多特征級聯(lián)圖像數(shù)據(jù)庫目標(biāo)人工智能匹配仿真

徐穎慧，晉國卿

(江西農(nóng)業(yè)大學(xué)南昌商學(xué)院，江西 共青城 33202)

1 引言

視覺是人類感知和認(rèn)識外部世界的重要途徑，隨著計算機(jī)技術(shù)與人工智能技術(shù)的高速發(fā)展，計算機(jī)視覺逐漸成為信息時代機(jī)器感知和外部世界信息采集的重要產(chǎn)物，利用人類的視覺特性，將人類視覺器官認(rèn)識事物替換成用成像設(shè)備來感知世界[1]。計算機(jī)視覺的主要研究目標(biāo)是利用攝像機(jī)和計算機(jī)代替人眼，對目標(biāo)進(jìn)行采集，以圖像的方式存儲在數(shù)據(jù)庫當(dāng)中，由此便形成了圖像數(shù)據(jù)庫。對數(shù)據(jù)庫中的圖像進(jìn)行目標(biāo)的識別、匹配、跟蹤以及測量，并對二維圖像進(jìn)行處理，最后輸出計算機(jī)獲取的環(huán)境信息。圖像數(shù)據(jù)庫按照存儲圖像的類型，將數(shù)據(jù)庫中的二維圖像分為靜態(tài)圖像數(shù)據(jù)庫和動態(tài)圖像數(shù)據(jù)庫，將圖像數(shù)據(jù)庫中的圖像以多特征的形式存儲和標(biāo)記，當(dāng)有其它 圖像需要判定和識別時，可以利用圖像特征目標(biāo)匹配的方法盡快分類和識別圖像[2]。圖像匹配主要就是指通過圖像的內(nèi)容、結(jié)構(gòu)、紋理、灰度等特征的對應(yīng)關(guān)系、相似性以及一致性的分析，尋求相似目標(biāo)圖像的方法?，F(xiàn)如今計算機(jī)視覺相關(guān)技術(shù)以及應(yīng)用到多個領(lǐng)域當(dāng)中，圖像特征匹配和跟蹤都占有相當(dāng)重要的位置。

現(xiàn)階段存在的目標(biāo)匹配方法有：傳統(tǒng)模糊邏輯目標(biāo)匹配方法、基于SIFT算法的目標(biāo)匹配方法和基于網(wǎng)絡(luò)結(jié)構(gòu)圖像的目標(biāo)匹配方法[3]。其中傳統(tǒng)的模糊邏輯目標(biāo)匹配方法利用模糊邏輯進(jìn)行，將圖像數(shù)據(jù)庫模糊化，輸入到模糊集合進(jìn)行模糊推理，利用模糊規(guī)則得到目標(biāo)模糊匹配結(jié)果，對模糊匹配結(jié)果進(jìn)行去模糊處理，得到最終的離散數(shù)據(jù)，即為最終的圖像目標(biāo)匹配結(jié)果。提升圖像的識別速度，提高目標(biāo)圖像的識別效率。傳統(tǒng)的SIFT方法為尺度不變特征轉(zhuǎn)換方法，在尺度中尋找極值點，進(jìn)而提取圖像目標(biāo)的位置、尺度以及旋轉(zhuǎn)等不變量，通過特征向量得出目標(biāo)匹配結(jié)果。傳統(tǒng)網(wǎng)絡(luò)結(jié)構(gòu)匹配方法將圖像按照網(wǎng)絡(luò)結(jié)構(gòu)劃分為多個分割圖像，將每個區(qū)域中的特征分別進(jìn)行匹配得出結(jié)果[4]。經(jīng)過長時間的研究發(fā)現(xiàn)，傳統(tǒng)匹配方法中普遍存在置信度低的問題，為了解決此類問題提出圖像數(shù)據(jù)庫目標(biāo)人工智能匹配方法，并進(jìn)行仿真測試驗證匹配方法的使用價值。

2 圖像數(shù)據(jù)庫目標(biāo)人工智能匹配方法設(shè)計

針對多特征級聯(lián)圖像數(shù)據(jù)庫的目標(biāo)匹配方法需要經(jīng)過圖像預(yù)處理、多特征提取以及智能特征匹配等多個步驟，最終得出目標(biāo)智能匹配結(jié)果。具體的目標(biāo)人工智能匹配過程如圖1所示。

圖1 目標(biāo)人工智能匹配流程圖

從圖中可以看出，實現(xiàn)圖像數(shù)據(jù)庫目標(biāo)人工智能匹配方法，對圖像進(jìn)行預(yù)處理，載入處理完成的待匹配圖像[5]。判斷模板是否大于待匹配圖像，提取圖像的目標(biāo)級聯(lián)特征并融合，通過分類器計算圖像目標(biāo)的特征匹配位置，標(biāo)記匹配位置并輸出匹配結(jié)果。

2.1 圖像級聯(lián)濾波預(yù)處理

利用粒子濾波模型對圖像數(shù)據(jù)庫中的目標(biāo)圖像進(jìn)行級聯(lián)預(yù)處理，確定粒子是否有效，若為有效粒子，則進(jìn)行多特征級聯(lián)提取。粒子濾波利用非線性非高斯運(yùn)行的準(zhǔn)確估計能力實現(xiàn)級聯(lián)預(yù)處理。具體的預(yù)處理過程如圖2所示。

圖2 預(yù)處理流程圖

將圖像數(shù)據(jù)庫中的目標(biāo)問題轉(zhuǎn)化為目標(biāo)位置和形狀大小估計，目標(biāo)的動態(tài)可以用狀態(tài)空間函數(shù)來表示

xk=fk(xk-1，vk-1)

(1)

式中xk表示的是k時刻時，圖像數(shù)據(jù)庫目標(biāo)的狀態(tài)值，vk-1是獨(dú)立同分布的目標(biāo)圖像狀態(tài)噪聲。而k時刻的目標(biāo)狀態(tài)的觀測值可以用zk來表示，其表達(dá)式如下

zk=hk(xk，nk)

(2)

式(2)當(dāng)中nk為獨(dú)立同分布的目標(biāo)圖像觀測噪聲值，hk表示圖像數(shù)據(jù)庫目標(biāo)原始值。設(shè)定多特征圖像中的一組加權(quán)特征粒子集合為

S={(s(n)，π(n))，n=1，2，…，N}

(3)

其中粒子s代表目標(biāo)圖像可能出現(xiàn)的狀態(tài)，并且其對應(yīng)狀態(tài)出現(xiàn)的概率為π[6]。在每一次狀態(tài)的觀測值到來時，便對目標(biāo)狀態(tài)進(jìn)行最終估計，估計值可以用式(4)來表示

(4)

(5)

式中um，n與vm，n分別表示圖像在兩軸中的初始相位，σu和σv分別為圖像在兩軸上的傅里葉變換系數(shù)，a為濾波級聯(lián)的等級數(shù)。為了保證粒子濾波的預(yù)處理有效性，對目標(biāo)圖像中的每一個像素點進(jìn)行闕值判定，判定級別如下

(6)

式中p為粒子濾波級聯(lián)中的特征向量差距比[7]，p0表示特征向量差距均值。將預(yù)處理完成的有效目標(biāo)圖像輸出，進(jìn)行特征提取。

2.2 目標(biāo)多特征級聯(lián)提取

對有效目標(biāo)圖像進(jìn)行多特征級聯(lián)提取，首先需要對圖像進(jìn)行分割處理，按照圖像中像素的灰度規(guī)律情況檢測圖像的邊緣，保留圖像目標(biāo)邊緣部分，并填充邊緣內(nèi)部得到圖像分割結(jié)果。在此基礎(chǔ)上，對每一個區(qū)域的特征點進(jìn)行檢測和識別，確定特征點的距離為ra，且定義距離的方向角為φa，則檢測出的目標(biāo)特征參數(shù)集可以表示為(ra，φa)[8]。接著對目標(biāo)圖像的特征進(jìn)行提取，具體的提取情況如圖3所示。

圖3 級聯(lián)特征提取示意圖

假設(shè)圖像中的特征點為(x，y)，特征點的梯度通過式(7)和式(8)進(jìn)行計算

Gx(x，y)=H(x-1，y)-H(x+1，y)

(7)

Gx(x，y)為對應(yīng)特征像素點的水平方向梯度，其垂直方向梯度計算公式如下

Gy(x，y)=H(x，y+1)-H(x，y-1)

(8)

式中H(x，y)為特征點的像素值。通過梯度算子分別對目標(biāo)圖像進(jìn)行卷積運(yùn)算，可以得到水平與豎直兩個方向上的梯度分量，得出像素點的梯度大小。

(9)

每一分割目標(biāo)圖像特征可以通過式(10)來計算

(10)

將目標(biāo)圖像中的每一個分割圖像的特征串聯(lián)在一起，得到圖像的特征向量。

2.3 圖像數(shù)據(jù)庫特征融合

將分割圖像提取的特征向量進(jìn)行融合處理，得出圖像數(shù)據(jù)庫的綜合特征。建立圖像的數(shù)據(jù)庫特征融合模型為

(11)

式中η(k，Gk，α，∑i，k)為k時刻第i個圖像分割的特征對應(yīng)的高斯分布[9]。ξG，α表示第i個高斯分布在k時刻的權(quán)重，且需要滿足式(12)中的條件

(12)

滿足條件的權(quán)重值即為當(dāng)前圖像數(shù)據(jù)庫環(huán)境下的描述力度，由此便可以突出描述力度較強(qiáng)的特征，從而更加有針對性的分析數(shù)據(jù)庫中的圖像，實現(xiàn)多特征的有效融合。

2.4 構(gòu)建人工智能分類器

基于對目標(biāo)分類方法的選取構(gòu)建人工智能分類器，在選取不同目標(biāo)分類方法時，通過分類器得到圖像目標(biāo)的特征匹配位置。設(shè)定弱分類器的公式表示如下

Lm=logp(y|x)=1-∏(1-p(y|x))

(13)

其中m為給定的弱分類器的個數(shù)。以此為基礎(chǔ)迭代構(gòu)建強(qiáng)分類器。通過強(qiáng)分類器，對圖像數(shù)據(jù)庫進(jìn)行分類跟蹤，得到圖像目標(biāo)的特征匹配位置，強(qiáng)分類器的表達(dá)式為

(14)

將圖像數(shù)據(jù)庫當(dāng)中的待測圖像融合特征輸入到構(gòu)建的人工智能強(qiáng)分類當(dāng)中，輸出圖像目標(biāo)的特征匹配位置為(X，Y)。通過獲得的圖像特征匹配位置集合，結(jié)合約束策略提出其中存在的錯誤匹配，獲得優(yōu)良的匹配集合。

2.5 輸出目標(biāo)匹配結(jié)果

圖像匹配實質(zhì)上是待測圖像與圖像數(shù)據(jù)庫在空間位置上的一個映射問題，具體的圖像匹配情況如圖4所示。

圖4 目標(biāo)匹配示意圖

定義圖像數(shù)據(jù)庫的目標(biāo)匹配陣列為

(15)

式中I為映射圖像。在經(jīng)過分類器得到的特征點的相鄰區(qū)域中取一個正方形框，劃分為4×4個子區(qū)域，提取出子區(qū)域的2個描述子值為[∑dX，∑|dX|，∑dY，∑|dY|]，通過比較描述自向量元素之間的歐式距離，實現(xiàn)圖像多特征點的目標(biāo)匹配，得到多特征級聯(lián)圖像數(shù)據(jù)庫目標(biāo)人工智能匹配分集合

(16)

圖像數(shù)據(jù)庫中的所有目標(biāo)圖像，通過式(16)得出最終的多特征級聯(lián)圖像數(shù)據(jù)庫目標(biāo)人工智能匹配集合。通過限定框預(yù)測之后，可以得到圖像的一系列檢測結(jié)果[10]。每個檢測結(jié)果由限定框位置和分?jǐn)?shù)來表示。按照分?jǐn)?shù)大小對檢測結(jié)果進(jìn)行排序，挑選出分?jǐn)?shù)最大的檢測結(jié)果，并刪除與其覆蓋面積大于 50%的檢測結(jié)果，有效減少同一目標(biāo)的檢測結(jié)果，從而得到最終的目標(biāo)檢測結(jié)果。

3 仿真分析

為了檢驗圖像數(shù)據(jù)庫目標(biāo)人工智能匹配方法的有效性，對其進(jìn)行仿真分析。首先從硬件和軟件兩個方面構(gòu)建實驗環(huán)境，在該實驗環(huán)境下，按照實驗過程步驟進(jìn)行仿真，最后得出有關(guān)于圖像數(shù)據(jù)庫目標(biāo)匹配度的仿真結(jié)果，并通過計算匹配方法的置信度，從而檢驗出該匹配方法的可靠性。

3.1 構(gòu)建實驗環(huán)境

結(jié)合硬件環(huán)境和軟件環(huán)境構(gòu)建仿真的實驗環(huán)境。其中硬件環(huán)境分為5個部分，分別為：輸出設(shè)備、輸入設(shè)備、中央處理器、主板以及存儲器。具體的硬件設(shè)備環(huán)境設(shè)置情況如表1所示。

表1 仿真硬件實驗環(huán)境

在此硬件設(shè)備上安裝仿真軟件，分別將相應(yīng)的匹配方法安裝在軟件當(dāng)中，其中設(shè)計完成的多特征級聯(lián)圖像數(shù)據(jù)庫目標(biāo)人工智能匹配的軟件操作界面如圖5所示。

圖5 仿真軟件界面

3.2 實驗過程

在實驗環(huán)境當(dāng)中，分別使用多特征級聯(lián)圖像數(shù)據(jù)庫目標(biāo)人工智能匹配方法和傳統(tǒng)的匹配方法作為仿真的實驗方法。首先構(gòu)建需要進(jìn)行目標(biāo)匹配的圖像數(shù)據(jù)庫，使用硬件中的掃描儀器，將100張不同類型的圖像輸入到數(shù)據(jù)庫當(dāng)中，按照輸入的先后順序?qū)D像進(jìn)行統(tǒng)一編號。提取數(shù)據(jù)庫圖像與待匹配圖像的多個特征，并整合成為總特征向量。保證實驗中的圖像數(shù)據(jù)庫與待測圖像均相同。在實驗中借助相同的圖像匹配評價系統(tǒng)對實驗結(jié)果進(jìn)行評價，由于兩種圖像匹配方法所使用的的評價系統(tǒng)相同，因此得出的匹配評價結(jié)果具有較強(qiáng)的可信度。利用匹配評價結(jié)果與置信度的轉(zhuǎn)換原理，計算仿真得出的匹配方法置信度。

3.3 仿真結(jié)果與分析

執(zhí)行仿真過程，并通過匹配評價系統(tǒng)得出兩種目標(biāo)匹配方法的匹配結(jié)果如表2所示。

表2 仿真匹配結(jié)果

統(tǒng)計實驗圖像的總目標(biāo)匹配程度，累加匹配程度值并與圖像的總樣本數(shù)相除，得出兩種匹配方法的平均匹配程度值。經(jīng)過計算傳統(tǒng)目標(biāo)匹配方法的平均匹配程度值為82.17%，而多特征級聯(lián)圖像數(shù)據(jù)庫目標(biāo)人工智能匹配方法的平均匹配程度值為91.17%，相比之下比傳統(tǒng)方法的匹配程度高9.0%。遵循匹配程度與方法置信度之間的關(guān)系，得出兩種方法的置信度對比曲線如圖6。

圖6 置信度對比曲線

從圖中的曲線對比情況可以看出，隨著圖像數(shù)據(jù)匹配數(shù)量的增加，傳統(tǒng)匹配方法的置信度逐漸降低，而多特征級聯(lián)圖像數(shù)據(jù)庫目標(biāo)人工智能匹配方法的置信度可以維持在平穩(wěn)狀態(tài)。通過計算多特征級聯(lián)圖像數(shù)據(jù)庫目標(biāo)人工智能匹配方法比傳統(tǒng)匹配方法的置信度高8.2%。

4 結(jié)束語

受到已有匹配方法的啟發(fā)，并針對傳統(tǒng)匹配方法中存在的問題進(jìn)行研究，并通過實驗分析，證明了設(shè)計圖像數(shù)據(jù)庫目標(biāo)智能匹配方法的有效性和可靠性。然而在此次設(shè)計與研究過程中，實現(xiàn)智能匹配方法僅針對特征明顯的靜態(tài)圖像數(shù)據(jù)庫，而應(yīng)用于特征不明顯或動態(tài)圖像數(shù)據(jù)庫中，匹配程度較低，其置信度也會因匹配對象類型的不同而降低。因此在接下來的研究工作當(dāng)中需要解決上述問題，這也將是圖像數(shù)據(jù)庫目標(biāo)匹配方法的發(fā)展方向。