基于Shape Context的字符识别算法介绍

SC算法广泛的应用于图像识别领域，其优点在于：

第一， 提取的特征点集为轮廓点集，点集性质好，改进余地大。

第二， 使用全局信息描述特征点，抗干扰性极强。

但是其缺点在于：由于使用全局信息，速度较SIFT算法慢。

该算法使用的特征点为目标的轮廓信息，因为目标轮廓信息对于人类的感知提供了重要信息，即使在较复杂的环境下，轮廓也往往比较突出，在有干扰的情况下，轮廓同样较稳定。

SC使用的特征点检测算法：

特征点即是通过目标的内部或外部轮廓上采样出的离散点集。这一过程由一个边缘检测器来检测目标而获得，如图：



SC特征点描述算法：

目标边缘点集

。接着，用形状上下文的方法定义特征点的描述子：若一个点集中有n个点,某点pi与其余n-1个点均存在一定的关系，因而产生了n-1个描述向量。如图所示：



这n-1个向量提供了丰富的信息，决定了目标的形状特征。n值越大，其包含的信息量也就越大。

点集中每个点的SC信息，也即是该点与点集中其他点的连线信息，使用这些信息形成一个直方图，也即SC算法所需的描述子。如下：



各区域划分方法是：对于任意点pi，以其为中心点，将该点分布的空间按照对数极坐标划分为12*5=60个部分。如上图，其中X轴有12个部分，表示角度的划分，也即是其它点与该点的连线按角度差划分为12份，每份为30度；Y轴的5个部分，表示对数距离lg(p)的划分，也即是其它点与该点的连线按距离长短划分为5个级别。其使用的距离是对数距离，离该点越远的区域越大。这样的方法避免了较远区域的作用被弱化，避免了较近局部区域的作用过于大，增加了全局信息的可靠性。如图：



如上图，每一个格子称为一个bin，我们记每个格子为bin(k)，其中k=1,2,3,....60。则点pi的直方图信息表述为：



其中其中k=1,2,3,....60，#代表集合的势。
对于两个点集

归一化后的描述子为：



转载自：http://www.opencvchina.com/thread-142-1-1.html