本發(fā)明涉及圖像處理技術(shù)領(lǐng)域，特別是涉及一種提取圖像特征的方法及裝置。

背景技術(shù)：

隨著圖像識(shí)別技術(shù)的快速發(fā)展，各應(yīng)用領(lǐng)域?qū)D像識(shí)別的精確度也越來越高。為了提高機(jī)器識(shí)別圖像的精確度，人們通過圖像特征可視化的方法，來改進(jìn)機(jī)器在圖像識(shí)別中使用的圖像識(shí)別算法。

圖像特征可視化具體是指：根據(jù)機(jī)器提取到的目標(biāo)圖像的圖像特征，對(duì)目標(biāo)圖像進(jìn)行還原。這樣，可以根據(jù)原始目標(biāo)圖像和還原后的目標(biāo)圖像之間的差異，對(duì)圖像識(shí)別算法進(jìn)行改進(jìn)，若原始目標(biāo)圖像和還原后的目標(biāo)圖像的差異較小，相似度較高，則說明當(dāng)前使用的圖像識(shí)別算法較為適用，反之，則說明當(dāng)前使用的圖像識(shí)別算法不適用。

目前，在圖像特征可視化的過程中，用于提取圖像特征的圖像識(shí)別算法包括主成分分析(principalcomponentanalysis，pca)算法和特征檢測(cè)(histogramoforientedgridients，hog)算法；其中，pca算法擅長(zhǎng)提取圖像的細(xì)節(jié)特征，但對(duì)于細(xì)節(jié)特征較少的圖像，比如天空，大海，墻面等，提取到的pca特征信息中包含的圖像信息不完整；而hog算法擅長(zhǎng)提取圖像的輪廓特征，但提取到的hog特征信息忽略了圖像的細(xì)節(jié)信息。這樣，導(dǎo)致根據(jù)使用pca算法或者h(yuǎn)og算法提取出的圖像特征，還原后的圖像與原始目標(biāo)圖像的差異較大、相似度較低。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例的目的在于提供一種提取圖像特征的方法及裝置，能夠提取到包括細(xì)節(jié)特征和輪廓特征在內(nèi)的豐富的圖像特征。具體技術(shù)方案如下：

本發(fā)明實(shí)施例提出了一種提取圖像特征的方法，所述方法包括：計(jì)算目標(biāo)圖像中每個(gè)塊結(jié)構(gòu)分別對(duì)應(yīng)的第一hog特征信息，所述塊結(jié)構(gòu)包括預(yù)設(shè)數(shù)量的像素值組成的像素矩陣；針對(duì)每個(gè)所述塊結(jié)構(gòu)，根據(jù)塊結(jié)構(gòu)中的像素矩陣，生成pca算法的輸入集合；使用所述pca算法計(jì)算每個(gè)所述塊結(jié)構(gòu)對(duì)應(yīng)的pca特征信息；級(jí)聯(lián)每個(gè)所述塊結(jié)構(gòu)對(duì)應(yīng)的第一hog特征信息和所述pca特征信息，生成每個(gè)所述塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息；將所有塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息級(jí)聯(lián)起來，生成所述目標(biāo)圖像的新hogp特征信息。

優(yōu)選的，所述計(jì)算目標(biāo)圖像中每個(gè)塊結(jié)構(gòu)分別對(duì)應(yīng)的第一hog特征信息，所述塊結(jié)構(gòu)包括預(yù)設(shè)數(shù)量的像素值組成的像素矩陣的步驟，包括：計(jì)算目標(biāo)圖像中各像素值分別對(duì)應(yīng)的梯度值；根據(jù)所述各像素值的梯度值，計(jì)算每個(gè)單元格分別對(duì)應(yīng)的第二hog特征信息，其中，所述每個(gè)單元格包括像素值矩陣l×l，所述第二hog特征信息包括維度為r的hog特征向量；根據(jù)所述每個(gè)單元格對(duì)應(yīng)的第二hog特征信息，計(jì)算每個(gè)塊結(jié)構(gòu)對(duì)應(yīng)的第一hog特征信息，其中，所述每個(gè)塊結(jié)構(gòu)包括單元格矩陣p1×p2，所述第一hog特征信息包括維度為r×p1×p2的hog特征向量。

優(yōu)選的，所述根據(jù)塊結(jié)構(gòu)中的像素矩陣，生成pca算法的輸入集合的步驟，包括：根據(jù)所述塊結(jié)構(gòu)中的像素矩陣，生成pca算法的輸入集合；其中，所述像素矩陣為m×n，m＝l×p1，n＝l×p2，所述輸入集合為dm×n＝{x1,x2,...,xn}，所述輸入集合dm×n包括n個(gè)像素值樣本x1,x2,...,xn，其中xi＝{x1,x2,...,xm}，一個(gè)樣本xi包括所述像素矩陣m×n中第i列的m個(gè)像素值。

優(yōu)選的，所述使用所述pca算法計(jì)算每個(gè)塊結(jié)構(gòu)的對(duì)應(yīng)的pca特征信息的步驟，包括：使用所述pca算法計(jì)算每個(gè)塊結(jié)構(gòu)的對(duì)應(yīng)的pca特征信息，其中，所述pca特征信息包括維度為k×l×p2的pca特征向量，k為所述pca特征信息中每個(gè)樣本包括的像素值數(shù)量，k＜m；所述級(jí)聯(lián)每個(gè)所述塊結(jié)構(gòu)對(duì)應(yīng)的hog特征信息和所述pca特征信息，生成每個(gè)所述塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息的步驟，包括：級(jí)聯(lián)每個(gè)所述塊結(jié)構(gòu)對(duì)應(yīng)的、所述維度為r×p1×p2的hog特征向量，以及每個(gè)所述塊結(jié)構(gòu)對(duì)應(yīng)的、所述維度為k×l×p2的pca特征向量，生成每個(gè)所述塊結(jié)構(gòu)對(duì)應(yīng)的、維度為r×p1×p2+k×l×p2的新hogp特征向量。

優(yōu)選的，在所述根據(jù)所述每個(gè)單元格對(duì)應(yīng)的第一hog特征信息，計(jì)算每個(gè)塊結(jié)構(gòu)對(duì)應(yīng)的第二hog特征信息的步驟之前，所述方法還包括：以塊結(jié)構(gòu)為基本單位，按照預(yù)設(shè)的步長(zhǎng)，對(duì)所述目標(biāo)圖像中各像素值進(jìn)行掃描，將所述目標(biāo)圖像劃分為數(shù)量為q的所述塊結(jié)構(gòu)；所述將所有塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息級(jí)聯(lián)起來，生成所述目標(biāo)圖像的新hogp特征信息的步驟，包括：將所有塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息級(jí)聯(lián)起來，生成所述目標(biāo)圖像的維度為(r×p1×p2+k×l×p2)×q的新hogp特征向量。

本發(fā)明實(shí)施例還提出了一種提取圖像特征的裝置，所述裝置包括：第一計(jì)算單元，用于計(jì)算目標(biāo)圖像中每個(gè)塊結(jié)構(gòu)分別對(duì)應(yīng)的第一hog特征信息，所述塊結(jié)構(gòu)包括預(yù)設(shè)數(shù)量的像素值組成的像素矩陣；生成單元，用于針對(duì)每個(gè)所述塊結(jié)構(gòu)，根據(jù)塊結(jié)構(gòu)中的像素矩陣，生成pca算法的輸入集合；第二計(jì)算單元，用于使用所述pca算法計(jì)算每個(gè)所述塊結(jié)構(gòu)的對(duì)應(yīng)的pca特征信息；第一級(jí)聯(lián)單元，用于級(jí)聯(lián)每個(gè)所述塊結(jié)構(gòu)對(duì)應(yīng)的第一hog特征信息和所述pca特征信息，生成每個(gè)所述塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息；第二級(jí)聯(lián)單元，用于將所有塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息級(jí)聯(lián)起來，生成所述目標(biāo)圖像的新hogp特征信息。

優(yōu)選的，所述第一計(jì)算單元，包括：第一計(jì)算子單元、第二計(jì)算子單元和第三計(jì)算子單元；所述第一計(jì)算子單元，用于計(jì)算目標(biāo)圖像中各像素值分別對(duì)應(yīng)的梯度值；所述第二計(jì)算子單元，用于根據(jù)所述各像素值的梯度值，計(jì)算每個(gè)單元格分別對(duì)應(yīng)的第二hog特征信息，其中，所述每個(gè)單元格包括像素值矩陣l×l，所述第二hog特征信息包括維度為r的hog特征向量；所述第三計(jì)算子單元，用于根據(jù)所述每個(gè)單元格對(duì)應(yīng)的第二hog特征信息，計(jì)算每個(gè)塊結(jié)構(gòu)對(duì)應(yīng)的第一hog特征信息，其中，所述每個(gè)塊結(jié)構(gòu)包括單元格矩陣p1×p2，所述第一hog特征信息包括維度為r×p1×p2的hog特征向量。

優(yōu)選的，所述生成單元，具體用于根據(jù)所述塊結(jié)構(gòu)中的像素矩陣，生成pca算法的輸入集合；其中，所述像素矩陣為m×n，m＝l×p1，n＝l×p2，所述輸入集合為dm×n＝{x1,x2,...,xn}，所述輸入集合dm×n包括n個(gè)像素值樣本x1,x2,...,xn，其中xi＝{x1,x2,...,xm}，一個(gè)樣本xi包括所述像素矩陣m×n中第i列的m個(gè)像素值。

本發(fā)明實(shí)施例又提出了一種電子設(shè)備，包括處理器、通信接口、存儲(chǔ)器和通信總線，其中，處理器，通信接口，存儲(chǔ)器通過通信總線完成相互間的通信；存儲(chǔ)器，用于存放計(jì)算機(jī)程序；處理器，用于執(zhí)行存儲(chǔ)器上所存放的程序時(shí)，實(shí)現(xiàn)如下方法：

計(jì)算目標(biāo)圖像中每個(gè)塊結(jié)構(gòu)分別對(duì)應(yīng)的第一hog特征信息，所述塊結(jié)構(gòu)包括預(yù)設(shè)數(shù)量的像素值組成的像素矩陣；

針對(duì)每個(gè)所述塊結(jié)構(gòu)，根據(jù)塊結(jié)構(gòu)中的像素矩陣，生成pca算法的輸入集合；

使用所述pca算法計(jì)算每個(gè)所述塊結(jié)構(gòu)對(duì)應(yīng)的pca特征信息；

級(jí)聯(lián)每個(gè)所述塊結(jié)構(gòu)對(duì)應(yīng)的第一hog特征信息和所述pca特征信息，生成每個(gè)所述塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息；

將所有塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息級(jí)聯(lián)起來，生成所述目標(biāo)圖像的新hogp特征信息。

本發(fā)明實(shí)施例另提出了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)內(nèi)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如下方法：

計(jì)算目標(biāo)圖像中每個(gè)塊結(jié)構(gòu)分別對(duì)應(yīng)的第一hog特征信息，所述塊結(jié)構(gòu)包括預(yù)設(shè)數(shù)量的像素值組成的像素矩陣；

針對(duì)每個(gè)所述塊結(jié)構(gòu)，根據(jù)塊結(jié)構(gòu)中的像素矩陣，生成pca算法的輸入集合；

使用所述pca算法計(jì)算每個(gè)所述塊結(jié)構(gòu)對(duì)應(yīng)的pca特征信息；

級(jí)聯(lián)每個(gè)所述塊結(jié)構(gòu)對(duì)應(yīng)的第一hog特征信息和所述pca特征信息，生成每個(gè)所述塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息；

將所有塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息級(jí)聯(lián)起來，生成所述目標(biāo)圖像的新hogp特征信息。

本發(fā)明實(shí)施例提供的一種提取圖像特征的方法，首先，計(jì)算目標(biāo)圖像中每個(gè)塊結(jié)構(gòu)分別對(duì)應(yīng)的第一hog特征信息，然后，針對(duì)每個(gè)塊結(jié)構(gòu)，根據(jù)塊結(jié)構(gòu)中的像素矩陣，生成pca算法的輸入集合；接下來，使用pca算法計(jì)算每個(gè)塊結(jié)構(gòu)的對(duì)應(yīng)的pca特征信息；級(jí)聯(lián)每個(gè)塊結(jié)構(gòu)對(duì)應(yīng)的第一hog特征信息和pca特征信息，生成每個(gè)塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息；最后，將所有塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息級(jí)聯(lián)起來，生成目標(biāo)圖像的新hogp特征信息。

可見，本發(fā)明實(shí)施例所述的提取圖像特征的方法，能夠?qū)og算法和pca算法結(jié)合起來，生成包括hog特征信息和pca特征信息的新hogp特征信息，使得最終生成的目標(biāo)圖像的新hogp特征信息包含的圖像特征更加豐富準(zhǔn)確，不僅能夠體現(xiàn)目標(biāo)圖像細(xì)節(jié)特征，而且能夠體現(xiàn)目標(biāo)圖像的輪廓特征；這樣，根據(jù)目標(biāo)圖像的新hogp特征信息進(jìn)行可視化得到的還原圖像，與原始目標(biāo)圖像的差異較小、相似度較高。當(dāng)然，實(shí)施本發(fā)明的任一產(chǎn)品或方法必不一定需要同時(shí)達(dá)到以上所述的所有優(yōu)點(diǎn)。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他的附圖。

圖1為本發(fā)明實(shí)施例的提取圖像特征的方法的一種流程圖；

圖2為本發(fā)明實(shí)施例的提取圖像特征的方法的又一種流程圖；

圖3為本發(fā)明實(shí)施例中特征字典的示意圖；

圖4為本發(fā)明實(shí)施例的圖像可視化結(jié)果的示意圖；

圖5為本發(fā)明實(shí)施例的提取圖像特征的裝置的結(jié)構(gòu)示意圖；

圖6為本發(fā)明實(shí)施例的電子設(shè)備的結(jié)構(gòu)示意圖。

具體實(shí)施方式

下面將結(jié)合本發(fā)明實(shí)施例中的附圖，對(duì)本發(fā)明實(shí)施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實(shí)施例僅僅是本發(fā)明一部分實(shí)施例，而不是全部的實(shí)施例?；诒景l(fā)明中的實(shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動(dòng)前提下所獲得的所有其他實(shí)施例，都屬于本發(fā)明保護(hù)的范圍。

隨著圖像識(shí)別技術(shù)的快速發(fā)展，各應(yīng)用領(lǐng)域?qū)D像識(shí)別的精確度也越來越高。為了提高機(jī)器識(shí)別圖像的精確度，人們通過圖像特征可視化的方法，來改進(jìn)機(jī)器在圖像識(shí)別中使用的圖像識(shí)別算法。

圖像特征可視化具體是指：根據(jù)機(jī)器提取到的目標(biāo)圖像的圖像特征，通過算法模型對(duì)目標(biāo)圖像進(jìn)行還原。這樣，可以根據(jù)原始目標(biāo)圖像和還原后的目標(biāo)圖像之間的差異，對(duì)圖像識(shí)別算法進(jìn)行改進(jìn)，若原始目標(biāo)圖像和還原后的目標(biāo)圖像的差異較小，相似度較高，則說明當(dāng)前使用的圖像識(shí)別算法較為適用，反之，則說明當(dāng)前使用的圖像識(shí)別算法不適用。

目前，在圖像特征可視化的過程中，用于提取圖像特征的算法包括pca算法、hog算法、局部二值模式(localbinarypattern，lbp)算法、通用搜索樹(generalizedsearchtrees，gist)算法、尺度不變特征轉(zhuǎn)換(scaleinvariantfeaturetransform，sift)算法等；用于根據(jù)圖像特征還原目標(biāo)圖像的算法模型包括詞包模型、稀疏字典模型以及反卷積網(wǎng)絡(luò)模型等。

pca算法通過對(duì)目標(biāo)圖像數(shù)據(jù)進(jìn)行簡(jiǎn)化處理，以濾除目標(biāo)圖像數(shù)據(jù)中的冗余數(shù)據(jù)；使用pca算法提取目標(biāo)圖像的pca特征信息的流程如下：

步驟1，根據(jù)目標(biāo)圖像的像素值，確定pca算法的樣本，多個(gè)樣本組成一個(gè)矩陣，稱為樣本集合；

步驟2，求該樣本集合的協(xié)方差矩陣；

步驟3，求該協(xié)方差矩陣的特征值和特征向量；

步驟4，將特征向量按對(duì)應(yīng)特征值大小從上到下按行排列成矩陣，取前k行組成矩陣w，w為變換矩陣；

步驟5，通過變換矩陣w，將樣本集合中的每個(gè)樣本的維數(shù)降低，達(dá)到濾除目標(biāo)圖像數(shù)據(jù)中的冗余數(shù)據(jù)的目的，降維后的樣本集合歸一化處理后即為目標(biāo)圖像的pca特征信息。

因此，使用pca算法提取到的pca特征信息能夠包含圖像的細(xì)節(jié)特征，但對(duì)于細(xì)節(jié)特征較少的圖像特征包含的不完整，比如天空，大海，墻面等。

hog算法能夠通過梯度或邊緣的方向密度分布體現(xiàn)目標(biāo)圖像中局部目標(biāo)的表象和形狀；使用hog算法提取目標(biāo)圖像的hog特征信息的流程如下：

步驟1，對(duì)目標(biāo)圖像通過gamma校正對(duì)顏色空間進(jìn)行標(biāo)準(zhǔn)化處理；

步驟2，計(jì)算目標(biāo)圖像中各像素點(diǎn)分別對(duì)應(yīng)的梯度值；

步驟3，根據(jù)各像素點(diǎn)的梯度值，計(jì)算每個(gè)單元格的hog特征信息，每個(gè)單元格由預(yù)設(shè)第一數(shù)量的像素點(diǎn)組成；

步驟4，根據(jù)每個(gè)單元格的hog特征信息，計(jì)算每個(gè)塊結(jié)構(gòu)的hog特征信息；

步驟5，將目標(biāo)圖像中所有塊結(jié)構(gòu)的hog特征信息級(jí)聯(lián)起來，得到目標(biāo)圖像的hog特征信息。

因此，使用hog算法提取目標(biāo)圖像的hog特征信息很好的體現(xiàn)了目標(biāo)圖像的輪廓特征，但忽略了目標(biāo)圖像的細(xì)節(jié)信息。

針對(duì)上述問題，本發(fā)明實(shí)施例公開了一種提取圖像特征的方法。參見圖1，圖1為本發(fā)明實(shí)施例的提取圖像特征的方法的一種流程圖，包括如下步驟：

步驟101，計(jì)算目標(biāo)圖像中每個(gè)塊結(jié)構(gòu)分別對(duì)應(yīng)的第一hog特征信息。

其中，該塊結(jié)構(gòu)包括預(yù)設(shè)數(shù)量的像素值組成的像素矩陣。

在本步驟中，將目標(biāo)圖像的像素值劃分為多個(gè)塊結(jié)構(gòu)，計(jì)算出每個(gè)塊結(jié)構(gòu)對(duì)應(yīng)的第一hog特征信息；需要說明的是，計(jì)算目標(biāo)圖像中每個(gè)塊結(jié)構(gòu)對(duì)應(yīng)的hog特征信息可以參考現(xiàn)有技術(shù)，在此不再贅述。

這樣，目標(biāo)圖像的第一hog特征信息能夠體現(xiàn)目標(biāo)圖像的輪廓特征。

步驟102，針對(duì)每個(gè)該塊結(jié)構(gòu)，根據(jù)塊結(jié)構(gòu)中的像素矩陣，生成pca算法的輸入集合。

在本步驟中，生成目標(biāo)圖像中每個(gè)塊結(jié)構(gòu)對(duì)應(yīng)的pca算法的輸入集合，以計(jì)算目標(biāo)圖像的pca特征信息，一個(gè)塊結(jié)構(gòu)對(duì)應(yīng)一個(gè)pca算法的輸入集合，pca算法的輸入集合的數(shù)量與塊結(jié)構(gòu)的數(shù)量相同。

這樣，在后面的步驟中就能夠根據(jù)pca算法的輸入集合，使用pca算法計(jì)算目標(biāo)圖像的pca特征信息。

步驟103，使用該pca算法計(jì)算每個(gè)該塊結(jié)構(gòu)的對(duì)應(yīng)的pca特征信息。

在本步驟中，根據(jù)步驟102計(jì)算出的pca的輸入集合，計(jì)算每個(gè)塊結(jié)構(gòu)對(duì)應(yīng)的pca特征信息。需要說明的是，根據(jù)pca的輸入集合，使用pca算法計(jì)算pca特征信息可以參考現(xiàn)有技術(shù)，在此不再贅述。

這樣，目標(biāo)圖像的pca特征信息能夠體現(xiàn)目標(biāo)圖像的細(xì)節(jié)特征。

步驟104，級(jí)聯(lián)每個(gè)該塊結(jié)構(gòu)對(duì)應(yīng)的第一hog特征信息和該pca特征信息，生成每個(gè)該塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息；

在本步驟中，將步驟101中計(jì)算出的塊結(jié)構(gòu)對(duì)應(yīng)的第一hog特征信息，與步驟103計(jì)算出的塊結(jié)構(gòu)對(duì)應(yīng)的pca特征信息級(jí)聯(lián)起來，生成每個(gè)塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息。

這樣，每個(gè)塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息不僅能夠體現(xiàn)塊結(jié)構(gòu)對(duì)應(yīng)的部分圖像的輪廓特征，而且能夠體現(xiàn)塊結(jié)構(gòu)對(duì)應(yīng)的部分圖像的細(xì)節(jié)特征。

步驟105，將所有塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息級(jí)聯(lián)起來，生成該目標(biāo)圖像的新hogp特征信息。

在本步驟中，將步驟104生成的所有塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息級(jí)聯(lián)起來，生成完整的目標(biāo)圖像的新hogp特征信息。

這樣，目標(biāo)圖像的新hogp特征信息不僅能夠體現(xiàn)目標(biāo)圖像的輪廓特征，而且能夠體現(xiàn)目標(biāo)圖像的細(xì)節(jié)特征；相比傳統(tǒng)的pca算法和hog算法，新hogp特征信息包含的圖像特征更加豐富準(zhǔn)確，使得根據(jù)新hogp特征信息進(jìn)行可視化得到的還原圖像，與原始目標(biāo)圖像的差異較小、相似度較高。

可見，本發(fā)明實(shí)施例提供的提取圖像特征的方法，能夠?qū)og算法和pca算法結(jié)合起來，生成包括hog特征信息和pca特征信息的新hogp特征信息，使得最終生成的目標(biāo)圖像的新hogp特征信息包含的圖像特征更加豐富準(zhǔn)確，不僅能夠體現(xiàn)目標(biāo)圖像細(xì)節(jié)特征，而且能夠體現(xiàn)目標(biāo)圖像的輪廓特征；這樣，根據(jù)目標(biāo)圖像的新hogp特征信息進(jìn)行可視化得到的還原圖像，與原始目標(biāo)圖像的差異較小、相似度較高。

本發(fā)明的一個(gè)優(yōu)選實(shí)施例公開了一種提取圖像特征的方法。參見圖12，圖12為本發(fā)明實(shí)施例的提取圖像特征的方法的又一種流程圖，包括如下步驟：

步驟201，計(jì)算目標(biāo)圖像中各像素值分別對(duì)應(yīng)的梯度值。

在本步驟中，首先，對(duì)目標(biāo)圖像通過gamma校正對(duì)顏色空間進(jìn)行標(biāo)準(zhǔn)化處理，以降低目標(biāo)圖像局部的陰影和光照變化的影響；具體的，gamma標(biāo)準(zhǔn)化公式如公式(1)所示：

i(x,y)＝i(x,y)^gamma(1)

在公式(1)中，i表示目標(biāo)圖像，gamma通常取值為0.5。

然后，對(duì)目標(biāo)圖像i中每個(gè)像素值(x,y)求梯度值；具體的，像素值的梯度值大小的計(jì)算公式如公式(2)所示，像素值的梯度方向的計(jì)算公式如公式(3)所示。

在公式(2)和公式(3)中，i表示目標(biāo)圖像，(x,y)表示目標(biāo)圖像i中像素值的位置。

步驟202，根據(jù)該各像素值的梯度值，計(jì)算每個(gè)單元格分別對(duì)應(yīng)的第二hog特征信息。

其中，該每個(gè)單元格包括像素值矩陣l×l，該第二hog特征信息包括維度為r的hog特征向量。

在本步驟中，首先，將目標(biāo)圖像劃分為多個(gè)單元格，其中，每個(gè)單元格是由l×l個(gè)像素組成的像素值矩陣；

接下來，針對(duì)每個(gè)單元格，均執(zhí)行如下處理：按照像素值的梯度方向，將單元格中的所有像素值劃分為r個(gè)區(qū)間；計(jì)算每個(gè)區(qū)間中的各像素的梯度值大小總和；按照梯角度區(qū)間大小順序，將r個(gè)區(qū)間分別對(duì)應(yīng)的梯度值大小總和排列形成一個(gè)r維hog特征向量，r維特征向量就是該單元格對(duì)應(yīng)的第一hog特征信息。

比如，每個(gè)單元格是由8×8個(gè)像素值組成的像素值矩陣；針對(duì)每個(gè)單元格，均執(zhí)行如下處理：按照像素值的梯度方向，將單元格中的所有像素值劃分為8個(gè)區(qū)間，其中，梯度方向位于[0°,45°)的像素值劃分為第1區(qū)間，梯度方向位于[45°,90°)的像素值劃分為第2區(qū)間，梯度方向位于[90°,135°)的像素值劃分為第3區(qū)間，梯度方向位于[135°,180°)的像素值劃分為第4區(qū)間，梯度方向位于[180°,225°)的像素值劃分為第5區(qū)間，梯度方向位于[225°,270°)的像素值劃分為第6區(qū)間，梯度方向位于[270°,315°)的像素值劃分為第7區(qū)間，梯度方向位于[315°,0°)的像素值劃分為第8區(qū)間；分別計(jì)算每個(gè)區(qū)間的像素值的梯度值大小總和；將8個(gè)區(qū)間的梯度值大小總和排列形成一個(gè)8維hog特征向量，8維hog特征向量就是一個(gè)單元格對(duì)應(yīng)的第一hog特征信息?？梢岳斫獾?，如果按照像素值的梯度方向?qū)卧裰械乃邢袼刂祫澐譃?個(gè)區(qū)間，則最終形成的第一hog特征信息是一個(gè)9維的hog特征向量。

步驟203，根據(jù)該每個(gè)單元格對(duì)應(yīng)的第二hog特征信息，計(jì)算每個(gè)塊結(jié)構(gòu)對(duì)應(yīng)的第一hog特征信息。

其中，該每個(gè)塊結(jié)構(gòu)包括單元格矩陣p1×p2，該第一hog特征信息包括維度為r×p1×p2的hog特征向量。

在本步驟中，首先，將每p1×p2個(gè)單元格組成一個(gè)塊結(jié)構(gòu)，可以理解的，每個(gè)塊結(jié)構(gòu)包括單元格矩陣p1×p2；接下來，針對(duì)每個(gè)塊結(jié)構(gòu)，將塊結(jié)構(gòu)中每個(gè)單元格對(duì)應(yīng)的第二hog特征信息排列起來，形成一個(gè)維度為r×p1×p2的hog特征向量；最后，對(duì)維度為r×p1×p2的hog特征向量進(jìn)行歸一化處理，得到塊結(jié)構(gòu)對(duì)應(yīng)的第一hog特征信息。

比如，將每2×3個(gè)單元格組成一個(gè)塊結(jié)構(gòu)，已知每個(gè)單元格對(duì)應(yīng)一個(gè)8維hog特征向量；將6個(gè)單元格分別對(duì)應(yīng)的8維hog特征向量排列起來，可以得到一個(gè)48維hog特征向量；對(duì)48維hog特征向量進(jìn)行歸一化處理，得到塊結(jié)構(gòu)對(duì)應(yīng)的第一hog特征信息。

需要說明的是，在本發(fā)明實(shí)施例中，對(duì)于計(jì)算目標(biāo)圖像中塊結(jié)構(gòu)對(duì)應(yīng)的hog特征信息的方法，不僅局限于步驟201至步驟202所述的方法，還可以根據(jù)實(shí)際情況選擇其他方法計(jì)算目標(biāo)圖像的塊結(jié)構(gòu)對(duì)應(yīng)的hog特征信息。

在實(shí)際應(yīng)用中，在步驟203之前，需要以塊結(jié)構(gòu)為基本單位，按照預(yù)設(shè)的步長(zhǎng)，對(duì)目標(biāo)圖像中各像素值進(jìn)行掃描，將目標(biāo)圖像劃分為一定數(shù)量的塊結(jié)構(gòu)。

這樣，才能在步驟203中計(jì)算出每個(gè)塊結(jié)構(gòu)對(duì)應(yīng)的第一hog特征信息。

具體的，步長(zhǎng)可以是一個(gè)單元格，也可以根據(jù)實(shí)際需求，將步長(zhǎng)設(shè)置為若干個(gè)像素，比如8個(gè)像素；那么，可以按照8個(gè)像素的步長(zhǎng)，對(duì)目標(biāo)圖像中各像素值進(jìn)行掃描，將目標(biāo)圖像劃分為多個(gè)塊結(jié)構(gòu)。

這樣，目標(biāo)圖像的第一hog特征信息能夠體現(xiàn)目標(biāo)圖像的輪廓特征。

步驟204，根據(jù)該塊結(jié)構(gòu)中的像素矩陣，生成pca算法的輸入集合。

其中，該像素矩陣為m×n，m＝l×p1，n＝l×p2，該輸入集合為dm×n＝{x1,x2,...,xn}，該輸入集合dm×n包括n個(gè)像素值樣本x1,x2,...,xn，其中xi＝{x1,x2,...,xm}，一個(gè)樣本xi包括該像素矩陣m×n中第i列的m個(gè)像素值。

具體的，一個(gè)塊結(jié)構(gòu)由p1×p2個(gè)單元格組成，一個(gè)單元格由l×l個(gè)像素值組成，那么，一個(gè)塊結(jié)構(gòu)包括m×n個(gè)像素值組成的像素矩陣，其中，m＝l×p1，n＝l×p2；這樣，輸入集合中包括的樣本數(shù)量為像素矩陣的列數(shù)n，也即輸入集合包括n個(gè)樣本，每個(gè)樣本包括像素矩陣中的一列像素值，也即每個(gè)樣本包括m個(gè)像素值。

比如，一個(gè)塊結(jié)構(gòu)由2×3個(gè)單元格，一個(gè)單元格由8×8個(gè)像素組成，那么，一個(gè)塊結(jié)構(gòu)包括16×24個(gè)像素值組成的像素矩陣，將像素矩陣的每一列作為一個(gè)樣本，則共有24個(gè)樣本，每個(gè)樣本包括16個(gè)像素值，一個(gè)像素值作為一個(gè)特征，即每個(gè)樣本包括16個(gè)特征。

步驟205，使用該pca算法計(jì)算每個(gè)塊結(jié)構(gòu)的對(duì)應(yīng)的pca特征信息。

其中，該pca特征信息包括維度為k×l×p2的pca特征向量，k為該pca特征信息中每個(gè)樣本包括的主成分?jǐn)?shù)量，k＜m。

具體的，根據(jù)pca算法的輸入集合計(jì)算pca特征信息的過程如下所示：

首先，針對(duì)每個(gè)塊結(jié)構(gòu)，計(jì)算塊結(jié)構(gòu)對(duì)應(yīng)的pca算法的輸入集合d的協(xié)方差矩陣c；

在公式(4)中，輸入集合d為m×n矩陣，n表示輸入集合d中的樣本數(shù)量，表示輸入集合d的均值，t表示對(duì)矩陣進(jìn)行轉(zhuǎn)置處理，c為輸入集合d的協(xié)方差矩陣，為m×m矩陣。

接下來，對(duì)協(xié)方差矩陣c求特征值和特征向量；將特征向量按照對(duì)應(yīng)特征值大小，從左往右按列排列成矩陣，取前k列組成變換矩陣w，變換矩陣w為m×k矩陣；

最后，通過變換矩陣w，將輸入集合d中的每個(gè)樣本從m維空間轉(zhuǎn)換到維空k維空間。

y＝w^td(5)

在公式(5)中，y表示對(duì)輸入集合d中的每個(gè)樣本進(jìn)行降維處理后得到的數(shù)據(jù)集，具體為k×n矩陣，也就是說，輸入集合d中的每個(gè)樣本均包括m個(gè)像素值，降維后的數(shù)據(jù)集y中的每個(gè)樣本均包括k個(gè)像素值。

可以理解的，包括k×n矩陣的數(shù)據(jù)集y就是一個(gè)塊結(jié)構(gòu)的對(duì)應(yīng)的pca特征信息。

在實(shí)際應(yīng)用中，考慮協(xié)方差矩陣c特征值的貢獻(xiàn)率，以及使降維后的維數(shù)盡量小，選取特征值較大的k維特征向量作為變換矩陣w；因此，使用pca算法對(duì)輸入集合d進(jìn)行計(jì)算，輸入集合d包括m×n像素矩陣，可獲得降維后的數(shù)據(jù)集y，數(shù)據(jù)集y包括k×n像素矩陣；最終，將其歸一化后排列成一個(gè)k×n維的pca特征信息。

比如，將k值設(shè)置為2；已知一個(gè)塊結(jié)構(gòu)由2×3個(gè)單元格，一個(gè)單元格由8×8個(gè)像素組成，因此，一個(gè)塊結(jié)構(gòu)包括16×24個(gè)像素值組成的像素矩陣，那么，計(jì)算出的塊結(jié)構(gòu)的對(duì)應(yīng)的pca特征信息為2×24維的pca特征向量。

這樣，在后面的步驟中就能夠根據(jù)pca算法的輸入集合，使用pca算法計(jì)算目標(biāo)圖像的pca特征信息。

步驟206，級(jí)聯(lián)每個(gè)該塊結(jié)構(gòu)對(duì)應(yīng)的、該維度為r×p1×p2的hog特征向量，以及每個(gè)該塊結(jié)構(gòu)對(duì)應(yīng)的、該維度為k×l×p2的pca特征向量，生成每個(gè)該塊結(jié)構(gòu)對(duì)應(yīng)的、維度為r×p1×p2+k×l×p2的新hogp特征向量。

在本步驟中，針對(duì)每個(gè)塊結(jié)構(gòu)，將維度為r×p1×p2的hog特征向量和維度為k×l×p2的pca特征向量級(jí)聯(lián)起來，生成維度為r×p1×p2+k×l×p2的新hogp特征向量。

比如，已知每個(gè)塊結(jié)構(gòu)對(duì)應(yīng)的hog特征向量為48維的hog特征向量，每個(gè)塊結(jié)構(gòu)對(duì)應(yīng)的pca特征向量為2×24維的pca特征向量，那么，每個(gè)塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征向量為96維(48維+2×24維)的新hogp特征向量。

步驟207，將所有塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息級(jí)聯(lián)起來，生成該目標(biāo)圖像的新hogp特征信息。

將所有塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息級(jí)聯(lián)起來，生成該目標(biāo)圖像的維度為(r×p1×p2+k×l×p2)×q的新hogp特征向量。

在本步驟中，將所有的塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息級(jí)聯(lián)起來，生成目標(biāo)圖像的新hogp特征向量，維度為(r×p1×p2+k×l×p2)×q。

可選的，在步驟203之前，本發(fā)明實(shí)施例提供的提取圖像特征的方法還包括：

以塊結(jié)構(gòu)為基本單位，按照預(yù)設(shè)的步長(zhǎng)，對(duì)該目標(biāo)圖像中各像素值進(jìn)行掃描，將該目標(biāo)圖像劃分為數(shù)量為q的該塊結(jié)構(gòu)。

比如，當(dāng)q為1000時(shí)，已知每個(gè)塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征向量為96維，那么，目標(biāo)圖像的新hogp特征向量為1000×96＝96000維。

可見，本發(fā)明實(shí)施例提供的提取圖像特征的方法，能夠?qū)og算法和pca算法結(jié)合起來，生成包括hog特征信息和pca特征信息的新hogp特征信息，使得最終生成的目標(biāo)圖像的新hogp特征信息包含的圖像特征更加豐富準(zhǔn)確，不僅能夠體現(xiàn)目標(biāo)圖像細(xì)節(jié)特征，而且能夠體現(xiàn)目標(biāo)圖像的輪廓特征；這樣，根據(jù)目標(biāo)圖像的新hogp特征信息進(jìn)行可視化得到的還原圖像，與原始目標(biāo)圖像的差異較小、相似度較高。

在本發(fā)明的一種應(yīng)用實(shí)施例中，通過對(duì)目標(biāo)圖像的可視化處理來驗(yàn)證本發(fā)明實(shí)施例提出的提取圖像特征的方法的有效性。

在實(shí)際應(yīng)用中，需要預(yù)先建立一個(gè)特征字典。

具體的，首先，將任意的彩色圖像或者黑白圖像作為測(cè)試圖像；使用本發(fā)明實(shí)施例提供的提取圖像特征的方法，提取測(cè)試圖像中每個(gè)塊結(jié)構(gòu)的新hogp特征信息，以及塊結(jié)構(gòu)中的像素值組成的圖像塊；

接下來，針對(duì)每個(gè)塊結(jié)構(gòu)，將提取到的新hogp特征信息和圖像塊一一對(duì)應(yīng)起來，組合成一個(gè)“單詞”；這樣，多個(gè)塊結(jié)構(gòu)的“單詞”，就組成了特征字典。

具體的，特征字典如圖3所示，圖3為本發(fā)明實(shí)施例中特征字典的示意圖。在圖3中，上面一排是測(cè)試圖像中各塊結(jié)構(gòu)的新hogp特征信息，具體的，測(cè)量圖像中包括k個(gè)塊結(jié)構(gòu)，α1…αk為測(cè)量圖像中k個(gè)塊結(jié)構(gòu)分別對(duì)應(yīng)的新hogp特征信息；下面一排是與上面一排中每個(gè)塊結(jié)構(gòu)的新hogp特征信息對(duì)應(yīng)的圖像塊，測(cè)試圖像一共包括k個(gè)圖像塊，同樣記為α1…αk；這樣，圖3中的每列即為一個(gè)“單詞”，k個(gè)“單詞”就組成了特征字典。

需要說明的是，作為測(cè)試圖像的圖像當(dāng)然盡量選擇細(xì)節(jié)豐富的圖像，測(cè)試圖像的圖像數(shù)量無需過多，只要包括不同形狀的特征即可。

目標(biāo)圖像可視化處理的具體步驟如下：

第1步，使用本發(fā)明實(shí)施例提出的提取圖像特征的方法，提取目標(biāo)圖像中每個(gè)塊結(jié)構(gòu)的新hogp特征信息。

第2步：計(jì)算目標(biāo)圖像中每個(gè)塊結(jié)構(gòu)的可視化圖像。

首先，針對(duì)目標(biāo)圖像中每個(gè)塊結(jié)構(gòu)，求解對(duì)應(yīng)的稀疏向量α。

具體的，可以使用公式(6)求解該塊結(jié)構(gòu)對(duì)應(yīng)的向量α的稀疏解，即稀疏向量α；由公式(6)可以看出，首先，通過求解αdd-pi的二范數(shù)最小，即向量α與dd線性組合后的特征、與目標(biāo)圖像中提取到的新的hogp特征信息的距離最小，初步確定向量α；再通過限定向量α的一范數(shù)小于ε得到向量α的稀疏解。

在公式(6)中，向量α是一個(gè)m維向量；m值太小不足以很好的表達(dá)目標(biāo)圖像的圖像特征，太大又增加運(yùn)算成本，本發(fā)明實(shí)施例設(shè)定m為1024；dd表示從特征字典中選出的1024個(gè)新hogp特征信息，具體的，可以采用lasso算法，從特征字典中選出的1024個(gè)新hogp特征信息；pi表示目標(biāo)圖像的第i個(gè)結(jié)構(gòu)塊的新hogp特征信息；ε是一個(gè)系數(shù)。

然后，從特征字典中確定選出的1024個(gè)新hogp特征信息對(duì)應(yīng)的圖像塊，將該1024個(gè)圖像塊根據(jù)向量α進(jìn)行線性加權(quán)后，疊加得到該塊結(jié)構(gòu)的可視化圖像。

第3步：將每個(gè)塊結(jié)構(gòu)的可視化圖像，按照目標(biāo)圖像的順序拼接起來，再通過高斯濾波后即得到還原后的目標(biāo)圖像。

具體如圖4所示，圖4為本發(fā)明實(shí)施例的圖像可視化結(jié)果的示意圖；在圖4中，最左邊一列為原始圖像，中間一列為根據(jù)hog特征信息還原后的目標(biāo)圖像，最右邊一列為根據(jù)新hogp特征信息還原后的目標(biāo)圖像。可以發(fā)現(xiàn)，相比根據(jù)hog特征信息還原后的目標(biāo)圖像，根據(jù)本發(fā)明實(shí)施例所述的新hogp特征信息還原后的目標(biāo)圖像更加清晰準(zhǔn)確。

可見，使用本發(fā)明實(shí)施例提出的提取圖像特征的方法提出的新hogp特征信息，在用于目標(biāo)圖像的可視化處理時(shí)，得到的還原后的目標(biāo)圖像與原始目標(biāo)圖像的相似度高，差異小。

本發(fā)明實(shí)施例又提出了一種提取圖像特征的裝置，參見圖5，圖5為本發(fā)明實(shí)施例的提取圖像特征的裝置的結(jié)構(gòu)示意圖；該裝置包括：

第一計(jì)算單元501，用于計(jì)算目標(biāo)圖像中每個(gè)塊結(jié)構(gòu)分別對(duì)應(yīng)的第一hog特征信息，該塊結(jié)構(gòu)包括預(yù)設(shè)數(shù)量的像素值組成的像素矩陣；

生成單元502，用于針對(duì)每個(gè)該塊結(jié)構(gòu)，根據(jù)塊結(jié)構(gòu)中的像素矩陣，生成pca算法的輸入集合；

第二計(jì)算單元503，用于使用該pca算法計(jì)算每個(gè)該塊結(jié)構(gòu)的對(duì)應(yīng)的pca特征信息；

第一級(jí)聯(lián)單元504，用于級(jí)聯(lián)每個(gè)該塊結(jié)構(gòu)對(duì)應(yīng)的第一hog特征信息和該pca特征信息，生成每個(gè)該塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息；

第二級(jí)聯(lián)單元505，用于將所有塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息級(jí)聯(lián)起來，生成該目標(biāo)圖像的新hogp特征信息。

優(yōu)選的，該第一計(jì)算單元501，包括：第一計(jì)算子單元、第二計(jì)算子單元和第三計(jì)算子單元；

該第一計(jì)算子單元，用于計(jì)算目標(biāo)圖像中各像素值分別對(duì)應(yīng)的梯度值；

該第二計(jì)算子單元，用于根據(jù)該各像素值的梯度值，計(jì)算每個(gè)單元格分別對(duì)應(yīng)的第二hog特征信息，其中，該每個(gè)單元格包括像素值矩陣l×l，該第一hog特征信息包括維度為r的hog特征向量；

該第三計(jì)算子單元，用于根據(jù)該每個(gè)單元格對(duì)應(yīng)的第二hog特征信息，計(jì)算每個(gè)塊結(jié)構(gòu)對(duì)應(yīng)的第一hog特征信息，其中，該每個(gè)塊結(jié)構(gòu)包括單元格矩陣p1×p2，該第一hog特征信息包括維度為r×p1×p2的hog特征向量。

優(yōu)選的，該生成單元502，具體用于根據(jù)該塊結(jié)構(gòu)中的像素矩陣，生成pca算法的輸入集合；其中，該像素矩陣為m×n，m＝l×p1，n＝l×p2，該輸入集合為dm×n＝{x1,x2,...,xn}，該輸入集合dm×n包括n個(gè)像素值樣本x1,x2,...,xn，其中xi＝{x1,x2,...,xm}，一個(gè)樣本xi包括該像素矩陣m×n中第i列的m個(gè)像素值。

優(yōu)選的，該第二計(jì)算單元503，具體用于使用該pca算法計(jì)算每個(gè)塊結(jié)構(gòu)的對(duì)應(yīng)的pca特征信息，其中，該pca特征信息包括維度為k×l×p2的pca特征向量，k為該pca特征信息中每個(gè)樣本包括的像素值數(shù)，k＜m；

該第一級(jí)聯(lián)單元504，具體用于級(jí)聯(lián)每個(gè)該塊結(jié)構(gòu)對(duì)應(yīng)的、該維度為r×p1×p2的hog特征向量，以及每個(gè)該塊結(jié)構(gòu)對(duì)應(yīng)的、該維度為k×l×p2的pca特征向量，生成每個(gè)該塊結(jié)構(gòu)對(duì)應(yīng)的、維度為r×p1×p2+k×l×p2的新hogp特征向量。

優(yōu)選的，該裝置還包括：

掃描單元，用于以塊結(jié)構(gòu)為基本單位，按照預(yù)設(shè)的步長(zhǎng)，對(duì)該目標(biāo)圖像中各像素值進(jìn)行掃描，將該目標(biāo)圖像劃分為數(shù)量為q的該塊結(jié)構(gòu)；

該第二級(jí)聯(lián)單元505，具體用于將所有塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息級(jí)聯(lián)起來，生成該目標(biāo)圖像的維度為(r×p1×p2+k×l×p2)×q的新hogp特征向量。

可見，本發(fā)明實(shí)施例提供的提取圖像特征的裝置，能夠?qū)og算法和pca算法結(jié)合起來，生成包括hog特征信息和pca特征信息的新hogp特征信息，使得最終生成的目標(biāo)圖像的新hogp特征信息體現(xiàn)了目標(biāo)圖像細(xì)節(jié)特征和輪廓特征；這樣，根據(jù)目標(biāo)圖像的新hogp特征信息能夠查找到與目標(biāo)圖像的相似度較高的圖像。

本發(fā)明實(shí)施例還提供了一種電子設(shè)備，參考圖6，圖6為本發(fā)明實(shí)施例的電子設(shè)備的結(jié)構(gòu)示意圖。如圖6所示，包括處理器601、通信接口602、存儲(chǔ)器603和通信總線604，其中，處理器601，通信接口602，存儲(chǔ)器603通過通信總線604完成相互間的通信，

存儲(chǔ)器603，用于存放計(jì)算機(jī)程序；

處理器601，用于執(zhí)行存儲(chǔ)器603上所存放的程序時(shí)，實(shí)現(xiàn)如下步驟：

計(jì)算目標(biāo)圖像中每個(gè)塊結(jié)構(gòu)分別對(duì)應(yīng)的第一hog特征信息，該塊結(jié)構(gòu)包括預(yù)設(shè)數(shù)量的像素值組成的像素矩陣；

針對(duì)每個(gè)該塊結(jié)構(gòu)，根據(jù)塊結(jié)構(gòu)中的像素矩陣，生成pca算法的輸入集合；

使用該pca算法計(jì)算每個(gè)該塊結(jié)構(gòu)的對(duì)應(yīng)的pca特征信息；

級(jí)聯(lián)每個(gè)該塊結(jié)構(gòu)對(duì)應(yīng)的第一hog特征信息和該pca特征信息，生成每個(gè)該塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息；

將所有塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息級(jí)聯(lián)起來，生成該目標(biāo)圖像的新hogp特征信息。

上述電子設(shè)備提到的通信總線可以是外設(shè)部件互連標(biāo)準(zhǔn)(peripheralcomponentinterconnect，pci)總線或擴(kuò)展工業(yè)標(biāo)準(zhǔn)結(jié)構(gòu)(extendedindustrystandardarchitecture，eisa)總線等。該通信總線可以分為地址總線、數(shù)據(jù)總線、控制總線等。為便于表示，圖中僅用一條粗線表示，但并不表示僅有一根總線或一種類型的總線。

通信接口用于上述電子設(shè)備與其他設(shè)備之間的通信。

存儲(chǔ)器可以包括隨機(jī)存取存儲(chǔ)器(randomaccessmemory，ram)，也可以包括非易失性存儲(chǔ)器(non-volatilememory，nvm)，例如至少一個(gè)磁盤存儲(chǔ)器。可選的，存儲(chǔ)器還可以是至少一個(gè)位于遠(yuǎn)離前述處理器的存儲(chǔ)裝置。

上述的處理器可以是通用處理器，包括中央處理器(centralprocessingunit，cpu)、網(wǎng)絡(luò)處理器(networkprocessor，np)等；還可以是數(shù)字信號(hào)處理器(digitalsignalprocessing，dsp)、專用集成電路(applicationspecificintegratedcircuit，asic)、現(xiàn)場(chǎng)可編程門陣列(field-programmablegatearray，fpga)或者其他可編程邏輯器件、分立門或者晶體管邏輯器件、分立硬件組件。

可見，本發(fā)明實(shí)施例提供的一種電子設(shè)備，能夠?qū)og算法和pca算法結(jié)合起來，生成包括hog特征信息和pca特征信息的新hogp特征信息，使得最終生成的目標(biāo)圖像的新hogp特征信息體現(xiàn)了目標(biāo)圖像細(xì)節(jié)特征和輪廓特征；這樣，根據(jù)目標(biāo)圖像的新hogp特征信息能夠查找到與目標(biāo)圖像的相似度較高的圖像。

本發(fā)明實(shí)施例另提供了一種計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，所述計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)內(nèi)存儲(chǔ)有計(jì)算機(jī)程序，所述計(jì)算機(jī)程序被處理器執(zhí)行時(shí)實(shí)現(xiàn)如下步驟：

計(jì)算目標(biāo)圖像中每個(gè)塊結(jié)構(gòu)分別對(duì)應(yīng)的第一hog特征信息，所述塊結(jié)構(gòu)包括預(yù)設(shè)數(shù)量的像素值組成的像素矩陣；

針對(duì)每個(gè)所述塊結(jié)構(gòu)，根據(jù)塊結(jié)構(gòu)中的像素矩陣，生成pca算法的輸入集合；

使用該pca算法計(jì)算每個(gè)該塊結(jié)構(gòu)的對(duì)應(yīng)的pca特征信息；

級(jí)聯(lián)每個(gè)該塊結(jié)構(gòu)對(duì)應(yīng)的第一hog特征信息和該pca特征信息，生成每個(gè)該塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息；

將所有塊結(jié)構(gòu)對(duì)應(yīng)的新hogp特征信息級(jí)聯(lián)起來，生成該目標(biāo)圖像的新hogp特征信息。

可見，本發(fā)明實(shí)施例提供的計(jì)算機(jī)可讀存儲(chǔ)介質(zhì)，能夠?qū)og算法和pca算法結(jié)合起來，生成包括hog特征信息和pca特征信息的新hogp特征信息，使得最終生成的目標(biāo)圖像的新hogp特征信息體現(xiàn)了目標(biāo)圖像細(xì)節(jié)特征和輪廓特征；這樣，根據(jù)目標(biāo)圖像的新hogp特征信息能夠查找到與目標(biāo)圖像的相似度較高的圖像。

需要說明的是，在本文中，諸如第一和第二等之類的關(guān)系術(shù)語(yǔ)僅僅用來將一個(gè)實(shí)體或者操作與另一個(gè)實(shí)體或操作區(qū)分開來，而不一定要求或者暗示這些實(shí)體或操作之間存在任何這種實(shí)際的關(guān)系或者順序。而且，術(shù)語(yǔ)“包括”、“包含”或者其任何其他變體意在涵蓋非排他性的包含，從而使得包括一系列要素的過程、方法、物品或者設(shè)備不僅包括那些要素，而且還包括沒有明確列出的其他要素，或者是還包括為這種過程、方法、物品或者設(shè)備所固有的要素。在沒有更多限制的情況下，由語(yǔ)句“包括一個(gè)……”限定的要素，并不排除在包括所述要素的過程、方法、物品或者設(shè)備中還存在另外的相同要素。

本說明書中的各個(gè)實(shí)施例均采用相關(guān)的方式描述，各個(gè)實(shí)施例之間相同相似的部分互相參見即可，每個(gè)實(shí)施例重點(diǎn)說明的都是與其他實(shí)施例的不同之處。尤其，對(duì)于系統(tǒng)實(shí)施例而言，由于其基本相似于方法實(shí)施例，所以描述的比較簡(jiǎn)單，相關(guān)之處參見方法實(shí)施例的部分說明即可。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并非用于限定本發(fā)明的保護(hù)范圍。凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換、改進(jìn)等，均包含在本發(fā)明的保護(hù)范圍內(nèi)。