基于角點檢測的圖像局部特征識別

阮文惠,黃 珍

(蘭州文理學院 數(shù)字媒體學院,甘肅 蘭州 730000)

0 引 言

計算機圖像處理技術的發(fā)展對圖像的識別準確率提出了更高的要求。圖像識別廣泛應用在目標打擊、地質物探、遠程成像以及人臉特征提取等領域.圖像識別建立在對圖像的超像素特征提取基礎上,結合圖像的動態(tài)信息重構和圖像像素融合方法,進行圖像的紋理信息和角點信息采集,對采集的圖像特征量進行動態(tài)識別。超分辨圖像識別中受到圖像的像素差異特征的干擾,導致圖像的識別能力較差，所以研究超分辨圖像的優(yōu)化特征識別技術具有重要意義[1]。

對超分辨圖像的識別方法主要有仿射不變矩特征提取方法、紋理檢測方法、灰度直方圖識別方法及角點特征識別方法等[2-4]。文獻[5]提出一種基于灰階量化特征分解的圖像識別方法,結合多維信息重構方法進行圖像的邊緣輪廓特征提取,采用模糊神經(jīng)網(wǎng)絡進行超分辨圖像識別訓練,該方法受到圖像的紋理信息干擾較大,識別的準確性不高;文獻[6]中提出一種基于卷積神經(jīng)網(wǎng)絡的超分辨圖像特征提取技術,采用連續(xù)模板匹配技術進行超分辨圖像的邊緣輪廓檢測,對提取的超分辨圖像視頻監(jiān)測圖像進行外接輪廓矩形網(wǎng)格分割,根據(jù)分割結果進行圖像識別,但該方法進行圖形識別特征分辨能力不好。

針對上述問題,給出一種基于角點檢測的圖像局部特征識別方法,采用細節(jié)特征定位方法進行圖像的局部信息采樣,對采樣的圖像特征信息采用灰度直方圖重構方法進行圖像的三維重建,結合邊緣輪廓特點融合方法進行圖像的局部邊緣輪廓特征提取,采用Harris角點檢測方法,提取圖像的局部信息特征量,對提取的特征量采用卷積神經(jīng)網(wǎng)絡進行分類,實現(xiàn)對超分辨圖像的局部特征識別。最后通過仿真實驗對比分析了本文方法在提高圖像特征識別準確率方面的優(yōu)越性能。

1 超分辨動態(tài)監(jiān)測成像及濾波處理

1.1 自適應成像方法

在進行圖像的超分辨動態(tài)監(jiān)測采集中,采集的圖像具有低像素級模糊性,導致對圖像的特征識別性能不好,通過對超分辨動態(tài)監(jiān)測圖像的特征提取,構建超分辨動態(tài)監(jiān)測圖像的特征分析模型,采用分塊匹配方法進行超分辨動態(tài)監(jiān)測圖像的模板匹配和特征提取分析,運用尺度分割和信息融合分析方法進行模糊超分辨動態(tài)監(jiān)測圖像濾波處理,根據(jù)圖像的動態(tài)邊界特征點進行狀態(tài)檢測和識別,提高圖像特征識別的準確率。對超分辨動態(tài)監(jiān)測的圖像畫面進行數(shù)字幀掃描和角點檢測[7-8],圖像掃描采用幀檢測方法,對每幀超分辨圖像進行邊緣信息融合處理,得到三維掃描超分辨動態(tài)監(jiān)測圖像的初始像素值,然后通過三維重構技術進行圖像的全息投影,在灰度像素空間中,得到圖像相鄰相位補償?shù)臍w一化像素值為

P(i,j)(i∈[0,int(W/2)-1]

j∈[0,int(H/2)-1])

(1)

式中:i為圖像邊緣信息;j為灰度信息,W為領域像素點;H為無關像素點。在已知的整數(shù)級視差范圍內,通過小波特征分割方法,獲得超分辨動態(tài)監(jiān)測三維圖像的亞像素級視差,為

Eimage(Vi)=I(xi-1,yi+1)+

2I(xi,yi+1)+

I(xi+1,yi+1)

(2)

式中:V為多尺度領域；I為三維超分辨動態(tài)監(jiān)測圖像重構的梯度模;x為圖像區(qū)域內部點；y為圖像邊緣角點。由此完成了超分辨動態(tài)監(jiān)測三維圖像的數(shù)字幀掃描和邊緣特征檢測。采用灰度直方圖重構方法進行圖像的三維重建[9-10],基于圖像灰度投影得到超分辨動態(tài)監(jiān)測的幀分布函數(shù)為

(3)

式中:t表示局部信息;ω表示圖像像素間距;μ表示像素取樣點;v表示圖像邊緣信息;α表示鄰域像素點。采用數(shù)字畫面穩(wěn)像技術[11-12]對超分辨動態(tài)監(jiān)測的跳頻特征點進行穩(wěn)像匹配,結合區(qū)域輪廓檢測方法,得到圖像的輪廓長度為

E=θELBF+(1-θ)E+vL(φ)+μP(φ)

(4)

式中:θ為每個像素灰度像素點;φ為無關像素點;L為特征點匹配和灰度像素點分割線;ELBF為超分辨動態(tài)檢測圖像的邊緣尺度;P為特征點信息與灰度像素點的分割線。

把待識別圖像歸入特征分塊子空間中,得到超分辨圖像的局部幾何像素輸出為

I(x)=J(x)t(x)+A(b-t(x))

(5)

式中:A為在不同成像區(qū)域內超分辨圖像的分塊像素集;b為超分辨圖像的本征向量；t(x)為超分辨圖像的本征向量;J(x) 為超分辨圖像的像素強度。 由此實現(xiàn)超分辨動態(tài)監(jiān)測圖像的自適應成像處理[13-14]。

1.2 圖像邊緣輪廓檢測

在進行超分辨圖像的分塊處理和模板匹配基礎上,根據(jù)一組超分辨圖像訓練樣本構造主特征向量空間,采用模板匹配方法進行超分辨圖像的邊緣輪廓檢測[15-16],對提取的超分辨圖像視頻監(jiān)測圖像進行幾何形狀分割,得到超分辨圖像邊緣輪廓區(qū)域分布估計值為

(6)

式中:w為容差；g為以像素點i為中心的超分辨圖像的仿射不變區(qū)域分割。

(7)

采用統(tǒng)計分析方法進行超分辨圖像局部區(qū)域重構[18-19],根據(jù)超分辨圖像的輪廓信息,超分辨圖像變尺度直覺模糊集表示為

Sgif(x,y)=-log(Pif(x,y))

(8)

式中：(x,y)和Pif(x,y)分別表示特征點的幾何不變矩和灰階量化矩。

局部圖像的灰度信息分量為

(9)

式中:a為圖像臨近點;V為多尺度鄰域;m為鄰域最大值;n為鄰域最小值。令Ix為多分辨的模糊超分辨動態(tài)監(jiān)測圖像。

根據(jù)超分辨圖像在三維空間中的旋轉尺度[20],得到超分辨圖像的幾何離散度為

ψa,b(t)= [U(a,b)ψ(t)]=

(10)

式中:U為像素點的局部分布信息熵；t為圖像的平滑項。根據(jù)上述分析,結合邊緣輪廓特點融合方法進行圖像的局部邊緣輪廓特征提取,進行圖像特征識別。

2 圖像局部特征識別算法優(yōu)化

2.1 特征量提取

運用細節(jié)特征定位方法進行圖像的局部信息采樣, 對采用灰度直方圖重構方法采樣的圖像特征信息進行圖像的三維重建, 然后進行圖像局部特征識別算法的改進設計。 對掃描輸出的特征點采用幀補償方法, 得到超分辨動態(tài)圖像的灰度像素點分割結果。

對超分辨動態(tài)監(jiān)測的圖像畫面進行數(shù)字幀掃描和角點檢測,對掃描輸出的特征點采用幀畫面相鄰相位補償方法進行動態(tài)特征提取,得到圖像重構的特征方程，描述為

(11)

式中：θ(λ)為Heaviside函數(shù)。給定δ(φ)為稀疏正則項,用亞像素級匹配方法進行局部特征定位,采用Harris角點檢測方法,實現(xiàn)對圖像的局部信息特征量提取。

2.2 圖像的卷積神經(jīng)網(wǎng)絡識別

采用Harris角點檢測方法,提取圖像的局部信息特征量,對提取的特征量采用卷積神經(jīng)網(wǎng)絡進行分類。在神經(jīng)網(wǎng)絡的隱含層引入自適應調節(jié)向量X(x1,x2,…,xn),用一個二元梯度函數(shù)C={(x,y)∈Ω:φ(x,y)=0}表示神經(jīng)網(wǎng)分類器的隱含層調節(jié)狀態(tài)參量,利用圖像的梯度信息進行自適應加權學習,用N(i)表示超分辨動態(tài)監(jiān)測三維圖像像素點i的直接四鄰域,把Harris角點檢測結果輸入到卷積神經(jīng)網(wǎng)絡分類器中,輸出待識別超分辨圖像數(shù)據(jù)庫中的測試樣本y和訓練樣本集D。

結合邊緣輪廓特點融合方法進行圖像的局部邊緣輪廓特征提取,根據(jù)神經(jīng)網(wǎng)絡分類結果,提取圖像的局部信息特征量,對提取的特征量采用卷積神經(jīng)網(wǎng)絡進行分類,得到圖像分類輸出為

(12)

式中:ε表示圖像種類信息;z表示圖像邊緣像素相似點;R表示邊緣像素點總和。

綜上所述,運用Harris角點檢測方法完成了對圖像局部特征的識別。

3 仿真實驗分析

為了測試本文方法在實現(xiàn)圖像的局布特征提取和識別中的應用性能,進行仿真實驗。實驗采用Matlab 7 設計,卷積神經(jīng)網(wǎng)絡分類的輸入層節(jié)點數(shù)為12,輸出層的節(jié)點數(shù)為3,隱含層的學習權重系數(shù)為0.24,圖像特征提取的迭代次數(shù)為200,圖像樣本規(guī)模集為130,訓練集為25,色差核大小為15×15,初始像素集為200×300,根據(jù)上述仿真環(huán)境設定,進行仿真實驗。實驗以圖像局部特征識別耗時和圖像局部特征識別準確率為指標測試傳統(tǒng)方法與本文方法在識別性能上的差異,圖1為傳統(tǒng)方法與本文方法在圖像局部特征識別時所用時間對比圖。

圖 1 不同方法下圖像局部特征識別用時對比Fig.1 Time consumption comparison of image local feature recognition with different methods

根據(jù)圖1可知,當圖像數(shù)量為5個時,采用本方法進行超分辨圖像的局部特征識別時所用時間為18 s,文獻[5]方法的用時為60 s;當圖像數(shù)量為25個時,采用本方法進行超分辨圖像的局部特征識別時所用時間為10 s,文獻[5]方法的用時為84 s。分析上述數(shù)據(jù)可知,采用本方法進行超分辨圖像的局部特征識別時所用時間遠遠低于傳統(tǒng)方法,說明該方法的識別速率高,可應用性強。

測試不同方法的圖像識別準確率,得到對比結果，如圖2所示。

從圖2可知,運用本方法對圖像進行識別時準確率在60%～80%之間,運用文獻[5]方法對圖像進行識別時準確率在35%～60%之間,運用文獻[6]方法對圖像進行識別時準確率在25%～40%之間。分析上述數(shù)據(jù)可知,本方法將圖像局部特征識別的準確性提升了20%以上,可以實現(xiàn)對圖像局部特征的準確識別。

圖 2 圖像局部特征識別準確率對比Fig.2 Accuracy comparison of image local feature recognition

4 結 語

為解決傳統(tǒng)方法不能對圖像局部特征進行有效識別的問題,給出一種基于角點檢測的圖像局部特征識別方法。圖像識別是建立在對圖像超像素特征提取的基礎上,結合圖像動態(tài)信息重構和圖像像素融合的方法,進行圖像紋理信息和角點信息采集,并對采集的圖像特征量進行動態(tài)識別,以此來提高圖像檢測能力。分析實驗結果得知,運用本方法進行圖像局部特征識別時準確率遠高于傳統(tǒng)方法,說明其識別性能較好。未來將主要針對圖像識別抗干擾方面對圖像局部特征的識別方法進行研究,爭取通過提升圖像局部特征識別的抗干擾性來進一步完善本文方法。