本發(fā)明屬于計(jì)算機(jī)視覺(jué)和機(jī)器學(xué)習(xí)技術(shù)領(lǐng)域，具體涉及一種基于角點(diǎn)檢測(cè)與匹配的藥品識(shí)別系統(tǒng)和一種基于角點(diǎn)檢測(cè)與匹配的藥品識(shí)別方法。

背景技術(shù)：

據(jù)不完全統(tǒng)計(jì)，在全球范圍內(nèi)大約有三億四千二百余萬(wàn)人受視力障礙的困擾。視力障礙是指因衰老、眼疾和眼部受創(chuàng)等先天和后天原因引起的視力受損、殘疾或者缺陷，表現(xiàn)為視覺(jué)器官(包括眼球、眼神經(jīng))及大腦視覺(jué)神經(jīng)中樞的構(gòu)成或者功能發(fā)生部分或者全部障礙，以致患者雙眼不同程度地視力受損或者視野變小，不能對(duì)外界事物進(jìn)行正確辨識(shí)。依據(jù)相關(guān)規(guī)定，視覺(jué)障礙患者的視力在0.3以下或者視野不超過(guò)20°。

視覺(jué)障礙主要分為盲人和弱視患者兩類(lèi)。根據(jù)弱視患者的缺陷和使用的視覺(jué)輔助器具，弱視患者一般表現(xiàn)為以下幾類(lèi)：一是對(duì)立體不敏感，不能正常識(shí)別三維物體；二是缺乏對(duì)光線(xiàn)的辨識(shí)，對(duì)光線(xiàn)變化不敏感；三是對(duì)顏色不敏感，不能辨識(shí)正常的色彩，即為色盲；四是患者視野范圍太小，不能像正常人一樣感受周?chē)挛?。由于視覺(jué)系統(tǒng)不同程度的受損、殘疾或者缺陷，弱視患者能夠使用視覺(jué)從事一定的工作、學(xué)習(xí)和生活，但是在不同方面，視覺(jué)系統(tǒng)都有一定的障礙，需要借助一定的視覺(jué)輔助設(shè)備來(lái)完成正常的學(xué)習(xí)、工作和生活。

全盲患者則完全不能使用視覺(jué)系統(tǒng)進(jìn)行正常的工作和學(xué)習(xí)，他們只能通過(guò)人體的其他感官如觸覺(jué)和聽(tīng)覺(jué)來(lái)代替視覺(jué)進(jìn)行日常生活。目前相比于全盲人群，我國(guó)視覺(jué)障礙的人群較多，他們大多都可以通過(guò)一定信息無(wú)障礙技術(shù)和視覺(jué)輔助設(shè)備來(lái)進(jìn)行正常的學(xué)習(xí)和生活，但是由于大多視覺(jué)輔助設(shè)備功能單一并且價(jià)格偏高，沒(méi)有普及到城市和農(nóng)村的視覺(jué)障礙人群，服務(wù)率較低。如何開(kāi)發(fā)出高效廉價(jià)的視覺(jué)輔助設(shè)備，提高視障人群輔助器具服務(wù)率和生活質(zhì)量是科研工作者的一個(gè)重要研究方向，也是社會(huì)和國(guó)家急需解決的問(wèn)題。

角點(diǎn)檢測(cè)和提取是圖像分析和圖像識(shí)別的前提，是圖像局部特征的表征和描述，它往往對(duì)應(yīng)圖像中線(xiàn)條交叉的部分和圖像中明暗變化劇烈的部分，代表圖像中線(xiàn)條交叉的部分和曲率較大的拐點(diǎn)。角點(diǎn)由于其較好的抗干擾能力和較高的魯棒性，并且受環(huán)境影響較小。近年來(lái)，角點(diǎn)的檢測(cè)方法在近年來(lái)也取得了不少重大的成果。自適應(yīng)通用加速分割檢測(cè)(adaptiveandgenericacceleratedsegmenttest，agast)算法是比較好的角點(diǎn)檢測(cè)算法之一。該算法使用高效的二叉決策樹(shù)來(lái)優(yōu)化fast算法中使用的貪心搜索算法id3決策樹(shù)，通過(guò)合并兩個(gè)決策樹(shù)，根據(jù)當(dāng)前圖像信息自適應(yīng)地采用最高效地決策樹(shù)，極大地提高了算法的穩(wěn)定性和檢測(cè)速率。fast和agast算法都可以快速地檢測(cè)和提取圖像局部角點(diǎn)特征，滿(mǎn)足視頻幀的實(shí)時(shí)處理，但是由于只對(duì)灰度進(jìn)行處理，角點(diǎn)不具有旋轉(zhuǎn)不變性和尺度不變性?？焖僖暰W(wǎng)膜關(guān)鍵點(diǎn)(fastretinakeypoint，freak)算法是針對(duì)移動(dòng)設(shè)備的特征點(diǎn)描述算法，在系統(tǒng)的內(nèi)存和處理器資源相對(duì)較少的情況下還需要改進(jìn)。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明針對(duì)現(xiàn)有技術(shù)的狀況，提供一種針對(duì)視覺(jué)障礙人群在平時(shí)生活中不能很好地識(shí)別藥品而設(shè)計(jì)的一種基于角點(diǎn)檢測(cè)與匹配的藥品識(shí)別系統(tǒng)和一種基于角點(diǎn)檢測(cè)與匹配的藥品識(shí)別方法。

本發(fā)明采用以下技術(shù)方案，所述基于角點(diǎn)檢測(cè)與匹配的藥品識(shí)別方法包括：

步驟一：根據(jù)自適應(yīng)閾值的多尺度agast算法檢測(cè)藥品圖像的角點(diǎn)特征，得到若干個(gè)角點(diǎn)；

步驟二：根據(jù)改進(jìn)的freak描述算子，使用二值化特征描述字符串對(duì)上述藥品圖像的角點(diǎn)進(jìn)行描述；

步驟三：循環(huán)進(jìn)行步驟一和步驟二，以對(duì)藥品圖像進(jìn)行訓(xùn)練，建立特征描述子和藥品信息相對(duì)應(yīng)的藥品庫(kù)；

步驟四：根據(jù)訓(xùn)練圖像和目標(biāo)圖像的特征描述子，計(jì)算兩幅圖像的漢明距離來(lái)完成匹配兩幅圖像，從而識(shí)別出對(duì)應(yīng)的藥品。

根據(jù)上述技術(shù)方案，所述步驟一中使用攝像頭采集圖像，并且對(duì)圖像的灰度圖進(jìn)行標(biāo)記，使用agast算法來(lái)檢測(cè)得到角點(diǎn)，根據(jù)圖像的對(duì)比度設(shè)有自適應(yīng)的灰度閾值。

根據(jù)上述技術(shù)方案，所述步驟一中進(jìn)一步包括以下步驟：

步驟1.1：根據(jù)圖像的對(duì)比度計(jì)算角點(diǎn)標(biāo)記與檢測(cè)的自適應(yīng)灰度閾值；

步驟1.2：根據(jù)圖像的自適應(yīng)灰度閾值對(duì)圖像進(jìn)行明暗標(biāo)記，將灰度圖像標(biāo)記為明暗不同的區(qū)域，圖像中明暗變化劇烈的點(diǎn)作為角點(diǎn)候選點(diǎn)，通過(guò)角點(diǎn)候選點(diǎn)建立二叉決策樹(shù)來(lái)檢測(cè)其他角點(diǎn)；

步驟1.3：構(gòu)建圖像的多尺度空間，在多尺度描述序列上檢測(cè)圖像的角點(diǎn)。

根據(jù)上述技術(shù)方案，記所述自適應(yīng)灰度閾值為t，其計(jì)算方式為：

其中，n表示選取的像素點(diǎn)的數(shù)目，α表示權(quán)重，取值為0.05到0.2，ijmax和ijmin分別代表灰度值降序排序后的前n個(gè)像素點(diǎn)和后n個(gè)像素點(diǎn)。

根據(jù)上述技術(shù)方案，圖像明暗標(biāo)記的計(jì)算方式為：

根據(jù)上述技術(shù)方案，所述步驟1.3中進(jìn)一步包括以下步驟：

步驟1.3.1：在同組圖像的相鄰兩層和不同組圖像的相鄰兩層，使用非極大值抑制對(duì)候選點(diǎn)進(jìn)行篩選選出該區(qū)域穩(wěn)定的角點(diǎn)，以抑制在同一區(qū)域出現(xiàn)多個(gè)角點(diǎn)；

步驟1.3.2：根據(jù)不同尺度上的角點(diǎn)位置，使用最小二乘法擬合出角點(diǎn)的最佳角度，并使用一維拋物線(xiàn)對(duì)擬合的尺度進(jìn)行校正，計(jì)算得到特征點(diǎn)的尺度和位置信息。

根據(jù)上述技術(shù)方案，所述步驟二中進(jìn)一步包括如下步驟：

步驟2.1：對(duì)特征點(diǎn)的鄰域進(jìn)行采樣，選取像素點(diǎn)對(duì)特征點(diǎn)進(jìn)行描述；

步驟2.2：通過(guò)閾值化構(gòu)建二值化的freak描述字符串，由感受域?qū)Ω咚鼓：蟮牟钪当容^級(jí)聯(lián)而成；

步驟2.3：根據(jù)特征點(diǎn)鄰域灰度的信息，計(jì)算特征點(diǎn)的領(lǐng)域梯度。

根據(jù)上述技術(shù)方案，記f為二進(jìn)制描述字符串，其計(jì)算方式為：

其中，pa是感受域?qū)?，n是期望的二進(jìn)制描述字符串的長(zhǎng)度，t(pa)的表達(dá)式為：

其中，分別表示采樣點(diǎn)經(jīng)過(guò)高斯模糊后得到的灰度值，r1,r2分別代表感受域?qū)η昂蟾惺苡虻陌霃健?/p>

根據(jù)上述技術(shù)方案，記特征點(diǎn)領(lǐng)域梯度為o，其計(jì)算方式為：

其中，m表示采樣點(diǎn)對(duì)的數(shù)量，g表示采樣點(diǎn)組成的集合，po表示每對(duì)采樣點(diǎn)的位置。

根據(jù)上述技術(shù)方案，所述基于角點(diǎn)檢測(cè)與匹配的藥品識(shí)別系統(tǒng)包括：

攝像頭、微處理器、存儲(chǔ)器和揚(yáng)聲器，所述微處理器同時(shí)相互獨(dú)立地電連接所述攝像頭、存儲(chǔ)器和揚(yáng)聲器；

所述攝像頭用于采集藥品的圖像，并且將采集到的藥品圖像傳輸至所述微處理器；

所述微處理器獲取藥品圖像，并且處理為灰度圖，所述微處理器根據(jù)自適應(yīng)閾值的多尺度agast算法檢測(cè)藥品灰度圖得到若干個(gè)角點(diǎn)，根據(jù)改進(jìn)的freak描述算子使用二值化特征描述字符串對(duì)上述角點(diǎn)進(jìn)行描述；

所述存儲(chǔ)器內(nèi)置有藥品數(shù)據(jù)庫(kù)，所述微處理器將特征描述子和對(duì)應(yīng)的藥品信息存儲(chǔ)于上述藥品數(shù)據(jù)庫(kù)，所述微處理器根據(jù)訓(xùn)練圖像和目標(biāo)圖像的特征描述子計(jì)算漢明距離以匹配藥品圖像，所述微處理器將識(shí)別得到的藥品信息通過(guò)所述揚(yáng)聲器語(yǔ)音輸出，以提醒視覺(jué)障礙人群。

本發(fā)明公開(kāi)的基于角點(diǎn)檢測(cè)與匹配的藥品識(shí)別系統(tǒng)，其有益效果包括：針對(duì)現(xiàn)有的agast算法進(jìn)行改進(jìn)，提高算法在尺度變化、旋轉(zhuǎn)變化、模糊變化、光照變化和壓縮變化方面的魯棒性和穩(wěn)定性，能夠應(yīng)對(duì)不同性質(zhì)的干擾，提高角點(diǎn)檢測(cè)速率。同時(shí)，簡(jiǎn)化了freak算法的采樣模型，使其在低內(nèi)存和計(jì)算的移動(dòng)設(shè)備上能夠快速高效地運(yùn)行，使得系統(tǒng)能夠快速準(zhǔn)確地識(shí)別出各種不同的藥品，在各種復(fù)雜的環(huán)境下具有較高的識(shí)別速率和準(zhǔn)確率，能夠很好地幫助視覺(jué)障礙的人群。

附圖說(shuō)明

圖1是本發(fā)明的多尺度agast算法流程示意圖。

圖2是本發(fā)明的freak描述算法中的采樣模型。

圖3是本發(fā)明改進(jìn)后的freak算法的采樣模型。

圖4是本發(fā)明freak算法描述子的特征方向。

圖5是本發(fā)明優(yōu)選實(shí)施例的系統(tǒng)流程圖。

圖6是本發(fā)明優(yōu)選實(shí)施例的藥品圖像角點(diǎn)檢測(cè)示意圖。

圖7是本發(fā)明優(yōu)選實(shí)施例的藥品圖像匹配示意圖。

圖8是本發(fā)明優(yōu)選實(shí)施例在不同環(huán)境下的藥品識(shí)別實(shí)驗(yàn)結(jié)果。

具體實(shí)施方式

本發(fā)明公開(kāi)了一種基于角點(diǎn)檢測(cè)與匹配的藥品識(shí)別系統(tǒng)和一種基于角點(diǎn)檢測(cè)與匹配的藥品識(shí)別方法，下面結(jié)合優(yōu)選實(shí)施例，對(duì)本發(fā)明的具體實(shí)施方式作進(jìn)一步描述。

參見(jiàn)附圖的圖1至圖4，所述基于角點(diǎn)檢測(cè)與匹配的藥品識(shí)別方法包括以下步驟：

步驟一(藥品圖像角點(diǎn)檢測(cè))：根據(jù)自適應(yīng)閾值的多尺度agast算法檢測(cè)藥品圖像的角點(diǎn)特征，得到若干個(gè)角點(diǎn)；

步驟二(藥品圖像角點(diǎn)描述)：根據(jù)改進(jìn)的freak描述算子,使用二值化特征描述字符串對(duì)上述藥品圖像的角點(diǎn)進(jìn)行描述；

步驟三：循環(huán)進(jìn)行步驟一和步驟二，以對(duì)藥品圖像進(jìn)行訓(xùn)練，建立特征描述子和藥品信息相對(duì)應(yīng)的藥品庫(kù)；

步驟四：根據(jù)訓(xùn)練圖像和目標(biāo)圖像的特征描述子，計(jì)算兩幅圖像的漢明距離來(lái)完成匹配兩幅圖像，從而識(shí)別出對(duì)應(yīng)的藥品。

優(yōu)選地，所述步驟一中使用攝像頭采集圖像，對(duì)圖像的灰度圖進(jìn)行標(biāo)記，使用agast算法來(lái)檢測(cè)得到角點(diǎn)；

優(yōu)選地，所述步驟一中為提高檢測(cè)算法的魯棒性和穩(wěn)定性，在多尺度空間來(lái)提取圖像的特征，并且根據(jù)圖像的對(duì)比度設(shè)有自適應(yīng)的灰度閾值。

進(jìn)一步地，所述步驟一中包括如下步驟:

步驟1.1：根據(jù)圖像的對(duì)比度計(jì)算角點(diǎn)標(biāo)記與檢測(cè)的自適應(yīng)灰度閾值t；

在agast算法中，對(duì)灰度圖像上角點(diǎn)進(jìn)行粗檢測(cè)時(shí)，對(duì)灰度圖像進(jìn)行標(biāo)記的檢測(cè)閾值t一般跟圖像信息無(wú)關(guān)，一般人為設(shè)定。在檢測(cè)算法中，灰度閾值t代表檢測(cè)出角點(diǎn)之間的最小灰度差值，也表示檢測(cè)算法對(duì)圖像中的噪聲能夠忽略的最大灰度值，閾值t的設(shè)定會(huì)影響檢測(cè)到的角點(diǎn)的數(shù)目，過(guò)多或過(guò)少的角點(diǎn)都會(huì)影響決策樹(shù)的訓(xùn)練，最終降低檢測(cè)效率。對(duì)于不同對(duì)比度的圖像，采用相同的閾值往往表現(xiàn)出不同的效率。對(duì)比度高的圖像，檢測(cè)出的角點(diǎn)數(shù)目多，可能描述性不好，對(duì)比度低的圖像，檢測(cè)出的角點(diǎn)數(shù)目少，影響決策樹(shù)的訓(xùn)練，本文根據(jù)圖像的灰度值分布對(duì)灰度閾值進(jìn)行改進(jìn)，根據(jù)圖像灰度值排序的前n個(gè)最大值和最后n個(gè)最小值來(lái)計(jì)算出符合圖像信息的灰度閾值，根據(jù)不同圖像的對(duì)比度自適應(yīng)地調(diào)整灰度閾值，使檢測(cè)出的角點(diǎn)既不影響決策樹(shù)的訓(xùn)練，同時(shí)具有較強(qiáng)的描述性，式(1)描述了圖像自適應(yīng)灰度閾值的計(jì)算方法：

其中，n表示選取的像素點(diǎn)的數(shù)目，α表示權(quán)重，一般取0.05到0.2。ijmax和ijmin分別代表灰度值降序排序后的前n個(gè)像素點(diǎn)和后n個(gè)像素點(diǎn)。

步驟1.2：根據(jù)圖像的自適應(yīng)灰度閾值對(duì)圖像進(jìn)行明暗標(biāo)記，將灰度圖像標(biāo)記為明暗不同的區(qū)域，圖像中明暗變化劇烈的點(diǎn)作為角點(diǎn)候選點(diǎn)，通過(guò)角點(diǎn)候選點(diǎn)建立二叉決策樹(shù)來(lái)檢測(cè)其他角點(diǎn)；式(2)描述了圖像明暗標(biāo)記的計(jì)算方法：

步驟1.3：構(gòu)建圖像的多尺度空間，在多尺度描述序列上檢測(cè)圖像的角點(diǎn)；

通過(guò)圖像的平滑處理來(lái)構(gòu)建圖像的多尺度空間，即高斯金字塔。為了降低算法的復(fù)雜度，圖像采用兩組高斯卷積圖像來(lái)表示，這兩組圖像根據(jù)基本圖像的采樣尺度分為內(nèi)層圖像ci和中間層圖像di。原始圖像作為內(nèi)層的最底層，將其1.5倍降采樣得到中間層最底層，然后對(duì)同組不同層圖像使用不同的尺度進(jìn)行高斯模糊，同組的相鄰兩層圖像之間的比例因子為2，這樣就構(gòu)成了一些列尺度連續(xù)的圖像，以此構(gòu)建圖像的高斯金字塔，然后使用agast角點(diǎn)檢測(cè)算法在金字塔上提取尺度不變的特征。

進(jìn)一步地，參見(jiàn)附圖的圖1，步驟1.3中包括如下步驟:

步驟1.3.1：在同組圖像的相鄰兩層和不同組圖像的相鄰兩層，使用非極大值抑制對(duì)候選點(diǎn)進(jìn)行篩選，選出該區(qū)域穩(wěn)定的角點(diǎn)，以抑制在同一區(qū)域出現(xiàn)多個(gè)角點(diǎn)；

步驟1.3.2：根據(jù)不同尺度上的角點(diǎn)位置，使用最小二乘法擬合出角點(diǎn)的最佳角度，并使用一維拋物線(xiàn)對(duì)擬合的尺度進(jìn)行校正，計(jì)算得到特征點(diǎn)的尺度和位置信息。

根據(jù)上述優(yōu)選實(shí)施例，所述步驟二具體為：根據(jù)特征點(diǎn)的位置選取鄰域的采樣點(diǎn)來(lái)構(gòu)建特征點(diǎn)的描述字符串，為了保證旋轉(zhuǎn)不變性，通過(guò)特征點(diǎn)的灰度信息來(lái)計(jì)算特征點(diǎn)的梯度方向，最后將構(gòu)建好的特征點(diǎn)描述字符串和藥品的信息通過(guò)藥品名稱(chēng)來(lái)完成兩者之間的映射。

進(jìn)一步地，所述步驟二中包括如下步驟：

步驟2.1：對(duì)特征點(diǎn)的鄰域進(jìn)行采樣，選取像素點(diǎn)對(duì)特征點(diǎn)進(jìn)行描述；

參見(jiàn)附圖的圖2，freak算法的采樣模式模仿人眼視覺(jué)系統(tǒng)中的人眼視網(wǎng)膜區(qū)域結(jié)構(gòu)，以此來(lái)生成采樣點(diǎn)。這種方式更加接近人眼視網(wǎng)膜獲取圖像的方式，采樣點(diǎn)均勻分布在以特征點(diǎn)為中心的同心圓內(nèi)，與人眼視網(wǎng)膜結(jié)構(gòu)中感光細(xì)胞的分布類(lèi)似。距離采樣點(diǎn)越近的區(qū)域，采樣點(diǎn)密度越大，高斯模糊的半徑越小，主要用于獲取高分辨率的圖像，并提取圖像的細(xì)節(jié)特征；距離特征點(diǎn)越遠(yuǎn)的區(qū)域，采樣點(diǎn)的密度越小，高斯模糊的半徑越大，主要用于獲取分辨率較低的圖像，并提取圖像整體框架和邊緣輪廓信息。圖2中有很多大小不同并有重疊的圓，代表不同的采樣區(qū)域，圓心為該區(qū)域的采樣點(diǎn)，半徑代表高斯模糊的標(biāo)準(zhǔn)差，通過(guò)對(duì)相互重疊的區(qū)域使用不同的高斯模糊函數(shù)可以獲得更多的信息，從而使特征點(diǎn)的描述更加的準(zhǔn)確和獨(dú)特。

參加附圖的圖3，freak算子通常采用8層視網(wǎng)膜采樣結(jié)構(gòu)，從特征點(diǎn)由里向外的采樣點(diǎn)分布為:1,6,6,6,6,6,6,6，其中1為特征點(diǎn)，其他圓心為采樣點(diǎn)，以特征點(diǎn)為圓心的同心圓上，6個(gè)采樣點(diǎn)均勻分布，高斯核的半徑與采樣點(diǎn)為圓心的圓的半徑成正比。為了獲取圖像更多的特征，相鄰采樣點(diǎn)的感受域(即以采樣點(diǎn)為中心，高斯核為半徑的圓)設(shè)計(jì)為相互重疊的結(jié)構(gòu)。根據(jù)目標(biāo)匹配識(shí)別過(guò)程中主要關(guān)注目標(biāo)的角點(diǎn)、邊緣等輪廓特征，目標(biāo)的紋理等細(xì)節(jié)特征的缺失對(duì)匹配的結(jié)果影響不大，為了提高運(yùn)行速度和節(jié)省運(yùn)行內(nèi)存，根據(jù)視網(wǎng)膜成像原理，本發(fā)明優(yōu)選實(shí)施例的將8層采樣結(jié)構(gòu)簡(jiǎn)化為5層，形成改進(jìn)后的freak描述算子，其特征點(diǎn)的分布為:1,6,6,6,6。

步驟2.2：通過(guò)閾值化構(gòu)建二值化的freak描述字符串，由感受域?qū)Ω咚鼓：蟮牟钪当容^級(jí)聯(lián)而成；

假設(shè)f是freak二進(jìn)制描述字符串，則根據(jù)式(3)：

其中，pa是感受域?qū)?，n是期望的二進(jìn)制描述字符串的長(zhǎng)度，t(pa)的表達(dá)式見(jiàn)式(4):

其中分別表示采樣點(diǎn)經(jīng)過(guò)高斯模糊后得到的灰度值。r1，r2分別代表感受域?qū)η昂蟾惺苡虻陌霃健?/p>

步驟2.3：根據(jù)特征點(diǎn)鄰域灰度的信息，計(jì)算特征點(diǎn)的鄰域梯度；

參見(jiàn)附圖的圖4，為了保證描述子具有旋轉(zhuǎn)不變性，freak算子采用類(lèi)似brisk算子的方式，為每個(gè)特征點(diǎn)構(gòu)建主方向信息。由于特征點(diǎn)周?chē)?5個(gè)采樣點(diǎn)，可產(chǎn)生25*(25-1)/2＝300個(gè)采樣點(diǎn)對(duì)，本文選取其中33個(gè)長(zhǎng)的、對(duì)稱(chēng)的采樣點(diǎn)對(duì)來(lái)提取特征點(diǎn)的方向，特征點(diǎn)鄰域梯度計(jì)算方式見(jiàn)式(5):

其中，o特征點(diǎn)鄰域的梯度信息，m表示采樣點(diǎn)對(duì)的數(shù)量，g表示采樣點(diǎn)組成的集合，po表示每對(duì)采樣點(diǎn)的位置。

進(jìn)一步地，所述步驟三和步驟四具體為：根據(jù)目標(biāo)圖像和訓(xùn)練圖像之間的二值化特征描述子，描述串通過(guò)0和1編碼構(gòu)成，所以在進(jìn)行圖像匹配，比較描述字符串時(shí)，通過(guò)按位異或操作(xor)來(lái)計(jì)算兩個(gè)描述字符串的漢明距離(hammingdistance)，當(dāng)兩個(gè)字符串的漢明距離小于兩幅圖像相似的閾值時(shí)，則兩張圖像匹配成功，否則匹配不成功，漢明距離的計(jì)算方式見(jiàn)式(6):

參見(jiàn)附圖的圖5，所述基于角點(diǎn)檢測(cè)與匹配的藥品識(shí)別系統(tǒng)具有藥品的訓(xùn)練部分和藥品的識(shí)別部分，其中：

所述藥品的訓(xùn)練部分：首先使用改進(jìn)后的多尺度agast算法對(duì)藥品圖像的角點(diǎn)進(jìn)行檢測(cè)，然后使用優(yōu)化后的freak算法對(duì)檢測(cè)到的角點(diǎn)進(jìn)行特征描述，構(gòu)建二值化特征描述子，最后建立藥品信息和特征描述子相對(duì)應(yīng)的藥品數(shù)據(jù)庫(kù)。

所述藥品的識(shí)別部分：首先檢測(cè)視頻中的目標(biāo)圖像，使用上述方法對(duì)視頻中的圖像進(jìn)行角點(diǎn)的檢測(cè)和描述，然后將生成的描述子和藥品數(shù)據(jù)庫(kù)中的描述子進(jìn)行匹配，以識(shí)別出藥品，最后根據(jù)藥品描述子和藥品信息之間的映射關(guān)系，從數(shù)據(jù)庫(kù)中提取藥品信息，通過(guò)語(yǔ)音將識(shí)別出的藥品信息傳遞給視覺(jué)障礙的用戶(hù)，幫助他們更好的生活。

根據(jù)上述優(yōu)選實(shí)施例，所述基于角點(diǎn)檢測(cè)與匹配的藥品識(shí)別系統(tǒng)包括攝像頭、微處理器、存儲(chǔ)器和揚(yáng)聲器，所述微處理器同時(shí)相互獨(dú)立地電連接所述攝像頭、存儲(chǔ)器和揚(yáng)聲器；

所述攝像頭用于采集藥品的圖像，并且將采集到的藥品圖像傳輸至所述微處理器；

所述微處理器獲取藥品圖像，并且處理為灰度圖，所述微處理器根據(jù)自適應(yīng)閾值的多尺度agast算法檢測(cè)藥品灰度圖得到若干個(gè)角點(diǎn)，根據(jù)改進(jìn)的freak描述算子使用二值化特征描述字符串對(duì)上述角點(diǎn)進(jìn)行描述；

所述存儲(chǔ)器內(nèi)置有藥品數(shù)據(jù)庫(kù)，所述微處理器將特征描述子和對(duì)應(yīng)的藥品信息存儲(chǔ)于上述藥品數(shù)據(jù)庫(kù)，所述微處理器根據(jù)訓(xùn)練圖像和目標(biāo)圖像的特征描述子計(jì)算漢明距離以匹配藥品圖像，所述微處理器將識(shí)別得到的藥品信息通過(guò)所述揚(yáng)聲器語(yǔ)音輸出，以提醒視覺(jué)障礙人群。

優(yōu)選地，上述基于角點(diǎn)檢測(cè)與匹配的藥品識(shí)別系統(tǒng)可借助于移動(dòng)設(shè)備，例如以華為ascendp7為代表的智能手機(jī)，分別采用智能手機(jī)普遍配置的攝像頭、微處理器、存儲(chǔ)器和揚(yáng)聲器。以常用藥品感冒靈膠囊為例，將華為ascendp7作為藥品識(shí)別系統(tǒng)的載體，主要參數(shù)為：操作系統(tǒng)：androidos4.4，cpu頻率1.8ghz，后置攝像頭1300萬(wàn)像素，實(shí)驗(yàn)閾值為20，通過(guò)訓(xùn)練不同數(shù)目的藥品庫(kù)來(lái)測(cè)試藥品的正確率和測(cè)試時(shí)間，結(jié)果如下表所示：

根據(jù)上述優(yōu)選實(shí)施例，與現(xiàn)有技術(shù)相比，本發(fā)明對(duì)設(shè)備的要求較為簡(jiǎn)單，操作較為方便，對(duì)于不同性質(zhì)的干擾進(jìn)行處理，在速度和識(shí)別率上都有很大的提高。參見(jiàn)附圖的圖6至圖8，從實(shí)驗(yàn)結(jié)果中可以看出改進(jìn)后的角點(diǎn)檢測(cè)與匹配算法在兩個(gè)系統(tǒng)中對(duì)圖片旋轉(zhuǎn)、部分遮擋和光照較弱的情況都具有較強(qiáng)的魯棒性和穩(wěn)定性，藥品識(shí)別的速度在一定范圍內(nèi)，受待識(shí)別圖片的數(shù)目影響較小，藥品的識(shí)別速率和正確率均滿(mǎn)足要求，能夠?qū)崿F(xiàn)視障人群視覺(jué)輔助的目的。

對(duì)于本領(lǐng)域的技術(shù)人員而言，依然可以對(duì)前述各實(shí)施例所記載的技術(shù)方案進(jìn)行修改，或?qū)ζ渲胁糠旨夹g(shù)特征進(jìn)行等同替換，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。