)矩陣中的每一特征點(diǎn),將以該特征點(diǎn)為中心的MxM像素區(qū)域作為正樣本,在該特征點(diǎn)周圍隨機(jī)抽取N個(gè)偽特征點(diǎn),并將以偽特征點(diǎn)為中心的MxM像素區(qū)域作為負(fù)樣本,得到N+1個(gè)正負(fù)樣本;
[0107]訓(xùn)練樣本集獲取單元2032,用于假設(shè)訓(xùn)練集圖庫(kù)包含S幅訓(xùn)練圖,則將S幅訓(xùn)練圖中對(duì)應(yīng)該特征點(diǎn)的N+1個(gè)正負(fù)樣本共S* (N+1)個(gè)樣本作為該特征點(diǎn)的訓(xùn)練樣本集;
[0108]分類單元2033,用于隨機(jī)選取MxM像素區(qū)域內(nèi)的兩個(gè)像素點(diǎn)pi和p2 ;對(duì)于所述訓(xùn)練樣本集中的每一樣本,在對(duì)應(yīng)像素點(diǎn)pi和p2處進(jìn)行灰度值大小比較,將所述訓(xùn)練樣本集分為左右子樹集兩類;
[0109]選取單元2034,用于在所述分類單元重復(fù)操作預(yù)定次數(shù)后,選取預(yù)定條件的左右子樹集,并將對(duì)應(yīng)的像素點(diǎn)Pi和p2,作為該左右子樹集所在節(jié)點(diǎn)的分類器點(diǎn)對(duì);
[0110]生成單元2035,用于在對(duì)選取的所述左右子樹集分別經(jīng)過分類單元及選取單元操作,直到頂層節(jié)點(diǎn)后,獲取各層節(jié)點(diǎn)的分類器點(diǎn)對(duì),建立搜索路徑;并獲取各頂層節(jié)點(diǎn)的正樣本數(shù)和總樣本數(shù);以各頂層節(jié)點(diǎn)的正樣本數(shù)和總樣本數(shù)的比率作為各頂層節(jié)點(diǎn)的相似概率,生成所述特征點(diǎn)的一決策樹;并以此對(duì)每一特征點(diǎn)生成L顆決策樹,形成該特征點(diǎn)的隨機(jī)森林局部紋理模型。
[0111]如圖6所示,所述第二提取模塊204可以包括:估計(jì)選取單元2041、改進(jìn)特征點(diǎn)位置獲取單元2042、迭代計(jì)算單元2043、目標(biāo)位置計(jì)算單元2044,其中:
[0112]估計(jì)選取單元2041,用于初步估計(jì)當(dāng)前輸入圖像中待提取的特征點(diǎn)的幾何位置作為搜索的起始位置;并在所述起始位置附近選取一搜索區(qū)域;
[0113]改進(jìn)特征點(diǎn)位置獲取單元2042,用于對(duì)所述搜索區(qū)域內(nèi)的每一像素點(diǎn),根據(jù)所述隨機(jī)森林局部紋理模型中對(duì)應(yīng)的搜索路徑,獲取對(duì)應(yīng)頂層節(jié)點(diǎn)的相似概率,取其中相似概率最大的像素點(diǎn)的位置作為改進(jìn)特征點(diǎn)位置,并記錄對(duì)應(yīng)的相似概率;
[0114]迭代計(jì)算單元2043,用于根據(jù)所述改進(jìn)特征點(diǎn)位置、記錄的對(duì)應(yīng)的相似概率,以及所述特征向量矩陣、特征向量值和平均特征點(diǎn)幾何位置,進(jìn)行幾何變換矩陣和形狀變換矩陣的迭代計(jì)算直至收斂,獲取最優(yōu)幾何變換矩陣和形狀變換矩陣;
[0115]目標(biāo)位置計(jì)算單元2044,用于根據(jù)所述最優(yōu)幾何變換矩陣、形狀變換矩陣、特征向量矩陣以及平均特征點(diǎn)幾何位置計(jì)算獲取目標(biāo)特征點(diǎn)位置。
[0116]本實(shí)施例通過上述方案,基于主動(dòng)形態(tài)模型算法的框架,利用隨機(jī)森林算法生成局部紋理模型,改善了主動(dòng)形態(tài)模型算法在分辨率低的算法健壯性;減少光照和色差的干擾,增強(qiáng)臉部特征點(diǎn)定位的魯棒性;而且基于隨機(jī)森林的局部紋理模型算法,較梯度信息紋理模型,極大的減小了計(jì)算復(fù)雜度,增加了特征點(diǎn)定位的實(shí)時(shí)性,其定位結(jié)果較同類算法更準(zhǔn)確和快速。
[0117]如圖7所示,本發(fā)明第二實(shí)施例提出一種圖像特征提取裝置,在上述第一實(shí)施例的基礎(chǔ)上,還包括:
[0118]歸一化處理模塊205,用于對(duì)所述特征點(diǎn)矩陣進(jìn)行圖像輪廓?dú)w一化處理。
[0119]本實(shí)施例與上述第一實(shí)施例的區(qū)別在于,本實(shí)施例在得到訓(xùn)練集圖庫(kù)的特征點(diǎn)矩陣后,將訓(xùn)練集圖庫(kù)中的特征點(diǎn)輪廓?dú)w一化到標(biāo)準(zhǔn)輪廓,使得訓(xùn)練集圖庫(kù)中各圖像的特征點(diǎn)輪廓具備統(tǒng)一性,比如,對(duì)于臉部圖像,不同人的臉型各不相同,因此便于同一特征點(diǎn)匕如嘴角)的提取,需要對(duì)臉型輪廓進(jìn)行歸一化處理,使各臉部圖像達(dá)到標(biāo)準(zhǔn)輪廓,以提高特征點(diǎn)提取計(jì)算的準(zhǔn)確性和魯棒性。他與第一實(shí)施例相同。
[0120]如圖8所示,本發(fā)明第三實(shí)施例提出一種圖像特征提取裝置,在上述第二實(shí)施例的基礎(chǔ)上,還包括:
[0121]降維處理模塊206,用于對(duì)所述特征點(diǎn)矩陣進(jìn)行PCA降維處理。
[0122]本實(shí)施例與上述第二實(shí)施例的區(qū)別在于,本實(shí)施例在得到訓(xùn)練集圖庫(kù)的特征點(diǎn)矩陣,并將訓(xùn)練集圖庫(kù)中的特征點(diǎn)輪廓?dú)w一化到標(biāo)準(zhǔn)輪廓后,需要對(duì)特征點(diǎn)矩陣進(jìn)行PCA降維處理,以降低后續(xù)計(jì)算的復(fù)雜度。其他與第二實(shí)施例相同。
[0123]相比現(xiàn)有技術(shù),本發(fā)明圖像特征提取方法具有如下優(yōu)點(diǎn):
[0124]現(xiàn)有技術(shù)的主動(dòng)形態(tài)模型(ASM)中的圖像梯度信息易于受光照和色差以及個(gè)體樣本差異影響,使得生成的局部紋理模型包含了過多的個(gè)體紋理信息,不具備唯一表征性,紋理模型健壯性欠佳,而本發(fā)明提出的基于決策樹的隨機(jī)森林算法,能夠有效的找出具有唯一辨識(shí)度的紋理信息,且通過隨機(jī)森林紋理模型,可以計(jì)算出像素逼近目標(biāo)特征點(diǎn)的最大似然概率,具有更穩(wěn)健和更準(zhǔn)確的搜索鏈路;
[0125]現(xiàn)有技術(shù)的主動(dòng)形態(tài)模型(ASM)中的建立局部紋理模型時(shí),需要計(jì)算出法線上若干像素的梯度信息、歸一化處理,生成特征點(diǎn)的梯度向量,然后計(jì)算出所有特征點(diǎn)的梯度向量矩陣,在搜索過程中每次需要計(jì)算當(dāng)前搜索形狀的梯度向量矩陣和訓(xùn)練集梯度向量矩陣的相似度,其計(jì)算復(fù)雜度高;而本發(fā)明基于隨機(jī)森林的局部紋理模型,可以僅需比較圖像兩點(diǎn)之間的灰度信息,不需要復(fù)雜的邏輯運(yùn)算,搜索的計(jì)算復(fù)雜度遠(yuǎn)小于基于梯度信息的局部紋理模型,更加滿足搜索的實(shí)時(shí)性需求;
[0126]此外,對(duì)于分辨率較低的圖像,由于受限于局部像素信息,主動(dòng)形態(tài)模型(ASM)的梯度紋理模型識(shí)別效果較差,而本發(fā)明基于隨機(jī)森林的局部紋理模型,能夠準(zhǔn)確區(qū)分特征點(diǎn)和非特征點(diǎn),建立有效性最佳的紋理模型。
[0127]本發(fā)明實(shí)施例圖像特征提取方法及裝置,通過標(biāo)定訓(xùn)練集圖庫(kù)中各圖像輪廓的特征點(diǎn),得到訓(xùn)練集圖庫(kù)的特征點(diǎn)矩陣;從特征點(diǎn)矩陣中提取特征向量矩陣、特征向量值以及訓(xùn)練集圖庫(kù)的平均特征點(diǎn)幾何位置;并通過隨機(jī)森林算法生成訓(xùn)練集圖庫(kù)中每個(gè)特征點(diǎn)的隨機(jī)森林局部紋理模型;以此隨機(jī)森林局部紋理模型以及提取的特征向量矩陣、特征向量值和平均特征點(diǎn)幾何位置對(duì)當(dāng)前輸入圖像進(jìn)行特征提取,由此,基于主動(dòng)形態(tài)模型算法的框架,利用隨機(jī)森林算法生成的局部紋理模型,改善了主動(dòng)形態(tài)模型算法在分辨率低的算法健壯性;減少光照和色差的干擾,增強(qiáng)臉部特征點(diǎn)定位的魯棒性;同時(shí)極大的減小了計(jì)算復(fù)雜度,增加了特征點(diǎn)定位的實(shí)時(shí)性、準(zhǔn)確性。
[0128]以上所述僅為本發(fā)明的優(yōu)選實(shí)施例,并非因此限制本發(fā)明的專利范圍,凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或流程變換,或直接或間接運(yùn)用在其它相關(guān)的【技術(shù)領(lǐng)域】,均同理包括在本發(fā)明的專利保護(hù)范圍內(nèi)。
【權(quán)利要求】
1.一種圖像特征提取方法,其特征在于,包括: 標(biāo)定訓(xùn)練集圖庫(kù)中各圖像輪廓的特征點(diǎn),得到訓(xùn)練集圖庫(kù)的特征點(diǎn)矩陣; 從所述特征點(diǎn)矩陣中提取特征向量矩陣、特征向量值以及所述訓(xùn)練集圖庫(kù)的平均特征點(diǎn)幾何位置; 通過隨機(jī)森林算法生成所述訓(xùn)練集圖庫(kù)中每個(gè)特征點(diǎn)的隨機(jī)森林局部紋理模型; 根據(jù)所述隨機(jī)森林局部紋理模型、所述特征向量矩陣、特征向量值以及平均特征點(diǎn)幾何位置對(duì)當(dāng)前輸入圖像進(jìn)行特征提取。
2.根據(jù)權(quán)利要求1所述的方法,其特征在于,所述通過隨機(jī)森林算法生成所述訓(xùn)練集圖庫(kù)中每個(gè)特征點(diǎn)的隨機(jī)森林局部紋理模型的步驟包括: S1、對(duì)所述特征點(diǎn)矩陣中的每一特征點(diǎn),將以該特征點(diǎn)為中心的像素區(qū)域作為正樣本,在該特征點(diǎn)周圍隨機(jī)抽取N個(gè)偽特征點(diǎn),并將以偽特征點(diǎn)為中心的像素區(qū)域作為負(fù)樣本,得到N+1個(gè)正負(fù)樣本; S2、設(shè)定訓(xùn)練集圖庫(kù)包含S幅訓(xùn)練圖,則將S幅訓(xùn)練圖中對(duì)應(yīng)該特征點(diǎn)的N+1個(gè)正負(fù)樣本共S* (N+1)個(gè)樣本作為該特征點(diǎn)的訓(xùn)練樣本集; S3、隨機(jī)選取所述像素區(qū)域內(nèi)的兩個(gè)像素點(diǎn);對(duì)于所述訓(xùn)練樣本集中的每一樣本,在對(duì)應(yīng)兩個(gè)像素點(diǎn)處進(jìn)行灰度值大小比較,將所述訓(xùn)練樣本集分為左右子樹集兩類; S4、重復(fù)上述步驟S3預(yù)定次數(shù),選取預(yù)定條件的左右子樹集,并將對(duì)應(yīng)的兩個(gè)像素點(diǎn),作為該左右子樹集所在節(jié)點(diǎn)的分類器點(diǎn)對(duì); S5、對(duì)選取的所述左右子樹集分別進(jìn)行步驟S3-步驟S4,直到頂層節(jié)點(diǎn),獲取各層節(jié)點(diǎn)的分類器點(diǎn)對(duì),建立搜索路徑;并獲取各頂層節(jié)點(diǎn)的正樣本數(shù)和總樣本數(shù);以各頂層節(jié)點(diǎn)的正樣本數(shù)和總樣本數(shù)的比率作為各頂層節(jié)點(diǎn)的相似概率,生成所述特征點(diǎn)的一決策樹; S6、重復(fù)上述步驟S3-S5,對(duì)每一特征點(diǎn)生成L顆決策樹,形成該特征點(diǎn)的隨機(jī)森林局部紋理模型。
3.根據(jù)權(quán)利要求1所述的方法,其特征在于,所述從特征點(diǎn)矩陣中提取特征向量矩陣、特征向量值以及所述訓(xùn)練集圖庫(kù)的平均特征點(diǎn)幾何位置的步驟之前還包括: 對(duì)所述特征點(diǎn)矩陣進(jìn)行圖像輪廓?dú)w一化處理。
4.根據(jù)權(quán)利要求1所述的方法,其特征在于,所述從特征點(diǎn)矩陣中提取特征向量矩陣、特征向量值以及所述訓(xùn)練集圖庫(kù)的平均特征點(diǎn)幾何位置的步驟之前還包括: 對(duì)所述特征點(diǎn)矩陣進(jìn)行PCA降維處理。
5.根據(jù)權(quán)利要求2、3或4所述的方法,其特征在于,所述根據(jù)隨機(jī)森林局部紋理模型、所述特征向量矩陣、特征向量值以及平均特征點(diǎn)幾何位置對(duì)當(dāng)前輸入圖像進(jìn)行特征提取的步驟包括: 選取當(dāng)前輸入圖像中目標(biāo)特征點(diǎn)的一幾何位置作為搜索的起始位置;并在所述起始位置附近選取一搜索區(qū)域; 對(duì)所述搜索區(qū)域內(nèi)的每一像素點(diǎn),根據(jù)所述隨機(jī)森林局部紋理模型中對(duì)應(yīng)的搜索路徑,獲取對(duì)應(yīng)頂層節(jié)點(diǎn)的相似概率,取其中相似概率最大的像素點(diǎn)的位置作為改進(jìn)特征點(diǎn)位置,并記錄對(duì)應(yīng)的相似概率; 根據(jù)所述改進(jìn)特征點(diǎn)位置、記錄的對(duì)應(yīng)的相似概率,以及所述特征向量矩陣、特征向量值和平均特征點(diǎn)幾何位置,進(jìn)行幾何變換矩陣和形狀變換矩陣的迭代計(jì)算直至收斂,獲取最優(yōu)幾何變換矩陣和形狀變換矩陣; 根據(jù)所述最優(yōu)幾何變換矩陣和形狀變換矩陣、特征向量矩陣以及平均特征點(diǎn)幾何位置計(jì)算獲取目標(biāo)特征點(diǎn)位置。
6.一種圖像特征提取裝置,其特征在于,包括: 標(biāo)定模塊,用于標(biāo)定訓(xùn)練集圖庫(kù)中各圖像輪廓的特征點(diǎn),得到訓(xùn)練集圖庫(kù)的特征點(diǎn)矩陣; 第一提取模塊,用于從所述特征點(diǎn)矩陣中提取特征向量矩陣、特征向量值以及所述訓(xùn)練集圖庫(kù)的平均特征點(diǎn)幾何位置; 模型建立模塊,用于通過隨機(jī)森林算法生成所述訓(xùn)練集圖庫(kù)中每個(gè)特征點(diǎn)的隨機(jī)森林局部紋理模型; 第二提取模塊,用于根據(jù)所述隨機(jī)森林局部紋理模型、所述特征向量矩陣、特征向量值以及平均特征點(diǎn)幾何位置對(duì)當(dāng)前輸入圖像進(jìn)行特征提取。
7.根據(jù)權(quán)利要求6所述的裝置,其特征在于,所述模型建立模塊包括: 正負(fù)樣本獲取單元,用于對(duì)所述特征點(diǎn)矩陣中的每一特征點(diǎn),將以該特征點(diǎn)為中心的像素區(qū)域作為正 樣本,在該特征點(diǎn)周圍隨機(jī)抽取N個(gè)偽特征點(diǎn),并將以偽特征點(diǎn)為中心的像素區(qū)域作為負(fù)樣本,得到N+1個(gè)正負(fù)樣本; 訓(xùn)練樣本集獲取單元,用于設(shè)定訓(xùn)練集圖庫(kù)包含S幅訓(xùn)練圖,則將S幅訓(xùn)練圖中對(duì)應(yīng)該特征點(diǎn)的N+1個(gè)正負(fù)樣本共S* (N+1)個(gè)樣本作為該特征點(diǎn)的訓(xùn)練樣本集; 分類單元,用于隨機(jī)選取所述像素區(qū)域內(nèi)的兩個(gè)像素點(diǎn);對(duì)于所述訓(xùn)練樣本集中的每一樣本,在對(duì)應(yīng)兩個(gè)像素點(diǎn)處進(jìn)行灰度值大小比較,將所述訓(xùn)練樣本集分為左右子樹集兩類; 選取單元,用于在所述分類單元重復(fù)操作預(yù)定次數(shù)后,選取預(yù)定條件的左右子樹集,并將對(duì)應(yīng)的兩個(gè)像素點(diǎn),作為該左右子樹集所在節(jié)點(diǎn)的分類器點(diǎn)對(duì); 生成單元,用于在對(duì)選取的所述左右子樹集分別經(jīng)過分類單元及選取單元操作,直到頂層節(jié)點(diǎn)后,獲取各層節(jié)點(diǎn)的分類器點(diǎn)對(duì),建立搜索路徑;并獲取各頂層節(jié)點(diǎn)的正樣本數(shù)和總樣本數(shù);以各頂層節(jié)點(diǎn)的正樣本數(shù)和總樣本數(shù)的比率作為各頂層節(jié)點(diǎn)的相似概率,生成所述特征點(diǎn)的一決策樹;并以此對(duì)每一特征點(diǎn)生成L顆決策樹,形成該特征點(diǎn)的隨機(jī)森林局部紋理模型。
8.根據(jù)權(quán)利要求6所述的裝置,其特征在于,還包括: 歸一化處理模塊,用于對(duì)所述特征點(diǎn)矩陣進(jìn)行圖像輪廓?dú)w一化處理。
9.根據(jù)權(quán)利要求6所述的裝置,其特征在于,還包括: 降維處理模塊,用于對(duì)所述特征點(diǎn)矩陣進(jìn)行PCA降維處理。
10.根據(jù)權(quán)利要求7、8或9所述的裝置,其特征在于,所述第二提取模塊包括: 估計(jì)選取單元,用于選取當(dāng)前輸入圖像中目標(biāo)特征點(diǎn)的一幾何位置作為搜索的起始位置;并在所述起始位置附近選取一搜索區(qū)域; 改進(jìn)特征點(diǎn)位置獲取單元,用于對(duì)所述搜索區(qū)域內(nèi)的每一像素點(diǎn),根據(jù)所述隨機(jī)森林局部紋理模型中對(duì)應(yīng)的搜索路徑,獲取對(duì)應(yīng)頂層節(jié)點(diǎn)的相似概率,取其中相似概率最大的像素點(diǎn)的位置作為改進(jìn)特征點(diǎn)位置,并記錄對(duì)應(yīng)的相似概率; 迭代計(jì)算單元,用于根據(jù)所述改進(jìn)特征點(diǎn)位置、記錄的對(duì)應(yīng)的相似概率,以及所述特征向量矩陣、特征向量值和平均特征點(diǎn)幾何位置,進(jìn)行幾何變換矩陣和形狀變換矩陣的迭代計(jì)算直至收斂,獲取最優(yōu)幾何變換矩陣和形狀變換矩陣; 目標(biāo)位置計(jì)算單元,用于根據(jù)所述最優(yōu)幾何變換矩陣和形狀變換矩陣、特征向量矩陣以及平均特征點(diǎn)幾 何位置計(jì)算獲取目標(biāo)特征點(diǎn)位置。
【文檔編號(hào)】G06K9/62GK103971112SQ201310046365
【公開日】2014年8月6日 申請(qǐng)日期:2013年2月5日 優(yōu)先權(quán)日:2013年2月5日
【發(fā)明者】郭安泰, 孫金陽(yáng) 申請(qǐng)人:騰訊科技(深圳)有限公司