基于轮廓分段特征可信度的遮挡目标识别算法

宋建辉，杨明树，于 洋，刘砚菊

(沈阳理工大学自动化与电气工程学院，辽宁 沈阳 110159)

1 引言

在图像处理研究领域，认知心理学家研究表明，待识别对象的轮廓是目标识别过程中强有力的特征[1]。近些年来，轮廓作为对象的重要特征，具有抗光照，对颜色、纹理变化的抗干扰性强等优势，在目标匹配和识别遮挡目标的过程中被广泛应用。因此，目标轮廓特征的有效提取和匹配方式，对目标检测和匹配具有重要意义。

在遮挡目标轮廓匹配方面，学者们提出了许多提取轮廓特征片段，以期获得更好的匹配效果的算法。文献[2]采用多边形近似方法得到轮廓分段，采用动态规划法找到最佳匹配，方法简单可是并未将轮廓分段的局部特征评价考虑在内，面对复杂轮廓该算法的识别性能表现出一些不足。文献[3，4]计算轮廓曲率，通过曲率极值点、拐点等关键点作为分段点获取轮廓分段数据集，提出部分相似度衡量匹配后的最佳分类结果，但经常因为遮挡等因素丢失含重要特征的轮廓。文献[5]根据局部曲率分布对轮廓进行分段，通过比较分段的特征性大小进行分段合并处理，得到完整描述目标的轮廓分段数据，但对于细节特征较多的目标来说，这种轮廓特征描述算法还不够稳定，从而导致无法有效的识别遮挡目标。

从以上分析可以得出，仅靠部分相似度来描述轮廓分段特征是远远不够的。为解决遮挡情况下目标识别率较低的问题，本次研究结合现有算法，提出了基于轮廓分段特征可信度的遮挡目标识别算法，根据轮廓曲率分布筛选特征点并进行初步分段，提出基于弯曲度的分段优化算法来衡量轮廓片段对待识别目标的表达能力，对初步分段结果进行优化后得到有效片段。在此基础上提出加权相似度匹配，根据轮廓分段的局部性和重要性来评价分段的特征可信度，有效的表达轮廓分段突显轮廓特征的能力和其相对长度，最后将有效分段的特征可信度与分段之间的相似度共同组成加权相似度，从而得到正确、稳定的识别结果。

2 基于弯曲度的轮廓分段优化算法

特征提取过程中，由于曲率具有平移、旋转、缩放不变性等优势，曲率极值点被研究者们利用来提取关键点进行特征匹配。本文在图像预处理过程中采用具有高检测率和定位精度的Canny算子提取轮廓，然后计算轮廓曲率，根据曲率标准差将轮廓点分为特征点与非特征点，得到轮廓的初始分段，再根据各个分段的弯曲度进行合并优化，得到设定数目的轮廓分段，最后将分段进行归一化处理，使其具有不变性。基于弯曲度的分段优化算法结构图如图1所示。

图1 基于弯曲度的分段优化算法

2.1 轮廓初步分段

考虑到传统运用三点法求曲率抗噪性较差，在此引用文献[6]中的十一点法计算轮廓近似曲率，获得了良好的抗噪性。假设轮廓C边缘由N个点(xi，yi)组成，则轮廓曲率可通过式(1)得出

ki=sign((xi-xi-5)(yi+5-yi)

(1)

其中，Ri1=Pi-Pi-5，Ri2=Pi+5-Pi

为更好的对轮廓特征进行描述，将轮廓点按以下原则划分为特征点与非特征点

Pf={i：|k(i)|≥δ，δ=std(k)}

(2)

Pnf={i：|k(i)|<δ，δ=std(k)}

(3)

式中，k代表轮廓曲率，δ=std(k)代表轮廓曲率的标准差。

根据特征点的分布情况进行轮廓初步分段：从轮廓的起始点开始(n=1)，按照逆时针方向不断合并下一个点，如果非特征点数达到截止门限Tf，则开始下一个分段，直到循环合并到起始点，初分段完成。根据特征点分布完成后的初分段将轮廓的局部特征完整的描述出来。图2给出初步分段过程，图2(a)为MPEG-7数据库里的样本图，图2(b)所示为用黑色星号在初始轮廓上标出了特征点，图b所示为根据特征点分布情况得到的轮廓初步分段结果，从图2(c)可发现初步分段数量较多且容易产生无意义的轮廓分段，故通过轮廓分段优化算法减小轮廓数量，得到能够更好描述特征的有效分段。

图2 轮廓初步分段图

2.2 分段优化

为更加有效的描述轮廓特征，去除初步分段结果中的无意义分段，提出弯曲度来衡量轮廓弯曲程度，进一步体现轮廓特征，然后通过分段优化算法减小分段数量，获得体现轮廓特征且符合人类视觉感知的轮廓分段。给出一轮廓分段si，并假设分段起点与终点分别为a和b，下面给出弯曲度定义如式(4)

(4)

其中，Tor(si)代表轮廓分段si的的弯曲度，length(si)表示分段si的长度，length(lab)表示a、b两点所连直线的长度。

基于弯曲度的轮廓分段优化算法流程如图3所示。

图3 基于弯曲度的分段优化算法流程图

分段优化过程中，轮廓分段的弯曲度越大，其体现轮廓特征的能力也就越强，匹配效率越高；图4给出了分段优化过程的部分图示，经优化算法后得到的两条特征分段能更好的体现轮廓的局部特征，在识别遮挡目标时可以取得稳定的识别效果。

图4 分段优化算法演化过程中图示

2.3 归一化处理

将分段优化算法得到的轮廓分段Si表示为一个有序点集，Si={v1，v2，…，vn，vi∈Si}。为了使其不受缩放、平移、旋转的影响，得到的轮廓分段按照如下规则进行归一化处理：v1→p1=(0，0)，vn→pn=(1，0)，其它的轮廓点也按照原则变换到新的坐标系，归一化后的分段Sjp={p1，p2，…，pn，pi∈P}具有相似变换条件下的不变性。

3 加权相似度匹配

轮廓分段在进行匹配时仅仅依靠相似度容易造成误匹配，因此对轮廓分段进行评价得到特征可信度，将特征可信度与相似度一起组成加权相似度进行最终目标分类，有效的提高了匹配正确率。加权相似度匹配的流程图如图5。

图5 加权相似度匹配流程图

3.1 相似性度量

对于遮挡目标获得的有效分段Sjp={p1，p2，…，pn，pi∈P}，将其与数据库中的特征分段SjQ={q1，q2，…，qn，qi∈Q}进行逐对匹配。考虑到形变给轮廓部分带来的微小偏差，选择形状上下文距离Dsc作为分段匹配的相似性度量，Dsc越小越相似。

对于分段P的点pi和分段Q的点qj，它们的相似度用χ2检验得

(5)

其中，hi(k)为点pi的形状直方图hi(k)=#{q≠pi：(q-pi)∈bin(k)}，k=60然后根据匈牙利算法计算Dsc，具体计算如式(6)

(6)

3.2 特征可信度

利用轮廓分段进行匹配不得不考虑到分段局部特征与轮廓整体特征的关系，文献[5]采用轮廓片段的重要性和局部性两个参数评价其可信度，取得了较好的匹配结果，本文进行了改进，用轮廓分段的弯曲度相对占比λw描述分段重要性，用轮廓分段的相对长度λl来评价分段的局部性，最后将轮廓分段的局部性和重要性联合起来评价论文分段可信度。

重要性定义如下

λw(i)=Tor(Si)/max(Tor(Sj))j=1，2…

(7)

λw(i)反映了轮廓分段的重要程度，λw(i)越大，即轮廓分段弯曲度越大，轮廓特征越明显，与其它目标的可区分性也就越好。

局部性定义如下

λl(i)=l(Si)/l(C)

(8)

其中，l(Si)表示目标轮廓片段长度，l(C)表示目标轮廓长度。λl(i)反映了轮廓分段表达整体目标的可信度，λl(i)越大，即轮廓分段长度越长，意味着部分代表整体的能力越强，对目标识别结果越有利。

将以上轮廓分段的局部性和重要性联合起来定义分段特征可信度λ(i)。λ(i)越大，轮廓分段特征可信度越大。计算如式(9)

λ(i)=αλw+(1-α)λl，α∈[0，1]

(9)

式中，用参数α来判断λw(i)和λl(i)对加权相似性度量λ(i)的影响程度，由于轮廓分段特征越明显，对人来视觉感知来说越容易辨识，故选取α=0.6。

3.3 加权相似度匹配

对于遮挡目标轮廓C′，应用分段优化算法获取轮廓分段Sjp(j=1，2…n)，然后目标轮廓分段SjP与轮廓分段数据库SjQ进行形状上下文匹配，得到两个分段的相似性度量，其中Dsc(SjP，SiQ)越小越相似。在匹配结果中最相似的前5个特征分段SkQ′(k=1，2，…，5)中找到距离最小的参考类别objj(j=1,2,…，n)，最后用加权相似度筛选出匹配后的最终分类结果。

采用可信度与分段之间的相似度结合起来定义加权相似度Sim(SjP，SiQ)，将分段的可信度加权到形状上下文匹配最小代价上，得到最终衡量分类准确率的加权相似度，计算方法如式(10)

(10)

其中，λ(SjP)和λ(SiQ)分别代表形状P和Q的第j和第i个轮廓分段的可信度。根据加权相似度的大小得出最佳的分类结果，加权相似度越小，轮廓分段分类结果越可靠。

4 实验结果与分析

为验证所提算法有效性，运用Matlab软件进行仿真并对结果进行分析。选取MPEG-7 Shape 1 Part B数据集进行目标分类实验。为验证算法可靠性，选出70类目标所有shape 1-10总共700张图片来建立轮廓分段数据库，并从所有shape 11-20中选出十类目标作为待匹配测试目标，对整体遮挡率在20%、30%、40%、50%的情况下的轮廓片段进行目标分类检索实验。考虑到待识别目标由于遮挡比例较大而获取的分段可能较短，本次仿真设置分段数据库的分段数为3，轮廓进行特征匹配时特征点采样点数为60，测试目标类如图6。

图6 实验测试目标类别

对于遮挡目标，首先基于弯曲度进行分段优化获得有效分段，表1第1列给出了butter类某目标在遮挡情况下划分出的3个特征分段(加粗实线)，1st-5th列所示为分段数据库中与第一列特征分段匹配后的前5个最相似的分段(加粗实线)所属类，由第2行可以看出轮廓分段通过形状上下文匹配后的分类结果出现了误匹配，因为形状上下文属于全局特征描述子，对于特征分段间的匹配并不能有效的描述局部特征的相似性。故在此基础上通过轮廓分段的重要性和局部性评价其可信度，将局部特征与整体特征联系起来得到加权相似度Sim。当分段的可信度越大，Sim越小。加权相似度将分段匹配后的前5个分类结果进一步筛选得到Sim最小的分段所属类，即第7列的参考分类，最终根据Sim越小越相似的分类原则，通过比较测试目标3个特征分段参考分类的加权相似度，得到最终的分类结果。实验分析得出，通过对有效分段的重要性和局部性进行分段可信度评价得到加权相似度，可以有效提高遮挡情况下的目标识别率。

表1 部分遮挡目标类识别结果(加权相似度最小值对应最终分类)

本次实验为保证数据可靠性，对分段匹配进行100次随机试验，取识别结果的平均值作为识别率。本次实验在不同遮挡率下的识别率如表2。

由表2数据可以得出，加权相似度匹配在识别不同遮挡比例的目标上是稳定有效的。加权相似度依赖于轮廓分段的可信度，如果遮挡目标轮廓的多数局部特征得到保留，特征分段可信度较大，加权相似度匹配依然可以得到稳定准确的识别结果。而对于Beef、Bird、Dog等细节特征较多的目标，因遮挡等因素造成特征丢失，进而影响了特征分段的可信度，导致了识别率较低的结果。根据实际情况通过增加特征分段长度，可以在一定程度上达到提高识别率的效果。

表2 不同遮挡比例下测试类别的识别率

表3给出了本文算法与文献中遮挡目标的识别算法结果数据对比。由表可知，目标识别率随着测试目标遮挡率的升高呈现降低趋势，文献[3]在遮挡比例50%情况下时识别效果较差，而本文算法根据实际遮挡情况提取弯曲度较大的轮廓分段进行加权相似度匹配，在遮挡比例大于40%情况下的目标识别率明显优于文献[4]和文献[9]，对比文献[5]中算法，其在遮挡比例50%下无参考数据，本文算法在遮挡比例40%情况下的识别率提高了0.9%左右。

表3 不同识别算法在遮挡情况下的识别率

5 结论

本文提出了一种基于轮廓分段特征可信度的目标识别算法用于遮挡目标的识别，在提取有效轮廓分段方面，根据基于弯曲度的分段优化算法获取具有显著特征的有效分段。在特征分段匹配上，提出加权相似度，通过分段的重要性和局部性结合评价轮廓分段的特征可信度，最后将特征可信度与分段间的相似度结合成为加权相似度，根据加权相似度获得了合理有效的识别结果。实验结果表明，本文算法在识别遮挡情况下的目标时获得了稳定、准确的识别结果，与现有算法相比较，本文算法有效的提高了遮挡情况下的目标识别率。