[发明专利]基于斜率差分布的形状匹配与物体识别方法

说明书

本发明公开了一种基于斜率差分布的形状匹配与物体识别方法。通过计算物体中心到物体轮廓上所有点的距离得到一维距离分布，通过离散傅立叶变换在频域对一维距离分布进行滤波，再计算滤波后的一维距离分布的斜率差分布，通过令斜率差分布的导数等于零求解出斜率差分布的谷值位置与峰值位置，将这些谷值位置与峰值位置映射到物体轮廓上得到二维斜率差特征点，利用归一化后的二维斜率差特征点对每类物体形状建模，通过计算在线检测到的二进制物体的归一化二维斜率差特征点与每类物体形状模型的归一化二维斜率差特征点的最小距离和，识别出被检测二进制物体的类别。

技术领域

本发明涉及二进制物体的形状匹配与识别技术，特别是涉及通过计算物体中心到物体轮廓上所有点的距离得到一维距离分布，通过离散傅立叶变换在频域对一维距离分布进行滤波，再计算滤波后的一维距离分布的斜率差分布，通过令斜率差分布的导数等于零求解出斜率差分布的谷值位置与峰值位置，将这些谷值位置与峰值位置映射到物体轮廓上得到二维斜率差特征点，利用归一化后的二维斜率差特征点对每类物体形状建模，通过计算在线检测到的二进制物体的归一化二维斜率差特征点与每类物体形状模型的归一化二维斜率差特征点的最小距离和，识别出被检测二进制物体的类别。

背景技术

本发明涉及一种二进制物体的形状匹配与识别技术。二进制物体的形状识别是模式识别的重要研究内容，传统的二进制物体形状识别技术很多，如基于傅里叶描述子的形状识别方法， 基于主分量分析的形状识别方法，基于不变性距的形状识别方法等。然而这些传统的方法的识别精度不高，严重限制了物体目标识别的应用与发展。本发明基于斜率差分布特征点进行形状匹配与物体识别，斜率差分布是近几年申请人提出的一种新的一维分布特征点计算方法，它被成功地应用到阈值选取与聚类领域，与传统方法相比取得了颠覆性的精度超越，请参见文献Z.Z. Wang, “A new approach for segmentation andquantification of cells or nanoparticles,” IEEE T Ind. Inform., 12(3): 962-971, (2016)。Z.Z. Wang, “Determining the clustering centers by slopedifference distribution,”IEEE Access, 5, 10995-11002,(2017)。本发明将斜率差分布的应用扩展到对二维物体轮廓的特征点求解，通过在一维距离分布上求解一维斜率差特征点再映射到二维物体轮廓上的方法，成功地获得一系列二维斜率差特征点，大量实验表明基于斜率差分布的形状匹配与物体识别方法也具有颠覆传统物体识别方法的精度与潜力。

发明内容

本发明的目的是针对现有的物体形状识别方法精度偏低，无法满足一些高精度识别应用的要求，提供一种基于斜率差分布的形状匹配与物体识别方法，通过斜率差特征点对物体形状进行建模，并且利用每类形状模型中斜率差特征点与被检测形状的斜率差特征点最小距离和进行物体识别。

为了实现上述发明的目的，本发明采用下述技术方案实现：

该方法通过计算物体中心到物体轮廓上所有点的距离得到一维距离分布，通过离散傅立叶变换在频域对一维距离分布进行滤波，再计算滤波后的一维距离分布的斜率差分布，该方法通过计算一维距离分布的斜率差分布以及斜率差特征点，并且利用一维距离分布点与物体轮廓点的一一对应关系，将一维斜率差特征点映射到物体轮廓上得到二维斜率差特征点，利用归一化后的二维斜率差特征点对每类物体形状建模，通过计算在线检测到的二进制物体的归一化二维斜率差特征点与每类物体形状模型的归一化二维斜率差特征点的最小距离和，识别出被检测二进制物体的类别。

本发明与现有技术相比，有如下优点：

本发明的基于斜率差分布的形状匹配与物体识别方法，能够鲁棒地计算出物体形状的斜率差特征点，通过匹配归一化的斜率差特征点进行物体识别，不仅识别准确率明显高于现有物体识别技术，效率也有所提高。

附图说明

图1为本发明的工作流程图。

具体实施方式