一种基于质心高度增量与DTW相结合的轮廓目标识别方法

本发明涉及目标识别，尤其涉及一种基于质心高度增量与dtw相结合的轮廓目标识别方法。

背景技术：

1、在目标识别领域，形状是目标匹配中一项有效且利用率较高的特征。通常，形状的表示方法包括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。而轮廓因其具有更加丰富的信息，不易受到光照、物体颜色和纹理变化的影响，能够有效的描述大尺度范围的物体结构等优点，被越来越多的应用在目标识别方法中。

2、相关技术中，有的通过动态规划算法(dynamic programming，dp)进行轮廓之间的相似性度量；有的提取目标轮廓的骨架特征，再通过形状上下文算法得到轮廓之间的相似度；有的采用基于主曲率增强距离变换的形状相似性衡量方法实现图像识别。但上述方案中均存在时间复杂度过高、识别处理速度低的技术问题，导致上述方案不适用于实时目标识别。

技术实现思路

1、本发明实施例的目的是提供一种基于质心高度增量与dtw相结合的轮廓目标识别方法，以解决相关技术中的轮廓目标识别方法存在识别处理速度低、不适用于实时目标识别的技术问题。

2、为解决上述技术问题，本发明实施例提供如下技术方案：

3、本发明提供了一种基于质心高度增量与dtw相结合的轮廓目标识别方法，包括以下步骤：求取模板图像和目标图像的质心高度增量特征矩阵；通过dtw算法对模板图像和目标图像的质心高度增量特征矩阵进行比对，得到第一特征距离；将目标图像翻转后，求取翻转图像的质心高度增量特征矩阵；通过dtw算法对模板图像和翻转图像的质心高度增量特征矩阵进行比对，得到第二特征距离；通过最小值函数求取第一特征距离与第二特征距离中的最小特征距离；在最小特征距离中引入形状复杂度求取相似性距离，根据相似性距离输出识别结果。

4、进一步地，求取质心高度增量特征矩阵包括以下步骤：对图像进行预处理；提取图像的外围轮廓；在外围轮廓上提取多个采样点，生成轮廓采样点集；计算轮廓采样点集的轮廓质心；计算质心高度；计算质心高度增量；求取质心高度增量序列；求取质心高度增量矩阵。

5、进一步地，对图像进行预处理具体包括以下步骤：将图像从三通道图像转换为单通道图像；对单通道图像进行阈值化降噪处理；提取图像的外围轮廓包括以下步骤：采用canny微分算子对图像进行边缘提取；采用图像形态学运算膨胀细小边缘并填充空洞，形成完整的外围轮廓；再一次采用canny微分算子进行外围轮廓的准确提取。

6、进一步地，在外围轮廓上提取多个采样点，生成轮廓采样点集具体包括：在外围轮廓上等间隔提取n个采样点，生成轮廓采样点集m；其中，m＝{mj}＝{m1，m2，...，mn}；计算轮廓采样点集的轮廓质心具体包括：采用以下公式计算轮廓采样点集的轮廓质心q(x0，y0)：

7、计算质心高度具体包括：定义任一采样点mj(xj，yj)与轮廓质心q(x0，y0)之间的欧式距离为任一采样点mj的质心高度，j＝(1，2，...n)；采用以下公式计算任一采样点mj(xj，yj)与轮廓质心q(x0，y0)之间的质心高度gj：计算质心高度增量具体包括：定义任一采样点mj的质心高度gj与某一采样点mi的质心高度gi之间的差值，为任一采样点mj相对于某一采样点mi的质心高度增量hi，j，i＝(1，2，...n)；求取质心高度增量序列具体包括：计算全部采样点相对于某一采样点mi的质心高度增量，并将全部采样点相对于某一采样点mi的质心高度增量按采样点顺序排列，可得到采样点mi的质心高度序列hi：hi＝(hi，i，hi，i+1，hi，n，hi，1，...hi，i+1)t；该序列包括n个元素，对应着n个采样点相对于采样点mi的质心高度增量；求取质心高度增量矩阵具体包括：将所有采样点对应的质心高度增量序列hi按照采样点顺序排列，得到质心高度增量矩阵l(m)：l(m)＝(h1，h2，...，hn-1，hn)。

8、进一步地，获取质心高度增量特征矩阵还包括以下步骤：对质心高度增量hi，j进行归一化处理，得到归一化处理后的质心高度增量||hi，j||为质心高度增量的模；归一化处理后的质心高度增量序列对归一化处理后的质心高度增量序列hi加入正整数系数d，d(1＜d＜n)；将归一化处理后的质心高度增量序列hi划分为s个不相交的子序列[1，d]、[1+d，2d]...，其中，s＝[n/d]；采用以下公式计算每个子序列的质心高度增量的平均值ci，t：

9、

10、其中，t＝1，2，...s；把s个均值数据进行有序排列，得到采样点mi经过平滑化处理后的特征序列ci：ci＝(ci，1，ci，2，...，ci，s-1，ci，s)t；将所有采样点平滑处理后的质心高度增量特征序列ci按照采样点顺序排列，得到平滑处理后的质心高度增量特征矩阵f(m)：f(m)＝(c1，c2，...，cn-1，cn)。

11、进一步地，通过dtw算法对模板图像和目标图像的质心高度增量特征矩阵进行比对，得到第一特征距离具体包括：设目标图像轮廓采样点集为m，m＝{m1，m2，...，mn}；设模板图像轮廓采样点集为z，z＝{z1，z2，...，zn}；经过归一化处理和平滑处理后得到的模板图像的质心高度增量特征矩阵记为f(z)：其中，1＜r≤n；为模板图像的第r个特征矢量；经过归一化处理和平滑处理后得到的目标图像的质心高度增量特征矩阵记为f(m)：其中，1＜e＜n；为目标图像的第e个特征矢量；将第一特征距离根据dtw算法定义为：

12、

13、其中，利用以下递推公式转化为对f(m)和f(z)子序列问题的求解：

14、

15、目标图像轮廓采样点集m和模板图像轮廓采样点集z之间的第一特征距离为：dis(m，z)＝ddtw(f(m)，f(z))。

16、进一步地，通过dtw算法对模板图像和翻转图像的质心高度增量特征矩阵进行比对，得到第二特征距离具体包括：将目标图像翻转得到翻转图像；设翻转图像轮廓采样点集为mx；目标图像的质心高度增量特征矩阵记为f(mx)；翻转图像轮廓采样点集mx和模板图像轮廓采样点集z之间的第二特征距离为：dis(mx，z)＝ddtw(f(mx)，f(z))；通过最小值函数求取第一特征距离与第二特征距离中的最小特征距离具体包括：采用以下公式计算最小特征距离：d(m，z)＝min(dis(m，z)，dis(mx，z))。

17、进一步地，在最小特征距离中引入形状复杂度求取相似性距离具体包括：将形状复杂度定义为：其中，std表示标准差；引入形状复杂度后采用以下公式求取相似性距离：

18、

19、进一步地，基于质心高度增量与dtw相结合的轮廓目标识别方法还包括以下步骤：建立轮廓模板库，轮廓模板库包括多个模板图像；将目标图像与轮廓模板库中的多个模板图像进行匹配，将与目标图像匹配的模板图像作为识别结果输出。

20、进一步地，轮廓模板库内包括模板图像的原始图像以及模板图像的几何变换图像；通过对原始图像进行平移、旋转、放缩得到几何变换图像。

21、相较于现有技术，本发明采用质心高度增量与dtw相结合的轮廓目标识别方法进行目标识别，dtw算法在比对目标图像和模板图像的质心高度增量矩阵的距离值时，只保留前一列的累计距离，不需要保留所有数据，从而可以降低算法的时间复杂度，从而更有利于提高识别处理速度，适用于实时目标识别；本发明还对目标图像进行了翻转，利用dtw算法对翻转图像和模板图像进行了二次识别，从而提升目标识别的准确率，避免因图像翻转导致的识别错误，并且由于dtw算法的识别处理速度较快，虽然进行了二次识别，整体运算速度依旧很快，很好地平衡了准确率和运算速率；本发明还引入了形状复杂度，进一步提升轮廓匹配效果，形状复杂度越高，轮廓局部变形的敏感度越低，这样识别出的结果越具有可信性，从而有利于提高目标识别的抗噪性。