CN102779278B - 轮廓提取方法及*** - Google Patents
轮廓提取方法及*** Download PDFInfo
- Publication number
- CN102779278B CN102779278B CN201210230731.6A CN201210230731A CN102779278B CN 102779278 B CN102779278 B CN 102779278B CN 201210230731 A CN201210230731 A CN 201210230731A CN 102779278 B CN102779278 B CN 102779278B
- Authority
- CN
- China
- Prior art keywords
- image
- shape
- training sample
- identified
- shape profile
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Landscapes
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及图像处理技术领域,提供了一种轮廓提取方法及***。其中的方法包括:在输入图像中提取包含待识别物体的第一图像;根据缩放比例将ASM训练样本图像的形状模型仿射投影到第一图像,得到第一形状轮廓;从第一图像中缩小提取包含待识别物体的第二图像,根据缩放比例调整前一形状轮廓,得到第二形状轮廓,之后根据形状模型上任一特征点调整第二形状轮廓,得到第三形状轮廓。由于对待识别物体进行了至少两次提取,并相应地根据缩放比例对ASM训练样本图像的形状模型进行至少两次的自动调整,在保证并优化提取精度的同时,避免了手动设定初始移动坐标和缩放系数时提取精度差、提取时间长的问题,特别适用于远距离待识别物体轮廓的提取。
Description
技术领域
本发明属于图像处理技术领域,尤其涉及一轮廓提取方法及***。
背景技术
近些年,图像识别技术被广泛应用在身份验证、视频监控及人机交互等领域,主要包括对输入图像的目标检测、目标轮廓提取、目标识别三个步骤。其中,目标检测是指在给定的输入图像中判断目标的位置、大小或姿态的过程;目标轮廓提取是在目标检测基础上,通过一定的算法,提取出目标主要特征的过程,其目的是通过降维的方式,降低目标识别的数据量。
主动形状模型(ActiveShapeModel,ASM)是一种可实现目标轮廓提取的算法。具体而言,ASM是用一组离散的特征点来描述目标的形状,针对特定目标建立形状模型,并利用点分布模型(PrincipleDistributeModel,PDM)对特征点进行描述,然后建立形状模型中每个特征点附近的灰度模型,最后利用灰度模型在目标图像中搜索特征点的最佳位置,再调整形状模型的参数,最终使形状模型匹配到目标轮廓上。
在应用ASM对一输入图像中的待识别物体进行搜索匹配前,需将形状模型放置在待识别物***置相近的地方,并将该位置作为搜索匹配的起始位置。现有技术提供的轮廓提取方法在对待识别物体进行轮廓的初始定位时,需手动的设定形状模型在输入图像上的初始移动坐标和缩放系数,对不同距离的待识别物体,需要操作者依赖个人的视觉感受不断的手动修改初始移动坐标和缩放系数,因此,提取出的轮廓有偏差,提取精度较差,且提取时间长,特别是对于远离操作者的待识别物体的轮廓定位,问题更加突出。
在本背景技术本部分所公开的上述信息仅仅用于增加对本发明背景技术的理解,因此其可能包括不构成对该国的本领域普通技术人员已知的现有技术。
发明内容
本发明实施例的目的在于提供一轮廓提取方法,旨在解决现有的轮廓提取方法在对待识别物体进行轮廓初始定位时,需手动的设定形状模型在输入图像上的初始移动坐标和缩放系数,使得提取精度差、提取时间长的问题。
本发明实施例是这样实现的,一种轮廓提取方法,所述方法包括以下步骤:
在输入图像中检测待识别物体,提取出包含所述待识别物体的第一图像;
计算所述第一图像与存储的ASM训练样本图像的缩放比例,并根据所述缩放比例,将存储的所述ASM训练样本图像的形状模型仿射投影到所述第一图像,得到所述待识别物体的第一形状轮廓;
从所述第一图像中缩小提取包含所述待识别物体的第二图像;
计算所述第二图像与所述第一形状轮廓的缩放比例,并根据所述第二图像与所述第一形状轮廓的缩放比例,调整所述第一形状轮廓,得到所述第一图像上所述待识别物体的第二形状轮廓;
根据第一图像上的任一特征点调整所述第二形状轮廓,得到所述第一图像上所述待识别物体的第三形状轮廓。
本发明实施例的另一目的在于提供一种轮廓提取方法,所述方法包括以下步骤:
在输入图像中检测待识别物体,提取出包含所述待识别物体的第一图像;
计算所述第一图像与存储的ASM训练样本图像的缩放比例,并根据所述缩放比例,将存储的所述ASM训练样本图像的形状模型仿射投影到所述第一图像,得到所述待识别物体的第一形状轮廓;
根据所述第一图像上的参考坐标调整所述第一形状轮廓,得到中间形状轮廓,所述中间形状轮廓与所述第一图像上所述待识别物体基于所述参考坐标对齐;
从所述第一图像中缩小提取包含所述待识别物体的第二图像;
计算所述第二图像与所述中间形状轮廓的缩放比例,并根据所述第二图像与所述中间形状轮廓的缩放比例,调整所述中间形状轮廓,得到所述第一图像上所述待识别物体的第二形状轮廓;
根据第一图像上的任一特征点调整所述第二形状轮廓,得到所述第一图像上所述待识别物体的第三形状轮廓。
本发明实施例的另一目的在于提供一种轮廓提取***,所述***包括:
存储单元,用于存储ASM训练样本图像及其形状模型;
第一提取单元,用于在输入图像中检测待识别物体,提取出包含所述待识别物体的第一图像;
仿射投影单元,用于计算所述第一图像与所述存储单元存储的所述ASM训练样本图像的缩放比例,将所述存储单元存储的所述ASM训练样本图像的形状模型仿射投影到所述第一图像,得到所述待识别物体的第一形状轮廓;
第二提取单元,用于从所述第一图像中缩小提取包含所述待识别物体的第二图像;
第一调整单元,用于计算所述第二图像与所述仿射投影单元得到的所述第一形状轮廓的缩放比例,并根据所述第二图像与所述第一形状轮廓的缩放比例调整所述仿射投影单元得到的所述第一形状轮廓,得到所述待识别物体的的第二形状轮廓;
第二调整单元,用于根据所述第一图像上的任一特征点调整所述第一调整单元得到的所述第二形状轮廓,得到所述第一图像上所述待识别物体的第三形状轮廓。
本发明实施例的另一目的在于提供一种轮廓提取***,所述***包括:
存储单元,用于存储ASM训练样本图像及其形状模型;
第一提取单元,用于在输入图像中检测待识别物体,提取出包含所述待识别物体的第一图像;
仿射投影单元,用于计算所述第一图像与所述存储单元存储的所述ASM训练样本图像的缩放比例,将所述存储单元存储的所述ASM训练样本图像的形状模型仿射投影到所述第一图像,得到所述待识别物体的第一形状轮廓;
第四调整单元,用于根据所述第一图像上的参考坐标,调整所述仿射投影单元得到的所述第一形状轮廓,得到中间形状轮廓,所述中间形状轮廓与所述第一图像上所述待识别物体基于所述参考坐标对齐;
第二提取单元,用于从所述第一图像中缩小提取包含所述待识别物体的第二图像;
第五调整单元,用于计算所述第二图像与所述第四调整单元得到的所述中间形状轮廓的缩放比例,根据所述第二图像与所述中间形状轮廓的缩放比例调整所述第四调整单元得到的所述中间形状轮廓,得到所述待识别物体的第二形状轮廓;
第二调整单元,用于根据所述第一图像上的任一特征点调整所述第一调整单元得到的所述第二形状轮廓,得到所述第一图像上所述待识别物体的第三形状轮廓。
本发明实施例提供的轮廓提取方法及***是对待识别物体进行至少两次提取,并相应地根据缩放比例对ASM训练样本图像的形状模型进行至少两次的自动调整,在保证并优化提取精度的同时,避免了手动设定初始移动坐标和缩放系数时提取精度差、提取时间长的问题,特别适用于对于远离操作者的待识别物体轮廓的提取。
附图说明
图1是本发明第一实施例提供的轮廓提取方法的流程图;
图2是本发明第二实施例提供的轮廓提取方法的流程图;
图3是本发明第三实施例提供的轮廓提取方法的流程图;
图4a至图4e是当待识别物体为人脸时,与操作者距离不同的第一人脸图像;
图5a至图5e是与图4a至图4e一一对应的第一形状轮廓示意图;
图6a至图6e是与图3a至图3e一一对应的中间形状轮廓示意图;
图7a至图7e是当待识别物体为人脸时,与操作者距离不同的第二人脸图像;
图8a至图8e是与图7a至图7e一一对应的第二形状轮廓示意图;
图9a至图9e是与图8a至图8e一一对应的第三形状轮廓示意图;
图10a至图10e是与图9a至图9e一一对应的第四形状轮廓示意图;
图11是本发明第四实施例提供的轮廓提取***的结构图;
图12是本发明第五实施例提供的轮廓提取***的结构图;
图13是本发明实施例提供的轮廓提起***中仿射投影单元的结构图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。
针对现有技术存在的问题,本发明实施例提供的轮廓提取方法是对待识别物体的图像进行至少两次提取,并相应地根据缩放比例对ASM训练样本图像的形状模型进行至少两次的自动调整。
图1示出了本发明第一实施例提供的轮廓提取方法的流程。
在步骤S101中,在输入图像中检测待识别物体,提取出包含待识别物体的第一图像。
其中的输入图像是指外部图像采集设备采集并进行格式转化后输出的图像,该外部图像采集设备可以是摄像机、照相机等;其中的待识别物体可以是各种具有边界轮廓的有形物体,如人脸、人的肢体、车辆、工业用元器件等。优选地,本发明实施例采用adaboost算法(一种迭代算法)提取包含待识别物体的第一图像。
在步骤S102中,计算第一图像与存储的ASM训练样本图像的缩放比例,并根据该缩放比例将存储的ASM训练样本图像的形状模型仿射投影到第一图像,得到待识别物体的第一形状轮廓。
其中的缩放比例包括第一图像与ASM训练样本图像的第一宽度比值,以及第一图像与ASM训练样本图像的第一高度比值。在计算第一高度比值和第一宽度比值之后,根据第一宽度比值和ASM训练样本图像的形状模型的宽度,计算仿射变换后ASM训练样本图像的形状模型的宽度,并根据第一高度比值和ASM训练样本图像的形状模型的高度,计算仿射变换后ASM训练样本图像的形状模型的高度,然后根据计算得到的ASM训练样本图像的形状模型的宽度、以及ASM训练样本图像的形状模型的高度,将ASM训练样本图像的形状模型仿射投影到第一图像,得到待识别物体的第一形状轮廓。
举例来说,假设第一宽度比值为S11,第一高度比值为S12,则仿射变换后ASM训练样本图像的形状模型的宽度=ASM训练样本图像的形状模型的宽度*S11,仿射变换后ASM训练样本图像的形状模型的高度=ASM训练样本图像的形状模型的高度*S12。
在步骤S103中,从第一图像中缩小提取包含待识别物体的第二图像。优选地,本发明实施例采用adaboost算法从第一图像中缩小提取出第二图像。
在步骤S104中,计算第二图像与第一形状轮廓的缩放比例,并根据该缩放比例调整第一形状轮廓,得到第一图像上待识别物体的第二形状轮廓。
其中的缩放比例包括第二图像与第一形状轮廓的第二宽度比值,以及第二图像与第一形状轮廓的第二高度比值。在计算第二高度比值和第二宽度比值之后,根据第二宽度比值和第二高度比值调整第一形状轮廓,使得调整后的第一形状轮廓的宽度为第二图像的宽度,调整后第一形状轮廓的高度为第二图像的高度,从而得到第一图像上待识别物体的第二形状轮廓。
在步骤S105中,根据第一图像上的任一特征点调整第二形状轮廓,得到第一图像上待识别物体的第三形状轮廓,该第三形状轮廓即为提取出的待识别物体的轮廓。
为了提高轮廓的提取精度,在步骤S105之后,本发明第一实施例还可以包括步骤S106。
在步骤S106中,根据存储的ASM训练样本图像的纹理模型调整第三形状轮廓,得到第一图像上待识别物体的第四形状轮廓。
当然,在实际应用中,为了获得更高的提取精度,还可以反复执行S103至S106的步骤,以通过不断缩小包含待识别物体的图像,剔除图像的背景干扰,获得更精确的轮廓。
本发明第一实施例提供的轮廓提取方法是对待识别物体进行至少两次轮廓提取,并相应地根据缩放比例对ASM训练样本图像的形状模型进行至少两次的自动调整,在保证并优化提取精度的同时,避免了手动设定初始移动坐标和缩放系数时提取精度差、提取时间长的问题,特别适用于对于远离操作者的待识别物体轮廓的提取,且提取精度较高。
图2示出了本发明第二实施例提供的基于主动形状模型的轮廓提取方法的流程。
在步骤S201中,在输入图像中检测待识别物体,提取出包含待识别物体的第一图像。
在步骤S202中,计算第一图像与存储的ASM训练样本图像的缩放比例,并根据该缩放比例将存储的ASM训练样本图像的形状模型仿射投影到第一图像,得到待识别物体的第一形状轮廓。
其中,步骤S201-202的执行过程和上述实施例中的步骤S101-102的执行过程类似,详情参见本发明第一实施例的描述。
在步骤S203中,根据第一图像上的参考坐标调整第一形状轮廓,得到中间形状轮廓,该中间形状轮廓与第一图像上的待识别物体基于参考坐标对齐。
例如,当待识别物体是人脸、第一图像是人脸图像时,则参考坐标是人脸图像上,人脸轮廓的左右边界线与一条经过两个眼睛中心的中心线的两个交叉点坐标。
在步骤S204中,从第一图像中缩小提取包含待识别物体的第二图像。
优选地,本发明实施例采用adaboost算法从第一图像中缩小提取出第二图像。
在步骤S205中,计算第二图像与中间形状轮廓的缩放比例,根据该缩放比例调整中间形状轮廓,得到第二形状轮廓。
在步骤S206中,根据第一图像上的任一特征点调整第二形状轮廓,得到第一图像上待识别物体的第三形状轮廓。
同样地,为了提高轮廓的提取精度,在步骤S206之后,本发明第二实施例还可以包括步骤S207,在步骤S207中,根据存储的ASM训练样本图像的纹理模型调整第三形状轮廓,得到第四形状轮廓。
此外,在实际应用中,为了获得更高的提取精度,还可以反复执行S204至S207的步骤,以通过不断缩小包含待识别物体的图像,剔除图像的背景干扰,获得更精确的轮廓。
与本发明第一实施例不同,本发明第二实施例提供的轮廓提取方法在得到第一形状轮廓后,还根据参考坐标调整第一形状轮廓,得到中间形状轮廓,之后通过对中间形状轮廓的调整,得到第二形状轮廓。由于中间形状轮廓与第一图像上的待识别物体是基于该参考坐标对齐,从而可使得第二形状轮廓的位置与第一图像上的待识别物体更加接近并匹配,进一步提高了待识别物体的轮廓提取精度。
为了便于理解,下面以待识别物体是人脸为例,说明上述轮廓提取方法的一优选实施方式,如图3所示:
在步骤S301中,基于主动形状模型算法建立样本人脸图像的形状模型和纹理模型并存储。
在步骤S302中,采用adaboost算法在输入图像中检测人脸,提取出包含人脸的第一图像。例如,图4a所示为距离操作者1.5m处的第一图像,图4b所示为距离操作者2.0m处的第一图像,图4c所示为距离操作者2.5m处的第一图像,图4d所示为距离操作者3.0m处的第一图像,图4e所示为距离操作者4.0m处的第一图像。
在步骤S303中,计算第一图像与样本人脸图像的缩放比例S1。
在步骤S304中,根据缩放比例S1,将样本人脸图像的形状模型仿射投影到第一图像,得到人脸的第一形状轮廓T1。
例如,图5a至图5e分别为与图4a至图4e一一对应的第一形状轮廓T1。
在步骤S305中,根据第一图像上的参考坐标调整第一形状轮廓T1,得到第一图像上人脸的中间形状轮廓T2。
其中的参考坐标是指第一图像上,人脸轮廓的左右边界线分别与经过眼睛中心的中心线的交叉点坐标。例如,图6a至图6e分别为与图5a至图5e一一对应的中间形状轮廓T2。相对于第一形状轮廓T1,该中间形状轮廓T2基于两个交叉点坐标对齐,从而使得该中间形状轮廓T2更加对齐第一图像的中间位置。
在步骤S306中,从第一图像中缩小提取包含人脸的第二图像。例如,图7a所示为距离操作者1.5m处的第二图像,图7b所示为距离操作者2.0m处的第二图像,图7c所示为距离操作者2.5m处的第二图像,图7d所示为距离操作者3.0m处的第二图像,图7e所示为距离操作者4.0m处的第二图像。
在步骤S307中,计算第二图像与中间形状轮廓T2的缩放比例S2。
在步骤S308中,根据缩放比例S2,调整中间形状轮廓T2,得到第一图像上的第二形状轮廓T3。
例如,图8a至图8e分别为与图7a至图7e一一对应的第二形状轮廓T3。相对于中间形状轮廓T2,该第二形状轮廓T3的大小根据第二图像的大小进行了相应的调整,从而使得该第二形状轮廓T3与第二图像更加吻合。
在步骤S309中,根据第一图像上的任一特征点调整第二形状轮廓T3,得到第一图像上的第三形状轮廓T4,该特征点为建立样本人脸图像的形状模型时,由用户预先标定的初始点。
例如,图9a至图9e分别为与图8a至图8e一一对应的第三形状轮廓T4。相对于第二形状轮廓T3,该第三形状轮廓T4与第一图像上的任一特征点对齐,从而使得该第三形状轮廓T4更加对齐第一图像的中间位置。
在步骤S310中,根据样本人脸图像的纹理模型调整第三形状轮廓T4,得到第一图像上的第四形状轮廓T5。
例如,图10a至图10e分别为与图9a至图9e一一对应的第四形状轮廓T5。相对于第三形状轮廓T4,该第四形状轮廓T5是由纹理模型在初始特征点周围搜寻到的局部最优特征点构成,从而使得该第四形状轮廓T5的轮廓更加精确。
图11示出了本发明第四实施例提供的轮廓提取***的结构示意图,该轮廓提取***可以实现本发明第一实施例提供的轮廓提取方法,为了便于说明,仅示出了与本发明实施例相关的部分。
本发明第四实施例提供的轮廓提取***包括:存储单元11,用于存储ASM训练样本图像及其形状模型;第一提取单元12,用于在输入图像中检测待识别物体,提取出包含待识别物体的第一图像;仿射投影单元13,用于计算第一提取单元12提取出的第一图像与存储单元11存储的ASM训练样本图像的缩放比例,并根据计算得到的缩放比例将存储单元11存储的ASM训练样本图像的形状模型仿射投影到第一提取单元12提取出的第一图像,得到待识别物体的第一形状轮廓;第二提取单元14,用于从第一提取单元12提取出的第一图像中缩小提取包含待识别物体的第二图像;第一调整单元15,用于计算第二提取单元14提取出的第二图像与仿射投影单元13得到的第一形状轮廓的缩放比例,并根据计算得到的缩放比例调整仿射投影单元13得到的第一形状轮廓,得到第一图像上待识别物体的第二形状轮廓;第二调整单元16,用于根据第一图像上的任一特征点调整第一调整单元15得到的第二形状轮廓,得到第一图像上待识别物体的第三形状轮廓,该第三形状轮廓即为提取出的待识别物体的轮廓。
本发明第四实施例提供的轮廓提取***是通过第一提取单元12和第二提取单元14对待识别物体进行两次提取,并相应地根据缩放比例对ASM训练样本图像的形状模型进行两次自动调整,在保证并优化提取精度的同时,避免了手动设定初始移动坐标和缩放系数时提取精度差、提取时间长的问题,特别适用于对于远离操作者的待识别物体轮廓的提取。
为了提高轮廓的提取精度,本发明第四实施例提供的轮廓提取***中,存储单元11还用于存储ASM训练样本图像的纹理模型,本发明第一实施例提供的轮廓提取***还可以包括:第三调整单元17,用于根据存储单元11存储的ASM训练样本图像的纹理模型,调整第二调整单元16得到的第三形状轮廓,从而得到第一提取单元12提取出的第一图像上待识别物体的第四形状轮廓。
图12示出了本发明第五实施例提供的轮廓提取***的结构,该轮廓提取***可以实现本发明第二实施例提供的轮廓提取方法,为了便于说明,仅示出了与本发明实施例相关的部分。
本发明第二实施例提供的轮廓提取***包括:存储单元11,用于存储ASM训练样本图像及其形状模型;第一提取单元12,用于在输入图像中检测待识别物体,提取出包含待识别物体的第一图像;仿射投影单元13,用于计算第一提取单元12提取出的第一图像与存储单元11存储的ASM训练样本图像的缩放比例,并根据计算得到的缩放比例将存储单元11存储的ASM训练样本图像的形状模型仿射投影到第一提取单元12提取出的第一图像,得到待识别物体的第一形状轮廓;第四调整单元18,用于根据第一提取单元12提取出的第一图像上的参考坐标,调整仿射投影单元13得到的第一形状轮廓,得到中间形状轮廓,该中间形状轮廓与第一图像上的待识别物体基于参考坐标对齐;第二提取单元14,用于从第一提取单元12提取出的第一图像中缩小提取包含待识别物体的第二图像;第五调整单元19,用于计算第二提取单元14提取出的第二图像与第四调整单元18得到的中间形状轮廓的缩放比例,根据该缩放比例调整第四调整单元18得到的中间形状轮廓,得到待识别物体的第二形状轮廓;第二调整单元16,用于根据第一图像上的任一特征点调整第五调整单元19得到的第二形状轮廓,得到第一图像上待识别物体的第三形状轮廓,该第三形状轮廓即为提取出的待识别物体的轮廓。
与图11所示不同,本发明第五实施例提供的轮廓提取***增加了用于根据参考坐标调整第一形状轮廓并得到中间形状轮廓的第四调整单元18,之后由第五调整单元19对中间形状轮廓进行调整,得到第二形状轮廓。由于中间形状轮廓与第一图像上的待识别物体是基于该参考坐标对齐,从而可使得第二形状轮廓的位置与第一图像上的待识别物体更加接近并匹配,进一步提高了待识别物体的轮廓提取精度。
同样地,为了提高轮廓的提取精度,本发明第五实施例提供的轮廓提取***中,存储单元11还用于存储ASM训练样本图像的纹理模型,本发明第五实施例提供的轮廓提取***还可以包括:第三调整单元17,用于根据存储单元11存储的ASM训练样本图像的纹理模型,调整第二调整单元16得到的第三形状轮廓,从而得到第一提取单元12提取出的第一图像上待识别物体的第四形状轮廓。
图13示出了本发明实施例提供的轮廓提起***中仿射投影单元13的结构。
具体地,仿射投影单元13可以包括:第一计算模块131,用于计算第一提取单元12提取出的第一图像与存储单元11存储的ASM训练样本图像的第一宽度比值,并计算第一提取单元12提取出的第一图像与存储单元11存储的ASM训练样本图像的第一高度比值;第二计算模块132,用于根据第一计算模块131计算得到的第一宽度比值和存储单元11存储的ASM训练样本图像的形状模型的宽度,计算仿射变换后ASM训练样本图像的形状模型的宽度,并根据第一计算模块131计算得到的第一高度比值和存储单元11存储的ASM训练样本图像的形状模型的高度,计算仿射变换后ASM训练样本图像的形状模型的高度;仿射投影模块133,用于根据第二计算模块132计算得到的ASM训练样本图像的形状模型的高度、以及ASM训练样本图像的形状模型的高度,将存储单元11存储的ASM训练样本图像的形状模型仿射投影到第一提取单元12提取出的第一图像,得到待识别物体的第一形状轮廓。
本发明实施例提供的轮廓提取方法及***是对待识别物体进行至少两次提取,并相应地根据缩放比例对ASM训练样本图像的形状模型进行至少两次的自动调整,在保证并优化提取精度的同时,避免了手动设定初始移动坐标和缩放系数时提取精度差、提取时间长的问题,特别适用于对于远离操作者的目标物体轮廓的提取。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来控制相关的硬件完成,所述的程序可以在存储于一计算机可读取存储介质中,所述的存储介质,如ROM/RAM、磁盘、光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (12)
1.一种轮廓提取方法,其特征在于,所述方法包括以下步骤:
在输入图像中检测待识别物体,提取出包含所述待识别物体的第一图像;
计算所述第一图像与存储的ASM训练样本图像的缩放比例,并根据缩放比例将存储的所述ASM训练样本图像的形状模型仿射投影到所述第一图像,得到所述待识别物体的第一形状轮廓;
从所述第一图像中缩小提取包含所述待识别物体的第二图像;
计算所述第二图像与所述第一形状轮廓的缩放比例,并根据所述第二图像与所述第一形状轮廓的缩放比例,调整所述第一形状轮廓,得到所述第一图像上所述待识别物体的第二形状轮廓;
根据存储的所述第一图像上的任一特征点调整所述第二形状轮廓,得到所述第一图像上所述待识别物体的第三形状轮廓。
2.如权利要求1所述的轮廓提取方法,其特征在于,所述第一图像与存储的ASM训练样本图像的缩放比例包括所述第一图像与所述ASM训练样本图像的第一宽度比值,以及所述第一图像与所述ASM训练样本图像的第一高度比值;
所述根据缩放比例将存储的所述ASM训练样本图像的形状模型仿射投影到所述第一图像的步骤具体包括:
根据所述第一宽度比值和所述ASM训练样本图像的形状模型的宽度,计算仿射变换后所述ASM训练样本图像的形状模型的宽度,并根据所述第一高度比值和所述ASM训练样本图像的形状模型的高度,计算仿射变换后所述ASM训练样本图像的形状模型的高度;
根据计算得到的所述ASM训练样本图像的形状模型的高度、以及所述ASM训练样本图像的形状模型的高度,将所述ASM训练样本图像的形状模型仿射投影到所述第一图像。
3.如权利要求1或2所述的轮廓提取方法,其特征在于,在所述得到所述第一图像上所述待识别物体的第三形状轮廓的步骤之后,所述方法还包括以下步骤:
根据存储的所述ASM训练样本图像的纹理模型调整所述第三形状轮廓,得到所述第一图像上所述待识别物体的第四形状轮廓。
4.一种轮廓提取方法,其特征在于,所述方法包括以下步骤:
在输入图像中检测待识别物体,提取出包含所述待识别物体的第一图像;
计算所述第一图像与存储的ASM训练样本图像的缩放比例,并根据缩放比例将存储的所述ASM训练样本图像的形状模型仿射投影到所述第一图像,得到所述待识别物体的第一形状轮廓;
根据所述第一图像上的参考坐标调整所述第一形状轮廓,得到中间形状轮廓,所述中间形状轮廓与所述第一图像上所述待识别物体基于所述参考坐标对齐;
从所述第一图像中缩小提取包含所述待识别物体的第二图像;
计算所述第二图像与所述中间形状轮廓的缩放比例,并根据所述第二图像与所述中间形状轮廓的缩放比例,调整所述中间形状轮廓,得到所述第一图像上所述待识别物体的第二形状轮廓;
根据所述第一图像上的任一特征点调整所述第二形状轮廓,得到所述第一图像上所述待识别物体的第三形状轮廓。
5.如权利要求4所述的轮廓提取方法,其特征在于,所述第一图像与存储的ASM训练样本图像的缩放比例包括所述第一图像与所述ASM训练样本图像的第一宽度比值,以及所述第一图像与所述ASM训练样本图像的第一高度比值;
所述根据缩放比例将存储的所述ASM训练样本图像的形状模型仿射投影到所述第一图像的步骤具体包括:
根据所述第一宽度比值和所述ASM训练样本图像的形状模型的宽度,计算仿射变换后所述ASM训练样本图像的形状模型的宽度,并根据所述第一高度比值和所述ASM训练样本图像的形状模型的高度,计算仿射变换后所述ASM训练样本图像的形状模型的高度;
根据计算得到的所述ASM训练样本图像的形状模型的高度、以及所述ASM训练样本图像的形状模型的高度,将所述ASM训练样本图像的形状模型仿射投影到所述第一图像。
6.如权利要求4或5所述的轮廓提取方法,其特征在于,在所述得到所述第一图像上所述待识别物体的第三形状轮廓的步骤之后,所述方法还包括以下步骤:
根据存储的所述ASM训练样本图像的纹理模型调整所述第三形状轮廓,得到所述第一图像上所述待识别物体的第四形状轮廓。
7.一种轮廓提取***,其特征在于,所述***包括:
存储单元,用于存储ASM训练样本图像及其形状模型;
第一提取单元,用于在输入图像中检测待识别物体,提取出包含所述待识别物体的第一图像;
仿射投影单元,用于计算所述第一图像与所述存储单元存储的所述ASM训练样本图像的缩放比例,将所述存储单元存储的所述ASM训练样本图像的形状模型仿射投影到所述第一图像,得到所述待识别物体的第一形状轮廓;
第二提取单元,用于从所述第一图像中缩小提取包含所述待识别物体的第二图像;
第一调整单元,用于计算所述第二图像与所述仿射投影单元得到的所述第一形状轮廓的缩放比例,并根据所述第二图像与所述第一形状轮廓的缩放比例调整所述仿射投影单元得到的所述第一形状轮廓,得到所述待识别物体的第二形状轮廓;
第二调整单元,用于根据所述第一图像上的任一特征点调整所述第一调整单元得到的所述第二形状轮廓,得到所述第一图像上所述待识别物体的第三形状轮廓。
8.如权利要求7所述的轮廓提取***,其特征在于,所述仿射投影单元包括:
第一计算模块,用于计算所述第一图像与所述存储单元存储的所述ASM训练样本图像的第一宽度比值,并计算所述第一图像与所述存储单元存储的所述ASM训练样本图像的第一高度比值;
第二计算模块,用于根据所述第一计算模块计算得到的所述第一宽度比值和所述存储单元存储的所述ASM训练样本图像的形状模型的宽度,计算仿射变换后ASM训练样本图像的形状模型的宽度,并根据所述第一计算模块计算得到的所述第一高度比值和所述存储单元存储的所述ASM训练样本图像的形状模型的高度,计算仿射变换后ASM训练样本图像的形状模型的高度;
仿射投影模块,用于根据所述第二计算模块计算得到的所述ASM训练样本图像的形状模型的高度、以及所述ASM训练样本图像的形状模型的高度,将所述存储单元存储的所述ASM训练样本图像的形状模型仿射投影到所述第一图像,得到所述待识别物体的第一形状轮廓。
9.如权利要求7或8所述的轮廓提取***,其特征在于,所述存储单元还用于存储所述ASM训练样本图像的纹理模型,所述***还包括:
第三调整单元,用于根据所述存储单元存储的所述ASM训练样本图像的纹理模型,调整所述第二调整单元得到的所述第三形状轮廓,从而得到所述第一图像上所述待识别物体的第四形状轮廓。
10.一种轮廓提取***,其特征在于,所述***包括:
存储单元,用于存储ASM训练样本图像及其形状模型;
第一提取单元,用于在输入图像中检测待识别物体,提取出包含所述待识别物体的第一图像;
仿射投影单元,用于计算所述第一图像与所述存储单元存储的所述ASM训练样本图像的缩放比例,将所述存储单元存储的所述ASM训练样本图像的形状模型仿射投影到所述第一图像,得到所述待识别物体的第一形状轮廓;
第四调整单元,用于根据所述第一图像上的参考坐标,调整所述仿射投影单元得到的所述第一形状轮廓,得到中间形状轮廓,所述中间形状轮廓与所述第一图像上所述待识别物体基于所述参考坐标对齐;
第二提取单元,用于从所述第一图像中缩小提取包含所述待识别物体的第二图像;
第五调整单元,用于计算所述第二图像与所述第四调整单元得到的所述中间形状轮廓的缩放比例,根据所述第二图像与所述中间形状轮廓的缩放比例调整所述第四调整单元得到的所述中间形状轮廓,得到所述待识别物体的第二形状轮廓;
第二调整单元,用于根据所述第一图像上的任一特征点调整所述第五调整单元得到的所述第二形状轮廓,得到所述第一图像上所述待识别物体的第三形状轮廓。
11.如权利要求10所述的轮廓提取***,其特征在于,所述仿射投影单元包括:
第一计算模块,用于计算所述第一图像与所述存储单元存储的所述ASM训练样本图像的第一宽度比值,并计算所述第一图像与所述存储单元存储的所述ASM训练样本图像的第一高度比值;
第二计算模块,用于根据所述第一计算模块计算得到的所述第一宽度比值和所述存储单元存储的所述ASM训练样本图像的形状模型的宽度,计算仿射变换后ASM训练样本图像的形状模型的宽度,并根据所述第一计算模块计算得到的所述第一高度比值和所述存储单元存储的所述ASM训练样本图像的形状模型的高度,计算仿射变换后ASM训练样本图像的形状模型的高度;
仿射投影模块,用于根据所述第二计算模块计算得到的所述ASM训练样本图像的形状模型的高度、以及所述ASM训练样本图像的形状模型的高度,将所述存储单元存储的所述ASM训练样本图像的形状模型仿射投影到所述第一图像,得到所述待识别物体的第一形状轮廓。
12.如权利要求10或11所述的轮廓提取***,其特征在于,所述存储单元还用于存储所述ASM训练样本图像的纹理模型,所述***还包括:
第三调整单元,用于根据所述存储单元存储的所述ASM训练样本图像的纹理模型,调整所述第二调整单元得到的所述第三形状轮廓,从而得到所述第一图像上所述待识别物体的第四形状轮廓。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210230731.6A CN102779278B (zh) | 2012-07-04 | 2012-07-04 | 轮廓提取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201210230731.6A CN102779278B (zh) | 2012-07-04 | 2012-07-04 | 轮廓提取方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102779278A CN102779278A (zh) | 2012-11-14 |
CN102779278B true CN102779278B (zh) | 2016-08-03 |
Family
ID=47124188
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201210230731.6A Active CN102779278B (zh) | 2012-07-04 | 2012-07-04 | 轮廓提取方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102779278B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103268384B (zh) * | 2013-06-01 | 2016-02-17 | 哈尔滨工业大学 | 一种有序提取结构轮廓的方法 |
CN105472238A (zh) * | 2015-11-16 | 2016-04-06 | 联想(北京)有限公司 | 一种图像处理方法及电子设备 |
CN111461136B (zh) * | 2019-01-21 | 2023-12-08 | 京东科技信息技术有限公司 | 数据处理方法、装置、***、计算机可读存储介质 |
CN113706498A (zh) * | 2021-08-25 | 2021-11-26 | 广东奥普特科技股份有限公司 | 一种锂电池极片视觉检测装置 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1510973A2 (en) * | 2003-08-29 | 2005-03-02 | Samsung Electronics Co., Ltd. | Method and apparatus for image-based photorealistic 3D face modeling |
CN101739676A (zh) * | 2009-12-04 | 2010-06-16 | 清华大学 | 一种制作超低分辨率人脸模拟像的方法 |
-
2012
- 2012-07-04 CN CN201210230731.6A patent/CN102779278B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP1510973A2 (en) * | 2003-08-29 | 2005-03-02 | Samsung Electronics Co., Ltd. | Method and apparatus for image-based photorealistic 3D face modeling |
CN101739676A (zh) * | 2009-12-04 | 2010-06-16 | 清华大学 | 一种制作超低分辨率人脸模拟像的方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102779278A (zh) | 2012-11-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US10198823B1 (en) | Segmentation of object image data from background image data | |
TWI684922B (zh) | 基於圖像的車輛定損方法、裝置、電子設備及系統 | |
CN104317391B (zh) | 一种基于立体视觉的三维手掌姿态识别交互方法和*** | |
CN107392958B (zh) | 一种基于双目立体摄像机确定物体体积的方法及装置 | |
CN108089191B (zh) | 一种基于激光雷达的全局定位***及方法 | |
CN102855459B (zh) | 用于特定前景物体的检测验证的方法和*** | |
CN108830892B (zh) | 人脸图像处理方法、装置、电子设备及计算机可读存储介质 | |
CN105719352B (zh) | 人脸三维点云超分辨率融合方法及应用其的数据处理装置 | |
CN105205779A (zh) | 一种基于图像变形的眼部图像处理方法、***及拍摄终端 | |
WO2022267481A1 (zh) | 多摄像设备的外参标定设备和方法、存储介质、电子设备 | |
CN102779278B (zh) | 轮廓提取方法及*** | |
US20170091577A1 (en) | Augmented reality processing system and method thereof | |
JP5833507B2 (ja) | 画像処理装置 | |
CN107729875A (zh) | 三维人脸识别方法和装置 | |
CN102955664A (zh) | 电子书显示调整***及方法 | |
CN103810708A (zh) | 一种激光散斑图像深度感知方法及装置 | |
CN104281839A (zh) | 一种人体姿势识别方法和装置 | |
CN103745209A (zh) | 一种人脸识别方法及*** | |
CN112085031A (zh) | 目标检测方法及*** | |
CN103905824A (zh) | 视频语义检索与压缩同步的摄像***与方法 | |
CN104135612A (zh) | 一种可调节拍摄主***置的拍摄方法和拍摄装置 | |
US20150104105A1 (en) | Computing device and method for jointing point clouds | |
CN111325828A (zh) | 一种基于三目相机的三维人脸采集方法及装置 | |
Mo et al. | PVDet: Towards pedestrian and vehicle detection on gigapixel-level images | |
US8731326B2 (en) | Object recognition system and method |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |