特征提取方法及裝置的制造方法
【技術(shù)領(lǐng)域】
[0001 ]本公開涉及圖像處理技術(shù)領(lǐng)域，特別涉及一種特征提取方法及裝置。
【背景技術(shù)】
[0002] 圖像檢測(cè)與識(shí)別是計(jì)算機(jī)視覺中一個(gè)重要的研究領(lǐng)域。圖像檢測(cè)與識(shí)別技術(shù)中最 常用的方法是通過提取圖像中的某種特征，從而對(duì)圖像進(jìn)行檢測(cè)與識(shí)別。
[0003] 在相關(guān)技術(shù)中，通過提取圖像的H0G(Histogram of Oriented Gradient，方向梯 度直方圖）特征對(duì)圖像進(jìn)行檢測(cè)與識(shí)別。HOG特征提取的方法如下:計(jì)算圖像中每個(gè)像素的 梯度;將圖像劃分成若干個(gè)單元格，每個(gè)單元格包括若干個(gè)像素，每相鄰的η個(gè)單元格形成 一個(gè)塊;統(tǒng)計(jì)每個(gè)單元格中所有像素的梯度直方圖，再根據(jù)每個(gè)塊中的所有單元格的梯度 直方圖得到每個(gè)塊的H0G特征;統(tǒng)計(jì)圖像中所有塊的H0G特征得到圖像的H0G特征。

【發(fā)明內(nèi)容】

[0004] 為了解決相關(guān)技術(shù)中存在的問題，本公開提供一種特征提取方法及裝置。所述技 術(shù)方案如下：
[0005] 根據(jù)本公開實(shí)施例的第一方面，提供一種特征提取方法，該方法包括：
[0006] 將圖像劃分為若干個(gè)塊，每個(gè)塊包括若干個(gè)單元格；
[0007] 對(duì)每個(gè)單元格進(jìn)行稀疏信號(hào)分解，得到每個(gè)單元格各自對(duì)應(yīng)的稀疏向量；
[0008] 根據(jù)稀疏向量提取圖像的方向梯度直方圖H0G特征。
[0009] 在一個(gè)可選的實(shí)施例中，對(duì)每個(gè)單元格進(jìn)行稀疏信號(hào)分解，得到每個(gè)單元格對(duì)應(yīng) 的稀疏向量，包括：
[0010]將每個(gè)單元格中的像素調(diào)整為η* 1維的向量；
[0011] 利用下述公式，對(duì)每個(gè)單元格中的向量進(jìn)行稀疏信號(hào)分解，得到對(duì)應(yīng)的稀疏向量；
[0012] min(x) | | x | 11 subject to y = Dx
[0013] 其中，y為每個(gè)單元格中的向量，D為預(yù)先給定的過完備字典，x為y在過完備字典D 下稀疏得到的稀疏向量，I I X I 11表示對(duì)稀疏向量X的每列的絕對(duì)值求和，每個(gè)稀疏向量是m* 1維的向量，過完備字典D是n*m的矩陣。
[0014] 在一個(gè)可選的實(shí)施例中，根據(jù)稀疏向量提取圖像的方向梯度直方圖H0G特征，包 括：
[0015] 根據(jù)稀疏向量計(jì)算每個(gè)單元格的梯度大小和梯度方向，得到每個(gè)單元格的描述 子；
[0016] 統(tǒng)計(jì)每個(gè)塊內(nèi)的各個(gè)描述子，得到每個(gè)塊的H0G特征；
[0017] 統(tǒng)計(jì)圖像中各個(gè)塊的H0G特征，得至?xí)裣竦腍0G特征。
[0018]在一個(gè)可選的實(shí)施例中，統(tǒng)計(jì)圖像中各個(gè)塊的H0G特征，得到圖像的H0G特征，包 括：
[0019]將圖像中各個(gè)塊的H0G特征串聯(lián)成一個(gè)矩陣，得到圖像的H0G特征，矩陣的每一列 為一個(gè)塊的HOG特征。
[0020] 在一個(gè)可選的實(shí)施例中，統(tǒng)計(jì)圖像中各個(gè)塊的HOG特征，得到圖像的HOG特征，包 括：
[0021] 將圖像中每個(gè)塊的H0G特征由初始的L*1維向量調(diào)整為M*N的矩陣，每個(gè)塊包括M*N 個(gè)像素，L=M*N;
[0022] 根據(jù)每個(gè)塊的調(diào)整后的HOG特征和每個(gè)塊在圖像中的對(duì)應(yīng)位置，得到圖像的HOG特 征。
[0023] 在一個(gè)可選的實(shí)施例中，該方法，還包括：
[0024]將圖像進(jìn)行歸一化處理，得到預(yù)定尺寸大小的圖像。
[0025] 根據(jù)本公開實(shí)施例的第二方面，提供一種特征提取裝置，該裝置包括：
[0026] 劃分模塊，被配置為將圖像劃分為若干個(gè)塊，每個(gè)塊包括若干個(gè)單元格；
[0027] 分解模塊，被配置為對(duì)每個(gè)單元格進(jìn)行稀疏信號(hào)分解，得到每個(gè)單元格各自對(duì)應(yīng) 的稀疏向量；
[0028] 提取模塊，被配置為根據(jù)稀疏向量提取圖像的方向梯度直方圖H0G特征。
[0029] 在一個(gè)可選的實(shí)施例中，分解模塊，包括：
[0030] 第一調(diào)整子模塊，被配置為將每個(gè)單元格中的像素調(diào)整為η* 1維的向量；
[0031]信號(hào)分解子模塊，被配置為利用下述公式，對(duì)每個(gè)單元格中的向量進(jìn)行稀疏信號(hào) 分解，得到對(duì)應(yīng)的稀疏向量；
[0032] min(x) | | X | | isub ject to y = Dx
[0033] 其中，y為每個(gè)單元格中的向量，D為預(yù)先給定的過完備字典，x為y在過完備字典D 下稀疏得到的稀疏向量，I I X I 11表示對(duì)稀疏向量X的每列的絕對(duì)值求和，每個(gè)稀疏向量是m* 1維的向量，過完備字典D是n*m的矩陣。
[0034] 在一個(gè)可選的實(shí)施例中，提取模塊，包括：
[0035] 計(jì)算子模塊，被配置為根據(jù)稀疏向量計(jì)算每個(gè)單元格的梯度大小和梯度方向，得 到每個(gè)單元格的描述子；
[0036]第一統(tǒng)計(jì)子模塊，被配置為統(tǒng)計(jì)每個(gè)塊內(nèi)的各個(gè)描述子，得到每個(gè)塊的H0G特征；
[0037] 第二統(tǒng)計(jì)子模塊，被配置為統(tǒng)計(jì)圖像中各個(gè)塊的H0G特征，得到圖像的H0G特征。
[0038] 在一個(gè)可選的實(shí)施例中，第二統(tǒng)計(jì)子模塊，被配置為將圖像中各個(gè)塊的H0G特征串 聯(lián)成一個(gè)矩陣，得到圖像的H0G特征，矩陣的每一列為一個(gè)塊的H0G特征。
[0039] 在一個(gè)可選的實(shí)施例中，第二統(tǒng)計(jì)子模塊，包括：
[0040] 第二調(diào)整子模塊，被配置為將圖像中每個(gè)塊的H0G特征由初始的L* 1維向量調(diào)整為 M*N的矩陣，每個(gè)塊包括M*N個(gè)像素，L=M*N;
[0041] 特征提取子模塊，被配置為根據(jù)每個(gè)塊的調(diào)整后的HOG特征和每個(gè)塊在圖像中的 對(duì)應(yīng)位置，得到圖像的H0G特征。
[0042] 在一個(gè)可選的實(shí)施例中，該裝置，還包括：
[0043]處理模塊，被配置為將圖像進(jìn)行歸一化處理，得到預(yù)定尺寸大小的圖像。
[0044] 根據(jù)本公開實(shí)施例的第三方面，提供一種特征提取裝置，該裝置包括：
[0045] 處理器；
[0046] 用于存儲(chǔ)處理器可執(zhí)行指令的存儲(chǔ)器；
[0047] 其中，處理器被配置為：
[0048] 將圖像劃分為若干個(gè)塊，每個(gè)塊包括若干個(gè)單元格；
[0049] 對(duì)每個(gè)單元格進(jìn)行稀疏信號(hào)分解，得到每個(gè)單元格各自對(duì)應(yīng)的稀疏向量；
[0050] 根據(jù)稀疏向量提取圖像的方向梯度直方圖H0G特征。
[0051] 本公開的實(shí)施例提供的技術(shù)方案可以包括以下有益效果：
[0052]通過將圖像劃分為若干個(gè)塊，每個(gè)塊包括若干個(gè)單元格;對(duì)每個(gè)單元格進(jìn)行稀疏 信號(hào)分解，得到每個(gè)單元格各自對(duì)應(yīng)的稀疏向量;根據(jù)稀疏向量提取圖像的方向梯度直方 圖H0G特征;解決了在H0G特征提取過程中是針對(duì)圖像的空間域直接計(jì)算得到，導(dǎo)致在模式 識(shí)別中的檢測(cè)率和準(zhǔn)確度較低的問題;達(dá)到了在頻率域提取圖像的H0G特征，提高了在模式 識(shí)別中的檢測(cè)率和準(zhǔn)確度的效果。
[0053]應(yīng)當(dāng)理解的是，以上的一般描述和后文的細(xì)節(jié)描述僅是示例性的，并不能限制本 公開。
【附圖說明】
[0054]此處的附圖被并入說明書中并構(gòu)成本說明書的一部分，示出了符合本公開的實(shí)施 例，并于說明書一起用于解釋本公開的原理。
[0055]圖1是根據(jù)一示例性實(shí)施例示出的一種特征提取方法的流程圖；
[0056]圖2A是根據(jù)另一示例性實(shí)施例示出的一種特征提取方法的流程圖；
[0057]圖2B是根據(jù)一示例性實(shí)施例示出的一種圖像劃分的示意圖；
[0058]圖2C是根據(jù)另一不例性實(shí)施例不出的一種圖像劃分的不意圖；
[0059]圖2D是根據(jù)一示例性實(shí)施例示出的一種單元格像素調(diào)整的示意圖；
[0060]圖2E是根據(jù)一示例性實(shí)施例示出的一種統(tǒng)計(jì)塊內(nèi)H0G特征的示意圖；
[0061 ]圖3A是根據(jù)一示例性實(shí)施例示出的一種特征提取方法的流程圖；
[0062]圖3B是根據(jù)一示例性實(shí)施例示出的一種統(tǒng)計(jì)圖像H0G特征的示意圖；
[0063]圖4是根據(jù)一示例性實(shí)施例示出的一種特征提取裝置的框圖；
[0064]圖5是根據(jù)另一示例性實(shí)施例示出的一種特征提取裝置的框圖；
[0065] 圖6是根據(jù)一示例性實(shí)施例示出的一種特征提取裝置的子模塊的框圖；
[0066] 圖7是根據(jù)另一示例性實(shí)施例示出的一種特征提取裝置的框圖。
【具體實(shí)施方式】
[0067] 這里將詳細(xì)地對(duì)示例性實(shí)施例進(jìn)行說明，其示例表示在附圖中。下面的描述涉及 附圖時(shí)，除非另有表示，不同附圖中的相同數(shù)字表示相同或相似的要素。以下示例性實(shí)施例 中所描述的實(shí)施方式并不代表與本公開相一致的所有實(shí)施方式。相反，它們僅是與如所附 權(quán)利要求書中所詳述的、本公開的一些方面相一致的裝置和方法的例子。
[0068] 圖1是根據(jù)一示例性實(shí)施例示出的一種特征提取方法的流程圖，如圖1所示，本實(shí) 施例以該方法應(yīng)用于模式識(shí)別的硬件中來舉例說明，該方法可以包括以下步驟。
[0069] 在步驟102中，將圖像劃分為若干個(gè)塊，每個(gè)塊包括若干個(gè)單元格。
[0070] 在步驟104中，對(duì)每個(gè)單元格進(jìn)行稀疏信號(hào)分解，得到每個(gè)單元格各自對(duì)應(yīng)的稀疏 向量。
[0071] 稀疏信號(hào)分解是指將給定的觀測(cè)信號(hào)按照分解規(guī)律轉(zhuǎn)化為稀疏向量，該稀疏向量 中有若干個(gè)元素的值為零。本實(shí)施例中，將每個(gè)單元格中的像素作為給定的觀測(cè)信號(hào)，從而 得到每個(gè)單元格各自對(duì)應(yīng)的稀疏向量。
[0072] 在步驟106中，根據(jù)稀疏向量提取圖像的H0G特征。
[0073] 終端根據(jù)稀疏信號(hào)分解后得到的稀疏向量，提取圖像的H0G特征。
[0074]綜上所述，本公開實(shí)施例中提供的特征提取方法，通過將圖像劃分為若干個(gè)塊，每 個(gè)塊包括若干個(gè)單元格;對(duì)每個(gè)單元格進(jìn)行稀疏信號(hào)分解，得到每個(gè)單元格各自對(duì)應(yīng)的稀 疏向量;根據(jù)稀疏向量提取圖像的方向梯度直方圖H0G特征;解決了在H0G特征提取過程中 是針對(duì)圖像的空間域直接計(jì)算得到，導(dǎo)致在模式識(shí)別中的檢測(cè)率和準(zhǔn)確度較低的問題;達(dá) 到了在頻率域提取圖像的H0G特征，提高了在模式識(shí)別中的檢測(cè)率和準(zhǔn)確度的效果。
[0075]圖2A是根據(jù)另一示例性實(shí)施例示出的一種特征提取方法的流程圖，如圖