基于质心高度增量特征的目标识别算法_于洋.pdf

基金项目:国家重点研发计划基金资助项目(2017YFC0821001);辽宁省自然科学基金指导计划项目(2019-ZD-0252)收稿日期:2021-06-16 修回日期:2021-06-28 第 40 卷 第 4 期计 算 机 仿 真2023 年 4 月 文章编号:1006-9348(2023)04-0213-06基于质心高度增量特征的目标识别算法于 洋,郑 伟,宋建辉,刘砚菊(沈阳理工大学自动化与电气工程学院,辽宁 沈阳 110159)摘要:针对传统目标识别算法识别准确率低、复杂度高等问题,提出基于质心高度增量特征的目标识别算法。在提取轮廓特征阶段,以轮廓质心为参考点,对于任意采样点,根据其它采样点相对于该点的高度关系构建质心高度增量描述符。描述符不仅计算简单,对旋转、平移和缩放等几何变换具有不变性,而且引入轮廓顺序这一全局特征,提升了描述符的鲁棒性和区分能力。在特征匹配阶段,利用轮廓顺序已知这一优势,采用动态规划算法计算质心高度增量描述符的相似度,最后引入形状复杂度分析,优化识别效果。MPEG-7 测试集和 Kimia99 测试集的实验结果表明,上述算法能够有效的对目标图像进行匹配识别,而且对于噪声的干扰具良好的鲁棒性。关键词:轮廓;质心高度增量;动态规划;形状复杂度;目标识别中图分类号:TP391.4 文献标识码:BTarget Recognition Algorithm Based on Centroid HeightIncrements FeatureYU Yang,ZHENG Wei,SONG Jian-hui,LIU Yan-ju(College of Automation and Electrical Engineering,Shenyang University of Scienceand Technology,Shenyang Liaoning 110159,China)ABSTRACT:Aiming at the problems of low recognition accuracy and high complexity of traditional target recognitionalgorithms,a target recognition algorithm based on centroid height increments was proposed.In the stage of contourfeature extraction,the centroid of the contour was taken as the reference point.For any sampling point,the centroidheight increment descriptor was constructed according to the height relationship of other sampling points relative to thepoint.The descriptor is not only simple in computation and invariant to geometric transformations such as rotation,translation and scaling,but also introduces the global feature of contour order,which improves the robustness anddiscrimination ability of the descriptor.In the feature matching stage,dynamic programming algorithm was used tocalculate the similarity of centroid height increment descriptors,and shape complexity analysis was introduced to opti-mize the recognition effect.The experimental results of MPEG-7 test set and kimia99 test set show that the proposedalgorithm can effectively match and recognize the target image,the proposed algorithm has good robustness to noiseinterference.KEYWORDS:Contour;Centroid height increments;Dynamic programming;Shape complexity;Target recognition1 引言目标识别与匹配作为计算机视觉领域的研究热点,广泛应用于图像检索、人脸识别、医学影像分析等领域。因为物体的形状具有十分稳定和重要的视觉特征,所以形状一直是目标匹配中一项有效且利用率较高的特征1。形状表示方法可以大体上分为三类:基于轮廓的形状表示、基于区域的形状表示和基于骨架的形状表示2。基于轮廓的表示方法是在提取图像轮廓的基础上对其外部边缘进行描述。国内外学者对基于轮廓特征的目标识别方法展开了广泛研究,提出了大量描述轮廓特征的方法3。Belongie 等4提出的形状上下文描述符,作为近年来最具有代表性的轮廓描述方法,因识别效果良好、抗干扰性强等优势被广泛应用于形状检索领域,但该描述符不具有旋转312不变性。吴晓雨等5提出一种具有旋转不变性的形状上下文识别算法,通过寻找采样点最多的角度区间的方法改变图像角度,为形状上下文描述符加入旋转不变性。张桂梅等6将内部距离代替欧氏距离,提出内距离形状上下文描述符,对于存在非刚性和肢体变化的目标取得了较好的识别效果,但描述符构建复杂,计算量大。Mokhtarian 等7提出曲率尺度空间描述符,对于边界噪声以及尺度变化具有良好的鲁棒性,但需要对轮廓进行进一步演化,增加了特征提取的工作量,且识别精度较低。Alajlan 等8提出基于三角形区域表示的形状描述符,有效的获取了目标的全局以及局部信息,但该方法识别鲁棒性差,对相似形状的区分能力较低。为解决传统目标识别算法识别准确率低、复杂度高等问题,本文提出基于质心高度增量特征的目标识别算法,根据轮廓点相对于质心高度的变化构建质心高度增量形状描述符,该描述符对于目标形状的平移、旋转、缩放以及翻转具有很好的不变性,引入轮廓顺序这一全局特征和平滑化处理降低描述符对噪声和非线性形变的敏感性。最后引入动态规划和形状复杂度分析相结合的方法实现目标的匹配识别。实验结果证明,与形状上下文等传统算法相比,本文算法能获得更稳定、准确的识别效果。2 质心高度增量描述符对于目标图像,首先选用 Canny 分割算法提取其边缘轮廓,对提取的轮廓均匀采样,得到轮廓部分点集记为 P=pi(i=1,2,N),其中 N 为采样点的个数,pi为轮廓第 i 个采样点。设采样点 pi(xi,yi),轮廓质心 W(x0,y0)的计算公式如下W(x0,y0)=1NN1pi(xi,yi)(1)目标轮廓提取及采样结果如图 1 所示,图 1 中(a)表示目标图像;(b)表示提取的目标轮廓;(c)表示轮廓采样点及质心分布。图 1 轮廓提取及采样效果图要计算轮廓的质心高度增量,最重要的是求出采样点与质心的距离,即质心高度值,该值表征了采样点在轮廓上的位置,对于采样点 pi(xi,yi),定义质心高度 gi为该点与质心W(x0,y0)的欧氏距离,即gi=(xi-x0)2+(yi-y0)2(2)这样可以得到轮廓 N 个采样点的质心高度值,定义任一采样点 pj(j=1,2,N)与当前采样点 pi的质心高度的差值为质心高度增量 hi,j,即hi,j=gj-gi(j=1,2,N)(3)质心高度增量有正有负,正负号可以精确地表示点与点相对于质心的位置关系。由于轮廓顺序是一种自然存在的全局特征,可以与质心高度增量这一局部特征融合使用,因此将所有采样点相对于点 pi的质心高度增量按轮廓点顺序排列,得到采样点 pi的质心高度增量序列 Hi,如式(4)所示Hi=(hi,i,hi,i+1,.hi,N,hi,1,.hi,i-1)T(4)图 2 给出了不相似轮廓采样点的质心高度增量特征提取效果图,其中图(a)、(b)表示心形轮廓和蝙蝠轮廓均匀采样,分别标记了 3 个轮廓点 A、B 以及 C;图(c)、(e)、(g)分别为心形轮廓 A、B、C 三点对应的质心高度增量特征,图(d)、(f)、(h)分别为蝙蝠轮廓 A、B、C 三点对应的质心高度增量特征。从图 2 可以看出,轮廓上的不同采样点,其质心高度增量特征具有唯一性,可以用来描述轮廓信息。将形状轮廓P 上每个点对应的质心高度增量序列 Hi按照轮廓点顺序排列,得到一个尺寸为 NN 的矩阵:L(P)=(H1,H2,HN-1,HN)(5)式中 L(P)表示轮廓的质心高度增量矩阵,矩阵的第 i 列表示轮廓 P 上采样点 pi的质心高度增量描述符。该描述符描述了轮廓点与点之间的相对高度关系,不随轮廓的旋转和平移而变化,为使该描述符具有缩放不变性,对矩阵的每一行进行归一化处理hi,j=hi,jmaxt=1,2,N(ht,j)(6)式中 ht,j为质心高度增量数据的模。式(4)定义了采样点 pi相对于轮廓所有采样点的质心高度增量,这样虽然有效的描述了轮廓信息,但对噪声引起的轮廓局部变形过于敏感,同时特征维数过高、计算复杂,在此采用文献9中的策略,在描述符的精确性、抗噪性、简洁性之间取得一个很好的折中,具体过程如下:对于 pi点的质心高度增量可表示为Hi=(hi,i,hi,i+1,hi,N,hi,1,hi,i-1)T(7)该序列包含了 N 个元素,对应 N 个采样点相对于该点的质心高度增量,加入正整数系数 k(1kN),将该序列划分成 M 个不相交的子序列1,k、k+1,2k、,其中 M=N/k,计算每个序列的质心高度增量的平均值gi,t=1kf kf=(t-1)k+1hi,f(8)式中 t=1,2,M。把 M 个均值数据进行有序排列,得到点pi经过平滑化处理后的特征序列 Gi,即Gi=(gi,1,gi,2,.gi,M-1,gi,M)T(9)经过平滑处理后,不仅提高了描述符对轮廓变形以及噪声干扰的鲁棒性,同时降低了特征向量的维度,方便后续的匹配。将所有采样点平滑后的描述符按序排列,得到轮廓 P412图 2 不同形状采样点的质心高度增量描述符的质心高度增量特征矩阵 E(P):E(P)=(G1,G2,GN-1,GN)(10)3 形状相似性度量在获取形状的特征描述符后,计算两个形状的相似程度,由于质心高度增量描述符包含轮廓点集顺序这一全局特征,本文选取了动态规划算法对得到的形状特征进行匹配。3.1 基于动态规划算法的相似度匹配质心高度增量描述符刻画的是轮廓点与点之间的特征关系,首先计算两个形状上采样点间的匹配代价,不同轮廓采样点之间的特征越相似,匹配代价越小。假设采样点 pi和qj分别属于形状 P 和 Q,定义匹配代价为 pi、qj两点对应的质心高度增量特征 Gi和 Gj之间的距离。考虑到接近采样点pi和 qj的质心高度增量的作用更大,为此设计权重系数 wt突出轮廓的局部特征,计算公式如式(11)wt=1mint,M-t(11)在此基础上,得到匹配代价 c(pi,qj)的计算公式如式(12)c(pi,qj)=Mt=1wtd(gi,t,gj,t)(12)式中 d(gi,t,gj,t)表示 pi、qj两点在其质心高度增量第 t 个分量上的数据差值。在获得了任意两个点的匹配代价后,进行轮廓点集间的匹配,采用动态规划算法进行匹配,确定对应关系使得轮廓间每对轮廓点的匹配代价的总和最小,设形状 P 的采样点 pi与形状 Q 中的采样点(pi)相匹配,则两个形状的距离差异定义为:D(P,Q)=Ni=1c(pi,(pi)(13)其中 c(pi,(pi)为采样点 pi和(pi)之间的匹配代价。由于形状的复杂度越高,对轮廓局部变形的敏感度越低,识别出的结果越具有可信性,因此引入形状复杂度进一步提升轮廓的匹配效果,定义形状轮廓的复杂度为:C(P)=1NNi=1std(gi,1,gi,2,gi,M)(14)式中 std 表示标准差.通过引入形状复杂度最终得到两个形状之间的距离 S(P,Q):S(P,Q)=D(P,Q)C(P)+C(Q)+(15)式中 C(P)和 C(Q)分别为形状 P 和 Q 的复杂度,为调整分母大小的参数,根据经验可适当调整。此外实际识别过程中,往往会出现待识别目标存在翻转的情况,容易造成误匹配,因此采取一个简单的策略:将待检测目标 P 进行翻转得到形状 PF,将形状 P 和 PF 分别与形状Q 匹配,取两者中匹配的最小距离作为形状 P 和 Q 的最终匹配结果。本文算法的结构框图如图 3 所示。图 3 算法框图5124 仿真与分析为验证本文提出的目标识别算法的有效性,分别在MPEG-7 和 Kimia99 这两种常用测试集上进行图像的匹配实验,并对算法的抗噪性能进行测试。在实验中,轮廓的采样点数取 N=100,式(8)中的平滑系数取 k=5,式(15)中调整分母的参数取=0.45。4.1 MPEG-7 测试集识别测试MPEG-7 测试集包含 70 类形状,每类 20 张图片共 1400张图片,涵盖动物、物体等多种形状,包括了形状的各种线性变换以及肢体变化、遮挡等非线性形变。采用 Bull-eye 得分获取本文算法在 MPEG-7 测试集上的检索识别性能,检索率定义为:对测试集中的每一个形状,识别出与其最相似的 40个形状,统计这些形状中属于待识别形状类别的数目,对所有形状的统计数据求和之后除以 28000(1400 20),即得检索率。表 1 所示为本文算法和其它部分算法在该测试集上的识别结果。从中可以看出,本文算法可以取得较好的识别效果,检索率达到了 93.05%,优于表中提出的几种常用目标识别算法,较 SC 和 CSS 算法的优势尤为明显。表 1 MPEG-7 测试集检索精度算法检索率(%)CSS775.44SC+TPS476.51骨架上下文1079.92IDSC+DP685.40模糊形状上下文1186.51SC+DP1286.80N-DCE+SC+DP1386.95CSOPT1488.19CSOSC1588.75高度函数989.66本文算法93.05 表 2 给出了本文算法在 MPEG-7 测试集上的部分目标匹配结果,其中第 1 列为待测目标,第 29 列为匹配结果以及对应的形状距离值,待测目标 1st8th 的形状距离值从小到大,表示与其第 1 到第 8 相似的识别结果,可以看出本文提出的算法能够较好的实现目标形状的识别。表 2 MPEG-7 测试集部分目标匹配示例4.2 Kimia99 测试集匹配测试Kimia99 测试集包含 9 类形状,每类 11 张图片共 99 张,如图 4 所示。该测试集同样包含了形状的旋转、平移以及缩放等几何变换,被广泛应用于目标识别与分类中。对于测试集中的每个形状,统计出与其第 1 到第 10 相似的识别结果中识别正确的形状数目(不包含待识别目标本身),将所有形状的统计合计结果作为本文算法在 Kimia99 测试集上的检索表现,因为测试集共有 99 个形状,所以每组数值的最佳结果便为 99。表 3 给出了不同方法在该测试集上的识别结果,从中可612图 4 Kimia99 图像测试集以看出相较于其它算法,本文算法识别效果最佳,优于 SC 和IDSC 等常见目标识别算法。表 3 多种方法在 Kimia99 测试集上的检索结果算法1st 2st 3st 4st 5st 6st 7st 8st 9st 10st 总数SC+TPS49791 8885 8477 7566 5637756CPDH+DP169992 9188 8683 8274 6346804N-DCE+SC+DP139999 9696 9392 9084 8871908TAR89999 9998 9897 9895 9380956IDSC+DP69999 9998 9897 9798 9479958CSOSC159999 9999 9999 9897 9287968高度函数99999 9999 9899 9996 9588971本文方法9999 9999 9999 9897 9690975 本文算法在 MPEG-7 和 Kimia99 测试集上均取得优异的识别效果,这取决于以下原因:1)质心高度增量描述符对轮廓特征表达精确,这种轮廓点之间精细的描述提高了相似形状的类间区分度;2)无论是形状上下文还是内距离形状上下文,都是将轮廓点分散到各个区域,破坏了轮廓顺序这一全局特征,而本文方法则是将这一全局特征与质心高度增量特征有机的结合起来,有效的提升了识别准确率;3)本文将形状复杂度分析与动态规划相结合进行匹配识别,在动态规划求得形状相似度的基础上,通过评价轮廓的复杂度进一步提升了匹配结果的可信度。4.3 噪声干扰下的检索效果测试为测试本文算法的抗噪性能,本节对带有噪声的形状轮廓进行识别,获得带噪轮廓的方式如下:对 Kimia99 测试集的所有图片轮廓点的横纵坐标加入均值=0,标准差由=0.2 到=0.8 的高斯噪声,分别统计出与其第 1 到第 10 相似的识别结果中识别正确的形状数目(不包含待识别目标本身),将所有形状的统计合计结果作为本文方法在受到噪声干扰的 Kimia99 测试集上的检索结果,表 4 给出了本文方法在噪声环境下的检索结果。表 4 本文方法在受到噪声干扰的 Kimia99 测试集上的检索结果1st2st3st4st5st6st7st8st9st10st总数0.0999999999999989796909750.2999999999997979695869660.4999999989696969594849560.6999899979694949089749300.899979795959495858068905 由表 4 可以看出,噪声水平在 0-0.4 之间时,检索表现受噪声影响不大,噪声水平在 0.6-0.8 之间时,检索效果出现了较大程度下降,但仍能保持较高的识别精度。由此验证,本文方法对于轮廓噪声干扰的鲁棒性较强,这得益于本文算法引入轮廓顺序信息这一全局特征,对噪声干扰的敏感性降低,同时采用平滑技术处理特征向量,也有效提高了本文算法对于轮廓噪声的鲁棒性。4.4 算法空间复杂度分析目标识别算法的空间复杂度主要体现在形状特征描述符对应的数据量上,在形状数量 S 和轮廓采样点 N 一致的情况下,描述符的特征维度决定了算法的空间复杂度,根据本文实验对参数的最优设定,采样点数取 N=100,平滑系数取k=5,本文描述符特征维度为 M=N/k=20。表5 给出了选取相同轮廓时,在轮廓采样点数均为 N=100 的情况下不同描述符的特征维度:SC 描述符4直方图距离量化等级和角度量化等级分别为 5 和 12,特征维度为 60;IDSC 描述符6中取直方图距离量化等级和角度量化等级分别为 8 和 12,其特征维度为 96;TAR 描述符8特征维度为 M=(N-1)/2=44;CSOPT 描述符14中平滑系数取 k=3,特征维度为 M=(N-1)/k=33。通过分析可以看出,本文描述符的特征维度(20)明显低于上述经典描述符,由此可以看出,本文算法相较于其它常见算法在空间复杂度上有着显著的优势。表 5 不同描述符特征维度比较描述符特征维度IDSC696SC460TAR844CSOPT1433质心高度增量描述符205 结论本文提出了基于质心高度增量特征的目标识别算法,在特征提取阶段,构造质心高度增量形状描述符,该描述符有效的描述了轮廓的全局以及局部信息,不仅计算简单,具有旋转、平移、缩放不变性,而且对于噪声和轮廓局部形变具有良好的鲁棒性。在目标匹配阶段选用动态规划算法进行形状匹配,同时引入形状复杂度分析提升了识别效果。通过对MPEG-7 和 Kimia99 测试集进行仿真,证明了本文算法能取712得良好的识别效果,且在复杂度、抗噪声干扰、识别准确率等方面的性能优于常见的目标识别算法。参考文献:1 李洋,李岳阳,罗海驰.基于形状特征的植物叶片在线识别方法J.计算机工程与应用,2017,53(2):162-165.2 卢勇强.面向二维形状识别的轮廓和骨架序列编码方法研究D.大连海事大学信息科学技术学院,2020.3Gao F,Wang M Q,Cai Y C,et al.Extracting closed objectcontour in the image:remove,connect and fit J.PatternAnalysis&Applications,2019,22(3):1123-1136.4 Belongie S,Malik J,Puzicha J.Shape matching and object recog-nition using shape contextsJ.IEEE Transactions on Pattern A-nalysis and Machine Intelligence,2002,24(4):509-522.5 吴晓雨,何彦,杨磊,等.基于改进形状上下文特征的二值图像检索J.光学精密工程,2015,23(1):302-309.6 张桂梅,蔡报丰.基于内距离形状上下文特征的形状匹配研究J.南昌航空大学学报(自然科学版),2016,30(2):1-7.7 Mokhtarian F,Abbasi S,Kittler J.Efficient and robust retrieval byshape content through curvature scale spaceC.In:Proceedingsof the 1996 International Workshop on Image Databases and Multi-Media Search.Amsterdam,the Netherlands:IAPR,1996:35-42.8 Alajlan N,Eirubeb E,Kamelb M S,et al.Shape retrieval usingtriangle-area representation and dynamic space warping J.Pattern Recognition,2007,40(7):1911-1920.9 Wang J W,Bai X,You X G,et al.Shape matching and classifica-tion using height functionsJ.Pattern Recognition Letters,2012,33(2):134-143.10 Xie J,Heng P A,Shan M.Shape matching and modeling usingskeletal context J.Pattern Recognition,2008,41(5):1756-1767.11 韩敏,郑丹晨.基于模糊形状上下文特征的形状识别算法J.自动化学报,2012,38(1):68-75.12 Bai X,Wang B,Wang X G,et al.Co-transduction for shape re-trieval C.In:ECCV:European Conference on ComputerVision,Crete,Greece,September 2010:328-343.13 胡大盟,黄伟国,杨剑宇,等.改进离散曲线演化的形状匹配算法J.计算机辅助设计与图形学学报,2015,27(10):1865-1873.14 王军伟.融合全局与局部信息的形状轮廓特征分析与匹配D.武汉:华中科技大学电子与信息工程系,2012.15 向敏,王军伟.一种基于顺序形状上下文的轮廓匹配方法J.舰船电子工程,2019,39(7):128-132.16 束鑫,吴小俊,潘磊.利用 CPDH 和动态规划算法的形状检索J.中国图像图形学报,2011,16(5):844-849.作者简介于 洋(1963-),男(汉族),吉林白山人,教授,硕士,主要研究领域为智能仪器仪表、故障检测与过程监控技术等。郑 伟(1996-),男(汉族),山东德州人,硕士研究生,主要研究领域为计算机视觉、图像识别等。宋建辉(1981-),女(汉族),山东诸城人,教授,博士研究生。主要研究领域为信息融合、智能传感器、光电检测技术等(通讯作者)。刘砚菊(1965-),女(汉族),湖南桂阳县人,教授,博士研究生,主要研究领域为智能仪器仪表,网络化测控技术等。(上接第 198 页)8 徐斌,葛宝臻,吕且妮,等.基于二次二维经验模态分解去噪的湍流退化图像复原算法J.计算机应用研究,2020,37(5):1582-1586.9 郭建平,曹杰,仲坤,等.基于傅立叶变换的统计数据外推问题研究J.统计与决策,2020,36(13):30-33.10 杨文彬,李旦,张建秋.分量载频差极小时频信号的超分辨率分析方法J.系统工程与电子技术,2020,42(9):1881-1889.11 石雪,徐海平,李纯明.本征图像分解的可变尺度局部分析与集成方法J.模式识别与人工智能,2021,34(4):322-332.12 喻思,米阳,马宇辰,等.自适应高通滤波下垂控制的孤岛直流微电网功率分配控制J.电力系统保护与控制,2020,48(18):19-26.13 何笑,王刚,吐尔洪江阿布都克力木,等.基于小波变换的水下图像增强算法J.数学的实践与认识,2020,50(21):164-170.14 罗晓清,熊梦渔,张战成.基于联合卷积自编码网络的多聚焦图像融合方法J.控制与决策,2020,35(7):1651-1658.15 陈清江,汪泽百,柴昱洲.改进 VGG 网络的多聚焦图像的融合方法J.应用光学,2020,41(3):500-507.16 任全会,孙逸洁,黄灿胜.基于区域间相似度的红外与可见光图像融合算法研究J.红外技术,2022,44(5):492-496.作者简介刘丽丽(1978-),女(汉族),山西长治人,硕士,讲师,主要研究方向:图像处理、嵌入式系统。赵 玉(1979-),男(汉族),河北石家庄人,硕士,副教授,主要研究方向:土木工程。812