自然場景中基于局部輪廓特征的類圓對象識別方法

班孝坤 韓軍 陸冬明 王萬國 劉俍

摘要：在自然場景下，受背景紋理、遮擋、光線影響，不容易提取到對象完整的輪廓，為此，提出了一種基于局部輪廓特征的識別方法，該局部輪廓特征是由直線和曲線組成的2相鄰輪廓片段特征（2AS）。首先，分析相鄰片段之間的夾角、片段的長度和彎曲強度，定義2AS的語義模型；接著，依據2AS之間的相對位置關系定義2AS相互關系模型，分別描述對象的2AS特征和2AS之間的相互關系；然后，使用對象模板的2AS的語義模型與測試圖像中的2AS特征進行初步匹配，接著依據對象模板的2AS相互關系模型進行精確匹配；最后，根據對象模板的2AS相互關系模型檢測到的成組2AS進行重復性聚類，并根據對象模板的2AS相互關系模型對聚類的對象判決。與使用近似直線片段組成的2AS特征算法的對比實驗結果證明，該算法對輸電線路中均壓環部件的識別具有較高的正確率、較低的誤檢率和漏檢率，從而更為有效地識別均壓環部件。

關鍵詞：對象識別；局部輪廓特征；相鄰片斷；相互關系模型

中圖分類號：TN911.73 文獻標志碼：A

Abstract：In the natural scenario， it is difficult to extract a complete outline of the object because of background textures， light and occlusion. Therefore an object recognition method based on local contour feature was proposed. Local contour feature of this paper formed by chains of 2adjacent straight and curve contour segments （2AS）. First， the angle of the adjacent segments， the segment length and the bending strength were analyzed， and the semantic model of the 2AS contour feature was defined. Then on the basis of the relative position relation between objects 2AS features， the 2AS mutual relation model was defined. Second， the 2AS semantic model of the object template primarily matched with the 2AS features of the test image， then 2AS mutual relation model of object template accurately matched with the 2AS features of the test image. At last， the pairs of 2AS of detected local contour features were obtained and repeatedly grouped， then grouped objects were verified according to the 2AS mutual relation model of object template. The contrast experiment with the 2AS feature algorithm with similar straightline chains， the proposed algorithm has higher accuracy， low false positive rate and miss rate in the recognition of grading ring， then the method can more effectively recognize the grading ring.

Key words：object recognition； local contour feature； adjacent segment； mutual relation model

0 引言

基于形狀的識別方法雖然在圖像識別中有著很廣泛的應用，但仍然存在許多難題，特別是自然場景中對象的識別，受背景雜亂、光線變化、遮擋和拍攝角度變化的影響，很難進行有效的目標識別。通過研究人類的視覺特點[1-2]可知，人類可以依據對象的局部輪廓準確地識別出對象，近年來人們一直研究使用局部輪廓特征進行目標識別，并取得了很多成功。

形狀輪廓能夠被分解為簡單的輪廓片段，例如直線[3]、曲線或隨機斷裂的片段[4]。局部形狀信息被單一片段或者相鄰片段的聚集所描述。Ferrari等[5]和Huet等[6]通過對形狀輪廓進行簡單的分裂得到近似的直線片段，建立近似直線片段的網絡用于目標的檢測。Chang等[7]利用分裂與合并的方法構建可擴展端點的曲線輪廓，并提出了基于圓弧的一元和二元描述符描述曲線輪廓的本身性質和曲線之間的幾何關系，進而使用模型的屬性關系圖識別目標。Xu等[8]在高曲率點分裂目標模板成幾個主要輪廓片段，建立主要輪廓片段的目標模型，利用模型檢測出目標的所有輪廓片段。Lu等[9]手動分割目標模板成重疊的輪廓片段，在測試圖像中利用粒子濾波的方法去檢測和聚類輪廓片段。在復雜的自然環境下，局部形狀可能出現遮擋和形變，單一的輪廓片段變化過大，不能很好地表示形狀的局部信息。

Ferrari等[10-11]通過將k條相鄰的近似直線邊緣線段（kAS）聚類組合，作為對象的局部輪廓特征，同時為kAS建立一個低維轉換與尺度不變的描述子來描述kAS的結構屬性。朱銘武等[12]則是用兩條或三條相鄰的近似直線邊緣片段（2AS&3AS）作為局部輪廓特征，建立2AS的語義模型描述對象的局部輪廓的結構屬性。在目標發生一定形變的情況下，k條相鄰的近似直線邊緣線段（kAS）聚類組合能夠保持一定的結構不變性、尺度不變性、旋轉不變性；同時kAS作為形狀的局部特征，在目標發生遮擋的情況下，同樣能夠獲得目標的部分信息。文獻[10-12]使用k條相鄰的近似直線邊緣線段（kAS）聚類組合，忽略了直線片段和曲線片段的區別。

針對在復雜的自然環境下，局部形狀可能出現遮擋和形變，單一的輪廓片段和kAS不能很好地表示形狀的局部信息，本文提出了由直線和曲線片段組成的2AS作為對象的局部輪廓特征，從而能夠更加靈活地描述形狀的局部信息，并建立2AS之間的相互關系模型對局部輪廓特征之間的相互關系進行約束，從而建立對象的整體描述，進而完成對象的識別。

1 局部輪廓特征的識別方法

本文利用由直線和曲線片段組成的2AS作為對象的局部輪廓特征，并從兩個層次描述2AS的特征：一是根據片段的彎曲強度、曲線和直線之間的夾角和相對尺度關系，定義2AS的語義模型； 二是根據兩個2AS之間的位置和角度關系，定義2AS的相互關系模型。將對象模板進行分解，將相鄰的輪廓片段組合從而構建2AS特征，并使用2AS語義模型描述對象模板的2AS特征。接著，依據分解的2AS之間的相對位置關系，使用定義的2AS相互關系模型描述2AS之間的相對位置關系。在完成對目標的描述之后，首先使用對象模板的2AS語義模型結合2AS相似度匹配函數檢測出測試圖像中所有匹配的2AS，然后在匹配的2AS的基礎上使用對象模板的2AS相互關系模型檢測出滿足相互關系的2AS，并將滿足對象模板的2AS相互關系模型的2AS兩兩組合。最后，根據檢測到的兩兩組合的2AS進行重復性聚類并通過2AS相互關系進行判決，從而完成目標的識別。通過輸電線路中均壓環部件識別的實現，驗證了方法的有效性。其整體思路如圖1所示。

1.1 對象描述

一個對象被一組2AS特征和2AS特征之間的相互關系所描述。首先，建立2AS語義模型描述對象的2AS相鄰輪廓片段；然后，建立2AS相互關系模型描述2AS特征之間的相對位置關系。

1.1.1 2AS相鄰輪廓片段的描述

在高曲率點將對象模板進行分解，從而獲得獨立的直線和曲線片段。在測試圖像中的獨立片段的提取同樣是在高曲率點分裂。在獲取獨立片段后，對相鄰片段進行分析，主要分析相鄰輪廓片段之間的角度關系的變化、相對位置變化、曲線的彎曲程度，對象輪廓片段之間的角度不但在一定程度上體現出輪廓線段之間的空間的結構特征，而且具有很好平移和旋轉不變性，片段的彎曲程度能夠在一定程度上區分不同的曲線。

1.2 輪廓特征的匹配與對象識別

通過建立對象模板的2AS語義模型和2AS相互關系模型，完成了對象的2AS特征和2AS特征之間的相互關系的描述。接下來，主要是將對象模板的一組2AS{ai}（i=1，2，…，M）和測試圖像中的一組2AS特征{bj}（j=1，2，…，N）進行匹配。對于測試圖像，使用Candy算子進行邊緣檢測，用最大類間方差法[13]獲得二值圖像提取圖像的邊緣，對邊緣進行細化。首先，獲得獨立的線段，根據Gestalt感知定律中的連續性、近似性、共線性[14]對線段進行合并；然后，檢測線段上的高曲率點[15]，進行片段拆分，再次獲得獨立的線段，之后對獲得的線段進行分析，分別獲得獨立的近似直線和曲線。

首先根據對象模板的2AS語義模型對測試圖像中的2AS特征進行初步檢測。對片段長度L、相鄰片段的夾角α、片段彎曲強度β等變化分析，定義了對象模板的2AS a、測試圖像的2AS b的一個相似度匹配。主要從以下3個方面進行匹配：

在完成測試圖像中2AS特征的初步檢測之后，利用對象模板的2AS相互關系模型對得到的測試圖像的2AS特征進一步匹配。在自然環境中，噪聲和拍攝角度的影響，目標可能出現失真變形，因此兩兩2AS特征的相對關系可以有一定的變化。因此，對象模板中aj相對于ai的位置關系模型和測試圖像中bj相對于bi的位置關系的匹配從以下兩個方面描述：

3）最后使用對象模板沒有參與聚類的2AS相互關系模型2AS相互關系模型判斷聚類的實例對象是否正確，從而完成目標識別。

1.3 算法實現步驟

將對象識別流程如圖1與上述的方法結合給出具體的算法步驟。

步驟1 預處理。1）在高曲率點將對象模板進行分解，從而獲得獨立的直線和曲線片段；2）用Canny算子完成邊緣檢測輸入圖像，根據線段上的高曲率點進行分裂，從而得到獨立的輪廓片段。

步驟2 根據式（1）得到對象模板的2AS語義模型，接著通過式（3）～（5）檢測出圖像中所有的2AS。

步驟3 根據式（6）得到對象模板的2AS的相互關系模型，接著通過式（6）、（7）進一步檢測出滿足相互關系的2AS對。

步驟4 根據1.2節中的具體聚類和判斷步驟1～3進行聚類和判斷識別的正確性。

2 自然場景中的對象識別

將上述提出的基于局部輪廓特征識別方法應用到輸電線路中均壓環部件的識別。均壓環是輸電線路中與導線相連接的重要部件，由于其連接的導線較多，受背景紋理干擾較大，遮擋比較嚴重，在進行邊緣檢測時常常提取不到其完整的輪廓，可能出現各種局部輪廓。首先，對均壓環模板（圖4（a））可能出現的2AS局部輪廓進行高曲率點分解，得到分解的2AS局部輪廓特征（圖4（b））和分解的2AS局部輪廓的相互關系（圖4（c））。然后，建立均壓環的2AS局部輪廓的2AS語義模型和2AS局部輪廓的2AS相互關系模型。在采集到輸電線路圖片中，利用均壓環模板的2AS語義模型初步檢測測試圖像中2AS的局部輪廓，通過均壓環模板的2AS相互關系模型對測試圖像中2AS的局部輪廓特征進行精確檢測，并將檢測到滿足相互關系的兩個2AS組合起來。最后，利用均壓環模板的2AS相互關系模型檢測到的2AS組進行重復性聚類，同時通過均壓環模板的2AS相互關系模型判斷聚類的正確性。根據對均壓環檢測的實際分析，均壓環是成對出現的如圖5（a）和圖6（a），并且相互遮擋，均壓環有一半輪廓是無法提取的，因此定義每個測試圖像中的均壓環組對象包含8個2AS特征，使用2AS相互關系模型檢測的2AS組有6組，只需識別出圖4（d）中的聚類1和聚類2，則認為均壓環組對象被識別。

在輸電線路巡檢圖像中，首先檢測出長的導線所在區域，在上下擴展的導線區域內Canny算子進行邊緣檢測預處理，然后根據Gestalt感知定律中的連續性、近似性、共線性對線段進行合并，根據線段上的高曲率點進分裂，從而得到獨立的輪廓片段，如圖5（b）和6（b）所示。

在得到測試圖像的邊緣輪廓之后，使用均壓環模板的2AS語義模型結合式（3）～（5）對測試圖像中2AS特征進行相似度匹配。實驗中Lthr設定為1.5，αthr值設定為30°，βthr設為2.25，對均壓環局部輪廓特征（2AS）初步檢測的效果如圖5（c）和6（c）所示。接下來，通過均壓環模板的2AS相互關系模型對測試圖像中2AS特征進行精確檢測，并將檢測的2AS兩兩組合，θthr設定為30°，dthr為1.6，檢測的效果如圖5（d）和6（d）所示。最后通過均壓環模板的2AS相互關系模型檢測到的2AS組進行重復性聚類，例如圖4（c）的相互關系{1，3，4}進行聚類得到圖4（d）中的對象，同時通過均壓環模板其他的2AS相互關系模型進行判斷聚類的正確性，例如圖4（c）的相互關系{2，5，6}，最終檢測的效果如圖5（e）和6（e）所示。

3 實驗結果與分析

利用VS2010對60張圖像進行測試并將本文算法與文獻[12]算法進行比較，60張圖像包含40張均壓環圖像和20張輸電線路中其他零部件（間隔棒和防震錘）。首先，對局部輪廓特征2AS的檢測結果進行統計（如表1），測試圖像中均壓環的2AS數量有324個，檢測到的2AS屬于對象輪廓記為正確，不屬于的記為誤檢，沒有檢測到的2AS記為漏檢；然后，對檢測的對象的結果進行統計，通過均壓環模板的2AS相互關系模型判斷的聚類對象記為正確，不通過的記為誤檢，沒有檢測到的對象記為漏檢。表中C_Num、W_Num和M_Num表示正確檢測數目，錯誤檢測數目和漏檢數T_Rate、F_Rate和M_Rate分別表示檢測的正確率、誤檢率和漏檢率。

通過圖5、圖6的檢測過程可知，在進行預處理階段，由于背景比較復雜、均壓環連接處的導線遮擋導致對均壓環的輪廓提取造成了大的影響，但是仍然能夠得到所需的局部輪廓特征。在初步檢測階段，由于復雜的環境和條件的寬松，使用均壓環模板的2AS語義模型進行檢測出現了許多誤檢測的2AS特征，但是對象2AS特征被檢測到了。在精確檢測階段，通過圖4（c）中的6種相互關系進行約束，誤檢測的2AS特征大量減少，而對象的2AS特征仍然保留。在進行聚類判決階段，重復性聚類得到對象的所有2AS特征，均壓環模板的2AS相互關系模型判斷對得到的聚類判斷，消除了錯誤的2AS特征，完成了對象的識別。

通過表1中本文算法和文獻[12]算法比較，本文算法對2AS特征的檢測的正確率提高，誤檢率降低，漏檢率降低，因此使用直線和曲線片段組成的2AS和2AS相互關系模型對目標的描述更加準確。表2中對均壓環的檢測結果顯示，對2AS的較好檢測和相互關系模型的聚類識別判斷能夠更好地識別出均壓環對象。

由表1中的數據和圖5、6表明該方法在背景干擾、遮擋影響下具有很好的魯棒性和可行性；而且從實驗結果圖5、6可看出所檢測出的局部輪廓特征能很好包含對象的輪廓形狀，在無需獲取對象整體輪廓的情況下就能很好檢測出對象。該方法誤檢率很低、較高的正確率，因此非常適用于在無法獲取對象整體輪廓形狀時，進行識別檢測。

4 結語

本文提出了一種基于局部輪廓特征的對象識別方法，首先對圖像邊緣提取，再利用Gestalt感知定律中的連續性、近似性、共線性對斷續的線段進行合并，在片段的高曲率點處進行分裂，從而得到由獨立的曲線和直線的輪廓片段。以曲線和直線輪廓組成的2AS作為目標的局部輪廓特征，通過對2AS語義模型的改進并結合對象模板輪廓分解得到的2AS樣本對目標的局部輪廓進行初步檢測，然后通過對象模板的2AS相互關系模型對目標的局部輪廓進行進一步檢測，最后將檢測的兩兩組合2AS局部輪廓特征進行重復性聚類并通過對象模板的2AS相互關系模型判斷聚類的正確性，從而完成對象的識別。將該方法應用到無人機巡檢對輸電線路上均壓環形狀部件的識別，實驗結果表明該方法具有較好的魯棒性。下一步將研究具有缺陷的對象局部輪廓結構特征，實現更多對象的識別以及對象缺陷類型的診斷，并應用于基于機器視覺的人造目標識別和缺陷診斷系統中。

參考文獻：

[1]GHOSH A， PETKOV N. Robustness of shape descriptors to incomplete contour representations[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2005， 27（11）：1793-1804.

[2]BIEDERMAN I， JU G. Surface versus edgebased determinants of visual recognition[J]. Cognitive Psychology， 1988， 20（1）：38-64.

[3]RAVISHANKAR S， JAIN A， MITTAL A. Multistage contour based detection of deformable objects[C]// Proceedings of the 10th European Conference on Computer Vision. Heidelberg： Springer， 2008：483-496.

[4]SHOTTON J， BLAKE A， CIPOLLA R. Multiscale categorical object recognition using contour fragments[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2008， 30（7）： 1270-1281.

[5]FERRARI V， TUYTELAARSTINNE T， van GOOL L. Object detection by contour segment networks[C]// Proceedings of the 9th European Conference on Computer Vision. Heidelberg： Springer， 2006：14-28.

[6]HUET B， HANCOCK E R. Shape recognition from large image libraries by inexact graph matching[J]. Pattern Recognition Letters， 1999， 20（11）：1259-1269.

[7]CHANG W， LEE S Y. Description of shape patterns using circular arcs for object detection[J]. IET Computer Vision， 2013， 7（2）：90-104.

[8]XU C， KUIPERS B. Object detection using principal contour fragments[C]// Proceedings of the 2011 Canadian Conference on Computer and Robot Vision. Piscataway， NJ： IEEE， 2011：363-370.

[9]LU C E， LATECKI L J， ADLURU N， et al. Shape guided contour grouping with particle filters [C]// Proceedings of the 2009 IEEE 12th International Conference on Computer Vision. Piscataway， NJ： IEEE， 2009：2288-2295.

[10]FERRARI V， FEVRIER L， JURIE F， et al. Groups of adjacent contour segments for object detection [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2008， 30（1）：36-51.

[11]FERRARI V， JURIE F， SCHMID C. Accurate object detection with deformable shape models learnt from images[C]// Proceedings of the 2013 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway， NJ： IEEE，2007：1-8.

[12]朱銘武，韓軍，路東明，等. 自然場景中基于局部輪廓特征的對象識別方法[J].計算機工程與應用， 2016， 52（1）： 162-167.（ZHU M W， HAN J，LU D M，et al. Object recognition method based on local contour feature in natural scenario[J].Computer Engineering and Applications， 2015， 52（1）： 162-167.）

[13]王璇， 張帆， 程京. 基于改進最大類間方差法的灰度圖像分割[J]. 微計算機信息， 2010，26（35）： 206-207.（WANG X， ZHANG F， CHENG J. Improved OTSU method on gray level image segmentation [J]. Control & Automation， 2010， 26（35）：206-207.）

[14]韓軍， 張晶晶. 基于感知組織的輸電線路結構識別方法[J]. 紅外與激光工程， 2013， 42（12）：3458-3463.（HAN J， ZHANG J J. Method on recognizing the structure of transmission line based on perceptual organization [J]. Infrared and Laser Engineering， 2013， 42（12）：3458-3463.）

[15]NGUYEN T P， DEBLED R I. Decomposition of a curve into arcs and line segments based on dominant point detection[C]// Proceedings of the 17th Scandinavian Conference on Image Analysis. Heidelberg： Springer， 2011： 794-805.