摘 要

由于图像检索技术的不断提高和在现实生活中的应用越来越广泛，并且对图片数据的提取方法以及计算精度也相应的提出了比以往更加高的要求。所以人们越发的依赖通过计算机来描述图像的相似性，并且进行判断。

图像识别主要的方式是提取目标图像的特征，然后和初始图像进行比较。每个图像都有它独一无二的特征,如直行图标有个尖，禁止驶入图标有个横线、而限速图标有数字标识等。对图像识别时人体眼球运动的研究表明，人们在观察图像时眼球总是注意在图像的突出特征上，也就是主要集中在图像轮廓有较大改变的地方，相对而言这些地方能够截取的信息量最大。而且人的眼睛在观察图像时，也是通过一个个特征去了解图像。可以看出，在识别图像的过程中，人类的大脑通过眼睛的观察必须区分出输入的信息,选出核心的信息。同时,在大脑里会有一个能够将眼睛所截取的信息分类或者说归纳的机制，能够将获得的信息整理归纳与总结。在人类的图像特征识别系统之中，对图像的特征提取和相似度计算需要把不同的所获信息分层或者分类来加工，以此来识别图像。对于人眼长时间观察的图形,由于大脑已经记住了它的主要特征，就会主要铭记此图形的特征，忽略其他的地方，将其设为一个独立的单元格。像这种由独立的单元格组成的整体单位叫做block，每一个block是一起被感知的。我们的任务是利用计算机模拟人类的视觉来描述图像，并根据描述的特征从大量的相似图片中将所需图片区分出来。

本文围绕着基于计算机视觉的目标图像辨别进行了一系列深入研究，将目标图像通过汽车顶部的摄像头提取出来，经由特征提取，把目标图像的特征和数据库中的半不规则交通图标放在一起，用适当的相似度距离算法算出目标图像和数据库中图像的距离，选择出距离最近的图像，作为相似图像，对目标图像进行判定。同时结合视觉一致性理论进行研究，对实际场合下的应用给出了切实可行的方案，深入探讨半不规则图像相似性，挖掘半不规则图像的特点。

关键字：图像识别，特征提取，相似性度量

Abstract

Now with the development of image recognition technology and image retrieval application in real life continues to improve, for similar picture more and more widespread application of judgment, and a method for extracting image data and the accuracy is correspondingly raised more than ever high demand. The main image recognition by abstracting an image of the target feature, and then comparing the initial image. Each image has its unique features, such as icon has a straight tip, prohibited from entering the icons have a horizontal line, and the speed limit icon digital logo. When the image recognition of the study of human eye movements show that when people pay attention to the observation image of the eye is always on the salient features of the image, which is mainly concentrated in the outline of the image have a greater change of place, where relatively able to intercept information The maximum amount. And the human eye when viewing images, but also through a feature to understand the image. It can be seen in the image recognition process of the human brain by observing eye must distinguish information entered, select the core information. Meanwhile, in the brain can have an eye to the intercepted information classification mechanism or summarized information can be obtained by summarizing and summarized. Among the characteristics of the human image recognition system for image feature extraction and similarity calculation need different information obtained or hierarchical classification process, in order to identify the image. For the human eye long observation pattern, since the brain has to remember its main features, it will bear in mind the main feature of this graph, ignore other places, set a separate cell. Like this whole unit composed by independent cells called block, each block is perceived together. Our task is to use computer simulation of human vision to describe the image, and in accordance with the features described in a large number of images from the picture you distinguish. This paper focuses on the computer-based vision of the target image to identify a series of in-depth research, the study combined visual consistency theory, practical application occasions gives practical solutions depth semi-irregular image similarity dig half Features irregular image

Keyword: Image，Feature Extraction，Similarity

目录

1 绪论 1

1.1背景及意义 1

1.2国内外研究现状 1

1.3研究内容 2

1.4论文的组织结构 2

2 图像的特征提取 3

2.1特征提取方式 3

2.2基本概念 4

2.3特征提取流程 6

2.4特征提取算法流程 8

3 图像相似度计算 11

3.1典型相似度计算方法 11

3.1.1余弦距离 11

3.1.2欧氏距离 11

3.1.3余弦距离和欧式距离的对比。 12

3.2算法描述 12

4 算法设计 14

4.1系统整体性分析 14

4.2特征提取模块需求分析 14

4.3 相似度计算模块需求分析 14

4.4 辅助功能模块 15

5 实验结果及分析 17

5.1 特征提取时间的测量分析 17

5.2 计算结果及仿真 17

5.3 实验结果分析 18

6 总结与展望 20

6.1 论文总结 20

6.2 展望 20

参考文献 21

致谢 23

附录 24

附录A：HOG特征提取 24

附录B：欧式距离相似度计算 27

1 绪论

1.1背景及意义

在1965年， 人类开始了对于图像特征提取和图像相似度辨别的讨论和研究。如今的主流数字图像和传统的模拟图像相比更加易于处理，同时在研究过程中更容易压缩、传输和存储，这些优势使得数字图像识别系统有了广阔的发展天地。对于视觉上的图像识别主要指人类的眼睛对于图像的客观认知和感受，属于电子计算机的高级别的研究范畴。它是通过数字图像识别结合数据库系统、人工智能、统计学等其他领域知识来进行研究，其研究所得通常应用在图像检索之中，由于图像检索渐渐填补了文字检索的空白，所以图像识别应用从二十世纪七十年代开始，图像相似性判别已经逐渐成为一个非常具有实际应用意义的领域，当时人们只有通过文字来描述图像的不同，而不能通过计算机语言来识别图像。如现有的一些搜索引擎中，也只有通过图像的文件名或者图像的文字描述来找到所需图像，这样的方式过于单一，也缺乏准确性。因而，在九十年代以后，对于图像的辨别依据更加的广泛，包括对图像的形状、颜色、组成等进行区分。在现代，图像识别技术已经趋于成熟，对于各种图像有了详细的分类，例如本文研究的图像便被归入半不规则图像的研究范畴，然而现代图像识别技术也有一些未曾攻克的缺陷，比如当有外因干扰的时候，那么就很难得出理想的判定结果。

1.2国内外研究现状

图像识别系统是目前很多研究人员日以继夜仍然在不断完善和寻求进步的领域，而数字图像识别系统是自20世纪七十年代开始的，这种图像识别系统取代了传统的模拟图像识别，以其易于压缩，不易失真的特点被延用至今。图像识别指的是对于三维世界的图像进行的感官认知，在计算机告诉发展的今天，仍属于高级计算机语言的范畴。现如今随着图像识别技术的不断发展以及图像检索在实际生活中的应用不断提高，对于相似图片的判定的应用越发广泛。所以人们越发的依赖通过计算机来描述图像的相似性，并且进行判断。在国外，图像识别的应用越发的广泛，例如十分出名的文字搜索引擎google，在通过文字检索占领了大部分搜索引擎市场以后，开始转战图像检索市场，并且已经可以通过HOG等方法提取出相似图像的图像特征，并且加以区分。而在国内，此项研究也已经经历了几十年的风雨，并随着基于直方图和小波变换的图像分割法和计算机技术的不断成熟，也取得了很大的进步。

1.3研究内容

在本文中，主要是研究交通系统中的半不规则图像，所涉及的研究目标有11个具体的图像，其中包括双向的指示箭头（如left return）和单向的指示箭头（如left）。在研究的过程之中，会先提取出目标图像的特征，并且将其细分到cell单元进行分析，然后合并成block，在合并区间为梯度方向直方图，之后带入欧式距离相似度计算方式中计算目标图片和数据库中初始图片的相似度，得出目标图片的类别，判定出目标图片的意义。具体设计内容包括：

1. 了解特征提取的方式，选择最优的方式进行目标图像的特征提取。
2. 完成特征提取的流程图设计和程序的编写。
3. 对比相似度计算方式，选择出运算准确率和运算效率高的计算方式，对提取出的目标图像进行距离计算，比较其相似度。并且进行仿真的实现和测试。
4. 了解交通中图像识别的具体流程。

1.4论文的组织结构

第2章：简述特征提取的方式以及特征提取过程；

第3章：相似度度量方式和采用欧氏距离的计算过程；