鄧秋君

（中山大學南方學院電氣與計算機工程學院，廣州 510970）

0 引言

隨著計算機視覺和模式識別的飛速發(fā)展，人類希望利用計算機自動化識別功能，來分類自然界中的各類物體，以此來提高生產(chǎn)效率，降低生產(chǎn)成本和人力成本。而物體的輪廓包含豐富的物體形狀信息，并且不易受到光照、物體顏色及紋理變化的影響。最重要的是物體輪廓能夠有效的描述大范圍物體的結(jié)構(gòu)，可以比較直觀的反應(yīng)識別物體的特征，這將會很好地適應(yīng)人類的視覺上的認知習慣[1-2]。因此基于物體輪廓特征的物體分類識別算法研究具有十分重要的意義，并且成為當今研究領(lǐng)域中的熱點之一。

物體輪廓特征的描述是基于輪廓特征的物體分類識別的基礎(chǔ)?；谳喞奈矬w的分類識別從傳統(tǒng)的基于傅里葉變換[3]或者形狀不變矩[4]，以及自回歸模型等方法，發(fā)展為當前大多數(shù)基于輪廓和骨架兩種形狀描述符的形狀匹配方法。基于物體輪廓的分類算法，被廣泛應(yīng)用在字符識別[5]、車型識別[6]及船舶和飛機機型識別[8]等方面。

1962 年，Hu 提出了一種非常經(jīng)典的矩不變量，作為描述物體的統(tǒng)計特性，并成功地應(yīng)用于光學的字符識別上[4]。1996 年，Hoffman 提出了一種基于邊界的物體輪廓劃分的方法，該方法給出了劃分物體輪廓極小值準則[8-9]，通過評價物體整體輪廓和局部輪廓，可以更好地對目標物體進行描述和識別。1984 年，Witkin 提出了尺度空間概念并用來描述物體的形狀特征[10]。Latecki 和Lakamper 在1998 年提出了一種離散輪廓的演化算法，該算法是將物體的平面輪廓演化成凸多邊形，然后提取出能夠表示物體輪廓的有意義視覺部分，利用凸多邊形的頂點來對簡化后的輪廓曲線進行分段劃分，最后使用輪廓分段[11]來描述物體輪廓特征。

Lee 等人在文獻[12-13]中提出了基于轉(zhuǎn)角特征的物體分類識別算法，解決了工業(yè)生產(chǎn)中魚、牡蠣等水產(chǎn)品的分類問題，并對不同類水產(chǎn)品進行了有效的分類?；谵D(zhuǎn)角特征的物體分類識別算法主要包括轉(zhuǎn)角特征的描述和相似度計算。轉(zhuǎn)角特征主要是提取輪廓上的點，通過輪廓上點之間形成的轉(zhuǎn)角關(guān)系來描述物體形狀。在此基礎(chǔ)上用相似度的計算方法來衡量物體間的相似性，進而對物體進行有效分類識別。

1 算法描述

物體的輪廓結(jié)構(gòu)是物體形狀的基本特征，也是組成物體形狀的結(jié)構(gòu)單元，而結(jié)構(gòu)單元包含在結(jié)構(gòu)特征中。對于所給的訓練物體，通過前期的處理可以得到構(gòu)成目標物體的特征點，進而構(gòu)造出目標物體的特征庫。它可以靈活的表示各類物體形狀，能夠很好地適應(yīng)物體輪廓的變化，因此物體輪廓結(jié)構(gòu)特征對描述物體形狀具有十分重要的意義。接下來主要是對兩種結(jié)構(gòu)特征的描述方法進行介紹。

1.1 轉(zhuǎn)角特征

物體的轉(zhuǎn)角特征是描述物體輪廓上點之間的關(guān)系。每相鄰的兩個輪廓點之間形成一個向量，在這里要注意的是只能是每相鄰的兩個點之間形成向量。每三個點之間會形成兩個向量，那么每相鄰的兩個向量之間會形成一個夾角，這個夾角即為我們所需要的轉(zhuǎn)角特征。如圖1 所示，物體輪廓上點之間形成向量l1,l2,l3,l4,l5，這些向量之間形成轉(zhuǎn)角θ1,θ2,θ3,θ4,θ5。

在描述轉(zhuǎn)角特征的過程中要注意選取轉(zhuǎn)角的方向。因為輪廓上的轉(zhuǎn)角只與物體的形狀有關(guān)，所以轉(zhuǎn)角特征用來描述物體時具有平移和旋轉(zhuǎn)不變性。

1.2 形狀上下文

形狀上下文（shape context）特征描述了物體輪廓上各個點之間相對的分布情況[31-32]，其基本思想是對于物體輪廓上任一點，以該點為中心建立極坐標系，極坐標系由γ和θ確定極坐標的區(qū)域，計算其他輪廓點落在該點建立的極坐標區(qū)域中的數(shù)目，建立直方圖即為上下文的定義。形狀上下文主要優(yōu)點是它能夠?qū)ξ矬w形狀進行全局性的描述，對于一般物體的形變，它都能使用。

圖2 中（c）給出的是輪廓上每個點的對數(shù)極坐標描述的區(qū)域，圖 2（a）和（b）中以字母 B 為例給出三個不同點上的形狀上下文直方圖分別對應(yīng)（d）（e）（f），由圖2 中可以看出兩個相似目標輪廓上相應(yīng)位置上點的上下文形狀相似。

圖2 對應(yīng)輪廓點上的上下文匹配直方圖

在此基礎(chǔ)上，Belonigie 等人提出了基于物體形狀上下文的目標識別匹配算法[14]，它是通過描述物體輪廓上下文特征的形狀距離來衡量物體之間的相似度。與此同時，利用兩物體對應(yīng)輪廓點之間的關(guān)系，可以有效地對物體輪廓進行匹配，從而能夠有效地完成物體分類識別。

本小節(jié)主要介紹了一些描述輪廓特征的方式，并在輪廓特征的基礎(chǔ)上對物體進行分類，對每一類輪廓方式中的幾種具體描述方法進行了簡單的介紹。全局特征是描述物體整體的屬性，全局特征在物體相似性匹配上具有較好的性能，物體的相似性可以通過選用合適的計算相似度的方法來衡量。局部特性描述的是目標物體局部的特性，它并不能代表整個物體目標。在對物體進行分類匹配時，需要考慮真實匹配結(jié)果與不同類型的局部特征得到的匹配結(jié)果之間的關(guān)系，評價標準相對復雜。結(jié)構(gòu)特征能夠體現(xiàn)目標物體的基本特性，但是卻不能單獨有效地表示目標物體。為了能夠?qū)ξ矬w進行有效的識別，一般需要對合適的較多結(jié)構(gòu)特征進行組合，豐富的組合方式能夠比較靈活的描述物體目標輪廓，與此同時，為了提高物體分類識別的效果，需要選擇復雜的匹配算法和最佳的相似度計算方法。在實際生活中，我們可以根據(jù)應(yīng)用場景和需要選擇最佳的特征類型的描述方式。

1.3 相似度計算

我們在物體形狀描述的基礎(chǔ)上需要對物體進行相似度計算[33]。在物體輪廓形狀的分類識別領(lǐng)域里，怎樣通過描述目標物體特征來準確獲得物體分類識別效果是一個很重要的問題。對于這個問題，可以通過匹配算法和相似度的評價準則來描述和分析。我們得到物體輪廓特征之后，要對目標識別物體和標準模板物體進行匹配判斷，此時我們需要使用相似度計算的方法來衡量兩物體之間的相似性。匹配的算法對于怎樣來評價目標物體輪廓特征對物體分類識別結(jié)果的影響起著決定性的作用，而評估目標物體特征之間相似程度則是通過相似性評價準則來衡量的。很多專家學者已經(jīng)提出了一些有效的匹配算法[34]，例如最小距離分類器、支持向量機，以及神經(jīng)網(wǎng)絡(luò)等。在本文中主要關(guān)注的是相似性的評價準則對目標物體分類識別結(jié)果的影響。

物體形狀相似度計算是指使用某種準則來對兩個物體之間的相似程度進行計算。在得到的計算結(jié)果中，通過設(shè)定一個閾值來判斷兩個物體形狀是否匹配，即如果結(jié)果小于設(shè)定的閾值則可以認為兩個物體形狀是匹配的，反之則認為兩個物體不相似。相似度計算方法的選擇直接影響著物體匹配效果的好壞。因此，衡量目標物體特征之間的相似程度已經(jīng)成為我們關(guān)注的焦點。這里簡單介紹幾種比較經(jīng)典的計算相似度距離的測度函數(shù)。

2 算法實現(xiàn)

轉(zhuǎn)角特征是描述物體輪廓點上的轉(zhuǎn)角信息，它具有平移、尺度和旋轉(zhuǎn)不變性的特點。本文的研究用于水產(chǎn)品的實時檢測，數(shù)據(jù)集為蝦的樣本。采用轉(zhuǎn)角特征來描述其輪廓，并對蝦進行分類，圖3 為具體算法框架圖。

圖3 基于轉(zhuǎn)角特征的分類算法框架圖

2.1 圖像預處理

圖像預處理主要包括圖像的分割。圖像分割影響著輪廓提取，而輪廓邊緣提取又對后續(xù)描述輪廓特征起著至關(guān)重要的作用。因此本節(jié)將對圖像預處理中的分割部分進行詳細的闡述。

2.2 圖像二值化

由于物體的二值圖不是特別復雜并且能夠凸顯圖像的輪廓信息，所以在預處理中首先要對物體輪廓進行一個二值化處理。生活中采集到的圖像大多是彩色的，需要采用圖像分割的算法把圖像變成二值圖。有很多圖像分割的方法，對于不同的圖像采用的分割算法也會不同，這個要根據(jù)具體應(yīng)用的實際情況來選擇。生活中對不同圖像進行分割時會采用不同的分割算法，本節(jié)主要介紹處理本實驗過程中的圖像所采用的分割算法。本文處理的圖像是利用攝像機拍攝采集到的彩色圖像。比較常見的彩色圖像處理，是將RGB圖像數(shù)據(jù)集轉(zhuǎn)換到不同顏色空間進行處理，許多顏色空間可以用于顏色處理。HSV 表示的是顏色的灰度，飽和度和亮度值。它常用于選擇顏色空間圖像進行顏色分割，處理的過程首先將圖像的RGB 轉(zhuǎn)換到HSV顏色空間，一般轉(zhuǎn)換到HSV 空間后圖像將物體的前景與背景分割開。如圖4 所示。

圖4 用分割算法將前景與背景分離開的圖

在實驗中，采集到的蝦的樣本，背景的顏色和蝦的顏色有明顯的區(qū)別。在RGB 顏色空間，顏色的區(qū)分容易受到亮度的影響，用簡單的閾值分割不容易區(qū)分開，而在HSV 空間，色度H、飽和度S 和亮度V 中，將像素顏色和亮度區(qū)分開。通過H 分量上的閾值化處理即可前景（蝦）從背景中分離開。我們將圖像轉(zhuǎn)到HSV 后，統(tǒng)計H，S 分量的分部信息，找出背景與目標前景顏色的閾值，通過這個閾值來對圖像進行分割。

顏色分割后將處理后的圖像進行二值化處理，轉(zhuǎn)化成二值圖。實際上，處理后的二值圖像里面會存在噪聲或者小空隙，可以通過應(yīng)用形態(tài)學的方法來消除圖像中的噪聲和小孔洞。如圖5 所示。

圖5 二值圖經(jīng)過形態(tài)學處理后效果圖

從圖5 可以看到，通過形態(tài)學處理后二值圖像外面的小白孔和形狀內(nèi)部的小黑孔都消失了。

2.3 圖像輪廓提取

生活中我們主要是通過形狀來識別物體的，那么在數(shù)字圖像中，獲得圖像輪廓是提取輪廓特征之前的關(guān)鍵一步。輪廓能夠有力地描述物體形狀，對圖像分析和識別有著舉足輕重的作用。輪廓提取的好壞直接影響著后面輪廓特征的描述，進而會直接影響到最后物體分類識別。因此本節(jié)將對本章最后實驗中用到的提取輪廓的方法進行詳細的介紹。提取圖像輪廓有很多的方法，包括邊緣檢測[39]、邊界追蹤[40]等方法。獲取圖像中的目標信息的主要是為了對圖像進行識別分類。一般來說，為了對圖像進行分類識別，需要提取圖像的特征信息。人眼觀測圖像時，首先會觀察圖像的顏色、邊緣輪廓形狀、圖像的亮度、對比度等特征信息。圖像的輪廓是圖像像素的一個重要特征，對圖像分析和識別有著舉足輕重的作用。本文采用四鄰域方法來提取物體輪廓，下面具體介紹提取物體輪廓的四鄰域方法。

以圖5（b）中的二值化圖像為例，該二值化圖像中，白色的像素為目標像素，值為1，黑色的像素為背景像素，值為0。觀測圖6 的各個區(qū)域的像素，目標的邊緣輪廓的像素為A1，目標的邊緣輪廓的像素為A2，背景像素區(qū)域的點B，目標區(qū)域的內(nèi)部像素為C。遍歷該二值化圖像，取圖像四鄰域的像素值累加和的值sum由公式（1）給出

其中像素點p，坐標為(x,y)，p(x,y)為點p的灰度值，顯然sum(p)的取值范圍為[0 5]。

圖6 四鄰域方法示意圖

通過公式（1）計算可知：

sum(A1) =3

sum(A2 )=4

sum(B)=0

sum(C)=5

各個像素點的灰度值如下：

p(A1) =3

p(A2 )=4

p(B)=0

p(C)=5

這樣可以通過灰度值P 和領(lǐng)域圖像四鄰域的像素值累加和的值sum 來判斷該點是否是輪廓點，對于圖像任意一點A，滿足下面兩個條件：

p(A) =1

0

那么該點為目標的輪廓點，否則不是目標的輪廓點。依據(jù)該規(guī)則，對圖5（b）中的二值圖，進行輪廓提取，可以得到圖7（a）的輪廓提取效果。

由于提取出來所有的輪廓點會有冗余，不需要描述整體形狀?？紤]到輪廓線太多會對我們后續(xù)提取輪廓特征有影響，所以需要過濾掉一些冗余數(shù)據(jù)點，為了完整地描述物體的整體形狀，減少的輪廓上的數(shù)據(jù)點一點要合理。這個可以用來評估物體形狀的相似度。假設(shè)需要n 個輪廓點，我們先要把總的輪廓數(shù)目m 算出來，然后用m∕n 得到一定的間隔，然后就每隔一定的間隔取點就可以得到我們所要的點的數(shù)目。如圖7 所示是完整輪廓和刪減點后的輪廓圖。

圖7 完整輪廓經(jīng)刪減點后效果圖

2.4 輪廓特征提取

（1）轉(zhuǎn)角特征描述

輪廓數(shù)據(jù)點的壓縮用于描述整個物體的形狀，使用一定數(shù)目點的輪廓特征能夠比較好地描述物體形狀。轉(zhuǎn)角特征描述的是輪廓點之間的關(guān)系，屬于輪廓的結(jié)構(gòu)特征。輪廓上每相鄰兩點形成一個向量，每三個點之間會形成兩個向量，每相鄰的兩個向量之間會形成一個夾角，這個夾角即為轉(zhuǎn)角。假設(shè)輪廓上有m1個點，則會得到m1個夾角作為描述整個輪廓的特征。圖 8（a）中輪廓上 A，B，C 三點形成兩條線段 AB 和BC，這兩條線段之間形成的夾角θ即為轉(zhuǎn)角。

圖8 轉(zhuǎn)角特征的描述圖

圖8（b）中我們可以看到轉(zhuǎn)角的計算方向時，向量方向有兩種方式：一種是從某一點開始到與它相鄰的右點結(jié)束為向量的方向；一種是從某點開始到與它相鄰的左側(cè)結(jié)束為向量的方向。只能選擇其一，不能在整個提取輪廓特征的過程中同時出現(xiàn)描述向量方向的兩種方式，而且只有每相鄰兩點之間才能形成一個向量，這個規(guī)則是不能改變的。我們可以看到，θ1和θ2兩向量順時針所形成的，取為正角；θ3和θ4是兩向量逆時針所形成的夾角，取為負角。圖8 中虛線是向量方向的轉(zhuǎn)變，實線是整個物體形狀輪廓的描述線段。不同的物體形狀所形成的輪廓大小會有所不同，需要對物體輪廓線段進行歸一化處理，即規(guī)一化輪廓上每兩個點之間的線段長度。把每個物體整體輪廓線段的長度作為歸一化標準，輪廓上每條線段與整個輪廓線段長度的比例作為歸一化后的長度。由于轉(zhuǎn)角特征在物體的輪廓上只包含轉(zhuǎn)動角度，而沒有關(guān)于圖像的位置信息，因此具有平移不變性，并且轉(zhuǎn)角與物體輪廓結(jié)構(gòu)有關(guān)；當輪廓發(fā)生旋轉(zhuǎn)，縮放時，物體輪廓上點之間的夾角不會發(fā)生改變，因此具有旋轉(zhuǎn)和縮放不變性。提取出物體輪廓上每個點的轉(zhuǎn)角后，物體輪廓可以用一個轉(zhuǎn)角特征向量來描述，如輪廓L上的轉(zhuǎn)角特征向量為L=[θ1,θ2,θ3,...,θm]，其中θi(i=1,2...n)表示物體提取的轉(zhuǎn)角值。

（2）輪廓轉(zhuǎn)角對齊

物體在進行匹配的過程中，會選取每一類物體中的某一個物體作為匹配標準。對于匹配標準物體來說，先對其輪廓固定選取M 個點，從而可以得到M 個轉(zhuǎn)角特征；對于待測物體同樣要選取M 個點，標準物體和待測物體輪廓上選取的點需要相同，最后衡量形狀相似度時需要標準物體和待測物體的轉(zhuǎn)角數(shù)目一致。由于在縮減輪廓上點的數(shù)目時，是隨機選取所需要的輪廓點數(shù)目，并且缺乏一個參考點，這時就會出現(xiàn)同類物體中不同個體輪廓上點的位置選取的不同，轉(zhuǎn)角可能會存在差異。并且每個物體提取轉(zhuǎn)角的起始點也不同，會使得相同輪廓在矩陣中表示不一樣，進而會在用轉(zhuǎn)角特征向量描述物體時出現(xiàn)旋轉(zhuǎn)不變性問題，這時需要解決該問題。文獻中[38]提出使用轉(zhuǎn)角對齊的方式，來解決用轉(zhuǎn)角特征向量來描述物體輪廓時出現(xiàn)的旋轉(zhuǎn)不變性問題。對于待測物體選取輪廓點所獲得的轉(zhuǎn)角特征要與標準物體轉(zhuǎn)角特征進行對齊，對齊方式如下：選取一個標準圖，假設(shè)提取了p個轉(zhuǎn)角，待測物體也提取p個轉(zhuǎn)角。但是對這p個轉(zhuǎn)角依次進行循環(huán)位移，需要位移p次，對每一次移位得到的轉(zhuǎn)角與標準圖的輪廓轉(zhuǎn)角進行絕對值差的計算，會得到p個結(jié)果。選取p個結(jié)果當中最小的絕對值差所對應(yīng)的循環(huán)轉(zhuǎn)角特征，就把其作為與標準圖最接近的物體的位置。

假設(shè)匹配標準圖函數(shù)為f[m]，待測物體函數(shù)為g[m]，為了比較兩個函數(shù)確定匹配標準圖和待測物體是否具有相似性，必須把兩者的轉(zhuǎn)角特征進行對齊，盡可能計算它們的差異，并把這個差異作為最后衡量兩個物體相似性的度量。轉(zhuǎn)角函數(shù)可以視為輪廓上對應(yīng)點的轉(zhuǎn)角離散函數(shù)，由于輪廓轉(zhuǎn)角特征是輪廓上相對應(yīng)的點之間形成的夾角，因此輪廓上點的轉(zhuǎn)角所對應(yīng)的函數(shù)為離散型的。兩個離散函數(shù)之間進行相關(guān)計算，可以近似為兩者的絕對差（SAD），用式子（2）表示：

其中，m為輪廓上的數(shù)據(jù)點，n是移動量，即待測物體和標準物體進行對齊時移動的量。最好的對齊方式是當兩者的相關(guān)值最小時，兩者的相似性最高。兩個轉(zhuǎn)角函數(shù)之間的相似度的標準用SM表示：

當SM的值最小時說明兩個物體最相似，即兩個物體對齊了。如圖9 所示物體輪廓特征對齊示意圖。

圖9 輪廓特征對齊示意圖

標準圖表示其他物體需要對齊的對象，A 為標準圖，其中α1,α2,α3,α4,α5,α6是 A 提取的轉(zhuǎn)角特征值。匹配圖即為待測物體圖，B 為匹配圖，其中β1,β2,β3,β4,β5,β6是 B 提取的轉(zhuǎn)角特征值。為了與 A 圖進行對齊，匹配圖B 中每個特征轉(zhuǎn)角進行循環(huán)位移得到輪廓 B1，B2，B3，B4，B5，并把 B，B1，B2，B3，B4，B5分別與A 進行絕對差值計算會得到6 個結(jié)果，然后找出6 個結(jié)果中最小值所對應(yīng)的輪廓，其就是與A 對齊的輪廓。

縮減后的輪廓點是隨機選取的，由于輪廓采用的是不同起始點提取的轉(zhuǎn)角特征，同一物體的輪廓表達會有差異，分類時會產(chǎn)生識別的隨機性。因此本文提出可以用平均識別率來消除這些識別的隨機性，最終用平均識別率作為識別效果的依據(jù)。由于輪廓提取的不準確性，隨機選取一個固定的起始點提取轉(zhuǎn)角特征，進行識別，發(fā)現(xiàn)不同的起始點，識別率會有所變化。這說明隨機選取的一個固定起始點，得出來的識別率具有一定的隨機性。為了克服由于起始點位置不同造成輪廓轉(zhuǎn)角特征提取的不同，產(chǎn)生識別率的隨機性。本文提出可以對輪廓上固定間隔區(qū)間中的點進行處理，選取輪廓間隔區(qū)間中的一些點作為起始點循環(huán)提取輪廓轉(zhuǎn)角，獲得不同起始點提取轉(zhuǎn)角的識別率，把多次不同起始點計算出來的識別率做平均得到平均識別率，通過它來消除這種隨機性。輪廓上提取固定數(shù)目的點是用整個輪廓上的總點數(shù)除以固定間隔得到的。

如圖10，假設(shè)圓圈為縮減點后輪廓上的點，A，B 為等間隔采樣后相鄰的兩點，在A，B 之間的間隔為M 個輪廓點。即輪廓在M 個間隔點中選取一些輪廓點，如間隔區(qū)間選取n 個點作為起始點，循環(huán)提取轉(zhuǎn)角。如A，B 之間的五角星所標注的點，這樣再以五角星所標注的點為起始點，依此循環(huán)提取m1個輪廓上的點，進而可以得到m1個轉(zhuǎn)角，這樣每一張圖可以得到n 個具有m1個固定點數(shù)目的輪廓。對每個起始點提取出來的m1個輪廓轉(zhuǎn)角進行循環(huán)位移，并與標準圖的轉(zhuǎn)角向量進行絕對差值計算，找到一個最小差值所對應(yīng)的輪廓特征，用該輪廓特征作為最后與標準輪廓所對齊的轉(zhuǎn)角特征，其中選擇的標準圖只需要隨機選取m1個點的轉(zhuǎn)角即可。所選取的訓練樣本的每張圖與標準圖對齊時都需要把固定間隔中選取的n 個點作為起始點，依次讓輪廓與標準圖進行對齊。最后每組固定數(shù)目的輪廓會得到n 組起始點不同的識別率，進而把這n 組識別率進行平均得到平均識別率，通過觀察平均識別率來判斷固定輪廓數(shù)目為m1時的識別效果。這樣克服了同類物體由于輪廓上點位置選取的不同結(jié)果使得提取出來的轉(zhuǎn)角不同，通過實驗結(jié)果表明該方法對可以有效地對物體進行分類。

圖10 同一輪廓上兩組不同的特征點描述

2.5 形狀相似度計算

對于所給的圖像數(shù)據(jù)集，選擇每種形狀的N 個代表性的圖像類別作為訓練樣本。在這N 個代表性圖像中選取一個作為其他N-1 個圖像的循環(huán)對齊的標準，這N-1 個圖像分別與選取的A 標準圖進行對齊；然后把對齊后的N-1 個樣本進行轉(zhuǎn)角平均，得到一個轉(zhuǎn)角平均匹配標準。當待測物體圖片來進行測試的時候，首先要把待測物體與每一類形狀中選取的標準匹配圖進行對齊；然后把對齊后的待測物體圖分別與每種形狀的平均標準圖做SM計算進行匹配，得到每種形狀對應(yīng)的相似度值，找到最小相似度值所對應(yīng)的形狀類別，即可把待測物體判定為該類形狀。

舉例說明：假設(shè)圖像數(shù)據(jù)集有兩種形狀A 類和B類，每一類分別選取5 張圖像作為訓練樣本來訓練一個平均匹配標準模型。其中A 類選取Ai(i=1,2,3,4,5)五張圖，并選取A1 作為對齊標準圖；同樣，B 類選取Bi(i=1,2,3,4,5)五張圖并選取Bi作為B 類的對齊標準圖，然后Ai(i=1,2,3,4,5)四張圖分別與A1做SM計算進行對齊，并把對齊后的四張圖進行轉(zhuǎn)角平均得到一個平均標準轉(zhuǎn)角Am。同理Bi(i=1,2,3,4,5)四張圖分別與B1做互相關(guān)計算進行對齊并把對齊后的四張圖進行轉(zhuǎn)角平均得到一個平均標準轉(zhuǎn)角Bm。假設(shè)現(xiàn)在來一個待測物體C，現(xiàn)在要判斷C 屬于A 類還是B 類，需要先把C 與A 類中的A1進行對齊得到C1，再把C 與B類中的B1進行對齊得到C2，再分別把C1和C2分別與Am和Bm進行絕對差值計算得到D1=C1-Am，D2=C2-Am，如果D1D2，則表明 C 屬于 B 類。

2.6 實驗結(jié)果與分析

本文實驗對輪廓固定點數(shù)提取轉(zhuǎn)角特征與輪廓間隔中選取一定數(shù)目點作為起始點循環(huán)提取轉(zhuǎn)角特征的算法進行對比和分析。本文依次選取輪廓間隔中的8個點作為起始點，對輪廓依次循環(huán)取一定數(shù)目的輪廓點來描述輪廓特征，最后通過平均識別率來判斷物體的識別效果，從而說明該算法對物體分類效果具有一定的可行性。本文用了通過實驗來對該算法進行了說明。實驗框架圖如圖11。

圖11 基于轉(zhuǎn)角特征的分類識別算法流程圖

（a）本實驗首先是對蝦的樣本數(shù)據(jù)集進行實驗，現(xiàn)共有140 份蝦的數(shù)據(jù)集，分為完整蝦和斷蝦兩類。該實驗的目的是為了把完整蝦和斷蝦分類開來，觀察分類識別率。主要過程是把完整蝦和斷蝦的測試樣本分別與完整蝦和斷蝦的平均轉(zhuǎn)角標準進行絕對值差對比，即判斷分類準確率。在實驗過程中選取80 張完整蝦和60 張斷裂蝦作為訓練樣本，140 張蝦作為測試樣本。由于樣本數(shù)據(jù)集中的有許多大小不一的斷蝦，因此在分類時需要把與完整蝦形狀差異較大的樣本區(qū)分開來。例如面積較小的斷蝦，先分出來，剩下大小相近的完整蝦和斷蝦樣本采用轉(zhuǎn)角特征來分類。在輪廓分類時，加入周長特征來區(qū)分形狀差異較大的蝦，通過統(tǒng)計輪廓數(shù)目的大小來描述輪廓周長特征。在訓練過程中，找出完整蝦與斷蝦周長的大致范圍，測試時通過判斷待測樣本蝦周長大小所處的范圍，來判斷其所屬的類別。實驗中把形狀差異較大的斷蝦與完整蝦通過周長特征處理后剩余的樣本，分別選取輪廓點數(shù)目為20，30，40，50，60 來提取轉(zhuǎn)角特征，并進行分類比較。例如，本文對輪廓點數(shù)目為20 的輪廓做了8 組不同起始點的識別率數(shù)據(jù)，然后求得這8 組數(shù)據(jù)的平均值識別率作為輪廓數(shù)目點為20 的識別率。同理其他輪廓點數(shù)目的輪廓也會得到8 組數(shù)據(jù)，進而分別得到相應(yīng)輪廓點數(shù)目的平均識別率。每組數(shù)據(jù)相當于一個固定起始點的結(jié)果。圖12 是完整蝦的訓練樣本圖，包含數(shù)據(jù)集中所有完整蝦的形狀種類。

圖12 建立完整蝦的平均標準模板圖

同理，圖13 是斷蝦的訓練圖，包含了數(shù)據(jù)集中斷蝦的形狀種類。

圖12 中所用完整蝦的訓練樣本與標準圖通過相似度SM 計算進行對齊，然后求出所有對齊后完整蝦的一個平均匹配模板圖，同理圖13 也可以求出所有斷蝦訓練樣本的一個平均匹配模板圖。圖14 是面積較小的斷蝦樣本，考慮加入周長特征把它們分類出來。

圖13 建立斷蝦的平均標準模板圖

圖14 面積較小的斷蝦樣本

以下是輪廓間隔中選取8 個不同起始點循環(huán)提取轉(zhuǎn)角的識別率，分別對應(yīng)8 個不同數(shù)據(jù)表。

表1 輪廓間隔點不同起始點1 循環(huán)提取轉(zhuǎn)角

表2 輪廓間隔點中不同起始點2 循環(huán)提取轉(zhuǎn)角

表3 輪廓間隔點中不同起始點3 循環(huán)提取轉(zhuǎn)角

表4 輪廓間隔點中不同起始點4 循環(huán)提取轉(zhuǎn)角

表5 輪廓間隔點中不同起始點5 循環(huán)提取轉(zhuǎn)角

表6 輪廓間隔點中不同起始點6 循環(huán)提取轉(zhuǎn)角

表7 輪廓間隔點中不同起始點7 循環(huán)提取轉(zhuǎn)角

表8 輪廓間隔點區(qū)間中不同起始點8 循環(huán)提取轉(zhuǎn)角

文中對每一固定輪廓點數(shù)目選取了8 個不同的起始點來循環(huán)提取轉(zhuǎn)角，得到8 組不同的數(shù)據(jù)。如表1-表8 所示，通過實驗發(fā)現(xiàn)，當隨機選取一個起始點分類識別時，計算出來的識別率有時候比較高，有時候比較低，這樣計算出來的識別率存在統(tǒng)計誤差。因此我們需要對以上多次改變起始點循環(huán)提取轉(zhuǎn)角的識別率進行平均統(tǒng)計，獲得平均識別效果，如表9 所示。

表9 輪廓間隔點區(qū)間中不同起始點循環(huán)提取轉(zhuǎn)角平均識別率

從表9 中，我們可以看到隨著輪廓采樣點數(shù)目的增加，完整蝦的識別效果先增大，然后到40 之后保持平穩(wěn)。而斷蝦隨著輪廓采樣點數(shù)目的增加，斷蝦的識別效果先是增大，然后到40 之后就開始下降。所以綜合考慮，在實際測試的時候，可以選擇40 個采樣點來進行測試。通過實驗我們可以發(fā)現(xiàn)，輪廓采樣點數(shù)目的增多，對物體的輪廓描述變得精細，所以識別效果會提升，當采樣點增加到一定階段后，完整蝦的輪廓已經(jīng)可以充分描述了，識別效果不會有明顯提升。因為完整蝦的輪廓形狀有相似性，不會突變。而斷蝦隨著輪廓點數(shù)目的增多，輪廓各不相同，提取出來的轉(zhuǎn)角特征會復雜多變，可能與完整的蝦形成干擾，因此隨著輪廓點數(shù)增多，識別率降低。

3 結(jié)語

本文主要介紹了基于轉(zhuǎn)角特征的物體分類識別算法的研究過程，包括輪廓特征的提取，相似度的計算。選取輪廓間隔區(qū)間中的一些點作為起始點循環(huán)提取輪廓轉(zhuǎn)角，由于輪廓采用的是不同起始點來提取輪廓的，同一物體的輪廓表達會有差異，產(chǎn)生識別的隨機性。因此本文提出采用平均識別率來消除這些識別的隨機性，將平均識別率作為最終物體識別效果的依據(jù)。實驗過程中對水產(chǎn)品進行實時檢測時，對形狀差異較大的物體先入周長輔助特征分類開來。剩余樣本采用轉(zhuǎn)角特征來進行分類，這時每個固定輪廓數(shù)目選取8 個不同的起始點，循環(huán)提取轉(zhuǎn)角，得到8 組數(shù)據(jù)集，把它們的平均識別率作為物體識別效果的判斷，發(fā)現(xiàn)當輪廓采樣點數(shù)目為40 時，可以獲得較好的分類效果。