多特征级联图像数据库目标人工智能匹配仿真

徐颖慧，晋国卿

(江西农业大学南昌商学院，江西 共青城 33202)

1 引言

视觉是人类感知和认识外部世界的重要途径，随着计算机技术与人工智能技术的高速发展，计算机视觉逐渐成为信息时代机器感知和外部世界信息采集的重要产物，利用人类的视觉特性，将人类视觉器官认识事物替换成用成像设备来感知世界[1]。计算机视觉的主要研究目标是利用摄像机和计算机代替人眼，对目标进行采集，以图像的方式存储在数据库当中，由此便形成了图像数据库。对数据库中的图像进行目标的识别、匹配、跟踪以及测量，并对二维图像进行处理，最后输出计算机获取的环境信息。图像数据库按照存储图像的类型，将数据库中的二维图像分为静态图像数据库和动态图像数据库，将图像数据库中的图像以多特征的形式存储和标记，当有其它 图像需要判定和识别时，可以利用图像特征目标匹配的方法尽快分类和识别图像[2]。图像匹配主要就是指通过图像的内容、结构、纹理、灰度等特征的对应关系、相似性以及一致性的分析，寻求相似目标图像的方法。现如今计算机视觉相关技术以及应用到多个领域当中，图像特征匹配和跟踪都占有相当重要的位置。

现阶段存在的目标匹配方法有：传统模糊逻辑目标匹配方法、基于SIFT算法的目标匹配方法和基于网络结构图像的目标匹配方法[3]。其中传统的模糊逻辑目标匹配方法利用模糊逻辑进行，将图像数据库模糊化，输入到模糊集合进行模糊推理，利用模糊规则得到目标模糊匹配结果，对模糊匹配结果进行去模糊处理，得到最终的离散数据，即为最终的图像目标匹配结果。提升图像的识别速度，提高目标图像的识别效率。传统的SIFT方法为尺度不变特征转换方法，在尺度中寻找极值点，进而提取图像目标的位置、尺度以及旋转等不变量，通过特征向量得出目标匹配结果。传统网络结构匹配方法将图像按照网络结构划分为多个分割图像，将每个区域中的特征分别进行匹配得出结果[4]。经过长时间的研究发现，传统匹配方法中普遍存在置信度低的问题，为了解决此类问题提出图像数据库目标人工智能匹配方法，并进行仿真测试验证匹配方法的使用价值。

2 图像数据库目标人工智能匹配方法设计

针对多特征级联图像数据库的目标匹配方法需要经过图像预处理、多特征提取以及智能特征匹配等多个步骤，最终得出目标智能匹配结果。具体的目标人工智能匹配过程如图1所示。

图1 目标人工智能匹配流程图

从图中可以看出，实现图像数据库目标人工智能匹配方法，对图像进行预处理，载入处理完成的待匹配图像[5]。判断模板是否大于待匹配图像，提取图像的目标级联特征并融合，通过分类器计算图像目标的特征匹配位置，标记匹配位置并输出匹配结果。

2.1 图像级联滤波预处理

利用粒子滤波模型对图像数据库中的目标图像进行级联预处理，确定粒子是否有效，若为有效粒子，则进行多特征级联提取。粒子滤波利用非线性非高斯运行的准确估计能力实现级联预处理。具体的预处理过程如图2所示。

图2 预处理流程图

将图像数据库中的目标问题转化为目标位置和形状大小估计，目标的动态可以用状态空间函数来表示

xk=fk(xk-1，vk-1)

(1)

式中xk表示的是k时刻时，图像数据库目标的状态值，vk-1是独立同分布的目标图像状态噪声。而k时刻的目标状态的观测值可以用zk来表示，其表达式如下

zk=hk(xk，nk)

(2)

式(2)当中nk为独立同分布的目标图像观测噪声值，hk表示图像数据库目标原始值。设定多特征图像中的一组加权特征粒子集合为

S={(s(n)，π(n))，n=1，2，…，N}

(3)

其中粒子s代表目标图像可能出现的状态，并且其对应状态出现的概率为π[6]。在每一次状态的观测值到来时，便对目标状态进行最终估计，估计值可以用式(4)来表示

(4)

(5)

式中um，n与vm，n分别表示图像在两轴中的初始相位，σu和σv分别为图像在两轴上的傅里叶变换系数，a为滤波级联的等级数。为了保证粒子滤波的预处理有效性，对目标图像中的每一个像素点进行阙值判定，判定级别如下

(6)

式中p为粒子滤波级联中的特征向量差距比[7]，p0表示特征向量差距均值。将预处理完成的有效目标图像输出，进行特征提取。

2.2 目标多特征级联提取

对有效目标图像进行多特征级联提取，首先需要对图像进行分割处理，按照图像中像素的灰度规律情况检测图像的边缘，保留图像目标边缘部分，并填充边缘内部得到图像分割结果。在此基础上，对每一个区域的特征点进行检测和识别，确定特征点的距离为ra，且定义距离的方向角为φa，则检测出的目标特征参数集可以表示为(ra，φa)[8]。接着对目标图像的特征进行提取，具体的提取情况如图3所示。

图3 级联特征提取示意图

假设图像中的特征点为(x，y)，特征点的梯度通过式(7)和式(8)进行计算

Gx(x，y)=H(x-1，y)-H(x+1，y)

(7)

Gx(x，y)为对应特征像素点的水平方向梯度，其垂直方向梯度计算公式如下

Gy(x，y)=H(x，y+1)-H(x，y-1)

(8)

式中H(x，y)为特征点的像素值。通过梯度算子分别对目标图像进行卷积运算，可以得到水平与竖直两个方向上的梯度分量，得出像素点的梯度大小。

(9)

每一分割目标图像特征可以通过式(10)来计算

(10)

将目标图像中的每一个分割图像的特征串联在一起，得到图像的特征向量。

2.3 图像数据库特征融合

将分割图像提取的特征向量进行融合处理，得出图像数据库的综合特征。建立图像的数据库特征融合模型为

(11)

式中η(k，Gk，α，∑i，k)为k时刻第i个图像分割的特征对应的高斯分布[9]。ξG，α表示第i个高斯分布在k时刻的权重，且需要满足式(12)中的条件

(12)

满足条件的权重值即为当前图像数据库环境下的描述力度，由此便可以突出描述力度较强的特征，从而更加有针对性的分析数据库中的图像，实现多特征的有效融合。

2.4 构建人工智能分类器

基于对目标分类方法的选取构建人工智能分类器，在选取不同目标分类方法时，通过分类器得到图像目标的特征匹配位置。设定弱分类器的公式表示如下

Lm=logp(y|x)=1-∏(1-p(y|x))

(13)

其中m为给定的弱分类器的个数。以此为基础迭代构建强分类器。通过强分类器，对图像数据库进行分类跟踪，得到图像目标的特征匹配位置，强分类器的表达式为

(14)

将图像数据库当中的待测图像融合特征输入到构建的人工智能强分类当中，输出图像目标的特征匹配位置为(X，Y)。通过获得的图像特征匹配位置集合，结合约束策略提出其中存在的错误匹配，获得优良的匹配集合。

2.5 输出目标匹配结果

图像匹配实质上是待测图像与图像数据库在空间位置上的一个映射问题，具体的图像匹配情况如图4所示。

图4 目标匹配示意图

定义图像数据库的目标匹配阵列为

(15)

式中I为映射图像。在经过分类器得到的特征点的相邻区域中取一个正方形框，划分为4×4个子区域，提取出子区域的2个描述子值为[∑dX，∑|dX|，∑dY，∑|dY|]，通过比较描述自向量元素之间的欧式距离，实现图像多特征点的目标匹配，得到多特征级联图像数据库目标人工智能匹配分集合

(16)

图像数据库中的所有目标图像，通过式(16)得出最终的多特征级联图像数据库目标人工智能匹配集合。通过限定框预测之后，可以得到图像的一系列检测结果[10]。每个检测结果由限定框位置和分数来表示。按照分数大小对检测结果进行排序，挑选出分数最大的检测结果，并删除与其覆盖面积大于 50%的检测结果，有效减少同一目标的检测结果，从而得到最终的目标检测结果。

3 仿真分析

为了检验图像数据库目标人工智能匹配方法的有效性，对其进行仿真分析。首先从硬件和软件两个方面构建实验环境，在该实验环境下，按照实验过程步骤进行仿真，最后得出有关于图像数据库目标匹配度的仿真结果，并通过计算匹配方法的置信度，从而检验出该匹配方法的可靠性。

3.1 构建实验环境

结合硬件环境和软件环境构建仿真的实验环境。其中硬件环境分为5个部分，分别为：输出设备、输入设备、中央处理器、主板以及存储器。具体的硬件设备环境设置情况如表1所示。

表1 仿真硬件实验环境

在此硬件设备上安装仿真软件，分别将相应的匹配方法安装在软件当中，其中设计完成的多特征级联图像数据库目标人工智能匹配的软件操作界面如图5所示。

图5 仿真软件界面

3.2 实验过程

在实验环境当中，分别使用多特征级联图像数据库目标人工智能匹配方法和传统的匹配方法作为仿真的实验方法。首先构建需要进行目标匹配的图像数据库，使用硬件中的扫描仪器，将100张不同类型的图像输入到数据库当中，按照输入的先后顺序对图像进行统一编号。提取数据库图像与待匹配图像的多个特征，并整合成为总特征向量。保证实验中的图像数据库与待测图像均相同。在实验中借助相同的图像匹配评价系统对实验结果进行评价，由于两种图像匹配方法所使用的的评价系统相同，因此得出的匹配评价结果具有较强的可信度。利用匹配评价结果与置信度的转换原理，计算仿真得出的匹配方法置信度。

3.3 仿真结果与分析

执行仿真过程，并通过匹配评价系统得出两种目标匹配方法的匹配结果如表2所示。

表2 仿真匹配结果

统计实验图像的总目标匹配程度，累加匹配程度值并与图像的总样本数相除，得出两种匹配方法的平均匹配程度值。经过计算传统目标匹配方法的平均匹配程度值为82.17%，而多特征级联图像数据库目标人工智能匹配方法的平均匹配程度值为91.17%，相比之下比传统方法的匹配程度高9.0%。遵循匹配程度与方法置信度之间的关系，得出两种方法的置信度对比曲线如图6。

图6 置信度对比曲线

从图中的曲线对比情况可以看出，随着图像数据匹配数量的增加，传统匹配方法的置信度逐渐降低，而多特征级联图像数据库目标人工智能匹配方法的置信度可以维持在平稳状态。通过计算多特征级联图像数据库目标人工智能匹配方法比传统匹配方法的置信度高8.2%。

4 结束语

受到已有匹配方法的启发，并针对传统匹配方法中存在的问题进行研究，并通过实验分析，证明了设计图像数据库目标智能匹配方法的有效性和可靠性。然而在此次设计与研究过程中，实现智能匹配方法仅针对特征明显的静态图像数据库，而应用于特征不明显或动态图像数据库中，匹配程度较低，其置信度也会因匹配对象类型的不同而降低。因此在接下来的研究工作当中需要解决上述问题，这也将是图像数据库目标匹配方法的发展方向。