[发明专利]基于先验形状稀疏凸组合的同步目标分割和识别方法

说明书

技术领域

本发明涉及一种图像目标分割和识别的方法，特别涉及一种基于先验形状的稀疏凸组合来同时实现目标分割和目标识别的方法。

背景技术

图像的目标分割在计算机视觉领域中是个很具挑战性的任务，若不利用待分割目标的高层信息，而仅仅利用如边缘、区域统计等低层信息，图像分割的结果往往不能令人满意。近年来的许多研究表明，在图像分割的过程中考虑形状的先验信息，这将大大提高图像分割结果的质量。但是现有的很多方法都是在识别的基础上进行分割的，即这些方法只能分割那些与先验形状相似的已知类目标。

最近，基于变分的水平集方法在图像分割中的成功应用开启了另一种将先验形状整合进图像分割中的方式。现有的该类方法基本上都是通过构造一个由数据项和形状约束项的线性组合构成的目标函数来实现将形状先验信息应用到图像分割中去的。常用的数据项可以分为两类，一类是基于边缘的，如几何主动轮廓方法；另一类是基于区域的，如Chan-Vese模型(一种由T.Chan和L.Vese两人提出的一种图像分割模型)。形状约束项也有两种定义，一种定义是演变的轮廓与给定先验轮廓之间的不相似性度量，另一种定义是先从训练形状中估计出一个形状，然后根据这个形状去指导轮廓的演变过程。然而在多目标识别中，一个单独的形状先验模型或形状概率统计模型都不能准确地表示训练形状分布，现有的方法只能从图像中分割出那些与已知类很相似的目标形状。

常规的形状可以由符号距离函数来表示，但是符号距离函数表示的形状空间并不是一个线性空间，且其目标函数一般也是非凸的，这将对目标函数的优化带来很大的挑战。Cremers等人提出了形状的概率定义，即图像中的每个像素点赋值为该点出现在目标形状中的概率，通过形状的概率定义，可以构造出一个凸的目标函数。最近，Chen等人在目标识别的应用中引入了形状的稀疏表达，将先验知识作为表示多类目标的训练形状，对于相似目标的分割，可以将目标形状近似地表示为训练形状的稀疏线性组合。但是，在这种情况下，训练形状的任意线性组合得到的形状并不一定是一个有效的形状。此外，Chen等人采用了基于1-范数的目标函数，虽然该目标函数是凸的，但是它是不可微的，因此对该目标函数进行求解也是个难题，同时，基于1-范数的正规化回归分析并不稳定，而基于2-范数的正规化回归分析比之具有更强的稳定性。这里所谓p-范数(p可以取1、2)为

发明内容

为了克服现有分割方法中的由于受噪声干扰，背景杂乱，目标重叠，数据缺失等因素影响而造成图像分割质量不佳，多类目标识别效果差，概率定义下训练形状的任意线性组合不是有效形状，目标函数不易得到最优解等问题，本发明提出了一种基于先验形状稀疏凸组合的同步目标分割和识别方法，能实现将形状先验信息应用于目标分割中去从而大大提高图像分割质量和实现分割与识别同步完成。

为解决上述技术问题，本发明提出一种基于先验形状稀疏凸组合的同步目标分割和识别方法，所采用的技术方案是采用概率定义来表示训练形状和目标形状，包括：

A)对第一训练形状集中的训练形状进行姿态归一化处理，得到第二训练形状集。

B)采用主成分分析方法PCA对所述第二训练形状集进行降维处理，得到第三训练形状集；

C)对稀疏系数向量进行初始化得到第一稀疏系数向量；

D)采用所述第一稀疏系数向量对所述第三训练形状集进行稀疏凸组合得到第一目标形状；

E)利用图像低层数据，所述第二训练形状集和所述第一稀疏系数向量来构造第一目标函数；

F)采用梯度下降法对所述第一目标函数进行求解得到第二目标形状；

G)对所述第二目标形状进行姿态归一化处理和PCA降维处理得到第三目标形状；

H)所述第一目标形状和所述第三目标形状之间的累积平方误差ISE构成第二目标函数；

I)采用最小序贯法SMO对所述第二目标函数进行求解得到第二稀疏系数向量；

J)若求得的第二稀疏系数向量符合精度要求，则执行K；否则，将所述第二稀疏系数向量赋值给所述第一稀疏系数向量，返回D继续执行；

K)采用所述第二稀疏系数向量对所述第二训练形状集进行稀疏凸组合得到第四目标形状，实现目标分割；

L)所述第二稀疏系数向量中的最大值对应的所述第二训练形状所属的类就是所述第四目标形状的类别，实现目标识别。

作为优选，所述稀疏凸组合的公式为其中是目标形状，是稀疏系数向量，s满足且对任意i，s_iμ0，是训练形状集，N为训练形状集的数目。

作为优选，所述第一目标函数的公式为：