多尺度轮廓段形状特征识别方法

"这篇论文研究了基于多尺度轮廓段的形状特征提取与识别技术，针对形状识别中的挑战，如视角变化、噪声干扰和局部遮挡，提出了一种新的特征描述方法。该方法通过描述不同长度的轮廓段，在六个尺度下提取特征，并利用五种轮廓段特征参数来全面描述形状。在形状识别阶段，采用动态时间规整（DTW）算法衡量形状描述子间的匹配距离，从而实现形状的识别。实验在Kimia99、Kimia216和MPEG-7数据库上进行，结果表明这种方法具有旋转、缩放、平移和局部遮挡不变性，且识别率优于现有算法。" 本文主要探讨了形状识别这一关键的计算机视觉与模式识别问题，形状识别对于目标识别、图像检索、文字识别和行人检测等领域至关重要。在实际应用中，由于各种因素导致的形状变形是识别的一大难题。因此，研究者们致力于构建鲁棒的形状描述子以应对这些挑战。 论文中提到的形状特征描述子主要分为两类：基于形状区域的特征和基于形状轮廓的特征。而作者提出的新方法侧重于轮廓特征，通过描述不同长度的轮廓段来提取特征。这种方法在六种不同的尺度下进行特征提取，每种尺度选择五种不同的特征参数，以确保形状的全面描述。这种多尺度和多参数的策略提高了特征的表达能力，使得形状在不同条件下的变化能够得到有效的捕捉。 在识别阶段，动态时间规整（DTW）算法被引入。DTW是一种在时间序列比较中非常有效的方法，尤其在处理不完全对齐或不同步的数据时。它允许形状描述子在时间维度上进行弹性匹配，增强了形状识别的鲁棒性。 实验结果显示，基于多尺度轮廓段的形状特征描述子在三个标准数据集上表现优异，显示出良好的不变性和高识别率。这表明该方法能够有效地处理形状的旋转、缩放、平移以及局部遮挡等问题，为形状识别提供了新的思路和改进。 总结来说，这篇论文提出的形状特征提取和识别方法通过多尺度和多参数的轮廓段描述，结合DTW算法，提高了形状识别的准确性和适应性，为计算机视觉和模式识别领域的研究提供了有价值的贡献。