CN105825215A - 一种基于局部近邻嵌入核函数的仪表定位方法及其使用载体 - Google Patents

Abstract

本发明涉及一种基于局部近邻嵌入核函数的仪表定位方法及其使用载体，包括以下步骤：1)定义一个核函数，初步提取图像特征；2)降维并提取图像显著特征；3)相似性度量；4)显著性检验；5)通过非极大值抑制方法，将相似性小于某一阈值的区域排除，保留最大相似区域，最终得到仪表定位结果。本发明采用局部近邻嵌入核函数算法，先初步提取图像特征，再运用邻域保持嵌入算法(NPE)算法降维提取其显著特征，划分显著特征区域，再结合矩阵余弦相似性、显著性检验及非极大值抑制方法实现仪表定位，既可以确保匹配的准确度，又可以提高定位速度。

Description

一种基于局部近邻嵌入核函数的仪表定位方法及其使用载体

技术领域

本发明属于一种仪表定位方法技术范畴，尤其是属于一种基于局部近邻嵌入核函数的仪表定位方法，并确立了该方法的使用载体。

背景技术

近年来，对图像中目标的定位技术，已经广泛应用于军事、智能交通、工业监控等领域。在智能交通领域，通过对各种电子监控设备采集到的车辆图像信息中的车牌进行定位，来监控违章车辆，这一举措大大提高了执法效率。在工业监控领域，随着工业化进程的不断发展，越来越多的仪器仪表需要定期检查与维修。利用图像检测技术对仪表进行自动定位，可以大大节省人工搜寻仪表的时间，并且为机器人及视觉采集设备在一些人工无法到达的环境下对仪表的巡检及维修提供可能。

图像定位作为计算机视觉的重要研究内容，具体过程如下：将待定位目标转化为图像信息，将其传输到图像处理***，通过分析像素、亮度等信息提取图像特征，并经过相似性比对，实现目标的定位功能。现有的图像检测方法种类繁多，几种经典方法在具体的问题中发挥着各自的作用。如基于神经网络的图像检测方法，基于支持向量机的图像检测方法，以及基于自适应增强算法和子空间学习方法的图像检测算法等。

人工神经网络(ArtificialNeuralNetwork,ANN)是通过模仿大脑的神经网络结构和功能建立的一种信息处理***。利用神经网络检测目标的简单方法是将图像中待定位目标区域的每个像素值当作输入，得到是或者非的两种输出结果，这种方法的计算复杂度过高。因此，有学者又进一步提出利用卷积神经网络的方法实现图像的定位。

支持向量机(SupportVectorMachine,SVM)是一种基于统计学习理论的机器学习方法,根据结构风险最小化原理为不同类别的样本数据寻找一个最优分类面。其主要方法是：在训练集中，根据已有的预定义特征点提取感兴趣目标与非感兴趣目标之间差别最大的几个局部区域，在图像定位过程中，运用多个线性SVM分别对各个目标特征区域进行检测，再用一个线性SVM进一步检测筛选出的部分是否符合目标对象的几何结构。

自适应增强算法(AdaptiveBoosting,AdaBoost)是一种迭代算法，其思想是针对同一个训练集，训练得到一些不同的弱分类器，然后将这些弱分类器融合，形成一个较强的分类器。AdaBoost算法根据弱分类器对样本分类的正确率自适应地调整每个样本的权值，但它存在着忽视了弱分类器之间相关性的问题，因此有学者针对传统AdaBoost算法的这一缺点进行了改进，有效提高了算法的学习精度。

子空间学习方法是将目标图像中高维的数据映射到低维子空间，在有限的空间区域内提取显著特征，比较训练样本和测试样本之间的距离。基于子空间学习的图像检测算法能够降低样本维度，排除样本的冗余信息，有效地减小计算复杂度。

然而，针对仪表定位这一特殊问题，有关学者进一步从特征改进的层面提出许多新颖而有效的算法，如基于加强稳健特征(SpeededUpRobustFeatures,SURF)的一种仪表定位方法,该算法先对目标图像中待测区域进行预处理，再运用SURF算法对待测图像和数据库中的仪表设备模板图片分别进行特征点检测，并求其描述子，通过随机采样一致性(RandomSampleConsensus,RANSAC)对检测到的特征点作精确配准，最后根据这一配准结果来判定设备和仪表在待测区域的位置坐标。除此之外，在处理图像匹配问题时，另一种经典算法即尺度不变特征变换算法(ScaleInvariantFeatureTransform,SIFT)也被广泛应用，该算法通过计算不变特征向量的距离来确定候选匹配点对，从而对图像进行匹配，但它的每个特征点用128维向量表示，要处理的数据量很大，这样就会出现无法精确控制、运算速度慢、配准点精度不高等问题。针对SIFT算法存在的局限性，相关研究人员还提出一种基于局部显著特征的快速图像配准方法，这一方法是在SIFT基础上进行改进的，可以极大地减少特征点提取，加快算法运算速度。然而这些经典方法很容易出现因特征点数量少而匹配失败的情况，因此该发明提出采用局部近邻嵌入核函数算法来解决仪表自动定位问题。

发明内容

仪表定位的目的是减少工作量，快速准确地判断仪表的位置。目前一些经典的图像定位、匹配方法存在着特征点提取不当的问题，如经典的SIFT算法，特征点选取过多，这样会导致处理的数据量过大，而特征点数量减少又会导致匹配失败。本发明的目的在于克服现有图像匹配方法因选取特征点数量不当造成的定位不准确的问题，着重研究了仪表的定位问题，提出一种基于局部近邻嵌入核函数的仪表定位方法，并确立了其使用载体，最终解决了现有技术缺陷。

本发明采用如下技术方案实现。

一种基于局部近邻嵌入核函数的仪表定位方法，本发明特征在于，包括以下步骤：1)定义一个核函数，初步提取图像特征；2)降维并提取图像显著特征，即运用邻域保持嵌入算法提取其显著特征；3)相似性度量，即采用矩阵余弦相似性作为判决准则，比较特征矩阵之间的相似性；4)显著性检验，即对目标图像进行显著性检验找到所有可能相似的对象，并进行标注，划分出显著特征区域；5)通过非极大值抑制方法，将相似性小于某一阈值的区域排除，保留最大相似区域，最终得到仪表定位结果。

本发明步骤1还包括以下步骤，1)首先计算图像局部特征，定义如下核函数表达式：

$K(x_l-x;H_l)=\frac{K\left(H_l^{-1}\right(x_l-x\left)\right)}{\det \left(H_l\right)},l=1,...,P^2,---\left(1\right)$

是空间坐标，P²是局部窗(P×P)中像素点的数目，取其大小为(7×7)；H_l为转向矩阵，其表达式为h是一个全局平滑参数；矩阵C_l是通过计算每个像素点的梯度向量G得到的协方差矩阵，计算公式为：

$C_l=({\mathrm{cV}}_{i1}\×V_{i2}+\frac{V_{i1}\×V_{i2}^T}{c})\×{\left(\frac{S_{11}\×S_{22}+\mathrm{\ϵ}}{K}\right)}^{\mathrm{\α}},---\left(2\right)$

其中，矩阵V和S是梯度向量G通过奇异值分解(SingularValueDecomposition,SVD)得到的，系数K是半径为P的圆形区域均值滤波器参数，α是灵敏度参数；

选用高斯函数作为核函数K(·)，得到如下描述子：

$K(x_l-x;H_l)=\frac{\sqrt{\det \left(C_l\right)}}{2{\mathrm{\πh}}^2}\exp \{-\frac{{(x_l-x)}^T{C}_l(x_l-x)}{2h^2}\}---\left(3\right)$

2)对查询图像Q和目标图像T分别运用上述核计算得到描述子W_Q和W_T：

$W_Q=\[w_Q^1,...,w_Q^n\]\∈{\mathrm{IR}}^{P^2\×n},---\left(4\right)$

$W_T=\[w_T^1,...,w_T^n\]\∈{\mathrm{IR}}^{P^2\×n_T},---\left(5\right)$

其中，和分别是构成矩阵W_Q和W_T的列向量，的计算过程为：其中，m²是图像子块T_i的大小，共分成n个m×m大小的片段。

本发明所述的矩阵W_Q后续进行降维并提取显著特征，采用邻域保持嵌入算法(NeighborhoodPreservingEmbedding,NPE)对W_Q降维；在进行数据降维之前，先将矩阵W_Q中的每个向量划分成N个子块，每个子块包含一个特征向量以及与之相关的几个向量，这些子块的划分取决于数据集的特征及算法的目标；W_Q中任意列向量的k临近表示为则用来表示每一个子块，对于每一个都有一个局部映射降维后的子矩阵定义局部最优函数为：

$\arg \min tr\left(F_Q^i{L}_i{F}_Q^{i^T}\right),---\left(6\right)$

其中，tr(·)称为迹算子，L_i∈R^(k+1)×(k+1),每个子块的目标函数取决于L_i，不同的算法中L_i是不相同的；

每个对应一个低维矩阵所有的可以合成矩阵则：

$F_Q^i=F_Q{S}_i,---\left(7\right)$

其中，S_i∈R^n×(k+1)是选择矩阵；

将式(7)代入(6)，局部最优函数的表达式变为：

argmintr(F_QS_iL_iS_i ^TF_Q ^T),(8)

对其求和便得到全局最优函数：

$\arg \min {\Σ}_{i=1}^{n}tr\left(F_Q{S}_i{L}_i{S_i}^T{F_Q}^T\right)=\arg \min tr\left(F_Q\right({\mathrm{\Σ}}_{i=1}^n{S}_i{L}_i{S}_i^T\left){F_Q}^T\right)=\arg \min tr\left(F_Q{{\mathrm{LF}}_Q}^T\right),---\left(9\right)$

其中，是目标一致性矩阵，通过以下迭代过程得到：

L(N_i,N_i)←L(N_i,N_i)+L_i(10)

其中，N_i＝{i，i₁，...，i_k}，是第i个子矩阵或中向量的标识，i＝1,…,n，初始值L＝0，L(N_i,N_i)是在目标一致性矩阵L中根据N_i来选择几个特定的行或者列得到的子矩阵；

为了唯一地确定F_Q，在公式(9)的基础上限制F_QF_Q ^T＝I_d，I_d是一个d×d的单位矩阵；那么，目标函数就可以定义为：

argmintr(F_QLF_Q ^T)，当F_QF_Q ^T＝I_d(11)

对于线性降维，降维后的矩阵与原矩阵之间有如下的映射关系：

F_Q＝A_Q ^TW_Q，(12)

将式(12)代入(11)得到如下目标函数：

argmintr(A_Q ^TW_QLW_Q ^TA_Q)，当A_Q ^TW_QW_Q ^TA_Q＝I_d(13)

NPE通过线性表示列向量来反映图像的局部几何结构，从高维特征矩阵W_Q中选取将向量用线性表示为如下形式：

$w_Q^i={\left(c_i\right)}_1{w}_Q^{i_1}+{\left(c_i\right)}_2{w}_Q^{i_2}+...+{\left(c_i\right)}_k{w}_Q^{i_k}+{\mathrm{\ϵ}}_i,---\left(14\right)$

其中，c_i是用来编码重构参数的k维向量，ε_i是重构误差；误差的最小化方法为：

$\arg \min \left|\right|{\mathrm{\ϵ}}_i|{|}^2=\arg \min ||w_Q^i-{\mathrm{\Σ}}_{j=1}^k{\left(c_i\right)}_j{w}_Q^{i_j}|{|}^2---\left(15\right)$

假设c_i既可以作为的系数来线性表示高维空间的向量也可以作为的系数线性表示低维子空间的向量这样，NPE的目标函数可以重构为：

$\arg \min \left|\right|{\mathrm{\σ}}_i|{|}^2=\arg \min ||f_Q^i-{\mathrm{\Σ}}_{j=1}^k{\left(c_i\right)}_j{f}_Q^{i_j}|{|}^2=\arg \min tr(F_Q^i\left[\begin{array}{c}-1\\ c_i\end{array}\right]\[\begin{array}{cc}-1& {c_i}^T\end{array}\]F_Q^{i^T}),---\left(16\right)$

令则上式可写成：

$\arg \min \left|\right|{\mathrm{\σ}}_i|{|}^2=\arg \min tr\left(F_Q^i{L}_i{F}_Q^{i^T}\right),---\left(17\right)$

其中，得到L_i以后，结合公式(10)、(11)就可以得到低维特征矩阵F_Q，表示为：

$F_Q=\[f_Q^1,...,f_Q^n\]=A_Q^T{W}_Q\∈{\mathrm{IR}}^{d\×n}---\left(18\right)$

同理，在目标图像T中通过F_T＝A_Q ^TW_T的映射关系，可以得到特征矩阵W_T经降维后的低维显著特征矩阵F_T：

$F_T=\[f_T^1,...,f_T^{n_T}\]=A_Q^T{W}_Q\∈{\mathrm{IR}}^{d\×n_T}---\left(19\right).$

本发明所述的低维显著特征矩阵F_T进行相似性度量，其步骤为，

1)根据余弦相似性准则的定义：

$\mathrm{\&rho;}(f_Q,f_{T_i})=<\frac{f_Q}{\left|\right|f_Q\left|\right|},\frac{f_{T_i}}{\left|\right|f_{T_i}\left|\right|}>=\frac{{f_Q}^T{f}_{T_i}}{\left|\right|f_Q\left|\right|\left|\right|f_{T_i}\left|\right|}={\mathrm{cos\&theta;}}_i,---\left(20\right)$

计算矩阵内积以度量矩阵相似性：

$\mathrm{\&rho;}(F_Q,F_{T_i})=<\stackrel{\&OverBar;}{F_Q},\stackrel{\&OverBar;}{F_{T_{\mathrm{\&iota;}}}}{>}_F=trace\left(\frac{F_Q^T{F}_{T_i}}{\left|\right|F_Q\left|{|}_F\right|\left|F_{T_i}\right|{|}_F}\right),---\left(21\right)$

其中，定义相似度则有：

${\mathrm{\&rho;}}_i=\mathrm{\&rho;}(F_Q,F_{T_i})={\&Sigma;}_{l=1}^n\frac{f_Q^{l^T}{f}_{T_i}^l}{\left|\right|F_Q\left|{|}_F\right|\left|F_{T_i}\right|{|}_F}={\&Sigma;}_{l=1,j=1}^{n,d}\frac{f_Q^{(l,j)}{f}_{T_i}^{(l,j)}}{\sqrt{{\&Sigma;}_{l=1,j=1}^{n,d}{\left|f_Q^{(l,j)}\right|}^2}\sqrt{{\&Sigma;}_{l=1,j=1}^{n,d}{\left|f_{T_i}^{(l,j)}\right|}^2}},---\left(22\right)$

其中，和分别是第l个向量和中的第j个元素；

2)构造映射函数来分析目标图像与查询图像之间的相似程度。

本发明包含以下步骤，对所述的目标图像与查询图像进行显著特征检验，其步骤为，

1)寻找最大的f(ρ_i)，即maxf(ρ_i)，并设定全局阈值τ₀和局部阈值τ；

2)若maxf(ρ_i)大于τ₀，则至少存在一个相似对象，继续寻找下一个；若maxf(ρ_i)小于τ₀，则说明在T中不存在所感兴趣的对象；

3)经过分析将目标图像T中与查询图像Q特征不匹配的部分排除，保留具有显著特征的区域；

4)在显著特征区域内将图像进行匹配，找到所有可能相似的对象。

本发明将显著特征的区域内所有可能相似对象中的非极大值排除，仅仅保留最大相似点，得到最终的仪表定位结果。

使用一种基于局部近邻嵌入核函数的仪表定位方法的载体，本发明特征在于，该载体为实现图像采集的智能车或实现精确定位的智能车。

本发明的有益效果是，采用局部近邻嵌入核函数算法，先初步提取图像特征，再运用NPE算法降维提取其显著特征，划分显著特征区域，再结合矩阵余弦相似性、显著性检验及非极大值抑制方法实现仪表定位，既可以确保匹配的准确度，又可以提高定位速度。

下面结合附图和具体实施方式对本发明做进一步解释。

附图说明

图1为本发明的算法流程图。

具体实施方式

一种基于局部近邻嵌入核函数的仪表定位方法，实现仪表的精确定位，该方法主要包括以下步骤：1)首先定义一个核函数，初步提取图像特征，即分别提取查询图像和目标图像的显著特征；2)再运用邻域保持嵌入算法提取其显著特征；3)采用矩阵余弦相似性作为判决准则，比较特征矩阵之间的相似性；4)对目标图像进行显著性检验找到所有可能相似的对象，并进行标注，划分出显著特征区域；5)通过非极大值抑制方法，将相似性小于某一阈值的区域排除，保留最大相似区域，最终得到仪表定位结果。

所述的第一步特征提取过程如下：

1)首先计算图像局部特征，定义如下核函数表达式：

$K(x_l-x;H_l)=\frac{K\left(H_l^{-1}\right(x_l-x\left)\right)}{\det \left(H_l\right)},l=1,...,P^2,---\left(1\right)$

是空间坐标，P²是局部窗(P×P)中像素点的数目，取其大小为(7×7)；H_l为转向矩阵，其表达式为h是一个全局平滑参数；矩阵C_l是通过计算每个像素点的梯度向量G得到的协方差矩阵，计算公式为：

$C_l=({\mathrm{cV}}_{i1}\&times;V_{i2}+\frac{V_{i1}\&times;V_{i2}^T}{c})\&times;{\left(\frac{S_{11}\&times;S_{22}+\mathrm{\&epsiv;}}{K}\right)}^{\mathrm{\&alpha;}},---\left(2\right)$

其中，矩阵V和S是梯度向量G通过奇异值分解(SingularValueDecomposition,SVD)得到的，系数K是半径为P的圆形区域均值滤波器参数，α是灵敏度参数。

选用高斯函数作为核函数K(·)，得到如下描述子：

$K(x_l-x;H_l)=\frac{\sqrt{\det \left(C_l\right)}}{2{\mathrm{\&pi;h}}^2}\exp \{-\frac{{(x_l-x)}^T{C}_l(x_l-x)}{2h^2}\}---\left(3\right)$

2)对查询图像Q和目标图像T分别运用上述核计算得到描述子W_Q和W_T：

$W_Q=\&lsqb;w_Q^1,...,w_Q^n\&rsqb;\&Element;{\mathrm{IR}}^{P^2\&times;n},---\left(4\right)$

$W_T=\&lsqb;w_T^1,...,w_T^n\&rsqb;\&Element;{\mathrm{IR}}^{P^2\&times;n_T},---\left(5\right)$

其中，和分别是构成矩阵W_Q和W_T的列向量，的计算过程为：其中，m²是图像子块T_i的大小，共分成n个m×m大小的片段。

所述的第二步降维并提取显著特征过程如下：

采用邻域保持嵌入算法(NeighborhoodPreservingEmbedding,NPE)对W_Q降维。在进行数据降维之前，先将矩阵W_Q中的每个向量划分成N个子块，每个子块包含一个特征向量以及与之相关的几个向量，这些子块的划分取决于数据集的特征及算法的目标。W_Q中任意列向量的k临近表示为则用来表示每一个子块，对于每一个都有一个局部映射降维后的子矩阵 定义局部最优函数为：

$\arg \min tr\left(F_Q^i{L}_i{F}_Q^{i^T}\right),---\left(6\right)$

其中，tr(·)称为迹算子，L_i∈R^(k+1)×(k+1)，每个子块的目标函数取决于L_i，不同的算法中L_i是不相同的。

每个对应一个低维矩阵所有的可以合成矩阵则：

$F_Q^i=F_Q{S}_i,---\left(7\right)$

其中，S_i∈R^n×(k+1)是选择矩阵。

将式(7)代入(6)，局部最优函数的表达式变为：

argmintr(F_QS_iL_iS_i ^TF_Q ^T)(8)

对其求和便得到全局最优函数：

$\arg \min {\&Sigma;}_{i=1}^{n}tr\left(F_Q{S}_i{L}_i{S_i}^T{F_Q}^T\right)=\arg \min tr\left(F_Q\right({\mathrm{\&Sigma;}}_{i=1}^n{S}_i{L}_i{S}_i^T\left){F_Q}^T\right)=\arg \min tr\left(F_Q{{\mathrm{LF}}_Q}^T\right),---\left(9\right)$

其中，是目标一致性矩阵，通过以下迭代过程得到：

L(N_i,N_i)←L(N_i,N_i)+L_i(10)

其中，N_i＝{i，i₁，...，i_k}，是第i个子矩阵或中向量的标识，i＝1，…，n，初始值L＝0，L(N_i,N_i)是在目标一致性矩阵L中根据N_i来选择几个特定的行或者列得到的子矩阵。

为了唯一地确定F_Q，在公式(9)的基础上限制F_QF_Q ^T＝I_d，I_d是一个d×d的单位矩阵。那么，目标函数就可以定义为：

argmintr(F_QLF_Q ^T)，当F_QF_Q ^T＝I_d(11)

对于线性降维，降维后的矩阵与原矩阵之间有如下的映射关系：

F_Q＝A_Q ^TW_Q，(12)

将式(12)代入(11)得到如下目标函数：

argmintr(A_Q ^TW_QLW_Q ^TA_Q)，当A_Q ^TW_QW_Q ^TA_Q＝I_d(13)

NPE通过线性表示列向量来反映图像的局部几何结构，从高维特征矩阵W_Q中选取将向量用线性表示为如下形式：

$w_Q^i={\left(c_i\right)}_1{w}_Q^{i_1}+{\left(c_i\right)}_2{w}_Q^{i_2}+...+{\left(c_i\right)}_k{w}_Q^{i_k}+{\mathrm{\&epsiv;}}_i,---\left(14\right)$

其中，c_i是用来编码重构参数的k维向量，ε_i是重构误差。误差的最小化方法为：

$\arg \min \left|\right|{\mathrm{\&epsiv;}}_i|{|}^2=\arg \min ||w_Q^i-{\mathrm{\&Sigma;}}_{j=1}^k{\left(c_i\right)}_j{w}_Q^{i_j}|{|}^2---\left(15\right)$

假设c_i既可以作为的系数来线性表示高维空间的向量也可以作为的系数线性表示低维子空间的向量这样，NPE的目标函数可以重构为：

$\arg \min \left|\right|{\mathrm{\&sigma;}}_i|{|}^2=\arg \min ||f_Q^i-{\mathrm{\&Sigma;}}_{j=1}^k{\left(c_i\right)}_j{f}_Q^{i_j}|{|}^2=\arg \min tr(F_Q^i\left[\begin{array}{c}-1\\ c_i\end{array}\right]\&lsqb;\begin{array}{cc}-1& {c_i}^T\end{array}\&rsqb;F_Q^{i^T}),---\left(16\right)$

令则上式可写成：

$\arg \min \left|\right|{\mathrm{\&sigma;}}_i|{|}^2=\arg \min tr\left(F_Q^i{L}_i{F}_Q^{i^T}\right),---\left(17\right)$

其中，得到L_i以后，结合公式(10)、(11)就可以得到低维特征矩阵F_Q，表示为：

$F_Q=\&lsqb;f_Q^1,...,f_Q^n\&rsqb;=A_Q^T{W}_Q\&Element;{\mathrm{IR}}^{d\&times;n}---\left(18\right)$

同理，在目标图像T中通过F_T＝A_Q ^TW_T的映射关系，可以得到特征矩阵W_T经降维后的低维显著特征矩阵F_T：

$F_T=\&lsqb;f_T^1,...,f_T^{n_T}\&rsqb;=A_Q^T{W}_Q\&Element;{\mathrm{IR}}^{d\&times;n_T}---\left(19\right)$

所述的第三步相似性度量过程如下：

1)根据余弦相似性准则的定义：

$\mathrm{\&rho;}(f_Q,f_{T_i})=<\frac{f_Q}{\left|\right|f_Q\left|\right|},\frac{f_{T_i}}{\left|\right|f_{T_i}\left|\right|}>=\frac{{f_Q}^T{f}_{T_i}}{\left|\right|f_Q\left|\right|\left|\right|f_{T_i}\left|\right|}={\mathrm{cos\&theta;}}_i,---\left(20\right)$

计算矩阵内积以度量矩阵相似性：

$\mathrm{\&rho;}(F_Q,F_{T_i})=<\stackrel{\&OverBar;}{F_Q},\stackrel{\&OverBar;}{F_{T_{\mathrm{\&iota;}}}}{>}_F=trace\left(\frac{F_Q^T{F}_{T_i}}{\left|\right|F_Q\left|{|}_F\right|\left|F_{T_i}\right|{|}_F}\right),---\left(21\right)$

其中，定义相似度则有：

${\mathrm{\&rho;}}_i=\mathrm{\&rho;}(F_Q,F_{T_i})={\&Sigma;}_{l=1}^n\frac{f_Q^{l^T}{f}_{T_i}^l}{\left|\right|F_Q\left|{|}_F\right|\left|F_{T_i}\right|{|}_F}={\&Sigma;}_{l=1,j=1}^{n,d}\frac{f_Q^{(l,j)}{f}_{T_i}^{(l,j)}}{\sqrt{{\&Sigma;}_{l=1,j=1}^{n,d}{\left|f_Q^{(l,j)}\right|}^2}\sqrt{{\&Sigma;}_{l=1,j=1}^{n,d}{\left|f_{T_i}^{(l,j)}\right|}^2}},---\left(22\right)$

其中，和分别是第l个向量和中的第j个元素。

2)构造映射函数来分析目标图像与查询图像之间的相似程度。

所述的第四步显著性检验过程如下：

1)寻找最大的f(ρ_i)，即maxf(ρ_i)，并设定全局阈值τ₀和局部阈值τ；

2)若maxf(ρ_i)大于τ₀，则至少存在一个相似对象，继续寻找下一个；若maxf(ρ_i)小于τ₀，则说明在T中不存在我们所感兴趣的对象；

3)经过分析将目标图像T中与查询图像Q特征不匹配的部分排除，保留具有显著特征的区域；

4)在显著特征区域内将图像进行匹配，找到所有可能相似的对象。

所述的第五步是将显著特征区域内所有可能相似对象中的非极大值抑制掉，保留最大相似点，得到最终的仪表定位结果。

本发明的方法可以在智能车上很好地实施。作为本发明方法载体的一种智能车，其主要特征为:用摄像头作为传感器，在道路行驶的过程中，采集路面及道路四周的仪表图像信息，同时利用全球定位***(GPS)记录车辆自身位置信息。采集过程中，摄像头与智能车相连接，通过本发明方法处理数据以实现目标图像的采集与定位，从而达到本发明的突出优点。

Claims (8)

1.一种基于局部近邻嵌入核函数的仪表定位方法，其特征在于，包括以下步骤：1)定义一个核函数，初步提取图像特征；2)降维并提取图像显著特征，即运用邻域保持嵌入算法提取其显著特征；3)相似性度量，即采用矩阵余弦相似性作为判决准则，比较特征矩阵之间的相似性；4)显著性检验，即对目标图像进行显著性检验找到所有可能相似的对象，并进行标注，划分出显著特征区域；5)通过非极大值抑制方法，将相似性小于某一阈值的区域排除，保留最大相似区域，最终得到仪表定位结果。

2.根据权利要求1所述的一种基于局部近邻嵌入核函数的仪表定位方法，其特征在于，步骤1还包括以下步骤，1)首先计算图像局部特征，定义如下核函数表达式：

$K(x_l-x;H_l)=\frac{K\left(H_l^{-1}\right(x_l-x\left)\right)}{\det \left(H_l\right)},l=1,...,P^2,---\left(1\right)$

是空间坐标，P²是局部窗(P×P)中像素点的数目，取其大小为(7×7)；H_l为转向矩阵，其表达式为h是一个全局平滑参数；矩阵C_l是通过计算每个像素点的梯度向量G得到的协方差矩阵，计算公式为：

$C_l=({\mathrm{cV}}_{i1}\&times;V_{i2}+\frac{V_{i1}\&times;V_{i2}^T}{c})\&times;{\left(\frac{S_{11}\&times;S_{22}+\mathrm{\&epsiv;}}{K}\right)}^{\mathrm{\&alpha;}},---\left(2\right)$

其中，矩阵V和S是梯度向量G通过奇异值分解(SingularValueDecomposition,SVD)得到的，系数K是半径为P的圆形区域均值滤波器参数，α是灵敏度参数；

选用高斯函数作为核函数K(·)，得到如下描述子：

$K(x_l-x;H_l)=\frac{\sqrt{\det \left(C_l\right)}}{2{\mathrm{\&pi;h}}^2}\exp \{-\frac{{(x_l-x)}^T{C}_l(x_l-x)}{2h^2}\}---\left(3\right)$

2)对查询图像Q和目标图像T分别运用上述核计算得到描述子W_Q和W_T：

$W_Q=\&lsqb;w_Q^1,...,w_Q^n\&rsqb;\&Element;{\mathrm{IR}}^{P^2\&times;n},---\left(4\right)$

$W_T=\&lsqb;w_T^1,...,w_T^n\&rsqb;\&Element;{\mathrm{IR}}^{P^2\&times;n_T},---\left(5\right)$

其中，和分别是构成矩阵W_Q和W_T的列向量，的计算过程为：其中，m²是图像子块T_i的大小，共分成n个m×m大小的片段。

3.根据权利要求2所述的一种基于局部近邻嵌入核函数的仪表定位方法，其特征在于，所述的矩阵W_Q后续进行降维并提取显著特征，采用邻域保持嵌入算法(NPE)对W_Q降维；在进行数据降维之前，先将矩阵W_Q中的每个向量划分成N个子块，每个子块包含一个特征向量以及与之相关的几个向量，这些子块的划分取决于数据集的特征及算法的目标；W_Q中任意列向量的k临近表示为则用来表示每一个子块，对于每一个都有一个局部映射降维后的子矩阵定义局部最优函数为：

$\arg \min tr\left(F_Q^i{L}_i{F}_Q^{i^T}\right),---\left(6\right)$

其中，tr(·)称为迹算子，L_i∈R^(k+1)×(k+1)，每个子块的目标函数取决于L_i，不同的算法中L_i是不相同的；

每个对应一个低维矩阵所有的可以合成矩阵则：

$F_Q^i=F_Q{S}_i,---\left(7\right)$

其中，S_i∈R^n×(k+1)是选择矩阵；

将式(7)代入(6)，局部最优函数的表达式变为：

argmintr(F_QS_iL_iS_i ^TF_Q ^T),(8)

对其求和便得到全局最优函数：

$\arg {\mathrm{min\&Sigma;}}_{i=1}^{n}tr\left(F_Q{S}_i{L}_i{S_i}^T{F_Q}^T\right)=\arg \min tr\left(F_Q\right({\mathrm{\&Sigma;}}_{i=1}^n{S}_i{L}_i{S}_i^T\left){F_Q}^T\right)=\arg \min tr\left(F_Q{{\mathrm{LF}}_Q}^T\right),---\left(9\right)$

其中，是目标一致性矩阵，通过以下迭代过程得到：

L(N_i,N_i)←L(N_i,N_i)+L_i(10)

其中，N_i＝{i,i₁,…，i_k}，是第i个子矩阵或中向量的标识，i＝1,…,n，初始值L＝0，L(N_i,N_i)是在目标一致性矩阵L中根据N_i来选择几个特定的行或者列得到的子矩阵；

为了唯一地确定F_Q，在公式(9)的基础上限制F_QF_Q ^T＝I_d，I_d是一个d×d的单位矩阵；那么，目标函数就可以定义为：

argmintr(F_QLF_Q ^T)，当F_QF_Q ^T＝I_d(11)

对于线性降维，降维后的矩阵与原矩阵之间有如下的映射关系：

F_Q＝A_Q ^TW_Q，(12)

将式(12)代入(11)得到如下目标函数：

argmintr(A_Q ^TW_QLW_Q ^TA_Q)，当A_Q ^TW_QW_Q ^TA_Q＝I_d(13)

NPE通过线性表示列向量来反映图像的局部几何结构，从高维特征矩阵W_Q中选取将向量用线性表示为如下形式：

$w_Q^i={\left(c_i\right)}_1{w}_Q^{i_1}+{\left(c_i\right)}_2{w}_Q^{i_2}+...+{\left(c_i\right)}_k{w}_Q^{i_k}+{\mathrm{\&epsiv;}}_i,---\left(14\right)$

其中，c_i是用来编码重构参数的k维向量，ε_i是重构误差；误差的最小化方法为：

$\arg min\left|\right|{\mathrm{\&epsiv;}}_i|{|}^2=\arg min||w_Q^i-{\mathrm{\&Sigma;}}_{j=1}^k{\left(c_i\right)}_j{w}_Q^{i_j}|{|}^2---\left(15\right)$

假设c_i既可以作为的系数来线性表示高维空间的向量也可以作为的系数线性表示低维子空间的向量这样，NPE的目标函数可以重构为：

$\arg min\left|\right|{\mathrm{\&sigma;}}_i|{|}^2=\arg min||f_Q^i-{\mathrm{\&Sigma;}}_{j=1}^k{\left(c_i\right)}_j{f}_Q^{i_j}|{|}^2=\arg \min tr\left(F_Q^i\left[\begin{array}{c}-1\\ c_i\end{array}\right]\left[\begin{array}{cc}-1& {c_i}^T\end{array}\right]F_Q^{i^T}\right),---\left(16\right)$

令则上式可写成：

$\arg min\left|\right|{\mathrm{\&sigma;}}_i|{|}^2=\arg \min tr\left(F_Q^i{L}_i{F}_Q^{i^T}\right),---\left(17\right)$

其中，得到L_i以后，结合公式(10)、(11)就可以得到低维特征矩阵F_Q，表示为：

$F_Q=\&lsqb;f_Q^1,...,f_Q^n\&rsqb;=A_Q^T{W}_Q\&Element;{\mathrm{IR}}^{d\&times;n}---\left(18\right)$

同理，在目标图像T中通过F_T＝A_Q ^TW_T的映射关系，可以得到特征矩阵W_T经降维后的低维显著特征矩阵F_T：

$F_T=\&lsqb;f_T^1,...,f_T^{n_T}\&rsqb;=A_Q^T{W}_Q\&Element;{\mathrm{IR}}^{d\&times;n_T}---\left(19\right).$

4.根据权利要求3所述的一种基于局部近邻嵌入核函数的仪表定位方法，其特征在于，所述的低维显著特征矩阵F_T进行相似性度量，其步骤为，

1)根据余弦相似性准则的定义：

$\mathrm{\&rho;}(f_Q,f_{T_i})=<\frac{f_Q}{\left|\right|f_Q\left|\right|},\frac{f_{T_i}}{\left|\right|f_{T_i}\left|\right|}>=\frac{{f_Q}^T{f}_{T_i}}{\left|\right|f_Q\left|\right|\left|\right|f_{T_i}\left|\right|}={\mathrm{cos\&theta;}}_i,---\left(20\right)$

计算矩阵内积以度量矩阵相似性：

$\mathrm{\&rho;}(F_Q,F_{T_i})=<\stackrel{\&OverBar;}{F_Q},\stackrel{\&OverBar;}{F_{T_i}}{>}_F=trace\left(\frac{F_Q^T{F}_{T_i}}{\left|\right|F_Q\left|{|}_F\right|\left|F_{T_i}\right|{|}_F}\right),---\left(21\right)$

其中，定义相似度则有：

${\mathrm{\&rho;}}_i=\mathrm{\&rho;}(F_Q,F_{T_i})={\mathrm{\&Sigma;}}_{l=1}^n\frac{f_Q^{l^T}{f}_{T_i}^l}{\left|\right|F_Q\left|{|}_F\right|\left|F_{T_i}\right|{|}_F}={\mathrm{\&Sigma;}}_{l=1,j=1}^{n,d}\frac{f_Q^{(l,j)}{f}_{T_i}^{(l,j)}}{\sqrt{{\mathrm{\&Sigma;}}_{l=1,j=1}^{n,d}|f_Q^{(l,j)}{|}^2}\sqrt{{\mathrm{\&Sigma;}}_{l=1,j=1}^{n,d}|f_{T_i}^{(l,j)}{|}^2}},---\left(22\right)$

其中，和分别是第l个向量和中的第j个元素；

2)构造映射函数来分析目标图像与查询图像之间的相似程度。

5.根据权利要求4所述的一种基于局部近邻嵌入核函数的仪表定位方法，其特征在于，包含以下步骤，对所述的目标图像与查询图像进行显著特征检验，其步骤为，

1)寻找最大的f(ρ_i)，即maxf(ρ_i)，并设定全局阈值τ₀和局部阈值τ；

2)若maxf(ρ_i)大于τ₀，则至少存在一个相似对象，继续寻找下一个；若maxf(ρ_i)小于τ₀，则说明在T中不存在所感兴趣的对象；

3)经过分析将目标图像T中与查询图像Q特征不匹配的部分排除，保留具有显著特征的区域；

4)在显著特征区域内将图像进行匹配，找到所有可能相似的对象。

6.根据权利要求5所述的一种基于局部近邻嵌入核函数的仪表定位方法，其特征在于，将显著特征的区域内所有可能相似对象中的非极大值排除，仅仅保留最大相似点，得到最终的仪表定位结果。

7.使用一种基于局部近邻嵌入核函数的仪表定位方法的载体，其特征在于，该载体为实现图像采集的智能车。

8.使用一种基于局部近邻嵌入核函数的仪表定位方法的载体，其特征在于，该载体为实现精确定位的智能车。