秦雪，王歡，2，嚴(yán)曄 ，吳玉寧，蘇偉 ，2

（1.長(zhǎng)春理工大學(xué) 計(jì)算機(jī)科學(xué)技術(shù)學(xué)院，長(zhǎng)春 130022；2.長(zhǎng)春理工大學(xué) 信息化中心，長(zhǎng)春 130022）

圖像識(shí)別技術(shù)在現(xiàn)代計(jì)算機(jī)科學(xué)中已經(jīng)得到了廣泛的研究和發(fā)展，并且運(yùn)用到了生產(chǎn)生活的各個(gè)方面，例如人臉識(shí)別，指紋識(shí)別，機(jī)動(dòng)車監(jiān)控等。傳統(tǒng)灰度圖像識(shí)別系統(tǒng)［1］如圖1所示。傳統(tǒng)灰度圖檢測(cè)方法，由于具有良好的匹配效果，確切的定量分析，大量的實(shí)驗(yàn)結(jié)果，目前得到了廣泛的應(yīng)用。但是，此類方法仍然存在對(duì)圖像識(shí)別精度不高、復(fù)雜度高等缺點(diǎn)。本文基于邊緣檢測(cè)圖像識(shí)別算法，通過優(yōu)化灰度圖像識(shí)別系統(tǒng)流程圖，提出了一種新的邊緣檢測(cè)圖像識(shí)別算法，提高了圖像識(shí)別的精度，分析了算法的優(yōu)缺點(diǎn)和實(shí)際使用的可行性。

圖1 灰度圖像識(shí)別系統(tǒng)

1 算法流程改進(jìn)思想

1.1 算法基本流程

算法主要思想是改進(jìn)識(shí)別流程圖的決策判斷部分。將其流程優(yōu)化為提取圖像邊緣、計(jì)算邊緣梯度矩陣、建立梯度直方圖、計(jì)算偏離方差、確定判定條件五個(gè)部分，基本流程如圖2所示。

圖2 基于邊緣檢測(cè)圖像識(shí)別流程圖

首先，提取待測(cè)對(duì)象邊緣。通過分析此邊緣圖像的矩陣，保留圖像中為待測(cè)對(duì)象邊緣的對(duì)應(yīng)像素點(diǎn)，本文中稱作有效像素。然后，對(duì)原圖中有效像素計(jì)算偏導(dǎo)數(shù)，得到原圖中有效像素的梯度矩陣，最后分析此梯度矩陣得到邊緣梯度的匹配標(biāo)準(zhǔn)。通過判定條件過濾掉待測(cè)對(duì)象中邊緣梯度并不契合的對(duì)象。

在這種方法中，使用了有效像素，雖然匹配效率變高，但是時(shí)間復(fù)雜度增加。

1.2 級(jí)聯(lián)分類器訓(xùn)練

基于灰度特征的級(jí)聯(lián)分類器訓(xùn)練［2］是邊緣檢測(cè)圖像識(shí)別算法的基礎(chǔ)，它提供了一個(gè)有效的圖像識(shí)別研究平臺(tái)。Haar-like特征［3］，如圖3所示。

圖3 Haar-like特征庫

可以使用五個(gè)要素來描述這些矩形：在圖像中的坐標(biāo)x,y，矩形橫向距離w和矩形縱向距離h，以及矩形與水平方向的夾角α。根據(jù)灰度圖像特征描述公式：

其中每一個(gè)矩形的特征值計(jì)算公式：

2 基于Canny算法邊緣檢測(cè)

2.1 Canny算法

為實(shí)現(xiàn)對(duì)圖像邊緣像素提取，首先通過canny算子［4］計(jì)算統(tǒng)計(jì)平均，使圖像像素的高斯分布趨于平衡。假如設(shè)定如下二維高斯函數(shù)公式：

可以得到的此高斯函數(shù)的導(dǎo)數(shù)公式：

導(dǎo)數(shù)公式表示圖像灰度變化率相對(duì)水平的傾斜方向，通過卷積得到圖像像素沿這兩個(gè)方向的偏導(dǎo)數(shù)公式：

公式中k為自然數(shù)，e表示高斯參數(shù)，它表示圖像的像素平衡程度。然后，通過一階偏微分卷積方法求出的變化率的大小公式：

和傾斜角度公式：

2.2 邊緣提取結(jié)果

本文采用Canny算子大小為3×3，閾值范圍（56～168）。

在文中，由于矩陣行列數(shù)過多，因此只截取邊緣矩陣第151～154行，第356～350列作為分析矩陣，可見通過Canny算法求取邊緣后，灰度變化率方向上的像素灰度值達(dá)到峰值，最后通過雙閾值算法將邊緣圖像連接起來，實(shí)際效果如圖4所示。

圖4 邊緣提取效果對(duì)比圖

圖像中可以看出機(jī)器人的大致輪廓能夠被識(shí)別出來，機(jī)器人輪廓線和閾值參數(shù)有關(guān)。過于高的閾值設(shè)定會(huì)使輪廓線會(huì)減少。這也是基于邊緣檢測(cè)圖像識(shí)別算法的一個(gè)局限所在，只能夠根據(jù)具體的圖像做出最優(yōu)的選擇。

3 Sobel算子計(jì)算邊緣梯度矩陣

3.1 Sobel算子

Sobel算子是用來求取圖像矩陣的偏導(dǎo)數(shù)的算子［5］。假設(shè)為圖像矩陣函數(shù)，其中(x ,y)圖像矩陣中的行和列的位置，別分對(duì)應(yīng)此行和列的像素灰度值，則由一階導(dǎo)數(shù)得到像素的梯度公式：

同樣得到矢量模的大小公式：

Sobel算子能夠?qū)?度和90度兩個(gè)方向上的梯度進(jìn)行檢測(cè)分析，將接近于這兩個(gè)方向的梯度劃分成兩組。其中梯度函數(shù)公式：

根據(jù)三角函數(shù)性質(zhì)得到像素傾角公式：

3.2 梯度方向提取結(jié)果

算子包括兩組3×3矩陣，拓展內(nèi)核為1。

在本文中，由此公式得到的梯度矩陣截取第151～154行，第356～350列矩陣為

進(jìn)而求出整個(gè)圖像的像素點(diǎn)的傾角矩陣

由于通過矩陣計(jì)算出邊緣傾角矩陣，此方法增加了算法復(fù)雜度。

4 直方圖匹配

4.1 灰度直方圖

灰度直方圖［6］是灰度值的統(tǒng)計(jì)圖形，以圖形的方式反映圖像灰度分布情況，灰度直方圖分為兩個(gè)類型。一是標(biāo)準(zhǔn)灰度直方圖，表示像素個(gè)數(shù)和灰度值大小的關(guān)系；二是歸一化的直方圖，表示同一灰度值大小的像素所占百分比和灰度值的關(guān)系。灰度圖一維表示公式和歸一化公式如下：

根據(jù)歸一化公式計(jì)結(jié)果，得到某一灰度值的在整個(gè)圖像像素中所占概率，是圖像像素總數(shù)。

灰度直方圖直觀的統(tǒng)計(jì)特性，為圖像識(shí)別判定原則提供了方便的工具。

4.2 灰度變換

通常使用的彩色圖像一般都是RGB格式。圖像中紅、綠、藍(lán)三個(gè)分量所占比例是不同的［7］。按照加權(quán)的方式可以將三種顏色色值轉(zhuǎn)化為灰度圖像灰度值。

例如某像素點(diǎn)RGB分量分別為（R，G，B），像素灰度公式如下：

R，G，B，V的大小范圍從0～255。根據(jù)如上公式的比例因子，將彩色的三色色值加權(quán)求和，保存成灰度圖像，再把0～255分成n個(gè)灰度級(jí)別對(duì)這些灰度級(jí)別進(jìn)行直方統(tǒng)計(jì)。

根據(jù)需要本文將讀取的標(biāo)準(zhǔn)圖像和待識(shí)別的視頻提取圖像全部轉(zhuǎn)換為灰度圖像進(jìn)行操作。

4.3 灰度直方圖匹配結(jié)果

將標(biāo)準(zhǔn)差應(yīng)用于圖像質(zhì)量標(biāo)準(zhǔn)［8］，可以使圖像統(tǒng)計(jì)數(shù)據(jù)更健全利于分析，標(biāo)準(zhǔn)差定義公式如下：

邊緣像素變化率和水平方向的夾角（邊緣傾角、梯度方向）可以取180個(gè)方向的角度，因此建立直方圖有180個(gè)灰度級(jí)，其中橫坐標(biāo)對(duì)應(yīng)180個(gè)角度，縱坐標(biāo)對(duì)應(yīng)同一角度的像素出現(xiàn)頻率，根據(jù)傾角數(shù)據(jù)繪制灰度圖。建立灰度圖［9］，如圖5所示。為過濾匹配項(xiàng)，增加識(shí)別判定準(zhǔn)則也就是匹配識(shí)別距離d，其公式為：

其中θi為待匹配圖像的某一傾角頻率值，αi為原圖同一傾角頻率值。

通過比較基于兩幅圖的邊緣傾角建立的灰度圖像的相似程度，便可以得到分析數(shù)據(jù)來判定此兩幅圖是否具有相似的灰度分布，從而識(shí)別出待識(shí)別的物體。

對(duì)比兩幅圖像邊緣梯度方向也就是邊緣傾角分布情況。通過計(jì)算的方差統(tǒng)計(jì)，求出最優(yōu)在匹配識(shí)別距離d，以達(dá)到最優(yōu)的匹配效果。

圖5 傾角矩陣直方圖

5 實(shí)驗(yàn)結(jié)果

本實(shí)驗(yàn)所用設(shè)備為處理器core i7，顯卡GTX660M，內(nèi)存8G，在VS2010，C++語言環(huán)境下采用cascade方法訓(xùn)練的級(jí)聯(lián)分類器，訓(xùn)練樣本400張。匹配過程中圖像經(jīng)過灰度轉(zhuǎn)化，比例縮小，縮小因子1.1，識(shí)別框矩形大小為30～50。

對(duì)比結(jié)果如圖6所示，基于邊緣檢測(cè)匹配，識(shí)別效果優(yōu)于傳統(tǒng)灰度圖像識(shí)別系統(tǒng)。圖中可以觀察到，傳統(tǒng)灰度圖像匹配下有6個(gè)待選識(shí)別框，而邊緣檢測(cè)匹配算法只有1個(gè)匹配識(shí)別框。改進(jìn)后的在此單幀下優(yōu)化了83.3%。

圖6 圖像識(shí)別對(duì)比結(jié)果

如表1所示，對(duì)于匹配識(shí)別距離d的不同取值得到了不同的匹配效果，隨著d的減小，圖像識(shí)別精度不斷提高。但隨著匹配識(shí)別距離d減小到臨界值時(shí)，識(shí)別效果達(dá)到頂峰。

表1 匹配效率數(shù)據(jù)

如圖7所示，如果采用圖像的某一幀分析，就會(huì)發(fā)現(xiàn)得到的效率曲線并不是一直隨著匹配識(shí)別距離的減小而提高。當(dāng)d取值為0.05時(shí)，達(dá)到峰值，但隨后匹配效率急劇下降，甚至匹配框消失。過低的匹配識(shí)別距離意味著待測(cè)圖像和原圖之間的差異非常小，而待測(cè)圖像和原圖并不是完全一致的，一些滿足條件的匹配框也被過濾掉了。此方法并不能夠適應(yīng)一些多變的環(huán)境，局限性非常明顯。

圖7 單幀識(shí)別率隨匹配距離d變化值

實(shí)驗(yàn)結(jié)果表明，基于邊緣檢測(cè)的圖像識(shí)別使普通識(shí)別效率最高提高了80%。但是匹配識(shí)別距離的局限性使得此效率不能夠再提升。而且匹配識(shí)別距離只能依靠具體的條件才能得到最優(yōu)效果，并不能夠自適應(yīng)各種圖像識(shí)別。

6 結(jié)論

基于邊緣檢測(cè)的圖像識(shí)別算法，保持了傳統(tǒng)圖像識(shí)別的優(yōu)點(diǎn)，提高了圖像識(shí)別效率。傳統(tǒng)圖像識(shí)別的基礎(chǔ)上增加了新的判定準(zhǔn)則，為實(shí)現(xiàn)圖像匹配識(shí)別進(jìn)行了有益的探索。但是仍然存在識(shí)別速度慢，匹配識(shí)別距離自適應(yīng)性差，Canny算法的自適應(yīng)性差等問題，有待于進(jìn)一步研究解決。

［1］王明瀟.圖像識(shí)別算法研究及其智能終端上的實(shí)現(xiàn)［D］.北京：北京郵電大學(xué)，2010.

［2］Prem Kuchi，Prasad Gabbur，P Subbanna Bhat，et al.Human face detection and tracking using skin color modeling and connected component operators［J］.IETE Journal of Research，2002，48（3-4）：289-293.

［3］王明瀟.圖像識(shí)別算法研究及其智能終端上的實(shí)現(xiàn)［D］.北京：北京郵電大學(xué)，2010.

［4］王植，賀賽先.一種基于Canny理論的自適應(yīng)邊緣檢測(cè)方法［J］.中國圖象圖形學(xué)報(bào)，2004，9（08）：65-70.

［5］袁春蘭，熊宗龍，周雪花，等.基于Sobel算子的圖像邊緣檢測(cè)研究［J］.激光與紅外，2009，39（1）：85-87.

［6］李小利，阮秋琦，阮成雄.基于灰度直方圖的加權(quán)模板匹配法在攝像機(jī)標(biāo)定中的應(yīng)用［J］.北京交通大學(xué)學(xué)報(bào)，2013，37（2）：22-26.

［7］張學(xué)榮，雷國偉.基于灰度直方圖的背景差目標(biāo)檢測(cè)算法［J］.計(jì)算機(jī)安全，2010（2）：45-47.

［8］張小利，李雄飛，李軍.融合圖像質(zhì)量評(píng)價(jià)指標(biāo)的相關(guān)性分析及性能評(píng)估［J］.自動(dòng)化學(xué)報(bào)，2014，40（2）：306-315.

［9］王潤(rùn)鴻.基于視覺加權(quán)的最大連通面積直方圖檢索［J］.長(zhǎng)春理工大學(xué)學(xué)報(bào)：自然科學(xué)版，2013，36（1-2）：110-114.