[发明专利]特征提取方法及装置

说明书

技术领域

本公开涉及图像处理技术领域，特别涉及一种特征提取方法及装置。

背景技术

图像检测与识别是计算机视觉中一个重要的研究领域。图像检测与识别技术中最常用的方法是通过提取图像中的某种特征，从而对图像进行检测与识别。

在相关技术中，通过提取图像的HOG(HistogramofOrientedGradient，方向梯度直方图)特征对图像进行检测与识别。HOG特征提取的方法如下：计算图像中每个像素的梯度；将图像划分成若干个单元格，每个单元格包括若干个像素，每相邻的n个单元格形成一个块；统计每个单元格中所有像素的梯度直方图，再根据每个块中的所有单元格的梯度直方图得到每个块的HOG特征；统计图像中所有块的HOG特征得到图像的HOG特征。

发明内容

为了解决相关技术中存在的问题，本公开提供一种特征提取方法及装置。所述技术方案如下：

根据本公开实施例的第一方面，提供一种特征提取方法，该方法包括：

将图像划分为若干个块，每个块包括若干个单元格；

对每个单元格进行稀疏信号分解，得到每个单元格各自对应的稀疏向量；

根据稀疏向量提取图像的方向梯度直方图HOG特征。

在一个可选的实施例中，对每个单元格进行稀疏信号分解，得到每个单元格对应的稀疏向量，包括：

将每个单元格中的像素调整为n*1维的向量；

利用下述公式，对每个单元格中的向量进行稀疏信号分解，得到对应的稀疏向量；

min(x)||x||₁subjecttoy＝Dx

其中，y为每个单元格中的向量，D为预先给定的过完备字典，x为y在过完备字典D下稀疏得到的稀疏向量，||x||₁表示对稀疏向量x的每列的绝对值求和，每个稀疏向量是m*1维的向量，过完备字典D是n*m的矩阵。

在一个可选的实施例中，根据稀疏向量提取图像的方向梯度直方图HOG特征，包括：

根据稀疏向量计算每个单元格的梯度大小和梯度方向，得到每个单元格的描述子；

统计每个块内的各个描述子，得到每个块的HOG特征；

统计图像中各个块的HOG特征，得到图像的HOG特征。

在一个可选的实施例中，统计图像中各个块的HOG特征，得到图像的HOG特征，包括：

将图像中各个块的HOG特征串联成一个矩阵，得到图像的HOG特征，矩阵的每一列为一个块的HOG特征。

在一个可选的实施例中，统计图像中各个块的HOG特征，得到图像的HOG特征，包括：

将图像中每个块的HOG特征由初始的L*1维向量调整为M*N的矩阵，每个块包括M*N个像素，L＝M*N；

根据每个块的调整后的HOG特征和每个块在图像中的对应位置，得到图像的HOG特征。

在一个可选的实施例中，该方法，还包括：

将图像进行归一化处理，得到预定尺寸大小的图像。

根据本公开实施例的第二方面，提供一种特征提取装置，该装置包括：

划分模块，被配置为将图像划分为若干个块，每个块包括若干个单元格；

分解模块，被配置为对每个单元格进行稀疏信号分解，得到每个单元格各自对应的稀疏向量；

提取模块，被配置为根据稀疏向量提取图像的方向梯度直方图HOG特征。

在一个可选的实施例中，分解模块，包括：

第一调整子模块，被配置为将每个单元格中的像素调整为n*1维的向量；

信号分解子模块，被配置为利用下述公式，对每个单元格中的向量进行稀疏信号分解，得到对应的稀疏向量；

min(x)||x||₁subjecttoy＝Dx

其中，y为每个单元格中的向量，D为预先给定的过完备字典，x为y在过完备字典D下稀疏得到的稀疏向量，||x||₁表示对稀疏向量x的每列的绝对值求和，每个稀疏向量是m*1维的向量，过完备字典D是n*m的矩阵。

在一个可选的实施例中，提取模块，包括：

计算子模块，被配置为根据稀疏向量计算每个单元格的梯度大小和梯度方向，得到每个单元格的描述子；

第一统计子模块，被配置为统计每个块内的各个描述子，得到每个块的HOG特征；

第二统计子模块，被配置为统计图像中各个块的HOG特征，得到图像的HOG特征。