基于骨架和輪廓對應關系的目標識別算法

摘要：文章提出了一種基于骨架和輪廓對應關系的目標識別算法，在處理存在非剛性變換（遮擋、變形） 的類內變化時效 果良好。首先獲取形狀的骨架，通過構建骨架接合點與對應輪廓片段（骨架枝） 的對應關系來描述骨架接合點的空間分 布；然后通過動態規整算法衡量形狀間骨架接合點特征的相似度，以完成匹配識別。實驗結果表明，該方法在處理非剛 性變換時穩定性良好，且具有較高的形狀分類精度。

關鍵詞：骨架；骨架接合點；動態時間規整；目標識別

中圖分類號：TP391.4

文獻標識碼：A

文章編號：1009-3044（2025）13-0017-04

0 引言

形狀作為模式識別和圖像分析中物體的核心視 覺屬性，對于目標物體的分類和識別至關重要[1-2] 。其 中，骨架和輪廓構成了形狀的兩種基本表現形式。近 年來，基于輪廓的形狀檢索方案被視為形狀上下文方 案的延伸[3] ，這些方案包括強調內部特征差異的內距 離形狀上下文[4] 、曲率尺度空間方案[5] ，以及后續發展 的高度函數方案[6] 、傅里葉高度函數方案[7] 、質心高度 增量方案[8] 等。它們通過計算形狀邊界曲線上點的特 征描繪來區分目標，通常基于物體輪廓的二值圖像進 行提取和處理，從而在描述目標形狀時提供了更多 細節。

相對而言，基于形狀骨架的目標識別方案則側重 描述目標形狀在三維空間中厚度值（即Z軸代表的值） 沿骨架的變化情況。這種基于骨架的形狀檢索算法 對于物體的非剛性變換展現出了良好的檢索能力。

Xiang Bai等[9] 學者將目標骨架端點之間的測地線路徑 作為標準量，實現了目標骨架與數據庫骨架之間的正 確匹配，從而完成了基于物體輪廓的形狀識別，效果 顯著，但計算量較大。沈為[10] 則通過尋找同類形狀的 骨架接合點及其統計分布來定義目標形狀與數據庫 形狀的相似性，這一方法大大降低了計算復雜度，但 需要頻繁地進行合并迭代骨架結合點。盧勇強等 人[11] 認為，單純將形狀輪廓轉化為生物信息序列會產 生冗余，因此提出了形狀輪廓和骨架的聯合表示方 案，該方案能夠解決這一問題，并實現對目標形狀的 細節描述，針對非剛性形變識別的精確度也明顯提 高。然而，該算法在應對噪聲方面的魯棒性仍有待 加強。

在形狀輪廓匹配方面，動態時間規整（Dynamic Time Warping， DTW） 方案常被用于評估兩個時間序 列的相似性程度。例如，Su等人[12] 采用音符標準距離 下的音符相似度矩陣作為 DTW 距離矩陣，優化了音 符特征子集的目標函數，從而有效提高了音符特征分 類和識別的精確度。Li等人[13] 則利用DTW距離來度 量用戶電壓曲線的相似度，以識別用戶所屬的變電 站，實現了對低壓配電網運行狀態的智能監控。

針對待檢測目標發生非剛性變換的問題，探索形 狀輪廓和骨架之間的互補關系，即骨架接合點與對應 輪廓片段之間的映射關系。通過利用這種互補關系， 提高了形狀輪廓識別算子的性能。該描述結合了與 骨骼信息相關聯的輪廓片段的形狀特征，并通過動態 規整算法來度量待識別圖像和數據庫圖像之間的特 征距離，從而完成形狀識別。

1 骨架和輪廓對應關系的描述

1.1 骨架提取

骨架是形狀的一種高效抽象表達，不僅涵蓋了形 狀的幾何屬性，還保留了原形態中的基本連接關系與 空間布局特征，即拓撲結構。文獻[14]提出了一種新 的骨架提取方法與剪枝方法，使用Canny策略得到形 狀輪廓，通過Hessian矩陣計算形狀的骨架，然后利用 梯度最速下降法連接骨架，最后通過對應骨架上的內 切圓與部分形狀上的點，合理設置閾值刪除冗雜的分 支，得到最終的形狀骨架。完整形狀骨架上的點可細 化為骨架接合點和骨架端點，而包含骨架點以及骨架 點之間的部分骨架的集合叫作骨架枝。圖1是隨機從 MPEG?7 測試集中選取測試圖片進行骨架提取的示 意圖。

其中，原圖像為圖1a；輪廓提取后的圖像如圖1b； 骨架提取后的圖像如圖 1c；骨架剪枝后的圖像如圖 1d，其中，1，2，3，4，5，6，7代表圖像的骨架端點；A，B，C，D， E代表骨架結合點。

1.2 骨架接合點特征提取

考慮到骨架端點在作為特征點提供形狀細節時， 易受噪聲和輪廓形變的干擾，這對識別形狀輪廓發生 非剛性變換是有一定障礙的。相對應的，骨架接合點 在幾何學中更能體現形狀的重量，是形狀重心的離散 表示，能夠精細地捕獲更多的形狀輪廓細節，因此骨 架接合點作為特征點所構成的形狀描述符更具備區 分性，能夠應對形狀發生類內變化的情況。該算子用 骨架點的最大圓盤半徑值、厚度值、骨架枝長度描述 骨架接合點，使得骨架接合點的特征矩陣由三者 構成。

3 實驗分析

為測試提出的針對于目標非剛性變換的檢索能 力，應用MPEG?7測試集測試其性能，該數據庫兼容 形狀輪廓的非剛性變換，包含總共1 400個形狀，分為 70個類別，形狀兼具平移旋轉縮放轉變，每個類別有 20 個形狀。從每個形狀類別中選擇了前 12 個形狀， 共計840個形狀，構成該算法性能檢測的數據集，這些 形狀如圖4所示。

部分匹配結果如圖5所示。可以看出待測目標在 發生平移旋轉縮放等類內變換后，其骨架結合點仍然 保持著自身的特征，能夠引導形狀輪廓完成匹配，從 而實現目標的精準識別。

將本文算法和其他現有的算法在同一數據庫上 進行數據準確率比較，依據文獻[8]提供的策略進行算 法識別率測試，具體數據如圖 6 所示。查準率-查全 率曲線[8] 能夠形象地描述出算法之間在同一基準數據 值（全部檢索目標數值） 下，正確識別這一關鍵指標的 數值。

可以看出，本文算法優于常見的幾種形狀輪廓檢 驗識別策略，能夠有不錯的數值表現。

4 結論

本文將骨架特征和輪廓特征建立聯系，提出了一 種適用于非剛性變換的形狀輪廓檢索方案。在提取 待測目標形狀輪廓后，使用新穎的方法對其進行骨架 提取以及后期的骨架剪枝，然后圍繞骨架接合點這一 關鍵特征點建立特征描述符，通過歸一化以及其他數 學手段讓形狀描述矩陣能夠適用于常見的類內變化， 提高其魯棒性和穩定性。然后針對特征矩陣計算相 似度可能存在維數不相同的情況，利用動態規整算法 的彎曲對齊路徑的優勢進行優化計算，從而得到形狀 骨架之間的相似性系數。同時進行形狀之間的骨架 接合點匹配實驗，成效很好，進一步與其他形狀輪廓 檢索策略進行數據比較實驗，證明了該算子的魯 棒性。

參考文獻：

[1] YANG C Z，FANG L C，FEI B J，et al.Multi-level contour combi? nation features for shape recognition[J]. Computer Vision and Image Understanding，2023，229：103650.

[2] YANG C Z，FANG L C，YU Q，et al.A learning robust and dis? criminative shape descriptor for plant species identification[J]. IEEE/ACM Transactions on Computational Biology and Bioin? formatics，2023，20（1）：39-51.

[3] LIU Z，SHEN H，FENG G Y，et al.Tracking objects using shape context matching[J].Neurocomputing，2012，83：47-55.

[4] LING H B，JACOBS D W.Shape classification using the inner distance[J]. IEEE Transactions on Pattern Analysis and Ma? chine Intelligence，2007，29（2）：286-299.

[5] ABBASI S， MOKHTARIAN F， KITTLER J. Curvature scale space image in shape similarity retrieval[J].Multimedia Systems， 1999，7（6）：467-476.

[6] WANG J W，BAI X，YOU X G，et al.Shape matching and classifi? cation using height functions[J]. Pattern Recognition Letters， 2012，33（2）：134-143.

[7] 孫國棟，徐亮.精確型傅里葉高度函數描述子的服裝款式識 別方法[J].中國測試，2019，45（8）：130-134.

[8] 宋建輝，郝奕全，劉曉陽，等.基于DTW的輪廓特征目標識 別算法[J].沈陽理工大學學報，2024，43（5）：14-19，26.

[9] BAI X，LATECKI L J.Path similarity skeleton graph matching [J].IEEE Transactions on Pattern Analysis and Machine Intelli? gence，2008，30（7）：1282-1292.

[10] 沈為.基于骨架的圖像中物體表示與識別研究[D].武漢：華 中科技大學，2012：48-55.

[11] 盧勇強.面向二維形狀識別的輪廓和骨架序列編碼方法研 究[D].大連：大連海事大學，2020.

[12] SU W D. Music note feature recognition based on dynamic time warping algorithm[C]//2024 Asia-Pacific Conference on Image Processing， Electronics and Computers （IPEC）. April 12-14，2024，Dalian，China.IEEE，2024：611-614.

[13] LI G C，MA L，WANG C，et al.Identification of low-voltage dis? tribution substation based on DTW method[C]//2024 5th Inter? national Conference on Mechatronics Technology and Intelli? gent Manufacturing （ICMTIM）. April 26-28， 2024， Nanjing， China.IEEE，2024：262-265.

[14] 王曉珊.基于廣義電勢場的二維形狀骨架提取與剪枝[D]. 大連：大連海事大學，2023.

【通聯編輯：梁書】