论文部分内容阅读
摘 要：目标识别主要通过目标的颜色、形状、轮廓等特征来获取目标信息，与已知目标进行对比的过程。基于角点特征提取对目标识别非常重要，因为角点具有旋转不变性、对光照反映不明显，这不仅可以提高识别的运行速度还可以提升识别的准确率。在本文中，首先介绍了基于角点特征提取的目标识别理论，列举出图像预处理的方法，通过仿真对目标图像进行灰度化处理和滤波处理。分别用Harris算法与Susan算法对目标图像进行角点提取，最后与原目标图像进行匹配。
关键词：目标识别 角点提取 Harris算法 图像预处理
中图分类号：TP391.4 文献标识码：A 文章编号：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
目标识别把从目标图像中提取的特定特征，用以实现对目标的检测、定位及分类。事实上，角点只是目标图像上具有极少一部分像素点的某部分的特征。利用角点可以在保留目标图像所有内容的情况下，把所需内容压缩。
20世纪50年代目标识别技术开始崭露头角，早期的对雷达信号的处理可视为目标识别技术的开端。伴随着计算机视觉技术的不断发展，各种类型的摄像机开始作为信息的输入端。从此，基于计算机视觉的目标识别技术在各领域中都有涉及，例如军事、民用领域等。
1 角点提取算法
1.1 Harris角点算法
Harris角点检测是一种常用的经典角点提取方法，基于图像灰度的一阶导数矩阵，所描述的是在像素点的某个邻域内数据信号的变化。当像素点强度在邻域区间发生较大程度的变化时，此变化处的像素点称为角点。对于Harris角点提取算法，其是在[1-2]Moravec角点提取算法的基础上进行改进所形成的。通过观察目标图像的被检测窗口中像素点的灰度变化来确定Moravec角点提取算法需要确定其所在区域，是平坦区域、边缘区域还是交点区域。
1.2 SUSAN角点算法
1997年，来自牛津大学的 Smith 和 Brady 曾提出过一种全新的角点检测算法，SUSAN 算法[3]（最小核值相似区算法）。对于SUSAN算法，首先要选择一个圆形模板，然后把位于圆形窗口模板中心待提取的像素点称为核心点。USAN的典型区域如图1所示。由图所示，我们可以看出，当模板在目标图像上进行移动时，如果圆形模板完全覆盖背景或目标区域，这时的USAN区域最大;若核心在区域边缘时，USAN区域则减少一半;而当核心在区域角点时，USAN区域最小，仅为原来的1/4。
2 目标角點特征提取
2.1 灰度化处理
日常生活中，我们使用相机拍摄的图片都是彩色图片，这种彩色图片包含大量的像素信息，在进行图片处理过程中难度非常大，因此，需要提前对图像进行灰度化处理。所谓图像灰度化处理即指把彩色图片转换成单色图片，这样处理后不仅可以降低原图像中包含的信息量，从而提高计算效率，达到节省时间的目的;更重要的是不会对原图像的像素值分布产生影响。图像灰度变换有两种方法：线性灰度变换和非线性灰度变换[4]。其中线性灰度变换中均值灰度化效果最佳。加权均值法的表达式如下： （1）
式中，Gray表示灰度图像中某一点的灰度值。R、G、B分别表示未进行灰度转换前的彩色图像中的红、绿、蓝三种颜色的亮度，他们的系数加权值是在大量实验基础上求得的。
2.2 高斯滤波
高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到[5-6]。滤波过程简单概况如下：
设目标图像的高度为H，宽度为W，corner（i，j）表示（i，j）处是否有角点，当corner（i，j）=1时，表示点（i，j）是角点;当corner（i，j）=0时，表示点（i，j）不是角点。其算法描述如下：
（1）令，若，则将本行所有角点置0，否则保留该行所有角点。本文取N1=6。
（2）利用大小为mn（m>1，n>1）的模板，对整个图像循环计算局部区域内的角点数，若，则将局部区域内的所有角点置0，否则是需保留区域，本文取参数m=n=11，N2=4。
2.3 角点提取结果分析
以下给出本章的算法提取结果，结合Harris算法与susan算法在Matlab2016a環境下运行。实验分为三组（见图2～图4），提取结果如下。
角点特征提取属于低层次的图像处理，它为图像的进一步处理提供了重要信息。在如下三个方面对Harris算法与Susan算法进行比较。
（1）复杂性：Harris算法的计算较为简单，运行时间短，由此，Susan的复杂性更明显。
（2）抗噪性：Susan算法对噪声有过滤作用，处理过后图片的清晰度更好，便于观察，因此Susan的抗噪性更强。
（3）稳定性：Harris算法计算只需要一阶导数，对外界干扰因素不敏感;Susan算法需要自行设定阈值，不仅影响角点提取的准确性，对稳定性也有影响，因此，Harris算法的稳定性更好。
上述三组实验表明：对于目标中文字部分的角点提取覆盖范围比较全面，例如：实验二营口辽河老街和实验三山海广场中的文字提取效果非常好。不过两种算法也存在缺陷，对于文字雕刻不清晰的部分识别效果不好，效率低，伪角点会被检测出来。对于街景的提取效果两种算法效果都比较好，但是Susan算法漏掉的角点较多，准确性不如Harris算法。
3 仿真结果与分析
本实验利用基于Harris算法基于目标灰度信息的目标识别方法，（图5～图7）三幅图像为MATLAB软件仿真后的目标识别结果，图中黄色连线为对应点之间的连线。由于目标图像中有树木、花草等干扰，结果存在一定的误差，不过总体上识别的准确率较高，未出现明显的误差对应点。在火车站建筑共识别出402对匹配成功的角点;老街建筑物共识别出328对匹配成功的角点;山海广场共识别出138对匹配成功的角点。关于本实验的准确率等问题，在如表1中有具体显示。
三组目标图像中老街建筑物的准确率相比较是最高的，这是由于火车站建筑物中，来自树枝的干扰较为明显，使误差角点增多;在山海广场的目标图像中，文字雕刻部分在角点检测中误差就比较大，这个问题也存在于匹配过程中，使准确率大大降低。
4 结语
本文将角点提取与目标识别过程步骤分解的非常详细，通过多次仿真，利用图像预处理技术，排除外界一些不可避免的影响因素，为目标的角点提取打下良好的基础，有效提高提取的准确性;使用Harris角点提取以及Susan角点提取方法提取目标图像角点;最后利用基于Harris算法基于目标灰度信息的目标识别方法进行目标图像识别，不仅提高了目标识别的速度，还极大提高了目标识别的准确度。
参考文献
[1] 杨咸兆.基于多元特征的立体图像匹配方法研究[D].南京：南京信息工程大学，2019.
[2] 杨蕊.动态序列遥感图像超分辨率重建技术研究[D].北京：中国科学院大学（中国科学院西安光学精密机械研究所），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.彩色图像灰度化算法改进研究[D].西安：西北大学，2019.
[5] 刘希.多条形码的图像定位技术研究与应用[D].广州：华南理工大学，2019.
[6] 吴倩倩.基于聚类与区域合并的彩色图像分割算法的研究[D].哈尔滨：哈尔滨工业大学，2017.
关键词：目标识别 角点提取 Harris算法 图像预处理
中图分类号：TP391.4 文献标识码：A 文章编号：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
目标识别把从目标图像中提取的特定特征，用以实现对目标的检测、定位及分类。事实上，角点只是目标图像上具有极少一部分像素点的某部分的特征。利用角点可以在保留目标图像所有内容的情况下，把所需内容压缩。
20世纪50年代目标识别技术开始崭露头角，早期的对雷达信号的处理可视为目标识别技术的开端。伴随着计算机视觉技术的不断发展，各种类型的摄像机开始作为信息的输入端。从此，基于计算机视觉的目标识别技术在各领域中都有涉及，例如军事、民用领域等。
1 角点提取算法
1.1 Harris角点算法
Harris角点检测是一种常用的经典角点提取方法，基于图像灰度的一阶导数矩阵，所描述的是在像素点的某个邻域内数据信号的变化。当像素点强度在邻域区间发生较大程度的变化时，此变化处的像素点称为角点。对于Harris角点提取算法，其是在[1-2]Moravec角点提取算法的基础上进行改进所形成的。通过观察目标图像的被检测窗口中像素点的灰度变化来确定Moravec角点提取算法需要确定其所在区域，是平坦区域、边缘区域还是交点区域。
1.2 SUSAN角点算法
1997年，来自牛津大学的 Smith 和 Brady 曾提出过一种全新的角点检测算法，SUSAN 算法[3]（最小核值相似区算法）。对于SUSAN算法，首先要选择一个圆形模板，然后把位于圆形窗口模板中心待提取的像素点称为核心点。USAN的典型区域如图1所示。由图所示，我们可以看出，当模板在目标图像上进行移动时，如果圆形模板完全覆盖背景或目标区域，这时的USAN区域最大;若核心在区域边缘时，USAN区域则减少一半;而当核心在区域角点时，USAN区域最小，仅为原来的1/4。
2 目标角點特征提取
2.1 灰度化处理
日常生活中，我们使用相机拍摄的图片都是彩色图片，这种彩色图片包含大量的像素信息，在进行图片处理过程中难度非常大，因此，需要提前对图像进行灰度化处理。所谓图像灰度化处理即指把彩色图片转换成单色图片，这样处理后不仅可以降低原图像中包含的信息量，从而提高计算效率，达到节省时间的目的;更重要的是不会对原图像的像素值分布产生影响。图像灰度变换有两种方法：线性灰度变换和非线性灰度变换[4]。其中线性灰度变换中均值灰度化效果最佳。加权均值法的表达式如下： （1）
式中，Gray表示灰度图像中某一点的灰度值。R、G、B分别表示未进行灰度转换前的彩色图像中的红、绿、蓝三种颜色的亮度，他们的系数加权值是在大量实验基础上求得的。
2.2 高斯滤波
高斯滤波是一种线性平滑滤波，适用于消除高斯噪声，广泛应用于图像处理的减噪过程。高斯滤波就是对整幅图像进行加权平均的过程，每一个像素点的值，都由其本身和邻域内的其他像素值经过加权平均后得到[5-6]。滤波过程简单概况如下：
设目标图像的高度为H，宽度为W，corner（i，j）表示（i，j）处是否有角点，当corner（i，j）=1时，表示点（i，j）是角点;当corner（i，j）=0时，表示点（i，j）不是角点。其算法描述如下：
（1）令，若，则将本行所有角点置0，否则保留该行所有角点。本文取N1=6。
（2）利用大小为mn（m>1，n>1）的模板，对整个图像循环计算局部区域内的角点数，若，则将局部区域内的所有角点置0，否则是需保留区域，本文取参数m=n=11，N2=4。
2.3 角点提取结果分析
以下给出本章的算法提取结果，结合Harris算法与susan算法在Matlab2016a環境下运行。实验分为三组（见图2～图4），提取结果如下。
角点特征提取属于低层次的图像处理，它为图像的进一步处理提供了重要信息。在如下三个方面对Harris算法与Susan算法进行比较。
（1）复杂性：Harris算法的计算较为简单，运行时间短，由此，Susan的复杂性更明显。
（2）抗噪性：Susan算法对噪声有过滤作用，处理过后图片的清晰度更好，便于观察，因此Susan的抗噪性更强。
（3）稳定性：Harris算法计算只需要一阶导数，对外界干扰因素不敏感;Susan算法需要自行设定阈值，不仅影响角点提取的准确性，对稳定性也有影响，因此，Harris算法的稳定性更好。
上述三组实验表明：对于目标中文字部分的角点提取覆盖范围比较全面，例如：实验二营口辽河老街和实验三山海广场中的文字提取效果非常好。不过两种算法也存在缺陷，对于文字雕刻不清晰的部分识别效果不好，效率低，伪角点会被检测出来。对于街景的提取效果两种算法效果都比较好，但是Susan算法漏掉的角点较多，准确性不如Harris算法。
3 仿真结果与分析
本实验利用基于Harris算法基于目标灰度信息的目标识别方法，（图5～图7）三幅图像为MATLAB软件仿真后的目标识别结果，图中黄色连线为对应点之间的连线。由于目标图像中有树木、花草等干扰，结果存在一定的误差，不过总体上识别的准确率较高，未出现明显的误差对应点。在火车站建筑共识别出402对匹配成功的角点;老街建筑物共识别出328对匹配成功的角点;山海广场共识别出138对匹配成功的角点。关于本实验的准确率等问题，在如表1中有具体显示。
三组目标图像中老街建筑物的准确率相比较是最高的，这是由于火车站建筑物中，来自树枝的干扰较为明显，使误差角点增多;在山海广场的目标图像中，文字雕刻部分在角点检测中误差就比较大，这个问题也存在于匹配过程中，使准确率大大降低。
4 结语
本文将角点提取与目标识别过程步骤分解的非常详细，通过多次仿真，利用图像预处理技术，排除外界一些不可避免的影响因素，为目标的角点提取打下良好的基础，有效提高提取的准确性;使用Harris角点提取以及Susan角点提取方法提取目标图像角点;最后利用基于Harris算法基于目标灰度信息的目标识别方法进行目标图像识别，不仅提高了目标识别的速度，还极大提高了目标识别的准确度。
参考文献
[1] 杨咸兆.基于多元特征的立体图像匹配方法研究[D].南京：南京信息工程大学，2019.
[2] 杨蕊.动态序列遥感图像超分辨率重建技术研究[D].北京：中国科学院大学（中国科学院西安光学精密机械研究所），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.彩色图像灰度化算法改进研究[D].西安：西北大学，2019.
[5] 刘希.多条形码的图像定位技术研究与应用[D].广州：华南理工大学，2019.
[6] 吴倩倩.基于聚类与区域合并的彩色图像分割算法的研究[D].哈尔滨：哈尔滨工业大学，2017.