RU2438174C1 - Method of recognising objects - Google Patents

Abstract

FIELD: information technology. ^ SUBSTANCE: input image is turned with the given Green function; obtained resultants are subtracted from each other to obtain a finite-difference approximation first-order derivative of the resultant input image with a filter; when searching for the local extremum of said resultant, corresponding first-order derivatives are equated to zero; all local extrema are found and adaptive threshold filtering is performed to cut off insignificant features, wherein the selected points serve as centres of vicinities for which arbitrary descriptors are constructed. ^ EFFECT: high accuracy of recognising objects. ^ 3 dwg

Description

Изобретение относится к способам распознавания объектов в системах машинного зрения, телевизионных системах наблюдения, информационно-управляющих системах робототехнических комплексов.The invention relates to methods for recognizing objects in machine vision systems, television surveillance systems, information and control systems of robotic complexes.

Одной из проблем обработки видеоинформации является большая вариативность параметров съемки, таких, например, как освещенность, местоположение камеры, альбедо объекта, применяемая цветовая схема. Это приводит к тому, что один и тот же объект в зависимости от условий съемки будет характеризоваться различными векторами-признаками. Общеизвестным подходом к решению этой проблемы является применение инвариантных векторов-признаков.One of the problems with processing video information is the great variability of shooting parameters, such as, for example, illumination, camera location, object albedo, and the color scheme used. This leads to the fact that the same object, depending on the shooting conditions, will be characterized by various feature vectors. A well-known approach to solving this problem is the use of invariant feature vectors.

Известен способ идентификации пространственно инвариантных векторов-признаков на изображении (http://www.vision.ee.ethz.ch/~surf/), который заключается в построении множеств векторов-признаков на основе анализа особенностей исходного изображения и их дальнейшей классификации с использованием интегральных изображений и вычислений взвешенного определителя матрицы Гесса.A known method for identifying spatially invariant feature vectors in an image (http://www.vision.ee.ethz.ch/~surf/), which consists in constructing sets of feature vectors based on an analysis of the features of the original image and their further classification using integral images and calculations of the weighted determinant of the Hess matrix.

Недостатком этого способа является невысокая точность и повторяемость результатов детекции, так как выделяемые особенности изображения чувствительны к деформации изображения (изменение освещения, поворот на произвольный угол и т.д.).The disadvantage of this method is the low accuracy and repeatability of the detection results, since the distinguished features of the image are sensitive to image deformation (change in lighting, rotation by an arbitrary angle, etc.).

Наиболее близким к заявленному решению, выбранному нами за прототип, является способ и устройство для обнаружения объекта на изображении (патент US №6711293, МПК G06K 9/68, опубл. 23.03.2004), в котором на первом этапе вычисляются разности изображений: выполняется свертка изображения с функцией Гаусса, далее еще раз вычисляется свертка свернутого изображения с функцией Гаусса для построения разностного изображения и из входного изображения вычитают разностное изображение, на втором этапе находят локальные экстремумы значений пикселей, на третьем этапе выделяют области вокруг точек экстремума, на четвертом этапе области разбиваются на подобласти и на пятом этапе производят множество компонент - дескрипторов подобластей.Closest to the claimed solution that we chose for the prototype is a method and device for detecting an object in an image (US patent No. 6711293, IPC G06K 9/68, publ. March 23, 2004), in which at the first stage differences of images are calculated: convolution is performed image with the Gaussian function, then the convolution of the minimized image with the Gaussian function is again calculated to construct the difference image and the difference image is subtracted from the input image, at the second stage, local extrema of the pixel values are found, at the third stage ne isolated area around the extremum points, at the fourth stage area divided into subregions and at the fifth stage produce a plurality of components - subdomains descriptors.

Недостатком данного способа является также невысокая точность, так как функция Гаусса обладает ограниченным набором инвариантных характеристик, характеризующих особенности изображения, описываемые векторами-признаками, и, тем самым, данные вектора являются менее информативными.The disadvantage of this method is also the low accuracy, since the Gaussian function has a limited set of invariant characteristics characterizing the image features described by feature vectors, and, therefore, these vectors are less informative.

Основная техническая задача, решаемая заявляемым изобретением, состоит в создании способа, позволяющего повысить точность распознавания за счет повышения стабильности работы детекторов ключевых областей на изображении и увеличения количества инвариантных характеристик данных детекторов.The main technical problem solved by the claimed invention is to create a method to improve recognition accuracy by improving the stability of the detectors of key areas in the image and increasing the number of invariant characteristics of these detectors.

Основная техническая задача достигается тем, в способе распознавания объектов, включающем фильтрацию входного изображения, вычисление особых точек изображения, пороговую фильтрацию выделенных особых точек по значению, выделение окрестностей этих особых точек, построение произвольных дескрипторов полученных окрестностей, согласно предложенному решению при фильтрации входного сигнала выполняют свертку изображения с заданной функцией Грина при последовательном изменении параметров данной функции и определяют конечно-разностную аппроксимацию первой производной свертки входного изображения с функцией Грина, вычитая соответствующие схеме аппроксимации свертки друг из друга, причем удаление шума обнаруженных особых точек изображения проводят при помощи адаптивной пороговой фильтрации.The main technical problem is achieved by the fact that in a method for recognizing objects, including filtering the input image, calculating image singularities, threshold filtering the selected singular points by value, highlighting the neighborhoods of these singular points, constructing arbitrary descriptors of the obtained neighborhoods, according to the proposed solution, the convolution is performed when filtering the input signal images with a given Green's function with successive changes in the parameters of this function and determine the finite-difference an roksimatsiyu first derivative of the convolution of the input image with the Green's function, subtracting the corresponding approximation convolution circuit from each other, wherein the noise removal singular points detected image is performed using an adaptive threshold filtering.

На фиг.1 представлена зависимость стабильности St работы детектора при изменении масштаба изображения σ, на фиг.2 - зависимость стабильности St работы детектора при повороте изображения на угол φ в градусах, на фиг.3 - Зависимость стабильности St работы детектора при изменении яркости изображения в процентах от базовой.Figure 1 shows the dependence of the stability St of the detector when changing the image scale σ, figure 2 - the dependence of the stability St of the detector when the image is rotated through an angle φ in degrees, figure 3 - The dependence of the stability St of the detector when changing the brightness of the image in percent of the base.

Способ осуществляется следующим образом.The method is as follows.

Входное изображение сворачивается с заданной функцией Грина (фильтром)The input image is minimized with the given Green function (filter)

для эволюционного оператора процесса Орнштейна-Уленбека при различных значениях параметров τ, λ.for the evolutionary operator of the Ornstein-Uhlenbeck process for various values of the parameters τ, λ.

где τ, λ - параметры, используемые для определения сверток на различных масштабах:where τ, λ are the parameters used to determine convolutions at various scales:

D - константа, подбираемая опытным путем для различных категорий изображений;D is a constant, selected experimentally for various categories of images;

y=(а, b) - пространственная переменная, суть координаты (а, b) пикселя на изображении.y = (a, b) - spatial variable, the essence of the coordinate (a, b) of the pixel in the image.

Полученные свертки вычитают друг из друга для получения конечно-разностной аппроксимации первой производной свертки входного изображения с фильтром. При поиске локального экстремума данной свертки приравнивают к нулю соответствующие первые производные. Находят все локальные экстремумы и проводят адаптивную пороговую фильтрацию для отсечения незначительных особенностей. Выделенные таким способом точки служат центрами окрестностей, для которых строят произвольные дескрипторы.The resulting convolutions are subtracted from each other to obtain a finite-difference approximation of the first derivative of the convolution of the input image with the filter. When searching for a local extremum of a given convolution, the corresponding first derivatives are equated to zero. All local extremes are found and adaptive threshold filtering is performed to cut off minor features. Points distinguished in this way serve as centers of neighborhoods for which arbitrary descriptors are constructed.

Предложенный способ позволяет, изменяя набор симметрии выбором соответствующей функции Грина, получать для одного и того же изображения векторы-признаки, отражающие различные свойства изображения, повышая, тем самым, информативность представления изображения.The proposed method allows, by changing the symmetry set by choosing the corresponding Green's function, to obtain feature vectors for the same image, reflecting various properties of the image, thereby increasing the information content of the image.

Claims (1)

Способ распознавания объектов, включающий фильтрацию входного изображения, вычисление особых точек изображения, пороговую фильтрацию выделенных особых точек по значению, выделение окрестностей этих особых точек, построение произвольных дескрипторов полученных окрестностей, отличающийся тем, что при фильтрации входного сигнала выполняют свертку изображения с заданной функцией Грина при последовательном изменении параметров данной функции и определяют конечно-разностную аппроксимацию первой производной свертки входного изображения с функцией Грина, вычитая соответствующие схеме аппроксимации свертки друг из друга, причем удаление шума обнаруженных особых точек изображения проводят при помощи адаптивной пороговой фильтрации. A method for recognizing objects, including filtering the input image, calculating the singular points of the image, threshold filtering the selected singular points by value, highlighting the neighborhoods of these singular points, constructing arbitrary descriptors of the obtained neighborhoods, characterized in that when filtering the input signal, the image is convolved with the given Green function for sequentially changing the parameters of this function and determine the finite-difference approximation of the first derivative of the convolution of the input image with Green's function, subtracting the convolutions corresponding to the approximation scheme from each other, moreover, the noise removal of detected special image points is carried out using adaptive threshold filtering.

Images