CN106203453A - 一种基于压缩感知的生物与非生物目标识别方法及其系统 - Google Patents

Abstract

本发明公开了一种基于压缩感知的生物与非生物目标识别方法及其系统，该方法包括以下步骤：S1：通过成像光路模块对目标进行成像，将目标图像投影于孔径编码器上；S2：信号控制模块根据预定的特征识别模式生成相对应的确定矩阵模式，通过所述确定矩阵模式控制所述孔径编码器得到至少一个待处理特征信号，完成目标图像的压缩计算及特征识别；S3：所述待处理特征信号经图像处理及分类模块负责完成放大、处理和训练比较分类，得到最终特征信号，本发明将目标识别以及压缩作为主要目的，不用完成对图像的恢复，使得海洋摄影的负担进一步降低，大大的降低了海洋摄影的成本，减轻了硬件的消耗，提高了图像的传输速度。

Description

一种基于压缩感知的生物与非生物目标识别方法及其系统

技术领域

本发明涉及计算机图像处理技术领域，特别是涉及一种基于压缩感知的生物与非生物目标识别方法及其系统。

背景技术

目前，海洋摄影数据的获取是利用成像技术进行长周期、大范围、高精度成像，通过图像存储和传输系统，结合数据处理和分析方法，对生物指标及其它关注目标进行分析和分类，其数据存储、传输成本较大，而且处理速度受限，直接影响对海洋生态的评估与预测，所以传统先成像再分类方法存在着速度慢成本高的缺点。现有的压缩感知成像系统主要目的是完整复原图像，因此测量矩阵需要满足RIP条件，应用的随机高斯矩阵、Toplize(托普利茨)矩阵、伯努利矩阵或者各行非相关的确定性矩阵较多，图像复原也依据所选用的矩阵进行复原。

综上，海洋摄影数据的成像技术如果能运用压缩感知的进行获取，基于压缩感知的技术将大大减少数据量的存储与硬件的消耗，提高传输速度以及降低成本。

但是，现有的海洋摄影数据主要是以图像恢复为目的来进行海洋生物以及非生物数据的获取，以完整复原图像为目的的传统压缩感知技术，是在图像复原以后对生物及非生物的数据进行识别，没能在采样的过程中进行识别，而实际上海洋摄影数据最终的目的是识别出生物及非生物特征，所以导致以完整复原图像为目的的传统压缩感知技术也不能很好的减轻海洋摄影数据成像技术进行长周期、大范围、高精度成像的负担，无法直接分类识别出生物与非生物特征，导致无法快速的获取想要的数据结果。

并且，如果要运用压缩感知技术快速识别生物特征及非生物特征，由于基于海洋生物及非生物特征所获得测量矩阵的矩阵模式为确定性矩阵，不能符合RIP条件，无法满足各行非相关，所以采用以完整复原图像为目的的传统压缩感知技术进行特征识别便无法进行，尤其是在图像复原的过程中尤为困难。

以上背景技术内容的公开仅用于辅助理解本发明的发明构思及技术方案，其并不必然属于本专利申请的现有技术，在没有明确的证据表明上述内容在本专利申请的申请日已经公开的情况下，上述背景技术不应当用于评价本申请的新颖性和创造性。

发明内容

本发明目的在于提出一种基于压缩感知的生物与非生物目标识别方法及其系统，以解决上述现有技术存在的数据传输速度慢、成本高，其压缩负担重、不适用于目标识别的技术问题。

为此，本发明提出一种基于压缩感知的生物与非生物目标识别方法，包括以下步骤：S1：通过成像光路模块对目标进行成像，将目标图像投影于孔径编码器上；S2：信号控制模块根据预定的特征识别模式生成相对应的确定矩阵模式，通过所述确定矩阵模式控制所述孔径编码器得到至少一个待处理特征信号，完成目标图像的压缩计算及特征识别；S3：所述待处理特征信号经图像处理及分类模块负责完成放大、处理和训练比较分类，得到最终特征信号。

优选地，本发明还可以具有如下技术特征：

步骤S1中，包括根据预定的特征识别模式对目标图像进行灰度处理，将经灰度处理获得的灰度图像投影于所述孔径编码器上。

步骤S2中，该确定矩阵模式对应于所述特征识别模式下特征识别运算的算子，所述灰度图像经所述算子卷积，生成至少一个待处理特征信号。

步骤S3中，所述图像处理及分类模块包括经训练得到的生物特征库，所述待处理特征信号通过所述生物特征库对生物特征进行比较分类，并通过直方图将所述待处理特征信号进行识别。

步骤S2中，所述特征识别模式包括基于HOG特征、LBP特征、Haar特征或Curvelet变换的特征识别。

包括S11：对所述灰度图像进行分区，得到包括多个像素的细胞单元，并由多个所述细胞单元构成一区块；S12：根据所述区块的像素密度，对所述区块内的各细胞单元作归一化处理，以得到所述目标图像。

包括S21：所述信号控制模块根据水平梯度算子G_x控制所述孔径编码器对目标图像的多个像素点作为采样点进行多次采样，得到水平梯度信号X；S22、所述信号控制模块根据垂直梯度算子G_y控制所述孔径编码器对目标图像的多个像素点作为采样点进行多次采样，得到垂直梯度信号Y。

步骤S3中，所述图像处理及分类模块的处理器根据水平梯度信号X和所述垂直梯度信号Y进行放大，根据所述细胞单元生成第一方向梯度直方图，根据所述第一方向梯度直方图生成所述区块的第二方向梯度直方图，根据所述第二方向梯度直方图生成目标图像的第三方向梯度直方图，所述根据所述细胞单元生成第一方向梯度直方图，包括根据训练后的生物特征库对所述第一方向梯度直方图进行权重投影，完成特征的训练分类。

本发明还提供了一种基于压缩感知的生物与非生物特征的目标识别系统，用于实现上述的识别方法，包括成像光路模块、信号控制模块、图像处理及分类模块，所述成像光路模块包括第一透镜、孔径编码器、反射镜、第二透镜、光电传感器，所述信号控制模块包括信号发生器，所述图像处理及分类模块包括处理器、放大器和生物特征库。

所述孔径编码器为数字微镜器件、随机反射镜、可变形镜或复合孔径掩膜。

本发明与现有技术对比的有益效果包括：本发明的基于特征的压缩感知目标识别方法，主要目的是为了目标识别，相比于传统的压缩感知技术而言，能在采样的过程中实现特征的识别，以直接识别特征，不再需要完全恢复原图，适用于海洋摄影数据的提取，本发明其测量矩阵的模式为确定性矩阵，为了能通过该矩阵模式进行特征识别，本发明采用了按预定的特征识别模式生成相对应的确定矩阵以作为该压缩感知的测量矩阵，通过孔径编码器根据生成的对应的测量矩阵将目标图像中的特征识别出来，同时完成目标图像的数据压缩，这样本发明能够通过信号控制模块和孔径编码器便在采样的过程中对图像进行压缩的同时，直接获得识别的特征信号，所以相比于现有的海洋摄影数据技术相比，本发明将目标识别以及压缩作为主要目的，不用完成对图像的恢复，使得海洋摄影的负担进一步降低，大大的降低了海洋摄影的成本，减轻了硬件的消耗，提高了图像的传输速度。本发明的测量矩阵(确定矩阵)运用预定的特征识别模式下生成的矩阵模式用于特征的提取，通过孔径编码器实现的在采样的过程的压缩与特征识别，可直接得到该特征结果，所以使得基于确定性矩阵的压缩感知技术能得以很好的运用，为海洋成像观测提供新的手段和工具。

优选方案中，在步骤S1中，包括根据预定的特征识别模式对目标图像进行灰度处理，步骤S2中，该确定矩阵模式对应于所述特征识别模式下特征识别运算的算子，步骤S3中，所述图像处理及分类模块包括经训练得到的生物特征库，并通过直方图将所述待处理特征信号进行识别，灰度处理可以更好地进行图像识别，运用算子为图像识别在孔径编码器上更好的实现，运用生物特征库为图像分类提供更多便捷，通过直方图能直观的将特征表示出来。

优选方案中，提供了包括HOG特征、LBP特征、Haar特征或Curvelet变换的特征识别模式，各自结合压缩感知技术，可以对生物特征进行不同模式的表示。

本发明提出了的一种基于压缩感知的生物与非生物特征的识别系统，通过孔径编码器结合信号控制模块实现了图像的压缩及识别，再经图像处理及分类模块完成特征的处理及分类。特别的，系统中为了适应不同的矩阵模式，可以将所述孔径编码器设置为数字微镜器件、随机反射镜、可变形镜或复合孔径掩膜，已完成不同特征识别模式下的特征识别。

附图说明

图1是本发明具体实施方式一的方法流程图；

图2是本发明具体实施方式一的灰度处理的目标图像；

图3是本发明具体实施方式一区块的HOG特征方向梯度直方图；

图4是本发明具体实施方式一目标图像的HOG特征的方向梯度直方图；

图5是本发明具体实施方式一系统的结构组成示意图。

1-目标图像，2-第一透镜，3-反射镜，4-第二透镜，5-光电传感器，6-放大器，7-处理器，8-图像处理及分类模块，9-信号控制模块，10-孔径编码器，11-成像光路模块。

具体实施方式

下面结合具体实施方式并对照附图对本发明作进一步详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

参照以下附图1-5，将描述非限制性和非排他性的实施例，其中相同的附图标记表示相同的部件，除非另外特别说明。

实施例一：

已知的压缩感知系统，对于一维信号，压缩感知的数学过程描述为：

y＝Φx

其中

y是测量的信号，x是待测信号，x₁为一维信号n个采样点的第一个采样点，可视为像素，x_n为第n个采样点；y₁为收集到m个压缩后的一维信号中第一个信号，y_m为第m个信号；

Φ是测量矩阵，Φ₁₁-Φ_1n为测量矩阵的第1个测量模式下的n个测量值，相应的Φ_m1-Φ_mn为测量矩阵的第m个测量模式下的n个测量值，例如在数字微镜器件(DMD)中，Φ₁₁-Φ_1n为第一次的DMD面元阵列表达。

Φ需要满足RIP(有限等距性)条件，一般需要选择Φ的各行不相关，待测信号可以表示为x＝Ψs，在某个稀疏基Ψ下，信号x可以表达为k个重要分量的组成形式(k<n)，即表示x的稀疏表达s有k个不为0的分量，则y＝ΦΨs，除此之外，对于测量矩阵为随机高斯矩阵的形式，测量次数m需要满足m≈4k或者m≥Klog(n/k)。

在上述条件下，信号几乎可以完全恢复，基于特征识别的数学表达类似于上述表达，如图1所示，本实施例提出的一种基于压缩感知的生物与非生物目标识别方法，包括以下步骤：S1：通过成像光路模块11对目标进行成像，将目标图像1投影于孔径编码器10上；S2：所述信号控制模块9根据预定的特征识别模式生成相对应的确定矩阵模式，通过所述确定矩阵模式控制所述孔径编码器10得到至少一个待处理特征信号，完成目标图像1的压缩计算及特征识别；S3：所述待处理特征信号经图像处理及分类模块8负责完成放大、处理和训练比较分类，得到最终特征信号。

同时为实现上述方法，如图5所示，提供了一种基于压缩感知的生物与非生物特征的识别系统，包括成像光路模块11、信号控制模块9、图像处理及分类模块8，所述成像光路模块11包括第一透镜2、孔径编码器10、反射镜3、第二透镜4、光电传感器5，所述信号控制模块9包括信号发生器，所述图像处理及分类模块8包括处理器7、放大器6和生物特征库。所述孔径编码器10为数字微镜器件、随机反射镜、可变形镜或复合孔径掩膜。其中关键部分为基于特征的压缩感知的测量矩阵的硬件实现，本系统中，测量矩阵的实现为孔径编码器10，根据不同的特征识别模式，该孔径编码器10可以为数字微镜器件(Digital Mirror Device,DMD)、随机反射镜、可变形镜或复合孔径掩膜，以数字微镜器件为例，DMD的铰链单元可以实现(-12°，12°)，可以用于测量矩阵为伯努利矩阵的压缩感知系统，而可变形镜由于其面形可以随电压可连续变化，因而可以产生更多的模式，测量矩阵不局限于伯努利矩阵，为设计基于特征的测量矩阵提供了更多的可能性。

在目标识别的过程中，步骤S1中，包括根据预定的特征识别模式对目标图像1进行灰度处理，将经灰度处理获得的灰度图像投影于所述孔径编码器10上。

步骤S2中，该确定矩阵模式对应于所述特征识别模式下特征识别运算的算子，所述灰度图像经所述算子卷积，生成至少一个待处理特征信号。

步骤S3中，所述图像处理及分类模块8包括经训练得到的生物特征库，所述待处理特征信号通过所述生物特征库对生物特征进行比较分类，并通过直方图将所述待处理特征信号进行识别。

上述的特征识别模式模式包括基于HOG(Histogram of Oriented Gradient,HOG，方向梯度直方图)特征、LBP(Local Binary Patterns，局部二值模式)特征、Haar(Haar-like features，哈尔特征)特征或Curvelet变换(曲波变换)的特征识别。

本实施例中，选择HOG特征作为生物及非生物分类识别的主要特征，并对其作更为具体的说明。

步骤S1中，包括S11：对所述灰度图像进行分区，得到包括多个像素的细胞单元，并由多个所述细胞单元构成一区块；S12：根据所述区块的像素密度，对所述区块内的各细胞单元作归一化处理，以得到所述目标图像1。

步骤S2中，包括S21：所述信号控制模块9根据水平梯度算子G_x控制所述孔径编码器10对目标图像1的多个像素点作为采样点进行多次采样，得到水平梯度信号X；S22、所述信号控制模块9根据垂直梯度算子G_y控制所述孔径编码器10对目标图像1的多个像素点作为采样点进行多次采样，得到垂直梯度信号Y。

步骤S3中，所述图像处理及分类模块8的处理器7根据水平梯度信号X和所述垂直梯度信号Y进行放大，根据所述细胞单元生成第一方向梯度直方图，根据所述第一方向梯度直方图生成所述区块的第二方向梯度直方图，根据所述第二方向梯度直方图生成目标图像1的第三方向梯度直方图，所述根据所述细胞单元生成第一方向梯度直方图，包括根据训练后的生物特征库对所述第一方向梯度直方图进行权重投影，完成特征的训练分类。

如上所述，HOG特征计算过程将图像分为多个区块，每个区块包括几个小的区域(细胞单元)，通过计算每个小区域所有像素的方向梯度直方图，组成各个区块的方向梯度直方图，最后组成整幅图像的方向梯度直方图。其中最关键的运算是求每个小区域中各像素的垂直梯度和水平梯度，对应的算子是G_x＝[-1,0,1],G_y＝[1,0,-1]^T，孔径编码器10需要x方向与y方向各重复3次运算，可以完成所有的求梯度运算，然后通过对记录对应位置的电压信号进行放大和AD转换，得到相应数字信号，通过处理器7以及生物特征库进行处理后，完成一幅图像的HOG特征产生过程。

若图像可表示为数学上的梯度计算在压缩感知的数学公式表达为：

公式中，矩阵I中的行(I_m1-I_mn)为图像x方向的像素值，列(I_1n-I_mn)为图像y方向的像素值，共m行、n列，垂直梯度φx为垂直梯度算子G_x与矩阵I的卷积，垂直梯度φy为垂直梯度算子G_y与矩阵I的卷积(conv)。

如图2所示，为一张像素尺寸为2448x2050的图像，其中的生物特征为水母，本实施例中，将以这张水母图进行举例说明。

经过灰度处理的目标图像1(水母图)经所述成像光路模块11的第一透镜2投射至孔径编码器10，信号控制模块9的信号发生器根据HOG特征的算子G_x＝[-1,0,1],G_y＝[1,0,-1]^T将所述孔径编码器10生成对应的矩阵模式，根据所述矩阵模式多次对压缩图像进行压缩和特征识别，得到的待处理特征信号，经反射镜3、第二透镜4和光电传感器5以及放大器6进行处理，生物特征经过训练过的生物特征库进行分类。

运用HOG特征，需要分别对图像的垂直梯度，和水平梯度进行计算，孔径编码器(DMD)将水母图转换成一个二维矩阵此处m为水母图的水平方向x的像素个数2448，n为垂直方向y的像素个数2050。

如图3所示，图中包括6幅图，六张图中，它们各自的x坐标轴和y坐标轴表示图像的尺寸大小，等同于DMD的阵列，z坐标表示DMD的模式选择，其中有两个值，0或1。0或1对应梯度算子的0和1。

图3中第一行的3张图表示x方向的梯度算子扫描了3次后得到的方向梯度直方图，第二行的3张图表示y方向的梯度算子扫描了3次后得到的方向梯度直方图，这6次计算完成了以往需要在后端的梯度计算，减少了很大的计算量。

图4中，同样具有6幅图，图4为在图3的空间编码分布下，水母图像矩阵I与孔径编码对应的矩阵(垂直算子G_y和水平算子G_x)的乘积，同样，x坐标轴和y坐标轴表示图像的尺寸大小，此处z坐标表示处理后水母的像素值。

本实施例中，孔径编码器的硬件计算，可将上部分提到的计算通过物理硬件方式进行计算，采用物理硬件的方式进行计算，极大了减轻了本来需有软件和算法对特征进行提取计算识别的巨大负担，大大提高海洋摄影识别的效率，减轻成本。

本领域技术人员将认识到，对以上描述做出众多变通是可能的，所以实施例仅是用来描述一个或多个特定实施方式。

尽管已经描述和叙述了被看作本发明的示范实施例，本领域技术人员将会明白，可以对其作出各种改变和替换，而不会脱离本发明的精神。另外，可以做出许多修改以将特定情况适配到本发明的教义，而不会脱离在此描述的本发明中心概念。所以，本发明不受限于在此披露的特定实施例，但本发明可能还包括属于本发明范围的所有实施例及其等同物。

Claims (10)

1.一种基于压缩感知的生物与非生物目标识别方法，其特征在于，包括以下步骤：S1：通过成像光路模块对目标进行成像，将目标图像投影于孔径编码器上；S2：信号控制模块根据预定的特征识别模式生成相对应的确定矩阵模式，通过所述确定矩阵模式控制所述孔径编码器得到至少一个待处理特征信号，完成目标图像的压缩计算及特征识别；S3：所述待处理特征信号经图像处理及分类模块负责完成放大、处理和训练比较分类，得到最终特征信号。

2.如权利要求1所述的目标识别方法，其特征在于，步骤S1中，包括根据预定的特征识别模式对目标图像进行灰度处理，将经灰度处理获得的灰度图像投影于所述孔径编码器上。

3.如权利要求2所述的目标识别方法，其特征在于：步骤S2中，该确定矩阵模式对应于所述特征识别模式下特征识别运算的算子，所述灰度图像经所述算子卷积，生成至少一个待处理特征信号。

4.如权利要求3所述的目标识别方法，其特征在于：步骤S3中，所述图像处理及分类模块包括经训练得到的生物特征库，所述待处理特征信号通过所述生物特征库对生物特征进行比较分类，并通过直方图将所述待处理特征信号进行识别。

5.如权利要求1所述的目标识别方法，其特征在于：步骤S2中，所述特征识别模式包括基于HOG特征、LBP特征、Haar特征或Curvelet变换的特征识别。

6.如权利要求2所述的识别方法，其特征在于：包括S11：对所述灰度图像进行分区，得到包括多个像素的细胞单元，并由多个所述细胞单元构成一区块；S12：根据所述区块的像素密度，对所述区块内的各细胞单元作归一化处理，以得到所述目标图像。

7.如权利要求6所述的目标识别方法，其特征在于：包括S21：所述信号控制模块根据水平梯度算子G_x控制所述孔径编码器对目标图像的多个像素点作为采样点进行多次采样，得到水平梯度信号X；S22、所述信号控制模块根据垂直梯度算子G_y控制所述孔径编码器对目标图像的多个像素点作为采样点进行多次采样，得到垂直梯度信号Y。

8.如权利要求7所述的目标识别方法，其特征在于：步骤S3中，所述图像处理及分类模块的处理器根据水平梯度信号X和所述垂直梯度信号Y进行放大，根据所述细胞单元生成第一方向梯度直方图，根据所述第一方向梯度直方图生成所述区块的第二方向梯度直方图，根据所述第二方向梯度直方图生成目标图像的第三方向梯度直方图，所述根据所述细胞单元生成第一方向梯度直方图，包括根据训练后的生物特征库对所述第一方向梯度直方图进行权重投影，完成特征的训练分类。

9.一种基于压缩感知的生物与非生物特征的目标识别系统，其特征在于，用于实现权利要求1-8任一项所述的识别方法，包括成像光路模块、信号控制模块、图像处理及分类模块，所述成像光路模块包括第一透镜、孔径编码器、反射镜、第二透镜、光电传感器，所述信号控制模块包括信号发生器，所述图像处理及分类模块包括处理器、放大器和生物特征库。

10.如权利要求9所述的目标识别系统，其特征在于，所述孔径编码器为数字微镜器件、随机反射镜、可变形镜或复合孔径掩膜。