顧丹妮 張樂 白明健

摘? 要：目標(biāo)識(shí)別主要通過目標(biāo)的顏色、形狀、輪廓等特征來獲取目標(biāo)信息，與已知目標(biāo)進(jìn)行對(duì)比的過程。基于角點(diǎn)特征提取對(duì)目標(biāo)識(shí)別非常重要，因?yàn)榻屈c(diǎn)具有旋轉(zhuǎn)不變性、對(duì)光照反映不明顯，這不僅可以提高識(shí)別的運(yùn)行速度還可以提升識(shí)別的準(zhǔn)確率。在本文中，首先介紹了基于角點(diǎn)特征提取的目標(biāo)識(shí)別理論，列舉出圖像預(yù)處理的方法，通過仿真對(duì)目標(biāo)圖像進(jìn)行灰度化處理和濾波處理。分別用Harris算法與Susan算法對(duì)目標(biāo)圖像進(jìn)行角點(diǎn)提取，最后與原目標(biāo)圖像進(jìn)行匹配。

關(guān)鍵詞：目標(biāo)識(shí)別? 角點(diǎn)提取? Harris算法? 圖像預(yù)處理

中圖分類號(hào)：TP391.4 ? ? ? ? ?文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ? 文章編號(hào)：1674-098X（2021）02（c）-0055-03

Design of Target Recognition Method Based on Corner Feature Extraction Algorithm

GU Danni? ZHANG Le? BAI Mingjian

（School of Equipment Engineering， Shenyang Ligong University， Shenyang， Liaoning Province， 110168 China）

Abstract： Target recognition is the process of comparison with known targets，it mainly obtains target information through target， shape， contour and other features.Corner feature extraction is very important for target recognition，because the corner has rotation invariance and is not obvious to light， it can not only improve the speed of recognition， but also improve the accuracy of recognition. In this paper， firstly， the theory of target recognition based on corner feature extraction is introduced，then gray processing and filtering of target image by simulation. Harris algorithm and Susan algorithm are used to extract the corner of the target image， at last match with the original target image.

Key Words： Target recognition;Corner detection; Harris algorithm; Image preprocessing

目標(biāo)識(shí)別把從目標(biāo)圖像中提取的特定特征，用以實(shí)現(xiàn)對(duì)目標(biāo)的檢測(cè)、定位及分類。事實(shí)上，角點(diǎn)只是目標(biāo)圖像上具有極少一部分像素點(diǎn)的某部分的特征。利用角點(diǎn)可以在保留目標(biāo)圖像所有內(nèi)容的情況下，把所需內(nèi)容壓縮。

20世紀(jì)50年代目標(biāo)識(shí)別技術(shù)開始嶄露頭角，早期的對(duì)雷達(dá)信號(hào)的處理可視為目標(biāo)識(shí)別技術(shù)的開端。伴隨著計(jì)算機(jī)視覺技術(shù)的不斷發(fā)展，各種類型的攝像機(jī)開始作為信息的輸入端。從此，基于計(jì)算機(jī)視覺的目標(biāo)識(shí)別技術(shù)在各領(lǐng)域中都有涉及，例如軍事、民用領(lǐng)域等。

1? 角點(diǎn)提取算法

1.1 Harris角點(diǎn)算法

Harris角點(diǎn)檢測(cè)是一種常用的經(jīng)典角點(diǎn)提取方法，基于圖像灰度的一階導(dǎo)數(shù)矩陣，所描述的是在像素點(diǎn)的某個(gè)鄰域內(nèi)數(shù)據(jù)信號(hào)的變化。當(dāng)像素點(diǎn)強(qiáng)度在鄰域區(qū)間發(fā)生較大程度的變化時(shí)，此變化處的像素點(diǎn)稱為角點(diǎn)。對(duì)于Harris角點(diǎn)提取算法，其是在[1-2]Moravec角點(diǎn)提取算法的基礎(chǔ)上進(jìn)行改進(jìn)所形成的。通過觀察目標(biāo)圖像的被檢測(cè)窗口中像素點(diǎn)的灰度變化來確定Moravec角點(diǎn)提取算法需要確定其所在區(qū)域，是平坦區(qū)域、邊緣區(qū)域還是交點(diǎn)區(qū)域。

1.2 SUSAN角點(diǎn)算法

1997年，來自牛津大學(xué)的 Smith 和 Brady 曾提出過一種全新的角點(diǎn)檢測(cè)算法，SUSAN 算法[3]（最小核值相似區(qū)算法）。對(duì)于SUSAN算法，首先要選擇一個(gè)圓形模板，然后把位于圓形窗口模板中心待提取的像素點(diǎn)稱為核心點(diǎn)。USAN的典型區(qū)域如圖1所示。由圖所示，我們可以看出，當(dāng)模板在目標(biāo)圖像上進(jìn)行移動(dòng)時(shí)，如果圓形模板完全覆蓋背景或目標(biāo)區(qū)域，這時(shí)的USAN區(qū)域最大;若核心在區(qū)域邊緣時(shí)，USAN區(qū)域則減少一半;而當(dāng)核心在區(qū)域角點(diǎn)時(shí)，USAN區(qū)域最小，僅為原來的1/4。

2? 目標(biāo)角點(diǎn)特征提取

2.1 灰度化處理

日常生活中，我們使用相機(jī)拍攝的圖片都是彩色圖片，這種彩色圖片包含大量的像素信息，在進(jìn)行圖片處理過程中難度非常大，因此，需要提前對(duì)圖像進(jìn)行灰度化處理。所謂圖像灰度化處理即指把彩色圖片轉(zhuǎn)換成單色圖片，這樣處理后不僅可以降低原圖像中包含的信息量，從而提高計(jì)算效率，達(dá)到節(jié)省時(shí)間的目的;更重要的是不會(huì)對(duì)原圖像的像素值分布產(chǎn)生影響。圖像灰度變換有兩種方法：線性灰度變換和非線性灰度變換[4]。其中線性灰度變換中均值灰度化效果最佳。加權(quán)均值法的表達(dá)式如下：

（1）

式中，Gray表示灰度圖像中某一點(diǎn)的灰度值。R、G、B分別表示未進(jìn)行灰度轉(zhuǎn)換前的彩色圖像中的紅、綠、藍(lán)三種顏色的亮度，他們的系數(shù)加權(quán)值是在大量實(shí)驗(yàn)基礎(chǔ)上求得的。

2.2 高斯濾波

高斯濾波是一種線性平滑濾波，適用于消除高斯噪聲，廣泛應(yīng)用于圖像處理的減噪過程。高斯濾波就是對(duì)整幅圖像進(jìn)行加權(quán)平均的過程，每一個(gè)像素點(diǎn)的值，都由其本身和鄰域內(nèi)的其他像素值經(jīng)過加權(quán)平均后得到[5-6]。濾波過程簡(jiǎn)單概況如下：

設(shè)目標(biāo)圖像的高度為H，寬度為W，corner（i，j）表示（i，j）處是否有角點(diǎn)，當(dāng)corner（i，j）=1時(shí)，表示點(diǎn)（i，j）是角點(diǎn);當(dāng)corner（i，j）=0時(shí)，表示點(diǎn)（i，j）不是角點(diǎn)。其算法描述如下：

（1）令，若，則將本行所有角點(diǎn)置0，否則保留該行所有角點(diǎn)。本文取N1=6。

（2）利用大小為mn（m>1，n>1）的模板，對(duì)整個(gè)圖像循環(huán)計(jì)算局部區(qū)域內(nèi)的角點(diǎn)數(shù)，若，則將局部區(qū)域內(nèi)的所有角點(diǎn)置0，否則是需保留區(qū)域，本文取參數(shù)m=n=11，N2=4。

2.3 角點(diǎn)提取結(jié)果分析

以下給出本章的算法提取結(jié)果，結(jié)合Harris算法與susan算法在Matlab2016a環(huán)境下運(yùn)行。實(shí)驗(yàn)分為三組（見圖2～圖4），提取結(jié)果如下。

角點(diǎn)特征提取屬于低層次的圖像處理，它為圖像的進(jìn)一步處理提供了重要信息。在如下三個(gè)方面對(duì)Harris算法與Susan算法進(jìn)行比較。

（1）復(fù)雜性：Harris算法的計(jì)算較為簡(jiǎn)單，運(yùn)行時(shí)間短，由此，Susan的復(fù)雜性更明顯。

（2）抗噪性：Susan算法對(duì)噪聲有過濾作用，處理過后圖片的清晰度更好，便于觀察，因此Susan的抗噪性更強(qiáng)。

（3）穩(wěn)定性：Harris算法計(jì)算只需要一階導(dǎo)數(shù)，對(duì)外界干擾因素不敏感;Susan算法需要自行設(shè)定閾值，不僅影響角點(diǎn)提取的準(zhǔn)確性，對(duì)穩(wěn)定性也有影響，因此，Harris算法的穩(wěn)定性更好。

上述三組實(shí)驗(yàn)表明：對(duì)于目標(biāo)中文字部分的角點(diǎn)提取覆蓋范圍比較全面，例如：實(shí)驗(yàn)二營(yíng)口遼河老街和實(shí)驗(yàn)三山海廣場(chǎng)中的文字提取效果非常好。不過兩種算法也存在缺陷，對(duì)于文字雕刻不清晰的部分識(shí)別效果不好，效率低，偽角點(diǎn)會(huì)被檢測(cè)出來。對(duì)于街景的提取效果兩種算法效果都比較好，但是Susan算法漏掉的角點(diǎn)較多，準(zhǔn)確性不如Harris算法。

3? 仿真結(jié)果與分析

本實(shí)驗(yàn)利用基于Harris算法基于目標(biāo)灰度信息的目標(biāo)識(shí)別方法，（圖5～圖7）三幅圖像為MATLAB軟件仿真后的目標(biāo)識(shí)別結(jié)果，圖中黃色連線為對(duì)應(yīng)點(diǎn)之間的連線。由于目標(biāo)圖像中有樹木、花草等干擾，結(jié)果存在一定的誤差，不過總體上識(shí)別的準(zhǔn)確率較高，未出現(xiàn)明顯的誤差對(duì)應(yīng)點(diǎn)。在火車站建筑共識(shí)別出402對(duì)匹配成功的角點(diǎn);老街建筑物共識(shí)別出328對(duì)匹配成功的角點(diǎn);山海廣場(chǎng)共識(shí)別出138對(duì)匹配成功的角點(diǎn)。關(guān)于本實(shí)驗(yàn)的準(zhǔn)確率等問題，在如表1中有具體顯示。

三組目標(biāo)圖像中老街建筑物的準(zhǔn)確率相比較是最高的，這是由于火車站建筑物中，來自樹枝的干擾較為明顯，使誤差角點(diǎn)增多;在山海廣場(chǎng)的目標(biāo)圖像中，文字雕刻部分在角點(diǎn)檢測(cè)中誤差就比較大，這個(gè)問題也存在于匹配過程中，使準(zhǔn)確率大大降低。

4? 結(jié)語

本文將角點(diǎn)提取與目標(biāo)識(shí)別過程步驟分解的非常詳細(xì)，通過多次仿真，利用圖像預(yù)處理技術(shù)，排除外界一些不可避免的影響因素，為目標(biāo)的角點(diǎn)提取打下良好的基礎(chǔ)，有效提高提取的準(zhǔn)確性;使用Harris角點(diǎn)提取以及Susan角點(diǎn)提取方法提取目標(biāo)圖像角點(diǎn);最后利用基于Harris算法基于目標(biāo)灰度信息的目標(biāo)識(shí)別方法進(jìn)行目標(biāo)圖像識(shí)別，不僅提高了目標(biāo)識(shí)別的速度，還極大提高了目標(biāo)識(shí)別的準(zhǔn)確度。

參考文獻(xiàn)

[1] 楊咸兆.基于多元特征的立體圖像匹配方法研究[D].南京：南京信息工程大學(xué)，2019.

[2] 楊蕊.動(dòng)態(tài)序列遙感圖像超分辨率重建技術(shù)研究[D].北京：中國(guó)科學(xué)院大學(xué)（中國(guó)科學(xué)院西安光學(xué)精密機(jī)械研究所），2019.

[3] ZHAO S， YAO H， GAO Y， et al. Continuous probability distribution prediction of image emotions viamultitask shared sparse regression[J]. IEEE Transactions on Multimedia， 2017， 19（3）： 632-645.

[4] 王璞.彩色圖像灰度化算法改進(jìn)研究[D].西安：西北大學(xué)，2019.

[5] 劉希.多條形碼的圖像定位技術(shù)研究與應(yīng)用[D].廣州：華南理工大學(xué)，2019.

[6] 吳倩倩.基于聚類與區(qū)域合并的彩色圖像分割算法的研究[D].哈爾濱：哈爾濱工業(yè)大學(xué)，2017.