一种图像识别方法和装置与流程

本发明涉及图像识别领域，特别是涉及一种图像识别方法和装置。

背景技术：

随着图像处理技术的发展，越来越多的领域开始使用图像处理技术，例如，在工业领域，开始使用图像识别工业元件代替以前人工识别工业元件的方法等。

现有图像识别技术大多是现有的基于多区域、多特征的识别方法，通常需要组成维数较高的特征向量，再进行训练和预测，因此组成向量维数较高、需要选择合适的核函数进行训练和预测；并且现有技术中的基于特征距离的方法，在多特征和多区域的使用中通常鲁棒性较差，并且强烈依赖于特征及其距离的选择，而且计算复杂度较高。

技术实现要素：

本发明实施例提供一种图像识别方法及装置，能够使图像中对应特征相互独立使用，无需使用核函数进行融合的多区域、多特征识别方法，同时可以降低运算量，提高识别效率。

第一方面，本发明提供了一种图像识别方法，包括：

获取两幅待识别图像的多区域多特征组合向量；所述多区域多特征组合向量通过将所述待识别图像划分为M个子区域并对所述M个子区域分别提取N个特征向量得到；

确定所述两幅待识别图像的M个子区域中的每个对应子区域之间的子区域多特征组合向量的Hausdorff距离；

根据所述两幅待识别图像M个子区域中的每个对应子区域之间的子区域多特征组合向量的Hausdorff距离，以确定多区域多特征组合向量的Hausdorff距离；

若所述多区域多特征组合向量的Hausdorff距离值越大，则表明所述两幅待识别图像越不同。

第二方面，本发明提供了一种图像识别装置，包括：

获取模块，用于获取两幅待识别图像的多区域多特征组合向量；所述多区域多特征组合向量通过将所述待识别图像划分为M个子区域并对所述M个子区域分别提取N个特征向量得到；

第一确定模块，用于确定所述两幅待识别图像的M个子区域中的每个对应子区域之间的子区域多特征组合向量的Hausdorff距离；

第二确定模块，用于根据所述两幅待识别图像M个子区域中的每个对应子区域之间的子区域多特征组合向量的Hausdorff距离，以确定多区域多特征组合向量的Hausdorff距离；

若所述多区域多特征组合向量的Hausdorff距离值越大，则表明所述两幅待识别图像越不同。

可以看出，在本发明实施例的方案中，首先、通过将所述两幅待识别图像划分为M个子区域并对所述M个子区域分别提取N个特征向量，以获取两幅待识别图像的多区域多特征组合向量；其次，确定M个子区域中的每个对应区域之间的子区域多特征组合向量的Hausdorff距离；最后根据所述两幅待识别图像M个子区域中的每个对应区域之间的子区域多特征组合向量的Hausdorff距离，以确定多区域多特征组合向量的Hausdorff距离；若所述多区域多特征组合向量的Hausdorff距离值越大，则表明所述两幅待识别图像越不同。可见，相较于现有技术，本方案通过对两幅待识别图像分别按照相同的方法划分区域，接着获取对应子区域多特征组合向量的Hausdorff距离，最终获取所述图像的多区域多特征的组合向量的Hausdorff距离，根据距离值大小来判断这两幅图像的相似度，这种方法能够使图像中对应特征相互独立使用，无需使用核函数进行融合的多区域、多特征识别方法，同时可以降低运算量，提高在识别图像相似程度的过程中的识别效率。

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一些实施例，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，还可以根据这些附图获得其他的附图。

图1是本发明实施例公开的一种图像识别方法流程示意图；

图2是本发明实施例公开的一种多区域多特征提取示意图；

图3是本发明实施例公开的另一种图像识别方法流程示意图；

图4是本发明实施例公开的一种图像识别装置示意图。

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作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。

需要说明的是，在本发明实施例中使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明实施例和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。

请参见图1，图1是本发明实施例公开的一种图像识别方法流程示意图。如图1所示，本发明实施例公开的一种图像识别方法包括以下步骤：

101、图像识别装置获取两幅待识别图像的多区域多特征组合向量；所述多区域多特征组合向量通过将所述待识别图像划分为M个子区域并对所述M个子区域分别提取N个特征向量得到。

其中，待识别图像是指需要识别的目标图像，可以是摄像机所采集到的图像，在本发明实施例中，该待识别图像需要为彩色图像，可以为bmp或jpeg等格式，可以支持CMYK或RGB等色彩模式。

可选地，该待识别图像可以为所有需要识别的目标彩色图像，例如，服装图像、家具图像、人物图像等。

其中，上述图像识别装置将上述两幅待识别图像分别划分为M个子区域，可以将上述两幅图像的多区域多特征组合向量分别表示为：

P＝{P₁,...,P_M}，Q＝{Q₁,...,Q_M}

其中，P_M，Q_M分别表示上述待识别图像中的第M个子区域特征组合向量。

上述M个区域中的每个子区域包含N个类型的特征，上述每个子区域多特征组合向量可表示为：

P_m＝{p_m,1,...,p_m,N}，Q_m＝{q_m,1,...,q_m,N}

其中，其中m大于或者等于1并且小于或者等于M。p_m,N，q_m,N分别表示上述待识别图像中的第m个子区域特征组合向量中的第N个类型特征的特征向量。

上述M个子区域中的每个子区域在上述两幅待识别图像中的位置和大小是相对应的。举例说明，如图2所示，图2是本发明实施例公开的一种多区域多多特征提取示意图。如图所示，将两幅待识别图像分别命名为图P和图Q，在图P中，子区域P₈位于图P的第三行中间的位置，并且包含N个类型的特征，即子区域P₈多特征组合向量包含N个特征向量；在图Q中，子区域Q₈位于图Q的第三行中间的位置，并且包含N个类型的特征，即子区域Q₈多特征组合向量包含N个特征向量。

102、所述图像识别装置确定M个子区域中的每个对应子区域之间的子区域特征组合向量的Hausdorff距离。

其中，所述确定上述两幅待识别图像的M个子区域中的每个对应子区域之间的子区域特征组合向量的Hausdorff距离，包括：

通过第一函数d_H(P_m,Q_m)确定每个对应子区域之间的子区域特征组合向量的Hausdorff距离，所述d_H(P_m,Q_m)函数表示为：

d_H(P_m,Q_m)＝max{h_k(P_m,Q_m),h_k(Q_m,P_m)}

其中，m大于或者等于1并且小于或者等于M。

其中，d_H(P_m,Q_m)是上述两幅待识别图像中的第m个子区域之间的Hausdorff距离。

其中h_k(P_m,Q_m)表示k阶的Hausdorff距离为P和Q中所有的元素距离||p-q||中第k小的值。

其中，通过合理选择k值，提高得到的距离值的代表性及匹配识别的鲁棒性。可选地，k值小于等于4或者根据每个子区域中的特征类型的数量设置其他值。

103、所述图像识别装置根据所述两幅待识别图像M个子区域中的每个子区域的对应子区域之间的子区域多特征组合向量的Hausdorff距离，以确定多区域多特征组合向量的Hausdorff距离。

其中，所述根据上述两幅待识别图像M个子区域中的每个对应子区域之间的子区域多特征组合向量的Hausdorff距离，以得到多区域多特征组合向量的Hausdorff距离，包括：

通过第二函数D_H(P_m,Q_m)将上述子区域多特征组合向量的Hausdorff距离连接起来，以确定上述多区域多特征组合向量的Hausdorff距离；

其中，上述第二函数D_H(P_m,Q_m)表示为：

D_H(P_m,Q_m)＝f(d_H(P₁,Q₁),...,d_H(P_M,Q_M))

其中，m大于或者等于1并且小于或者等于M。

其中，上述第二函数D_H(P_m,Q_m)是对M个子区域中的每个子区域多特征组合向量的Hausdorff距离的线性加权求和函数。

其中，上述通过第二函数将上述子区域多特征组合向量的Hausdorff距离连接起来，以确定上述多区域多特征组合向量的Hausdorff距离可具体表示为：

D_H(P_m,Q_m)＝f(d_H(P₁,Q₁),...,d_H(P_M,Q_M))＝a₁d_H(P₁,Q₁)+a₂d_H(P₂,Q₂)+,...,+a_Md_H(P_M,Q_M)

其中，m大于或者等于1并且小于或者等于M。

其中，a₁，a₂，...a_M为加权系数，根据上述M个子区域中的每个子区域特征在上述图像识别过程中的权重来设置加权系数的大小。若上述M个子区域中的某一个子区域特征在上述图像识别过程中权重大，则加大相应的加权系数；反之则减小相应的加权系数。

可选地，上述第二函数D_H(P_m,Q_m)也可以是根据上述M个子区域中的每个子区域特征在上述图像识别过程中的权重来设置相应的加权系数的求和函数。

104、所述图像识别装置根据所述多区域多特征组合向量的Hausdorff距离值确定所述两幅待识别图像的相似性。

上述图像识别装置根据上述多区域多特征组合向量的Hausdorff距离D_H(P_m,Q_m)的大小来确定上述两幅待识别图像的相似度；若上述多区域多特征组合向量的Hausdorff距离D_H(P_m,Q_m)的值越小，则表示上述两幅待识别图像的相似度越大；反之则表示上述两幅待识别图像的相似度越小。

可以看出，在本发明实施例的方案中，首先、通过将所述两幅待识别图像划分为M个子区域并对所述M个子区域分别提取N个特征向量，以获取两幅待识别图像的多区域多特征组合向量；其次，确定M个子区域中的每个对应区域之间的子区域多特征组合向量的Hausdorff距离；最后根据所述两幅待识别图像M个子区域中的每个对应区域之间的子区域多特征组合向量的Hausdorff距离，以确定多区域多特征组合向量的Hausdorff距离；若所述多区域多特征组合向量的Hausdorff距离值越大，则表明所述两幅待识别图像越不同。可见，相较于现有技术，本方案通过对两幅待识别图像分别按照相同的方法划分区域，接着获取对应子区域多特征组合向量的Hausdorff距离，最终获取所述图像的多区域多特征的组合向量的Hausdorff距离，根据距离值大小来判断这两幅图像的相似度，这种方法能够使图像中对应特征相互独立使用，无需使用核函数进行融合的多区域、多特征识别方法，同时可以降低运算量，提高在识别图像相似程度的过程中的识别效率。

请参见图3，图3是本发明实施例公开的另一种图像识别方法流程示意图。如图3所示，本发明实施例公开的一种图像识别方法包括以下步骤：

301、所述图像识别装置获取两幅待匹配图像的多区域多特征组合向量；所述多区域多特征组合向量通过将所述待匹配图像划分为M个子区域并对所述M个子区域分别提取N个特征向量得到。

其中，上述图像识别装置将上述两幅待识别图像分别划分为M个子区域，可以将上述两幅图像的多区域多特征组合向量分别表示为：

P＝{P₁,...,P_M}，Q＝{Q₁,...,Q_M}

其中，P_M，Q_M分别表示上述待识别图像中的第M个子区域特征组合向量。

上述M个区域中的每个子区域包含N个类型的特征，上述每个子区域多特征组合向量可表示为：

P_m＝{p_m,1,...,p_m,N}，Q_m＝{q_m,1,...,q_m,N}

其中，其中m大于或者等于1并且小于或者等于M。p_m,N，q_m,N分别表示上述待识别图像中的第m个子区域特征组合向量中的第N个类型特征的特征向量。

上述M个子区域中的每个子区域在上述两幅待识别图像中的位置和大小是相对应的。举例说明，如图2所示，图2是本发明实施例公开的一种多区域多多特征提取示意图。如图所示，将两幅待识别图像分别命名为图P和图Q，在图P中，子区域P₈位于图P的第三行中间的位置，并且包含N个类型的特征，即子区域P₈多特征组合向量包含N个特征向量；在图Q中，子区域Q₈位于图Q的第三行中间的位置，并且包含N个类型的特征，即子区域Q₈多特征组合向量包含N个特征向量。

302、所述图像识别装置通过第一函数确定所述两幅待识别图像的M个子区域中的每个对应子区域之间的子区域多特征组合向量的Hausdorff距离。

其中，上述第一函数表示为：

d_H(P_m,Q_m)＝max{h_k(P_m,Q_m),h_k(Q_m,P_m)}

其中，m大于或者等于1并且小于或者等于M。

其中，d_H(P_m,Q_m)是上述两幅待识别图像中的第m个子区域之间的Hausdorff距离。

其中h_k(P_m,Q_m)表示k阶的Hausdorff距离为P和Q中所有的元素距离||p-q||中第k小的值。

其中，通过合理选择k值，提高得到的距离值的代表性及匹配识别的鲁棒性。可选地，k值小于等于4或者根据每个子区域中的特征类型的数量设置其他值。

303、所述图像识别装置通过第二函数将所述两幅待识别图像M个子区域多特征组合向量的Hausdorff距离连接起来，以得到所述多区域多特征组合向量的Hausdorff距离。

其中，上述第二函数D_H(P_m,Q_m)表示为：

D_H(P_m,Q_m)＝f(d_H(P₁,Q₁),...,d_H(P_M,Q_M))

其中，m大于或者等于1并且小于或者等于M。

其中，上述第二函数D_H(P_m,Q_m)是对M个子区域中的每个子区域多特征组合向量的Hausdorff距离的线性加权求和函数。

其中，上述通过第二函数将上述子区域多特征组合向量的Hausdorff距离连接起来，以确定上述多区域多特征组合向量的Hausdorff距离可具体表示为：

D_H(P_m,Q_m)＝f(d_H(P₁,Q₁),...,d_H(P_M,Q_M))＝a₁d_H(P₁,Q₁)+a₂d_H(P₂,Q₂)+,...,+a_Md_H(P_M,Q_M)

其中，m大于或者等于1并且小于或者等于M。

其中，a₁，a₂，...a_M为加权系数，根据上述M个子区域中的每个子区域特征在上述图像识别过程中的权重来设置加权系数的大小。若上述M个子区域中的某一个子区域特征在上述图像识别过程中权重大，则加大相应的加权系数；反之则减小相应的加权系数。

可选地，上述第二函数D_H(P_m,Q_m)也可以是根据上述M个子区域中的每个子区域特征在上述图像识别过程中的权重来设置相应的加权系数的求和函数。

304、所述图像识别装置根据所述多区域多特征组合向量的Hausdorff距离值确定所述两幅待识别图像的相似性。

上述图像识别装置根据上述多区域多特征组合向量的Hausdorff距离D_H(P_m,Q_m)的大小来确定上述两幅待识别图像的相似度；若上述多区域多特征组合向量的Hausdorff距离D_H(P_m,Q_m)的值越小，则表示上述两幅待识别图像的相似度越大；反之则表示上述两幅待识别图像的相似度越小。

可以看出，在本发明实施例的方案中，首先、通过将所述两幅待识别图像划分为M个子区域并对所述M个子区域分别提取N个特征向量，以获取两幅待识别图像的多区域多特征组合向量；其次，确定M个子区域中的每个对应区域之间的子区域多特征组合向量的Hausdorff距离；最后根据所述两幅待识别图像M个子区域中的每个对应区域之间的子区域多特征组合向量的Hausdorff距离，以确定多区域多特征组合向量的Hausdorff距离；若所述多区域多特征组合向量的Hausdorff距离值越大，则表明所述两幅待识别图像越不同。可见，相较于现有技术，本方案通过对两幅待识别图像分别按照相同的方法划分区域，接着获取对应子区域多特征组合向量的Hausdorff距离，最终获取所述图像的多区域多特征的组合向量的Hausdorff距离，根据距离值大小来判断这两幅图像的相似度，这种方法能够使图像中对应特征相互独立使用，无需使用核函数进行融合的多区域、多特征识别方法，同时可以降低运算量，提高在识别图像相似程度的过程中的识别效率。

请参见图4，图4是本发明实施例公开的一种图像识别装置400的结构示意图。如图4所示，本发明实施例公开的一种图像识别装置400，包括：

获取模块401，用于获取两幅待识别图像的多区域多特征组合向量；所述多区域多特征组合向量通过将所述待识别图像划分为M个子区域并对所述M个子区域分别提取N个特征向量得到。

其中，上述图像识别装置将上述两幅待识别图像分别划分为M个子区域，可以将上述两幅图像的多区域多特征组合向量分别表示为：

P＝{P₁,...,P_M}，Q＝{Q₁,...,Q_M}

其中，P_M，Q_M分别表示上述待识别图像中的第M个子区域特征组合向量。

上述M个区域中的每个子区域包含N个类型的特征，上述每个子区域多特征组合向量可表示为：

P_m＝{p_m,1,...,p_m,N}，Q_m＝{q_m,1,...,q_m,N}

其中，其中m大于或者等于1并且小于或者等于M。p_m,N，q_m,N分别表示上述待识别图像中的第m个子区域特征组合向量中的第N个类型特征的特征向量。

上述M个子区域中的每个子区域在上述两幅待识别图像中的位置和大小是相对应的。举例说明，如图2所示，图2是本发明实施例公开的一种多区域多多特征提取示意图。如图所示，将两幅待识别图像分别命名为图P和图Q，在图P中，子区域P₈位于图P的第三行中间的位置，并且包含N个类型的特征，即子区域P₈多特征组合向量包含N个特征向量；在图Q中，子区域Q₈位于图Q的第三行中间的位置，并且包含N个类型的特征，即子区域Q₈多特征组合向量包含N个特征向量。

第一确定模块402，用于确定所述两幅待识别图像的M个子区域中的每个对应子区域之间的子区域多特征组合向量的Hausdorff距离。

其中，所述确定上述两幅待识别图像的M个子区域中的每个对应子区域之间的子区域特征组合向量的Hausdorff距离，包括：

通过第一函数d_H(P_m,Q_m)确定每个对应子区域之间的子区域特征组合向量的Hausdorff距离，所述d_H(P_m,Q_m)函数表示为：

d_H(P_m,Q_m)＝max{h_k(P_m,Q_m),h_k(Q_m,P_m)}

其中，m大于或者等于1并且小于或者等于M。

其中，d_H(P_m,Q_m)是上述两幅待识别图像中的第m个子区域之间的Hausdorff距离。

其中h_k(P_m,Q_m)表示k阶的Hausdorff距离为P和Q中所有的元素距离||p-q||中第k小的值。

其中，通过合理选择k值，提高得到的距离值的代表性及匹配识别的鲁棒性。可选地，k值小于等于4或者根据每个子区域中的特征类型的数量设置其他值。

第二确定模块403，用于根据所述两幅待识别图像M个子区域中的每个对应子区域之间的子区域多特征组合向量的Hausdorff距离，以确定多区域多特征组合向量的Hausdorff距离。

其中，所述根据上述两幅待识别图像M个子区域中的每个对应子区域之间的子区域多特征组合向量的Hausdorff距离，以得到多区域多特征组合向量的Hausdorff距离，包括：

通过第二函数D_H(P_m,Q_m)将上述子区域多特征组合向量的Hausdorff距离连接起来，以确定上述多区域多特征组合向量的Hausdorff距离；

其中，上述第二函数D_H(P_m,Q_m)表示为：

D_H(P_m,Q_m)＝f(d_H(P₁,Q₁),...,d_H(P_M,Q_M))

其中，m大于或者等于1并且小于或者等于M。

其中，上述第二函数D_H(P_m,Q_m)是对M个子区域中的每个子区域多特征组合向量的Hausdorff距离的线性加权求和函数。

其中，上述通过第二函数将上述子区域多特征组合向量的Hausdorff距离连接起来，以确定上述多区域多特征组合向量的Hausdorff距离可具体表示为：

D_H(P_m,Q_m)＝f(d_H(P₁,Q₁),...,d_H(P_M,Q_M))＝a₁d_H(P₁,Q₁)+a₂d_H(P₂,Q₂)+,...,+a_Md_H(P_M,Q_M)

其中，m大于或者等于1并且小于或者等于M。

其中，a₁，a₂，...a_M为加权系数，根据上述M个子区域中的每个子区域特征在上述图像识别过程中的权重来设置加权系数的大小。若上述M个子区域中的某一个子区域特征在上述图像识别过程中权重大，则加大相应的加权系数；反之则减小相应的加权系数。

可选地，上述第二函数D_H(P_m,Q_m)也可以是根据上述M个子区域中的每个子区域特征在上述图像识别过程中的权重来设置相应的加权系数的求和函数。

可以看出，在本发明实施例的方案中，首先、通过将所述两幅待识别图像划分为M个子区域并对所述M个子区域分别提取N个特征向量，以获取两幅待识别图像的多区域多特征组合向量；其次，确定M个子区域中的每个对应区域之间的子区域多特征组合向量的Hausdorff距离；最后根据所述两幅待识别图像M个子区域中的每个对应区域之间的子区域多特征组合向量的Hausdorff距离，以确定多区域多特征组合向量的Hausdorff距离；若所述多区域多特征组合向量的Hausdorff距离值越大，则表明所述两幅待识别图像越不同。可见，相较于现有技术，本方案通过对两幅待识别图像分别按照相同的方法划分区域，接着获取对应子区域多特征组合向量的Hausdorff距离，最终获取所述图像的多区域多特征的组合向量的Hausdorff距离，根据距离值大小来判断这两幅图像的相似度，这种方法能够使图像中对应特征相互独立使用，无需使用核函数进行融合的多区域、多特征识别方法，同时可以降低运算量，提高在识别图像相似程度的过程中的识别效率。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。