基于聚类SURF特征的商品识别算法

发布时间：2019-11-12 10:24

【摘要】：图像存在遮挡、尺度缩放、多干扰时,传统加速鲁棒特征(SURF)算法会产生错误匹配问题,提出一种基于匹配角度聚类的匹配算法。算法先提取SURF特征点,利用特征点的主方向信息进行图像角度矫正,再统计并聚类粗匹配对的匹配角度信息,依据类中元素数目和类簇数目进行两级筛选,剔除异常角度信息的误匹配对。算法与随机抽样一致性算法(RANSAC)进行实验对比,表明该算法能有效提高匹配正确率和保证低误剔除率,提高了商品图像的识别率。
【图文】：

测试图,角度,测试图,样本图

治?题，先将输入图像的角度矫正到接近垂直摆放角度。设O、O'分别为样本图和测试图中SUＲF特征点的主方向信息。定义DO为两图中对应特征点的主方向角度之差的绝对值，即DΟi=Οi－Ο'i(4)以5°为一个区间，统计DOi落在每个区间的频率，取频率最高区间的中值为该图的主角度定义为DOmost。将DOmost与角度矫正阈值OT进行比较，，若DOmost≥OT，则按DOmost的角度值对测试图像进行角度矫正;反之，则不必对测试图像进行角度矫正。为满足后续聚类匹配算法条件，实验中取OT=10°。图1中，(a)为轻微旋转的测试图;(b)为角度矫正后的测试图，可以看出由拍照角度引起的图像旋转问题经主方向角度矫正后达到了商品图像垂直放置的状态;(c)为旋转180°倒置的测试图;(d)为角度矫正后的测试图，可以看出由摆放不当引起的图像倒置问题经主方向角度矫正后也达到了商品图像垂直放置的状态。图1角度矫正效果2．2聚类匹配算法传统的SUＲF算法在匹配阶段会强制把所有的特征点都进行匹配，导致错误匹配对的出现，并且货架商品图像内容丰富相似性高，误匹配对数量也相应增多，对后续的识别判决造成影响。通过在匹配阶段将粗匹配对按照匹配角度信息进行聚类处理，剔除误匹配对，提高匹配正确率。本文利用粗匹配图上的坐标差比例来衡量匹配角度信息，设I、I'分别为样本图和测试图，它们的粗匹配对为M={Pi，Qi，i=1，2，…，n}，其中Pi是样本图中的特征点，Qi是测试图中的特征点。任取M中一对匹配对Pi(x1i，y1i)、Qi(x2i，y2i)，则匹配角度为θi=(y2i－y1i)/(x2i－x1i)(5)由于匹配图内的样本图和测试图为左右放置(图4)，x2i≠第

测试图,示例,类型,匹配角

遥嚅笃ヅ浣隙啵?则将这C个类簇依据元素个数降序排列，取前Tc个类作为正确类留下。e)按照匹配角度与匹配对关系将正确类中的匹配角度信息映射成匹配对信息，得到正确匹配对。3实验结果分析比较3．1改进算法的参数性能本节将讨论算法中各参数指标对实验效果的影响，从而选出最佳参数并分析该参数意义。实验环境是在VS2010和开源库OpenCV2．4．9下进行。实验图片库选取20种不同品种的货架牛奶商品作为样本库，由于单个商品是由一行货架图像分割而来，分割结果存在差异，所以测试商品库对每个品种分五种类型测试。图2中，(a)为分割图片包含整个商品定义为Ⅰ型;(b)为分割图片超过商品右边界且右边界图像同类定义为Ⅱ型;(c)为分割图片超过商品左边界且左边界图像同类定义为Ⅲ型;(d)为分割图片超过商品右边界且右边界图像不同类定义为Ⅳ型;(e)为分割图片超过商品左边界且左边界图像不同类定义为Ⅴ型。图2测试图类型示例在分析匹配角度的分布情况时，采用自适应聚类将正确匹配对应的匹配角度聚为若干个相似的大类，误匹配对应的匹配角度聚为分散的若干小类，之后依据类簇中元素个数和类簇数目即可筛选出大多数的误匹配角度。实验采用自适应的K-means聚类算法，由于正确匹配角度和误匹配角度都可能出现多个聚类类簇，在设定自适应聚类初值时先考虑极端情况:假设所有的正确匹配角度都聚为一类，而所有的误匹配角度也聚为一类，因此设定初始聚类数目为2。实验中发现部分误匹配角度与正确匹配角度相差极大，因此利用最大最小法选取K-means的聚类中心，减少大误匹配角度值的干扰。实验中的自适应聚类指标为复合加权类簇半径:a)计算每个类的类簇半径，若某个类只有一个元素而无法计算类簇半径时，那么该类是误匹配孤立点直接去除。

【相似文献】