基於形狀稀疏表示的聯合目標分割和識別方法

2023-05-30 22:39:51 3

專利名稱：基於形狀稀疏表示的聯合目標分割和識別方法
技術領域：
本發明涉及一種圖像分割和目標識別方法，特別涉及一種基於形狀稀疏表示的聯合目標分割和識別方法。
背景技術：
在圖像處理和計算機視覺領域，圖像分割和目標識別處於不同的層次，圖像分割屬於低層任務，目標識別屬於高層任務。在實際應用中，僅僅利用低層信息來進行圖像分割並不能取得理想的結果，而將低層特徵和高層信息結合起來則可以提高分割精度。對於熟悉目標的分割和識別來說，利用目標形狀的先驗信息來提高目標分割精度已成為一種熱門 的分割方法，許多學者根據該思路提出了許多具體的方法。但是，由於受諸如噪聲、目標被遮擋、目標信息缺失或背景雜亂等幹擾因素的影響，這類方法往往不能取得理想的分割效果。同時，將分割和識別整合到一個框架中來，即同時實現目標分割和目標識別，仍舊是個有待解決的問題。近些年來，基於變分的水平集方法由於其在圖像分割過程中可以較好地考慮形狀先驗信息而被廣泛研究應用，水平集方法是一種基於曲線演化的方法，而所有的基於曲線演化的方法都可以認為是數據項和形狀約束項共同作用的，幾何主動輪廓模型和Chan-Vese (—種由T. Chan和L. Vese兩人提出的一種圖像分割模型)模型是其中常見的兩種由數據項來指引主動輪廓演化的方法，之後眾多學者在這兩個模型的基礎上提出了很多方法，如將形狀統計信息融合進幾何主動輪廓模型中去，在Chan-Vese模型中提出一種不同的不相似性度量方法，提出了臨時形狀一致性和學習動態統計形狀模型，在水平集的曲線演化函數中增加對稱性約束來實現對近似對稱目標的分割。常規的形狀可以由符號距離函數SDF來表示，這樣就可以很容易地將形狀作為一個形狀約束項融合到水平集變分方法中去。近來，基於主成分分析法PCA的統計形狀模型已被成功地應用於變分分割方法中，PCA的應用主要是為了去除訓練集中的冗餘信息，降低數據量。現有的大多數基於水平集的分割方法只考慮相似的先驗形狀，且基於如下假設，即訓練形狀可以被近似認為符合均勻分布或高斯分布，但在實際應用中，該假設往往是不成立。用SDF表示的形狀與水平集框架是一致的，具有參數自由和拓撲變化易處理的優點，但同時也有如下兩個缺點其一，SDF空間是非線性空間，如平均形狀的線性組合就不再是一個有效的形狀；其二，大多數基於形狀先驗信息的水平集方法都是基於識別的分割，這類方法只能分割那些類別已知，且與先驗形狀較相似的目標。同時，在信號處理領域，稀疏性的追求也得到了人們的廣泛關注，通過構造一個K行N列的字典矩陣字典矩陣D,其中D中每列都代表一個參考信號,這樣測試信號y可以表示為這些參考信號的稀疏線性組合。追求稀疏性的問題就可以表示為最小化稀疏係數X，
即X = arg min X Q subject to Dx = y但是該式要得到一個準確的}是幾乎不可能的，因為有很多個^可以滿足上式，該最優化問題是非凸的，即所謂的NP(Nondeterministic Polynomial,非確定性多項式)難題。若將上式中的O-範數(I X I0)換成I-範數(I X I1),則可以得到一個唯一的稀疏係數向量$。這裡所謂P-範數(P可以取1、2)為I |x| |p= (|Xl|p+|X2|p+*+|Xn|p)l/p，而0-範數(I |x| Io)就是求取某個向量中非零元素的個數。Chen等人在變分分割模型中引入了形狀稀疏表達來實現目標識別，他們將先驗知識作為一個訓練形狀集，對熟悉目標的分割來說，目標形狀可以近似的表示為訓練形狀的稀疏線性組合，他們採用概率定義下的形狀。這種方法有一些不足之處，首先它是假設演變的形狀和參考形狀的稀疏線性組合是等同的，而實際情況並非如此；其次該方法的目標識別效率差，尤其是在訓練樣本集規模很大的情況下。

發明內容
為了克服現有分割方法中往往由於受噪聲幹擾，背景雜亂，目標重疊，數據缺失等因素影響引起的圖像分割質量不佳，目標分割和目標識別同時進行時效率低下等問題，本發明提出了一種基於形狀稀疏表示的聯合目標分割和識別方法，能實現了目標分割和目標識別同步完成。為解決上述技術問題，本發明提出一種基於形狀稀疏表示的聯合目標分割和識別方法，採用概率定義來表示參考形狀和目標形狀，所採用的技術方案包括A)對第一參考形狀集進行K均值聚類處理，得到第二參考形狀集；B)對所述第二參考形狀集採用主成分分析方法PCA進行降維處理，得到第三參考形狀集；C)初始化稀疏係數向量得到第一稀疏係數向量；D)初始化形狀參數得到第一形狀參數；E)對所述第三參考形狀集採用第一稀疏係數向量進行稀疏線性組合得到第一目標形狀；F)用所述第一形狀參數、圖像低層數據和所述第一目標形狀來構造目標函數；G)採用交替迭代法來求解所述目標函數得到第二形狀參數和第二稀疏係數向量;H)判斷求得的結果是否符合精度要求，若是，則執行I);否則，將第二形狀參數賦值給第一形狀參數，第二稀疏係數向量賦值給第一稀疏係數向量，返回E)繼續執行。I)對所述第二形狀參數採用反向PCA處理，得到第二目標形狀，實現目標分割； J)根據類間殘差最小原則，由所述第二稀疏係數向量和所述第二形狀參數得到所述第二目標形狀所屬的類別，實現目標識別。作為優選，所述目標函數包括數據項〈teyO+ dlVgnj和形狀稀疏約束項A \\As-a\l + f52 II^II1，優化所述目標函數的公式為{ , 0, K 外=arg min{A \\As-af2 + f521卜I1 + (qa,e,h, r) + ^qa,e,h |[ I
s,0,h,a其中A是第三參考形狀集，s是第一稀疏係數向量，a是第一形狀參數，P1, 02，u是常係數，qa,e,h是a對應的形狀，0是姿態參數，h是平移參數，r = Rtj(U)-Rb (u) ,Rtj(U)=-log p0 (u), Rb (u) = -log pb (u), p0 (u)和pb (u)分別為圖像u中目標區域和背景區域的概率直方圖，代表圖像低層數據。作為優選，步驟G)中所述「採用交替迭代法來求解所述目標函數得到第二形狀參數和第二稀疏係數向量」包括以下步驟假設S1已知，採用梯度下降法求解a \ 0 1和h權利要求
1.一種基於形狀稀疏表示的聯合目標分割和識別方法，採用概率定義來表示參考形狀和目標形狀，其特徵在於包括 A)對第一參考形狀集進行K均值聚類處理，得到第二參考形狀集； B)對所述第二參考形狀集採用主成分分析方法PCA進行降維處理，得到第三參考形狀集; C)初始化稀疏係數向量得到第一稀疏係數向量； D)初始化形狀參數得到第一形狀參數； E)對所述第三參考形狀集採用第一稀疏係數向量進行稀疏線性組合得到第一目標形狀； F)用所述第一形狀參數、圖像低層數據和所述第一目標形狀來構造目標函數； G)採用交替迭代法來求解所述目標函數得到第二形狀參數和第二稀疏係數向量； H)判斷求得的結果是否符合精度要求，若是，則執行I);否則，將第二形狀參數賦值給第一形狀參數，第二稀疏係數向量賦值給第一稀疏係數向量，返回E)繼續執行。
I)對所述第二形狀參數採用反向PCA處理，得到第二目標形狀，實現目標分割； J)根據類間殘差最小原則，由所述第二稀疏係數向量和所述第二形狀參數得到所述第二目標形狀所屬的類別，實現目標識別。
2.根據權利要求I所述的基於形狀稀疏表示的聯合目標分割和識別方法，其特徵在於所述目標函數包括數據項〈&V〉+叫|v知4和形狀稀疏約束項Α|Α-^+AM，優化所述目標函數的公式為{ ，Θ, K 幻=arg minlA ||^ - α\ζ + β2 丨丨^ + {qaJ) h，r〉+ 叫|▽知，Θ，Α || } sfi,h,a 其中A是第三參考形狀集，s是第一稀疏係數向量，α是第一形狀參數，β1; β2，υ是常係數，qa,e,h是α對應的形狀，Θ是姿態參數，h是平移參數，r = Rtj(U)-Rb(u) ,Rtj(U)=-log p。(u), Rb (u) = -log pb (u), p0 (u)和pb (u)分別為圖像u中目標區域和背景區域的概率直方圖，代表圖像低層數據。
3.根據權利要求I所述的基於形狀稀疏表示的聯合目標分割和識別方法，其特徵在於步驟G)中所述「採用交替迭代法來求解所述目標函數得到第二形狀參數和第二稀疏係數向量」包括以下步驟 假設S1已知，採用梯度下降法求解α \ Θ 1和h1} = arg mma 0 A β, \\Asl -α\ζ+ [qa e h ,r) 根據求得的α1、Θ1和h1，採用軟閾值方法求解s1+1 sl+l =^2(sl -5AT(Asl -a)) 其中S是迭代步長、+,、是軟閾值函數，其定義為 2，A是 rIfiMoI ο ^ < β2第三參考形狀集，s是第一稀疏係數向量，a是第一形狀參數，^^是常係數^唚^^是a對應的目標形狀，Θ是姿態參數，h是平移參數，I表示第I次迭代過程，Si表示向量S中的第i個元素。
4.根據權利要求I所述的基於形狀稀疏表示的聯合目標分割和識別方法，其特徵在於步驟J)中所述「根據類間殘差最小原則，由所述第二稀疏係數向量和所述第二形狀參數得到所述第二目標形狀所屬的類別，實現目標識別」公式為
全文摘要
本發明公開了一種涉及圖像分割和目標識別中的基於形狀稀疏表示的聯合目標分割和識別方法，包括對第一參考形狀集進行K均值聚類處理，得到第二參考形狀集；對所述第二參考形狀集進行PCA降維處理，得到第三參考形狀集；初始化第一稀疏係數向量和第一形狀參數；對所述第三參考形狀集採用第一稀疏係數向量進行稀疏線性組合得到第一目標形狀；用所述第一形狀參數、圖像低層數據和第一目標形狀來構造目標函數；採用交替迭代法求解目標函數得到第二形狀參數和第二稀疏係數向量；對所述第二形狀參數採用反向PCA處理得到第二目標形狀，實現目標分割；根據所述第二稀疏係數向量和所述第二形狀參數得到所述第二目標形狀的類別，實現目標識別。
文檔編號G06K9/62GK102663425SQ20121008729
公開日2012年9月12日 申請日期2012年3月29日 優先權日2012年3月29日
發明者于慧敏, 潘能傑, 胡浩基, 陳飛 申請人:浙江大學