[發明專利]基于單層感知器模型的圖像特征提取方法

有效

• 申請號: 201910904798.5
• 申請日: 2019-09-24
• 公開（公告）號: CN110717499B
• 公開（公告）日: 2022-08-09
• 發明（設計）人: 陳志華;胡淑瑩;劉曉利
• 申請（專利權）人: 南京理工大學
• 主分類號: G06V10/774
• 分類號: G06V10/774;G06K9/62;G06V10/50
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 唐代盛

本發明提供了一種基于單層感知器模型的圖像特征提取方法，包括以下步驟：對輸入目標跟蹤過程中前后相鄰的兩幀圖像做灰度變換；對前一幀圖像的灰度圖像進行高斯濾波；求前一幀灰度圖像與高斯濾波圖像的絕對差；將絕對差圖像與后一幀灰度圖像相乘；提取前一幀灰度圖像的邊緣特征；將相乘得到的新圖像與前一幀灰度圖像的邊緣特征圖像相加；對相加得到的新圖像進行膨脹處理，得到最終的特征圖像。

技術領域

本發明涉及一種計算機視覺技術，特別是一種基于單層感知器模型的圖像特征提取方法。

背景技術

現有的目標跟蹤算法中，采用的圖像特征主要是灰度特征、顏色特征、HOG特征和深度學習預先訓練習得的特征。這些特征都存在各自的問題：灰度特征包含的圖像信息過于簡單，無法將目標精確地從背景中分離出來；顏色特征對于紅外成像跟蹤時沒有作用，而且還會增加程序的計算量；HOG特征計算過程冗雜，計算量大，會大大降低跟蹤的實時性；深度學習利用神經網絡預先訓練需要大量的數據樣本，樣本難以獲得，且訓練過程耗時長，對計算機硬件的要求高，需要GPU的輔助。對于目標跟蹤來說，精度和實時性是最關鍵的兩個指標。因而，在保障精度的前提下，能提高跟蹤的實時性是計算機視覺系統所亟需的。

發明內容

本發明的目的在于提供一種基于單層感知器模型的圖像特征提取方法。

實現本發明目的的技術方案為：一種基于單層感知器模型的圖像特征提取方法，包括以下步驟：

步驟1，對輸入目標跟蹤過程中前后相鄰的兩幀圖像做灰度變換；

步驟2，對前一幀圖像的灰度圖像進行高斯濾波；

步驟3，求前一幀灰度圖像與高斯濾波圖像的絕對差；

步驟4，將絕對差圖像與后一幀灰度圖像相乘；

步驟5，提取前一幀灰度圖像的邊緣特征；

步驟6，將相乘得到的新圖像與前一幀灰度圖像的邊緣特征圖像相加；

步驟7，對相加得到的新圖像進行膨脹處理，得到最終的特征圖像。

進一步地，所述步驟1的具體過程為：

步驟1.1，輸入原始的相鄰兩幀圖像I_i和I_i+1；

步驟1.2，對兩幅圖像進行灰度變換：I_i＝rgb2gray(I_i)和I_i+1＝rgb2gray(I_i+1)。

進一步地，所述步驟2的具體過程為：用二階高斯濾波對前一幀灰度圖像I_i進行處理，得到新圖像

J_i＝uint8(filter2(fspecial('gaussian'),I_i))。

進一步地，所述步驟3的具體過程為：求出I_i和J_i兩幅圖像的絕對差，得到新圖像K_i＝imabsdiff(I_i,J_i)，作為感知器模型中的權重W。

進一步地，所述步驟4的具體過程為：將后一幀灰度圖像圖像I_i+1感知器模型中的輸入X，圖像K_i和I_i+1相乘，對照感知器模型中輸入與權重相乘的計算過程，得到新圖像：P_i＝immultiply(K_i*a,I_i+1)，其中，a是一個值小于1的比例系數。