高斯形狀上下文描述子

馮祥衛(wèi),馮大政,侯瑞利

(西安電子科技大學(xué)雷達(dá)信號(hào)處理國家重點(diǎn)實(shí)驗(yàn)室,陜西西安 710071)

高斯形狀上下文描述子

馮祥衛(wèi),馮大政,侯瑞利

(西安電子科技大學(xué)雷達(dá)信號(hào)處理國家重點(diǎn)實(shí)驗(yàn)室,陜西西安 710071)

利用高斯窗函數(shù),構(gòu)建了一種新的形狀上下文描述子,并將該描述子應(yīng)用到形狀配準(zhǔn)當(dāng)中.高斯形狀上下文以參考點(diǎn)為中心建立一組高斯窗函數(shù),根據(jù)中心點(diǎn)與其他采樣點(diǎn)之間的歐氏距離,利用盡量多的采樣點(diǎn)計(jì)算各個(gè)窗函數(shù)的值并組成形狀描述子,描述點(diǎn)與點(diǎn)之間的位置關(guān)系.通過比較形狀描述子之間的相似性,能夠較為準(zhǔn)確地找到兩個(gè)形狀間點(diǎn)與點(diǎn)的對(duì)應(yīng)關(guān)系.實(shí)驗(yàn)表明,使用高斯形狀上下文作為形狀描述子,比傳統(tǒng)的形狀上下文能夠更加準(zhǔn)確地找到點(diǎn)與點(diǎn)的對(duì)應(yīng)關(guān)系,使配準(zhǔn)算法快速收斂,具有良好的抗噪性和魯棒性.

形狀上下文;高斯窗;形狀描述子;形狀配準(zhǔn);魯棒性

形狀是圖像的重要特征.形狀配準(zhǔn),特別是點(diǎn)配準(zhǔn)在圖像處理和模式識(shí)別領(lǐng)域得到了廣泛的重視和發(fā)展.形狀點(diǎn)配準(zhǔn)主要通過迭代算法完成,分為兩個(gè)步驟:①尋找兩幅形狀之間的點(diǎn)與點(diǎn)的對(duì)應(yīng)關(guān)系;②根據(jù)對(duì)應(yīng)關(guān)系計(jì)算變換.形狀配準(zhǔn)問題是一個(gè)非常復(fù)雜的非凸優(yōu)化問題,存在多個(gè)局部極小點(diǎn),因此,尋找一個(gè)好的初值,即找到準(zhǔn)確的點(diǎn)與點(diǎn)的對(duì)應(yīng)關(guān)系顯得特別重要.為了解決這個(gè)問題,多種形狀描述子被提出和深入研究[1].文獻(xiàn)[2]提出了形狀上下文(Shape Context,SC),并定義了形狀上下文距離.形狀上下文是一種基于輪廓的形狀描述子,細(xì)致地描述了邊緣點(diǎn)在形狀中與其他的邊緣點(diǎn)的空間位置關(guān)系.兩個(gè)點(diǎn)之間的相似程度可以通過比較形狀上下文距離來衡量.形狀間的點(diǎn)與點(diǎn)匹配可以通過最小化形狀上下文距離之和來實(shí)現(xiàn).針對(duì)形狀上下文的改進(jìn)和應(yīng)用成為了一個(gè)研究熱點(diǎn)[3-5].但是,形狀上下文采用的是硬分配的思想,圖像中的每個(gè)點(diǎn)僅僅被分配到一個(gè)柵格中.在噪聲、形變以及旋轉(zhuǎn)的影響下,這種決策方式存在一定的缺陷.針對(duì)以上問題,筆者提出了高斯形狀上下文(Gaussian Shape Context,GSC)描述子.高斯形狀上下文首先以參考點(diǎn)為圓心按照一定分布規(guī)律建立一組高斯窗函數(shù),根據(jù)高斯窗函數(shù)的中心點(diǎn)與其他采樣點(diǎn)之間的歐氏距離,計(jì)算每個(gè)窗函數(shù)的值,再利用全部高斯窗函數(shù)的值組成該點(diǎn)的形狀上下文描述子.高斯形狀上下文描述子充分考慮到了形狀作為整體的存在,利用全部采樣點(diǎn)計(jì)算特征表示單元,融合了形狀的局部細(xì)節(jié)信息和整體信息.與傳統(tǒng)的形狀上下文相比,這種算法不僅能夠找到更為準(zhǔn)確的點(diǎn)與點(diǎn)的對(duì)應(yīng)關(guān)系,與配準(zhǔn)算法較好地結(jié)合起來,而且在形變和噪聲影響下有更好的魯棒性.

1　形狀上下文

形狀上下文是一種基于輪廓的形狀描述子[2],如圖1所示.形狀上下文首先對(duì)目標(biāo)輪廓進(jìn)行均勻采樣,依次選取每個(gè)采樣點(diǎn)作為參考點(diǎn),以該參考點(diǎn)為中心建立極坐標(biāo)系,并按照角度和距離劃分柵格,統(tǒng)計(jì)落入每個(gè)柵格內(nèi)的點(diǎn)數(shù),構(gòu)成該點(diǎn)的形狀上下文描述子.令P和D分別代表原始形狀和待配準(zhǔn)形狀的采樣點(diǎn)集,選取di作為參考點(diǎn),di∈D,利用該點(diǎn)與余下的Nd-1個(gè)采樣點(diǎn)的相對(duì)位置關(guān)系構(gòu)建特征向量.以點(diǎn)di為原心建立對(duì)數(shù)極坐標(biāo)空間,將對(duì)數(shù)極坐標(biāo)空間按照距離和角度劃分為M×N個(gè)柵格.統(tǒng)計(jì)落入每個(gè)柵格內(nèi)的點(diǎn)數(shù),可以獲得關(guān)于點(diǎn)di的特征直方圖:

圖1　形狀上下文

其中,B表示柵格.直方圖hi定義了點(diǎn)di處的形狀上下文.任意選取目標(biāo)形狀上的某一點(diǎn)pj,pj∈P,令Cij=C(di,pj),表示點(diǎn)di和點(diǎn)pj的匹配距離,根據(jù)χ2檢驗(yàn)統(tǒng)計(jì),可得

其中,Cij表示兩個(gè)點(diǎn)之間的“相似度”,即形狀上下文距離.通過比較形狀上下文距離,可以確定形狀間的點(diǎn)與點(diǎn)的對(duì)應(yīng)關(guān)系.

2　基于高斯窗函數(shù)的形狀上下文

2.1高斯形狀上下文構(gòu)建原理

形狀特征描述子的構(gòu)建需要盡量滿足兩個(gè)要求:一是盡可能多地保留有用信息,二是需要具備良好的抗噪性和魯棒性.

(1)形狀作為一個(gè)具有緊密的內(nèi)在聯(lián)系的整體,每個(gè)采樣點(diǎn)之間都存在空間上和結(jié)構(gòu)上的相互關(guān)系.因此,特征描述子的每個(gè)表示單元應(yīng)當(dāng)使用盡量多的采樣點(diǎn)描述點(diǎn)與點(diǎn)之間的位置關(guān)系.形狀上下文表示單元都為柵格,柵格僅僅描述了參考點(diǎn)與柵格所在區(qū)域的圖像點(diǎn)的關(guān)聯(lián),而柵格內(nèi)與柵格外的采樣點(diǎn)之間的信息被忽略掉.文獻(xiàn)[3]中提出的軟形狀上下文通過對(duì)柵格內(nèi)的點(diǎn)進(jìn)行離散權(quán)值加權(quán)并分配到周圍的柵格中,雖然在一定程度上保留了這部分信息,但是軟形狀上下文構(gòu)造過于簡單,特別是在距離上只有一層,不能較為準(zhǔn)確和全面地表示出這種相對(duì)關(guān)系.高斯形狀上下文構(gòu)建形狀表示單元時(shí),不再簡單地將整體作為各個(gè)表示單元的疊加,而是全面地考慮各個(gè)單元之間的相對(duì)關(guān)系.

(2)形狀上下文通過統(tǒng)計(jì)柵格內(nèi)的點(diǎn)數(shù)來構(gòu)建表示單元.根據(jù)式(1),形狀上下文采用的硬分配的方式分配采樣點(diǎn),每個(gè)采樣點(diǎn)僅僅只能被一個(gè)柵格統(tǒng)計(jì),表示數(shù)值只能是整數(shù),是一種離散的表示方式,而離散表示必然存在著階躍變化.因此,當(dāng)形狀產(chǎn)生輕微的旋轉(zhuǎn)或者形變的時(shí)候,形狀上下文描述子可能會(huì)產(chǎn)生較為劇烈的變化,影響形狀描述子的穩(wěn)健性.這樣的分配方式對(duì)于采樣點(diǎn)在柵格的交界處分布較多的情況,目標(biāo)產(chǎn)生微小形變,得到的形狀上下文描述子卻有很大的不同.如圖1中所示,形狀發(fā)生微小形變,位置由A點(diǎn)移動(dòng)到B點(diǎn),但是采樣點(diǎn)分布的微小變化卻引起形狀上下文產(chǎn)生明顯的變化.為解決這個(gè)問題,高斯形狀上下文使用連續(xù)函數(shù)代替階躍函數(shù),用連續(xù)的或者近似連續(xù)的數(shù)值變化表示形狀產(chǎn)生的變化,避免形狀描述子出現(xiàn)劇烈變化,從而提升形狀描述子的魯棒性.

2.2構(gòu)建高斯形狀上下文表示單元

為了構(gòu)建包含信息更為豐富、魯棒性更強(qiáng)的形狀表示單元,可以使用高斯窗函數(shù)作為特征表示單元對(duì)采樣點(diǎn)的空間相對(duì)分布進(jìn)行描述.傳統(tǒng)的形狀上下文采用的統(tǒng)計(jì)標(biāo)準(zhǔn)是二值化的、硬分配的,不具備各向同性;而高斯窗函數(shù)是連續(xù)的、平滑的、軟決策的,且具備各向同性,從而對(duì)微小的形變具有較好的不變性.如圖2所示,對(duì)杯子的邊緣點(diǎn)進(jìn)行采樣得到的點(diǎn)為采樣點(diǎn),定義當(dāng)前需要描述的采樣點(diǎn)di為參考點(diǎn).在二維圖像中按照一定的分布規(guī)律選取坐標(biāo)為(x,y)的點(diǎn)作為高斯窗函數(shù)的中心,定義該點(diǎn)為形狀表示單元的中心點(diǎn).該點(diǎn)相對(duì)于參考點(diǎn)di在某一坐標(biāo)系下的距離為l,角度為θ,高斯窗函數(shù)的均值為零,標(biāo)準(zhǔn)差為σ,則高斯窗函數(shù)為

圖2　高斯形狀上下文

其中,Δx、Δy分別表示點(diǎn)到x、y的距離.形狀上的某一采樣點(diǎn)(i,i)對(duì)于該高斯窗函數(shù)的加權(quán)值為

進(jìn)一步,通過所有采樣點(diǎn)可以得到以點(diǎn)(x,y)為中心的高斯窗函數(shù)的值為

從式(3)～(5)可以得出,使用高斯窗函數(shù)作為表示單元保留了距離和角度信息,即l和θ.新的表示單元根據(jù)采樣點(diǎn)與中心點(diǎn)的歐氏距離,對(duì)全部的采樣點(diǎn)加權(quán)計(jì)算得出窗函數(shù)值,并且距離中心點(diǎn)越近,對(duì)形狀表示單元的影響就越大,這與實(shí)際情況相符合.由于高斯窗函數(shù)的各向同性,使用高斯窗函數(shù)作為形狀表示單元在一定程度上也模糊了距離、角度變化以及非剛性形變.同時(shí),針對(duì)傳統(tǒng)形狀上下文所采用的“柵格”會(huì)出現(xiàn)劇變的情況,高斯窗函數(shù)將形狀的變化采取近似連續(xù)化數(shù)值表示,避免邊緣點(diǎn)的微小挪動(dòng)導(dǎo)致形狀表示單元出現(xiàn)大的變化,提升了形狀表示單元的魯棒性.高斯窗的大小可以控制形狀表示單元的模糊程度,選擇大的高斯窗重點(diǎn)體現(xiàn)中心點(diǎn)在形狀中的粗略位置信息,選擇小的高斯窗則重點(diǎn)體現(xiàn)中心點(diǎn)附近的細(xì)節(jié)信息.

2.3構(gòu)建高斯形狀上下文描述子

單個(gè)的高斯窗函數(shù)形狀表示單元可以描述所有采樣點(diǎn)相對(duì)于中心點(diǎn)(x,y)的分布情況,多個(gè)有規(guī)律分布的高斯窗函數(shù)組成的形狀上下文描述子就能比較全面和精確地描述參考點(diǎn)di在整個(gè)形狀中的空間信息.如圖2所示,高斯形狀上下文以參考點(diǎn)di為原點(diǎn)建立極坐標(biāo)系,并按照角度和距離劃分平面空間,得到的交叉點(diǎn)作為高斯窗函數(shù)的中心點(diǎn).在距離劃分上,可以選擇相同的半徑,即R1=R2=R3,也可以選擇依次增加的半徑,即R1＜R2＜R3.在高斯窗函數(shù)的選擇上,高斯窗的大小隨著中心點(diǎn)與參考點(diǎn)的距離的增加而增加,從而使描述子對(duì)參考點(diǎn)附近的采樣點(diǎn)分布變化更加敏感.在距離參考點(diǎn)較近的位置細(xì)致地刻畫采樣點(diǎn)的分布情況,注重體現(xiàn)結(jié)構(gòu)上的細(xì)節(jié)變化;距離較遠(yuǎn)的采樣點(diǎn)則用來粗略地描述參考點(diǎn)在形狀中的空間位置,讓更多的點(diǎn)產(chǎn)生更大的影響參與表示單元的構(gòu)建,模糊容易受噪聲影響的細(xì)微差別.同時(shí),還可以根據(jù)迭代配準(zhǔn)算法的配準(zhǔn)情況調(diào)整高斯窗函數(shù)的大小.綜上所述,并根據(jù)式(5)計(jì)算得到參考點(diǎn)di的M×N+1個(gè)高斯窗函數(shù)值組成特征描述子:

根據(jù)式(2)計(jì)算出形狀之間點(diǎn)與點(diǎn)的形狀上下文距離.

高斯形狀上下文描述子是以參考點(diǎn)為中心,利用點(diǎn)與點(diǎn)之間的相對(duì)位置關(guān)系構(gòu)建描述子,因此具備平移不變性.利用中心點(diǎn)與采樣點(diǎn)之間歐氏距離矩陣的平均值,對(duì)坐標(biāo)進(jìn)行歸一化以達(dá)到一定的尺度不變性.同時(shí),由于高斯形狀上下文表示單元可以模糊角度和距離差別,因此對(duì)輕微的旋轉(zhuǎn)和不規(guī)則形變也具備一定的不變性.對(duì)于出現(xiàn)較大旋轉(zhuǎn)的情況,可以將點(diǎn)的切線方向定義為零度角坐標(biāo)軸.因此,高斯形狀上下文描述子對(duì)參考點(diǎn)形成了由近及遠(yuǎn),由細(xì)致到粗略,由點(diǎn)到局部到部分整體的描述,既提升了形狀描述子的穩(wěn)健性,又保證了精確性.值得注意的是,如果取足夠多的高斯窗,本質(zhì)上就對(duì)形狀做了高斯平滑,濾除了形狀中高頻成分,而噪聲往往存在于高頻成分當(dāng)中,因此,基于高斯窗函數(shù)的形狀上下文描述子具有天然的魯棒性.

3　配準(zhǔn)算法

形狀描述子構(gòu)建完成以后,就需要通過按照一定的標(biāo)準(zhǔn),比較點(diǎn)與點(diǎn)之間的“相似性”來找到最佳點(diǎn)與點(diǎn)的配準(zhǔn)關(guān)系,然后根據(jù)得到的點(diǎn)與點(diǎn)對(duì)應(yīng)關(guān)系計(jì)算配準(zhǔn)變換.尋找準(zhǔn)確的點(diǎn)與點(diǎn)對(duì)應(yīng)關(guān)系和配準(zhǔn)變換相互依賴,互為前提.找到準(zhǔn)確的點(diǎn)與點(diǎn)的對(duì)應(yīng)關(guān)系,對(duì)算法性能具有重要影響.尋找點(diǎn)與點(diǎn)的對(duì)應(yīng)關(guān)系可以通過最小化代價(jià)函數(shù)實(shí)現(xiàn)[6],代價(jià)函數(shù)的統(tǒng)一形式為

其中,λ為正則化參數(shù).兩個(gè)步驟相互迭代,互為前提,直到滿足停止條件為止.薄板樣條函數(shù)算法是一種非剛性變換,存在非線性計(jì)算,利用的信息比剛性變換要多,因此性能有一定的提升,但是計(jì)算較為復(fù)雜,計(jì)算復(fù)雜度為O(N3)[8].

4　仿真實(shí)驗(yàn)

為了驗(yàn)證筆者提出算法的有效性,進(jìn)行了以下仿真實(shí)驗(yàn).實(shí)驗(yàn)中所采用的計(jì)算機(jī)處理器為Intel i5-3570,主頻為3.4 GHz,內(nèi)存為4 GB,軟件平臺(tái)為MATLAB,版本為R2011b.實(shí)驗(yàn)中利用高斯形狀上下文(GSC)和形狀上下文(SC)方法構(gòu)建形狀描述子,使用匈牙利算法尋找點(diǎn)與點(diǎn)之間一對(duì)一的對(duì)應(yīng)關(guān)系,利用薄板樣條函數(shù)算法計(jì)算配準(zhǔn)變換,分別記為GSC+TPS方法和SC+TPS方法.在實(shí)驗(yàn)中首先對(duì)配準(zhǔn)形狀和待配準(zhǔn)形狀進(jìn)行編碼,其中,對(duì)應(yīng)點(diǎn)標(biāo)記為相同的編號(hào).進(jìn)一步,定義配準(zhǔn)率r為

其中,N表示采樣點(diǎn)數(shù);i表示原始形狀和待配準(zhǔn)形狀對(duì)應(yīng)點(diǎn)的編碼之差,該差不大于m則認(rèn)為正確配準(zhǔn);ni表示配準(zhǔn)圖像和待配準(zhǔn)圖像的對(duì)應(yīng)點(diǎn)的編碼之差為i的數(shù)目;λi表示配準(zhǔn)置信度,λi值越高,表示該點(diǎn)被正確配準(zhǔn)的概率越高.在實(shí)驗(yàn)中,取m=2,λ0=1,λ1=0.8,λ2=0.6.配準(zhǔn)算法采用薄板樣條函數(shù)算法,因此,進(jìn)一步定義目標(biāo)形狀和配準(zhǔn)形狀對(duì)應(yīng)點(diǎn)之間的距離的平均誤差為

其中,E表示形狀之間配準(zhǔn)結(jié)果準(zhǔn)確度.同時(shí),根據(jù)式(8)計(jì)算變換所需要的彎曲能量IT.IT越大,表示配準(zhǔn)形狀需要做更為劇烈的形變才能完成配準(zhǔn)要求.r、E和IT這3個(gè)量的大小和收斂速度共同實(shí)現(xiàn)對(duì)圖像配準(zhǔn)算法質(zhì)量的考查.文中的實(shí)驗(yàn)采用文獻(xiàn)[6]中所用的數(shù)據(jù).為保證實(shí)驗(yàn)的公平性,兩種方法的正則化參數(shù)λ的取值規(guī)則都是相同的,都以水平方向作為零度角.形狀上下文角度方向等分為12組,距離方向分為5組,最終每個(gè)點(diǎn)的描述子為60維向量.高斯形狀上下文在角度方向和距離方向,加上參考點(diǎn)的高斯窗,建立12× 5+1=61個(gè)高斯窗函數(shù).高斯窗函數(shù)的標(biāo)準(zhǔn)差一般在0.25～0.35之間取值,如果形狀較為緊湊,即點(diǎn)與點(diǎn)之間的平均距離小,則可以取相對(duì)較小的高斯窗;反之,則取相對(duì)較大的高斯窗.

實(shí)驗(yàn)1 采用的形狀如圖3(a)所示,待配準(zhǔn)形狀與原始形狀之間存在明顯的平移和非線性形變,沒有添加噪聲.每組實(shí)驗(yàn)迭代配準(zhǔn)次數(shù)為8次.圖3(b)與3(c)表示兩種方法的最終配準(zhǔn)結(jié)果,從圖中可以看出, GSC+TPS方法的配準(zhǔn)效果要優(yōu)于SC+TPS方法.圖4給出了兩種方法的性能對(duì)比.從性能對(duì)比圖4(a)可以發(fā)現(xiàn),GSC+TPS方法較SC+TPS方法的首次配準(zhǔn)率要高,GSC+TPS在首次配準(zhǔn)時(shí)達(dá)到了74.40%,第2次配準(zhǔn)中達(dá)到了88.00%,而SC+TPS首次配準(zhǔn)的準(zhǔn)確率為69.60%,收斂后配準(zhǔn)率為78.80%,顯示出GSC算法在構(gòu)建形狀描述子時(shí)具有良好的區(qū)分性.從圖4(b)和4(c)中可以發(fā)現(xiàn),GSC+TPS方法在平均誤差和彎曲能量方面都要明顯小于SC+TPS方法.在收斂速度上,GSC+TPS方法在第2次就達(dá)到收斂,而SC+TPS方法在第7次才收斂,GSC+TPS方法的收斂速度要明顯快于SC+TPS方法.在使用匈牙利算法和薄板樣條函數(shù)算法中,都存在計(jì)算復(fù)雜度為O(N3)的操作,因此,GSC+TPS方法能夠快速收斂的性質(zhì)大大加快了形狀的配準(zhǔn)速度,在處理大規(guī)模問題,例如識(shí)別問題中,具有較大的優(yōu)勢(shì).該實(shí)驗(yàn)證明了GSC+ TPS方法在形狀產(chǎn)生非線性形變下的有效性.

圖3　SC+TPS與GSC+TPS方法配準(zhǔn)圖

圖4　性能對(duì)比圖

圖5　配準(zhǔn)形狀

實(shí)驗(yàn)2 考查形狀邊緣受到高斯噪聲污染的情況下兩種方法的性能.實(shí)驗(yàn)中高斯噪聲的均值為零,標(biāo)準(zhǔn)差從0.005到0.050,共10組,每組標(biāo)準(zhǔn)差增加0.005,最大迭代次數(shù)為100,每組做300次重復(fù)試驗(yàn).實(shí)驗(yàn)中所采取的原始形狀和部分添加噪聲的形狀如圖5所示.隨著噪聲的增加,待配準(zhǔn)圖像產(chǎn)生的變化越來越劇烈,因此尋找對(duì)應(yīng)點(diǎn),實(shí)現(xiàn)配準(zhǔn)難度也越來越高.以標(biāo)準(zhǔn)差σ=0.015為例,GSC+TPS方法在配準(zhǔn)率、彎曲能量、平均誤差方面均要優(yōu)于SC+TPS方法.同時(shí),GSC+TPS方法平均只需要3次左右的迭代就達(dá)到了收斂,而SC+TPS甚至在除去不收斂的情況下,平均需要8次左右的迭代才能收斂.GSC+TPS方法在噪聲下仍可以快速收斂的性質(zhì)對(duì)于處理容易受噪聲污染的自然圖像時(shí),可以較大地節(jié)約計(jì)算量.表1給出了GSC+TPS方法和SC+TPS方法的配準(zhǔn)率、彎曲能量和平均誤差.從表中可以看出,特別是在噪聲標(biāo)準(zhǔn)差為0.005～0.030時(shí),GSC+TPS方法在各項(xiàng)中性能標(biāo)準(zhǔn)中不僅明顯高于SC+TPS方法,而且各項(xiàng)參數(shù)的波動(dòng)幅度也較小,說明GSC+TPS方法具有較好的抗噪性和魯棒性.隨著噪聲標(biāo)準(zhǔn)差增加到0.045,GSC+ TPS方法的性能只是略優(yōu)于SC+TPS方法,這是因?yàn)檫^大的噪聲有可能破壞形狀的結(jié)構(gòu)信息,此時(shí)進(jìn)行配準(zhǔn)的意義已經(jīng)不大.該實(shí)驗(yàn)證明了GSC+TPS方法在噪聲情況下的有效性.

表1　SC+TPS與GSC+TPS在高斯噪聲情況下的配準(zhǔn)性能

5　結(jié)束語

筆者提出了一種基于高斯窗函數(shù)的形狀上下文描述子,高斯形狀上下文利用一組高斯窗函數(shù)建立柵格,構(gòu)建性能穩(wěn)健的形狀描述子,在形變和噪聲情況下能夠?qū)ふ业礁鼮闇?zhǔn)確的點(diǎn)對(duì)點(diǎn)對(duì)應(yīng)關(guān)系,并且能夠與迭代最近點(diǎn)(Iterative Closest Point,ICP)、薄板樣條函數(shù)等計(jì)算變換方法結(jié)合起來實(shí)現(xiàn)圖像的配準(zhǔn)任務(wù),具有更高的配準(zhǔn)準(zhǔn)確率和更快的收斂速度,性能也更為穩(wěn)健.

[1]ZHANG D,LU G.Review of Shape Representation and Description Techniques[J].Pattern Recognition,2004,37(1): 1-19.

[2]BELONGIE S,MALIK J,PUZICHA J.Shape Matching and Object Recognition Using Shape Contexts[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(4):509-522.

[3]LIU D,CHEN T.Soft Shape Context for Iterative Closest Point Registration[C]//Proceedings of the IEEE International Conference on Image Proceedings:2.Piscataway:IEEE,2004:1081-1084.

[4]SU Y.Spectra of Shape Contexts:an Application to Symbol Recognition[J].Pattern Recognition,2014,47(5): 1891-1903.

[5]PREMACHANDRAN V,KAKARALA R.Perceptually Motivated Shape Context Which Uses Shape Interiors[J]. Pattern Recognition,2013,46(8):2092-2102.

[6]CHUI H,RANGARAJAN A.A New Point Matching Algorithm for Non-rigid Registration[J].Computer Vision and Image Understanding,2003,89(2):114-141.

[7]KUHN H W.The Hungarian Method for the Assignment Problem[J].Naval Research Logistics Quarterly,1955,2(1/ 2):83-97.

[8]BOOKSTEIN F L.Principal Warps:Thin-plate Splines and the Decomposition of Deformations[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,1989,11(6):567-585.

(編輯:郭 華)

Gaussian shape context descriptors

FENG Xiangwei,FENG Dazheng,HOU Ruili
(National Key Lab.of Radar Signal Processing,Xidian Univ.,Xi’an 710071,China)

The shape context(SC)descriptors based on the Gaussian window(GSC)are proposed.The GSC descriptors can be used to match shapes.Encircling the reference point,the GSC sets up a group of Gaussian window functions.According to the Euclidean distance between the center points and the sampling points,the GSC describes the spatial relations between sampling points based on the shape descriptors calculated by Gaussian window functions by the use of as many sampling points as possible.More accurate correspondences between two shapes are determined by comparing the similarities of the shape descriptors. Experimental results show that the GSC can find more accurate correspondence relations and provide a good initial value.The proposed descriptors can also make the matching algorithm converge fast,while keeping a good anti-noise and robust performance compared with SC.

shape context;Gaussian window;shape descriptors;shape matching;robust

TP391

A

1001-2400(2016)04-0045-06

10.3969/j.issn.1001-2400.2016.04.009

2015-05-14 網(wǎng)絡(luò)出版時(shí)間：2015-10-21

國家自然科學(xué)基金資助項(xiàng)目(61271293)

馮祥衛(wèi)(1990-),男,西安電子科技大學(xué)博士研究生,E-mail:sdfengxw@126.com.

網(wǎng)絡(luò)出版地址：http://www.cnki.net/kcms/detail/61.1076.TN.20151021.1046.018.html