一种目标实时识别方法
【技术领域】
[0001] 本发明设及图像识别，特别设及一种医学目标实时识别方法。
【背景技术】
[0002] 图像识别是计算机视觉领域中最活跃的领域之一，主要研究目标在于利用计算机 的强大运算能力，帮助人类自动处理海量物理信息，识别各种不同模式的目标代替人的部 分脑力劳动。图像识别综合了很多学科内容，其中包括计算机科学与技术、物理学、统计学 W及神经生物学等，广泛应用于地质勘探、图像遥感、机器人视觉、生物医学等多个领域。图 像识别首先对目标图像进行特征点检测，然后再对特征点进行描述，最后通过特征点匹配 来确定目标图像对应样本库中最相似的图像。图像识别技术在个人计算机W及嵌入式终端 设备上也已有很多成熟的应用案例，随着终端功能的不断增强，该技术也逐渐被应用到智 慧医疗终端。但智慧医疗终端本身的弱处理能力和低内存的局限性对计算复杂的识别方 法提出了考验。相对于现在配备高速处理巧片和大容量存储巧片的服务器，智慧医疗终端 还存在不足；较低的图像分辨率、缺少专口的图形加速器、没有浮点运算单元、尤其是低端 处理器和低容量存储器等，限制了在智能终端上进行复杂运算和大规模计算。如果依靠客 户-服务器（C/巧模型，只在医疗终端获取图像和显示结果，而在PC端完成特征点提取、匹 配等计算量大的复杂方法，通过无线通信进行交互，易受到无线网络的影响，在网络拥塞的 情况下效果较差。
【发明内容】
[0003] 为解决上述现有技术所存在的问题，本发明提出了一种目标实时识别方法，包 括：
[0004] 使用基于尺度空间的角点检测方法检测医疗终端所捕获图像的特征点；
[0005] 利用动态自适应随机测量矩阵提取各尺度样本的尺度不变压缩特征矢量，W此描 述多尺度目标特征点；
[0006] 建立描述算子的多级索引结构，完成相似描述算子的快速捜索。
[0007] 优选地，所述检测医疗终端所捕获图像的特征点，进一步包括：
[000引首先在图像离散尺度空间中每一层捜索突出性的角点，使用像素亮度作为比较指 标，衡量待测点的突出性，作为候选特征点；如果中屯、点与邻域点的亮度差小于预定义灰度 阔值，则确定为中屯、点与邻域亮度相化将纳入候选特征点中，然后对候选特征点集，在其 尺度空间相邻的上下两层的邻域内实行非极大值抑制，剔除非极大值的点，保留在尺度空 间的邻域中具有独特性的唯一的特征点。
[0009] 优选地，利用动态自适应随机测量矩阵提取各尺度样本的尺度不变压缩特征矢 量，W此描述多尺度目标特征点，进一步包括：
[0010] 若起始图像目标尺寸为wXh，并设定初始状态下目标的尺度S为1，则初始图像对 应的原始高维正则化矩形特征矢量u= (Ui，U2,…，i〇T，维数n= (wh)2,构造初始随机测 量矩阵RO G rxn，其中m为压缩特征矢量维度，RO由初始目标尺寸确定，在识别的起始阶 段构造的R0在目标跟踪过程中保持不变，只存储和计算随机矩阵中的非零元素，所述非零 元素包括非零元值、非零元所对应的正则化矩形特征值相应矩形的左上角顶点坐标、宽度 和局度f目息；
[0011] 对尺度为S的样本Z,G Rswxsh，其对应的原始正则化矩形特征矢量U' = (U' 1， u'2,…，u\.)T，维数n' = (s2wh)2,在向量提取过程中，首先，依据样本尺度S，对R0作变 换得到尺度S下相应的随机测量矩阵氏G R-xn'，若R0中某个非零元对应于矩形区域 (c'，r'，w'，h'），c'和r'为矩形左上角顶点坐标，W'和h'为矩形尺寸，则转换后氏中的 相应非零元值rSf, j.与Ti, j相同，相应矩形参数变为（C' ? S，r' ? S，W' ? S，h' ? S)，利用转 换后的随机矩阵氏，得到相应尺度下的目标样本的m维压缩特征矢量V =氏U'，利用积分图 仅计算非零元所对应的U'中的正则化矩形特征值，仅通过一次乘法和3次加法运算得到每 个正则化矩形特征值。
[0012] 优选地，该方法还包括：
[0013] 当完成查询图像的描述算子匹配W后，判断相似特征点的数量占样本图像和查询 图像本身的比重是否大于设定的阔值来决定是否捜索到成功匹配的样本，
[0014] 计算查询图像的特征矢量集与样本图像库中所有特征矢量集的匹配点数量，选定 匹配点数量最多的一张图像，并测试匹配率，当匹配率大于设定一个阔值为匹配成功的图 像，即：
[0015] 若匹配率阔值为Mth，查询图像A与选定匹配点数量最多的样本图像B的特征点数 量分别为ki和k 2,匹配点数量为m，如果满足m/ki〉Mth且m/k 2〉Mth，则A和B两张图像的匹配 成功，该样本图像B即为对应的匹配目标。
[0016] 本发明相比现有技术，具有W下优点：
[0017] 本发明提出了一种适用于移动终端的目标实时识别方法，识别速度快，内存的占 用量少，识别准确率也较高，适合移动平台的视觉捜索。
【附图说明】
[0018] 图1是根据本发明实施例的目标实时识别方法的流程图。
【具体实施方式】
[0019] 下文与图示本发明原理的附图一起提供对本发明一个或者多个实施例的详细描 述。结合该样的实施例描述本发明，但是本发明不限于任何实施例。本发明的范围仅由权 利要求书限定，并且本发明涵盖诸多替代、修改和等同物。在下文描述中阐述诸多具体细节 W便提供对本发明的透彻理解。出于示例的目的而提供该些细节，并且无该些具体细节中 的一些或者所有细节也可W根据权利要求书实现本发明。
[0020] 图1是根据本发明实施例的目标实时识别方法流程图。本发明提出了一种适用 于智慧医疗终端的识别方法，通过使用基于尺度空间的角点检测方法和SURF描述算子解 决了智慧医疗终端本身的处理能力和内存容量问题，再通过带重屯、方向的特征角点降低图 像内部相似特征失配问题；最后，建立描述算子多级索引结构，完成相似描述算子的快速捜 索。
[0021] 目前智慧医疗终端发展非常迅速，集成高速处理巧片、大容量存储器、内置了摄像 头，甚至一些高端的设备中还集成了大量传感器如GI^S定位传感器和加速度传感器等。该 些性能不断提高的硬件设备，给计算机视觉和图像处理领域带来了新的发展空间，许多原 来运行在PC上的计算机视觉方法，通过改进和优化，能有效的运行的智慧医疗终端的平台 上。目标实时识别方法的特征点检测和特征点描述方法分别从计算量和内存空间两方面进 行考虑，使方法满足计算量小、占用空间低等特性，适合智慧医疗终端。
[0022] 特征点就是图像局部区域中变化最剧烈的部分，本发明采用提取速度快，计算量 小的特征点检测方法，适合智慧医疗终端平台的同时兼顾了提取方法的实时性。本发明的 特征点检测方法通过捜索图像尺度空间中非极大值抑制的角点来实现。首先在图像各尺度 层捜索突出性的角点，作为候选特征点；再对候选特征点集，在其尺度空间相邻的上下两层 的邻域内实行非极大值抑制，剔除一些非极大值的点，剩下的就是在尺度空间的邻域中具 有独特性的唯一的特征点。
[0023] 在离散尺度空间中的每一层捜寻角点，使用像素亮度作为比较指标，衡量待测点 的突出性。如果中屯、点与邻域点的亮度差小于预定义灰度阔值，则确定为中屯、点与邻域亮 度相近，即不满足显著亮或暗的条件。邻域的选择则要根据应用平台W及需求来定，常用的 有5-8、8-12、9-16的模板。在待测点同层的16个点组成的邻域中，即至少有9个邻域点的 灰度全大于或者全小于待测的中屯、点的亮度，便认为中屯、点在邻域中具有突出性，将纳入 候选特征点中。
[0024] 将尺度空间中所有捜索到的角点作为候选特征点，再对所有候选特征点在尺度邻 层实施非极大值抑制。最后被确认为特征点的像素点P。，它在尺度空间的上下邻层中对应 的点P。_1和P。+在其各自的尺度层上也应该具有突出性。
[0025] 智慧医疗终端上的众多的传感器为提取更有区分能力的图像特征点提供了条件， 利用重屯、在一定程度能够解决上述的问题。按照重屯、方向对齐后，局部特征的正则化区域 之间的差异更加明显。所W，将重屯、方向加入特征点的描述中，明显