一种基于球空间的三维目标识别方法与流程

本发明涉及一种基于球空间的三维目标识别方法，属于形状匹配技术领域。

背景技术：

目标识别是计算机视觉中的热门话题，在人机交互中起着关键作用，其研究和发展使人机交互更为灵活，使智能设备与目标对象的结合更加紧密。这些智能设备已经被应用到人类生活以及工业发展的各个方面，因此目标识别算法被广泛研究。

目标识别算法的发展经历了三个主要时期。第一个时期是二维静态目标识别，也是最简单的目标识别，通过获取二维信息来识别一些简单的目标。这种技术只能识别静态的目标，不能察觉目标的持续变化。第二个时期是二维动态目标识别，通过获取动态目标的信息，可以进行更有效的人机交互。随着深度相机的出现，如微软的kinect传感器，目标的三维信息可以被很好地获取，因此三维目标识别已被广泛研究。

已经有许多不同的三维目标识别算法被提出，基于它们所使用的特征的类型，三维目标识别方法可以分为两类：基于全局特征的方法和基于局部特征的方法。尺度不变特征变换算法是形状匹配中的一种经典算法，可以用于目标识别。然而，这种方法过于依赖局部区域像素的梯度，因此缺乏稳定性。隐马尔科夫模型是另一种广泛使用的目标识别方法，这种方法有效但计算十分复杂。能够同时保证效率和准确率的目标识别方法仍有待研究。

因此，针对上述技术问题，有必要提供一种基于球空间的三维目标识别方法。

技术实现要素：

本发明的发明目的是提供一种基于球空间的三维目标识别方法。

为达到上述发明目的，本发明采用的技术方案是：一种基于球空间的三维目标识别方法，其特征在于，所述方法包括如下步骤：

s1、利用深度传感器获取目标深度图像，得到目标三维信息，如图2所示；

s2、对深度图像进行预处理，滤除深度图像中的部分噪声；

s3、求出目标图像各点的三维坐标参数；

s4、构建球空间，根据目标点云坐标构建对数极坐标直方图，形成三维特征描述符，如图3所示，从左至右分别为目标三维信息图、球空间划分示意图以及对数极坐标直方图；

s5、通过计算匹配度，获得目标图像与每个模版图像之间的匹配度值，匹配度值越小则相似度越大。

优选地，步骤s4具体包括：

s41、将目标图像上某一点与其余所有点有向连接形成向量，计算向量的欧式距离和相对于水平线及垂直线的角度；

s42、将相对于水平线及垂直线的角度分别平均分成12份，每30°一个单位，并求出最大距离的对数，并将其等分为5份，以角度为行，距离的对数为列，形成一个12×12×5维的球空间矩阵；

s43、计算每个点与其余所有点之间的角度和距离的对数，并将其落在对应的球空间矩阵格中；

s44、统计落在每一个球空间矩阵格的点数，即可得到此点的对数极坐标直方图，即该点的特征向量。

优选地，所述步骤s5具体包括：

s51、将由步骤s4得到的每个目标点的特征向量进行组合，共计n个轮廓点，即可得到一个n×720维特征矩阵；

s52、计算目标图像中某一点与模版图像中某一点的匹配度值；

s53、计算两张图像间的最小匹配总成本；

s54、使用t变换计算图像间的匹配度，匹配度值越小则目标图像与模版图像越相似。

由于上述技术方案运用，本发明与现有技术相比具有下列优点：

本发明基于球空间的三维目标识别方法在自动匹配和识别系统中，可以对目标形状以及深度信息进行特征的提取和有效表示，具有尺度不变性、旋转不变性和平移不变性，提高了识别的准确率。

附图说明

图1为本发明基于球空间的三维目标识别方法的具体流程图；

图2为利用深度传感器获取包含三维信息的图示意图，从左至右分别为目标原图以及目标三维信息图；

图3为本发明一具体实施方式中的三维信息图中的特征提取示意图，从左至右分别为目标三维信息图、球空间划分示意图以及对数极坐标直方图。

具体实施方式

下面结合附图及实施例对本发明作进一步描述：

实施例一：参见图1所示，一种基于球空间的三维目标识别方法，所述方法包括如下步骤：

s1、利用深度传感器获取目标深度图像，得到目标三维信息，如图2所示；

s2、对深度图像进行预处理，滤除深度图像中的部分噪声；

s3、求出目标图像各点的三维坐标参数；

s4、构建球空间，根据目标点云坐标构建对数极坐标直方图，形成三维特征描述符，如图3所示，从左至右分别为目标三维信息图、球空间划分示意图以及对数极坐标直方图；

步骤s4具体包括：

s41、将目标图像上某一点与其余所有点有向连接形成向量，计算向量的欧式距离和相对于水平线及垂直线的角度；

s42、将相对于水平线及垂直线的角度分别平均分成12份，每30°一个单位，并求出最大距离的对数，并将其等分为5份，以角度为行，距离的对数为列，形成一个12×12×5维的球空间矩阵；

s43、计算每个点与其余所有点之间的角度和距离的对数，并将其落在对应的球空间矩阵格中；

s44、统计落在每一个球空间矩阵格的点数，即可得到此点的对数极坐标直方图，即该点的特征向量。

s5、通过计算匹配度，获得目标图像与每个模版图像之间的匹配度值，匹配度值越小则相似度越大。

上述步骤s5具体包括：

s51、将由步骤s4得到的每个目标点的特征向量进行组合，共计n个轮廓点，即可得到一个n×720维特征矩阵；

s52、计算目标图像中某一点与模版图像中某一点的匹配度值；

s53、计算两张图像间的最小匹配总成本；

s54、使用t变换计算图像间的匹配度，匹配度值越小则目标图像与模版图像越相似

步骤s5中匹配度值d计算方式为：

假设目标图像点数为n，模版图像点数为m。将目标图像上pi点和模版图像上qj点进行匹配，公式cij=c(pi,qj)表示这两个点之间的匹配度：

，

其中hi(k)和hj(k)分别为pi点和qj点对应的直方图值，k=60。

给定所有成对的匹配度c的集合，计算匹配的最小总成本，表示为：

已经找到了一个对应关系，之后使用t变换来衡量不同图像的变化。

图像间的匹配度计算如下：

匹配度值越小，目标图像与模版图像相似度越大。

由以上技术方案可以看出，本发明提供的基于球空间的三维目标识别方法在自动匹配和识别中，不仅仅对图像的形状，还对其深度信息进行特征的提取和有效表示，形成三维特征描述符，具有尺度不变性、旋转不变性和平移不变性，提高了识别的准确率。

对所公开的实施例的上述说明，使本领域技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域技术人员来说将是显而易见的，本实施例中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。