一种基于遗传算法的矩形检测方法
【技术领域】
[0001] 本发明属于计算机视觉和图像领域，具体设及一种基于遗传算法的矩形检测算 法。
【背景技术】
[0002] 形状识别是计算机视觉模式识别系统的一个基本问题。为了抽取更高层次的信息 用于分析，需要在图像中寻找具体的物体对象或感兴趣的区域。由于人们在特定场合下，往 往会具备一些对特殊形状的先验知识，所W能否快速有效地检测到该些特殊形状就变得尤 为重要。具体来说，需要能够在噪声和失真的情况下检测特定的形状。
[0003] 矩形是人造环境中最常见的形状之一。它们出现的场景可能有口、窗，甚至是海报 W及道路两旁的广告牌。因为矩形在体积离散化和平面模型中的几何和拓扑特性，它们也 广泛出现在计算机辅助设计（CAD)软件中。口和窗可W用作智能机器人的定位地标，因为 它们可W和一个熟知的位置关联起来。检测和识别它们可W使机器人在估计自己位置时降 低不确定性的范围。在机器人导航的另一方面，是通过在机器人视觉中检测人造地标作为 唯一标识，而该些地标往往都是矩形。
[0004] 遗传算法（Geneticalgorithms,GA)已经被广泛应用到圆、平面多边形、数字曲线 W及非分析对象的检测识别中。而且，在真实图像中，噪声信息和背景杂乱是形状识别的主 要挑战，而该恰恰是基于遗传算法检测形状的优势所在。
[0005] 目前应用比较多的一种方法是先对图像应用边缘检测，然后进行轮廓提取，最后 判断轮廓的夹角是否满足90°，该种方法的缺点是受轮廓检测的影响很大。当随着穿过矩 形的干扰逐渐变大时，无论是内轮廓还是外轮廓，都无法检测出图像中的矩形。
【发明内容】
[0006] 本发明的目的在于提出一种对图像中矩形进行检测的方法W用于计算机视觉模 式识别系统中矩形形状的识别，该方法基于遗传算法，具有准确、抗噪声的优点。遗传算法 是一类借鉴生物界的进化规律演化而来的随机化捜索方法。遗传算法具有良好的全局捜 索能力，可W快速地将解空间中的全体解捜索出，而不会陷入局部最优解的快速下降陷阱； 具有内在并行性，可W方便地进行分布式计算，加快求解速度；具有可扩展性，容易与其他 算法结合。
[0007] 本发明旨在寻找图像中矩形的最佳四个顶点集合。首先对图像进行边缘检测，获 得由图像中所有边缘点组成的集合即边缘空间。其中边缘检测是计算机图像处理的基本问 题，目的是标识数字图像中亮度变化明显的点，W此作为图像的边缘点。然后用四个边缘点 表示一个矩形个体，简称为个体。通过计算四个边缘点之间连线的存在性和夹角接近直角 的程度来计算个体的适应度，选择适用度高的个体进行交叉和变异操作来产生新一代的个 体。通过多次选择、交叉和变异操作最终找到组成矩形四个顶点的最佳集合。
[0008] 本发明提出的一种基于遗传算法的矩形检测方法，其特征在于包括如下步骤：
[0009] (1)边缘检测步骤；对图像进行边缘检测，获得由图像中所有边缘点组成的边缘 空间；
[0010] (2)选择库生成步骤，包括下述子步骤：
[0011] (2. 1)每次W均匀随机不放回方式从边缘空间中抽四个边缘点；
[001引（2.。个体表示步骤，用四个边缘点表示一个个体，记为{(XI，yi)，咕，72)，咕，y3) ，（又4,y4"，其中X1-X4为各边缘点横坐标，yi-y4为各边缘点纵坐标；将个体中每个边缘点视 为一个基因，每个个体按从左至右顺序，有一号、二号、S号、四号基因位；将置于i号基因 位的基因称为第i个基因，i为从1到4的整数；
[0013] 将离直角坐标系原点最近的基因置于一号基因位上，其它S个基因按照顺时针或 逆时针顺序依次位于二号、S号和四号基因位上；当离原点最近的基因多于一个时，则将位 于最上方基因置于一号基因位上；
[0014] (2.3)执行子步骤（2. 1)、化2)共S次，S取值一般为20到900之间，去除其中有 =个或=个W上的边缘点在一条直线的个体，生成选择库；
[0015] (3)交叉操作步骤，包括如下子步骤：
[001引 （3. 1)从选择库中，W均匀随机和放回的方式，选择两个个体；
[0017] (3. 2)随机生成整数i、j，将两个个体的第i个基因的横纵坐标分别转换为二进制 编码；将两个个体的第i个基因的横纵坐标第j位及W后的编码段，分别进行交叉替换，将 交叉替换后的二进制编码转换回十进制，形成两个新的基因；j是从1到N的整数，N是基 因坐标二进制编码位数.
[0018] (3. 4)判别所述两个新的基因是否均为边缘空间中的点，是则转子步骤（3. 5);否 则将不是边缘空间中的点的基因，变更为边缘空间中距离该基因最近、且未参加交叉替换 的基因，转子步骤化5);
[0019] (3. 5)对交叉或变更后的两个个体执行子步骤化2)操作，然后转子步骤化6);
[0020] (3. 6)在重新排列基因顺序的两个个体中，判别各个个体是否有两个或两个W上 的基因重复，是则将该个体删除，转步骤（3. 1);否则转步骤化7);
[0021] (3. 7)计算重新排列基因顺序的两个个体适应度，判别是否至少有一个的适应度 为1，是则将该个体作为检测出的矩形，结束；否则转步骤（4)。
[002引 （4)变异操作步骤，包括如下子步骤：
[002引 （4. 1)W均匀随机和放回的方式，从选择库中选择一个个体，随机选择该个体上的 第i个基因（X。y;);
[0024] (4.。生成两个随机整数，分别对变异阔值t虹取余，产生一个突变向量 (SX，Sy);其中变异阔值t虹是大于0的整数；
[002引 （4.如W(Xi+5x，yi+Sy)为变异基因P，判断其是否为边缘空间中的点，是则转子 步骤（4. 4)，否则将其变更为边缘空间中距离该点最近、且未参加变异的点；
[0026] (4. 4)对变异后的个体执行子步骤化2)操作，然后转子步骤（4. 5);
[0027] (4. 5)判别重新排列基因顺序的个体是否有两个或两个W上的基因重复，是则将 该个体删除，转子步骤（4. 1);否则转步骤巧）；
[0028] (5)计算个体适应度，判别该个体的适应度是否为1，是则将该个体作为检测出的 矩形，结束；否则转步骤化）；
[0029] (6)判别交叉和变异操作次数的总和是否达到或超过T，是则表明没有检测到矩 形，结束；否则转步骤（3);其T是用户自定义的次数值，取值为50至Ij500之间。
[0030] 所述变异操作步骤（4)中，变异阔值t虹是大于0的整数，取较小的变异阔值有利 于局部捜索，取较大的变异阔值有利于全局捜索。
[0031] 所述交叉操作步骤（3)是从群体中选择优胜个体，淘汰劣质个体。选择操作是建 立在群体中矩形个体适应度评估基础上的。可W采用适应度比例法、最佳个体保存法、期望 值法等算法。选择出的个体置于选择库中。为了使算法能够收敛到全局最优解，在选择前 保留当前种群中适应度最高的个体。
[0032] 进一步的，所述矩形检测方法的子步骤化7)和步骤巧）中，可采用如下方法，计 算个体适应度f(I):
[0033]
[0034] 式中，I表示个体，Zi表示第i个基因对应的顶角，li表示个体的4个边，RQi) 表示各边的存在性，
[00巧]
[0036] 其中dk是线段中实际接近边的点和预测的边缘点之间的距离，为欧氏距离或曼哈 顿距离；对每条边等间距划分，M是每条边上的等间距点的数目，根据图片大小取值为20到 200 ;r是各边存在性权重因子，它负责调控边存在性和顶角接近90°的优先级，r取值越 大，则边存在性在适应度中占的优先级就越高，一般取值为0. 5、1、2、3、4、5。如果边1切实 存在时，则R(l) = 1 ;如果Zi是90°，则sin(Zi) = 1，所W，理想矩形个体的适应度为 1〇
[0037] 由于本方法是基于遗传算法的，所W具有高效、稳定和抗干扰力强的优点。在要求 检测精度不是很高的情况下可W用于快速检测。
【附图说明】
[0038] 图1为整体流程图；
[0039] 图2a、化示出了图片边缘检测前和检测后情况；
[0040] 图3为个体内基因排列规则；