技术领域本发明涉及目标识别技术领域，更具体地说，涉及一种基于多尺度不变量描述的目标识别方法及装置。
背景技术：
机器视觉认知一直是人们研究的热点，利用物体形状特征进行目标识别是机器视觉的主要研究课题，这项研究的最新进展主要是设计智能的形状描述符来充分提取目标形状特征用以进行更好的相似性度量，在工程中得到了广泛应用，如宽基线匹配、目标识别与分类、图像及视频的匹配与检索、机器人自动导航、场景分类、纹理识别和数据挖掘等多个领域中。通常，根据特征来源把以形状描述为基础的目标识别方法分为两类：基于轮廓的方法和基于变换域的方法。其中，前者特征全部来自于目标轮廓，如Moravec、Harris角点特征、轮廓周长、紧密度、偏心率、Hausdroff距离等，具有简单但有效的特点，因此，在机器人视觉领域得到了广泛的应用。基于轮廓的方法主要通过两种方式描述目标特征：基于全局特征和基于局部特征。其中，基于全局特征能够描述目标的整体特征，对目标形状简单、局部细节较少的轮廓特别有用，但是对局部形状变化不敏感，细节区分度不高，如ShapeContexts，Inner-Distance和Multi-scaleRepresentation等，因此，识别准确率较低。而基于局部特征能够克服上述局部区分度的问题，而且即使部分目标轮廓被遮挡或发生变形，其它局部特征也能被匹配和识别，但是由于失去全局形状结构信息，识别精度仍受到影响，如ShapeTree，ClassSegmentSets，ContourFlexibility等。且上述方法计算复杂度均较高，因此，识别效率较低。综上所述，如何提供一种能够同时保证较高的识别效率及识别准确率的的目标识别方法，是目前本领域技术人员亟待解决的问题。
技术实现要素：
本发明的目的是提供一种基于多尺度不变量描述的目标识别方法及装置，以同时保证较高的识别效率及识别准确率。为了实现上述目的，本发明提供如下技术方案：一种基于多尺度不变量描述的目标识别方法，包括：获取待识别目标的形状作为目标形状，并由所述目标形状的边缘提取一个封闭的轮廓，获取该轮廓上的所有轮廓点及每个轮廓点的坐标；确定轮廓的层数，并基于每个所述轮廓点的坐标计算每个所述轮廓点对应于每层的面积参数、弧长参数及重心参数，作为该轮廓点的多尺度不变量描述子；利用每个所述轮廓点的多尺度不变量描述子，将所述待识别目标与预设模板库中的模板进行匹配，得到所述待识别目标的最佳匹配模板，并确定所述最佳匹配模板的类别为所述待识别目标的类别。优选的，由所述目标形状的边缘提取一个封闭的轮廓，包括：采用Canny算子针对所述目标形状的边缘提取一个封闭的轮廓。优选的，确定轮廓的层数，包括：步骤A：确定当前层为1；步骤B：将当前层加1作为当前层，计算每个所述轮廓点对应于当前层的面积参数、弧长参数及重心参数与该轮廓点对应于当前层减1所得到的层的面积参数、弧长参数及重心参数之间的差异，并判断全部所述轮廓点对应的所述差异的和与所述轮廓点的数量的比值是否小于差异阈值，如果是，则确定当前层减1得到的层对应的层数为所述轮廓的层数，如果否，则执行步骤C；步骤C：返回执行步骤B。优选的，计算每个所述轮廓点对应于当前层的面积参数、弧长参数及重心参数，包括：确定任一轮廓点为目标轮廓点，以所述目标轮廓点的坐标为中心，以与所述当前层对应的半径为预设半径作圆，得到与所述当前层对应的预设圆；将所述目标形状中被所述预设圆截取的，与所述目标轮廓点具有直接连接关系的区域的面积与所述预设圆的面积的比值作为所述目标轮廓点的面积参数；将所述目标形状中被所述预设圆切割出的，与所述目标轮廓点具有直接连接关系的弧段的长度与所述预设圆的周长的比值作为所述目标轮廓点的弧长参数；确定所述目标形状中被所述预设圆截取的，与所述目标轮廓点具有直接连接关系的区域的重心与所述目标轮廓点的距离，并将该距离与所述预设半径的比值作为所述目标轮廓点的重心参数。优选的，确定与所述当前层对应的半径为预设半径，包括：将所述目标形状的等效半径与2的N次方的比值作为所述当前层对应的预设半径，其中，N为所述当前层对应的层数。优选的，确定所述目标形状的等效半径，包括：计算所述目标形状的面积，并对所述目标形状的面积进行开平方得到所述目标形状的等效半径。优选的，利用每个所述轮廓点的多尺度不变量描述子，将所述待识别目标与预设模板库中的模板进行匹配，得到所述待识别目标的最佳匹配模板，包括：将所述待识别目标的多尺度不变量描述子与所述模板的多尺度不变量描述子进行匹配度的计算，并确定匹配度不大于其他模板的匹配度的模板为所述最佳匹配模板。优选的，将所述待识别目标的多尺度不变量描述子与所述模板的多尺度不变量描述子进行匹配度的计算，包括：将所述待识别目标的轮廓点按序排列组成目标序列，将需要与所述待识别目标进行匹配的一个模板的轮廓点按序排列组成匹配序列；利用动态规划算法计算所述目标序列与所述匹配序列之间的匹配度，作为所述待识别目标与对应模板之间的匹配度。优选的，利用动态规划算法计算所述目标序列与所述匹配序列之间的匹配度，包括：求取每两个所述轮廓点对应的多尺度不变量描述子之间的欧氏距离，并确定该距离为两个所述轮廓点之间的匹配代价，其中，两个所述轮廓点分别包括于所述目标序列及所述匹配序列；将得到的所述匹配代价的和作为所述匹配度。一种基于多尺度不变量描述的目标识别装置，包括：提取模块，用于获取待识别目标的形状作为目标形状，并由所述目标形状的边缘提取一个封闭的轮廓，获取该轮廓上的所有轮廓点及每个轮廓点的坐标；确定轮廓的层数，并基于每个所述轮廓点的坐标计算每个所述轮廓点对应于每层的面积参数、弧长参数及重心参数，作为该轮廓点的多尺度不变量描述子；利用每个所述轮廓点的多尺度不变量描述子，将所述待识别目标与预设模板库中的模板进行匹配，得到所述待识别目标的最佳匹配模板，并确定所述最佳匹配模板的类别为所述待识别目标的类别。本发明提供的一种基于多尺度不变量描述的目标识别方法及装置，首先获得待识别目标的目标形状，进而由目标形状的边缘提取封闭的轮廓并得到所有轮廓点及每个轮廓点的坐标，以实现目标形状的轮廓信息的提取；然后计算每个轮廓点在每个轮廓的层的参数，即面积参数、弧长参数和重心参数，作为每个轮廓点完整的多尺度不变量描述子，以实现全局特征和局部特征的提取及有效表示，最后依据目标形状中每个轮廓点的多尺度不变量描述子将待识别目标与模板进行匹配，得到与待识别目标对应的最佳匹配模板，以确定待识别目标的类别。由此，在上述过程中，不仅仅关注全局特征或者局部特征，而是同时对全局特征、局部特征及全局特征和局部特征之间的关系进行考虑，多尺度、多层次、多方面地进行分析，或者说，通过上述步骤，实现了对目标形状的全局特征和局部特征的提取及有效表示，从而避免了背景技术中仅基于全局特征或局部特征造成识别准确率较低的情况；且，不同于背景技术所提供的目标识别方法的计算复杂度较高，本发明实施例在将待识别目标与模板进行匹配时所依据的多尺度不变量描述子通常维数较小，因此计算复杂度较低，实现了同时保证较高的识别效率及识别准确率。附图说明为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。图1为本发明实施例提供的一种基于多尺度不变量描述的目标识别方法的流程图；图2为本发明实施例提供的一种基于多尺度不变量描述的目标识别方法中涉及的目标形状的具体例子的示意图；图3为本发明实施例提供的一种基于多尺度不变量描述的目标识别方法中确定轮廓的层数的流程图；图4为本发明实施例提供的一种基于多尺度不变量描述的目标识别方法中目标形状的具体示意图；图5为本发明实施例提供的一种基于多尺度不变量描述的目标识别方法中目标形状被预设圆截取后的示意图；图6为本发明实施例提供的一种基于多尺度不变量描述的目标识别方法中目标形状被预设圆分割后的示意图；图7为本发明实施例提供的一种基于多尺度不变量描述的目标识别装置的结构示意图。具体实施方式下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。请参阅图1，为本发明实施例提供的一种基于多尺度不变量描述的目标识别方法的流程图，需要说明的是，本发明实施例提供的一种基于多尺度不变量描述的目标识别方法所能够应用的技术领域包含但不限于建筑物识别、车辆识别、手势识别及商品分类等等，具体可以包括以下步骤：S1：获取待识别目标的形状作为目标形状，并由目标形状的边缘提取一个封闭的轮廓，获取该轮廓上的所有轮廓点及每个轮廓点的坐标。需要说明的是，本发明涉及的目标形状均可以为具有闭合轮廓的形状，如图2所示为本发明涉及的目标形状的具体例子。另外，轮廓点的数量为轮廓上所有点的个数，其具体取值根据实际情况进行确定，以完整表示目标形状的轮廓特征为准。在数字图像中，形状的边缘可以由一系列具有坐标信息的轮廓点表示，本发明实施例中目标形状的轮廓点的集合S可以表示为：S＝{p(i)|i∈[1,n]