蘆 兵 孫 俊 許曉東

1(江蘇大學(xué)信息化中心 江蘇 鎮(zhèn)江 212013) 2(江蘇大學(xué)電氣信息工程學(xué)院 江蘇 鎮(zhèn)江 212013)

0 引 言

圖像目標(biāo)的識(shí)別就是對(duì)圖像中表征物各種形式的可獲取信息進(jìn)行處理和分析,對(duì)目標(biāo)物進(jìn)行描述、辨認(rèn)、分類和解釋的過程。對(duì)圖像目標(biāo)特征的提取和描述效率是構(gòu)建特征匹配模型的關(guān)鍵[1-3]。尺度不變特征變換(SIFT)[4]和加速魯莽特征(SURF)算法[5]因其優(yōu)秀的特征表述能力和較強(qiáng)的魯莽性被廣泛應(yīng)用于目標(biāo)識(shí)別、特征匹配等領(lǐng)域。隨著工業(yè)應(yīng)用的不斷深入，對(duì)目標(biāo)提取效率的要求越來越高，而現(xiàn)有算法更多地關(guān)注于圖像的底層特征，實(shí)際提取到的底層特征中往往存在較多的噪聲干擾和冗余。如何對(duì)提取到的底層特征進(jìn)行二次整合，使得整合過的圖像數(shù)字化表征能夠更好地反映圖像目標(biāo)的語義內(nèi)容，解決圖像底層視覺特征和高級(jí)應(yīng)用之間的語義鴻溝是問題的關(guān)鍵[6]，也是當(dāng)前基于語義的目標(biāo)特征構(gòu)建技術(shù)的研究熱點(diǎn)。文獻(xiàn)[7]在基于圖像顏色、邊緣等低層局部特征的基礎(chǔ)上，提出了一種層次化的高級(jí)語義映射關(guān)系，再利用Bayes分類方法建立特征模型。文獻(xiàn)[8]通過神經(jīng)網(wǎng)絡(luò)算法，以目錄分類的語義形式對(duì)圖像進(jìn)行組織，然后通過非層次的分類方法進(jìn)行圖像目標(biāo)檢測(cè)。文獻(xiàn)[9]提出了基于屬性的圖像目標(biāo)描述方法，通過圖像屬性語義進(jìn)行圖像目標(biāo)特征匹配。文獻(xiàn)[10]提出了一種增量構(gòu)建大規(guī)模圖像內(nèi)容檢索的方法，通過反饋學(xué)習(xí)機(jī)制提升圖像語義屬性。

上述幾種方法在構(gòu)建目標(biāo)特征模型的時(shí)候，均需要圖像庫中具備所有目標(biāo)特征屬性的完備特征信息，忽視了圖像庫中特征屬性元素之間的相互組合利用。當(dāng)被識(shí)別目標(biāo)的種類發(fā)生變化的時(shí)候，需要重新訓(xùn)練以完善圖像庫中的屬性特征信息，顯然，這將極大地影響目標(biāo)識(shí)別的效率。

為此，本文引入計(jì)算機(jī)文本檢測(cè)領(lǐng)域內(nèi)具有高效率的正則表達(dá)式方法，對(duì)其在圖像目標(biāo)識(shí)別特征模型構(gòu)建上的語義描述進(jìn)行引申定義。由于正則表達(dá)語義具有較強(qiáng)的靈活性和適配性，當(dāng)被識(shí)別目標(biāo)發(fā)生變化時(shí)，利用正則表達(dá)式的語義規(guī)則能夠?qū)D像庫中相關(guān)特征屬性元素進(jìn)行快速的重新組織，從而能夠快速地定義出被識(shí)別目標(biāo)的特征屬性模型。

1 正則表達(dá)式的語義

1.1 正則表達(dá)式的通俗定義

正則表達(dá)式是計(jì)算機(jī)科學(xué)中用于檢索、替換某些符合某種描述規(guī)則的文本所使用的一個(gè)概念。正則表達(dá)式是對(duì)字符串進(jìn)行描述和通配操作的一種邏輯公式，實(shí)現(xiàn)過程是賦予一些特定字符以及這些特定字符的組合已約定好的特殊意義。通過事先定義好的語義規(guī)則組成一個(gè)“規(guī)則字符串”，這個(gè)“規(guī)則字符串”用來表達(dá)對(duì)字符串的一種過濾邏輯。如果給定一個(gè)定義好的正則表達(dá)式和另一個(gè)待識(shí)別字符串，可以達(dá)到如下的目的：

1) 給定的字符串是否符合正則表達(dá)式的過濾邏輯(稱作“匹配”)；

2) 可以通過正則表達(dá)式，從字符串中獲取我們想要的特定部分。

1.2 正則表達(dá)式的特點(diǎn)

1) 靈活性、邏輯性和功能性非常的強(qiáng)；

2) 可以迅速地用極簡(jiǎn)單的方式達(dá)到字符串的復(fù)雜控制。

正則表達(dá)式的描述因子均為文本模式的字符，包括a-z之間的字母等普通字符和一些特殊符號(hào)(稱為“元字符”)。通過正則表達(dá)式定義出來的描述模式在搜索文本時(shí)會(huì)匹配一個(gè)或多個(gè)滿足正則語義的字符串。表1中包含了部分元字符以及它們?cè)谡齽t表達(dá)式上下文中的行為。

表1 正則表達(dá)式的部分語法

表2中通過對(duì)正則表達(dá)式元字符規(guī)則的應(yīng)用，可以檢測(cè)和匹配到特定內(nèi)容的文本，極大地提高內(nèi)容檢索效率。

表2 正則表達(dá)式示例

1.3 圖像中的引申語義

相對(duì)于文本對(duì)象，用于描述圖像特征的“字元素”可以用線條、顏色、形狀、位置等來定義。用于描述圖像特征的“字元素”可以稱之為基礎(chǔ)“像元素”。

表3為引申定義用于描述圖像特征的部分“像元素”。其中線條按線形可以分為：水平直線、斜線、直角線、弧線、S形弧線等常規(guī)線條以及其他自定義線形等。形狀庫包含：正方形、長(zhǎng)方形、圓形、半圓形、菱形、心形等常規(guī)形狀，以及其他自定義的非常規(guī)圖形。顏色庫通過字母加數(shù)字的方式標(biāo)示，如:W12,其中第一位字母代表色系，后面數(shù)字代表亮度，取值范圍為0～255之間。位置信息庫由完全自定義的符號(hào)來描述圖像中的相對(duì)位置信息，如“|(x1)->(x2)|”代表從像元x1位置開始一直水平向右到像元x2結(jié)束，而“|(x1)-^(k)(x2)||”則表示從像元x1開始到其垂直下方像元x2的k處。其中k為可變系數(shù)，可以取0～1之間數(shù)值，如取0.25表示x1到x2之間距離的四分之一處。此處只是給出了水平和垂直位置信息的基礎(chǔ)定義，位置信息的定義符號(hào)和定義規(guī)則可視實(shí)際情況自行定義和添加。本處所描述的像元素庫是一個(gè)開放式的元素庫，用于描述物理特性的技術(shù)指標(biāo)均可以作為像元素庫的一個(gè)基礎(chǔ)指標(biāo)，如角度信息、溫度信息、音色信息、振動(dòng)信息等均可以作為描述目標(biāo)的一個(gè)元素庫指標(biāo)項(xiàng)進(jìn)行擴(kuò)展。把這些像元素按照正則表達(dá)式的語法進(jìn)行組織，能夠快速地定義出圖像的局部特征。比如：|O(B12)->O(B12)||可以表示圖像中匹配水平方向上兩個(gè)藍(lán)色圓形的部分。當(dāng)然也可以像定義文本正則表達(dá)式一樣，用一些更加簡(jiǎn)潔的字符代表圖像正則的“像元素”。

表3 圖像特征的像元素

2 基于正則表達(dá)的特征提取

2.1 角點(diǎn)特征提取

Harris角度檢測(cè)是通過數(shù)學(xué)計(jì)算在圖像上發(fā)現(xiàn)角度特征的一種算法[10]，而且其具有旋轉(zhuǎn)不變性的特質(zhì)。在建立圖像匹配的特征正則表達(dá)式之前，先通過Harris角點(diǎn)[11]檢測(cè)出圖像特征的“字元素”，數(shù)學(xué)原理如下所示：

(1)

式中：w(x,y)用以表示移動(dòng)窗口，I(x,y)表示圖像中像素灰度值強(qiáng)度，取值范圍為0～255之間。依據(jù)泰勒級(jí)數(shù)計(jì)算一階到N階的偏導(dǎo)數(shù)[12]，最后得到一個(gè)Harris矩陣公式：

(2)

按照Harris的矩陣計(jì)算矩陣特征值λ1、λ2,然后計(jì)算獲得Harris角度響應(yīng)值：

R=detM-K(traceM)2detM=λ1λ2traceM=λ1+λ2

(3)

式中：變量因子K[13]為系數(shù)值，通常取值范圍為0.04～0.06之間。

2.2 距離特征提取

為了提高對(duì)位置信息的描述相率，在計(jì)算特征向量位置信息時(shí)，采用D4模型進(jìn)行計(jì)算：

D4(P,Q)=|xp-xq|+|yp-yq|

(4)

D4距離也就是街區(qū)距離，它只選擇橫豎兩個(gè)方向計(jì)算相對(duì)距離。

2.3 顏色特征提取

對(duì)每種顏色通道提取一階、二階和三階矩進(jìn)行統(tǒng)計(jì)，設(shè)hij表示第i個(gè)顏色通道分量中灰度為j的像素出現(xiàn)的概率，n為總像素?cái)?shù)目，則顏色矩的三個(gè)低階矩?cái)?shù)學(xué)表達(dá)式為：

(5)

(6)

(7)

這3個(gè)低階矩分別稱為均值、方差和偏斜度。

圖1是目標(biāo)原始圖，圖2是被識(shí)別物的邊緣連通情況，圖3是通過Harris方法得到的角點(diǎn)，所標(biāo)注的角點(diǎn)是通過連通性選擇之后提取的輪廓特征點(diǎn)。在圖3的基礎(chǔ)上選擇最能夠描述圖像特征的特征點(diǎn)，參照像元素庫中的定義提取像元素，見圖4。首先對(duì)目標(biāo)外圍特征點(diǎn)進(jìn)行連通性連接，然后在連通圖塊內(nèi)部按照最大相似度原則[13]進(jìn)行像元素的切割。即切割后的局部特征能夠在像元素庫中找到最相似的“像元素”。在切割后的圖4中可以提取到形狀像元素：梯形、長(zhǎng)方形、圓形。提取到的顏色像元素為：W12(白色12號(hào))、B10(黑色10號(hào))，提取到的位置像元素信息為“|-^||”(從上邊位置到下邊位置)、“|-^(0.25)||”(從上邊位置到下面位置的四分之一處)、“|-^|(0.75)|”(從上邊位置到下邊位置的四分之三處)。最終提取到的基礎(chǔ)“像元素”如表4所示。

圖1 匹配目標(biāo)原始圖

圖2 邊緣連通圖

圖3 角點(diǎn)特征提取

圖4 圖像像元素提取示例圖

形狀顏色位置|-^||從上邊位置到下邊位置|-^(0.25)||從上邊位置到下面位置的四分之一處|-^|(0.75)|從上邊位置到下邊位置的四分之三處

基于表4中的像元素，可以構(gòu)建出基于像元素的目標(biāo)匹配正則表達(dá)式:

^(0.25)○(B10)|||-^(0.75)○(B10)‖

(8)

按照表達(dá)式(4)中正則表達(dá)的語義可以快速定義出待匹配目標(biāo)的特征模型,如圖5所示。

圖5 特征模型

圖5為通過正則表達(dá)式(8)所描述出的待識(shí)別目標(biāo)最大相似性特征模型。通過特征模型和待匹配目標(biāo)所在圖的最大相似性比較[14]，可以確定出待匹配目標(biāo)在圖中所在位置，如圖6所示。

圖6 特征匹配圖

通過選取167行的特征分布，可以對(duì)特征模型和待匹配對(duì)象進(jìn)行特征相似度比較如圖7、圖8所示。

圖7 待匹配目標(biāo)特征分布

圖8 匹配模型特征分布

通過比較可以看出，模型特征的分布基本和待識(shí)別目標(biāo)特征分布情況基本一致，說明利用像元素作為基元的正則表達(dá)式完全可以定義出待匹配目標(biāo)的模型。

3 結(jié)果與分析

為了分析基于正則表達(dá)式特征提取的效果，使用固定視角下目標(biāo)圖像進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)中，選取能夠最大化反映目標(biāo)物物理特征的視角進(jìn)行圖像采集。然后通過選取特征像元素庫中的基礎(chǔ)像元素，在正則表達(dá)式的語法組織下快速建立目標(biāo)特征模型，實(shí)現(xiàn)對(duì)圖像目標(biāo)的快速識(shí)別(見圖9)。本實(shí)驗(yàn)使用SIFT和SURF兩種識(shí)別方法作為實(shí)驗(yàn)對(duì)比，MATLAB11中完成特征建模和目標(biāo)匹配。表5是對(duì)比試驗(yàn)結(jié)果，在視角不變情況下，本文方法在識(shí)別率和識(shí)別時(shí)間上均略優(yōu)于傳統(tǒng)的SURF和SIFT算法。

圖9 部分訓(xùn)練樣本示例

算法平均時(shí)間/ms識(shí)別率/%SURF90.285.3SIFT112.686.2本文算法60.387.5

4 結(jié) 語

基于元字符的正則表達(dá)式因其匹配效率高，適配性好，已在文本字符檢索中得到了廣泛的應(yīng)用，圖像匹配和字符匹配雖然在匹配內(nèi)容上存在較大差異，但在匹配方法上可以找到其共同性[15]。即都可以通過有規(guī)律地組織基礎(chǔ)元素構(gòu)建匹配模型的方法，對(duì)目標(biāo)進(jìn)行識(shí)別?；诖它c(diǎn)共同性，本文將正則表達(dá)式的語義通過賦予圖形屬性特征進(jìn)行了引申定義，引入了“像元素”的新概念和語義規(guī)則。實(shí)驗(yàn)表明，通過編寫圖像匹配正則表達(dá)式，完全能夠快速、便捷地建立圖像特征匹配模型，達(dá)到目標(biāo)圖像快速識(shí)別的目的。

[1] Wu Bin,Zhou Hongyan.Image feature extraction method of planar target based on homography[J].Society for Optical Engineering,2011,357:632-640.

[2] Mei C,Gong Z,Wu D Q,et al.A pattern recognition method based on linguistic ordered weighted distance measure[J].Journal of Intelligent & Fuzzy Systems Applications in Engineering & Technology,2014,27(4):1897-1903.

[3] Licsár A,Szirányi T.Supervised training based hand gesture recognition system[C]//International Conference on Pattern Recognition,2002:999-1002.

[4] Tekin N,Peker K A.Matching day and night location images using SIFT and logistic regression[C]//Signal Processing and Communications Applications Conference.IEEE,2015:1615-1618.

[5] 林曉帆,林立文,鄧濤.基于SURF描述子的遙感影像配準(zhǔn)[J].計(jì)算機(jī)工程,2010,36(12):216-218.

[6] 宋芳琴.基于Union-Find的圖像聚類方法[J].計(jì)算機(jī)應(yīng)用與軟件,2015,32(7):319-322.

[7] Vailaya A,Figueiredo M A T,Jain A K,et al.Bayesian framework for semantic classification of outdoor vacation images[C]//Storage and Retrieval for Image and Video Databases VII.Storage and Retrieval for Image and Video Databases VII,1998.

[8] Town C P,Sinclair D.Content based image retrieval using semantic visual categories[R].Cambridge:AT&T Lab,2000.

[9] Farhadi A,Endres I,Hoiem D,et al.Describing objects by their attributes[C]//Computer Vision and Pattern Recognition,2009.CVPR 2009.IEEE Conference on.IEEE,2009:1778-1785.

[10] Wang D,Zhang B,Zhang P,et al.An online core vector machine with adaptive MEB adjustment[J].Pattern Recognition,2010,43(10):3468-3482.

[11] Wang W,Tang Y P,Ren J L,et al.Improved algorithm for Harris corner detection[J].Optics & Precision Engineering,2008,16(10):1-4.

[12] Wang X G,Wang Z H,Wu F C.Harris correlation and feature matching[J].Moshi Shibie Yu Rengong Zhineng/pattern Recognition & Artificial Intelligence,2009,22(4):505-513.

[13] Ryu J B,Park H H.Log-log scaled Harris corner detector[J].Electronics Letters,2010,46(24):1602-1604.

[14] 葉鵬,王琰.基于融合圖像特征的角點(diǎn)提取方法[J].沈陽理工大學(xué)學(xué)報(bào),2010,29(2):74-76.

[15] 邵翔宇,劉勤讓,譚力波.基于規(guī)則模板的正則表達(dá)式分組算法[J].電子學(xué)報(bào),2016,44(1):236-240.

[16] Blasch E P,Huang S H.Multilevel feature-based fuzzy fusion for target recognition[C]//Proceedings of SPIE- The International

Society for Optical Engineering,2000,4051:279-288.

[17] Ding J,Liu H W,Wang Y H,et al.SAR Target Recognition by Combining Images of the Shadow Region and Target Region[J].Journal of Electronics & Information Technology,2015,37(3):594-600.

[18] 陳世偉,楊小岡,張勝修,等.基于自適應(yīng)上下文信息的目標(biāo)相對(duì)定位方法[J].系統(tǒng)工程與電子技術(shù),2016,38(5):984-989.

[19] 賈平,徐寧,張葉.基于局部特征提取的目標(biāo)自動(dòng)識(shí)別[J].光學(xué)精密工程,2013,21(7):1898-1905.