[發(fā)明專利]一種新的深度圖像局部描述符方法

在審

• 申請?zhí)枺?/td>: 201410765245.3
• 申請日: 2014-12-11
• 公開（公告）號: CN104463878A
• 公開（公告）日: 2015-03-25
• 發(fā)明（設計）人: 劉亞洲;陳駿龍;唐曉晴;孫權森
• 申請（專利權）人: 南京理工大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/62
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 朱顯國

技術領域

本發(fā)明涉及計算機視覺、模式識別和人機交互領域，更具體地說，涉及一種多層次特征提取的提取結構方法。

背景技術

深度圖像的表現形式是一種二維灰度圖。但是有別于傳統的灰度圖像，深度圖像每個像素點上所帶的信息反映的是目標物體距離攝像機的距離，因此深度圖像的像素值稱為深度值。深度圖像與傳統的圖像相比具有以下不同點：1、表示的意義不同：深度圖像的像素反應目標物體距離攝像機的距離，而一般圖像的像素值反應光的強度和顏色；2、弱紋理：在深度圖像中，顏色和紋理變化不明顯；3、高噪聲：與一般的圖像相比，深度圖像的噪聲率相比較高，尤其是在強背景光的環(huán)境下；4、低分辨率,相比較一般圖像，深度圖像的分辨率普遍較低，比如INRIA行人數據庫圖片分辨率平均為1024*1024，而深度圖像分辨率普遍為320*240。由于這些本質的區(qū)別，用于一般圖像的局部特征提取法不能很好的運用于深度圖像。因此，找到一個能夠較好地描述深度圖像局部特征的描述符顯得極為重要。

近年來，局部描述符的研究已經取得了較好的效果。比如Lowe提出的Scale?invariant?feature?transform(SIFT)以及Ojala提出的local?binary?pattern(LBP)在傳統圖像中得到廣泛應用。SIFT算法是一種提取局部特征的算法，在尺度空間尋找極值點，提取位置，尺度，旋轉不變量等信息；但由于深度圖像的弱紋理性，使得該方法在使用時很難確定極值點。LBP算子由于其簡單和各結構性能好而獲得了越來越多的關注。但由于深度圖像中有意義的結構只存在于物體的邊界地區(qū)，該方法不能成功的區(qū)分對象中的不同部分。因此，Calonder等人提出了二值描述符BRIEF，可用于深度圖像，并且該方法可以達到SIFT與LBP的精度，實現效率高，然而人體關節(jié)多，無法應對關節(jié)的變化。

發(fā)明內容

本發(fā)明的目的在于，針對上述深度圖像的特殊性，采用多層次特征提取結構來描述深度圖像的局部特征，使深度圖像的不同特性在不同層得到解決。

深度圖像為I，I(p)表示在位置p處的像素值，其中p＝(x,y)^T，f_g表示前景對象的分割結果，p₀為f_g的中心點，表示其局部描述符。

該方法包括以下步驟：

1)深度圖像預處理，輸入一個深度圖像，根據深度圖像的像素值完成前景對象的分割，得到目標對象f_g；

2)低層特征提取；

3)中間層特征提取；

4)高層特征提取。

上述方法中，所述步驟2)包括以下具體步驟：

21)用Dijkstra算法計算目標中心像素點p₀距其余像素的測地距離；

22)根據步驟21)得到的測地距離求各像素的距離等值線圖；

23)由步驟21)得到的測地距離與步驟22)得到的等值圖計算每個像素點到中心點距離最短的方向Γ；

24)對每個像素提取局部特征，用局部描述符表示。

上述方法中，所述步驟24)包括以下具體步驟：

241)初始化局部描述符的區(qū)域

其中p_c是區(qū)域圓心，區(qū)域半徑r由下式確定：

r=αI(pc)---(1)]]>

其中I(p_c)_，表示p_c在圖像中的位置，α是由成像焦距與局部描述符在實際中的大小確定的常數。

242)初始化區(qū)域中隨機點對F＝{P₁,...,P_n}，其中表示一個隨機點對的位置，n表示隨機點對的數量。

243)根據步驟23)中求得的最短距離方向Γ確定每個區(qū)域中的所有隨機點對位置：