基于图像分块算法的遮挡物体识别

开篇：润墨网以专业的文秘视角，为您筛选了一篇基于图像分块算法的遮挡物体识别范文，如需获取更多写作素材，在线客服老师一对一协助。欢迎您的阅读与分享！

摘要：提出了一种新的计算特征图像的主成分分析方法，该方法被称为图像分块算法。在此方法中，目标被表示为特征和它们相对位置（称为拓扑）的集合，这是一种局部和全局算法。当把这种方法用于解决遮挡问题时，可以发现这种方法得到的图像表示效果比传统的主成分分析方法得到的图像表示效果更好。同时，一种基于这个新的图像表示的简单图像识别算法也被提出，并进行了大量实验。实验表明，这种新方法对于带有53%遮挡部分的图像仍然有95%以上的识别率。

关键词：图像表示；遮挡；目标识别；主成分分析

中图分类号：TP391 文献标识码：A 文章编号：1009-3044（2013）03-0586-04

遮挡在实际生活中是一种普遍现象。当一个物体被另一个物体部分遮挡时，被遮挡的物体很难被识别（显然当物体绝大部分被遮挡时，由于不能得到该物体足够的可用信息，所以不能识别）。根据物体的局部特点，遮挡并不仅仅只包括其他物体的遮挡，也包括阴影和反射强光等现象。

目前，在计算机图像识别系统中，传统的主成分分析方法仍然被大量使用。主成分分析法可以被用于非常复杂的目标的识别，例如人脸[1-4]等。但是几乎所有基于主成分分析的视觉系统在识别目标时都把目标做为一个整体看待，这就导致其无法对于带有遮挡的图像进行有效的识别。

在本文中，一种新的方案将用于计算特征图像，并且提出了新的图像识别算法，即图像分块算法。具体办法是将一幅图像看作是由许多小的类似于马赛克块的分块图像组成的，而在基于特征的图像识别方法中，整幅图像可以被看作是由许多特征和特征之间的相对位置构成的，这种特征表示方法既是局部的又是全局的。这里进行了大量的实验来研究这种新的特征表示方法以及基于该特征表示方法的新的图像识别方法。实验表明，这种新的特征表示方法在图像识别中比传统的特征表示方法更有效。而当这种新的特征表示方法用于图像识别领域时，该方法对于带有53%遮挡部分的图像仍然有95%以上的识别率。

本文组织结构如下：在第二段中，分析了遮挡对于传统主成分分析法的不利影响并回顾相关工作；第三段提出了本文的图像分块方法及其优势；第四段给出了相关实验证明；第五段是总结和未来工作展望。

1 传统的基于PCA的图像识别算法在解决带有遮挡的物体识别时所存在的问题

在传统基于PCA[5]的视觉系统中，将图像作为整体处理并通过处理相应的特征系统来产生特征图像。此时，协方差矩阵中的每个元素表示图像中某两个像素之间的相互关系，换言之，要计算每一个主成分都需要分析图像中每对像素的相互关系。这不仅使计算耗费巨大，而且这种方法容易受到遮挡的影响。此外，在这种方法中很难证明图像中每一个像素和其他像素的联系是否对解决问题有帮助。

2 基于图像分块算法的图像表示和识别

研究表明在基于特征的物体识别算法征是一种局部特性，这种局部特性仅仅取决于小的邻近像素区域。所有特征的相对位置可以给出物体的整体拓扑结构。将这种观点应用于主成分分析中并给出局部像素的相关性，这就是图像分块方法（如图1所示）。在图像分块方法中，图像被分割成低维的小块图像，通过计算这些低维的小块图像的局部相关性得到局部特征向量，并将这些局部特征向量按照分块图像的相应位置排列。

许多光学现象本质上都是局部遮挡。如果遮挡之后一些主要特征仍然存在，该目标就仍然可识别（图2）。强光反射同样是一种局部现象，通常情况下，物体中仅有一部分反射强光，而在剩余的大部分中，强光会被忽略。此外，投影也可以被看作是遮挡，因为投影会使物体表面产生剧烈地改变。因此，遮挡，强光，投影都可以用相同的方法进行处理，因为它们具有相似的特性：（1）都是局部现象；（2）都大大改变了物体的表面特征。