[发明专利]一种基于局部近邻嵌入核函数的仪表定位方法及使用载体

摘要

本发明涉及一种基于局部近邻嵌入核函数的仪表定位方法及其使用载体，包括以下步骤：1)定义一个核函数，初步提取图像特征；2)降维并提取图像显著特征；3)相似性度量；4)显著性检验；5)通过非极大值抑制方法，将相似性小于某一阈值的区域排除，保留最大相似区域，最终得到仪表定位结果。本发明采用局部近邻嵌入核函数算法，先初步提取图像特征，再运用邻域保持嵌入算法(NPE)算法降维提取其显著特征，划分显著特征区域，再结合矩阵余弦相似性、显著性检验及非极大值抑制方法实现仪表定位，既可以确保匹配的准确度，又可以提高定位速度。

主权项

1.一种基于局部近邻嵌入核函数的仪表定位方法，其特征在于，包括以下步骤：1)定义一个核函数，初步提取图像特征，其步骤为，首先计算图像局部特征，定义如下核函数表达式：是空间坐标，P²是局部窗(P×P)中像素点的数目，取其大小为(7×7)；H_l为转向矩阵，其表达式为h是一个全局平滑参数；矩阵C_l是通过计算每个像素点的梯度向量G得到的协方差矩阵，计算公式为：其中，矩阵V和S是梯度向量G通过奇异值分解Singular Value Decomposition,SVD得到的，式(2)中V₁、V₂分别表示矩阵V的第一列的列向量和第二列的列向量，和分别表示列向量V₁和V₂的转置；ε是一个常量，取值范围为(0,1)；系数K是半径为P的圆形区域均值滤波器参数，α是灵敏度参数；选用高斯函数作为核函数K(·)，得到如下描述子：对查询图像Q和目标图像T分别运用上述核计算得到描述子W_Q和W_T：其中，和分别是构成矩阵W_Q和W_T的列向量，列向量的第l维计算过程为：目标图像T共分成n个m×m大小的子块，每个子块用T_i表示，m²是图像子块T_i的大小；表示式(3)中，当x＝x_j时，核函数K(·)的值，即2)降维并提取图像显著特征，即运用邻域保持嵌入算法提取其显著特征，其步骤为，采用邻域保持嵌入算法(NPE)对W_Q降维；在进行数据降维之前，先将矩阵W_Q中的每个向量划分成N个子块，每个子块包含一个特征向量以及与之相关的几个向量，这些子块的划分取决于数据集的特征及算法的目标；W_Q中任意列向量的k邻近表示为则用来表示每一个子块，对于每一个都有一个局部映射f:降维后的子矩阵定义局部最优函数为：其中，tr(·)称为迹算子，L_u∈R^(k+1)×(k+1)，每个子块的目标函数取决于L_u，不同的算法中L_u是不相同的；每个对应一个低维矩阵所有的可以合成矩阵则：其中，S_u∈R^n×(k+1)是选择矩阵；将式(7)代入(6)，局部最优函数的表达式变为：arg min tr(F_QS_uL_uS_u^TF_Q^T),    (8)对其求和便得到全局最优函数：其中，是目标一致性矩阵，通过以下迭代过程得到：L(N_u,N_u)←L(N_u,N_u)+L_u    (10)其中，N_u＝{u,u₁,…,u_k}，是第u个子矩阵或中向量的标识，u＝1,…,n，初始值L＝0，L(N_u,N_u)是在目标一致性矩阵L中根据N_u来选择几个特定的行或者列得到的子矩阵；为了唯一地确定F_Q，在公式(9)的基础上限制F_QF_Q^T＝I_d，I_d是一个d×d的单位矩阵；那么，目标函数就可以定义为：arg min tr(F_QLF_Q^T)，当F_QF_Q^T＝I_d      (11)对于线性降维，降维后的矩阵与原矩阵之间有如下的映射关系：F_Q＝A_Q^TW_Q，     (12)将式(12)代入(11)得到如下目标函数：arg min tr(A_Q^TW_QLW_Q^TA_Q)，当A_Q^TW_QW_Q^TA_Q＝I_d    (13)NPE通过线性表示列向量来反映图像的局部几何结构，从高维特征矩阵W_Q中选取将向量用线性表示为如下形式：其中，c_u是用来编码重构参数的k维向量，ε_u是重构误差；误差的最小化方法为：假设c_u既可以作为的系数来线性表示高维空间的向量也可以作为的系数线性表示低维子空间的向量这样，NPE的目标函数可以重构为：令则上式可写成：其中，得到L_u以后，结合公式(10)、(11)就可以得到低维特征矩阵F_Q，表示为：同理，在目标图像T中通过F_T＝A_Q^TW_T的映射关系，可以得到特征矩阵W_T经降维后的低维显著特征矩阵F_T：3)相似性度量，即采用矩阵余弦相似性作为判决准则，比较特征矩阵之间的相似性；4)显著性检验，即对目标图像进行显著性检验找到所有可能相似的对象，并进行标注，划分出显著特征区域；5)通过非极大值抑制方法，将相似性小于某一阈值的区域排除，保留最大相似区域，最终得到仪表定位结果。