本發(fā)明涉及目標(biāo)物體識別領(lǐng)域。
背景技術(shù)：
：基于局部特征匹配的目標(biāo)識別方法已經(jīng)廣泛地應(yīng)用于具有實時響應(yīng)的機(jī)器視覺和人工智能領(lǐng)域，例如無人駕駛汽車、工業(yè)機(jī)器人定位以及商標(biāo)圖像檢索等。其通過攝像頭采集目標(biāo)物體的圖像，通過局部特征匹配方法，對圖像中的目標(biāo)物體進(jìn)行識別和定位，將識別信號轉(zhuǎn)換為操作信號，反饋給用戶或終端。該技術(shù)在智能監(jiān)控、人機(jī)接口、基于內(nèi)容的視頻檢索和圖像壓縮等領(lǐng)域有著廣闊的應(yīng)用前景和潛在的經(jīng)濟(jì)價值和社會價值。因為目標(biāo)物體在不同條件下變化差異較大，因此實現(xiàn)實時目標(biāo)識別困難很大。目前常用的實時目標(biāo)識別方法大致可以劃分為以下幾種技術(shù)手段：(1)基于模板匹配的目標(biāo)識別方法：將目標(biāo)物體的正面圖像作為模板，使用與模板大小一致的滑動窗口，在要識別的視頻幀圖像中從上至下進(jìn)行滑動，將滑動窗口內(nèi)的圖像與模板進(jìn)行匹配，如果匹配結(jié)果小于閾值，則認(rèn)為該目標(biāo)物體在視頻幀的位置出現(xiàn)。該方法難以應(yīng)對物體發(fā)生尺寸形變、角度旋轉(zhuǎn)等情況，因此其實際應(yīng)用效果較差。(2)基于局部特征匹配的目標(biāo)識別方法：將目標(biāo)物體的圖像采用興趣點或者分割的方法，分為多個局部特征表示，識別時將提取識別的視頻幀圖像的局部特征，與目標(biāo)圖像的局部特征進(jìn)行表示，當(dāng)匹配的局部特征個數(shù)到達(dá)一定閾值時，認(rèn)為目標(biāo)物體出現(xiàn)。該方法可以應(yīng)對目標(biāo)物體發(fā)生尺寸形變和角度旋轉(zhuǎn)等情況。然而，該方法的識別準(zhǔn)確率依賴于局部特征匹配的準(zhǔn)確率，對于多目標(biāo)識別的問題，不同目標(biāo)的局部特征匹配閾值難以界定，很難得到令人滿意的局部特征匹配準(zhǔn)確率。專利“基于稀疏表示的SAR圖像目標(biāo)識別方法，申請?zhí)朇N201410234328.X”主要解決現(xiàn)有SAR圖像識別方法預(yù)處理復(fù)雜、方位角估計困難的問題。該方法通過提取圖像的局部特征，利用密度函數(shù)學(xué)習(xí)特征詞典，并根據(jù)此獲得各個圖像子區(qū)域的特征向量表示，將加權(quán)后的子區(qū)域特征向量用稀疏表示方法對圖像進(jìn)行識別。本發(fā)明與該方法不同，圖像識別并非建立在特征向量的稀疏表示基礎(chǔ)上，而是直接使用局部特征的精確匹配結(jié)果。此外，特征向量的稀疏表示同樣也依賴于局部特征的精確匹配結(jié)果。專利“基于輪廓弦角特征的遮擋目標(biāo)識別方法，申請?zhí)朇N201510246005.7”，首先建立物體模板輪廓的特征庫，提取物體模板的特征點和中心點，利用特征點和中心點對輪廓進(jìn)行描述；對待檢測圖像進(jìn)行提取輪廓特征描述，將待檢測圖像的特征描述與物體模板輪廓特征庫中的特征進(jìn)行匹配。該發(fā)明解決了在輪廓匹配過程中的尺度變化問題。專利“一種基于局部拷貝檢測的多視角視頻對象檢索系統(tǒng)及方法，申請?zhí)朇N201310657435.9”提取多視角的視頻對象，通過局部拷貝檢測的方式進(jìn)行對象的搜索與匹配；該發(fā)明將視頻中的對象提取出來，通過局部拷貝檢測的方式進(jìn)行多視角視頻中對象的搜索，有效地保證對象搜索的準(zhǔn)確性和全面性。專利“一種基于顯著性檢測和顏色直方圖模型的車輛識別方法，申請?zhí)朇N201510108662.5”，采用基于局部特征的顯著性檢測方法從場景圖像中提取顯著性區(qū)域作為候選區(qū)域，將候選區(qū)域的顏色空間由RGB空間轉(zhuǎn)換到HSV空間，統(tǒng)計HSV中H分量的直方圖分布情況，將含有兩個主要顏色等級分量的候選區(qū)確定為車輛區(qū)域。上述發(fā)明均是使用單一目標(biāo)模板與要識別的圖像進(jìn)行局部特征匹配，沒有有效地使用多視角目標(biāo)模板提高局部特征匹配的效果，此外，本發(fā)明提出使用對極幾何約束過濾錯誤匹配的局部特征，與上述發(fā)明專利僅使用顏色距離匹配局部特征不同，本發(fā)明同時使用幾何變換約束和顏色距離匹配局部特征，進(jìn)一步提高了局部特征的匹配準(zhǔn)確率，保證了目標(biāo)識別的準(zhǔn)確性。技術(shù)實現(xiàn)要素：本發(fā)明目的在于克服現(xiàn)有基于局部特征匹配的目標(biāo)識別方法的不足，尤其是待識別目標(biāo)物體旋轉(zhuǎn)角度、尺寸變化、光照變化過大時，局部特征匹配效果不佳的問題。提供一種基于多視覺局部特征精確匹配的目標(biāo)識別技術(shù)，該技術(shù)同時使用對極幾何約束和灰度相似性對局部特征進(jìn)行精確匹配，保證了目標(biāo)識別的準(zhǔn)確率。為解決上述技術(shù)問題，本發(fā)明采用如下的技術(shù)方案：一種基于多角度局部特征匹配的目標(biāo)識別方法，包括以下步驟：S1，獲取不同角度的多張目標(biāo)物體圖像作為模板，并提取出模板圖像中的興趣點；S2，對所述模板圖像中的興趣點，采用特征描述方法計算興趣點周圍區(qū)域的局部特征；S3，對于要識別的目標(biāo)圖像，提取出圖像的局部特征，與每一個模板圖像中的局部特征兩兩進(jìn)行匹配，得到粗略匹配的局部特征對；S4，對所述的粗略匹配的局部特征對，用隨機(jī)抽樣一致性(RANSAC)算法計算目標(biāo)圖像與模板圖像之間的基礎(chǔ)矩陣，并根據(jù)基礎(chǔ)矩陣構(gòu)建對極幾何約束實現(xiàn)局部特征對的過濾，得到精確匹配的局部特征點對；S5，計算目標(biāo)圖像中的匹配局部特征點個數(shù)，如找到的特征點個數(shù)大于設(shè)定閾值，則識別成功，否則認(rèn)為該目標(biāo)物體與模板不匹配。進(jìn)一步地，本發(fā)明的步驟S1中，所述的目標(biāo)模板可通過2D攝像頭從不同角度、不同距離進(jìn)行采集，將不同角度、不同尺度的同一目標(biāo)物體圖像作為目標(biāo)物體模板，多個目標(biāo)模板構(gòu)成目標(biāo)物體數(shù)據(jù)庫。進(jìn)一步地，本發(fā)明的步驟S1中，所述興趣點提取可使用角點、邊緣點以及交叉點等方法，其目的是獲取到圖像中灰度和紋理突出的部分，該突出部分更容易引起人的視覺注意，直觀來說是在水平和豎直方向上灰度或紋理變化較大的點，即所謂的興趣點。進(jìn)一步地，本發(fā)明的步驟S2中，所述的局部特征提取方法包括顏色直方圖、SIFT特征、SURF特征等局部特征描述方法。局部特征就是指一些能夠穩(wěn)定出現(xiàn)并且具有良好的可區(qū)分性的特征。這樣在物體不完全受到遮擋的情況下，一些局部特征依然穩(wěn)定存在，以代表這個目標(biāo)物體。其做主要作用如下：一方面，用局部特征來代替整幅圖像，可以大大降低圖像原有的大量信息，起到減少計算量的作用。另一方面，當(dāng)物體受到干擾時，一些冗余的信息(比如顏色變化平緩的部分和直線)即使被遮擋了，依然能夠從未被遮擋的局部特征上還原重要的信息。進(jìn)一步地，本發(fā)明的步驟S3中，采用的局部特征匹配方法包括直方圖匹配、直方圖相交等匹配方式。進(jìn)一步地，本發(fā)明的步驟S4中，具體過程描述如下：(1)從匹配的局部特征集合中選取任意一對局部特征，用于計算該模板圖像與目標(biāo)圖像的基礎(chǔ)矩陣F；(2)將集合中剩余的局部特征對用于校驗基礎(chǔ)矩陣，如能滿足的將該局部特征對作為內(nèi)點保留，同時計算模板圖像與目標(biāo)圖像的能量函數(shù)；(3)從匹配的局部特征集合中重新選取任意多對局部特征，重復(fù)上述流程(1)和(2)并計算基礎(chǔ)矩陣；(4)多次循環(huán)后，比較每次循環(huán)的基礎(chǔ)矩陣能量函數(shù)和內(nèi)點個數(shù)，保留最優(yōu)基礎(chǔ)矩陣F，并用該最優(yōu)基礎(chǔ)矩陣過濾匹配的局部特征集合，實現(xiàn)局部特征的精確匹配。進(jìn)一步地，本發(fā)明的步驟S5中，可使用判斷閾值T，如檢測到的精確匹配局部特征對個數(shù)大于判斷閾值，則認(rèn)為該目標(biāo)物體在視頻幀圖像中出現(xiàn)；目標(biāo)物體所在區(qū)域可粗略判斷為各個興趣點所在的位置的最大邊界。附圖說明圖1是本發(fā)明的一種實施例的方法流程圖。圖2是提取圖像興趣點的方法流程圖圖3是提取局部特征的方法流程圖圖4是局部特征精確匹配的方法流程圖具體實施方式下面結(jié)合附圖及具體實施例對本發(fā)明進(jìn)行更加詳細(xì)與完整的說明?？梢岳斫獾氖?，此處所描述的具體實施例僅用于解釋本發(fā)明，而非對本發(fā)明的限定。如圖1所示，本發(fā)明的基于多角度局部特征匹配的目標(biāo)識別方法，包括以下步驟：S1：如圖2所示，獲取不同角度的多張目標(biāo)物體圖像作為模板，并提取出模板圖像中的興趣點，具體包括以下過程：(1)通過2D攝像頭從不同角度、不同距離對目標(biāo)物體進(jìn)行采集，將不同角度、不同尺度的同一目標(biāo)物體圖像作為目標(biāo)物體模板，多個目標(biāo)模板構(gòu)成目標(biāo)物體數(shù)據(jù)庫。(2)對所述模板圖像提取興趣點，興趣點提取可使用Harris角點，其具體過程描述如下：1)、利用水平、垂直差分算子對圖像每個像素點(x，y)進(jìn)行濾波以求取水平梯度Ix和垂直梯度Iy，如公式1所示。Ix=|I(x+1,y)-I(x,y)|Iy=|I(x,y+1)-I(x,y)|---(1)]]>2)、每個像素點(x，y)的Harris角點值c(x，y)如公式2所示。c(x,y)=Ix2*Iy2-(IxIy)2Ix2+Iy2---(2)]]>當(dāng)c(x，y)的值大于給定的閾值時，則認(rèn)為該像素點是一個Harris角點。S2：如圖3所示，對所述模板圖像中的興趣點，采用SIFT特征描述方法計算興趣點周圍區(qū)域的局部特征，具體描述如下：1)、構(gòu)建多尺度圖像空間，對于一副圖像，通過下采樣得到不同尺寸的子圖像，將子圖像與高斯卷積核相乘進(jìn)行卷積計算，從而得到多尺度圖像空間。2)、尋找尺度空間的極值點，每一個采樣點要和它所有的相鄰點比較，看其是否比它的圖像域和尺度域的相鄰點大或者小。采樣點和它同尺度的8個相鄰點和上下相鄰尺度對應(yīng)的9×2個點共26個點比較，以確保在尺度空間和圖像空間都檢測到極值點。一個采樣點如果在多尺度圖像空間本層以及上下兩層的26個領(lǐng)域中是最大或最小值時，就認(rèn)為該點是圖像在該尺度下的一個特征點。3)、利用特征點鄰域像素的梯度方向分布特性為每個關(guān)鍵點指定方向參數(shù)，計算該特征點梯度的模值和方向。在特征點鄰域4×4的小塊上計算8個方向的梯度方向直方圖，繪制每個梯度方向的累加值，形成一個4×4×8＝128維的直方圖，即SIFT特征描述。S3：對所述的SIFT局部特征進(jìn)行匹配，采用的局部特征匹配方法包括直方圖匹配、直方圖相交等匹配方式。具體描述如下：給定兩幅圖像P和Q，HP(k)和HQ(k)，k＝0，1，2，...，L-1分別表示圖像P和Q的局部特征，L表示直方圖的維度。則直方圖匹配D1(P，Q)和直方圖相交D2(P，Q)分別由公式3和公式4表示。D1(P,Q)=Σk=0L-1min[HP(k),HQ(k)]Σk=0L-1HQ(k)---(3)]]>D2(P,Q)=Σk=0L-1[HP(k)-HQ(k)]2---(4)]]>S4：如圖4所示，對SIFT特征進(jìn)行精確匹配，具體過程描述如下：1)、從匹配的局部特征集合中選取任意一對局部特征，用于計算該模板圖像與目標(biāo)圖像的基礎(chǔ)矩陣F，具體做法如下：設(shè)M為三維空間中一點，在左右兩幅圖像上的投影分別為m1和m2，C1和C2為兩相機(jī)的光心，C1C2連線與左右兩幅圖像分別交于點e1和e2，稱為對極點。其中投影點m1和m2與基礎(chǔ)矩陣F滿足下面的關(guān)系。在代數(shù)上，這一幾何關(guān)系可以表示為公式5所示：m2TFm1=0Fe=0---(5)]]>根據(jù)上述描述，兩個匹配的局部特征相當(dāng)于m1和m2，則可以根據(jù)公式5計算出基礎(chǔ)矩陣F。2)、將集合中剩余的局部特征對用于校驗基礎(chǔ)矩陣，如能滿足的將該局部特征對作為內(nèi)點保留，同時計算模板圖像與目標(biāo)圖像的能量函數(shù)，具體做法如下：如果剩余的局部特征對與所述基礎(chǔ)矩陣相匹配，則滿足對極幾何約束關(guān)系，約束關(guān)系描述為：一幅圖像上的點m1，在另一幅圖像上的匹配點m2位于該點的對極線Fm1上；相反的，一幅圖像上的點m2，在另一幅圖像上的匹配點m1位于該點的對極線FTm2上。這個描述可以形式化為公式6，其中d2表示空間中點到直線的歐式距離。{d2(m1,Fm2)=0d2(m2,FTm1)=0---(6)]]>根據(jù)上述描述，將剩余的局部特征對代入公式6，如能滿足則將該局部特征對作為內(nèi)點保留。過濾完所有的局部特征對后，將所有的內(nèi)點用于計算模板圖像與目標(biāo)圖像的能量函數(shù)，如公式7所示：E(I1,I2)=112KΣi=1K(d2(m1i,Fm2i)+d2(m2i,FTm1i))+β---(7)]]>參數(shù)β是歸一化能量函數(shù)的值，能量函數(shù)E(I1，I2)表示兩幅圖像I1和I2的興趣點對應(yīng)集合與估計的基礎(chǔ)矩陣F之間的一致程度。當(dāng)能量函數(shù)最大時，表示兩幅圖像的興趣點對應(yīng)的幾何約束程度最高。3)、從匹配的局部特征集合中重新選取任意多對局部特征，重復(fù)上述流程1)和2)并計算基礎(chǔ)矩陣；4)、多次循環(huán)后，比較每次循環(huán)的基礎(chǔ)矩陣能量函數(shù)和內(nèi)點個數(shù)，保留最優(yōu)基礎(chǔ)矩陣F，并用該最優(yōu)基礎(chǔ)矩陣過濾匹配的局部特征集合，實現(xiàn)局部特征的精確匹配。S5：根據(jù)SIFT局部特征匹配結(jié)果進(jìn)行目標(biāo)識別，使用判斷閾值T，如檢測到的精確匹配局部特征對個數(shù)大于判斷閾值，則認(rèn)為該目標(biāo)物體在視頻幀圖像中出現(xiàn)；目標(biāo)物體所在區(qū)域可粗略判斷為各個興趣點所在的位置的最大邊界。上所述僅為本發(fā)明的優(yōu)選實施例，并不用于限制本發(fā)明，對于本領(lǐng)域技術(shù)人員而言，本發(fā)明可以有各種改動和變化。凡在本發(fā)明的精神和原理之內(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)。當(dāng)前第1頁1 2 3