多特征級聯圖像數據庫目標人工智能匹配仿真

徐穎慧，晉國卿

(江西農業大學南昌商學院，江西 共青城 33202)

1 引言

視覺是人類感知和認識外部世界的重要途徑，隨著計算機技術與人工智能技術的高速發展，計算機視覺逐漸成為信息時代機器感知和外部世界信息采集的重要產物，利用人類的視覺特性，將人類視覺器官認識事物替換成用成像設備來感知世界[1]。計算機視覺的主要研究目標是利用攝像機和計算機代替人眼，對目標進行采集，以圖像的方式存儲在數據庫當中，由此便形成了圖像數據庫。對數據庫中的圖像進行目標的識別、匹配、跟蹤以及測量，并對二維圖像進行處理，最后輸出計算機獲取的環境信息。圖像數據庫按照存儲圖像的類型，將數據庫中的二維圖像分為靜態圖像數據庫和動態圖像數據庫，將圖像數據庫中的圖像以多特征的形式存儲和標記，當有其它 圖像需要判定和識別時，可以利用圖像特征目標匹配的方法盡快分類和識別圖像[2]。圖像匹配主要就是指通過圖像的內容、結構、紋理、灰度等特征的對應關系、相似性以及一致性的分析，尋求相似目標圖像的方法。現如今計算機視覺相關技術以及應用到多個領域當中，圖像特征匹配和跟蹤都占有相當重要的位置。

現階段存在的目標匹配方法有：傳統模糊邏輯目標匹配方法、基于SIFT算法的目標匹配方法和基于網絡結構圖像的目標匹配方法[3]。其中傳統的模糊邏輯目標匹配方法利用模糊邏輯進行，將圖像數據庫模糊化，輸入到模糊集合進行模糊推理，利用模糊規則得到目標模糊匹配結果，對模糊匹配結果進行去模糊處理，得到最終的離散數據，即為最終的圖像目標匹配結果。提升圖像的識別速度，提高目標圖像的識別效率。傳統的SIFT方法為尺度不變特征轉換方法，在尺度中尋找極值點，進而提取圖像目標的位置、尺度以及旋轉等不變量，通過特征向量得出目標匹配結果。傳統網絡結構匹配方法將圖像按照網絡結構劃分為多個分割圖像，將每個區域中的特征分別進行匹配得出結果[4]。經過長時間的研究發現，傳統匹配方法中普遍存在置信度低的問題，為了解決此類問題提出圖像數據庫目標人工智能匹配方法，并進行仿真測試驗證匹配方法的使用價值。

2 圖像數據庫目標人工智能匹配方法設計

針對多特征級聯圖像數據庫的目標匹配方法需要經過圖像預處理、多特征提取以及智能特征匹配等多個步驟，最終得出目標智能匹配結果。具體的目標人工智能匹配過程如圖1所示。

圖1 目標人工智能匹配流程圖

從圖中可以看出，實現圖像數據庫目標人工智能匹配方法，對圖像進行預處理，載入處理完成的待匹配圖像[5]。判斷模板是否大于待匹配圖像，提取圖像的目標級聯特征并融合，通過分類器計算圖像目標的特征匹配位置，標記匹配位置并輸出匹配結果。

2.1 圖像級聯濾波預處理

利用粒子濾波模型對圖像數據庫中的目標圖像進行級聯預處理，確定粒子是否有效，若為有效粒子，則進行多特征級聯提取。粒子濾波利用非線性非高斯運行的準確估計能力實現級聯預處理。具體的預處理過程如圖2所示。

圖2 預處理流程圖

將圖像數據庫中的目標問題轉化為目標位置和形狀大小估計，目標的動態可以用狀態空間函數來表示

xk=fk(xk-1，vk-1)

(1)

式中xk表示的是k時刻時，圖像數據庫目標的狀態值，vk-1是獨立同分布的目標圖像狀態噪聲。而k時刻的目標狀態的觀測值可以用zk來表示，其表達式如下

zk=hk(xk，nk)

(2)

式(2)當中nk為獨立同分布的目標圖像觀測噪聲值，hk表示圖像數據庫目標原始值。設定多特征圖像中的一組加權特征粒子集合為

S={(s(n)，π(n))，n=1，2，…，N}

(3)

其中粒子s代表目標圖像可能出現的狀態，并且其對應狀態出現的概率為π[6]。在每一次狀態的觀測值到來時，便對目標狀態進行最終估計，估計值可以用式(4)來表示

(4)

(5)

式中um，n與vm，n分別表示圖像在兩軸中的初始相位，σu和σv分別為圖像在兩軸上的傅里葉變換系數，a為濾波級聯的等級數。為了保證粒子濾波的預處理有效性，對目標圖像中的每一個像素點進行闕值判定，判定級別如下

(6)

式中p為粒子濾波級聯中的特征向量差距比[7]，p0表示特征向量差距均值。將預處理完成的有效目標圖像輸出，進行特征提取。

2.2 目標多特征級聯提取

對有效目標圖像進行多特征級聯提取，首先需要對圖像進行分割處理，按照圖像中像素的灰度規律情況檢測圖像的邊緣，保留圖像目標邊緣部分，并填充邊緣內部得到圖像分割結果。在此基礎上，對每一個區域的特征點進行檢測和識別，確定特征點的距離為ra，且定義距離的方向角為φa，則檢測出的目標特征參數集可以表示為(ra，φa)[8]。接著對目標圖像的特征進行提取，具體的提取情況如圖3所示。

圖3 級聯特征提取示意圖

假設圖像中的特征點為(x，y)，特征點的梯度通過式(7)和式(8)進行計算

Gx(x，y)=H(x-1，y)-H(x+1，y)

(7)

Gx(x，y)為對應特征像素點的水平方向梯度，其垂直方向梯度計算公式如下

Gy(x，y)=H(x，y+1)-H(x，y-1)

(8)

式中H(x，y)為特征點的像素值。通過梯度算子分別對目標圖像進行卷積運算，可以得到水平與豎直兩個方向上的梯度分量，得出像素點的梯度大小。

(9)

每一分割目標圖像特征可以通過式(10)來計算

(10)

將目標圖像中的每一個分割圖像的特征串聯在一起，得到圖像的特征向量。

2.3 圖像數據庫特征融合

將分割圖像提取的特征向量進行融合處理，得出圖像數據庫的綜合特征。建立圖像的數據庫特征融合模型為

(11)

式中η(k，Gk，α，∑i，k)為k時刻第i個圖像分割的特征對應的高斯分布[9]。ξG，α表示第i個高斯分布在k時刻的權重，且需要滿足式(12)中的條件

(12)

滿足條件的權重值即為當前圖像數據庫環境下的描述力度，由此便可以突出描述力度較強的特征，從而更加有針對性的分析數據庫中的圖像，實現多特征的有效融合。

2.4 構建人工智能分類器

基于對目標分類方法的選取構建人工智能分類器，在選取不同目標分類方法時，通過分類器得到圖像目標的特征匹配位置。設定弱分類器的公式表示如下

Lm=logp(y|x)=1-∏(1-p(y|x))

(13)

其中m為給定的弱分類器的個數。以此為基礎迭代構建強分類器。通過強分類器，對圖像數據庫進行分類跟蹤，得到圖像目標的特征匹配位置，強分類器的表達式為

(14)

將圖像數據庫當中的待測圖像融合特征輸入到構建的人工智能強分類當中，輸出圖像目標的特征匹配位置為(X，Y)。通過獲得的圖像特征匹配位置集合，結合約束策略提出其中存在的錯誤匹配，獲得優良的匹配集合。

2.5 輸出目標匹配結果

圖像匹配實質上是待測圖像與圖像數據庫在空間位置上的一個映射問題，具體的圖像匹配情況如圖4所示。

圖4 目標匹配示意圖

定義圖像數據庫的目標匹配陣列為

(15)

式中I為映射圖像。在經過分類器得到的特征點的相鄰區域中取一個正方形框，劃分為4×4個子區域，提取出子區域的2個描述子值為[∑dX，∑|dX|，∑dY，∑|dY|]，通過比較描述自向量元素之間的歐式距離，實現圖像多特征點的目標匹配，得到多特征級聯圖像數據庫目標人工智能匹配分集合

(16)

圖像數據庫中的所有目標圖像，通過式(16)得出最終的多特征級聯圖像數據庫目標人工智能匹配集合。通過限定框預測之后，可以得到圖像的一系列檢測結果[10]。每個檢測結果由限定框位置和分數來表示。按照分數大小對檢測結果進行排序，挑選出分數最大的檢測結果，并刪除與其覆蓋面積大于 50%的檢測結果，有效減少同一目標的檢測結果，從而得到最終的目標檢測結果。

3 仿真分析

為了檢驗圖像數據庫目標人工智能匹配方法的有效性，對其進行仿真分析。首先從硬件和軟件兩個方面構建實驗環境，在該實驗環境下，按照實驗過程步驟進行仿真，最后得出有關于圖像數據庫目標匹配度的仿真結果，并通過計算匹配方法的置信度，從而檢驗出該匹配方法的可靠性。

3.1 構建實驗環境

結合硬件環境和軟件環境構建仿真的實驗環境。其中硬件環境分為5個部分，分別為：輸出設備、輸入設備、中央處理器、主板以及存儲器。具體的硬件設備環境設置情況如表1所示。

表1 仿真硬件實驗環境

在此硬件設備上安裝仿真軟件，分別將相應的匹配方法安裝在軟件當中，其中設計完成的多特征級聯圖像數據庫目標人工智能匹配的軟件操作界面如圖5所示。

圖5 仿真軟件界面

3.2 實驗過程

在實驗環境當中，分別使用多特征級聯圖像數據庫目標人工智能匹配方法和傳統的匹配方法作為仿真的實驗方法。首先構建需要進行目標匹配的圖像數據庫，使用硬件中的掃描儀器，將100張不同類型的圖像輸入到數據庫當中，按照輸入的先后順序對圖像進行統一編號。提取數據庫圖像與待匹配圖像的多個特征，并整合成為總特征向量。保證實驗中的圖像數據庫與待測圖像均相同。在實驗中借助相同的圖像匹配評價系統對實驗結果進行評價，由于兩種圖像匹配方法所使用的的評價系統相同，因此得出的匹配評價結果具有較強的可信度。利用匹配評價結果與置信度的轉換原理，計算仿真得出的匹配方法置信度。

3.3 仿真結果與分析

執行仿真過程，并通過匹配評價系統得出兩種目標匹配方法的匹配結果如表2所示。

表2 仿真匹配結果

統計實驗圖像的總目標匹配程度，累加匹配程度值并與圖像的總樣本數相除，得出兩種匹配方法的平均匹配程度值。經過計算傳統目標匹配方法的平均匹配程度值為82.17%，而多特征級聯圖像數據庫目標人工智能匹配方法的平均匹配程度值為91.17%，相比之下比傳統方法的匹配程度高9.0%。遵循匹配程度與方法置信度之間的關系，得出兩種方法的置信度對比曲線如圖6。

圖6 置信度對比曲線

從圖中的曲線對比情況可以看出，隨著圖像數據匹配數量的增加，傳統匹配方法的置信度逐漸降低，而多特征級聯圖像數據庫目標人工智能匹配方法的置信度可以維持在平穩狀態。通過計算多特征級聯圖像數據庫目標人工智能匹配方法比傳統匹配方法的置信度高8.2%。

4 結束語

受到已有匹配方法的啟發，并針對傳統匹配方法中存在的問題進行研究，并通過實驗分析，證明了設計圖像數據庫目標智能匹配方法的有效性和可靠性。然而在此次設計與研究過程中，實現智能匹配方法僅針對特征明顯的靜態圖像數據庫，而應用于特征不明顯或動態圖像數據庫中，匹配程度較低，其置信度也會因匹配對象類型的不同而降低。因此在接下來的研究工作當中需要解決上述問題，這也將是圖像數據庫目標匹配方法的發展方向。