视频图像中形状的局部与全局特征结构融合方法.pdf

(19)中华人民共和国国家知识产权局*CN102609722A*(12)发明专利申请(10)申请公布号CN102609722A(43)申请公布日2012.07.25(21)申请号201210026526.8(22)申请日2012.02.07(71)申请人西安理工大学地址710048陕西省西安市金花南路5号(72)发明人蔺广逢朱虹范引娣范彩霞张二虎(74)专利代理机构西安弘理专利事务所61214代理人张瑞琪(51)Int.Cl.G06K9/62(2006.01)权利要求书权利要求书22页页说明书说明书55页页(54)发明名称视频图像中形状的局部与全局特征结构融合方法(57)摘要本发明公开了一种视频图像中形状的局部与全局特征结构融合方法，采用形状轮廓上下文描述形状局部特征，采用轮廓点分布直方图描述形状全局特征；用x2测度分别进行形状局部结构和全局特征结构的度量；最终通过矩阵谱优化求解的方法进行形状局部特征结构和全局特征结构的融合映射，获得特征表征。本发明填补了现有技术的空白，能获得无监督聚类和分类判别能力强的特征表征。CN102697ACN102609722A权利要求书1/2页1.一种视频图像中形状的局部与全局特征结构融合方法，其特征在于，包括以下步骤：步骤1、采用形状轮廓上下文描述形状局部特征，采用轮廓点分布直方图描述形状全局特征；步骤2、用x2测度分别进行形状局部结构和全局特征结构的度量；步骤3、最终通过矩阵谱优化求解的方法进行形状局部特征结构和全局特征结构的融合映射，获得特征表征。2.按照权利要求1所述的视频图像中形状的局部与全局特征结构融合方法，其特征在于，所述步骤1的具体方法为：设I为形状轮廓图像，I(x，y)为I在坐标(x，y)处的像素值，x和y分别表示点的横纵坐标，c(x，y)为I的重心，xc和yc分别是c(x，y)的横纵坐标：描述设有n个点，n取值为20，在形状轮廓上以等间隔采样的方法获得形状轮廓的关键点集p＝{p1(x，y)，p2(x，y)，...，pn(x，y)}；获得轮廓上关键点后，以每个关键点pk(x，y)(1≤k≤20)为中心，以距离pk(x，y)最远轮廓上关键点的欧氏距离为半径形成形状轮廓外接圆；以pk(x，y)为原点建立极坐标，极坐标的起点为pk(x，y)和c(x，y)的连接线方向；在角度上分18等份，径向上分等5份，使轮廓外接圆上形成90个区域，统计在每个区域上关键点的个数，根据角度从小到大和径向距离从小到大形成90维的向量hx1(k)，统计的起点为极坐标的起点；通过向量除以向量的均值进行归一化处理；形状可表征成90×n的向量x1，即为形状轮廓上下文描述形状局部特征；以c(x，y)为原点建立极坐标，形状轮廓外接圆的中心在c(x，y)上，在角度上分18等份，径向上分等5份，使轮廓外接圆上形成90个区域，统计在每个区域上关键点的个数，根据角度从小到大和径向距离从小到大形成90维的向量hx2(c)，统计的起点为极坐标角度为0度的方向，形状表征为90维的向量x2，即为轮廓点分布直方图描述形状全局特征。3.按照权利要求2所述的视频图像中形状的局部与全局特征结构融合方法，其特征在于，所述步骤2的具体方法为：设有m个形状，根据步骤1得到该m个形状的局部特征集和全局特征集分别为X1＝TT[x11，x12，...，x1m]和X2＝[x21，x22，...，x2m]，形状的局部特征结构度量为dX1(x1i，x1j)，x1i和x1j为形状i和形状j的局部特征表征；形状的全局特征结构度量为dX2(x2i，x2j)，x2i和x2j为形状i和形状j的全局特征表征，分别由下式计算：2CN102609722A权利要求书2/2页和为形状i和形状j的轮廓点pk(x，y)处的hx1(k)，和为形状i和形状j的重心点c(x，y)处的hx2(c)。4.按照权利要求3所述的视频图像中形状的局部与全局特征结构融合方法，其特征在于，所述步骤3的具体方法为：TT定义X1＝[x11，x12..，x1m]和X2＝[x21，x22，...，x2m]特征结构测度相似矩阵，以步骤2计算得到度量的相似矩阵为W1＝{W1i，j}和W2＝{W2i，j}(i＝1，2，...，mj＝1，2，...，m)如下式：x1i的近邻定义为dX1(x1i，x1j)最小的5个特征表征；x2i的近邻定义为dX2(x2i，x2j)最小的5个特征表征：X＝[X1X2]，Wi，j＝W1i，j+W2i，j，Wi，j为W矩阵在i行j列的元素L＝D-W，其中，XLXTα＝λXXTα，通过矩阵谱优化求解方法，求解最小的d个广义特征值λ1＜λ2＜...＜λd对应的特征向量α1，α2，...，αd，则保持近邻相似度特性的线性变换矩阵为：A＝[α1，α2，...，αd]，最终结构融合的特征为Y：Y＝AT