一种智能图像比对的方法及其系统与流程
本申请涉及图像领域，具体地，涉及一种智能图像比对的方法及其系统。
背景技术：
现有技术中，通常是预先在数据库中存储多个图像，将需要认证的图像与数据库中的图像进行比较，从而完成图像的对比。进一步地，现有技术中通常在对比过程中单纯的将需要认证的图像的特征量与数据库中图像的特征量进行比较，若比对的结果一致则认证通过，但是这种粗略的对比方法很容易导致结果出现错误，例如图像中仅仅部分相似但却认证通过的可能性。因此需要一种更精确的智能图像比对方法，精准的将需要认证的图像与数据库中存储的图像进行对比，降低出现对比错误的可能性。
技术实现要素：
本申请的目的在于提供一种智能图像比对的方法及其系统，能够精确的比对需要认证的图像与数据库中存储的各图像之间的相似度，提高了比对的准确率。
为达到上述目的，本申请提供了一种智能图像比对的方法，具体包括以下步骤：获得目标图像；计算目标图像的纹理特征向量；将目标图像的纹理特征向量与比对数据库中的多个图像的纹理特征向量进行比较，获得比较率；比较率高于指定阈值的比对数据库中的图像形成备用图像集合；比较备用图像集合中各个图像与目标图像的空间关系特征向量获得相对率；将相对率和比较率结合，获得图像比对率，
如上的，其中，计算目标图像的纹理特征向量之前，还包括分析目标图像。
如上的，其中，根据目标物体的亮度信息、频率特性信息以及将目标物体的各部位的形状、位置、大小信息进行分析。
如上的，其中，计算目标图像的纹理特征向量具体包括以下步骤：确定试验区；将试验区设置为高分辨率；在试验区中计算纹理特征向量；其中纹理特征向量表示为：
其中l表示图像的灰度级；i，j分别表示像素的灰度；d表示两个像素间的空间位置关系，p2d(i，j)表示像素灰度i从空间位置关系d到像素灰度j的概率的平方。
如上的，其中，纹理特征向量表示为：
其中l表示图像的灰度级；i，j分别表示像素的灰度；d表示两个像素间的空间位置关系，pd(i，j)表示像素灰度i从空间位置关系d到像素灰度j的概率，lg表示常用对数。
如上的，其中，进行目标图像的纹理特征向量与比对数据库中的多个图像的纹理特征向量比较之前，对多个图像进行注册。
如上的，其中，注册过程中包括收集多个图像的注册信息，所述注册信息上包括人物的姓名或物体的代号，识别或调取所述注册信息上的人物的姓名或物体的代号。
如上的，其中，比较率表示为：
一种智能图像比对系统，包括获取单元、向量计算单元、比较单元、合并单元；获取单元，用于获取目标图像；向量计算单元，用于计算目标图像的纹理特征向量；比较单元，用于对目标图像的纹理特征向量与比对数据库中的多个图像的纹理特征向量进行比较，确定比较率，并根据比较率最终形成备用图像集合；合并单元，用于获取相对率，并将相对率与比较率合并形成图像比对率。
如上的，其中，比较单元具体包括以下子模块：注册模块、判断模块、集合模块；注册模块，用于预先收集多个图像的注册信息在数据库中注册；判断模块，用于比较数据库中的多个图像与目标图像的相似程度，判断相似程度是否高于阈值；集合模块，用于若相似程度高于阈值，则高于阈值的数据库中的图像形成备用图像集合。
本申请具有以下有益效果：
(1)本申请提供的智能图像比对的方法及其系统能够精确的比对需要认证的图像与数据库中存储的各图像之间的相似度，提高了比对的准确率。
(2)本申请提供的智能图像比对的方法及其系统能够不仅仅单纯比较目标图像与数据库中图像的相似度从而得出比对结果，而是根据层层计算最终得到比对结果，使比对或认证结果更加准确。
附图说明
为了更清楚地说明本申请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申请中记载的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。
图1是根据本申请实施例提供的智能图像比对的方法流程图；
图2是根据本申请实施例提供的智能图像比对系统的内部结构图；
图3是根据本申请实施例提供的智能图像比对系统的内部子模块结构图；
图4是根据本申请实施例提供的智能图像比对系统的又一内部子模块结构图。
具体实施方式
下面结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域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，都属于本申请保护的范围。
本申请涉及一种智能图像比对方法及系统。根据本申请，能够精确的比对需要认证的图像与数据库中存储的各图像之间的相似度，提高了比对的准确率。
如图1所示为本申请提供的智能图像比对的方法流程图。
步骤s110：获得目标图像。
具体地，该目标图像为输入的需要进行比对或认证的图像，所述目标图像可以为物体或人物，或物体、人物中的一部分。
步骤s120：计算目标图像的纹理特征向量。
具体地，其中计算目标图像的纹理特征向量之前，还包括分析目标图像，例如根据目标物体进行亮度信息、频率特性信息以及将目标物体的各部位的形状、位置、大小等进行数值化的信息进行分析。最终判断目标图像是否完整能够进行纹理特征向量的计算。
进一步地，若亮度信息、频率特性信息以及将目标物体的各部位的形状、位置、大小等进行数值化的信息均达到正常数值或范围，则认为该目标图像能够进一步计算纹理特征向量。其中分析方法具体可参考现有技术。
具体地，纹理特征向量表示目标物体的特征数据。纹理特征向量可以能量特征、信息熵、对比度、相关性等表示形式。上述表现形式均可代表纹理特征向量，其中可计算目标图像的一种或多种纹理特征向量。
计算目标图像的纹理特征向量具体包括以下步骤：
步骤d1：确定试验区。
其中在确定试验区之前，对接收目标图像的接收窗口进行划分。
具体地，将接收窗口划分为若干个小方格，其中选取目标图像及其周边方格为实验区。
步骤d2：将试验区设置为高分辨率。
具体地，在高分辨率图像的数据中进行纹理体征提取能够使后续计算结果更加准确。
步骤d3：在试验区中计算纹理特征向量。
具体地，若计算能量特征作为纹理特征向量，则可表示为：
其中，f1表示纹理特征向量，l表示图像的灰度级；i，j分别表示像素的灰度；d表示两个像素间的空间位置关系，pd(i，j)表示像素灰度i从空间位置关系d到像素灰度j的概率，lg表示常用对数。
若计算信息熵特征作为纹理特征向量，则可表示为：
其中，f2表示纹理特征向量，l表示图像的灰度级；i，j分别表示像素的灰度；d表示两个像素间的空间位置关系，pd(i，j)表示像素灰度i从空间位置关系d到像素灰度j的概率，lg表示常用对数。
若计算对比度特征作为纹理特征向量，则可表示为：
其中f3表示纹理特征向量，n表示划分的方格的数量，l表示图像的灰度级；i，j分别表示像素的灰度；d表示两个像素间的空间位置关系，pd(i，j)表示像素灰度i从空间位置关系d到像素灰度j的概率。
若计算相关性作为纹理特征向量，则可表示为：
其中公式四中，f4表示纹理特征向量，
具体地，公式一、二、三、四中的一个或多个均可以作为纹理特征向量，可以分别表示，目标图像的均匀性、复杂性、清晰度和线性关系。
步骤s130：将目标图像的纹理特征向量与比对数据库中的多个图像的纹理特征向量进行比较，获得比较率；
其中进行目标图像的纹理特征向量与比对数据库中的多个图像的纹理特征向量比较之前，还包括，收集多个图像的注册信息，在数据库中进行注册并存储。其中将目标图像与数据库中的图像进行对比从而进行认证。
具体地，该注册信息上，可以附上人物的姓名或物体的代号从而可以被识别或调取。此外，注册信息上还包括注册至少一个注册图像。同样可根据人物的姓名或物体的代号进行注册图像的调取。
进一步地，注册图像是包括用于认证的图像以及其相关联信息的图像，具体包括了识别信息、拍摄图像以及纹理特征向量的结构。
具体地，若将目标图像的纹理特征向量与比对数据库中的多个图像的纹理特征向量进行比较之前，还需要确定步骤s120中目标图像的纹理特征向量的选取类别。数据库中图像的纹理特征向量的类别应与目标图像的纹理特征向量的选取类别保持一致。
为了方便区分，将目标图像的纹理特征向量定义为“目标纹理特征向量”，将数据库中多个图像的纹理特征向量定义为“原纹理特征向量”。
示例性地，若步骤s120中选取了能量特征f1和信息熵f2作为目标纹理特征向量，则依然需要确定数据库中多个图像的对应的能量特征f1′和信息熵f2′作为原纹理特征向量。优选地，原特征向量的选取可参考步骤d1-d3中公式一、二、三、四的方法。
具体地，比较率用于说明数据库中的多个图像与目标图像的相似程度。可表示为
步骤s140：比较率高于指定阈值的比对数据库中的图像形成备用图像集合。
优选地，本实施例中提到的指定阈值为根据实际情况设置的固定范围，均由人为设置并且可被修改。
示例性地，若数据库中的图像a和图像b的比较率高于指定阈值，与目标图像更为相似，则图像a与图像b形成备用图像集合，用于进一步与目标图像进行比对。
步骤s150：比较备用图像集合中各个图像与目标图像的空间关系特征向量获得相对率。
具体地，相对率为备用图像集合中的图像相对其他图像，在多大程度上与目标图像近似的分数。可通过比较空间关系特征来进一步得出相对率。
其中获得相对率具体包括以下步骤：
步骤p1：在备用图像集合中，确定备用图像与目标图像的共有区域。
示例性地，以图像a举例，优选地，依然将图像a和目标图像分成若干小方格，并进行共有区域的划分和确定。
示例性地，将图像a和目标图像划分为16*16的方格，在图像a和目标图像中选取2*2的目标区域进行逐一比较。确定二者2*2的目标区域中是否存在近似的区域。
若存在，则该近似区域在备用图像和目标图像中均定义为共有区域，执行步骤p2。否则将2*2替换为其他数值的小方格继续进行比较。
优选地，共有区域的确定可参考现有技术中图像之间进行比较的方法。
具体地，其中备用图像与目标图像中的共有区域为一一对应的关系。例如备用图像左上方的2*2的区域与目标图像左上方的2*2的区域一致，则两个区域为共有区域，存在对应关系。
步骤p2：计算目标图像共有区域的空间关系。
示例性地，若图像a与目标图像中存在5处共有区域，则选取3处共有区域中的任意两处共有区域进行空间关系的计算。
其中空间关系可用距离大小进行确定，具体共有距离dcd可表示为：
步骤p3：计算备用图像中共有区域的空间关系。
具体地，计算空间关系的备用图像中的共有区域需与目标图像中的区域为对应关系，可表示为c′、d′。备用图像中的空间关系可参考步骤p2中的距离公式进行计算，具体可表示为
若备用图像中共有区域的距离与目标图像共有区域的距离相同或不超过指定阈值，则认为二者相匹配，空间关系相同。
步骤p4：计算相对率。
示例性地，若图像a中存在5处共有区域与目标区域近似，从中选取了与目标图像对应的2对共有区域与目标区域对应的共有区域进行比较，查看共有区域间是否向匹配(值得注意的是，由于共有区域为近似，因此需要进一步比较共有区域之间的相似度，也就是是否相匹配)。
例如选取了c′、d′，c″、d″2对共有区域。若图像a中只有c′、d′的共有距离与目标图像中的共有距离相同，则匹配的共有区域数目为2个。其他备用图像确定匹配共有区域的方法与图像a中匹配的共有区域的确定方法相同。
具体地，相对率s可表示为，s＝n/n′，其中n表示匹配的共有区域数目，n′表示目标图像与备用图像中近似的共有区域数目。
步骤s160：将相对率和比较率结合，获得图像比对率。
具体地，可通过下述公式进行相对率和比较率的合并，图像比对率具体表示为：
x＝δ*a+(1-δ)*b，其中δ表示权重，若相关率和比较率的范围差距较大，则可以通过权重来调整二者间的差距以达到结果更加精确的效果。
其中图像比对率为最终比对的结果。优选地，若图像比对率越高，则说明目标图像与备用图像集合中的某一图像越相似。
本申请还包括提供智能图像比对系统，如图2所示，智能图像比对系统其中包括了获取单元201、向量计算单元202、比较单元203、合并单元204。
其中获取单元201用于获取目标图像。
向量计算单元202与获取单元201连接，用于计算目标图像的纹理特征向量。
比较单元203与向量计算单元202连接，用于对目标图像的纹理特征向量与比对数据库中的多个图像的纹理特征向量进行比较，确定比较率，并根据比较率最终形成备用图像集合。
合并单元204分别与比较单元203连接，用于获取相对率，并将相对率与比较率合并形成图像比对率。
进一步地，如图3所示，比较单元203中包括注册模块301、判断模块302、集合模块303。
其中注册模块301用于预先收集多个图像的注册信息在数据库中注册。
判断模块302与注册模块301连接，用于比较数据库中的多个图像与目标图像的相似程度，判断相似程度是否高于阈值。
集合模块303与判断模块302连接，用于若相似程度高于阈值，则高于阈值的数据库中的图像形成备用图像集合。
再进一步地，如图4所示，合并单元204具体包括以下子模块：共有区域确定模块401、空间关系计算模块402、相对率计算模块403、图像比对率计算模块404。
共有区域确定模块401用于确定备用图像与目标图像的共有区域。
空间关系计算模块402与共有区域确定模块401连接，用于计算目标图像共有区域和备用图像共有区域的空间关系。
相对率计算模块403与空间关系计算模块402连接，用于计算相对率。
图像比对率计算模块404与相对率计算模块403连接，用于根据比较率和相对率计算图像比对率。
本申请具有以下有益效果：
(1)本申请提供的智能图像比对的方法及其系统能够精确的比对需要认证的图像与数据库中存储的各图像之间的相似度，提高了比对的准确率。
(2)本申请提供的智能图像比对的方法及其系统能够不仅仅单纯比较目标图像与数据库中图像的相似度从而得出比对结果，而是根据层层计算最终得到比对结果，使比对或认证结果更加准确。
虽然当前申请参考的示例被描述，其只是为了解释的目的而不是对本申请的限制，对实施方式的改变，增加和/或删除可以被做出而不脱离本申请的范围。
以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以所述权利要求的保护范围为准。
- 还没有人留言评论。精彩留言会获得点赞！