一种基于仿射不变量的符号识别方法

摘要

本发明属于计算机视觉领域，涉及到一种基于仿射不变量符号识别方法。首先，对目标符号求取凸包并构造一系列与符号轮廓相交的直线，通过引入特征比这一仿射不变量求出对应直线上的特征比值；然后，将特征比值依次组合成一个特征向量，并将该向量表示成一系列的特征比谱；最后，通过DTW算法比较特征比谱间的距离得出符号间的相似度，从而进行符号识别。实验表明，本方法不仅对严重的仿射变形有较高的识别率，对相似度较高的符号也有很好的区分效果。

主权项

1.一种基于仿射不变量的符号识别方法，其特征包括以下步骤，步骤1：对原始符号利用边缘检测的方法提取轮廓；步骤2：对符号轮廓提取凸包；步骤3：在凸包上进行均匀采样，采样点数为n；采样点顺时针标号为p₁,p₂,...p_n；步骤4：计算符号与直线相交处的特征比值步骤4-1：取凸包上任一点p_i为起始点，按逆时针方向与轮廓上其余点p_i-1,p_i-2,...,p₁,...,p_i+1依次相连，共产生n-1条直线；p_i与p_j相连的直线记为<p_i,p_j>；步骤4-2：计算与向量平行的单位向量并计算与向量垂直的单位向量，使其满足；步骤4-3：对待识别符号上任一轮廓点，若q满足则q是直线<p_i,p_j>与符号轮廓的一个交点；步骤4-4以p_i,p_j作为基本点，设直线<p_i,p_j>与符号轮廓相交的坐标点集为q_s={q₁,q₂,...,q_m}；步骤5：计算符号在直线<p_i,p_j>处的特征比值；设u,v∈IP²是射影平面中的两点(或两直线)，q₁,q₂,...,q_k是直线(u,v)上的k个点(或通过点<u,v>的直线簇)，则存在实数使q_i=a_iu+b_iv,i=1,2,...,k，称比值$\mathrm{CHR}[u,v;q_1,q_2,...,{\mathrm{qp}}_k]:=\frac{b_1{b}_2...b_k}{a_1{a}_2...a_k}$为点q₁,q₂,...,q_k关于基本点(或直线)(u,v)的特征比；步骤6：重复步骤4和步骤5，将与点p_i相连的所有n-1个采样点的特征值计算完毕；将所有特征值组合成一个特征向量，称为特征比谱CHRS(character-ratio spectra)；则点p_i的特征比谱表示为CHRS(p_i)={CHR(p_i,p_k),k=i-1,i-2,...,1,...,i+1},p_k表示从p_i-1开始的凸包上绕逆时针方向除p_i之外的任一采样点；步骤7：设X为未知符号目标，x_s={x₁,x₂,...,x_M}是其轮廓上的采样点集；设T为某模板符号目标，t_s={t₁,t₂,...,t_N}是其轮廓上的采样点集；X上任一轮廓点x_i的特征比谱简写为CHRS(x_i)={x_i,u=CHR(x_i,x_u)|u=i-1,i-2,...,1,...,i+1}；T上任一轮廓点t_j的特征比谱简写为CHRS(t_j)={t_j,v=CHR(t_j,t_v)|v=j-1,j-2,...,1,...,j+1}；步骤7-1利用公式(1)计算采样点x_i和t_j的特征比谱的距离：$\mathrm{DTW}(u,v)=\min \left\{\begin{array}{c}\mathrm{DTW}(u-1,v-1)+c(u,v)\\ \mathrm{DTW}(u-1,v)+c(u,v)\\ \mathrm{DTW}(u,v-1)+c(u,v)\end{array}\right.---\left(1\right)$其中c(u,v)的计算方式为，当(u=1,v=1)时，DTW(u,v)=c(0,0)，其余情况的计算方式如公式(2)所示；$c(u,v)=\frac{\mathrm{abs}(\log (x_{i,u}+1)-\log (t_{j,v}+1))}{\log (x_{i,u}+1)+\log (t_{j,v}+1)}---\left(2\right)$步骤7-2重复步骤7-1，计算符号X的任一轮廓采样点与模板符号T的任一轮廓采样点的特征比谱的距离；并建立下表1：表1  查询符号与模板符号的DTW距离表步骤8.在未知符号的轮廓采样点集x_s中选定一个采样点，如表1中x₁,同样从模板符号的采样点集t_s中选择一个采样点t_k，k=1,...,n，将x₁与t_k对齐作为起始点，对它们顺时针方向上的其他点利用公式(3)作DTW比较，如表1中的DTW距离匹配表；${\mathrm{DTW}}_k(i,j)=\min \left\{\begin{array}{c}{\mathrm{DTW}}_k(i-1,j-1)+c_k(i,j)\\ {\mathrm{DTW}}_k(i-1,j)+c_k(i,j)\\ {\mathrm{DTW}}_k(i,j-1)+c_k(i,j)\end{array}\right.---\left(3\right)$公式中i=1,2,...,M,j=1,2,...,N；当i=1,j=1时，DTW_k(i,j)=DTWdist(x₁,t_k)，c_k(i,j)=DTWdist(X_i,T_(j+k)modN)；当k=1时，表1中的灰色背景部分即为匹配的子表；步骤9：由公式(3)，当X₁与T_k对齐时,X与T的距离记为dist_k(Q,T)=DTW_k(M,N)；经过N次DTW比较，可以计算出X和T之间的距离为:dist(X,T)=min{dist_k(X,T),k=0,1,...,N-1}  (4)步骤10：利用公式(4)计算未知符号X与所有模板符号之间的距离，距离最小者对应的模板符号即为识别出的符号。