[發(fā)明專利]一種基于素描標(biāo)記的中層次特征提取快速邊緣檢測(cè)方法

在審

• 申請(qǐng)?zhí)枺?/td>: 202011191788.0
• 申請(qǐng)日: 2020-10-30
• 公開（公告）號(hào): CN112287948A
• 公開（公告）日: 2021-01-29
• 發(fā)明（設(shè)計(jì)）人: 李云紅;喻曉航;李傳真;聶夢(mèng)瑄;穆興;姚蘭
• 申請(qǐng)（專利權(quán)）人: 西安工程大學(xué)
• 主分類號(hào): G06K9/46
• 分類號(hào): G06K9/46;G06K9/62;G06N3/08
• 代理公司: 西安弘理專利事務(wù)所 61214
• 代理人: 寧文濤

本發(fā)明公開了一種基于素描標(biāo)記的中層次特征提取快速邊緣檢測(cè)方法。根據(jù)訓(xùn)練圖像，使用素描這種簡(jiǎn)單的標(biāo)記來(lái)表示圖像中的各種局部結(jié)構(gòu)；從素描圖像中提取補(bǔ)丁，并用聚類的方法構(gòu)成標(biāo)記類的集合；與標(biāo)記類形成對(duì)照，采用分類器提取訓(xùn)練圖像中的補(bǔ)丁；計(jì)算所有通道的特征向量；抽取特征向量中的小子集去訓(xùn)練方法模型；隨機(jī)選取輪廓補(bǔ)丁和無(wú)輪廓補(bǔ)丁訓(xùn)練隨機(jī)森林分類器；標(biāo)記訓(xùn)練圖像中的每一個(gè)像素并進(jìn)行分類；計(jì)算訓(xùn)練圖像中每個(gè)標(biāo)記類的概率，選出屬于輪廓的概率補(bǔ)丁；進(jìn)行非極大值抑制處理；得出輪廓的峰值響應(yīng)。本發(fā)明解決了有監(jiān)督數(shù)據(jù)的收集會(huì)泛化問題；提升了檢測(cè)器對(duì)邊緣檢測(cè)的精度和準(zhǔn)確度；縮短了圖像處理的時(shí)間。

技術(shù)領(lǐng)域

本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及一種基于素描標(biāo)記的中層次水特征提取快速邊緣檢測(cè)方法。

背景技術(shù)

在計(jì)算機(jī)機(jī)器視覺中，對(duì)圖像而言，低層特征一般指的是邊緣、輪廓、顏色、紋理和形狀等特征，該層特征可以反映出圖像的內(nèi)容。很多的計(jì)算機(jī)視覺問題都可以通過可靠的邊緣提取來(lái)解決。圖像的低層次特征信息雖然目標(biāo)明確且位置準(zhǔn)確，但是該層的信息比較少，只能作為某個(gè)部分單獨(dú)看待，并不能做出整體性的評(píng)價(jià)。然而，高層次的特征指的是整體且復(fù)雜的結(jié)構(gòu)，例如一張人臉就是高層次特征，而臉上的鼻子、眼睛和嘴巴都屬于低層次特征。與低層次特征恰好相反，高層次特征提供的信息相當(dāng)豐富，但是目標(biāo)位置卻十分粗略。所以形象的來(lái)說(shuō)，中層次特征就相當(dāng)于低層和高層特征之間的“橋梁”。有效的中層特征表示既能抽象出有用的像素信息，也可以過濾有噪聲和不相關(guān)的信號(hào)。

在眾多中層次特征的提取方法中，邊緣信息的利用是早期的一種較為流行的方法。因?yàn)樵谀撤N程度上，人類可以很輕松地解釋線條圖和素描圖像，即局部位置圖像。從局部邊緣結(jié)構(gòu)中提取出來(lái)的中層特征，稱為素描標(biāo)記。素描標(biāo)記的種類從簡(jiǎn)單的形狀(如直線或點(diǎn))到豐富的結(jié)構(gòu)(如立方體或球)不等。對(duì)于給定大量潛在的邊緣結(jié)構(gòu)，為了簡(jiǎn)化計(jì)算量和縮短操作周期，就必須指定一個(gè)信息子集來(lái)表示素描標(biāo)記類。以前的方法有使用手工定義的類、無(wú)監(jiān)督的信息來(lái)表示，不過要在人工標(biāo)記的自然圖像的邊緣中，來(lái)提取有監(jiān)督的中層次信息，這十分困難，因?yàn)檫@些收集來(lái)的數(shù)據(jù)會(huì)泛化，不會(huì)特定地存在。以輪廓為中心的素描提取方法可以從圖像中抽取并聚集成一組標(biāo)記的類，這會(huì)產(chǎn)生有代表性及多樣的素描標(biāo)記集，但是該方法會(huì)模糊甚至忽略一些特定的結(jié)構(gòu)，或區(qū)域的細(xì)節(jié)，而且計(jì)算量較大。對(duì)于邊緣檢測(cè)的方法來(lái)說(shuō)，傳統(tǒng)的方法有微分算子法、最優(yōu)算子法和神經(jīng)網(wǎng)絡(luò)法等等。不管是基于Canny算子還是LOG算子的微分方法，漏檢率和誤檢率都比較高，而且對(duì)噪聲還很敏感；與微分算子法相似的最優(yōu)算子法對(duì)圖像中的某些細(xì)節(jié)處理不到位；最近興起的神經(jīng)網(wǎng)絡(luò)方法雖然檢測(cè)的效果不錯(cuò)，但是檢測(cè)的結(jié)果直接受樣本質(zhì)量的影響，如果樣本不好，效果肯定也不會(huì)好。

針對(duì)上述問題，采用基于中層次特征的提取方法可以有效地預(yù)測(cè)出給定輸入彩色圖像的素描標(biāo)記，還可以過濾噪聲和不相關(guān)的信號(hào)，與此同時(shí)，檢測(cè)效率也比同類或其他類的檢測(cè)器高出200倍以上。基于中層次特征提取的素描標(biāo)記方法除了可以用在邊緣檢測(cè)上，還可以根據(jù)自下而上的方式用來(lái)完成行人檢測(cè)和目標(biāo)檢測(cè)，用途廣，泛化能力強(qiáng)。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于素描標(biāo)記的中層次特征提取快速邊緣檢測(cè)方法，解決了在現(xiàn)有技術(shù)中提取有監(jiān)督中層次信息數(shù)據(jù)的時(shí)候，會(huì)受到噪聲和不相關(guān)信號(hào)干擾的問題，提升了邊緣檢測(cè)的速度，精度和穩(wěn)定性。

本發(fā)明所采用的技術(shù)方案是，

一種基于素描標(biāo)記的中層次特征提取快速邊緣檢測(cè)方法，具體按照以下步驟實(shí)施：

步驟1，定義素描標(biāo)記。使用簡(jiǎn)單且直接的一組素描來(lái)抽象表示圖像中可能存在的各種邊緣結(jié)構(gòu)，提取素描圖像中固定大小的補(bǔ)丁，借用K-means方法聚集補(bǔ)丁，創(chuàng)建標(biāo)記類的集合。

步驟2，檢測(cè)素描標(biāo)記：對(duì)于標(biāo)記類的集合，使用一個(gè)學(xué)習(xí)分類器來(lái)從輸入的訓(xùn)練圖像中提取補(bǔ)丁，計(jì)算出特征向量。

步驟3，抽取每個(gè)標(biāo)記類的輪廓補(bǔ)丁，每個(gè)圖像的無(wú)輪廓補(bǔ)丁，以訓(xùn)練隨機(jī)森林分類器；隨機(jī)選取特征向量的一個(gè)子集來(lái)進(jìn)行分類。