李明磊，趙俊杰，李 翔

（1.中信戴卡股份有限公司，河北秦皇島 066011；2.廣州引力波信息科技有限公司，廣東廣州 510000）

高維特征能夠反映出目標(biāo)圖像中像素節(jié)點(diǎn)的分布形式，在進(jìn)行參量提取的過程中，能夠提供大量的可參考信息。然而，隨著原始圖像存儲(chǔ)空間的不斷增大，所選定投影向量與真實(shí)向量之間的差值水平也會(huì)逐漸增大，這就會(huì)對(duì)主機(jī)元件準(zhǔn)確提取圖像高維特征參量造成較大壓力[3]。以3D 輪轂?zāi)Ｐ蜑槔倪M(jìn)SIFT 提取方法雖然能夠準(zhǔn)確定義投影向量的長(zhǎng)度值水平，但卻并不能將其取值結(jié)果控制在既定數(shù)值區(qū)間之內(nèi)，這就使得投影向量與真實(shí)向量之間的差值水平始終難以得到有效控制[4]。

為解決上述問題，引入機(jī)器視覺技術(shù)的應(yīng)用思想，并以此為基礎(chǔ)，設(shè)計(jì)一種新型的圖像高維特征智能提取算法。

1 基于機(jī)器視覺的圖像特征匹配

1.1 視覺坐標(biāo)系

圖像的基礎(chǔ)處理只能得到高維特征節(jié)點(diǎn)在二維空間內(nèi)的像素坐標(biāo)信息，而在機(jī)器視覺理論的認(rèn)知中，線性攝像機(jī)模型反映的卻是所選擇特征節(jié)點(diǎn)的三維空間坐標(biāo)信息，故而在實(shí)施圖像特征匹配處理的過程中，應(yīng)按照像素節(jié)點(diǎn)的三維分布形式構(gòu)建視覺坐標(biāo)系[5-6]。一個(gè)完整的機(jī)器視覺坐標(biāo)系應(yīng)同時(shí)包含X、Y、Z三個(gè)物理坐標(biāo)軸，且坐標(biāo)軸正方向的選取必須遵循像素點(diǎn)坐標(biāo)由小至大的排列原則。具體的視覺坐標(biāo)系求解表達(dá)式如下：

1.2 圖像參數(shù)標(biāo)定

圖像參數(shù)描述了所選像素節(jié)點(diǎn)對(duì)于高維特征參量的承載能力。一般來說，為使機(jī)器視覺技術(shù)得到充分發(fā)揮，在選擇標(biāo)定節(jié)點(diǎn)時(shí)，應(yīng)注重對(duì)其中所承載的高維特征參量進(jìn)行統(tǒng)計(jì)，盡可能將參量數(shù)值相近的節(jié)點(diǎn)歸為一類，且一類像素節(jié)點(diǎn)的圖像參數(shù)水平也必須保持一致[7-8]。設(shè)ε表示所選像素點(diǎn)的位置系數(shù)，xε、yε、zε分別表示該像素點(diǎn)坐標(biāo)在X軸、Y軸、Z軸方向上的數(shù)值分量，δx、δy、δz分別表示X軸、Y軸、Z軸方向上像素參量的初始賦值，可將基于機(jī)器視覺的圖像參數(shù)標(biāo)定表達(dá)式定義為：

為避免所選像素點(diǎn)與視覺坐標(biāo)系源點(diǎn)重合，在求解圖像參數(shù)時(shí)，要求系數(shù)ε的取值不能等于0。

1.3 線性攝像機(jī)模型

線性攝像機(jī)模型決定了機(jī)器視覺技術(shù)的實(shí)際作用能力，對(duì)于圖像高維特征提取任務(wù)而言，獨(dú)立線性攝像機(jī)模型中所包含的高維特征參量種類越多，主機(jī)元件在執(zhí)行提取指令時(shí)所具有的選擇空間也就越大，在此情況下，所獲得的參量提取結(jié)果也就越符合實(shí)際應(yīng)用需求[9]。由于圖像高維特征參量的分布狀態(tài)并沒有明顯的規(guī)律性，所以在建立線性攝像機(jī)模型時(shí)，還需對(duì)既定節(jié)點(diǎn)在X軸、Y軸、Z軸三個(gè)方向上的數(shù)值分量進(jìn)行綜合考慮。設(shè)ex表示圖像高維特征參量在X軸方向上的數(shù)值分量，ey表示Y軸方向上的數(shù)值分量，ez表示Z軸方向上的數(shù)值分量，線性攝像機(jī)模型表達(dá)式為：

式中，β表示視覺坐標(biāo)系中的像素特征提取系數(shù)，φ表示圖像高維特征在視覺坐標(biāo)系中的布局系數(shù)。在機(jī)器視覺技術(shù)的約束作用下，只有線性攝像機(jī)模型對(duì)于圖像高維特征參量的容納能力足夠強(qiáng)，最終所得的圖像特征提取結(jié)果才能夠符合實(shí)際應(yīng)用需求[10]。

2 圖像高維特征智能提取

2.1 尺度空間金字塔的構(gòu)建

尺度空間金字塔是一種行為標(biāo)準(zhǔn)，能夠按照既定順序?qū)⒋幚韴D像特征參量排列起來，從而避免投影向量之間出現(xiàn)相互遮擋的情況，實(shí)現(xiàn)對(duì)所得向量與真實(shí)向量之間長(zhǎng)度差值水平的有效控制[11-12]。在圖1 所示的尺度空間金字塔模型中，視覺坐標(biāo)系的數(shù)值容納能力最強(qiáng)，這就表示所有待提取圖像特征參量的定義形式都必須滿足視覺坐標(biāo)系的劃分標(biāo)準(zhǔn)。

11月5日，國(guó)家主席習(xí)近平出席首屆中國(guó)國(guó)際進(jìn)口博覽會(huì)開幕式并發(fā)表題為《共建創(chuàng)新包容的開放型世界經(jīng)濟(jì)》的主旨演講，強(qiáng)調(diào)：回顧歷史，開放合作是增強(qiáng)國(guó)際經(jīng)貿(mào)活力的重要?jiǎng)恿?；立足?dāng)今，開放合作是推動(dòng)世界經(jīng)濟(jì)穩(wěn)定復(fù)蘇的現(xiàn)實(shí)要求；放眼未來，開放合作是促進(jìn)人類社會(huì)不斷進(jìn)步的時(shí)代要求。各國(guó)都應(yīng)該積極推動(dòng)開放合作，實(shí)現(xiàn)共同發(fā)展，開創(chuàng)人類更加美好的未來。中國(guó)推動(dòng)更高水平開放的腳步不會(huì)停滯，推動(dòng)建設(shè)開放型世界經(jīng)濟(jì)的腳步不會(huì)停滯，推動(dòng)構(gòu)建人類命運(yùn)共同體的腳步不會(huì)停滯。

圖1 尺度空間金字塔的結(jié)構(gòu)簡(jiǎn)圖

設(shè)s表示圖像高維特征參量的縱向排列系數(shù)，γ表示橫向排列系數(shù)，表示圖像尺度向量均值，ι1、ι2表示兩個(gè)不相等的空間標(biāo)記向量。聯(lián)立上述物理量，可將圖像高維特征的尺度空間金字塔表達(dá)式定義為：

尺度空間金字塔模型不但可以對(duì)圖像高維特征參量進(jìn)行重排處理，還可以保證待運(yùn)算數(shù)據(jù)的收斂性能力。

2.2 高維特征提取

對(duì)于圖像高維特征參量而言，由于不同信息所屬的層級(jí)類別不同，所以與之相匹配的收斂性條件也就有所不同。簡(jiǎn)單來說，收斂特性是處理主機(jī)判定圖像高維特征參量所處層級(jí)組織的關(guān)鍵條件，在機(jī)器視覺理論的影響下，收斂性強(qiáng)的圖像高維特征參量在尺度空間金字塔中所對(duì)應(yīng)的存儲(chǔ)位置也就相對(duì)較高；反之，若圖像高維特征參量的收斂性能力較弱，就表示其在尺度空間金字塔中所處的存儲(chǔ)位置也就相對(duì)較低[13-14]。

設(shè)i表示高維特征，r表示低維特征，且兩者的初始取值都等于自然數(shù)1，可將圖像高維特征提取模型表示為：

式中，di表示高維存儲(chǔ)向量，dr表示低維存儲(chǔ)向量，f表示圖像特征分辨系數(shù)，表示收斂性指征。隨著待處理圖像高維特征參量賦值條件的改變，復(fù)雜度智能參量表達(dá)式的求解結(jié)果也會(huì)不斷發(fā)生變化。

2.3 復(fù)雜度智能參量

復(fù)雜度智能參量是一項(xiàng)矢量化指標(biāo)，可以根據(jù)圖像高維特征節(jié)點(diǎn)的收斂特性，判斷當(dāng)前所執(zhí)行的機(jī)器視覺復(fù)原機(jī)制是否能夠滿足提取特征參量指征的處理需求[15-16]。

在尺度空間金字塔框架結(jié)構(gòu)中，待復(fù)原圖像高維特征參量的收斂性能力越強(qiáng)，相鄰參量節(jié)點(diǎn)之間的映射關(guān)系也就越明顯，在此情況下求解所得的復(fù)雜度參量指標(biāo)也就越能反映出圖像高維特征參量的實(shí)際排列形式。設(shè)c1,c2,…,cn表示n個(gè)不同的圖像高維特征智能參量節(jié)點(diǎn)定標(biāo)值，g表示基于機(jī)器視覺復(fù)原機(jī)制的特征映射系數(shù)。在上述物理量的支持下，可將復(fù)雜度智能參量表達(dá)式定義為：

在復(fù)雜度參量的支持下，按照機(jī)器視覺復(fù)原機(jī)制的執(zhí)行標(biāo)準(zhǔn)，對(duì)相關(guān)系數(shù)指標(biāo)進(jìn)行處理，完成圖像高維特征智能提取算法的設(shè)計(jì)與應(yīng)用。

3 實(shí)例分析

3.1 實(shí)驗(yàn)準(zhǔn)備

選擇輪轂結(jié)構(gòu)作為實(shí)驗(yàn)對(duì)象，利用圖2 所示3D視覺軟件對(duì)其進(jìn)行復(fù)原處理。在復(fù)原后圖像中選擇八個(gè)連接軸作為監(jiān)測(cè)向量，分別利用實(shí)驗(yàn)組、對(duì)照組方法，對(duì)監(jiān)測(cè)圖像高維特征進(jìn)行提取處理。

圖2 3D輪轂的視覺復(fù)原圖像

3.2 數(shù)據(jù)分析

投影向量與真實(shí)向量之間的長(zhǎng)度差值能夠反映出所選監(jiān)測(cè)方法對(duì)于圖像高維特征的提取能力。在不考慮其他干擾條件的情況下，投影向量與真實(shí)向量之間的長(zhǎng)度差值越小，表示所選監(jiān)測(cè)方法對(duì)于圖像高維特征的提取能力越強(qiáng)。

表1 為3D 輪轂連接軸真實(shí)向量長(zhǎng)度及其投影向量的理想長(zhǎng)度數(shù)值。

表1 3D輪轂連接軸數(shù)值

利用表1 數(shù)據(jù)，對(duì)比在實(shí)驗(yàn)組、對(duì)照組提取算法作用下3D 輪轂連接軸投影向量的長(zhǎng)度數(shù)值，測(cè)試結(jié)果如圖3 所示。

圖3 投影向量的對(duì)比測(cè)試

根據(jù)圖3 的測(cè)試結(jié)果可知，3D 輪轂連接軸真實(shí)向量長(zhǎng)度均值為0.276 3 m，該文方法下3D 輪轂連接軸投影向量長(zhǎng)度均值也為0.275 0 m，與真實(shí)向量長(zhǎng)度下相差不大，相比之下，對(duì)照組發(fā)3D 輪轂連接軸投影向量的長(zhǎng)度與真實(shí)情況出現(xiàn)較大偏差，說明該文方法應(yīng)用效果較優(yōu)。

綜上可知，對(duì)于3D 輪轂?zāi)Ｐ投裕S著機(jī)器視覺技術(shù)的應(yīng)用，所選監(jiān)測(cè)對(duì)象投影向量與真實(shí)向量之間的差值水平得到了有效控制，與改進(jìn)SIFT 的提取方法相比，更符合準(zhǔn)確提取圖像高維特征的實(shí)際應(yīng)用需求。

4 結(jié)束語

在改進(jìn)SIFT 提取方法的基礎(chǔ)上，新型圖像高維特征智能提取算法按照機(jī)器視覺理論的實(shí)踐標(biāo)準(zhǔn)，對(duì)圖像參數(shù)進(jìn)行標(biāo)定處理，又根據(jù)尺度空間金字塔建立原則，判斷圖像高維特征的收斂特性，從而得到準(zhǔn)確的復(fù)雜度參量指標(biāo)計(jì)算結(jié)果。在實(shí)用性方面，隨著機(jī)器視覺理論的應(yīng)用，圖像投影向量與真實(shí)向量之間的差值水平可被控制在0.01 m 左右，在準(zhǔn)確提取圖像高維特征方面能夠起到較強(qiáng)的促進(jìn)性作用。