CN105957095B - 一种基于灰度图像的Spiking角点检测方法 - Google Patents
一种基于灰度图像的Spiking角点检测方法 Download PDFInfo
- Publication number
- CN105957095B CN105957095B CN201610425084.2A CN201610425084A CN105957095B CN 105957095 B CN105957095 B CN 105957095B CN 201610425084 A CN201610425084 A CN 201610425084A CN 105957095 B CN105957095 B CN 105957095B
- Authority
- CN
- China
- Prior art keywords
- detection
- gray level
- level image
- image
- angle point
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
Landscapes
- Engineering & Computer Science (AREA)
- Quality & Reliability (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于灰度图像的Spiking角点检测方法,属于图像处理技术领域,重点解决现有技术在角点检测上的精度不高、操作复杂以及检测速度较慢等问题。本发明主要利用Spiking神经网络的特性,发明了一种利用检测模板来对图像角点信息进行检测,通过检测模板的电压值在角点时电压值达到最小这一特性来确定灰度图像的角点,本发明可以较好的对图像角点进行检测,提取灰度图像角点的时间信息和空间信息。本发明应用的场景主要在图像的角点检测、人物目标追踪识别、运动估计以及其他应用角点信息的计算机场景。涉及Spiking神经网络、机器学习。
Description
技术领域
一种基于灰度图像的Spiking角点检测方法,本发明应用于图像角点特征提取、光流计算、目标识别、跟踪、运动估计和三维重构等涉及角点应用的计算机视觉场合。涉及Spiking神经网络、机器学习。
背景技术
图像的角点特征是图像处理时的重要特征,其特征具有很强的鲁棒性,及具有旋转不变性和不随光照变化的特性。这种特性在运动目标追踪、流光计算、运动评估分析以及三维场景的构建等场合有非常重要的作用。有关角点的定义,截止目前较为统一的说法为:局部曲率最大的边缘点,对于一般的图像而言,都具有很多角点,所以有关研究的方法具有很强的普遍性和通用性。对此,大量国内外学者开始了关于此特征检测方法的研究。
当前,对于角点检测比较经典的算法有MIC方法、SUSAN方法、Harris方法等,目前使用最多的是Harris与SUSAN。学者Harris的Plessey算子,该算法的优点是操作实施较为简单,当前在角点检测应用中被广泛使用,缺点主要在于检测定位的精度不是特别理想,尤其在一些特殊的角点检测上容易丢失梯度信息或者大钝角模糊型的角点,而且在计算时间上也不是很理想。之后,Smith首次提出了USAN的概念,并基于此设计了SUSAN的角点检测方法,其最大优点是方法十分简单,具有积分特性,抗噪性能良好,定位精度不受角点类型的影响;缺点是由于实际图像存在大量模糊性边缘,容易产生伪响应或者易丢失真实角点,导致实际图像的检测率一般不及Harris算法,此外积分过程也导致耗时较多。MiroslavTrajkovic应快速要求提出了MIC算法。该算法有可能是目前灰度图像处理中最快的角点检测方法。令人遗憾的是该方法虽然简单,却易产生伪响应,尤其在斜直边缘或者模糊性边缘处;检测水平一般,对噪声也相当敏感。不过它的快速性思想却得到了很好的推广,纳入其它算法中可以加快速度。
综上所述,这些经典的算法虽然有很多的优点,但是存在的共同缺点是执行的时间较长,在角点的定位准确性上水平不高,并且在检测的执行性能方面较差,所以设计一种能够精确定位角点信息并且执行速度和时间短的方法显的十分必要,尤其在角点时间信息和空间信息应用的计算机视觉场合更具有很高的实用价值。
被誉为“第三代神经网络模型”的Spiking神经网络,是能够有效模拟生物神经元之间信息随时间连续传递的动力***。该模型采用时间编码方式组织信息,可以模拟真实生物中的编码机制,采用脉冲发放的精确时间进行编码,比传统神经网络的脉冲发放频率对信息编码方式更接近实际生物神经***,无论是处理能力和计算速度都得到了巨大提升。研究表明,Spiking神经元本身就具备对外部输入信息的非线性处理能力,相比前两代人工神经网络,Spiking具备更强的计算能力。Spiking神经元模型在生物、神经等学科中有较多的研究,而在工程领域的应用尚处于起步阶段。
发明内容
本发明针对现有技术的不足之处提供了一种基于Spiking的图像角点检测方法,可以很好的利用生物神经***的空间和时间特性,并采用Spiking生物机制进行处理,有效捕获图像的时空信息,比现有技术更具仿生性和时空特性,从而图像的角点特征可以更好的应用于图像特征的表示以及其他有关角点的应用。
为了实现上述目的,本发明采用的技术方案为:
一种基于灰度图像的Spiking角点检测方法,其角点特征提取步骤如下:
步骤1:对彩色图像进行灰度处理,如果为灰度图像则不用处理;
步骤2:对图像进行预处理
步骤2a:对灰度图像进行脉冲编码
采用线性延迟编码对步骤1得到的灰度图像进行时间编码,得到图像脉冲点火时间;
步骤2b:初始化圆形权值检测模板
首先将圆形权值检测模板的上半圆按照角度分为N等分,N的取值为4-180之间,圆中全部神经元都为兴奋性神经元,权值w统一取值为1,阀值θ设为经验值,且中心神经元没有权值;
将检测像素点周围图像像素点与圆形权值扫描模板进行全连接,完成圆形权值检测模板初始化;
步骤3:检测的实施与检测神经网络的构建;
通过移动检测模板,对步骤2a编码后的图像像素点pi进行检测,按照2b对预设角点检测阀值θ初始化,然后对图像进行模板扫描,当圆形权值检测模板中心在某一点,无论朝哪个方向移动模板,判别神经元电压都减小,然后通过一个判别神经元,及网络中第三层神经元来判断该图像边缘的像素点pi是否为角点;
若判别神经元电压小于预设阈值,则表明此像素点是角点,否则不是,可以对阈值进行调整来得到不同角度的角点。
与现有技术相比,本发明的优点在于:
一、Spiking神经网络具有很强的计算能力和仿生能力,通过利用Spiking这一特性设置的灰度图像角点检测在计算速度上优于现有的方法。
二、其次在该算法通过了解Spiking特性,设置了权值检测模板来对灰度图像的角点进行检测,方法思想简单,操作较为方便。
三、最后,Spiking神经网络具有很好的时间特性与空间特性,所以在对图像空间信息的捕获方面具有很好的优势,利用Spiking机制的角点检测方法可以高效的捕获图像的空间信息,在应用上发挥更好的优势。
附图说明
图1线性延迟编码;
图2为本发明基于灰度图像的Spiking角点检测模板;
图3为本发明基于灰度图像的Spiking角点检测区域划分;
图4为本发明基于灰度图像的Spiking角点检测;
图5为本发明实验检测图(a)为枫叶图,(b)为人物图Lena的原始灰度图;
图6为本发明基于灰度图像的Spiking角点检测结果。
具体实施方式
基于灰度图像的Spiking角点检测方法如下所示:
(1)对彩色图像进行灰度处理,如果为灰度图像则不用处理。,实验中图5(a)是彩色图片,对彩色图片进行灰度处理。
(2)对灰度图像进行编码得到图像脉冲点火时间。
a=T-|xi-Ts|
此编码方案以一个相对时间Ts为衡量标准,将带编码的任意实数xi,编码到其相对于Ts的点火时间上。其中ti为编码后的时间值,T为常数时间编码衡量标准,Ts设为当前像素值pi。脉冲时间编码后,时间编码为点火时间ti=1,和不点火时间,ti=0。
(3)初始化权值检测模板:具体模板如下图2所示,首先将圆形权值检测模板的上半圆按照角度分为N等分,N的取值为4-180之间,图中的所有神经元的权值取值统一,实验中的权值全部取为1,且神经元全部为兴奋性神经元。
(3)首先在灰度图像像素点上找一点pi,,将像素点pi对应到检测模板的中心,像素点pi周围像素点与权值检测模板进行全连接。如果周围像素点如图3(a)点所示,处于前景区域,此时pi点的移动,权值检测模板的电压保持不变,同理如果处于图3(c)点同理,如果处于图3(d)点,此时无论神经元是从前景区域还是从背景区域进行移动,神经元的电压都减小。
(4)然后,通过图4中的判别神经元对图像像素点pi是否为角点进行判断,如果判别神经元的电压累计值小于设定的阈值,则说明此像素点为角点,否则不是,还可以通过不同的阈值调整对不同角度的角点进行检测,实验结果如图6所示。
Claims (1)
1.一种基于灰度图像的Spiking角点检测方法,其角点特征提取步骤如下:
步骤1:对彩色图像进行灰度处理,如果为灰度图像则不用处理;
步骤2:对灰度图像进行预处理
步骤2a:对灰度图像进行脉冲编码
采用线性延迟编码对步骤1得到的灰度图像进行时间编码,得到灰度图像脉冲点火时间;
步骤2b:初始化圆形权值检测模板
首先将圆形权值检测模板的上半圆按照角度分为N等分,N的取值为4-180之间,圆中全部神经元都为兴奋性神经元,权值w统一取值为1,角点检测阀值θ设为经验值,且中心神经元没有权值;
将检测像素点周围灰度图像像素点与圆形权值检测模板进行全连接,完成圆形权值检测模板初始化;
步骤3:检测的实施与检测神经网络的构建;
通过移动圆形权值检测模板,对步骤2a编码后的灰度图像像素点pi进行检测,按照步骤2b对预设角点检测阀值θ初始化,然后对图像进行模板扫描,当圆形权值检测模板中心在某一点,当无论朝哪个方向移动模板,判别神经元电压都减小,则通过一个判别神经元,及网络中第三层神经元来判断该图像边缘的像素点pi是否为角点;
若判别神经元电压小于预设角点检测阀值θ,则表明此像素点是角点,否则不是,对角点检测阀值θ值进行调整可以得到不同角度的角点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610425084.2A CN105957095B (zh) | 2016-06-15 | 2016-06-15 | 一种基于灰度图像的Spiking角点检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610425084.2A CN105957095B (zh) | 2016-06-15 | 2016-06-15 | 一种基于灰度图像的Spiking角点检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105957095A CN105957095A (zh) | 2016-09-21 |
CN105957095B true CN105957095B (zh) | 2018-06-08 |
Family
ID=56906976
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610425084.2A Active CN105957095B (zh) | 2016-06-15 | 2016-06-15 | 一种基于灰度图像的Spiking角点检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105957095B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107977960B (zh) * | 2017-11-24 | 2021-08-06 | 南京航空航天大学 | 一种基于改进的susan算子的轿车表面划痕检测算法 |
CN108564120B (zh) * | 2018-04-04 | 2022-06-14 | 中山大学 | 基于深度神经网络的特征点提取方法 |
CN108764248B (zh) * | 2018-04-18 | 2021-11-02 | 广州视源电子科技股份有限公司 | 图像特征点的提取方法和装置 |
CN108846408A (zh) * | 2018-04-25 | 2018-11-20 | 中国人民解放军军事科学院军事医学研究院 | 基于脉冲神经网络的图像分类方法及装置 |
CN109118473B (zh) * | 2018-07-03 | 2022-04-12 | 深圳大学 | 基于神经网络的角点检测方法、存储介质与图像处理*** |
CN111640157B (zh) * | 2020-05-28 | 2022-09-20 | 华中科技大学 | 一种基于神经网络的棋盘格角点检测方法及其应用 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105243661A (zh) * | 2015-09-21 | 2016-01-13 | 成都融创智谷科技有限公司 | 一种基于susan算子的角点检测方法 |
CN105513037A (zh) * | 2014-09-30 | 2016-04-20 | 展讯通信(上海)有限公司 | 角点检测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016026063A1 (en) * | 2014-08-21 | 2016-02-25 | Xiaoou Tang | A method and a system for facial landmark detection based on multi-task |
-
2016
- 2016-06-15 CN CN201610425084.2A patent/CN105957095B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105513037A (zh) * | 2014-09-30 | 2016-04-20 | 展讯通信(上海)有限公司 | 角点检测方法及装置 |
CN105243661A (zh) * | 2015-09-21 | 2016-01-13 | 成都融创智谷科技有限公司 | 一种基于susan算子的角点检测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN105957095A (zh) | 2016-09-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105957095B (zh) | 一种基于灰度图像的Spiking角点检测方法 | |
Miura et al. | Feature extraction of finger vein patterns based on iterative line tracking and its application to personal identification | |
Karis et al. | Local Binary Pattern (LBP) with application to variant object detection: A survey and method | |
Liu et al. | Ear-parotic face angle: A unique feature for 3D ear recognition | |
DU et al. | Face detection in video based on AdaBoost algorithm and skin model | |
Chansri et al. | Reliability and accuracy of Thai sign language recognition with Kinect sensor | |
CN108921064B (zh) | 基于多特征融合的行人重识别方法 | |
Salunke et al. | Power point control using hand gesture recognition based on hog feature extraction and K-NN classification | |
Li et al. | Research on a product quality monitoring method based on multi scale PP-YOLO | |
CN106097356B (zh) | 一种基于Spiking的图像角点检测方法 | |
Cheng et al. | Haar-like multi-granularity texture features for pedestrian detection | |
Osadchy et al. | Surface dependent representations for illumination insensitive image comparison | |
Aza et al. | Face recognition using local binary pattern histogram for visually impaired people | |
Matveev et al. | Detecting precise iris boundaries by circular shortest path method | |
Chen et al. | A computational efficient iris extraction approach in unconstrained environments | |
Basurah et al. | Implementation of Face Recognition and Liveness Detection System Using TensorFlow. js | |
Sun et al. | Fast and Robust RGB-D Multiple Human Tracking Based on Part Model for Mobile Robots | |
Kumar et al. | Human Face Recognition and Detection System with Genetic and Ant Colony Optimization Algorithm | |
Xu et al. | Obstacles Regions 3D‐Perception Method for Mobile Robots Based on Visual Saliency | |
Wan | Research on Pedestrian Attitude Detection Algorithm from the Perspective of Machine Learning | |
KR20110067480A (ko) | 얼굴 검출을 위한 특징점 검출 방법 | |
Alsedais et al. | Person re-identification from CCTV silhouettes using generic fourier descriptor | |
Martinez-Martin et al. | Visual object recognition for robot tasks in real-life scenarios | |
Wang et al. | Face detection and tracking algorithm in video images with complex background | |
CN112183156B (zh) | 一种活体检测方法和设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |