叶梦婕
摘要:就轮廓线上某一点,距离其较近的点对识别分类比距离较远的点的贡献更大,因而,描述子应增强细节描述能力。该文采用一种稀疏策略,提出了基于轮廓线形状的多尺度稀疏描述子(SSM)。该描述子不仅满足平移、旋转、尺度变换的不变性,而且双边对称。同时,在一定程度上克服了时空复杂度这一经典矛盾问题。将该文提出的算子应用于我们自己采集的叶形数据库中。并与相关的描述子进行对比,实验结果表明,SSM的性能更优。
关键词:轮廓线形状;多尺度稀疏描述子
中图分类号:TP311 文献标识码:A 文章编号:1009-3044(2014)29-6942-03
1 概述
计算机视觉与模式识别的重点是形状描述。形状描述方法主要分为两种,一种是基于区域的描述方法,另一种是基于轮廓线形状的描述方法[1]。基于区域的方法需要获取形状区域中所有的像素点,计算复杂度高且存储量大。基于轮廓的方法通常仅需获取轮廓线形状的像素点[2],易于提取、易于保存[4];轮廓线形状的辨识度最高[5]、往往仅通过轮廓线形状就能对目标进行识别。
多尺度描述子是轮廓线形状描述方法中是最具潜力的方法[6]。随着对形状特征地逐级提取,多尺度描述子实现了对轮廓线形状由局部细节到全局概貌的描述[7],这一优势恰与当前将形状的整体特性与局部特性有效地结合起来的主流思路相符。其次,通过对轮廓线形状的逐级描述,获取不同级别上轮廓信息,这些信息的结合,大大增强了其描述能力。……