基于輪廓分段特征可信度的遮擋目標(biāo)識別算法

宋建輝，楊明樹，于 洋，劉硯菊

(沈陽理工大學(xué)自動(dòng)化與電氣工程學(xué)院，遼寧 沈陽 110159)

1 引言

在圖像處理研究領(lǐng)域，認(rèn)知心理學(xué)家研究表明，待識別對象的輪廓是目標(biāo)識別過程中強(qiáng)有力的特征[1]。近些年來，輪廓作為對象的重要特征，具有抗光照，對顏色、紋理變化的抗干擾性強(qiáng)等優(yōu)勢，在目標(biāo)匹配和識別遮擋目標(biāo)的過程中被廣泛應(yīng)用。因此，目標(biāo)輪廓特征的有效提取和匹配方式，對目標(biāo)檢測和匹配具有重要意義。

在遮擋目標(biāo)輪廓匹配方面，學(xué)者們提出了許多提取輪廓特征片段，以期獲得更好的匹配效果的算法。文獻(xiàn)[2]采用多邊形近似方法得到輪廓分段，采用動(dòng)態(tài)規(guī)劃法找到最佳匹配，方法簡單可是并未將輪廓分段的局部特征評價(jià)考慮在內(nèi)，面對復(fù)雜輪廓該算法的識別性能表現(xiàn)出一些不足。文獻(xiàn)[3，4]計(jì)算輪廓曲率，通過曲率極值點(diǎn)、拐點(diǎn)等關(guān)鍵點(diǎn)作為分段點(diǎn)獲取輪廓分段數(shù)據(jù)集，提出部分相似度衡量匹配后的最佳分類結(jié)果，但經(jīng)常因?yàn)檎趽醯纫蛩貋G失含重要特征的輪廓。文獻(xiàn)[5]根據(jù)局部曲率分布對輪廓進(jìn)行分段，通過比較分段的特征性大小進(jìn)行分段合并處理，得到完整描述目標(biāo)的輪廓分段數(shù)據(jù)，但對于細(xì)節(jié)特征較多的目標(biāo)來說，這種輪廓特征描述算法還不夠穩(wěn)定，從而導(dǎo)致無法有效的識別遮擋目標(biāo)。

從以上分析可以得出，僅靠部分相似度來描述輪廓分段特征是遠(yuǎn)遠(yuǎn)不夠的。為解決遮擋情況下目標(biāo)識別率較低的問題，本次研究結(jié)合現(xiàn)有算法，提出了基于輪廓分段特征可信度的遮擋目標(biāo)識別算法，根據(jù)輪廓曲率分布篩選特征點(diǎn)并進(jìn)行初步分段，提出基于彎曲度的分段優(yōu)化算法來衡量輪廓片段對待識別目標(biāo)的表達(dá)能力，對初步分段結(jié)果進(jìn)行優(yōu)化后得到有效片段。在此基礎(chǔ)上提出加權(quán)相似度匹配，根據(jù)輪廓分段的局部性和重要性來評價(jià)分段的特征可信度，有效的表達(dá)輪廓分段突顯輪廓特征的能力和其相對長度，最后將有效分段的特征可信度與分段之間的相似度共同組成加權(quán)相似度，從而得到正確、穩(wěn)定的識別結(jié)果。

2 基于彎曲度的輪廓分段優(yōu)化算法

特征提取過程中，由于曲率具有平移、旋轉(zhuǎn)、縮放不變性等優(yōu)勢，曲率極值點(diǎn)被研究者們利用來提取關(guān)鍵點(diǎn)進(jìn)行特征匹配。本文在圖像預(yù)處理過程中采用具有高檢測率和定位精度的Canny算子提取輪廓，然后計(jì)算輪廓曲率，根據(jù)曲率標(biāo)準(zhǔn)差將輪廓點(diǎn)分為特征點(diǎn)與非特征點(diǎn)，得到輪廓的初始分段，再根據(jù)各個(gè)分段的彎曲度進(jìn)行合并優(yōu)化，得到設(shè)定數(shù)目的輪廓分段，最后將分段進(jìn)行歸一化處理，使其具有不變性。基于彎曲度的分段優(yōu)化算法結(jié)構(gòu)圖如圖1所示。

圖1 基于彎曲度的分段優(yōu)化算法

2.1 輪廓初步分段

考慮到傳統(tǒng)運(yùn)用三點(diǎn)法求曲率抗噪性較差，在此引用文獻(xiàn)[6]中的十一點(diǎn)法計(jì)算輪廓近似曲率，獲得了良好的抗噪性。假設(shè)輪廓C邊緣由N個(gè)點(diǎn)(xi，yi)組成，則輪廓曲率可通過式(1)得出

ki=sign((xi-xi-5)(yi+5-yi)

(1)

其中，Ri1=Pi-Pi-5，Ri2=Pi+5-Pi

為更好的對輪廓特征進(jìn)行描述，將輪廓點(diǎn)按以下原則劃分為特征點(diǎn)與非特征點(diǎn)

Pf={i：|k(i)|≥δ，δ=std(k)}

(2)

Pnf={i：|k(i)|<δ，δ=std(k)}

(3)

式中，k代表輪廓曲率，δ=std(k)代表輪廓曲率的標(biāo)準(zhǔn)差。

根據(jù)特征點(diǎn)的分布情況進(jìn)行輪廓初步分段：從輪廓的起始點(diǎn)開始(n=1)，按照逆時(shí)針方向不斷合并下一個(gè)點(diǎn)，如果非特征點(diǎn)數(shù)達(dá)到截止門限Tf，則開始下一個(gè)分段，直到循環(huán)合并到起始點(diǎn)，初分段完成。根據(jù)特征點(diǎn)分布完成后的初分段將輪廓的局部特征完整的描述出來。圖2給出初步分段過程，圖2(a)為MPEG-7數(shù)據(jù)庫里的樣本圖，圖2(b)所示為用黑色星號在初始輪廓上標(biāo)出了特征點(diǎn)，圖b所示為根據(jù)特征點(diǎn)分布情況得到的輪廓初步分段結(jié)果，從圖2(c)可發(fā)現(xiàn)初步分段數(shù)量較多且容易產(chǎn)生無意義的輪廓分段，故通過輪廓分段優(yōu)化算法減小輪廓數(shù)量，得到能夠更好描述特征的有效分段。

圖2 輪廓初步分段圖

2.2 分段優(yōu)化

為更加有效的描述輪廓特征，去除初步分段結(jié)果中的無意義分段，提出彎曲度來衡量輪廓彎曲程度，進(jìn)一步體現(xiàn)輪廓特征，然后通過分段優(yōu)化算法減小分段數(shù)量，獲得體現(xiàn)輪廓特征且符合人類視覺感知的輪廓分段。給出一輪廓分段si，并假設(shè)分段起點(diǎn)與終點(diǎn)分別為a和b，下面給出彎曲度定義如式(4)

(4)

其中，Tor(si)代表輪廓分段si的的彎曲度，length(si)表示分段si的長度，length(lab)表示a、b兩點(diǎn)所連直線的長度。

基于彎曲度的輪廓分段優(yōu)化算法流程如圖3所示。

圖3 基于彎曲度的分段優(yōu)化算法流程圖

分段優(yōu)化過程中，輪廓分段的彎曲度越大，其體現(xiàn)輪廓特征的能力也就越強(qiáng)，匹配效率越高；圖4給出了分段優(yōu)化過程的部分圖示，經(jīng)優(yōu)化算法后得到的兩條特征分段能更好的體現(xiàn)輪廓的局部特征，在識別遮擋目標(biāo)時(shí)可以取得穩(wěn)定的識別效果。

圖4 分段優(yōu)化算法演化過程中圖示

2.3 歸一化處理

將分段優(yōu)化算法得到的輪廓分段Si表示為一個(gè)有序點(diǎn)集，Si={v1，v2，…，vn，vi∈Si}。為了使其不受縮放、平移、旋轉(zhuǎn)的影響，得到的輪廓分段按照如下規(guī)則進(jìn)行歸一化處理：v1→p1=(0，0)，vn→pn=(1，0)，其它的輪廓點(diǎn)也按照原則變換到新的坐標(biāo)系，歸一化后的分段Sjp={p1，p2，…，pn，pi∈P}具有相似變換條件下的不變性。

3 加權(quán)相似度匹配

輪廓分段在進(jìn)行匹配時(shí)僅僅依靠相似度容易造成誤匹配，因此對輪廓分段進(jìn)行評價(jià)得到特征可信度，將特征可信度與相似度一起組成加權(quán)相似度進(jìn)行最終目標(biāo)分類，有效的提高了匹配正確率。加權(quán)相似度匹配的流程圖如圖5。

圖5 加權(quán)相似度匹配流程圖

3.1 相似性度量

對于遮擋目標(biāo)獲得的有效分段Sjp={p1，p2，…，pn，pi∈P}，將其與數(shù)據(jù)庫中的特征分段SjQ={q1，q2，…，qn，qi∈Q}進(jìn)行逐對匹配。考慮到形變給輪廓部分帶來的微小偏差，選擇形狀上下文距離Dsc作為分段匹配的相似性度量，Dsc越小越相似。

對于分段P的點(diǎn)pi和分段Q的點(diǎn)qj，它們的相似度用χ2檢驗(yàn)得

(5)

其中，hi(k)為點(diǎn)pi的形狀直方圖hi(k)=#{q≠pi：(q-pi)∈bin(k)}，k=60然后根據(jù)匈牙利算法計(jì)算Dsc，具體計(jì)算如式(6)

(6)

3.2 特征可信度

利用輪廓分段進(jìn)行匹配不得不考慮到分段局部特征與輪廓整體特征的關(guān)系，文獻(xiàn)[5]采用輪廓片段的重要性和局部性兩個(gè)參數(shù)評價(jià)其可信度，取得了較好的匹配結(jié)果，本文進(jìn)行了改進(jìn)，用輪廓分段的彎曲度相對占比λw描述分段重要性，用輪廓分段的相對長度λl來評價(jià)分段的局部性，最后將輪廓分段的局部性和重要性聯(lián)合起來評價(jià)論文分段可信度。

重要性定義如下

λw(i)=Tor(Si)/max(Tor(Sj))j=1，2…

(7)

λw(i)反映了輪廓分段的重要程度，λw(i)越大，即輪廓分段彎曲度越大，輪廓特征越明顯，與其它目標(biāo)的可區(qū)分性也就越好。

局部性定義如下

λl(i)=l(Si)/l(C)

(8)

其中，l(Si)表示目標(biāo)輪廓片段長度，l(C)表示目標(biāo)輪廓長度。λl(i)反映了輪廓分段表達(dá)整體目標(biāo)的可信度，λl(i)越大，即輪廓分段長度越長，意味著部分代表整體的能力越強(qiáng)，對目標(biāo)識別結(jié)果越有利。

將以上輪廓分段的局部性和重要性聯(lián)合起來定義分段特征可信度λ(i)。λ(i)越大，輪廓分段特征可信度越大。計(jì)算如式(9)

λ(i)=αλw+(1-α)λl，α∈[0，1]

(9)

式中，用參數(shù)α來判斷λw(i)和λl(i)對加權(quán)相似性度量λ(i)的影響程度，由于輪廓分段特征越明顯，對人來視覺感知來說越容易辨識，故選取α=0.6。

3.3 加權(quán)相似度匹配

對于遮擋目標(biāo)輪廓C′，應(yīng)用分段優(yōu)化算法獲取輪廓分段Sjp(j=1，2…n)，然后目標(biāo)輪廓分段SjP與輪廓分段數(shù)據(jù)庫SjQ進(jìn)行形狀上下文匹配，得到兩個(gè)分段的相似性度量，其中Dsc(SjP，SiQ)越小越相似。在匹配結(jié)果中最相似的前5個(gè)特征分段SkQ′(k=1，2，…，5)中找到距離最小的參考類別objj(j=1,2,…，n)，最后用加權(quán)相似度篩選出匹配后的最終分類結(jié)果。

采用可信度與分段之間的相似度結(jié)合起來定義加權(quán)相似度Sim(SjP，SiQ)，將分段的可信度加權(quán)到形狀上下文匹配最小代價(jià)上，得到最終衡量分類準(zhǔn)確率的加權(quán)相似度，計(jì)算方法如式(10)

(10)

其中，λ(SjP)和λ(SiQ)分別代表形狀P和Q的第j和第i個(gè)輪廓分段的可信度。根據(jù)加權(quán)相似度的大小得出最佳的分類結(jié)果，加權(quán)相似度越小，輪廓分段分類結(jié)果越可靠。

4 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證所提算法有效性，運(yùn)用Matlab軟件進(jìn)行仿真并對結(jié)果進(jìn)行分析。選取MPEG-7 Shape 1 Part B數(shù)據(jù)集進(jìn)行目標(biāo)分類實(shí)驗(yàn)。為驗(yàn)證算法可靠性，選出70類目標(biāo)所有shape 1-10總共700張圖片來建立輪廓分段數(shù)據(jù)庫，并從所有shape 11-20中選出十類目標(biāo)作為待匹配測試目標(biāo)，對整體遮擋率在20%、30%、40%、50%的情況下的輪廓片段進(jìn)行目標(biāo)分類檢索實(shí)驗(yàn)?？紤]到待識別目標(biāo)由于遮擋比例較大而獲取的分段可能較短，本次仿真設(shè)置分段數(shù)據(jù)庫的分段數(shù)為3，輪廓進(jìn)行特征匹配時(shí)特征點(diǎn)采樣點(diǎn)數(shù)為60，測試目標(biāo)類如圖6。

圖6 實(shí)驗(yàn)測試目標(biāo)類別

對于遮擋目標(biāo)，首先基于彎曲度進(jìn)行分段優(yōu)化獲得有效分段，表1第1列給出了butter類某目標(biāo)在遮擋情況下劃分出的3個(gè)特征分段(加粗實(shí)線)，1st-5th列所示為分段數(shù)據(jù)庫中與第一列特征分段匹配后的前5個(gè)最相似的分段(加粗實(shí)線)所屬類，由第2行可以看出輪廓分段通過形狀上下文匹配后的分類結(jié)果出現(xiàn)了誤匹配，因?yàn)樾螤钌舷挛膶儆谌痔卣髅枋鲎樱瑢τ谔卣鞣侄伍g的匹配并不能有效的描述局部特征的相似性。故在此基礎(chǔ)上通過輪廓分段的重要性和局部性評價(jià)其可信度，將局部特征與整體特征聯(lián)系起來得到加權(quán)相似度Sim。當(dāng)分段的可信度越大，Sim越小。加權(quán)相似度將分段匹配后的前5個(gè)分類結(jié)果進(jìn)一步篩選得到Sim最小的分段所屬類，即第7列的參考分類，最終根據(jù)Sim越小越相似的分類原則，通過比較測試目標(biāo)3個(gè)特征分段參考分類的加權(quán)相似度，得到最終的分類結(jié)果。實(shí)驗(yàn)分析得出，通過對有效分段的重要性和局部性進(jìn)行分段可信度評價(jià)得到加權(quán)相似度，可以有效提高遮擋情況下的目標(biāo)識別率。

表1 部分遮擋目標(biāo)類識別結(jié)果(加權(quán)相似度最小值對應(yīng)最終分類)

本次實(shí)驗(yàn)為保證數(shù)據(jù)可靠性，對分段匹配進(jìn)行100次隨機(jī)試驗(yàn)，取識別結(jié)果的平均值作為識別率。本次實(shí)驗(yàn)在不同遮擋率下的識別率如表2。

由表2數(shù)據(jù)可以得出，加權(quán)相似度匹配在識別不同遮擋比例的目標(biāo)上是穩(wěn)定有效的。加權(quán)相似度依賴于輪廓分段的可信度，如果遮擋目標(biāo)輪廓的多數(shù)局部特征得到保留，特征分段可信度較大，加權(quán)相似度匹配依然可以得到穩(wěn)定準(zhǔn)確的識別結(jié)果。而對于Beef、Bird、Dog等細(xì)節(jié)特征較多的目標(biāo)，因遮擋等因素造成特征丟失，進(jìn)而影響了特征分段的可信度，導(dǎo)致了識別率較低的結(jié)果。根據(jù)實(shí)際情況通過增加特征分段長度，可以在一定程度上達(dá)到提高識別率的效果。

表2 不同遮擋比例下測試類別的識別率

表3給出了本文算法與文獻(xiàn)中遮擋目標(biāo)的識別算法結(jié)果數(shù)據(jù)對比。由表可知，目標(biāo)識別率隨著測試目標(biāo)遮擋率的升高呈現(xiàn)降低趨勢，文獻(xiàn)[3]在遮擋比例50%情況下時(shí)識別效果較差，而本文算法根據(jù)實(shí)際遮擋情況提取彎曲度較大的輪廓分段進(jìn)行加權(quán)相似度匹配，在遮擋比例大于40%情況下的目標(biāo)識別率明顯優(yōu)于文獻(xiàn)[4]和文獻(xiàn)[9]，對比文獻(xiàn)[5]中算法，其在遮擋比例50%下無參考數(shù)據(jù)，本文算法在遮擋比例40%情況下的識別率提高了0.9%左右。

表3 不同識別算法在遮擋情況下的識別率

5 結(jié)論

本文提出了一種基于輪廓分段特征可信度的目標(biāo)識別算法用于遮擋目標(biāo)的識別，在提取有效輪廓分段方面，根據(jù)基于彎曲度的分段優(yōu)化算法獲取具有顯著特征的有效分段。在特征分段匹配上，提出加權(quán)相似度，通過分段的重要性和局部性結(jié)合評價(jià)輪廓分段的特征可信度，最后將特征可信度與分段間的相似度結(jié)合成為加權(quán)相似度，根據(jù)加權(quán)相似度獲得了合理有效的識別結(jié)果。實(shí)驗(yàn)結(jié)果表明，本文算法在識別遮擋情況下的目標(biāo)時(shí)獲得了穩(wěn)定、準(zhǔn)確的識別結(jié)果，與現(xiàn)有算法相比較，本文算法有效的提高了遮擋情況下的目標(biāo)識別率。