[发明专利]从图像中提取特征的方法

说明书

本发明涉及基于边缘提取的特征提取技术。它可用于计算机视觉系统，包括图像/面部/对象识别系统、场景解释、分类和字幕系统。使用传感器中的噪声的模型或分布图来改善在来自传感器的图像上的特征提取或对象检测。

本发明的背景技术

1.技术领域

本发明的领域涉及特征提取(例如边缘检测)的方法。该方法可用于计算机视觉系统，包括图像/面部/对象检测/识别系统、场景解释、分类和字幕系统。

2.技术背景

大多数现有的对象检测算法是基于机器学习分类器，它们依次使用从图像中提取的特征。从根本上说，存在两种用于增强对象检测算法的结果的方法。第一种方法是对分类方法的增强，其中文献中已经提出了许多技术(线性分类器、神经网络等)。第二种方法是对所使用的特征的增强。将其工作聚焦于对从图像中提取的特征的增强上的研究者主要集中于找到描述图像内容的离散原语的集合。特征提取的过程通常与对图像数据的滤波和对滤波器响应的归一化有关。然而，在大多数特征提取技术中存在一个常见的缺陷，即，在图像特征的归一化和累积期间，做出以下假设：产生较强响应的滤波器表示较强的图像特征。在实践中，通常使用作为图像处理流水线的产品的数字视频或摄影图像进行研究，图像处理流水线用未知的设置处理图像传感器数据。如之前所讨论的，这样的处理可以显着地改变图像数据，破坏图像的各部分之间的线性依赖性，并且使不同图像元素的外观失衡。

本发明通过在边缘检测期间考虑传感器特性来提供针对更加鲁棒的边缘检测方法的解决方案。该方法可用于特征提取或特征检测。

3.相关技术的讨论

目前对象检测和分类领域中正在进行的研究非常多。有许多对象检测技术，其中HOG-SVM和CNN被广泛使用。

最成功的对象检测技术之一被称为方向梯度直方图-支持向量机(HOG-SVM)，如[1-5]中所述。对象检测算法产生的结果正在不断改善。计算方向梯度直方图的第一步是边缘检测。标准方法呈现在[6-10]中。

卷积神经网络(CNN)是一种前馈人工神经网络(ANN)，其中个体神经元按照它们对视野中的重叠区域进行响应的方式来平铺。当用于图像识别时，卷积神经网络(CNN)由多层小神经元集合组成，小神经元集合看到输入图像的小部分，称为接收域。然后将这些集合的结果平铺，以使得它们重叠以获得对原始图像的更好的表示；这对每个这样的层都进行重复。这些层形成分层系统，其中第一层寻找较低级别的特征；这是通过滤波器和图像之间的卷积来实现的。

假设对象检测算法将在记录的视频或静止图像上运行的现有方法存在许多问题。首先，对象检测通常需要图像处理系统来产生质量RGB图像或视频序列，这在许多情况下意味着增加的系统复杂度。其次，对象检测算法假设无关于图像源的任何知识，因为图像处理设置是未知的。因此，对象检测算法的性能在低光条件下可能会快速恶化。

发明内容

本发明是一种从图像中提取特征的方法，包括以下处理器或电路实现的步骤：

(a)从传感器提供数字图像；

(b)使用传感器中的噪声的模型或分布图(profile)来改善在图像上的特征提取或对象检测。

可选实现方式特征包括以下各项中的任何一项或多项：

·特征是边缘。

·特征是局部二进制模式。

·传感器噪声的模型或分布图用于对特征提取响应进行归一化。

·图像的定义区域中的传感器噪声用于对特征提取响应进行归一化。

·特征提取或对象检测是基于边缘检测的。