[发明专利]基于SURF特征的图像物体识别方法

说明书

本发明提供了一种基于SURF特征的图像物体识别方法，首先对图像进行预处理，然后对图像提取SURF角点和SURF描述子描述图像特征，再通过PCA数据白化、降维对特征进行处理，处理后的特征通过Kmeans聚类建立词袋模型，利用词袋模型构建图像的视觉词汇直方图，最后利用非线性的支持向量机(SVM)分类方法进行训练，并完成对图像不同类别的划分。在训练阶段不同图像的分类模型建模完成以后，在测试阶段对测试集中的图像进行检测，实现了对不同图像物体识别的功能。本发明在识别率和速度上都具有优异性能，使之更为客观准确地反映出图像的内容，此外还对SVM分类器的分类结果进行优化，降低了分类器判断的错误率和训练样本类别的局限性。

技术领域

本发明涉及图像物体识别领域，具体地，涉及一种基于SURF(Speed Up RobustFeature)特征和词袋模型的图像物体识别方法。

背景技术

图像识别和分类技术是计算机视觉和模式识别领域的一个重要的应用，在机械工业、物流运输、零售等行业，精确的图像物体识别技术可以将人们从繁重的劳动中解放出来，降低生产成本，提高工作效率。在日常生活中，人们可以快速准确的抓住物体的特征并识别物体，但对于计算机来说，自动识别物体却有着不小的困难。其原因在于图像中的物体受到拍摄角度、旋转变化、光照变化、尺度变化、拍摄质量等因素的影响。

现有的针对这些困难的解决方法是结合使用局部特征点、词袋模型以及分类器的方法。这种方法在一定程度上解决了物体识别的问题，但是其中带来的特征维数高，计算量大，不能满足实时性、且词袋模型效果不好。

经过检索发现，专利申请号：CN201210196526.2，名称为“基于SURF高效匹配核的人体检测方法”中提出：在不同图像尺度下提取SURF描述子特征点，随机采样提取特征点构成视觉词汇的初始向量基，对初始向量基使用带约束的奇异值分解获得最大核函数特征，对不同图像尺度下的最大核函数特征进行加权获得所有图像尺度下的特征，对得到的特征利用SVM(Support Vector Machine支持向量机)分类器进行分类训练，最后得到检测分类器。该专利文献中计算多尺度的SURF特征，计算量大，且直接使用奇异值分解分解构建词典，对特征没有进一步的处理。

由刘鹏、叶志鹏、赵巍等在自动化学报2015，41(5)：960-969发表的“一种多层次抽象语义决策图像分类方法”一文中提到了使用视觉词包(Bag-of-visual-words,BoVW词袋模型)模型生成视觉词典的建模方法。由袁安富、曹金燕、余莉在计算机应用与软件2015，32：186-189发表的“一种基于SURF特征的零件识别算法”一文中使用了SURF(Speed UpRobust Feature)特征和ANN(Approximate Nearest Neighbor)近似最近邻算法识别零件的方法。本发明结合了以上两种方法的优势，并采取了神经网络领域的白化降维方法，对SURF特征与词袋模型的结合进行了改进与创新。

本发明中的方法没有采用多尺度训练，直接对图像进行去噪、尺寸归一化和中心裁剪预处理，利用PCA(Principal Components Analysis)白化和降维对数据进行处理后使用Kmeans构建词袋模型，提高了训练和分类的速度，使视觉词汇之间稀疏性更强，得到了更好的分类效果。

发明内容

针对现有技术中的缺陷，本发明的目的是提供一种基于SURF特征的图像物体识别方法。

根据本发明提供的基于SURF特征的图像物体识别方法，包括如下步骤：

步骤a：对图像进行预处理，提取预处理后图像的局部兴趣点特征，将局部兴趣点特征进行聚类，根据聚类中心的结果建立词袋模型，通过词袋模型建立视觉词汇直方图得到图像的视觉词汇直方图特征；