一种图像识别方法及装置制造方法
【专利摘要】本申请提供了一种图像识别方法及装置，以解决现有图像识别的识别过程会消耗比较多的资源，并且效率非常低，时间开销非常大的问题。本申请针对每一类别的图像建立一张第一投票图像，可以获取与所述实际特征匹配的k个对比特征，并获取所述对比特征的类别和对比特征的相对中心位置，因此，本申请通过一次匹配就可以获取到多种类别。后续针对每个类别的对比特征，可以计算相似度，并确定所述对比特征在第一投票图像中的估计中心位置，然后可以在所述估计中心位置处增加所述相似度，最终可以获取到多个类别的第一投票图像。然后获取相似度最大的估计中心位置对应的第一投票图像，所述第一投票图像的类别即为待检测图像的类别。
【专利说明】一种图像识别方法及装置
【技术领域】
[0001]本申请涉及数据处理技术，特别是涉及一种图像识别方法及装置。
【背景技术】
[0002]图像识别，是利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。通常图像在计算机视觉应用中都被处理成一个N维的向量，因此很多关于物体检测的方法也是建立在这个基础上的。但是仅仅依赖于图像像素的灰度特征不可避免存在很多缺陷。
[0003]因此,Serge Belongie等人利用图像的边缘和形状信息提出了一种基于SC(ShapeContext,边界轮廓)特征的检测方法。Liming Wang等人又在SC特征的基础上提出一种通过投票方法估计物体中心位置和置信程度的方法。这种方法首先获取待检测图像的每个采样点的SC特征，由于相似图形上相对位置一致的点通常具有相似的SC特征，因此可以将SC特征所述预置的特征词典中的SC特征进行匹配，并确定对应的相似度。根据所述相似度获取到匹配的对比图像。
[0004]但是，这种方法每次仅针对一类对比图像进行识别，即预置的特征词典中只包含该类对比图像的SC特征，识别过程中也只能判别所述待检测图像是否包含该类对比图像。实际的处理中，对比图像可能有n类，则需要建立n个特征词典，而针对每一个待检测图像，若要确定所述待检测图像所属的类别，则要重复执行n次识别过程。
[0005]因此，上述的识别过程会消耗比较多的资源，并且效率非常低，时间开销非常大。
【发明内容】
[0006]本申请提供一种图像识别方法及装置，以解决现有图像识别的识别过程会消耗比较多的资源，并且效率非常低，时间开销非常大的问题。
[0007]为了解决上述问题，本申请公开了一种图像识别方法，包括:
[0008]针对每一类别的图像建立一张第一投票图像；
[0009]提取待检测图像的各个采样点的实际特征和所述实际特征的实际位置；
[0010]针对每个采样点，获取与所述实际特征匹配的k个对比特征，并获取所述对比特征的类别和对比特征的相对中心位置；
[0011]针对每个对比特征的类别，根据所述实际特征和所述对比特征计算相似度；
[0012]针对每个对比特征的类别所对应的第一投票图，根据所述实际特征的实际位置和所述对比特征的相对中心位置，确定所述对比特征在第一投票图像中的估计中心位置，并在所述对比特征对应的估计中心位置处增加所述相似度；
[0013]遍历每个第一投票图像中各个估计中心位置处的相似度，获取相似度最大的估计中心位置对应的第一投票图像，通过所述第一投票图像识别待检测图像的类别。
[0014]优选的，所述的方法还包括:
[0015]提取对比图像的各个采样点的对比特征、所述对比特征的类别和所述对比特征的相对中心位置，其中，所述相对中心位置为所述采样点距对比图像中物体中心位置的距离。
[0016]优选的，所述的方法还包括:
[0017]针对各个采样点的对比特征，通过对所述对比特征进行η次逐级聚类，建立η+2级查找树，其中，所述查找树的I级节点为查找开始点，2到η+1级节点为各级聚类的聚类中心，η+2级节点为所述对比特征，η>1, η为正整数。
[0018]优选的，获取与所述实际特征匹配的k个对比特征，包括:
[0019]在所述查找树中对所述实际特征进行特征匹配，查找与所述实际特征匹配的k个对比特征。
[0020]优选的，所述的方法还包括:
[0021]预置X个缩放尺度，针对同一类别下的每一个缩放尺度分别建立一张第二投票图像。
[0022]优选的，所述根据所述实际特征和所述对比特征计算相似度之后，还包括:
[0023]根据所述缩放尺度对所述对比特征的相对中心位置中的距离进行缩放，获取对应的缩放中心位置；
[0024]针对对比特征的类别在所述缩放尺度下的第二投票图像，将所述实际特征的实际位置，按照所述对比特征的相对中心位置中的方位角度和所述缩放中心位置进行偏移，投射出所述对比特征在所述第二投票图像中的估计中心位置；
[0025]在所述第二投票图像中的估计中心位置处增加所述相似度。
[0026]优选的，所述的方法还包括:
[0027]遍历每个第二投票图像中各个估计中心位置处的相似度，获取相似度最大的估计中心位置对应的第二投票图像；
[0028]通过所述第二投票图像识别所述待检测图像的类别和尺度。
[0029]优选的，所述的方法还包括:
[0030]针对所述待检测图像的类别，识别使用所述待检测图像的用户是否具有所述类别的使用权限。
[0031]优选的，所述对比图像为卡通图像和/或商标图像。
[0032]相应的，本申请还公开了一种图像识别装置，包括:
[0033]第一投票图像建立模块，用于针对每一类别的图像建立一张第一投票图像；
[0034]提取模块，用于提取待检测图像的各个采样点的实际特征和所述实际特征的实际位置；
[0035]匹配并获取模块，用于针对每个采样点，获取与所述实际特征匹配的k个对比特征，并获取所述对比特征的类别和对比特征的相对中心位置；
[0036]相似度计算模块，用于针对每个对比特征的类别，根据所述实际特征和所述对比特征计算相似度；
[0037]确定并添加模块，用于针对每个对比特征的类别所对应的第一投票图，根据所述实际特征的实际位置和所述对比特征的相对中心位置，确定所述对比特征在第一投票图像中的估计中心位置，并在所述对比特征对应的估计中心位置处添加所述相似度；
[0038]获取并识别模块，用于遍历每个第一投票图像中各个估计中心位置处的相似度，获取相似度最大的估计中心位置对应的第一投票图像，通过所述第一投票图像识别待检测图像的类别。
[0039]与现有技术相比，本申请包括以下优点:
[0040]首先，本申请针对每一类别的图像建立一张第一投票图像，而后在对实际特征进行匹配时，可以获取与所述实际特征匹配的k个对比特征，并获取所述对比特征的类别和对比特征的相对中心位置，因此，本申请通过一次匹配就可以获取到多种类别。后续针对每个类别的对比特征，可以计算相似度，并确定所述对比特征在第一投票图像中的估计中心位置，然后可以在所述估计中心位置处增加所述相似度，最终可以获取到多个类别的第一投票图像。然后获取相似度最大的估计中心位置对应的第一投票图像，所述第一投票图像的类别即为待检测图像的类别。本申请可以一次识别多种类别，识别过程节省资源，并且效率较高，时间开销非常低。
[0041]其次，现有技术通过特征词典进行特征匹配，由于要进行逐个匹配，因此效率很低。本申请针对各个采样点的对比特征，通过对所述对比特征进行η次逐级聚类，建立η+2级查找树。所述查找树的I级节点为查找开始点，2到η+1级节点为各级聚类的聚类中心，η+2级节点为所述对比特征。因此，本申请在进行时，由查找树的I级节点开始，逐层进行匹配，可以快速的查找到与所述实际特征匹配的k个对比特征，进一步减少了资源的消耗，并且匹配效率较高，减少了匹配过程的时间。
[0042]再次，现有技术通常只能识别出尺寸一致的对比图像，因此为了保证在识别过程中不受尺度变化的影响，因此现有技术会在特征词典中尽可能涵盖所有的尺寸，因此会导致特征词典中的特征过多，特征匹配时效率较低。本申请预置了 X个缩放尺度，针对同一类别下的每一个缩放尺度分别建立一张第二投票图像。在识别过程中，仅需要通过所述缩放尺度对所述对比特征的相对中心位置进行缩放，获取对应的缩放中心位置即可，后续通过所述实际特征的实际位置与所述缩放中心位置相加，以确定所述对比特征在所述第二投票中的估计中心位置。因而本申请可以更进一步减少了资源的消耗，并且匹配效率较高，减少了匹配过程的时间。
[0043]再次，本申请在获取到了所述待检测图像的类别后，可以进一步对使用所述待检测图像的用户进行检测，检测其是否具有所述类别的使用权限。因此本申请可以用于对于图像的侵权检测应用，应用领域非常的广泛。
【专利附图】
【附图说明】
[0044]图1是本申请实施例所述一种图像识别方法流程图；
[0045]图2是本申请实施例所述一种图像识别方法中对比图像示意图；
[0046]图3是本申请实施例所述一种图像识别方法中查找树示意图；
[0047]图4是本申请优选实施例所述一种图像识别方法中多类别多尺度的识别方法流程图；
[0048]图5是本申请实施例所述一种图像识别装置结构图。
【具体实施方式】
[0049]为使本申请的上述目的、特征和优点能够更加明显易懂，下面结合附图和【具体实施方式】对本申请作进一步详细的说明。[0050]现有技术在每次仅针对一类对比图像进行识别，因此，若要确定与所述待检测图像所属的类别，则要重复执行n次识别过程。因此会导致资源消耗比较大，并且效率非常低，时间开销非常大。
[0051]本申请提供一种图像识别方法，可以一次识别多种类别，识别过程节省资源，并且效率较高，时间开销非常低。
[0052]参照图1，给出了本申请实施例所述一种图像识别方法流程图。
[0053]步骤11，针对每一类别的图像建立一张第一投票图像；
[0054]本申请对于图像的类别不做限定，例如，卡通图像的类别可以包括Donald Duck(唐老鸭)、Mickey (米老鼠)和Hello Kitty (凯蒂猫)等,又如,针对商标图像,每一个商标可以看作是一个类别。
[0055]本申请针对每一类别的图像，建立一张第一投票图像，并将所述第一投票图像中所有点的像素值初始化为O。实际处理中，每一类别的卡通图像中的物体，如Donald Duck可能存在多种不同的形态，但是在建立第一投票图像时仅考虑图像的类别，不考虑图像中物体的形态。即无论图像中物体可能是何种形态，都只针对一个类别建立一张投票图像。而图像中物体的形态问题的处理方法可以是:在每一类别下，针对每一种物体的形态建立一张对比图像，从而在对比图像中可以针对每一种物体的形态有其相应的对比特征。
[0056]实际处理中，可以将一个图像看作是一个矩阵，图像中的一个像素点看作是矩阵中的一个元素，因此，初始时，投票图像各个像素点的值均为0，即投票图像的矩阵中每一个元素的值都是O。
[0057]步骤12，提取待检测图像的各个采样点的实际特征和所述实际特征的实际位置；
[0058]针对待检测图像，预先设置了若干个采样点，因此可以提取待检测图像的各个采样点的实际特征，同时，还可以提取所述实际特征的实际位置，即所述采样点在待检测图片中的实际位置。所述实际位置是采样点在待检测图像中的坐标位置，假设将待检测图像左上角的顶点作为坐标原点(0，0),对应采样点的坐标为(X，y),此时X为非负数为非正数。当然，坐标原点还可以定义为其他位置，本申请对此不做限定。
[0059]其中，采样点是按照一定步长在图像中选取的，因此，待检测图像的尺寸不同，采样点的数目就不同。
[0060]步骤13，针对每个采样点，获取与所述实际特征匹配的k个对比特征，并获取所述对比特征的类别和对比特征的相对中心位置；
[0061]针对每一个采样点，获取与所述实际特征匹配的k个对比特征，同时还要获取所述对比特征的类别，和所述对比特征的相对中心位置。
[0062]其中，所述对比特征为从对比图像中获取到的采样点的特征；所述对比特征的类别为所述对比特征所属对比图像的类别；所述对比特征的相对中心位置为所述对比特征对应的采样点与对比图像中物体中心的距离和方位角度。
[0063]参照图2，给出了本申请实施例所述一种图像识别方法中对比图像示意图。
[0064]以卡通图像为例，图2中为Donald Duck类别的对比图像，图2中A表示对比图像中的物体，即Donald Duck ；A1表示对比图像中的物体的中心，即Donald Duck的中心；A2表示对比图像中的一个采样点。
[0065]则A2的特征即为对比特征，对比特征的类别即为Donald Duck类别，对比特征的相对中心位置是A2和Al之间的距离和方位角度。假设Al为原点(0，0)A2的坐标为(x2，y2)，则所述相对中心位置中的距离为sqrt [ (x2)2+(y2)2]，其中sqrt代表求平方根，所述相对中心位置中的方位角度为ct =arttan (x2/y2)。
[0066]当然，也可以采用对比图像左上角的顶点作为坐标原点，此时分别获取Al和A2的坐标，在同上述计算即可。
[0067]其中，对比图像中像素值不为O的点可以构成对比图像中的物体。例如，卡通图像中Donald Duck的对比图像中，对比图像中的物体即为Donald Duck。
[0068]其中，本申请可以采用KNN (k-Nearest Neighbor algorithm,最邻近结点)算法，即如果一个样本在特征空间中的K个最相似(即特征空间中最邻近)样本中的大多数属于某一个类别，则该样本也属于这个类别。
[0069]本申请中所述实际特征和对比特征可以为SC (Shape Context，边缘轮廓)特征，所述SC特征为以图像中某个点为中心点建立极坐标系，再将极坐标划分成若干个不同的扇型区域，根据中心点周围像素亮度值的分布计算得到特征向量。
[0070]步骤14，针对每个对比特征的类别，根据所述实际特征和所述对比特征计算相似度；
[0071]针对每个对比特征的类别，可以根据所述实际特征和所述对比特征计算出相似度，假设所述相似度的值为X。其中，计算相似度时可以采用欧氏距离、卡方检验等方法，由于相似度的计算方法是现有技术，因此本申请不再赘述。
[0072]通过上述计算得到的相似度的值，可以用来衡量所述实际特征和所述对比特征的相似程度。
[0073]步骤15，针对每个对比特征的类别所对应的第一投票图，根据所述实际特征的实际位置和所述对比特征的相对中心位置，确定所述对比特征在第一投票图像中的估计中心位置，并在所述对比特征对应的估计中心位置处增加所述相似度；
[0074]其中，所述估计中心位置为通过对比特征和实际特征所估计的第一投票图像中物体的中心，即假设对比特征的类别为Donald Duck类别，所述估计中心位置为在第一投票图像中估计的Donald Duck的中心。
[0075]所述对比特征的相对中心位置为所述对比特征对应的采样点与对比图像中物体中心的距离和方位角度。若获取到所述对比特征对应的采样点在对比图像中的坐标位置，则将所述采样点按照所述相对中心位置的方位角度和距离所投射的点即为对比图像中物体中心。
[0076]所述实际特征的实际位置是实际特征对应的采样点在待检测图像中的坐标位置，此时，若将所述实际特征的实际位置看作是对比特征的相对中心位置，则将所述实际特征的实际位置，即实际特征对应采样点的坐标位置，按照所述相对中心位置中的方位角度和距离进行投射，所投射的点即为对比特征对应的物体中心，即所述对比特征在第一投票图像中的估计中心位置。
[0077]由于上述计算得到的相似度的值，可以用来衡量所述实际特征和所述对比特征的相似程度，则同样可以用来衡量通过对比特征和实际特征所估计的第一投票图像中物体的中心的可能性，因此可以在所述估计中心位置处添加所述相似度的值X。
[0078]本申请中待检测图像的每一个采样点提取一个实际特征，每个实际特征对应K个对比特征，因此实际特征对应的类别可能为[1，K]个。同样的，即使属于同一类别的两个对比特征，可能来自各类别下不同形态物体对应的对比图像，由于不同形态的物体中心可能相同，也可能不同，因此通过上述两个对比特征计算出来的估计中心位置可能相同，也可能不同，视具体的数据而定。若上述两个对比特征计算出来的估计中心位置相同，则对应在所述估计中心位置叠加对应相似度的值即可，即所述估计中心位置处的相似度，是多个对比特征和实际特征所计算出来的相似度，依次添加到所述估计中心位置处进行累加求和后的结果。
[0079]即实际处理中，若计算出某个对比特征对应的估计中心位置后，所述估计中心位置处已经添加过相似度了，则直接在所述相似度的基础上进行累加即可。
[0080]步骤16，遍历每个第一投票图像各个估计中心位置处的相似度，获取相似度最大的估计中心位置对应的第一投票图像，通过所述第一投票图像识别待检测图像的类别。
[0081]通过上述的步骤，各个对比特征的类别所对应的第一投票图中，都存在着一些估计中心位置。
[0082]因此，可以遍历每个第一投票图像中的各个估计中心位置处的相似度，例如，第一投票图像I中各个估计中心位置处的相似度分别是10、12、15，第一投票图像2中各个估计中心位置处的相似度分别是20、13、31，则后续在所有第一投票图像中获取所有相似度中值最大的估计中心位置对应的第一投票图像，即上例中所有相似度中值最大为31，对应的第一投票图像为第一投票图像2。此时可以将所述第一投票图像的类别作为所述待检测图像的类别。如上例中，所述第一投票图像2的类别为Hello Kitty，则所述待检测图像的类别也为 Hello Kitty0
[0083]综上所述，本申请针对每一类别的图像建立一张第一投票图像，而后在对实际特征进行匹配时，可以获取与所述实际特征匹配的k个对比特征，并获取所述对比特征的类别和对比特征的相对中心位置，因此，本申请通过一次匹配就可以获取到多种类别。后续针对每个类别的对比特征，可以计算相似度，并确定所述对比特征在第一投票图像中的估计中心位置，然后可以在所述估计中心位置处增加所述相似度，最终可以获取到多个类别的第一投票图像。然后获取相似度最大的估计中心位置对应的第一投票图像，所述第一投票图像的类别即为待检测图像的类别。本申请可以一次识别多种类别，识别过程节省资源，并且效率较高，时间开销非常低。
[0084]优选的，提取对比图像的各个采样点的对比特征、所述对比特征的类别和所述对比特征的相对中心位置，其中，所述相对中心位置为所述采样点距对比图像的物体中心位
置的距离。
[0085]本申请中可以预先建立训练样本集合，所述训练样本集合中的样本即为对比图像。
[0086]然后可以提取对比图像的各个采样点的对比特征，提取所述对比特征的类别，SP所述对比特征所属对比图像的类别，同时提取所述对比特征的相对中心位置，所述相对中心位置为所述采样点与对比图像的物体中心的距离和方位角度。
[0087]其中，所述相对中心位置参见图2的相关论述，此处不再赘述。
[0088]实际处理中，每一类别的图像中的物体可能有不同的形态，因此在每一类别下，可以针对每一种物体的形态建立一张对比图像，使得训练样本集合中的样本涵盖的比较全面，进而可以从各个不同形态的物体对应的对比图像中提取采样点的对比特征，使得对应的对比特征也比较全面，为后续的图像识别的提供更加全面的依据，提高准确性。
[0089]优选的，所述对比图像为卡通图像和/或商标图像。
[0090]本申请所述的对比图像可以为卡通图像，或商标图像，当然也可能为卡通图像和商标图像。
[0091]所述卡通图像的类别可以为具体的卡通人物，所述商标图像可以为每一个商标，本申请对此不做限定。
[0092]参照图3，给出了本申请实施例所述一种图像识别方法中查找树示意图。
[0093]优选的，针对各个采样点的对比特征，通过对所述对比特征进行n次逐级聚类，建立n+2级查找树，其中，所述查找树的I级节点为查找开始点，2到n+1级节点为各级聚类的聚类中心，n+2级节点为所述对比特征，n>l, n为正整数。
[0094]现有技术通过特征词典进行特征匹配，即在特征词典中包括从对比图像中提取的所有对比特征，在特征匹配是要遍历其中所有对比特征，进行逐个匹配，效率非常的低。
[0095]而本申请针对上述提取的对比特征，可以对所述对比特征进行聚类，例如，采用K-means聚类方法。下面具体论述查找树的建立过程。
[0096]I)将所述查找树的I级节点设为查找开始点；
[0097]2)对所述对比特征采用K-means方法进行I级聚类，获取到K1个I级聚类中心，将每一个I级聚类中心作为一个2级节点；
[0098]3)对每个I级聚类中心下的对比特征进行2级聚类，获取到K2个2级聚类中心，将每一个2级聚类中心作为一个3级节点；
[0099]4)以此类推，对每个n-1级聚类中心下的对比特征进行n级聚类，获取到Klri个n级聚类中心，将每一个n级聚类中心作为一个n+1级节点，直到n级聚类中心无法进行下级聚类为止。则n+2级节点为所述对比特征。
[0100]其中，n>l，n为正整数。
[0101]当然，还可以预设n的大小，然后在达到预设的大小后停止聚类。
[0102]通过遍历上述查找树后，本申请在进行特征匹配时，可以由查找树的I级节点开始，逐层进行匹配，可以快速的查找到与所述实际特征匹配的k个对比特征，进一步减少了资源的消耗，并且匹配效率较高，减少了匹配过程的时间。
[0103]参照图4，给出了本申请优选实施例所述一种图像识别方法中多类别多尺度的识别方法流程图。
[0104]步骤401，预置X个缩放尺度，针对同一类别下的每一个缩放尺度分别建立一张第二投票图像；
[0105]由于图像的大小是可变的，而现有技术通常只能识别出尺寸一致的对比图像，因此为了保证在识别过程中不受尺度变化的影响，因此现有技术会在特征词典中尽可能涵盖所有的尺寸，因此会导致特征词典中的特征过多，特征匹配时效率较低。
[0106]本申请为了进一步减少匹配所浪费的时间，减少资源的消耗，预置了 X个缩放尺度，然后针对同一类别下的每一个缩放尺度分别建立一张第二投票图像。
[0107]例如，设缩放尺度有3个，分别为0.5、I和2.3。此时针对每一个类别要建立3个第二投票图像，其中，第二投票图像I对应缩放尺度为0.5 ;第二投票图像2对应缩放尺度为I ;第二投票图像3对应缩放尺度为2.3。并且，虽然各个第二投票图像对应的缩放尺度不同，但是每个第二投票图像的大小是相同的。
[0108]步骤402，提取待检测图像的各个采样点的实际特征和所述实际特征的实际位置；
[0109]步骤403，针对每个采样点，在所述查找树中对所述实际特征进行特征匹配，查找与所述实际特征匹配的k个对比特征，获取所述对比特征的类别和对比特征的相对中心位置；
[0110]针对每个采样点，一个采样点对应一个实际特征，因此可以在所述查找树中对所述实际特征进行特征匹配，根据所述实际特征所述的类别，查找与所述实际特征匹配的k个对比特征，获取所述对比特征的类别和对比特征的相对中心位置。
[0111]步骤404，针对每个对比特征的类别，根据所述实际特征和所述对比特征计算相似度；
[0112]步骤405，根据所述缩放尺度对所述对比特征的相对中心位置中的距离进行缩放，获取对应的缩放中心位置；
[0113]图像尺度的变化，仅会改变图像中两个点之间的距离，而不会改变图像中两个点之间的方位角度。因此，缩放尺度仅对所述对比特征的相对中心位置中的距离进行缩放，而不会引起相对中心位置中的角度的改变。
[0114]例如，所述对比特征的相对中心位置中的距离为20，所述缩放尺度为0.5，则对应的缩放中心位置为20*0.5=10。
[0115]由于不同缩放尺度对应的第二投票图像的大小相同，因此通过缩放尺度对所述对比特征的相对中心位置中的距离进行缩放后，可以获取到各个缩放尺度对应的缩放中心位置。
[0116]本申请对对比特征的相对中心位置中的距离进行缩放，仅通过简单地算数运算，就可以解决识别过程中尺度变化所带来的影响，相对与机械化的匹配过程，可以减少大量的时间，提闻识别的效率。
[0117]步骤406，针对对比特征的类别在所述缩放尺度下的第二投票图像，将所述实际特征的实际位置，按照所述对比特征的相对中心位置中的方位角度和所述缩放中心位置进行偏移，投射出所述对比特征在所述第二投票图像中的估计中心位置；
[0118]针对对比特征的类别在所述缩放尺度下的第二投票图像，上述获取到了所述对比特征在对应缩放尺度下的缩放中心位置，则此时在所述缩放尺度下对比特征的中心位置中的方位角度不变，但对比特征的中心位置中的距离变更为缩放中心位置。
[0119]若将所述实际特征的实际位置看作是对比特征的相对中心位置，则将所述实际特征的实际位置，即实际特征对应采样点的坐标位置，按照所述对比特征的相对中心位置中的距离和方位角度进行偏移，即将实际特征对应采样点的坐标位置，按照所述缩放尺度下对比特征的中心位置中的方位角度和所述缩放中心位置进行偏移，偏移后的点投射到所述缩放尺度下的第二投票图像中，即为所述对比特征在所述第二投票图像中的估计中心位置。
[0120]步骤407，在所述第二投票图像中的估计中心位置处增加所述相似度。
[0121]在所述第二投票图像中的估计中心位置处，添加通过对比特征和实际特征计算得到的相似度的值。若所述相似度为10，则添加前，若估计中心位置处的值为O，则添加后估计中心位置处的值为10 ;添加前，若估计中心位置处的值为13，则添加后估计中心位置处的值为23。
[0122]步骤408，遍历每个第二投票图像中各个估计中心位置处的相似度，获取相似度最大的估计中心位置对应的第二投票图像；
[0123]遍历每个第二投票图像中的各个估计中心位置处的相似度，在所有第二投票图像中获取所有相似度中值最大的估计中心位置对应的第二投票图像，此处与上述步骤16处论述基本一致，因此不再赘述。
[0124]步骤409，通过所述第二投票图像识别所述待检测图像的类别和尺寸；
[0125]上述获取相似度最大的估计中心位置对应的第二投票图像，则所述第二投票图像的类别和尺寸，即为所述待检测图像的类别和尺寸。
[0126]当然，实际处理中，遍历所有第二投票图像后，还可以获取估计中心位置的相似度排名前η位的第二投票图像(η为正整数)，然后根据所述第二投票图像的估计中心位置的相似度的值及其分布是否集中等条件，确定符合的第二投票图像，，检测所述第二投票图像的类别是否为所述待检测图像的类别。
[0127]步骤410，针对所述待检测图像的类别，识别所述待检测图像是否具有所述类别的使用权限。
[0128]通过上述的计算获取到了所述待检测图像的类别，因此可以进一步检测使用待检测图像的用户，是否具有所述类别的使用权限。检测所述用户是否有侵权的行为。
[0129]例如，在电子交易网站中，获取到了所述待检测图像的类别为Hello Kitty，可以进一步检测使用待检测图像的用户(即卖家)是否是Hello Kitty的指定代理商。
[0130]综上所述，现有技术通过特征词典进行特征匹配，由于要进行逐个匹配，因此效率很低。本申请针对各个采样点的对比特征，通过对所述对比特征进行η次逐级聚类，建立η+2级查找树。所述查找树的I级节点为查找开始点，2到η+1级节点为各级聚类的聚类中心，η+2级节点为所述对比特征。因此，本申请在进行时，由查找树的I级节点开始，逐层进行匹配，可以快速的查找到与所述实际特征匹配的k个对比特征，进一步减少了资源的消耗，并且匹配效率较高，减少了匹配过程的时间。
[0131]其次，现有技术通常只能识别出尺寸一致的对比图像，因此为了保证在识别过程中不受尺度变化的影响，因此现有技术会在特征词典中尽可能涵盖所有的尺寸，因此会导致特征词典中的特征过多，特征匹配时效率较低。本申请预置了 X个缩放尺度，针对同一类别下的每一个缩放尺度分别建立一张第二投票图像。在识别过程中，仅需要通过所述缩放尺度对所述对比特征的相对中心位置进行缩放，获取对应的缩放中心位置即可，后续通过所述实际特征的实际位置与所述缩放中心位置相加，以确定所述对比特征在所述第二投票中的估计中心位置。因而本申请可以更进一步减少了资源的消耗，并且匹配效率较高，减少了匹配过程的时间。
[0132]再次，本申请在获取到了所述待检测图像的类别后，可以进一步对使用所述待检测图像的用户进行检测，检测其是否具有所述类别的使用权限。因此本申请可以用于对于图像的侵权检测应用，应用领域非常的广泛。
[0133]参照图5，给出了本申请实施例所述一种图像识别装置结构图。[0134]相应的，本申请还提供了一种图像识别装置，包括:第一投票图像建立模块11、提取模块12、匹配并获取模块13、相似度计算模块14、确定并添加模块15和获取并识别模块16，其中:
[0135]第一投票图像建立模块11，用于针对每一类别的图像建立一张第一投票图像；
[0136]提取模块12，用于提取待检测图像的各个采样点的实际特征和所述实际特征的实际位置；
[0137]匹配并获取模块13，用于针对每个采样点，获取与所述实际特征匹配的k个对比特征，并获取所述对比特征的类别和对比特征的相对中心位置；
[0138]相似度计算模块14，用于针对每个对比特征的类别，根据所述实际特征和所述对比特征计算相似度；
[0139]确定并添加模块15，用于针对每个对比特征的类别所对应的第一投票图，根据所述实际特征的实际位置和所述对比特征的相对中心位置，确定所述对比特征在第一投票图像中的估计中心位置，并在所述对比特征对应的估计中心位置处增加所述相似度；
[0140]获取并识别模块16，用于遍历每个第一投票图像中各个估计中心位置处的相似度，获取相似度最大的估计中心位置对应的第一投票图像，通过所述第一投票图像识别待检测图像的类别。
[0141]优选的，所述的装置还包括:
[0142]提取模块，用于提取对比图像的各个采样点的对比特征、所述对比特征的类别和所述对比特征的相对中心位置，其中，所述相对中心位置为所述采样点距对比图像中物体中心位置的距离。
[0143]查找树建立模块，用于针对各个采样点的对比特征，通过对所述对比特征进行n次逐级聚类，建立n+2级查找树，其中，所述查找树的I级节点为查找开始点，2到n+1级节点为各级聚类的聚类中心，n+2级节点为所述对比特征，n>l, n为正整数。
[0144]所述匹配并获取模块13，用于在所述查找树中对所述实际特征进行特征匹配，查找与所述实际特征匹配的k个对比特征。
[0145]优选的，所述的装置还包括:
[0146]第二投票图像建立模块，用于预置X个缩放尺度，针对同一类别下的每一个缩放尺度分别建立一张第二投票图像。
[0147]所述确定并添加模块15，包括:
[0148]缩放子模块，用于根据所述缩放尺度对所述对比特征的相对中心位置中的距离进行缩放，获取对应的缩放中心位置；
[0149]中心位置确定子模块，用于针对对比特征的类别在所述缩放尺度下的第二投票图像，将所述实际特征的实际位置，按照所述对比特征的相对中心位置中的方位角度和所述缩放中心位置进行偏移，投射出所述对比特征在所述第二投票图像中的估计中心位置；
[0150]添加子模块，用于在所述第二投票图像中的估计中心位置处增加所述相似度。
[0151]优选的，获取并识别模块16，还用于遍历每个第二投票图像中各个估计中心位置处的相似度，获取相似度最大的估计中心位置对应的第二投票图像；通过所述第二投票图像识别所述待检测图像的类别和尺度。
[0152]优选的，所述的装置还包括:[0153]权限识别模块，用于针对所述待检测图像的类别，识别所述待检测图像是否具有所述类别的使用权限。
[0154]优选的，所述对比图像为卡通图像和/或商标图像。
[0155]对于系统实施例而言，由于其与方法实施例基本相似，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
[0156]本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。
[0157]本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
[0158]尽管已描述了本申请的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本申请范围的所有变更和修改。
[0159]本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
`[0160]这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0161]这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0162]最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、商品或者设备中还存在另外的相同要素。
[0163]以上对本申请所提供的一种图像识别方法及装置，进行了详细介绍，本文中应用了具体个例对本申请的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本申请的方法及其核心思想；同时，对于本领域的一般技术人员，依据本申请的思想，在【具体实施方式】及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本申请的限制。
【权利要求】
1.一种图像识别方法，其特征在于，包括: 针对每一类别的图像建立一张第一投票图像； 提取待检测图像的各个采样点的实际特征和所述实际特征的实际位置； 针对每个采样点，获取与所述实际特征匹配的k个对比特征，并获取所述对比特征的类别和对比特征的相对中心位置； 针对每个对比特征的类别，根据所述实际特征和所述对比特征计算相似度； 针对每个对比特征的类别所对应的第一投票图，根据所述实际特征的实际位置和所述对比特征的相对中心位置，确定所述对比特征在第一投票图像中的估计中心位置，并在所述对比特征对应的估计中心位置处增加所述相似度； 遍历每个第一投票图像中各个估计中心位置处的相似度，获取相似度最大的估计中心位置对应的第一投票图像，通过所述第一投票图像识别待检测图像的类别。
2.根据权利要求1所述的方法，其特征在于，还包括: 提取对比图像的各个采样点的对比特征、所述对比特征的类别和所述对比特征的相对中心位置，其中，所述相对中心位置为所述采样点与对比图像中物体中心的距离和方位角度。
3.根据权利要求2所述的方法，其特征在于，还包括: 针对各个采样点的对比特征，通过对所述对比特征进行n次逐级聚类，建立n+2级查找树，其中，所述查找树的I级节`点为查找开始点，2到n+1级节点为各级聚类的聚类中心,n+2级节点为所述对比特征，n>l, n为正整数。
4.根据权利要求3所述的方法，其特征在于，获取与所述实际特征匹配的k个对比特征，包括: 在所述查找树中对所述实际特征进行特征匹配，查找与所述实际特征匹配的k个对比特征。
5.根据权利要求1所述的方法，其特征在于，还包括: 预置X个缩放尺度，针对同一类别下的每一个缩放尺度分别建立一张第二投票图像。
6.根据权利要求5所述的方法，其特征在于，所述根据所述实际特征和所述对比特征计算相似度之后，还包括: 根据所述缩放尺度对所述对比特征的相对中心位置中的距离进行缩放，获取对应的缩放中心位置； 针对对比特征的类别在所述缩放尺度下的第二投票图像，将所述实际特征的实际位置，按照所述对比特征的相对中心位置中的方位角度和所述缩放中心位置进行偏移，投射出所述对比特征在所述第二投票图像中的估计中心位置； 在所述第二投票图像中的估计中心位置处增加所述相似度。
7.根据权利要求6所述的方法，其特征在于，还包括: 遍历每个第二投票图像中各个估计中心位置处的相似度，获取相似度最大的估计中心位置对应的第二投票图像； 通过所述第二投票图像识别所述待检测图像的类别和尺度。
8.根据权利要求1或7任一所述的方法，其特征在于，还包括: 针对所述待检测图像的类别，识别使用所述待检测图像的用户是否具有所述类别的使用权限。
9.根据权利要求8所述的方法，其特征在于，所述对比图像为卡通图像和/或商标图像。
10.一种图像识别装置，其特征在于，包括: 第一投票图像建立模块，用于针对每一类别的图像建立一张第一投票图像； 提取模块，用于提取待检测图像的各个采样点的实际特征和所述实际特征的实际位置； 匹配并获取模块，用于针对每个采样点，获取与所述实际特征匹配的k个对比特征，并获取所述对比特征的类别和对比特征的相对中心位置； 相似度计算模块，用于针对每个对比特征的类别，根据所述实际特征和所述对比特征计算相似度； 确定并添加模块，用于针对每个对比特征的类别所对应的第一投票图，根据所述实际特征的实际位置和所述对比特征的相对中心位置，确定所述对比特征在第一投票图像中的估计中心位置，并在所述对比特征对应的估计中心位置处增加所述相似度； 获取并识别模块，用于遍历每个第一投票图像中各个估计中心位置处的相似度，获取相似度最大的估计中心位置对应的第一投票图像，通过所述第一投票图像识别待检测图像的类别。`
【文档编号】G06K9/46GK103514434SQ201210227208
【公开日】2014年1月15日 申请日期:2012年6月29日 优先权日:2012年6月29日
【发明者】邓宇, 吴倩, 薛晖 申请人:阿里巴巴集团控股有限公司