一种基于压缩感知的特征识别方法及其系统与流程

本发明涉及图像识别领域，特别是涉及一种基于压缩感知的特征识别方法及其系统。

背景技术：

图像中目标识别是利用各种程序算法，将图像中特定的目标或特征区分出来的过程，将区分出的目标为下一步处理提供基础，在图片数据量极速上升的今天，可以广泛应用到许多领域。人眼在进行识别某个特定目标时速度往往较慢，当需要对大量数据或大量图像进行识别或区分出其中的目标，则需要耗费大量的人力物力，采用机器识别代替人眼识别，利用计算机计算量代替人眼的用脑量则可以提高速度与节约资源，对于图像识别领域而言是非常有利的。例如：对一千幅十字路口的视频帧图片进行识别，要求找出通过的车流量，明显采用机器识别远远有利于人眼识别；同样的，若给机器人加上图像目标识别系统，则相当于给机器人添加了“眼睛”，对于发展人工智能技术也是非常有利的。目前已有许多研究者在目标识别方面做出了大量贡献，人们不仅将图像识别技术应用于人脸识别，物品识别等方面，还将其应用在了手写识别等方面，极大地方便了人们的生活。

目前常用的图像目标识别技术一般缺点是耗时较长，速度较慢，原因是传统图像特征识别技术需要以下流程：图像预处理、图像分割、特征提取和特征识别或匹配。即需要对采集得到的图像进行多次处理才能将所需的特征识别出来，而每一步处理都需要较长时间，并且已知的图像识别将图像采集与特征识别过程分开了，不利于处理速度的提高，使得传统技术进行特征识别通常都较慢。基于压缩感知(CS)的特征识别是将图像采集与特征识别过程合二为一，在图像采集信号中进行特征识别，可以提高图像中特征识别的速度，并且减少数据量的存储与硬件的消耗。

压缩感知实现目标的识别，可以从采样数据中进行识别，目前这点已经在人脸识别上做出了一定研究，大多的做法是将一幅人脸图(或目标图)进行某种分割或进行某种变换变为一个一维向量，再经过一个特定的测量矩阵(如随机高斯矩阵)变换后，得到人脸的采样数据，将人脸的采样数据直接或经过某种变换后，例如：将采样数据根据数据某个选定范围进行分类，做出直方图，进而根据直方图不同提取出不同特征，将这些特征与标准样本库中的数据进行相似度计算，若其差小于一定范围或样本库中误差找出最小的标准目标，即可判断为识别。然而目前这种做法却只能一幅图中包含一个人脸(或目标)，进行识别，若一幅图中包含多个需要识别的目标，哪怕多个识别的目标都是相同的，也无法按照已知的方法进行识别，除非将图像分割，分成每幅小图中包含一个目标再按照已知办法进行识别。

以上背景技术内容的公开仅用于辅助理解本发明的发明构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。

技术实现要素：

本发明目的在于提出一种基于压缩感知的特征识别方法及其系统，以解决上述现有技术存在的无法对具有多个目标特征进行识别的技术问题。

为此，本发明提出一种基于压缩感知的特征识别方法，在目标图像的采样过程中，运用压缩感知进行压缩计算的同时进行特征识别，包括以下步骤：

S1：输入目标图像，根据所述目标图像的目标特征进行采样率和测量矩阵的选择设计；

S2：根据选择设计好的所述测量矩阵和所述采样率对所述目标图像进行采样压缩，得到采样信号；

S3：根据所述采样信号进行特征识别和图像重构，输出识别的目标特征和重构图像；

所述测量矩阵的选择设计包括以下步骤：

S11：将所述目标特征和预定的多个测量矩阵进行乘积，得到多种采样数据，对比比较多种所述采样数据对所述目标特征的区分度的高低，选取区分度最优的对应的所述测量矩阵；

S12：对步骤S11得到的所述测量矩阵进行修改设计，采用多个训练样本与修改设计得到的所述测量矩阵进行乘积计算，计算多个训练样本中所述目标特征的采样偏差，根据所述采样偏差重新对所述测量矩阵进行修改设计；

S13：对设计过的所述测量矩阵进行变换，使其满足有限等距性原则。

优选地，本发明提出的识别方法还可以具有如下技术特征：

步骤S12中，根据所述采样偏差重新对所述测量矩阵进行修改设计包括：计算所述训练样本中各所述目标特征的所述采样偏差，对比比较不同所述训练样本中不同目标特征的采样偏差的大小，和对比比较不同所述训练样本中相同目标特征的采样偏差的大小，对所述测量矩阵进行重新修改设计。

根据所述采样偏差的大小进行判断，若不同目标特征的所述采样偏差大于第一预设值，且相同目标特征的所述采样偏差小于第二预设值，则完成对所述测量矩阵的修改设计。

步骤S11中，所述预定的多个测量矩阵包括高斯随机矩阵、伯努利随机矩阵。

步骤S1中，包括获取所述目标图像的总数据量和实际采样数据量，所述采样率等于实际采样数据量与总数据量的商。

步骤S3中：所述特征识别包括根据训练的特征库对所述采样信号进行分解，得到多个所述目标特征和非目标特征，对所述目标特征进行分类并计数。

所述分解的过程中，对所述目标特征进行保留，去除所述非目标特征，运用重构算法仅根据所述目标特征进行图像重构。

所述分解的过程，保留所述目标特征和所述非目标特征，运用重构算法同时根据所述目标特征和所述非目标特征进行图像重构。

根据目标特征的类别对目标特征进行分类，若所述目标特征的类型相同，则归为同一类，取同一类的目标特征中的一个进行输出，并对其计数。

本发明还提出了一种基于压缩感知的特征识别系统，用于实现上述提出的特征识别方法，包括信号采样模块，信号分解模块、识别重构模块，所述信号采样模块将目标图像进行压缩采样、采样率和测量矩阵的选择设计，所述信号分解模块将采样数据进行分解，所述识别与重构模块将所述分解后的采样信号进行特征识别和图像重构，并输出目标特征和重构图像。

本发明与现有技术对比的有益效果包括：本发明特征识别方法，运用压缩感知进行压缩计算的同时进行特征识别，在图像采集信号中进行特征识别，可以提高图像中特征识别的速度，并且减少数据量的存储与硬件的消耗，相比于现有的特征识别方法而言，本发明通过对测量矩阵的选择与设计，可以满足目标图像中存在多个目标特征时的识别和分解，解决现有的特征识别对于目标图像中含有多个目标特征时无法进行识别的问题，通过测量矩阵的选择、修改设计，重构后的测量矩阵可以满足压缩感知的有限等距性原则(RIP原则)，并通过该测量矩阵的修改设计可以实现对目标图像中的多个目标特征的分解和识别，进行可以输出多个目标特征，因为满足有限等距性原则，还可根据该目标特征对图像进行重构，本发明通过本识别方法，因为对目标的识别可以不局限于目标图像中的一个目标特征，可以实现含有多个目标特征的图像进行识别，所以使得利用压缩感知在采样的过程中进行特征识别不再局限于人脸识别技术领域，可以适用于更加广泛的图像识别技术领域，具有更加突出的进步。

附图说明

图1是本发明具体实施方式一的流程图；

图2是本发明具体实施方式一的修改设计测量矩阵流程图。

图3是本发明具体实施方式一的系统结构图。

10-信号采样模块，20-信号分解模块，30-识别重构模块。

具体实施方式

下面结合具体实施方式并对照附图对本发明作进一步详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

参照以下附图，将描述非限制性和非排他性的实施例，其中相同的附图标记表示相同的部件，除非另外特别说明。

实施例一：

如图1-2所示，一种基于压缩感知的特征识别方法，在目标图像的采样过程中，运用压缩感知进行压缩计算的同时进行特征识别，包括以下步骤：

S1：输入目标图像，根据所述目标图像的目标特征进行采样率和测量矩阵的选择设计；

S2：根据选择设计好的所述测量矩阵和所述采样率对所述目标图像进行采样压缩，得到采样信号；

S3：根据所述采样信号进行特征识别和图像重构，输出识别的目标特征和重构图像；

所述测量矩阵的选择设计包括以下步骤：

S11：将所述目标特征和预定的多个测量矩阵进行乘积，得到多种采样数据，对比比较多种所述采样数据对所述目标特征的区分度的高低，选取区分度最优的对应的所述测量矩阵；

S12：对步骤S11得到的所述测量矩阵进行修改设计，采用多个训练样本与修改设计得到的所述测量矩阵进行乘积计算，计算多个训练样本中所述目标特征的采样偏差，根据所述采样偏差重新对所述测量矩阵进行修改设计；

S13：对设计过的所述测量矩阵进行变换，使其满足有限等距性原则。

上述利用压缩感知原理进行信号采集，并直接利用采集到的数据进行特征识别，一方面降低了信号或图像采集的数据量(相比传统的奈奎斯特法)，另一方面，提高了特征识别的速度，有利于对特定特征识别等采集信号、图片多、且数据量大的情况进行特征识别。

本实施例中，更为具体的，步骤S12中，根据所述采样偏差重新对所述测量矩阵进行修改设计包括：计算所述训练样本中各所述目标特征的所述采样偏差，对比比较不同所述训练样本中不同目标特征的采样偏差的大小，和对比比较不同所述训练样本中相同目标特征的采样偏差的大小，对所述测量矩阵进行重新修改设计；在测量矩阵的设计中，运用采样偏差进行测量矩阵的修改，主要是为了保证对不同目标特征都能做到良好的识别和区分，通过不同所述训练样本中不同特征和相同特征的对比比较，从何使得采样数据可以对一张图中的不同的特征和相同特征有个良好的判断，而不仅仅是对一个单一的特征进行识别，通过这种方式以重新设计测量矩阵，使其能满足压缩感知的压缩采样，又能对多个目标特征进行识别。

本实施例中，主要是根据所述采样偏差的大小进行判断，若不同目标特征的所述采样偏差大于第一预设值，且相同目标特征的所述采样偏差小于第二预设值，则完成对所述测量矩阵的修改设计。

本实施例中，所述预定的多个测量矩阵包括高斯随机矩阵、伯努利随机矩阵，具体是哪一种矩阵，使系统的执行过程中的结果而定，选择目前已知的测量矩阵进行改进，使得所得到的测量矩阵Φ不仅可以满足CS(压缩感知)理论中的准则，还可以有利于分解算法的进行。

本实施例中，所述变换为施密特正交变换变换，当然本领域的技术人员还可以采用其他的变换方法，只要能使得变换后的测量矩阵能满足有限等距性原理就可以。

本实施例中，为了保证有限等距性原则，步骤S1中，包括获取所述目标图像的总数据量和实际采样数据量，所述采样率等于实际采样数据量与总数据量的商，通过这种方法合理选择采样率，从而可对测量举证根据采样率进行尺寸大小的设计，并能使得分解算法能够顺利进行，例如采样率为Ratio，图像尺寸为N*S，测量矩阵尺寸M*N，M＝Ratio*N。

本实施例步骤S3中：所述特征识别包括根据训练的特征库对所述采样信号进行分解，得到多个所述目标特征和非目标特征，对所述目标特征进行分类并计数，分解算法可将采样信号分解为多个目标特征和非目标特征的特征数据组成，其中非目标特征数据可以为背景或噪声。

本实施例中，可以根据是否只用可识别的目标特征的数据进行重构看具体需求，本实施例中，所述分解的过程中，对所述目标特征进行保留，去除所述非目标特征，运用重构算法仅根据所述目标特征进行图像重构，当然，也可以保留所述目标特征和所述非目标特征，运用重构算法同时根据所述目标特征和所述非目标特征进行图像重构，重构的过程的算法可以采用OMP算法，当然也可以运用其他重构算法对图像进行重构。

本实施例中，根据目标特征的类别对目标特征进行分类，若所述目标特征的类型相同，则归为同一类，取同一类的目标特征中的一个进行输出，并对其计数。

如图3所示，本实施例中还提出了一种基于压缩感知的特征识别系统，用于实现上述提出的特征识别方法，包括信号采样模块10，信号分解模块20、识别重构模块30，所述信号采样模块10将目标图像进行压缩采样、采样率和测量矩阵的选择设计，所述信号分解模块20将采样数据进行分解，所述识别与重构模块将所述分解后的采样信号进行特征识别和图像重构，并输出目标特征和重构图像。

其中信号采样模块10采用微镜器件实现压缩计算，该微镜器件的一种方式为数字微镜器件(DMD)，当图像信号通过光路系统成像便可投影到该数字微镜器件上，通过变换，则可收集到相比原始图像较少的数据存储到存储器中，在同样的存储量下可以采集多几倍的图像信息；然后，将采集到的信号利用分解算法进行处理，根据数据分析算法进行特征提取，同时与训练空间中的样本库进行对比识别，在进行识别后，便可对图像进行重构，是否只用可识别特征的数据进行重构看具体需求，若只需图像中识别的目标，则抛弃其余数据进行重构；将重构的图像与识别出的目标作为下一步处理提供的基础。

并实施例中的具体算法流程可以表示为：

1、输入：图像image、测量矩阵Phi、小波正交基Psi、采样率ratio＝实际采样数据量/总数据量，其中，图像是一个数字矩阵表现的，每个点代表改点像素值；

2、获得：图像尺寸N*S测量矩阵尺寸M*N、其中M＝ratio*N；

3、获得采样信号y＝Phi*image；

4、根据分解算法对采样信号进行分解成n个kn的目标特征featuren(n≥1，为整数)和非目标特征others，并对数据进行保存；

k1*feature1+k2*feature2+……+kn*featuren+others＝y分解算法；

当然，可以根据具体需要选择是否加背景或噪声，若只保留特征，则去除，否则保留。

y1＝k1*feature1+k2*feature2+……+kn*featuren(+others)；

5、采用OMP算法或其他算法重构图像，利用测量矩阵Phi、小波正交基Psi进行重构；

6、输出所需的特征或目标以及计数，并输出重构图像。

本领域技术人员将认识到，对以上描述做出众多变通是可能的，所以实施例仅是用来描述一个或多个特定实施方式。

尽管已经描述和叙述了被看作本发明的示范实施例，本领域技术人员将会明白，可以对其作出各种改变和替换，而不会脱离本发明的精神。另外，可以做出许多修改以将特定情况适配到本发明的教义，而不会脱离在此描述的本发明中心概念。所以，本发明不受限于在此披露的特定实施例，但本发明可能还包括属于本发明范围的所有实施例及其等同物。