欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2020107773415
申请人: 苏州大学
专利类型:发明专利
专利状态:未下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.一种轮廓形状识别方法,其特征在于:该方法包括以下步骤:步骤一、抽样提取形状样本的轮廓显著特征点;

步骤二、使用三种形状描述子,计算形状样本在半全局尺度中的形状特征函数;

步骤三、以单像素为间距划分尺度,得到全尺度空间下的形状特征函数;

步骤四、将各个尺度下的形状特征函数值存入矩阵,得到全尺度空间下形状样本的三种形状特征的灰度图表达;

步骤五、将该形状样本的三种形状特征的灰度图表达作为RGB三个通道合成一张彩色特征表达图像;

步骤六、将该形状样本与彩色特征表达图像同时作为输入,构建双流卷积神经网络;

步骤七、训练双流卷积神经网络,将测试样本输入至训练好的网络模型中,实现轮廓形状分类识别。

2.根据权利要求1所述的一种轮廓形状识别方法,其特征在于:所述步骤一中,提取形状样本的轮廓显著特征点的方法为:每一个形状样本的轮廓是由一系列抽样点组成的,对于任一形状样本S来说:S={px(i),py(i)|i∈[1,n]}

其中,px(i),py(i)为轮廓抽样点p(i)在二维平面内的坐标,n为轮廓长度;

对形状样本的轮廓曲线进行演化来提取显著特征点,在每一次演化过程中,对目标识别起到贡献最小的点被删除;其中每个点p(i)的贡献定义为:其中,b(i,i-1)为点p(i)与p(i-1)间的曲线长度,b(i,i+1)为点p(i)与p(i+1)间的曲线长度,B(i)为线段p(i)p(i-1)与线段p(i)p(i+1)间的角度,长度b根据轮廓周长进行归一化;K(i)值越大表示点p(i)对形状特征的贡献越大;

为了克服轮廓显著特征点提取过多或过少,引用一个基于区域的自适应结束函数F(t):其中S0为原始形状的面积,St为经过t次演变后的面积,n0为原始形状轮廓上的总点数;

当此结束函数值F(t)超过设定阈值后,轮廓显著特征点提取结束。

3.根据权利要求2所述的一种轮廓形状识别方法,其特征在于:所述步骤二中,计算形状样本在半全局尺度中的形状特征函数的具体方法为:使用三种形状描述子M:

M={sk(i),lk(i),ck(i)|k∈[1,m],i∈[1,n]}其中,sk,lk,ck为尺度k中归一化的面积s、弧长l和重心距c三个不变量,k为尺度标签,m为总尺度数;分别定义这三个形状不变量描述子:以一轮廓抽样点p(i)为圆心,即目标轮廓点,以初始半径 作预设圆C1(i),该预设圆即为目标轮廓点的初始半全局尺度;得到预设圆C1(i)后,三种形状描述子计算方式如下:在计算s1(i)描述子时,将预设圆C1(i)中的与目标轮廓点p(i)具有直接连接关系的区域Z1(i)的面积记为 则有:其中,B(Z1(i),x)为一指示函数,定义为

将Z1(i)的面积与预设圆C1(i)面积的比值作为目标轮廓点的多尺度不变量描述子的面积参数s1(i):s1(i)的取值范围应当在0到1之间;

在计算c1(i)描述子时,首先计算与目标轮廓点p(i)具有直接连接关系的区域的重心,具体为对该区域中所有像素点的坐标值求取平均数,所得结果即为该区域的重心的坐标值,可以表示为:其中,w1(i)即为上述区域的重心;

然后计算目标轮廓点p(i)与重心w1(i)的距离 可以表示为:最后将 与目标轮廓点p(i)的预设圆C1(i)的半径的比值作为该目标轮廓点p(i)多尺度不变量描述子的重心参数c1(i):c1(i)的取值范围应当在0到1之间;

在计算l1(i)描述子时,将预设圆C1(i)内与目标轮廓点p(i)具有直接连接关系的弧段的长度记为 并将 与预设圆C1(i)周长的比值作为该目标轮廓点p(i)的弧长描述子l1(i):其中,l1(i)的取值范围应当在0到1之间;

通过计算得到在尺度标签k=1,初始半径 的半全局尺度下形状样本S的形状特征函数:M1={s1(i),l1(i),c1(i)|i∈[1,n]}。

4.根据权利要求3所述的一种轮廓形状识别方法,其特征在于:所述步骤三中,计算形状样本在全尺度空间下形状特征函数的具体方法为:由于数字图像以一个像素为最小单位,故选择以单个像素作为全尺度空间下的连续尺度变化间隔;即对于第k个尺度标签,设定圆Ck(i)的半径rk:即在初始尺度k=1时, 此后半径rk以一个像素为单位等幅缩小m-1次,直至最小尺度k=m时为止;计算得到全部尺度下形状样本S的形状特征函数:M={sk(i),lk(i),ck(i)|k∈[1,m],i∈[1,n]}。

5.根据权利要求4所述的一种轮廓形状识别方法,其特征在于:所述步骤四中,将各个尺度下的形状特征函数分别存入矩阵,并按照尺度连续变化的顺序合并得到全尺度空间下形状样本三种形状特征的灰度图表达:G={s,l,c}

其中,s,l,c均为尺寸大小是m×n的灰度矩阵。

6.根据权利要求5所述的一种轮廓形状识别方法,其特征在于:所述步骤五中,将该形状样本的三种形状特征的灰度图表达作为RGB三个通道合成一张彩色特征表达图像,作为形状样本S的张量表达Tm×n×3:其中,

7.根据权利要求6所述的一种轮廓形状识别方法,其特征在于:所述步骤六中,构建双流卷积神经网络的结构包括双流输入层、预训练层、全连接层和输出层,所述预训练层由VGG16网络模型前4个模块组成,将该4个模块在imagenet数据集中训练后所得的参数作为初始化参数,预训练层后连接三个全连接层;

预训练层中第1个模块具体包括2层卷积层和1层最大池化层,其中卷积层卷积核数目为64,尺寸大小为3×3,池化层尺寸大小为2×2;第2个模块具体包括2层卷积层和1层最大池化层,其中卷积层卷积核数目为128,尺寸大小为3×3,池化层尺寸大小为2×2;第3个模块具体包括3层卷积层和1层最大池化层,其中卷积层卷积核数目为256,尺寸大小为3×3,池化层尺寸大小为2×2;第4个模块具体包括3层卷积层和1层最大池化层,其中卷积层卷积核数目为512,尺寸大小为3×3,池化层尺寸大小为2×2;每一层卷积的计算公式为:CO=φrelu(WC·CI+θC),

其中,φrelu是relu激活函数,θC是该卷积层的偏置向量;WC是该卷积层的权重;CI是该卷积层的输入;CO是该卷积层的输出;

全连接层模块具体包括3层全连接层,其中第1层全连接层包含4096个节点,第2层全连接层包含1024个节点,第3层全连接层包含N个节点,N代表样本数据集包含的种类数量;其中前2层全连接层的计算公式为:FO=φtan(WF·FI+θF),

其中,φtan为tanh激活函数,θF是该全连接层的偏置向量;WF是该全连接层的权重;FI是该全连接层的输入;FO是该全连接层的输出;

最后一层全连接即为输出层,其输出的计算公式为:

YO=φsoftmax(WY·YI+θY),

其中,φsoftmax为softmax激活函数,θY是输出层的偏置向量,WY是输出层的权重,YI是输出层的输入;YO是输出层的输出;每一个输出层的神经元都表示对应的一个形状类别。

8.根据权利要求7所述的一种轮廓形状识别方法,其特征在于:所述步骤七中,实现轮廓形状分类识别的具体方法为:将所有训练样本输入至双流卷积神经网络,对双流卷积神经网络模型进行训练,将测试样本输入进已训练好的双流卷积神经网络模型中,输出向量中最大值对应的形状类别即判断为该测试样本的形状类型,实现轮廓形状分类识别。