[發(fā)明專利]一種融合視覺顯著性和灰度共生矩的紋理特征提取方法

有效

• 申請?zhí)枺?/td>: 201210327822.1
• 申請日: 2012-09-06
• 公開（公告）號: CN102831427A
• 公開（公告）日: 2012-12-19
• 發(fā)明（設(shè)計）人: 肖德貴;辛晨;曾凡仔
• 申請（專利權(quán)）人: 湖南致尚科技有限公司
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06T7/00
• 代理公司: 長沙市融智專利事務(wù)所 43114
• 代理人: 黃美成

技術(shù)領(lǐng)域

本發(fā)明屬于計算機視覺方法領(lǐng)域，涉及一種融合視覺顯著性和灰度共生矩的紋理特征提取方法。

背景技術(shù)

目標(biāo)檢測是計算機視覺研究中的一個重要課題，它是目標(biāo)行為理解的基礎(chǔ)，是圖像系統(tǒng)連續(xù)準(zhǔn)確工作的重要部分，視覺目標(biāo)檢測通常是指在圖像或者連續(xù)變化的視頻序列中對感興趣區(qū)域或者目標(biāo)對象進行精確定位。計算機視覺目標(biāo)檢測在機器人定位與導(dǎo)航、智能交通工具、視頻監(jiān)控、視頻編解碼壓縮技術(shù)、虛擬現(xiàn)實的人機交互等應(yīng)用中具有非常重要的價值和意義。如何有效提高目標(biāo)檢測算法在復(fù)雜環(huán)境下的準(zhǔn)確性，以及如何增加算法在多變場景下的魯棒性，一直是目標(biāo)檢測的兩個關(guān)鍵問題。

基于表觀特征的圖像目標(biāo)檢測是主要方法之一。表觀特征，又被定義成圖像特征空間（也叫做描述算子），基于表觀特征的圖像目標(biāo)檢測方法可以分為整體法、局部法、特征點對法。不管是整體、局部還是特征點對法，一個核心的問題是如何有效表示目標(biāo)的整體特征、部位特征或者局部塊特征，方向梯度直方圖特征是目前廣泛使用的目標(biāo)特征表示。典型的如梯度方向直方圖特征（Histogram?of?Oriented?Gradient，簡稱HOG），HOG基于梯度信息并允許塊間相互重疊，因此，對光照變化和偏移不敏感，能較好地刻畫目標(biāo)的邊緣特征，但HOG也有其缺點：特征維度高，大量的重疊和直方圖統(tǒng)計，使得特征的計算速度慢，影響實時性；遮擋處理能力較差；未利用顏色、形狀和紋理等特征。針對這些缺點，近年來一些研究者提出了更多的特征：如COV、Integral?Channel?Feature、ACF、GGP、SIFT等。但是方向梯度無法刻畫人眼視覺敏感度，信息冗余度大，實時性、準(zhǔn)確性和魯棒性都較差。

發(fā)明內(nèi)容

本發(fā)明所要解決的技術(shù)問題是提供一種融合視覺顯著性和灰度共生矩的紋理特征提取方法，本發(fā)明提供的模擬人眼觀察事物的發(fā)散性及顯著性特點的紋理特征提取方法，計算簡單，冗余度低，實時性好。

發(fā)明的技術(shù)解決方案如下：

一種融合視覺顯著性和灰度共生矩的紋理特征提取方法，包括以下步驟：

步驟1、初始化步驟：

對某一圖像，確定檢測窗口、基本塊和超級塊大小；

步驟2、以基本塊為單位計算顯著性因子和圖像的紋理結(jié)構(gòu)特征向量：

顯著性因子的計算過程：

對圖像中的每一個像素，先計算所有鄰域像素與中心像素灰度值的差值總和，再計算局部顯著因子；進一步確定當(dāng)前像素點的顯著性因子；

紋理結(jié)構(gòu)特征向量的計算方法：

用發(fā)散灰度共生矩陣提取圖像的局部紋理結(jié)構(gòu)；用一維向量即紋理結(jié)構(gòu)特征向量表示局部紋理結(jié)構(gòu)；

步驟3、以超級塊為單位，通過二維直方圖結(jié)合顯著性因子和紋理結(jié)構(gòu)特征向量生成顯著性紋理結(jié)構(gòu)特征描述算子；根據(jù)顯著性因子算子、檢測窗口大小、基本塊大小、超級塊大小，為每個超級塊中提取一個顯著性紋理結(jié)構(gòu)特征描述算子，并以一維特征向量表述。【在檢測窗口中按基本塊的尺寸大小為步進滑動提取每個超級塊的特征子，然后按順序連結(jié)起來，從而形成最終的顯著性紋理結(jié)構(gòu)特征描述算子。】

步驟1中，將檢測窗口分成n*m個基本塊，將任何相鄰的2*2個基本塊組成一個超級塊。

步驟2中，

局部顯著因子為鄰域像素和中心像素灰度值差的總和與中心像素灰度值的比值，即G(xc)=vxc;]]>