基于輪廓分段特征描述的遮擋目標(biāo)識(shí)別算法

摘 要： "針對(duì)傳統(tǒng)目標(biāo)識(shí)別算法對(duì)于遮擋目標(biāo)識(shí)別準(zhǔn)確率低的問題，提出了一種基于輪廓分段特征描述的遮擋目標(biāo)識(shí)別算法。該算法首先采用離散曲線演化算法初步劃分目標(biāo)輪廓，根據(jù)分段起伏度進(jìn)行分段優(yōu)化，得到完整描述目標(biāo)輪廓特征的有效分段；然后通過動(dòng)態(tài)規(guī)劃算法分析輪廓分段之間高度函數(shù)特征的相似度，利用特征顯著度評(píng)價(jià)分段特征相對(duì)于目標(biāo)整體特征的重要性；最后將分段之間的相似度和其特征顯著度相結(jié)合，得到衡量識(shí)別準(zhǔn)確率的聯(lián)合相似度，獲得最終的識(shí)別結(jié)果。通過對(duì)MPEG-7測(cè)試集進(jìn)行實(shí)驗(yàn)分析，證明所提算法能夠有效地對(duì)遮擋目標(biāo)進(jìn)行匹配識(shí)別，識(shí)別率優(yōu)于常見的遮擋目標(biāo)識(shí)別算法。

關(guān)鍵詞： "遮擋目標(biāo)； 輪廓分段； 分段優(yōu)化； 特征顯著度； 聯(lián)合相似度

中圖分類號(hào)： "TP317.4 """文獻(xiàn)標(biāo)志碼： A

文章編號(hào)： "1001-3695（2022）02-055-0633-04

doi：10.19734/j.issn.1001-3695.2021.06.0237

Occluded object recognition algorithm based on "contour segmented feature description

Zhao Yawei， Zheng Wei， Yu Yang， Song Jianhui

（School of Automation amp; Electrical Engineering， Shenyang University of Science amp; Technology， Shenyang 110159， China）

Abstract： ""Aiming at the problem of low recognition accuracy of traditional target recognition algorithms for occluded targets，this paper proposed an occluded target recognition algorithm based on contour segmented feature description.The algorithm firstly used the discrete curve evolution algorithm to preliminarily divide the target contour，and optimized the segment accor-ding to the undulation degree of the segment，and obtained effective segments that completely described the characteristics of the target contour.Then，the algorithm analyzed the similarity of the height function features between the contour segments through the dynamic programming algorithm，and used feature saliency to evaluate the importance of segment features relative to the overall feature of the target.Further，the algorithm combined the similarity between the segments with their feature saliency to obtain the joint similarity that measured the recognition accuracy.Experiments on the MPEG-7 test set prove that the algorithm can effectively match and recognize occluded targets，and the recognition rate is better than common occluded target recognition algorithms.

Key words： "occlusion target； contour segments； segment optimization； feature saliency； joint similarity

局部遮擋下的目標(biāo)識(shí)別一直是圖像識(shí)別領(lǐng)域的熱點(diǎn)與難點(diǎn)問題［1，2］。由于輪廓具有非常重要和穩(wěn)定的視覺特征，能夠反映重要的特征信息，所以被廣泛應(yīng)用于遮擋目標(biāo)識(shí)別領(lǐng)域［3，4］。為獲得準(zhǔn)確的匹配識(shí)別效果，國(guó)內(nèi)外學(xué)者提出了許多基于輪廓分段特征的遮擋目標(biāo)識(shí)別算法。文獻(xiàn)［5～7］通過任意連接輪廓曲率極值點(diǎn)將輪廓?jiǎng)澐譃槿舾奢喞侄危ㄟ^計(jì)算輪廓間的相似度識(shí)別遮擋目標(biāo)，該方法受噪聲影響較大，而且分段較多，增加了識(shí)別算法的復(fù)雜性；文獻(xiàn)［8］將輪廓曲率關(guān)鍵點(diǎn)作為特征點(diǎn)對(duì)輪廓進(jìn)行分段，通過比較分段的價(jià)值性進(jìn)行合并處理，在此基礎(chǔ)上得到相似度匹配結(jié)果，該方法同樣受噪聲影響嚴(yán)重，易把噪聲當(dāng)成關(guān)鍵點(diǎn)，造成誤分段，而且對(duì)于存在局部變形的目標(biāo)輪廓識(shí)別困難；文獻(xiàn)［9］根據(jù)輪廓的骨架關(guān)鍵點(diǎn)對(duì)輪廓?jiǎng)澐郑ㄟ^比較分段的局部特征性進(jìn)行分段合并處理，提出加權(quán)相似度衡量特征分段之間的匹配程度，該方法能克服遮擋帶來的識(shí)別困難，但通過形狀上下文這一特征對(duì)復(fù)雜輪廓識(shí)別仍存在一定的不足；文獻(xiàn)［10］通過多邊形近似的方法對(duì)目標(biāo)輪廓分段，采用動(dòng)態(tài)規(guī)劃算法計(jì)算各分段不變矩特征的相似度，從而識(shí)別遮擋目標(biāo)，該方法簡(jiǎn)單，對(duì)于噪聲干擾具有良好的魯棒性，但未考慮輪廓分段的局部特征，識(shí)別效果較差；文獻(xiàn)［11］通過比較遮擋目標(biāo)輪廓片段與其他輪廓的空間位置關(guān)系，在高比例遮擋下取得了較好的識(shí)別效果，但該方法只適用于目標(biāo)存在離散輪廓片段的情況，不具有普適性。

本文針對(duì)遮擋目標(biāo)識(shí)別算法中輪廓?jiǎng)澐植缓侠砗吞卣髅枋霾煌暾膯栴}，提出了基于輪廓分段特征描述的目標(biāo)識(shí)別算法，通過離散曲線演化算法（discrete curve evolution，DCE）剔除邊界噪聲點(diǎn)，提取特征點(diǎn)對(duì)輪廓進(jìn)行初步劃分，根據(jù)起伏度這一價(jià)值尺度對(duì)分段進(jìn)行合并優(yōu)化，獲得合理有效的輪廓分段。在輪廓匹配階段，選用高度函數(shù)作為輪廓分段的特征描述子，該描述子計(jì)算簡(jiǎn)單，描述了豐富的輪廓信息，在此基礎(chǔ)上利用動(dòng)態(tài)規(guī)劃（dynamic programming，DP）算法得到輪廓分段高度函數(shù)特征之間的相似度。同時(shí)為了評(píng)價(jià)輪廓分段特征相對(duì)于目標(biāo)整體特征的突出程度，引入輪廓分段特征顯著度分析。最后聯(lián)合分段之間的相似度和其特征顯著度共同實(shí)現(xiàn)對(duì)目標(biāo)的識(shí)別，從而獲得準(zhǔn)確、穩(wěn)定的識(shí)別結(jié)果。

1 基于DCE和起伏度的輪廓分段優(yōu)化算法

為獲得準(zhǔn)確描述輪廓特征的輪廓分段，本文提出一種新的輪廓分段優(yōu)化算法。首先通過DCE算法對(duì)目標(biāo)邊緣輪廓進(jìn)行簡(jiǎn)化，篩選出對(duì)輪廓特征貢獻(xiàn)程度大的邊界點(diǎn)，通過這些邊界點(diǎn)對(duì)輪廓進(jìn)行初步劃分，最后根據(jù)各個(gè)分段的起伏度將初始分段合并成特征性更明顯的分段。

1.1 基于DCE的輪廓分段算法

DCE算法是一個(gè)遞歸刪除對(duì)物體形狀信息貢獻(xiàn)最小的多邊形頂點(diǎn)（最有可能是物體邊界的噪聲點(diǎn)）的過程［12］，基本思想如下：給定目標(biāo)輪廓 C={S t}（t=1，2，…，M） ， S t 為構(gòu)成輪廓的第 t 條線段， p i（i=1，2，…，N） 為線段上的輪廓點(diǎn)，在每個(gè)階段的演化中，找出貢獻(xiàn)度最小的點(diǎn) p i ，刪除該點(diǎn)兩端的線段，連接兩條線段不相鄰的端點(diǎn) p i-1 和 p i+1 作為新的線段。邊界點(diǎn)識(shí)別貢獻(xiàn)度定義為

K（S t，S t+1）= δ（S t，S t+1）l（S t）l（S t+1） l（S t）+l（S t+1） """（1）

其中： δ（S t，S t+1） 是 S t 和 S t+1 兩線段的夾角； l（S t） 是線段 S t 相對(duì)于輪廓周長(zhǎng)歸一化后的長(zhǎng)度； K（S t，S t+1） 越小， S t 和 S t+1 兩條線段在目標(biāo)識(shí)別中的貢獻(xiàn)越小，因此在每次演化中，刪除貢獻(xiàn)度最小的兩條相鄰線段的公共端點(diǎn)，將兩條線段合并。為避免輪廓出現(xiàn)過演化現(xiàn)象，使用面積差值作為終止函數(shù)控制演化程度，當(dāng)演化結(jié)果與原輪廓的面積差值小于設(shè)定的閾值 τ 時(shí)，終止演化算法。

將DCE算法保留下來的輪廓點(diǎn)記為特征點(diǎn)，通過特征點(diǎn)對(duì)輪廓進(jìn)行劃分，得到輪廓的初步分段結(jié)果。圖1給出了輪廓分段過程，（a）是目標(biāo)圖像；（b）是目標(biāo)輪廓；（c）是根據(jù)離散曲線演化算法得到的輪廓特征點(diǎn)；（d）是通過特征點(diǎn)劃分輪廓得到的初步分段。

1.2 基于起伏度的輪廓分段優(yōu)化算法

通過DCE算法獲取的輪廓分段數(shù)量較多，其中一些片段對(duì)于目標(biāo)識(shí)別的貢獻(xiàn)不大，為獲得完整描述特征的輪廓分段，提出基于起伏度的分段優(yōu)化算法。將輪廓分段的起伏程度作為價(jià)值尺度來衡量分段對(duì)于目標(biāo)識(shí)別的重要性，通過合并算法將價(jià)值小的片段與相鄰價(jià)值高的分段進(jìn)行合并，獲得完整高效且體現(xiàn)輪廓特征的輪廓分段。輪廓分段的起伏度定義為輪廓片段上所有點(diǎn)到起點(diǎn)與終點(diǎn)連線距離的標(biāo)準(zhǔn)差。下面給出起伏度的推導(dǎo)公式：給定輪廓分段 S t={p i}（i=1，2，…，N） ，設(shè)起始輪廓點(diǎn)為 p 1（x 1，y 1） ，終點(diǎn)為 p N（x N，y N） ，將每個(gè)輪廓點(diǎn)到直線 p 1p N 的距離記為 d i（i=1，2，…，N） ，并給出了 d i 的符號(hào)。當(dāng)輪廓點(diǎn)位于直線 p 1p N 的上方時(shí)， d i 為正；當(dāng)輪廓點(diǎn)位于直線 p 1p N 的下方時(shí)， "d i 為負(fù)。由此得到起伏度的定義為

Vol （S t） =std（ d 1，d 2，…，d N） ""（2）

其中：Vol （S t） 表示輪廓分段 S t 的起伏度；std（ d 1，d 2，…，d N） 表示所有采樣點(diǎn)到直線 p 1p N 距離的標(biāo)準(zhǔn)差。起伏度描述了分段的復(fù)雜程度，分段的起伏度越大，其描述輪廓特征的能力就越強(qiáng)。基于起伏度的輪廓合并算法如下：

a）設(shè)置最小分段數(shù) F ，給定所有分段 C={S t}（t=1，2，…） ，計(jì)算各個(gè)分段的起伏度Vol （S t） 。

b）當(dāng)輪廓分段數(shù)大于 F 時(shí)，開始合并輪廓分段；否則將當(dāng)前分段作為最終特征分段。

c）選取輪廓分段中起伏度最小的片段 S t 進(jìn)行合并， S t-1 和 S t+1 表示與 S t 左右相鄰的兩個(gè)片段。若Vol （S t-1） ≥Vol （S t+1），則S t與左邊相鄰片段S t-1合并；否則與右邊相鄰片段S t+1 合并。

d）將合并后的輪廓片段添加到分段集合 C 中，并從輪廓集合中將原片段 S t 剔除，重新計(jì)算合并后分段的起伏度。若當(dāng)前輪廓分段數(shù)大于 F ，轉(zhuǎn)向步驟c），否則結(jié)束輪廓分段過程。

圖2為基于起伏度的輪廓分段合并算法流程。

通過分段合并算法得到最能體現(xiàn)局部特征的幾段輪廓分段。圖3給出了輪廓分段優(yōu)化效果圖。其中（a）給出了輪廓初步分段結(jié)果，通過DCE算法得到27段分段；（b）～（d）給出了分段優(yōu)化過程，在每一次合并操作中，選取價(jià)值最低的輪廓分段與相鄰價(jià)值最高的輪廓分段進(jìn)行合并，獲得三段有效分段。通過優(yōu)化算法不僅使得特征分段數(shù)量減少，而且獲得的分段起伏度較大，能夠較好地描述輪廓的局部特征，有助于取得準(zhǔn)確穩(wěn)定的識(shí)別結(jié)果。

2 形狀相似度匹配

在獲得遮擋目標(biāo)輪廓的有效分段后，將其與數(shù)據(jù)庫(kù)中的輪廓分段進(jìn)行相似度匹配。文獻(xiàn)［8，9］采用分段之間的形狀上下文距離來衡量其相似度，取得了較好的識(shí)別效果，但形狀上下文描述子不具有旋轉(zhuǎn)不變性，對(duì)于復(fù)雜輪廓以及存在非剛性形變的輪廓魯棒性較差，而且破壞了輪廓順序這一原本存在的特征，使得算法無法滿足高精度識(shí)別的要求。為精確描述輪廓分段特征信息，本章將高度函數(shù)作為輪廓分段的描述子，該描述子準(zhǔn)確地描述了輪廓信息，引入輪廓順序這一特征，對(duì)于目標(biāo)形狀的局部變形具有良好的魯棒性。在特征匹配階段，采用動(dòng)態(tài)規(guī)劃算法求取特征序列之間的相似性，結(jié)合分段顯著性度量對(duì)目標(biāo)進(jìn)行匹配，可以有效提高遮擋目標(biāo)識(shí)別準(zhǔn)確率。

2.1 基于高度函數(shù)和動(dòng)態(tài)規(guī)劃的相似性度量

高度函數(shù)是基于輪廓信息的形狀描述子，對(duì)于平移、旋轉(zhuǎn)、相似性變換具有不變性［13］。其基本原理如下：給定輪廓分段 P={p i}（i=1，2，…，N） ，其中 p i 為輪廓上第 i 個(gè)采樣點(diǎn)， N 為采樣點(diǎn)的個(gè)數(shù)，對(duì)于任意采樣點(diǎn) p i ，定義高度函數(shù) H i 為其他采樣點(diǎn)到該點(diǎn)切線距離的有序序列。

H i=（h1 i，h2 i，…，hN i） T= （h i，i，h i，i+1，…，h i，N，h i，1，…，h i，i-1） ""（3）

其中： h i，j 表示輪廓分段第 j 個(gè)采樣點(diǎn)到采樣點(diǎn) p i 切線的垂直距離，即相對(duì)于點(diǎn) p i 的高度函數(shù)值。該描述符具有旋轉(zhuǎn)、平移不變性，為使該描述子具有縮放不變性，對(duì)矩陣的每一行進(jìn)行歸一化處理：

gj i= h i，j "max "t=1，2，…，N{‖hj t‖} """（4）

在得到遮擋目標(biāo)輪廓分段和數(shù)據(jù)庫(kù)中所有輪廓分段的高度函數(shù)特征序列后，將輪廓分段之間高度函數(shù)特征的距離作為分段匹配的相似性度量。假設(shè)采樣點(diǎn) p i 和 q j 分別屬于分段 P 和 Q ， gt p 和 gt q 分別為 p i 和 q j 兩點(diǎn)上第 t 個(gè)高度函數(shù)值，則兩點(diǎn)之間的特征距離為

cv （p i，q j）=∑ N t=1 μ t|gt p-gt q| ""（5）

其中： """μ t= 1 "min {t，M-t} "t=1，2，…，N ""（6）

在獲得兩個(gè)輪廓分段任意采樣點(diǎn)之間的特征距離后，利用動(dòng)態(tài)規(guī)劃算法尋找輪廓分段 P 和 Q 的最優(yōu)匹配關(guān)系 β* ，使得每對(duì)輪廓點(diǎn)匹配距離的總和最小，最終得到輪廓分段 P 和 Q 之間的距離差異為

S（P，Q）=∑ N i=1 "cv （p i，β（p i）） ""（7）

2.2 輪廓分段顯著性度量

在進(jìn)行輪廓分段匹配時(shí)，為獲得更精準(zhǔn)的匹配結(jié)果，利用分段顯著度的分析對(duì)輪廓片段的重要性作出合理評(píng)價(jià)，本節(jié)選用輪廓分段的起伏度占比、長(zhǎng)度占比分別評(píng)價(jià)輪廓分段特征的突出程度，最后將兩個(gè)參數(shù)聯(lián)合起來定義輪廓分段的顯著度。對(duì)于輪廓分段 S t ，起伏度占比 λu（S t） 和長(zhǎng)度占比 λl（S t） 可表示為

λu（S t）= Vol （S t）/ max（Vol （S j）） ""（8）

λl（S t）=l（S t）/ max （l（S j）） j=1，2，… ""（9）

其中：Vol （S t） 表示分段 S t 的起伏度； l（S t） 表示分段 S t 的長(zhǎng)度； λu（S t） 反映了輪廓分段 S t 的復(fù)雜程度， λu（S t） 越大，表明分段的復(fù)雜度越大，包含的特征信息越明顯； λl（S t） 反映了輪廓分段 S t 占整體輪廓的長(zhǎng)度比例， λl（S t） 越大，則該分段描述的特征越豐富，其識(shí)別結(jié)果越具有可信度。在此基礎(chǔ)上得到分段的顯著度為

λ（S t）=θλu（S t）+（1-θ）λl（S t） ""（10）

其中： λ（S t） 表示分段 S t 的顯著度； θ 為調(diào)整 λu（S t） 和 λl（S t） 對(duì)分段顯著度 λ（S t） 貢獻(xiàn)程度的參數(shù)。

2.3 聯(lián)合相似度匹配

通過分段優(yōu)化算法獲得遮擋目標(biāo)輪廓分段后，將其與模板輪廓分段庫(kù)進(jìn)行逐對(duì)匹配，假設(shè)輪廓分段 SP i（i=1，2，…，N）和SQ j（j=1，2，…，M） 分別屬于目標(biāo)輪廓 P 和模板輪廓 Q ，通過動(dòng)態(tài)規(guī)劃算法計(jì)算兩個(gè)輪廓所有分段之間的高度函數(shù)特征相似度 S（SP i，SQ j） ，最后結(jié)合分段特征顯著度分析，得到最終衡量輪廓分段匹配準(zhǔn)確率的聯(lián)合相似性度量。

D（SP i，SQ j）= S（SP i，SQ j） λ（SP i）+λ（SQ j） """（11）

其中： λ（SP i） 和 λ（SQ j） 分別表示輪廓分段 SP i 和 SQ j 的顯著度，輪廓分段的顯著度越高，其特征對(duì)于整體目標(biāo)識(shí)別結(jié)果的貢獻(xiàn)越大，匹配結(jié)果越具有可信性。最后得到目標(biāo)輪廓 P 和模板輪廓 Q 之間的相似度距離為

D P（P，Q）=D min（SP i，ρ（SQ j）） i=1，2，…，N ""（12）

其中： ρ（SQ j） 表示模板輪廓 Q 中與遮擋輪廓分段 SP i 相匹配的輪廓分段。根據(jù)式（12）選取 D P（P，Q） 最小值所對(duì)應(yīng)的目標(biāo)作為遮擋目標(biāo) P 的最終識(shí)別結(jié)果。本文算法的結(jié)構(gòu)框架如圖4所示。

3 實(shí)驗(yàn)結(jié)果與分析

為驗(yàn)證本文遮擋目標(biāo)識(shí)別算法的有效性，在MPEG-7圖片數(shù)據(jù)庫(kù)上進(jìn)行遮擋目標(biāo)匹配實(shí)驗(yàn)，MPEG-7數(shù)據(jù)庫(kù)共有1 400張圖像，包含了70類形狀，每類20張圖片，選取每個(gè)類別中前15個(gè)形狀（共1 050個(gè)形狀）建立輪廓分段數(shù)據(jù)庫(kù)，在剩余圖像中選取15張不同形狀的圖像作為測(cè)試目標(biāo)，目標(biāo)測(cè)試集如圖5所示。

本文通過刪除連續(xù)的輪廓點(diǎn)對(duì)測(cè)試目標(biāo)輪廓模擬不同比例的遮擋情況（遮擋率為10%～50%），在此基礎(chǔ)上建立遮擋目標(biāo)數(shù)據(jù)庫(kù)。圖6給出了不同程度遮擋下的rat測(cè)試目標(biāo)。在仿真實(shí)驗(yàn)中，控制離散曲線演化程度的閾值 τ =0.4，輪廓分段數(shù) F =3，輪廓分段特征提取時(shí)均勻采樣點(diǎn)數(shù) N =60，在計(jì)算分段顯著度時(shí)，由于輪廓分段的起伏度越大，所描述的輪廓特征越明顯，對(duì)于整體目標(biāo)識(shí)別的貢獻(xiàn)越大，選取 θ =0.8。

將遮擋目標(biāo)數(shù)據(jù)庫(kù)中的每個(gè)形狀作為待檢索目標(biāo)，分別與數(shù)據(jù)庫(kù)中所有形狀進(jìn)行相似度匹配，表1給出了部分目標(biāo)在遮擋率為20%時(shí)的匹配結(jié)果。其中第1列為測(cè)試目標(biāo)，通過輪廓分段優(yōu)化算法獲得三段有效分段，第2～4列給出了與待測(cè)目標(biāo)相似程度最高的前三個(gè)形狀以及對(duì)應(yīng)的距離值，其中加粗實(shí)線表示匹配結(jié)果中與測(cè)試目標(biāo)分段最相似的輪廓特征分段。可以看出，對(duì)于遮擋目標(biāo)，在保留輪廓主要特征的基礎(chǔ)上，通過本文算法能夠獲得準(zhǔn)確的識(shí)別結(jié)果。

實(shí)驗(yàn)中為保證目標(biāo)識(shí)別的準(zhǔn)確性，在每一種遮擋情況下對(duì)測(cè)試目標(biāo)進(jìn)行100次隨機(jī)遮擋處理，將識(shí)別結(jié)果的平均值作為測(cè)試目標(biāo)在該遮擋比例下的識(shí)別率，表2給出了測(cè)試目標(biāo)在不同遮擋比例下的識(shí)別率。從中可以看出，本文算法對(duì)于目標(biāo)輪廓遮擋的魯棒性較強(qiáng)，隨著遮擋率的提高，測(cè)試目標(biāo)的識(shí)別率有所下降，但仍能保持較高的識(shí)別精度。deer、butterfly、beetle等復(fù)雜目標(biāo)的識(shí)別率相對(duì)較高，這是由于此類目標(biāo)輪廓的局部特征相對(duì)多于tree、chicken等簡(jiǎn)單目標(biāo)，所以雖然輪廓的缺失使得部分特征丟失，但仍能通過其他的局部特征對(duì)目標(biāo)進(jìn)行識(shí)別。

表3給出了本文算法與其他部分遮擋目標(biāo)識(shí)別算法的識(shí)別效果比較，可以看出本文算法取得了最佳的識(shí)別效果，在不同比例的遮擋下，本文算法的識(shí)別率均優(yōu)于其他常見算法。這得益于以下原因：a）本文通過離散曲線演化算法平滑簡(jiǎn)化輪廓，提取特征點(diǎn)對(duì)輪廓初步劃分，相較于文獻(xiàn)［5，8，14］中通過曲率關(guān)鍵點(diǎn)對(duì)輪廓?jiǎng)澐值姆椒ǎ疚乃惴▽?duì)于輪廓噪聲具有更好的魯棒性，同時(shí)根據(jù)起伏度這一價(jià)值尺度將輪廓分段合并成有限個(gè)完整描述輪廓信息的特征分段，提高了識(shí)別的準(zhǔn)確率；b）本文選取高度函數(shù)作為輪廓分段的特征描述子，相較于文獻(xiàn)［9，15］中采用的形狀上下文描述子，高度函數(shù)描述子包含輪廓采樣點(diǎn)順序這一特征，更加準(zhǔn)確地描述了輪廓分段信息，有效地提升了目標(biāo)識(shí)別的效果；c）本文引入輪廓分段顯著度分析，突出重要分段對(duì)于整體目標(biāo)識(shí)別的貢獻(xiàn)程度，使得輪廓分段的匹配結(jié)果更具有可信度。

4 結(jié)束語(yǔ)

本文提出了一種基于輪廓特征描述的遮擋目標(biāo)識(shí)別算法，在獲取輪廓有效分段方面保持輪廓特征的基礎(chǔ)并通過離散曲線演化算法簡(jiǎn)化目標(biāo)輪廓，提取特征點(diǎn)對(duì)輪廓初步劃分，根據(jù)起伏度這一價(jià)值尺度對(duì)分段進(jìn)行合并優(yōu)化，得到完整描述輪廓信息的有效分段。在特征匹配方面，提取輪廓分段的高度函數(shù)描述子，通過動(dòng)態(tài)規(guī)劃算法分析輪廓分段之間高度函數(shù)特征的相似度，最后聯(lián)合輪廓分段特征顯著度分析，獲得最終的識(shí)別結(jié)果。實(shí)驗(yàn)結(jié)果表明，本文算法對(duì)于遮擋下的目標(biāo)能夠取得準(zhǔn)確、合理的識(shí)別效果，有效提高了遮擋目標(biāo)識(shí)別率。在后續(xù)研究中，將探索如何有效地將本文的輪廓分段優(yōu)化算法和相似度匹配算法應(yīng)用到基于輪廓特征的自然圖像識(shí)別中。

參考文獻(xiàn)：

［1］ ""Li Baiping，Jing Xiaomei.A recognition scheme based on K-means feature clustering for obscured apple object［J］. IOP Conference Series：Materials Science and Engineering， 2020， 740 （1）：12086-12091.

［2］ "Jia Qi，F(xiàn)an Xin，Liu Yu， et al .Hierarchical projective invariant contexts for shape recognition［J］. Pattern Recognition ，2016， 52 ：358-374.

［3］ Gao Feng，Wang Mingqian，Cai Yichao， et al .Extracting closed object contour in the image：remove，connect and fit［J］. Pattern Analysis amp; Applications ，2019， 22 （3）：1123-1136.

［4］ 代沅興，于天彪，楊建宇，等.一種新的基于輪廓特征的指尖及手指指向檢測(cè)方法［J］.東北大學(xué)學(xué)報(bào)：自然科學(xué)版，2018， 39 （7）：937-941. （Dai Ruanxing，Yu Tianbiao，Yang Jianyu， et al. An innovative method for fingertip and finger pointing detection based on contour features［J］. Journal of Northeastern University：Natural Science ，2018， 39 （7）：937-941.）

［5］ Krolupper F，F(xiàn)lusser J.Polygonal shape description for recognition of partially occluded objects［J］. Pattern Recognition Letters ，2007， 28 （9）：1002-1011.

［6］ Saber E，Yao Wuxu，Tekalp A M.Partial shape recognition by submatrix matching for partial matching guided image labeling［J］. Pattern Recognition， 2005， 38 （10）：1560-1573.

［7］ Bai Xiang，Yang Xingwei，Latecki L J.Detection and recognition of contour parts based on shape similarity［J］. Pattern Recognition ，2008， 41 （7）：2189-2199.

［8］ 史思琦，石光明，齊飛，等.基于特征完整描述的部分遮擋目標(biāo)識(shí)別算法［J］.系統(tǒng)工程與電子技術(shù)，2011， 33 （4）：60-65. （Shi Siqi，Shi Guangming，Qi Fei， et al. Partially occluded object recognition algorithm based on feature description integrity［J］. Systems Engineering and Electronics ，2011， 33 （4）：60-65.）

［9］ 史思琦，石光明，李甫.基于輪廓特征多層描述和評(píng)價(jià)的部分遮擋目標(biāo)匹配［J］.光學(xué)精密工程，2012， 20 （12）：2804-2811. （Shi Siqi，Shi Guangming，Li Fu.Partially occluded object matching via multi-level description and evaluation of contour features［J］. Optics and Precision Engineering ，2012， 20 （12）：2804-2811.）

［10］ 張桂林，李強(qiáng)，陳益新，等.局部遮擋目標(biāo)的識(shí)別［J］.華中理工大學(xué)學(xué)報(bào)，1994， 22 （5）：15-19. （Zhang Guilin，Li Qiang，Chen Yixin， et al. A method for recognizing partially-occluded objects［J］. Journal of Huazhong University of Science and Technology， 1994， 22 （5）：15-19.）

［11］ 宋建輝，宋鑫，于洋，等.采用輪廓片段空間關(guān)系實(shí)現(xiàn)遮擋目標(biāo)識(shí)別［J］.華中科技大學(xué)學(xué)報(bào)：自然科學(xué)版，2019， 47 （7）：79-83. （Song Jianhui，Song Xin，Yu Yang， et al. Occlusion targets recognition using contour fragments spatial relationship［J］. Journal of Huazhong University of Science and Technology：Natural Science ，2019， 47 （7）：79-83.）

［12］ 胡大盟，黃偉國(guó)，楊劍宇，等.改進(jìn)離散曲線演化的形狀匹配算法［J］.計(jì)算機(jī)輔助設(shè)計(jì)與圖形學(xué)學(xué)報(bào)，2015， 27 （10）：1865-1873. （Hu Dameng，Huang Weiguo，Yang Jianyu， et al. Improved shape matching algorithm based on discrete curve evolution［J］. Journal of Computer-Aided Design amp; Computer Graphics ，2015， 27 （10）：1865-1873.）

［13］ Wang Junwei，Bai Xiang，You Xinge， et al. Shape matching and classification using height functions［J］. Pattern Recognition Letters ，2012， 33 （2）：134-143.

［14］ Sun K B，Super B J.Classification of contour shapes using class segment sets［C］//Proc of IEEE Conference on Computer Vision and Pattern Recognition.2005：727-733.

［15］ 黃偉國(guó)，顧超，尚麗，等.基于輪廓分層描述的目標(biāo)識(shí)別算法研究［J］.電子學(xué)報(bào)，2015， 43 （5）：854-861. （Huang Weiguo，Gu Chao，Shang Li， et al. Hierarchical representation method for object recognition［J］. Acta Electronica Sinica ，2015， 43 （5）：854-861.）