使用大型數據庫進行對象識別的系統及方法技術方案

一種對存儲在對象識別系統（100）的數據庫（140）中的已知對象的識別模型集進行組織的方法（200）包括為這些已知對象確定分類模型并且將這些分類模型分組為多個分類模型組。每個分類模型組鑒別該數據庫的一個部分，該部分包含具有是該分類模型組的成員的分類模型的已知對象的識別模型。該方法包括為每個分類模型組計算一個代表性分類模型。每個代表性分類模型是從是該分類模型組的成員的分類模型導出的。當將要識別一個目標對象（110）時，將這些代表性分類模型與該目標對象的分類模型進行比較從而使得能夠選擇這些已知對象的一個識別模型子集，用于與該目標對象的識別模型進行比較。

【技術實現步驟摘要】
【國外來華專利技術】相關申請本申請要求根據美國法典35U.S.C. § 119(e)于2010年5月14日提交的名稱為“使用超大型數據庫進行對象識別的系統及方法(System and Method for Object Recognition with Very LargeDatabases)” 的美國臨時申請序列號 No. 61/395，565 的權益，該申請的全部內容通過引用結合在此。
本公開內容的領域一般涉及用于對象識別的系統及方法，并且更具體但非排他性地涉及管理包含相對大量已知對象模型的數據庫。
技術介紹
在過去的幾年，視覺對象識別系統已經變得越來越流行并且它們的用途一直在擴展。典型的視覺對象識別系統依賴于使用從圖像提取的多個特征，其中每個特征具有與其相關聯的多維描述符向量，該向量是高度可區分的并且能夠對特征進行區分。某些描述符的計算方式完全不管樣本圖像中對象的比例、定向或照度，對象的同一特征在所有樣本圖像中具有非常相似的描述符向量。這樣的特征被認為是和比例、定向和/或照度的變化無關。在識別一個目標對象之前，建立一個數據庫，該數據庫包括從人們希望識別的多個已知對象提取的不變特征。為了識別目標對象，從目標對象提取不變特征，并且針對目標對象的每一個所提取的不變特征在數據庫中找到最相似的不變特征(稱為“最近鄰”)。最近鄰檢索算法已經被開發了很多年，使得檢索時間相對于數據庫的大小而言是對數的，因此識別算法具有實際價值。一旦在數據庫中找到最近鄰，就將這些最近鄰用于投票選擇它們來自其中的已知對象。如果將多個已知對象鑒別為目標對象的候選匹配對象，則可以通過確定哪一個候選匹配具有最高的最近鄰投票數來鑒別目標對象的真實已知對象匹配。在名稱為“用于鑒別圖像中的比例不變特征的方法及設備以及其用于定位圖像中的對象的用途 (Method and apparatus for identifyingscale invariant features in an image and use of same for locating an objectin an image)”的美國專利序列號No. 6，711，293 中描述了這樣一種已知的對象識別方法。然而，典型方法的困難是當數據庫的大小增加時(B卩，隨著希望識別的已知對象的數量增加)，更加難以找到最近鄰，因為用于最近鄰檢索的算法是概率性的。這些算法不能確保找到精確的最近鄰但是可以以高概率確保找到最近鄰。當數據庫的大小增加時，該概率降低，當數據庫足夠大時，該概率趨近于零。因此，本專利技術人認識到需要甚至當數據庫含有大量(例如，上千個、好幾萬、好幾百萬或好幾千萬個)對象時高效可靠地進行對象識別。
技術實現思路
本公開內容描述了改進的對象識別系統及相關聯的方法。一個實施方案針對一種對存儲在對象識別系統的數據庫中的已知對象的識別模 型集進行組織的方法。為這些已知對象中的每一個對象確定一個分類模型。將這些已知對 象的分類模型分組為多個分類模型組。每個分類模型組鑒別該數據庫的一個對應部分，該 部分包含具有是該分類模型組的成員的分類模型的已知對象的識別模型。為每個分類模型 組計算一個代表性分類模型。每個代表性分類模型是從是該分類模型組的成員的分類模型 得出或導出的。當嘗試識別目標對象時，將目標對象的分類模型與這些代表性分類模型進 行比較從而使得能夠選擇識別模型子集，用于與目標對象的識別模型進行比較。參考附圖從優選實施方案的以下詳細描述中其他的方面及優點將是顯而易見的。附圖說明圖1是根據一個實施方案的對象識別系統的框圖。圖2是根據一個實施方案的包含已知對象的模型的圖1系統的數據庫的框圖。圖3是根據一個實施方案的在圖1的系統的數據庫中形成的一個小型數據庫的框 圖。圖4是根據一個實施方案的用于將圖2的數據庫分為多個小型數據庫的方法的流 程圖。圖5是根據一個實施方案的用于生成對象的分類簽名的方法的流程圖。圖6是根據另一個實施方案的用于生成對象的分類簽名的方法的流程圖。圖7是根據另一個實施方案的用于生成對象的分類簽名的方法的流程圖。圖8是根據一個實施方案的用于計算從對象的圖像得出的向量的精簡維度表示 的方法的流程圖。圖9是展示一個簡化的2維分類簽名空間的圖，已知對象的分類簽名位于該空間 中并被分組為多個分類簽名組。圖10是根據一個實施方案的用于識別目標對象的方法的流程圖。圖11是根據一個實施方案的用于將圖2的數據庫分為多個小型數據庫或箱的方 法的流程圖。圖12是使用根據圖11的方法進行分割的數據庫來識別目標對象的方法的流程 圖。圖13是根據一個實施方案的選擇特征從而包括在圖1的系統的分類數據庫中的 方法的流程圖。具體實施方式參考上面列出的附圖，本節將描述具體實施方案及其詳細構造和操作。在此描述 的這些實施方案是僅通過示例而不是限制來闡述的。本領域的普通技術人員根據本文的傳 授內容將認識到存在在此描述的示例實施方案的很多等效物。最值得注意的是，其他實施 方案也是可能的，可以對在此描述的這些實施方案作出改變，并且可以存在構成在此描述 的這些實施方案的組件、部分或步驟的等效物。為了清晰簡明的目的，在此展示某些實施方案的部件或步驟的某些方面，而沒有 過多地描述對于本領域的普通技術人員根據本文的傳授內容顯而易見的細節和/或某些容易混淆這些實施方案的更相關方面的理解的細節。本領域的技術人員將認識到在此使用的不同術語。然而，以下為某些術語提供了示例定義。幾何點特征、點特征、特征、特征點、關鍵點幾何點特征也稱為“點特征”、“特征”、 “特征點”或“關鍵點”，是在對象的圖像表示中被可靠地檢測和/或鑒別的對象上的一個點。 特征點是使用特征檢測器(又稱為特征檢測器算法)檢測的，該特征檢測器對圖像進行處理從而檢測滿足特定屬性的圖像位置。例如，Harris角點檢測器檢測在圖像中邊緣邊界交叉的位置。這些交叉點通常對應于在對象上存在角點的位置。術語“幾何點特征”強調的是在圖像中特定點處對特征進行定義并且在圖像中找到的特征的相對幾何關系對于對象識別過程而言是有用的。對象的特征可以包括關于對象的信息集，如標識符，從而鑒別該特征所屬于的對象或對象模型；特征的X和y位置坐標、比例以及定向；以及特征描述符。對應特征、對應、特征對應如果當從兩個不同的視點查看兩個特征時(即，當在可能在比例、定向、平移、透視效果及照度方面不同的兩個不同的圖像中成像時)，兩個特征表示一個對象的同一物理點，則將其稱為“對應特征”(還稱為“對應”或“特征對應”)。特征描述符、描述符、描述符向量、特征向量、局部片描述符“特征描述符”(也稱為“描述符”、“描述符向量”、“特征向量”或“局部片向量”)是一個用于鑒別一個特征并從其他特征區分該特征的已檢測特征的某些質量的量化測量值。通常，特征描述符可以采用基于特征位置周圍的一片像素的像素值的高維度向量(特征向量)的形式。一些特征描述符對于共同的圖像變換(如比例、定向以及照度的變化)而言是不變的，從而使得在對象的多幅圖像中觀察到的該對象的對應特征(即，在圖像比例、定向及照度不同的對象的若干幅圖像中檢測到的對象上的同一物理點)具有類似的(如果不是相同的)特征描述符。最近鄰給定一個已檢測特征的集合V，該集合V中的一個具體特征V的最近鄰是具有最本文檔來自技高網...

【技術保護點】

【技術特征摘要】
【國外來華專利技術】2010.05.14 US 61/395,5651.一種對存儲在對象識別系統的數據庫中的已知對象的識別模型集進行組織的方法，該方法包括 為所述已知對象中的每一個確定分類模型； 將所述已知對象的分類模型分組為多個分類模型組，這些分類模型組中的每一個分類模型組對所述數據庫的對應部分進行鑒別，所述對應部分包含具有是該分類模型組的成員的分類模型的所述已知對象的識別模型；以及 為所述分類模型組計算代表性分類模型，其中分類模型組的代表性分類模型是從是該分類模型組的成員的分類模型中得到的，并且其中當識別目標對象時將所述代表性分類模型與該目標對象的分類模型進行比較從而能夠選擇這些已知對象的一個識別模型子集以便與該目標對象的識別模型進行比較。2.如權利要求1所述的方法，其中確定已知對象的分類模型包括根據該已知對象的圖像對外觀特性進行測量。3.如權利要求2所述的方法，其中該外觀特性與顏色、紋理、空間頻率、形狀、照度不變的圖像屬性以及照度不變的圖像梯度屬性中的一個或更多個相對應。4.如權利要求2所述的方法，其中該已知對象的分類模型是通過以下方式確定的 對由圖像捕獲裝置捕獲的場景的圖像進行分割從而產生該已知對象的一幅分離圖像； 根據該已知對象的所述圖像計算局部特征描述符向量，其中這些局部特征描述符向量是在特征描述符向量空間內； 將該特征描述符向量空間分為多個區域； 確定這些局部特征描述符向量屬于哪些區域；以及 創建直方圖，該直方圖量化有多少局部特征描述符向量屬于這些區域中的每一個區域，該直方圖對應于所述分類模型。5.如權利要求4所述的方法，進一步包括 為所述區域中的每一個區域分配一個代表性描述符向量；以及將所述局部特征描述符向量與所述代表性描述符向量進行比較從而確定所述局部特征描述符向量屬于哪個區域。6.如權利要求2所述的方法，其中該已知對象的分類模型是通過以下方式確定的 對由圖像捕獲裝置捕獲的場景的圖像進行分割從而產生該已知對象的一幅分離圖像； 對該已知對象的分割后圖像應用幾何變換從而獲得該已知對象的標準化圖像；以及為該已知對象的標準化圖像生成單個特征描述符，所述分類模型包括該單個特征描述符的表示。7.如權利要求6所述的方法，其中該單個特征描述符是使用該已知對象的標準化圖像的整個范圍生成的。8.如權利要求2所述的方法，其中該已知對象的分類模型是通過以下方式確定的 對由圖像捕獲裝置捕獲的場景的圖像進行分割從而產生該已知對象的一幅分離圖像； 對該已知對象的分割后圖像應用幾何變換從而獲得該已知對象的標準化圖像；將該已知對象的標準化圖像劃分為多個預定的格柵部分；以及為已劃分圖像的每一個格柵部分生成一個特征描述符向量，所述分類模型包括所述格柵部分的特征描述符的表不。9.如權利要求2所述的方法，其中該已知對象的分類模型是通過以下方式確定的 對由圖像捕獲裝置捕獲的場景的圖像進行分割從而產生該已知對象的一幅分離圖像； 對該已知對象的分割后圖像應用幾何變換從而獲得該已知對象的標準化圖像，其中向量表示該標準化圖像；以及 計算表示該標準化圖像的向量的主元分析表示，所述分類模型包括該向量的主元分析表不的一種表不。10.如權利要求1所述的方法，其中確定已知對象的分類模型包括對該已知對象的物理屬性進行測量。11.如權利要求10所述的方法，其中該物理屬性是高度、寬度、長度、形狀、質量、幾何矩、體積、曲率、電磁特征以及溫度中的一個或更多個。12.如權利要求10所述的方法，進一步包括根據該已知對象的圖像測量外觀特性，其中該已知對象的分類模型包括該已知對象的物理屬性的表示以及該已知對象的外觀特性的表示。13.如權利要求1所述的方法，其中所述分類模型組是通過對所述分類模型應用聚類算法而形成的。14.如權利要求13所述的方法，其中所述已知對象的分類模型是使用k-均值聚類算法聚類的。15.如權利要求13所述的方法，其中在聚類之前確定所述分類模型聚類到其中的分類模型組的數量。16.如權利要求13所述的方法，其中在聚類過程中確定所述分類模型聚類到其中的分類模型組的數量。17.如權利要求1所述的方法，其中所述聚類包括軟聚類，其中已知對象的分類模型被聚類到所述分類模型組中的一個或更多個中，并且該已知對象的識別模型被包括在該數據庫的所述部分中的一個或更多個中。18.如權利要求1所述的方法，其中分類模型組的代表性分類模型對應于是該分類模型組的成員的分類模型的均值。19.如權利要求1所述的方法，其中所述分類模型包括表示η維向量的分類簽名。20.一種從包含已知對象集的識別模型的數據庫中識別目標對象的方法，該數據庫被分為多個部分，并且每個部分包含已知對象子集的識別模型，該方法包括 接收表示該目標對象的圖像的圖像數據； 為該目標對象確定分類模型； 為該目標對象生成從該目標對象的所述圖像得出的識別模型； 將該目標對象的分類模型與同該數據庫的所述部分相關聯的代表性分類模型進行比較，該數據庫的一個部分的代表性分類模型從已知對象子集的分類模型得出，所述已知對象子集的分類模型具有包含在該部分中的識別模型；選擇該數據庫的一個部分從而基于所述比較進行檢索；以及 檢索該數據庫的選定部分從而鑒別與該目標對象的識別模型相匹配的已知對象的識別豐吳型。21.如權利要求20所述的方法，其中確定該目標對象的分類模型包括根據該目標對象的圖像對外觀特性進行測量。22.如權利要求21所述的方法，其中該外觀特性與顏色、紋理、空間頻率、形狀、照度不變的圖像屬性以及照度不變...

【專利技術屬性】
技術研發人員：L·貢考爾維斯，J·奧斯特洛夫斯基，R·伯曼，
申請(專利權)人：數據邏輯ADC公司，
類型：
國別省市：