[发明专利]目标识别方法和目标识别装置

说明书

本发明公开了一种目标识别方法和装置。该方法用于根据已知类别的至少一个样本图像区域来识别未知类别的目标图像区域，并且包括：通过预定的采样方式来对目标图像区域进行采样，以获得多个目标采样点；计算目标采样点的稳定性权重，稳定性权重用于表达目标采样点在特征空间中的稳定程度；根据具有稳定性权重的目标采样点来获得目标图像区域的加权特征描述；以及根据目标图像区域的加权特征描述和样本图像区域的加权特征描述模型来对目标图像区域进行识别，其中样本图像区域的加权特征描述模型是根据具有稳定性权重的样本采样点来获得的。因此，本发明具有较高的识别精度，并且对于由于真实场景中的各种因素而导致的特征点的各种劣化也更加鲁棒。

技术领域

本发明涉及数字图像处理领域，更具体地，本发明涉及一种目标识别方法和目标识别装置。

背景技术

近年来，目标识别逐渐成为计算机视觉的活跃研究领域，这是因为它为计算机提供了核心的处理能力，以自动感知目标的类别、维护一个跟踪过程、以及在跟踪丢失之后进行自动恢复等，从而为高层级的应用提供服务，例如人体活动（行为）分析等。

尽管目前对目标识别存在活跃的研究，但是仍然存在一些公知的问题有待克服。例如，由于真实场景中的目标识别对局部特征的要求较高，所以这就要求这些特征不能够受到附近物体的干扰和遮挡等因素的影响等。具体地，用于目标识别的特征通常会容易受如下因素的影响：光照变化、视角改变、遮挡和形变等。

虽然人们已经意识到了上述问题，但是许多现有的研究仍然要么专注于过于特定的应用场景，要么专注于过于宽泛的算法研究。例如，一方面，虽然人们在诸如人脸识别、手势识别、步态识别等具体应用上对于影响特征的上述因素有着大量的研究，但是，这些具体应用往往需要一些依据应用场景而定的先验知识（例如，在人脸识别应用中，需要已知鼻子、眼睛等器官在人脸中的相对位置等），这可能会损害这些方法的通用性和推广能力。另一方面，虽然也存在一些研究偏向于通用的机器学习算法，但是其主要关注高维数据和分类器之间的复杂组合和重构，而在一定程度上忽略了上述挑战（即，识别算法对于光照变化、视角改变、遮挡、形变等因素十分敏感）。综上所述，与图像处理相关的目标识别算法的性能仍然不够理想，这无疑也进一步影响了需要基于目标识别结果来执行的后续过程（例如，跟踪恢复等）的准确性。

例如，目前，在以目标识别（即，目标类别的判定）和跟踪恢复为最终目的的技术方案之中，特征点检测和匹配方案是有代表性的一种。该方案主要包括：使用特征点检测算法（例如，尺度不变特征转换（SIFT）算法）来检测已知类别的样本图像区域中的特征点和未知类别的目标图像区域中的特征点，并且通过特征点匹配来对目标图像区域进行识别。

然而，该技术方案存在以下问题：由于特征点是通过检测算法来检出的，所以特征点的数量往往很少。由此，如果只有很少的特征点被检测到，则对于目标图像区域（也可以称为拍摄目标）的表达将会受到限制，从而导致匹配结果的置信度也会相应地变低。

发明内容

为了解决上述技术问题，根据本发明的一个方面，提供了一种目标识别方法，所述方法用于根据已知类别的至少一个样本图像区域来识别未知类别的目标图像区域，所述方法包括：通过预定的采样方式来对所述目标图像区域进行采样，以获得多个目标采样点；计算所述目标采样点的稳定性权重，所述稳定性权重用于表达所述目标采样点在特征空间中的稳定程度；根据具有稳定性权重的目标采样点来获得所述目标图像区域的加权特征描述；以及根据所述目标图像区域的加权特征描述和所述样本图像区域的加权特征描述模型来对所述目标图像区域进行识别，其中所述样本图像区域的加权特征描述模型是根据具有稳定性权重的样本采样点来获得的。