[发明专利]基于PCA-SC算法的形状匹配和目标识别方法

权利要求书

1.一种基于PCA-SC算法的形状匹配和目标识别方法，其特征在于，所述方法包括：

S1、采用中值滤波法对目标图像进行预处理，滤除目标图像中的部分噪声；

S2、利用二阶梯度Canny边缘检测算子提取目标图像的边缘；

S3、基于轮廓提取算法提取边界轮廓点信息，并求出轮廓点的直角坐标参数；

S4、将轮廓点由直角坐标转化为极坐标，得到每个点对应的对数极坐标直方图，形成局部特征描述符；

S5、采用主成分分析方法形成协方差矩阵，提取出该矩阵较大特征值对应的特征向量，采用线性变换方法将矩阵由高维降至低维，形成新的特征矩阵用于形状匹配和目标识别；

S6、通过计算匹配度，获得目标图像与每个模板图像之间的匹配度值，匹配度值越小则相似度越大。

2.根据权利要求1所述的方法，其特征在于，所述步骤S1中的中值滤波法为自适应中值滤波法。

3.根据权利要求1所述的方法，其特征在于，所述步骤S3具体包括：

S31、轮廓提取基于步骤S2提取的目标图像的边缘；

S32、轮廓提取算法遵循曲率大的曲线取点较多，曲率小的曲线取点少的原则；

S33、角点不能省略，必须包含在轮廓点中。

4.根据权利要求1所述的方法，其特征在于，所述步骤S4具体包括：

S41、将目标图像上某一轮廓点与其余轮廓点有向连接形成向量，计算向量的欧式距离和相对于水平线的角度；

S42、将角度平均分成12份，每30°一个单位，求出最大的距离的对数，并将其等分为5份，以角度为行距离的对数为列形成一个12×5维的矩阵；

S43、计算每个轮廓点与其余轮廓点之间的角度和距离的对数，并将其落在对应的矩阵格中，并求落在每一格的点数，即可得到此点的对数极坐标直方图，即该点的特征向量。

5.根据权利要求4所述的方法，其特征在于，所述步骤S5具体包括：

S51、将由步骤S4可得到每个轮廓点的特征向量进行组合，即可得到一个n×60维特征矩阵；

S52、计算n个特征向量的平均向量，并求出每个轮廓点对应的特征向量与平均向量的差，得到差值向量；

S53、构建协方差矩阵，并求出该矩阵的特征值和对应的特征向量；

S54、求出k个最大的特征值，按由大到小的顺序将其对应的特征向量组合构成投影矩阵，与原矩阵相乘得到新的特征矩阵用于形状匹配和目标识别。

6.根据权利要求5所述的方法，其特征在于，所述步骤S54中的k是降维的维数，k由图像形状复杂度进行设定。

7.根据权利要求1所述的方法，其特征在于，所述步骤S6具体包括：

S61、计算目标图像中某一点与模板图像中某一点的匹配度值；

S62、计算目标图像中某一点与模板图像的匹配度值；

S63、计算目标图像与每个模板图像的匹配度值，匹配度值越小则目标图像与模板图像越相似。