特征提取方法及装置的制造方法
【技术领域】
[0001 ]本公开涉及图像处理技术领域，特别涉及一种特征提取方法及装置。
【背景技术】
[0002] 图像检测与识别是计算机视觉中一个重要的研究领域。图像检测与识别技术中最 常用的方法是通过提取图像中的某种特征从而对图像进行检测与识别。
[0003] 在相关技术中，通过提取图像的H0G(Histogram of Oriented Gradient，方向梯 度直方图）特征对图像进行检测与识别。HOG特征提取的方法如下:计算图像中每个像素的 梯度;将图像划分成若干个单元格，每个单元格包括若干个像素，每相邻的η个单元格形成 一个块;统计每个单元格中所有像素的梯度直方图，再根据每个块中的所有单元格的梯度 直方图得到每个块的H0G特征;统计图像中所有块的H0G特征得到图像的H0G特征。
【发明内容】
[0004] 为了解决相关技术中存在的问题，本公开提供一种特征提取方法及装置。所述技 术方案如下：
[0005] 根据本公开实施例的第一方面，提供一种特征提取方法，该方法包括：
[0006] 将图像划分为若干个块，每个块包括若干个单元格；
[0007] 对每个单元格利用预定的字典D进行稀疏信号分解，得到每个单元格各自对应的 稀疏向量;预定的字典D是对样本图像应用迭代算法计算得到的字典；
[0008] 根据稀疏向量提取图像的方向梯度直方图H0G特征。
[0009] 在一个可选的实施例中，该方法还包括：
[0010] 获取样本图像，样本图像包括若干个类别的图像集；
[0011] 利用下述公式，迭代得到最优的字典作为预定的字典D;
[0012]
[0013] 其中，1?=^^2，一^]表示(：个样本图像的稀疏系数矩阵，￥表示所有类别的样 本图像，U · 11〇表示计算一个向量中非零元的个数，To表示预先给定的稀疏上限，u · | |F 表示计算向量每个元素的平方和后开平方。
[0014] 在一个可选的实施例中，对每个单元格利用预定的字典D进行稀疏信号分解，得到 每个单元格各自对应的稀疏向量，包括：
[0015] 将每个单元格中的像素调整为η* 1维的向量；
[0016] 利用下述公式，对每个单元格中的向量在预定的字典D下进行稀疏信号分解，得到 对应的稀疏向量；
[0017] min(x) | | X | | isub jectto y = Dx
[0018] 其中，y为每个单元格中的向量，x为y在预定的字典D下稀疏得到的稀疏向量，I |x| 1表示对稀疏向量x的每列的绝对值求和，每个稀疏向量是m* 1维的向量，预定的字典D是η* m的矩阵。
[0019] 在一个可选的实施例中，根据稀疏向量提取图像的方向梯度直方图HOG特征，包 括：
[0020] 根据稀疏向量计算每个单元格的梯度大小和梯度方向，得到每个单元格的描述 子；
[0021] 统计每个块内的各个描述子，得到每个块的H0G特征；
[0022] 统计图像中各个块的H0G特征，得到图像的H0G特征。
[0023]在一个可选的实施例中，统计图像中各个块的H0G特征，得到图像的H0G特征，包 括：
[0024]将图像中各个块的H0G特征串联成一个矩阵，得到图像的H0G特征，矩阵的每一列 为一个块的H0G特征。
[0025]在一个可选的实施例中，统计图像中各个块的H0G特征，得到图像的H0G特征，包 括：
[0026] 将图像中每个块的H0G特征由初始的L*1维向量调整为M*N的矩阵，每个块包括M*N 个像素，L=M*N;
[0027] 根据每个块的调整后的HOG特征和每个块在图像中的对应位置，得到图像的HOG特 征。
[0028] 在一个可选的实施例中，该方法，还包括：
[0029]将图像进行归一化处理，得到预定尺寸大小的图像。
[0030]根据本公开实施例的第二方面，提供一种特征提取装置，该装置包括：
[0031 ]划分模块，被配置为将图像划分为若干个块，每个块包括若干个单元格；
[0032]分解模块，被配置为对每个单元格利用预定的字典D进行稀疏信号分解，得到每个 单元格各自对应的稀疏向量;预定的字典D是对样本图像应用迭代算法计算得到的字典；
[0033] 提取模块，被配置为根据稀疏向量提取图像的方向梯度直方图H0G特征。
[0034] 在一个可选的实施例中，该装置还包括：
[0035] 获取模块，被配置为获取样本图像，样本图像包括若干个类别的图像集；
[0036] 迭代模块，被配置为利用下述公式，迭代得到最优的字典作为预定的字典D;
[0037]
[0038] 其中，R=[ri，r2，…，rc]表示C个样本图像的稀疏系数矩阵，Y表示所有类别的样本 图像，U · | |〇表示计算一个向量中非零元的个数，To表示预先给定的稀疏上限，U · |卜表 示计算向量每个元素的平方和后开平方。
[0039] 在一个可选的实施例中，分解模块，包括：
[0040] 第一调整子模块，被配置为将每个单元格中的像素调整为η* 1维的向量；
[0041] 信号分解子模块，被配置利用下述公式，对每个单元格中的向量在预定的字典D下 进行稀疏信号分解，得到对应的稀疏向量；
[0042] min(x) | | X | | isub jectto y = Dx
[0043] 其中，y为每个单元格中的向量，x为y在预定的字典D下稀疏得到的稀疏向量，I |x| 1表示对稀疏向量x的每列的绝对值求和，每个稀疏向量是m* 1维的向量，预定的字典D是η* m的矩阵。
[0044] 在一个可选的实施例中，提取模块，包括：
[0045] 计算子模块，被配置为根据稀疏向量计算每个单元格的梯度大小和梯度方向，得 到每个单元格的描述子；
[0046] 第一统计子模块，被配置为统计每个块内的各个描述子，得到每个块的H0G特征；
[0047] 第二统计子模块，被配置为统计图像中各个块的H0G特征，得到图像的H0G特征。
[0048] 在一个可选的实施例中，第二统计子模块，被配置为将图像中各个块的H0G特征串 联成一个矩阵，得到图像的H0G特征，矩阵的每一列为一个块的H0G特征。
[0049] 在一个可选的实施例中，第二统计子模块，包括：
[0050] 第二调整子模块，被配置为将图像中每个块的H0G特征由初始的L* 1维向量调整为 M*N的矩阵，每个块包括M*N个像素，L=M*N;
[0051] 特征提取子模块，被配置为根据每个块的调整后的HOG特征和每个块在图像中的 对应位置，得到图像的H0G特征。
[0052] 在一个可选的实施例中，该装置，还包括：
[0053]处理模块，被配置为将图像进行归一化处理，得到预定尺寸大小的图像。
[0054]根据本公开实施例的第三方面，提供一种特征提取装置，该装置包括：
[0055] 处理器；
[0056] 用于存储处理器可执行指令的存储器；
[0057]其中，处理器被配置为：
[0058] 将图像划分为若干个块，每个块包括若干个单元格；
[0059] 对每个单元格利用预定的字典D进行稀疏信号分解，得到每个单元格各自对应的 稀疏向量;预定的字典D是对样本图像应用迭代算法计算得到的字典；
[0060] 根据稀疏向量提取图像的方向梯度直方图H0G特征。
[0061] 本公开的实施例提供的技术方案可以包括以下有益效果：
[0062]通过将图像划分为若干个块，每个块包括若干个单元格;对每个单元格利用预定 的字典D进行稀疏信号分解，得到每个单元格各自对应的稀疏向量;预定的字典D是对样本 图像应用迭代算法计算得到的字典;根据稀疏向量提取图像的方向梯度直方图H0G特征;解 决了在H0G特征提取过程中是针对图像的空间域直接计算得到，导致在模式识别中的检测 率和准确度较低的问题;达到了在频率域提取图像的H0G特征，提高了在模式识别中的检测 率和准确度的效果。
[0063]应当理解的是，以上的一般描述和后文的细节描述仅是示例性的，并不能限制本 公开。
【附图说明】
[0064]此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施 例，并于说明书一起用于解释本公开的原理。
[0065] 图1是根据一示例性实施例示出的一种特征提取方法的流程图；
[0066] 图2A是根据另一示例性实施例示出的一种特征提取方法的流程图；
[0067]图2B是根据一示例性实施例示出的一种图像划分的示意图；
[0068]图2C是根据另一不例性实施例不出的一种图像划分的不意图；
[0069] 图2D是根据一示例性实施例示出的一种单元格像素调整的示意图；
[0070] 图2E是根据一示例性实施例示出的一种统计块内H0G特征的示意图；
[0071 ]图3A是根据一示例性实施例示出的一种特征提取方法的流程图；
[0072]图3B是根据一示例性实施例示出的一种统计图像H0G特征的示意图；
[0073]图4是根据一示例性实施例示出的一种特征提取装置的框图；
[0074]图5是根据另一示例性实施例示出的一种特征提取装置的框图；
[0075] 图6是根据一示例性实施例示出的一种特征提取