基于纹理趋势的改进梯度直方图特征提取算法及其应用方法.pdf

(19)中华人民共和国国家知识产权局(12)发明专利申请(10)申请公布号CN109508723A(43)申请公布日2019.03.22(21)申请号201811349485.X(22)申请日2018.11.13(71)申请人西安邮电大学地址710000陕西省西安市长安南路563号(72)发明人刘颖葛瑜祥张帅王富平(74)专利代理机构北京华仲龙腾专利代理事务所(普通合伙)11548代理人李静(51)Int.Cl.G06K9/46(2006.01)G06K9/62(2006.01)权利要求书3页说明书5页附图1页(54)发明名称基于纹理趋势的改进梯度直方图特征提取算法及其应用方法(57)摘要本发明公开了一种基于纹理趋势的改进梯度直方图特征提取算法及其应用方法。包括以下五个模块：(1)提取像素点梯度幅值和梯度方向的梯度计算模块；(2)定义圆形统计单元，并对各单元进行方向梯度直方图统计的统计模块；(3)提取纹理趋势，计算趋势方向，并据此对齐单元特征向量的对齐模块；(4)连接单元特征向量，构建HOG-TT特征的构建模块；(5)利用已训练SVM模型组对输入HOG-TT特征进行分类或利用训练数据的HOG-TT特征训练SVM模型组的分类训练模块。本发明在保持HOG特征光照和尺度不变性的前提下，加入了优良的旋转不变性，并根据轮胎花纹图像的特点降低了特征的维度，减少了计算复杂度。CN109508723ACN109508723A权利要求书1/3页1.基于纹理趋势的改进梯度直方图特征提取算法及其应用方法，其特征在于，包括以下五个模块：(1)提取像素点梯度幅值和梯度方向的梯度计算模块；(2)定义圆形统计单元，并对各单元进行方向梯度直方图统计的统计模块；(3)提取纹理趋势，计算趋势方向，并据此对齐单元特征向量的对齐模块；(4)连接单元特征向量，构建HOG-TT特征的构建模块；(5)利用已训练SVM模型组对输入HOG-TT特征进行分类或利用训练数据的HOG-TT特征训练SVM模型组的分类训练模块；基于纹理趋势的改进梯度直方图特征提取算法及其用于轮胎花纹图像分类的方法基本步骤如下：(1)计算图像中每个像素点的梯度幅值G(i，j)和采样区间在[0，2π]上的梯度方向α(i，j)；(2)利用圆周式特征提取方法，定义圆形统计单元cellr(cell)，计算各统计单元的单元特征向量Cr(CellFeatureVector，CFV)；(3)检测纹理趋势(TextureTendency，TT)，计算全局特征向量V(GlobalFeatureVector，GFV)，其向量值的最大值vm所在方向子区间k(bin)，称为趋势方向kv(TrendDirection，TD)，并据此对齐所有Cr得到方向对齐后的单元特征向量Cr′；(4)归一化Cr′得并串联它们以构建HOG-TT特征向量H，归一化H得到最终特征向量HN；(5)在提取所有训练图像的HN后，再利用SVM对所有HN特征进行一对一法分类训练，并保存训练所得的SVM模型组，以完成分类模型训练；或提取所有输入测试图像的HN后，读取已保存的SVM模型组，并据此对各个HN进行分类投票，以完成测试图像分类；两者结合可实现轮胎花纹图像的精确分类。2.根据权利要求1所述的基于纹理趋势的改进梯度直方图特征提取算法及其应用方法，其特征在于，所述的梯度计算模块：对轮胎花纹图像进行梯度特征提取，利用公式(1)-(4)计算图像I(i，j)上点(i，j)沿i，j方向的水平导数Gi(i，j)、垂直方向导数Gj(i，j)，及梯度幅值G(i，j)和梯度方向α0(i，j)；为了便于将梯度方向的弧度数与图像旋转角度联系，采用公式(5)将梯度方向从[-π/2，π/2]映射到[0，2π]范围；公式(5)中α(i，j)和α0(i，j)(即为α0)分别为(i，j)处，[0，2π]和[-π/2，π/2]范围上的梯度方向；Gi和Gj(即为公式(3)中的Gi(i，j)和Gj(i，j))分别为点(i，j)处的水平和垂直方向导数；将梯度方向的采样区间定为[0，2π]上，这样更易于将梯度方向的弧度数与图像旋转角度联系，并对图像拍摄角度的变化加以区分：Gi＝I(i+1，j)-I(i-1，j)(1)Gj＝I(i，j+1)-I(i，j-1)(2)2CN109508723A权利要求书2/3页3.根据权利要求1所述的基于纹理趋势的改进梯度直方图特征提取算法及其应用方法，其特征在于，所述的统计模块：定义圆形统计单元并计算单元特征向量，以图像中心为圆心，以半径r＝1，2，…，R(R为图像内切圆半径)的R个同心圆的圆周为统计单元cellr，仅统计圆周上的点；将梯度方向α(i，j)在[0，2π]范围内划分为bin_k＝30个方向子区间k，bin_k代表方向子区间个数；对各个cellr内所有像素点