本发明公开了一种复杂场景下的特定物体识别方法，属于数字图像处理领域。具体步骤如下：采集特定物体的参考图像以及包含该物体的场景图像；建立参考图像的图像金字塔；对场景图像进行高斯滤波并分别与参考图像金字塔的每一层进行特征点的提取及匹配，依据匹配的特征点的数量找出与场景图像尺度最接近的参考图像的金字塔层数；基于该对应层数，对于场景图像采用扩展插值，来提高图像的分辨率；对参考图像进行高斯滤波并与扩展插值后的场景图形进行特征点的提取及匹配，此举可以减少跨层匹配时产生的错误匹配；最后得到该特定物体在场景中的
(19)国家知识产权局 (12)发明专利 (10)授权公告号 CN 112633081 B (45)授权公告日 2022.07.01 (21)申请号 4.8 (22)申请日 2020.12.07 (65)同一申请的已公布的文献号 申请公布号 CN 112633081 A (43)申请公布日 2021.04.09 (73)专利权人 深圳市来科计算机科技有限公司 地址 518000 广东省深圳市宝安区西乡街 道盐田社区银田工业区A6栋528 (72)发明人 梁磊王琳 (51)Int.Cl. G06V 20/20 (2022.01) G06V 10/44 (2022.01) G06T 7/73 (2017.01) 审查员 张楚湖 权利要求书2页 说明书7页 附图3页 (54)发明名称 一种复杂场景下的特定物体识别方法 (57)摘要 本发明公开了一种复杂场景下的特定物体 识别方法，属于数字图像处理领域。具体步骤如 下：采集特定物体的参考图像以及包含该物体的 场景图像；建立参考图像的图像金字塔；对场景 图像进行高斯滤波并分别与参考图像金字塔的 每一层进行特征点的提取及匹配，依据匹配的特 征点的数量找出与场景图像尺度最接近的参考 图像的金字塔层数；基于该对应层数，对于场景 图像采用扩展插值，来提高图像的分辨率；对参 考图像进行高斯滤波并与扩展插值后的场景图 形进行特征点的提取及匹配，此举可以减少跨层 匹配时产生的错误匹配；最后得到该特定物体在 B 场景中的位置信息。本发明方法的优点是不仅具 1 有很快的识别速度，而且在精度上可以显著的提 8 0 3 高正确匹配的特征点对的数量，进而达到正确识 3 6 2 别的目的。 1 1 N C CN 112633081 B 权利要求书 1/2页 1.一种复杂场景下的特定物体识别方法，其特征在于，具体步骤如下： (1)输入采集的特定物体的参考图像和包含该物体的场景图像； (2)建立参考图像I (x，y)的图像金字塔P (x，y，n)： r r P (x，y，n)＝F [I，(x，y)]，n＝0，1，2...N (公式1) r s(n) r 其中F 是以s(n)为尺度因子的双线性插值，N是图像金字塔的总层数； s(n) (3)提取图像金字塔P (x，y，n)中每一层的局部不变特征角点C (N )并生成相应的特 r r r，n 征描述符D (N )： r r，n 其中C (N )表示第n层参考图像金字塔的特征角点，D (N )表示第n层参考图像金字 r r，n r r，n 塔的特征描述符，N 为第n层参考图像金字塔特征数量； r，n (4)根据N 计算出将与参考图像金字塔进行特征匹配的场景图像的特征数量，公式如 r，n 下： 其中N 为与第n层参考图像金字塔进行特征匹配的场景图像的特征数量，R 为第n层 os，n r，n 参考图像金字塔的图像分辨率，R 为场景图像的分辨率； s (5)使用高斯滤波器G(x，y，σ)对于场景图像I (x，y)进行滤波，然后提取滤波后的场景 s 图像的局部不变特征角点C (N)并生成相应的特征描述符D (N)： s s s s 其中σ为滤波核参数，N 为滤波后场景图像的特征数量； s (6)依据步骤(4)中得到的N 对场景图像特征描述符D (N)的数量进行限制，得到D os，n s s s (N )，然后与参考图像金字塔的对应层上的特征描述符进行特征匹配，得到尺度空间每 os，n 一层匹配的特征点对k(n)： (7)基于参考图像金字塔的初始尺度因子S 对k(n)分配不同的权重，其中的最大值即 init 为对应匹配层数c： (8)通过对应匹配层数c计算出双边插值的尺度因子 然后使用尺度因子 对场景 图像进行扩展插值，得到扩展后的场景图像E (x，y)： s (9)提取E (x，y)的局部不变特征角点C′(N′)并生成相应特征描述符D′(N′)： s s s s s 其中N′为扩展后的场景图像的特征数量； s (10)对参考图像I (x，y)使用高斯滤波器滤波，然后提取滤波后的参考图像的局部不变 r 特征角点C′(N′)并生成相应的特征描述符D′(N′)： r r r r 2 2 CN 112633081 B 权利要求书 2/2页 其中N′为滤波后的参考图像的特征数量； r (11)根据N′计算出将与滤波后的参考图像进行特征匹配的场景图像特征数量，公式如 r 下： 其中N′为与滤波后的参考图像进行特征匹配的场景图像的特征数量，α为系数因子， os β和β分别为参考图像与场景图像的熵值，R 为参考图像的分辨率； r s r (12)依据步骤(11)中得到的N′对特征描述符D′(N′)的数量进行限制，得到D′ os s s s (N′)，然后与滤波后的参考图像特征描述符D′(N′)进行特征匹配，得到匹配的特征点对 os r r k′： (13)根据匹配特征点对k′计算出参考目标在场景图像中的几何变换，从而得到该目标 在场景中的位置信息，即完成识别。 2.根据权利要求1所述的复杂场景下的特定物体识别方法，其特征在于，所述(公式1) 中尺度因子S(n)的计算方法如下： 其中S 为尺度因子的初始化常数。 init 3.根据权利要求2所述的复杂场景下的特定物体识别方法，其特征在于，所述(公式2) 中初始化常数S 的值为1.2。 init 4.根据权利要求1所述的复杂场景下的特定物体识别方法，其特征在于，所述(公式1) 中N的值为7。 5.根据权利要求1所述的复杂场景下的特定物体识别方法，其特征在于，所述(公式5) 中滤波核参数σ的值为0.3。 6.根据权利要求1所述的复杂场景下的特定物体识别方法，其特征在于，所述(公式11) 中系数因子α的值为2。 3 3 CN 112633081 B 说明书 1/7页 一种复杂场景下的特定物体识别方法 技术领域 [0001] 本发明涉及数字图像处理领域，具体是一种复杂场景下的特定物体识别方法。 背景技术 [0002] 在复杂场景中识别特定物体是机器视觉和数字图像处理领域的重要内容，该方法 广泛应用于工业自动化，智能机器人领域。特定物体识别是指在场景图像中识别出特定的 物体(例如：我的杯子)，相对应的通用物体识别是指在场景图像中识别出一类物体(例如： 杯子)。目前，在数字图像处理领域，一般采用局部不变特征的方法识别复杂场景中的特定 物体，采用深度学习的方法来识别复杂场景中的通用物体。 [0003] 局部不变特征的设计思想认为图像是由不同类型的目标区域构成，它们的颜色、 亮度、分布形式等参数各不相同，而且每个目标区域都有其特定的控制范围，即每个目标区 域只影响图像的局部。由于包含有丰富的图像信息，这些局部结构具有较强的代表性。一方 面不容易受到外界环境平移、旋转、缩放、尺度、视角、光照、模糊以及压缩等变化因素的影 响；另一方面可以较大程度地避免传统的全局特征容易受到复杂背景或者噪声攻击等影响 的缺陷。此外，相比于传统全局特征的盲目性，局部化的特征处理方法更加符合图像数据与 人类视觉的实际情况，从局部入手更加有针对性地寻找有用的信息。因此，局部不变特征在 稳定性、可重复性和区分性方面具有较大的优势。 [0004] 局部不变特征分为特征角点和特征斑点，在复杂场景中识别特定物体，采用特征 斑点的识别方法鲁棒性好，但是复杂度较高，不能满足工业自动化，智能机器人等领域的实 时性要求，采用特征角点的识别方法虽然计算效率较高，但是鲁棒性低，正确匹配的特征点 对的数量很少，定位不准确。 [0005] 造成定位不准确的第一个原因是尺度空间的问题：在采用特征角点识别的方法 中，一般通过建立图像金字塔来模拟图像匹配间的尺度变化，所以在跨尺度匹配时会存在 很多的错误匹配；第二个原因是图像分辨率的问题：图像金字塔的分辨率是逐层递减的，所 以会对检测出的关键点的数量造成很大的影响，尤其是采用角点识别的方法中采用的基于 邻域检测的角点检测子；第三个原因是由特定物体识别方法的本身特性决定的，不同于图 像特征匹配应用(例如：宽基线匹配)，特定物体的参考图像是场景图像的一部分，因此场景 图像中其他物体的特征点会对匹配结果产生干扰。 发明内容 [0006] 本发明的目的在于提供一种复杂场景下的具有高鲁棒性，并且计算效率较高的特 定物体识别的方法，以解决上述背景技术中存在的问题。 [0007] 为实现上述目的，本发明提供如下技术方案： [0008] 一种复杂场景下的特定物体识别方法，具体步骤如下： [0009] (1)输入采集的特定物体的参考图像和包含该物体的场景图像； [0010] (2)建立参考图像I (x，y)的图像金字塔P (x，y，n)： r r 4 4 CN 112633081 B 说明书 2/7页 [0011] P (x，y，n)＝F [I (x，y)]，n＝0，1，2...N (公式1) r s(n) r [0012] 其中F 是以s(n)为尺度因子的双线性插值，N是图像金字塔的总层数； s(n) [0013] (3)提取图像金字塔P (x，y，n)中每一层的局部不变特征角点C (N )并生成相应 r r r，n 的特征描述符D (N )： r r，n [0014] [0015] 其中C (N )表示第n层参考图像金字塔的特征角点，D (N )表示第n层参考图像 r r，n r r，n 金字塔的特征描述符，N 为第n层参考图像金字塔特征数量； r，n [0016] (4)根据N 计算出将与参考图像金字塔进行特征匹配的场景图像的特征数量，公 r，n 式如下： [0017] [0018] 其中N 为与第n层参考图像金字塔进行特征匹配的场景图像的特征数量，R 为 os，n r，n 第n层参考图像金字塔的图像分辨率，R 为场景图像的分辨率； s [0019] (5)使用高斯滤波器G(x，y，σ)对于场景图像I (x，y)进行滤波，然后提取滤波后的 s 场景图像的局部不变特征角点C (N)并生成相应的特征描述符D (N)： s s s s [0020] [0021] 其中σ为滤波核参数，N 为滤波后场景图像的特征数量； s [0022] (6)依据步骤(4)中得到的N 对场景图像特征描述符D (N)的数量进行限制，得 os，n s s 到D (N )，然后与参考图像金字塔的对应层上的特征描述符进行特征匹配，得到尺度空间 s os，n 每一层匹配的特征点对k(n)： [0023] [0024] (7)基于参考图像金字塔的初始尺度因子S 对k(n)分配不同的权重，其中的最 init 大值即为对应匹配层数c： [0025] [0026] (8)通过对应匹配层数c计算出双边插值的尺度因子 然后使用尺度因子 对场景图像进行扩展插值，得到扩展后的场景图像E (x，y)： s [0027] [0028] (9)提取E (x，y)的局部不变特征角点C′(N′)并生成相应特征描述符D′(N′)： s s s s s [0029] [0030] 其中N′为扩展后的场景图像的特征数量； s [0031] (10)对参考图像I (x，y)使用高斯滤波器滤波，然后提取滤波后的参考图像的局 r 部不变特征角点C′(N′)并生成相应的特征描述符D′(N′)： r r r r [0032] [0033] 其中N′为滤波后的参考图像的特征数量； r 5 5 CN 112633081 B 说明书 3/7页 [0034] (11)根据N′计算出将与滤波后的参考图像进行特征匹配的场景图像特征数量， r 公式如下： [0035] [0036] 其中N′为与滤波后的参考图像进行特征匹配的场景图像的特征数量，α为系数因 os 子，β和β分别为参考图像与场景图像的熵值，R 为参考图像的分辨率； r s r [0037] (12)依据步骤(11)中得到的N′对特征描述符D′(N′)的数量进行限制，得到D′ os s s s (N′)，然后与滤波后的参考图像特征描述符D′(N′)进行特征匹配，得到匹配的特征点对 os r r k′： [0038] [0039] (13)根据匹配特征点对k′计算出参考目标在场景图像中的几何变换，从而得到该 目标在场景中的位置信息，即完成识别。 [0040] 作为本发明进一步的方案：所述(公式1)中尺度因子S(n)的计算方法如下： [0041] [0042] 其中S 为尺度因子的初始化常数。 init [0043] 作为本发明进一步的方案：所述(公式2)中初始化常数S 的值为1.2。 init [0044] 作为本发明进一步的方案：所述(公式1)中N的值为7。 [0045] 作为本发明进一步的方案：所述(公式5)中滤波核参数σ的值为0.3。 [0046] 作为本发明进一步的方案：所述(公式11)中系数因子α的值为2。 [0047] 与现有技术相比，本发明的有益效果是： [0048] 本发明的特定物体识别方法不仅计算效率高，而且在自然复杂的场景下具有很高 的鲁棒性，可以正确快速的识别出特定物体。 附图说明 [0049] 图1为本发明具体实施方式中的待识别特定物体的参考图像。 [0050] 图2为本发明具体实施方式中的包含待识别物体的场景图像。 [0051] 图3为本发明具体实施方式中采用本发明方法进行物体识别后标记出匹配的特征 点对的效果图。 [0052] 图4为本发明具体实施方式中采用本发明方法进行物体识别后标记出物体位置的 效果图。 [0053] 图5为本发明具体实施方式中采用本发明方法进行物体识别的流程图。 具体实施方式 [0054] 下面结合附图和具体实施方式对本专利的技术方案作进一步详细地说明。 [0055] 一种复杂场景下的特定物体识别方法，具体步骤如下： [0056] (1)输入采集的特定物体的参考图像和包含该物体的场景图像； [0057] (2)建立参考图像I (x，y)的图像金字塔P (x，y，n)： r r [0058] P (x，y，n)＝F [I (x，y)]，n＝0，1，2...N (公式1) r s(n) r 6 6 CN 112633081 B 说明书 4/7页 [0059] [0060] 其中F 是以s(n)为尺度因子的双线为尺度因子的初始化常 s(n) init 数，N＝7是图像金字塔的总层数； [0061] (3)提取图像金字塔P (x，y，n)中每一层的局部不变特征角点C (N )并生成相应 r r r，n 的特征描述符D (N )： r r，n [0062] [0063] 其中C (N )表示第n层参考图像金字塔的特征角点，D (N )表示第n层参考图像 r r，n r r，n 金字塔的特征描述符，N 为第n层参考图像金字塔特征数量； r，n [0064] (4)根据N 计算出将与参考图像金字塔进行特征匹配的场景图像的特征数量，公 r，n 式如下： [0065] [0066] 其中N 为与第n层参考图像金字塔进行特征匹配的场景图像的特征数量，N 为 os，n r，n 第n层参考图像金字塔的图像分辨率，R 为场景图像的分辨率； s [0067] (5)使用滤波核参数σ＝0.3的高斯滤波器G(x，y，σ)对于场景图像I (x，y)进行滤 s 波，然后提取滤波后的场景图像的局部不变特征角点C (N)并生成相应的特征描述符D s s s (N)： s [0068] [0069] 其中N 为滤波后场景图像的特征数量； s [0070] (6)依据步骤(4)中得到的N 对场景图像特征描述符D (N)的数量进行限制，得 os，n s s 到D (N )，然后与参考图像金字塔的对应层上的特征描述符进行特征匹配，得到尺度空间 s os，n 每一层匹配的特征点对k(n)： [0071] [0072] (7)基于参考图像金字塔的初始尺度因子S 对k(n)分配不同的权重，其中的最 init 大值即为对应匹配层数c： [0073] [0074] (8)通过对应匹配层数c计算出双边插值的尺度因子 然后使用尺度因子 对场景图像进行扩展插值，得到扩展九游体育官网后的场景图像E (x，y)： s [0075] [0076] (9)提取E (x，y)的局部不变特征角点C′(N′)并生成相应特征描述符D′(N′)： s s s s s [0077] [0078] 其中N′为扩展后的场景图像的特征数量； s [0079] (10)对参考图像I (x，y)使用滤波核参数σ＝0.3的高斯滤波器滤波，然后提取滤 r 波后的参考图像的局部不变特征角点C′(N′)并生成相应的特征描述符D′(N′)： r r r r 7 7 CN 112633081 B 说明书 5/7页 [0080] [0081] 其中N′为滤波后的参考图像的特征数量； r [0082] (11)根据N′计算出将与滤波后的参考图像进行特征匹配的场景图像特征数量， r 公式如下： [0083] [0084] 其中N′为与滤波后的参考图像进行特征匹配的场景图像的特征数量，α＝2为系 os 数因子，β和β分别为参考图像与场景图像的熵值，R 为参考图像的分辨率； r s r [0085] (12)依据步骤(11)中得到的N′对特征描述符D′(N′)的数量进行限制，得到D′ os s s s (N′)，然后与滤波后的参考图像特征描述符D′(N′)进行特征匹配，得到匹配的特征点对 os r r k′： [0086] [0087] (13)根据匹配特征点对k′计算出参考目标在场景图像中的几何变换，从而得到该 目标在场景中的位置信息，即完成识别。 [0088] 在实施例中，采用本发明方法在如图2所示的场景图像中识别如图1所示的特定物 体，其过程如下： [0089] (1)输入采集的特定物体的参考图像(如图1所示)和包含该物体的场景图像(如图 2所示)。 [0090] (2)建立参考图像I (x，y)的图像金字塔P (x，y，n)： r r [0091] P (x，y，n)＝F [I (x，y)]，n＝0，1，2...N (公式1) r s(n) r [0092] [0093] 其中F 是以s(n)为尺度因子的双线为尺度因子的初始化常 s(n) init 数，N＝7是图像金字塔的总层数。 [0094] (3)提取图像金字塔P (x，y，n)中每一层的ORB特征角点C (N )并生成相应的ORB r r r，n 二进制特征描述符D (N )： r r，n [0095] [0096] 其中C (N )表示第n层参考图像金字塔的特征角点，D (N )表示第n层参考图像 r r，n r r，n 金字塔的特征描述符，N 为第n层参考图像金字塔特征数量。 r，n [0097] (4)因为场景图像包含的物体要多于参考图像，所以场景图像的特征点数量远远 多于场景图像的特征点数量，因此需要对将与参考图像金字塔进行特征匹配的场景图像的 特征数量进行限制，根据N 计算出将与参考图像金字塔进行特征匹配的场景图像特征数 r，n 量，公式如下： [0098] [0099] 其中N 为与第n层参考图像金字塔进行特征匹配的场景图像的特征数量，R 为 os，n r，n 第n层参考图像金字塔的图像分辨率，R 为场景图像的分辨率。 s 8 8 CN 112633081 B 说明书 6/7页 [0100] (5)使用滤波核参数σ＝0.3的高斯滤波器G(x，y，σ)对于场景图像I (x，y)进行滤 s 波，减少场景图像中其他部分对匹配结果的干扰，然后提取滤波后的场景图像的ORB特征角 点C (N)并生成相应的ORB二进制特征描述符D (N)： s s s s [0101] [0102] 其中N 为滤波后的场景图像的特征数量。 s [0103] (6)依据步骤(4)中得到的N 对场景图像特征描述符D (N)的数量进行限制，得 os，n s s 到D (N )，然后计算与参考图像金字塔的对应层上的特征描述符之间的汉明距离进行特 s os，n 征匹配，得到尺度空间每一层匹配的特征点对k(n)： [0104] [0105] (7)基于参考图像金字塔的初始尺度因子S 对k(n)分配不同的权重，其中的最 init 大值即为对应匹配层数c： [0106] [0107] (8)通过对应匹配层数c计算出双边插值的尺度因子 然后使用尺度因子 对场景图像进行扩展插值，得到扩展后的场景图像E (x，y)： s [0108] [0109] (9)提取E (x，y)的ORB特征角点C′(N′)并生成相应的ORB二进制特征描述符D′ s s s s (N′)： s [0110] [0111] 其中N′为扩展后的场景图像的特征数量。 s [0112] (10)由于步骤(8)中对场景图像扩展插值会造成图像细节信息的损失，因此对参 考图像I (x，y)使用滤波核参数σ＝0.3的高斯滤波器滤波来模拟这部分的损失，然后提取 r 滤波后的参考图像的ORB特征角点C′(N′)并生成相应的ORB二进制特征描述符D′(N′)： r r r r [0113] [0114] 其中N′为滤波后的参考图像的特征数量。 r [0115] (11)限制场景图像特征点的数量不仅与图像的分辨率相关，而且与图像中待识别 物体的纹理信息相关，如果待识别物体的纹理信息较少，那么其就很容易受到场景图像中 其他物体的干扰，所以为了提高正确匹配的特征点对的数量，在根据N′计算将与滤波后的 r 参考图像进行特征匹配的场景图像特征数量的时候将图像的信息熵值考虑在内，公式如 下： [0116] [0117] 其中N′为与滤波后的参考图像进行特征匹配的场景图像的特征数量，α＝2为系 os 数因子，β和β分别为参考图像与场景图像的熵值，R 为参考图像的分辨率。 r s r [0118] (12)依据步骤(11)中得到的N′对特征描述符D′(N′)的数量进行限制，得到D′ os s s s (N′)，然后计算与滤波后的参考图像特征描述符D′(N′)之间的汉明距离进行特征匹配， os r r 9 9 CN 112633081 B 说明书 7/7页 得到匹配的特征点对k′： [0119] [0120] 如图3所示，在参考图像和场景图像中分别标记了匹配的特征点，并且用直线标记 了匹配的特征点对。 [0121] (13)根据匹配特征点对k′计算出参考目标在场景图像中的几何变换，从而得到该 目标在场景中的位置信息，即完成识别，如图4所示。 [0122] 在实际应用中，预先保存待识别物体的参考图像，预先建立参考图像的图像金字 塔并提取特征，然后将特征保存待用，因此本发明方法中的步骤(2)，步骤(3)和步骤(4)不 产生计算资源消耗。在实际操作中，虽然本发明方法比传统的局部不变角点特征方法多了 寻找对应匹配层数这一步骤，但是在计算效率上仍然有优势，原因在于：传统的特征提取方 法对参考图像和场景图像的图像金字塔的每一层都需要进行特征点的提取和匹配(比如： 参考图像有7层图像金字塔，场景图像有7层图像金字塔，则需要匹配49次)。而本发明提出 的方法根据对应匹配层数，一次匹配即可得出结果，更重要的是此举可以减少跨层匹配时 产生的错误匹配点，在精度上可以显著的提高正确匹配的特征点对的数量。 [0123] 本发明提出的特定物体识别方法不仅计算效率高，而且在自然复杂的场景下具有 很高的鲁棒性，可以正确快速的识别出特定物体。 [0124] 以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人 员来说，在不脱离本发明原理的前提下，还可以做出若干改进，或者对其中部分技术特征进 行等同替换，这些改进和替换也应视为本发明的保护范围。 10 10 CN 112633081 B 说明书附图 1/3页 图1 图2 11 11 CN 112633081 B 说明书附图 2/3页 图3 图4 12 12 CN 112633081 B 说明书附图 3/3页 图5 13 13
2、成为VIP后，下载本文档将扣除1次下载权益。下载后，不支持退款、换文档。如有疑问加。
3、成为VIP后，您将拥有八大权益，权益包括：VIP文档下载权益、阅读免打扰、文档格式转换、高级专利检索、专属身份标志、高级客服、多端互通、版权登记。
4、VIP文档为合作方或网友上传，每下载1次， 网站将根据用户上传文档的质量评分、类型等，对文档贡献者给予高额补贴、流量扶持。如果你也想贡献VIP文档。上传文档
一种基于层内多尺度特征增强的人脸检测方法、系统、存储介质及终端.pdf
2026年天津地区无偿献血人群HTLV调查情况分析(附首例HTLV阳性分型).docx
2025年广东省中考道德与法治试卷真题及答案详解（精校打印版）.pdf
成都市人民北路小学2025-2026学年一年级下学期语文期末测试试卷.docx
EN10083-3 中文版 合金结构钢交货技术条件（完整规范）.docx
原创力文档创建于2008年，本站为文档C2C交易模式，即用户上传的文档直接分享给其他用户（可下载、阅读），本站只是中间服务平台，本站所有文档下载所得的收益归上传人所有。原创力文档是网络服务平台方，若您的权利被侵害，请发链接和相关诉求至 电线) ，上传者