• 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
    • / 13
    • 下载费用:30 金币  

    旺旺重庆时时彩计划群: 一种物体类型识别方法及系统.pdf

    关 键 词:
    一种 物体 类型 识别 方法 系统
      专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
    摘要
    申请专利号:

    CN201510103450.8

    申请日:

    2015.03.10

    公开号:

    CN104680149A

    公开日:

    2015.06.03

    当前法律状态:

    授权

    有效性:

    有权

    法律详情: 授权|||实质审查的生效IPC(主分类):G06K 9/00申请日:20150310|||公开
    IPC分类号: G06K9/00; G06K9/62; G06N3/02 主分类号: G06K9/00
    申请人: 苏州科达科技股份有限公司
    发明人: 赵鹏伦; 晋兆龙; 陈卫东
    地址: 215011江苏省苏州市苏州高新区金山路131号
    优先权:
    专利代理机构: 北京三聚阳光知识产权代理有限公司11250 代理人: 张建纲
    PDF完整版下载: PDF下载
    法律状态
    申请(专利)号:

    CN201510103450.8

    授权公告号:

    ||||||

    法律状态公告日:

    2018.07.03|||2015.07.01|||2015.06.03

    法律状态类型:

    授权|||实质审查的生效|||公开

    摘要

    本发明提供一种物体类型识别方法及系统,其中所述方法包括:从获取的图像中截取出待识别目标所在区域;获取待识别目标所在区域图像的加窗傅立叶变换特征图;利用预先训练的物体模型对所述加窗傅立叶变换特征图进行检测获得所述物体的类型。通过在图像上提取加窗傅立叶变换特征获得加窗傅立叶变换特征图,再利用预先训练的物体模型对所述加窗傅立叶变换特征图进行检测获得物体的类型,可以提高物体模型对不同物体的判别度,使得对于物体类型识别的准确率提高5%。

    权利要求书

    权利要求书
    1.  一种物体类型识别方法,其特征在于,包括:
    从获取的图像中截取出待识别目标所在区域;
    获取待识别目标所在区域图像的加窗傅立叶变换特征图;
    利用预先训练的物体模型对所述加窗傅立叶变换特征图进行检测获得 所述物体的类型。

    2.  根据权利要求1所述的物体类型识别方法,其特征在于,所述预先训 练的物体模型通过以下步骤获得:
    获取不同类型所述物体的样本图像的加窗傅立叶变换特征图;
    将所述加窗傅立叶变换特征图输入卷积神经网络进行训练获得所述物 体模型。

    3.  根据权利要求2所述的物体类型识别方法,其特征在于,所述将所述 加窗傅立叶变换特征图输入卷积神经网络进行训练获得所述物体模型的步 骤包括:
    对所述加窗傅立叶变换特征图进行降采样处理;
    将经过降采样处理的加窗傅立叶变换特征图输入卷积神经网络进行训 练获得所述物体模型。

    4.  根据权利要求1-3任一项所述的物体类型识别方法,其特征在于,所 述获取待识别目标所在区域图像的加窗傅立叶变换特征图的步骤包括:
    判断待识别目标所在区域图像中的所述目标是否为所述物体;
    当所述目标为所述物体时,获取待识别物体所在区域图像的加窗傅立叶 变换特征图。

    5.  根据权利要求4所述的物体类型识别方法,其特征在于,所述判断待 识别目标所在区域图像中的所述目标是否为所述物体的步骤包括:
    获取待识别目标所在区域图像的方向梯度直方图特征图;
    利用预先训练的集成分类器对所述方向梯度直方图特征图进行检测,判 断所述目标是否为所述物体。

    6.  根据权利要求1-5任一项所述的物体类型识别方法,其特征在于,所 述从获取的图像中截取出待识别目标所在区域的步骤与所述获取待识别目 标所在区域图像的加窗傅立叶变换特征图的步骤之间还包括:
    增强待识别目标所在区域图像的对比度;
    对待识别目标所在区域图像进行尺度归一化。

    7.  根据权利要求1-6任一项所述的物体类型识别方法,其特征在于,所 述物体为车辆。

    8.  一种物体类型识别系统,其特征在于,包括:
    待识别目标所在区域截取???,用于从获取的图像中截取出待识别目标 所在区域;
    加窗傅立叶变换特征图获取???,用于获取待识别目标所在区域图像的 加窗傅立叶变换特征图;
    物体类型检测???,用于利用预先训练的物体模型对所述加窗傅立叶变 换特征图进行检测获得所述物体的类型。

    9.  根据权利要求8所述的物体类型识别系统,其特征在于,所述系统还 包括物体模型训练???,所述物体模型训练??榘ǎ?
    第一加窗傅立叶变换特征图获取单元,用于获取不同类型所述物体的样 本图像的加窗傅立叶变换特征图;
    物体模型训练单元,用于将所述加窗傅立叶变换特征图输入卷积神经网 络进行训练获得所述物体模型。

    10.  根据权利要求9所述的物体类型识别系统,其特征在于,所述物体 模型训练单元包括:
    降采样处理子单元,用于对所述加窗傅立叶变换特征图进行降采样处 理;
    物体模型训练子单元,用于将经过降采样处理的加窗傅立叶变换特征图 输入卷积神经网络进行训练获得所述物体模型。

    11.  根据权利要求8-10任一项所述的物体类型识别系统,其特征在于, 所述加窗傅立叶变换特征图获取??榘ǎ?
    物体判断单元,用于判断待识别目标所在区域图像中的所述目标是否为 所述物体;
    第二加窗傅立叶变换特征图获取单元,用于当所述目标为所述物体时, 获取待识别物体所在区域图像的加窗傅立叶变换特征图。

    12.  根据权利要求11所述的物体类型识别系统,其特征在于,所述物体 判断单元包括:
    方向梯度直方图特征图获取子单元,用于获取待识别目标所在区域图像 的方向梯度直方图特征图;
    物体判断子单元,用于利用预先训练的集成分类器对所述方向梯度直方 图特征图进行检测,判断所述目标是否为所述物体。

    13.  根据权利要求8-12任一项所述的物体类型识别系统,其特征在于, 所述系统还包括:
    对比度增强???,用于增强待识别目标所在区域图像的对比度;
    尺度归一化???,用于对待识别目标所在区域图像进行尺度归一化。

    说明书

    说明书一种物体类型识别方法及系统
    技术领域
    本发明涉及计算机视觉技术领域,具体涉及一种物体类型识别方法及系 统。
    背景技术
    在智能交通领域,车辆识别是一项十分重要的技术。目前市场上的车辆 识别技术主要可以分为接触式和非接触式。
    接触式车辆识别是将传感器埋入地下,车辆通过时传感器进行感应识 别。其缺点是施工复杂,安装过程对传感器的可靠性和寿命影响很大,且传 感器易被重型车辆损坏,维护成本较高,传感器安装和修理时需要中断交通, 对路面进行破坏,影响路面寿命。另外,在实际使用过程中,因为受车辆行 驶速度和其它干扰因素等影响,获得的车辆特征曲线对车辆的分类效果不理 想,所以很少单独使用,通常作为其它系统的辅助装置。
    非接触式车辆识别大致可以分为主动检测和被动检测两类。主动检测即 利用反射回波原理,由声波发生器发射高频波,然后由运动车辆以变化的频 率返回,通过换能器记录下频率特征,从而进行车型识别,但这种方法的不 足之处在于实施过程容易受环境的影响,识别性能随环境温度和气流影响而 降低。
    被动非接触式检测技术,如基于视频图像的车型识别,是一种非接触式 被动检测技术,其具有不破坏路面,检测范围大,获取信息量大,安装使用 灵活,维护费用低的优点。但目前基于视频图像的车辆检测方法主要是基于 浅层特征结合SVM或神经网络的识别方法,或是基于车辆轮廓的几何特征的 硬性判别。这两类方法只能区分大、中、小车辆,无法有效区分,例如,客 车、卡车、面包车、轿车等更加细致的车辆类型,且易受到场景、光照、形 变等影响识别率较低。
    根据上述分析可知,现有物体(特别对于车辆)类型识别方法存在一定 缺陷,因此,需要一种在复杂场景中准确、快速的识别物体类型的技术。
    发明内容
    为此,本发明要解决的技术问题在于现有技术无法实现在复杂环境中精 准地识别物体的类型,从而提出一种准确率高的物体类型识别方法及系统来 解决该问题。
    为解决上述技术问题,本发明采用以下技术方案:
    一种物体类型识别方法,包括:从获取的图像中截取出待识别目标所在 区域;获取待识别目标所在区域图像的加窗傅立叶变换特征图;利用预先训 练的物体模型对所述加窗傅立叶变换特征图进行检测获得所述物体的类型。
    优选地,所述预先训练的物体模型通过以下步骤获得:获取不同类型所 述物体的样本图像的加窗傅立叶变换特征图;将所述加窗傅立叶变换特征图 输入卷积神经网络进行训练获得所述物体模型。
    进一步地,所述将所述加窗傅立叶变换特征图输入卷积神经网络进行训 练获得所述物体模型的步骤包括:对所述加窗傅立叶变换特征图进行降采样 处理;将经过降采样处理的加窗傅立叶变换特征图输入卷积神经网络进行训 练获得所述物体模型。
    优选地,所述获取待识别目标所在区域图像的加窗傅立叶变换特征图的 步骤包括:判断待识别目标所在区域图像中的所述目标是否为所述物体;当 所述目标为所述物体时,获取待识别物体所在区域图像的加窗傅立叶变换特 征图。
    进一步地,所述判断待识别目标所在区域图像中的所述目标是否为所述 物体的步骤包括:获取待识别目标所在区域图像的方向梯度直方图特征图; 利用预先训练的集成分类器对所述方向梯度直方图特征图进行检测,判断所 述目标是否为所述物体。
    优选地,所述从获取的图像中截取出待识别目标所在区域的步骤与所述 获取待识别目标所在区域图像的加窗傅立叶变换特征图的步骤之间还包括: 增强待识别目标所在区域图像的对比度;对待识别目标所在区域图像进行尺 度归一化。
    优选地,上述技术方案中所述物体为车辆。
    作为相同的发明构思,本发明还提供一种物体类型识别系统,包括:待 识别目标所在区域截取???,用于从获取的图像中截取出待识别目标所在区 域;加窗傅立叶变换特征图获取???,用于获取待识别目标所在区域图像的 加窗傅立叶变换特征图;物体类型检测???,用于利用预先训练的物体模型 对所述加窗傅立叶变换特征图进行检测获得所述物体的类型。
    优选地,所述系统还包括物体模型训练???,所述物体模型训练??榘?括:第一加窗傅立叶变换特征图获取单元,用于获取不同类型所述物体的样 本图像的加窗傅立叶变换特征图;物体模型训练单元,用于将所述加窗傅立 叶变换特征图输入卷积神经网络进行训练获得所述物体模型。
    进一步地,所述物体模型训练单元包括:降采样处理子单元,用于对所 述加窗傅立叶变换特征图进行降采样处理;物体模型训练子单元,用于将经 过降采样处理的加窗傅立叶变换特征图输入卷积神经网络进行训练获得所 述物体模型。
    优选地,所述加窗傅立叶变换特征图获取??榘ǎ何锾迮卸系ピ?,用 于判断待识别目标所在区域图像中的所述目标是否为所述物体;第二加窗傅 立叶变换特征图获取单元,用于当所述目标为所述物体时,获取待识别物体 所在区域图像的加窗傅立叶变换特征图。
    进一步地,所述物体判断单元包括:方向梯度直方图特征图获取子单元, 用于获取待识别目标所在区域图像的方向梯度直方图特征图;物体判断子单 元,用于利用预先训练的集成分类器对所述方向梯度直方图特征图进行检 测,判断所述目标是否为所述物体。
    优选地,所述系统还包括:对比度增强???,用于增强待识别目标所在 区域图像的对比度;尺度归一化???,用于对待识别目标所在区域图像进行 尺度归一化。
    本发明的物体类型识别方法及系统的有益效果包括:
    本发明的一种物体类型识别方法及系统,所述方法包括:从获取的图像 中截取出待识别目标所在区域;获取待识别目标所在区域图像的加窗傅立叶 变换特征图;利用预先训练的物体模型对所述加窗傅立叶变换特征图进行检 测获得所述物体的类型。在根据本发明的物体类型识别方法中,通过在图像 上提取加窗傅立叶变换特征获得加窗傅立叶变换特征图,再利用预先训练的 物体模型对所述加窗傅立叶变换特征图进行检测获得物体的类型,避免了现 有技术中的物体类型识别方法直接利用初始图像像素值判别物体类型造成 的准确率低的问题。根据本发明的物体类型识别方法,通过在图像上提取加 窗傅立叶变换特征获得加窗傅立叶变换特征图,再利用预先训练的物体模型 对所述加窗傅立叶变换特征图进行检测获得物体的类型,可以提高物体模型 对不同物体的判别度,使得对于物体类型识别的准确率提高5%。
    附图说明
    为了使本发明的内容更容易被清楚的理解,下面根据本发明的具体实施 例并结合附图,对本发明作进一步详细的说明,其中
    图1是本发明实施例1的一种物体类型识别方法的流程示意图;
    图2是本发明实施例4的一种物体类型识别系统的结构示意图。
    具体实施方式
    实施例1
    图1示出了本发明实施例1的一种物体类型识别方法,该方法可以应用 于智能交通卡口场景下对车辆类型进行识别,例如区分车辆是客车、货车、 面包车还是轿车等,也可以应用于家庭服务机器人领域对家庭成员进行识 别,例如区分家庭成员是老人、孕妇还是小孩等。总之,可以用于任何需要 对物体类型进行识别的领域。所述物体类型识别方法包括以下步骤:
    步骤S11、从获取的图像中截取出待识别目标所在区域。例如,从视频 图像中提取出待识别目标所在的关键帧图像,利用索贝尔(sobel)边缘检 测算法和垂直纹理投影算法,并结合车辆定位技术,定位出待识别目标所在 区域,按照一定比例截取出待识别目标所在区域。
    步骤S12、获取待识别目标所在区域图像的加窗傅立叶变换特征图。加 窗傅立叶变换特征即是Gabor特征。
    步骤S13、利用预先训练的物体模型对所述加窗傅立叶变换特征图进行 检测获得所述物体的类型。
    在根据本实施例的物体类型识别方法中,通过在图像上提取加窗傅立叶 变换特征获得加窗傅立叶变换特征图,再利用预先训练的物体模型对所述加 窗傅立叶变换特征图进行检测获得物体的类型,避免了现有技术物体类型识 别方法直接利用初始图像像素值判别物体类型造成的准确率低的问题。根据 本实施例的物体类型识别方法,通过在图像上提取加窗傅立叶变换特征获得 加窗傅立叶变换特征图,再利用预先训练的物体模型对所述加窗傅立叶变换 特征图进行检测获得物体的类型,可以提高物体模型对不同物体的判别度, 使得对于物体类型识别的准确率提高5%。
    作为优选的实施方式,在步骤S11与步骤S12之间还包括以下步骤:
    步骤S14、增强待识别目标所在区域图像的对比度。
    步骤S15,对待识别目标所在区域图像进行尺度归一化。
    在根据本实施例的物体类型识别方法中,首先增强待识别目标所在区域 图像的对比度,然后对待识别目标所在区域图像进行尺度归一化,最后获取 待识别目标所在区域图像的加窗傅立叶变换特征图,避免了常规物体类型识 别方法根据初始图像获得加窗傅立叶变换特征图造成后续对待识别目标的 区分度低的影响。根据本实施例的物体类型识别方法,通过增强待识别目标 所在区域图像的对比度,对待识别目标所在区域图像进行尺度归一化,获取 待识别目标所在区域图像的加窗傅立叶变换特征图,不仅可以提高待识别目 标的区分度,并且不容易引起过拟合现象,增强算法的泛化性能,进而提高 物体类型识别的准确率和速度。
    作为优选的实施方式,步骤S12可以包括以下步骤:
    步骤A1、判断待识别目标所在区域图像中的所述目标是否为所述物体。
    步骤B1、当所述目标为所述物体时,获取待识别物体所在区域图像的加 窗傅立叶变换特征图。
    常规获取加窗傅立叶变换特征图的方法是直接根据初始图像获得加窗 傅立叶变换特征图,然而待识别目标所在区域图像中还可能包括其他物体, 这些其他物体的存在具有一定的干扰性。在本实施例中,则首先判断待识别 目标所在区域图像中的所述目标是否为所述物体,当所述目标为所述物体 时,获取待识别物体所在区域图像的加窗傅立叶变换特征图,这样可以将所 述其他物体排除,使得对物体类型的判别更加精细,不但提高了效率,而且 使得对于物体类型的识别更加精确、更加快速。
    其中,步骤A1可以包括以下步骤:
    步骤A11、获取待识别目标所在区域图像的方向梯度直方图特征图。方 向梯度直方图特征即是HOG(Histogram of Oriented Gradient)特征。
    步骤A12、利用预先训练的集成分类器对所述方向梯度直方图特征图进 行检测,判断所述目标是否为所述物体。所述集成分类器可以是基于 Adaboost的集成分类器,其通过对获取的所述物体的样本图像的方向梯度直 方图特征进行预先训练而获得。
    常规判断图像中的目标是否为特定物体的方法是利用图像的纹理特征 进行判断。在本实施例中,采用基于方向梯度直方图特征训练的集成分类器 对图像的方向梯度直方图特征图进行检测,判断所述目标是否为所述物体, 不仅提高检测速度,还降低误检测率,使得真正的物体顺利通过进行后续的 识别,进而进一步提高物体类型识别的准确率。
    作为优选的实施方式,所述预先训练的物体模型可以通过以下步骤获 得:
    步骤A2,获取不同类型所述物体的样本图像的加窗傅立叶变换特征图。 即大量获取各种不同类型的所述物体的样本图像,提取所述样本图像的加窗 傅立叶变换特征获得加窗傅立叶变换特征图。
    步骤B2,将所述加窗傅立叶变换特征图输入卷积神经网络进行训练获得 所述物体模型。卷积神经网络,即Convolutional Neural Networks,简称 CNN。
    常规训练物体模型的方法是直接将灰度像素值送入卷积神经网络进行 训练,在本实施例中,首先在样本图像上提取加窗傅立叶变换特征,然后再 送入卷积神经网络进行训练,这样不仅提高训练的物体模型对物体的表达度 和判别度,而且更能形成高层次的目标描述,进而更加准确地进行物体类型 识别。
    进一步地,步骤B2可以包括以下步骤:
    步骤B21,对所述加窗傅立叶变换特征图进行降采样处理。
    步骤B22,将经过降采样处理的加窗傅立叶变换特征图输入卷积神经网 络进行训练获得所述物体模型。
    通过对所述加窗傅立叶变换特征图进行降采样处理后,再输入卷积神经 网络进行训练,可以有效抛弃冗余信息,更能突出有效目标的特点,并且可 以一定程度上降低过拟合,获得的物体模型对物体的表达度和判别度更好, 进而进一步提高物体类型识别的准确率。
    实施例2
    在本实施例中,以智能交通卡口场景下对车辆类型进行识别为例,阐述 本发明的物体类型识别方法。该方法可以包括以下步骤:
    步骤A3、从获取的图像中截取出待识别目标所在区域。具体来说,从视 频图像中提取出待识别目标所在的关键帧图像,利用索贝尔(sobel)边缘 检测算法和垂直纹理投影算法,并结合车辆定位技术,定位出待识别目标所 在区域,按照一定比例截取出待识别目标所在区域。
    步骤B3、增强待识别目标所在区域图像的对比度。
    步骤C3,对增强对比度后的待识别目标所在区域图像进行尺度归一化。
    步骤D3、获取尺度归一化后的待识别目标所在区域图像的加窗傅立叶变 换特征图。具体包括以下步骤:
    步骤D31、判断待识别目标所在区域图像中的所述目标是否为车辆。具 体地,首先,获取待识别目标所在区域图像的方向梯度直方图特征图;其次, 利用预先训练的集成分类器对所述方向梯度直方图特征图进行检测,判断所 述目标是否为车辆。
    步骤D32、当所述目标为车辆时,获取待识别目标所在区域图像的加窗 傅立叶变换特征图。
    步骤E3、利用预先训练的车辆模型对所述加窗傅立叶变换特征图进行检 测获得车辆的类型。其中,所述预先训练的车辆模型可以通过以下步骤获得:
    步骤E31,获取不同类型车辆的样本图像的加窗傅立叶变换特征图。即 将样本按照客车、大型货车、中型货车、中型面包车、微型面包车、轿车、 越野车等进行分类,每一类包含一定数量的样本图像,然后提取所述样本图 像的加窗傅立叶变换特征获得加窗傅立叶变换特征图。
    步骤E32,将所述加窗傅立叶变换特征图输入卷积神经网络进行训练获 得所述车辆模型。具体地,首先,对所述加窗傅立叶变换特征图进行降采样 处理;其次,将经过降采样处理的加窗傅立叶变换特征图输入卷积神经网络 进行训练获得所述车辆模型。
    上述各个步骤的技术特征的有机地结合在一起,在功能上彼此支持, 使得对于物体类型识别的准确率大幅提高,与传统的车辆类型识别方法相 比,获得了更优越的技术效果。
    实施例3
    在本实施例中,以家庭服务机器人领域对家庭成员进行识别为例,阐述 本发明的物体类型识别方法。该方法可以包括以下步骤:
    步骤A4、从获取的图像中截取出待识别目标所在区域。具体来说,从视 频图像中提取出待识别目标所在的关键帧图像,利用索贝尔(sobel)边缘 检测算法和垂直纹理投影算法,并结合人物定位技术,定位出待识别目标所 在区域,按照一定比例截取出待识别目标所在区域。
    步骤B4、增强待识别目标所在区域图像的对比度。
    步骤C4,对增强对比度后的待识别目标所在区域图像进行尺度归一化。
    步骤D4、获取尺度归一化后的待识别目标所在区域图像的加窗傅立叶变 换特征图。具体包括以下步骤:
    步骤D41、判断待识别目标所在区域图像中的所述目标是否为人物。具 体地,首先,获取待识别目标所在区域图像的方向梯度直方图特征图;其次, 利用预先训练的集成分类器对所述方向梯度直方图特征图进行检测,判断所 述目标是否为人物。
    步骤D42、当所述目标为人物时,获取待识别目标所在区域图像的加窗 傅立叶变换特征图。
    步骤E4、利用预先训练的人物模型对所述加窗傅立叶变换特征图进行检 测获得人物的类型。其中,所述预先训练的人物模型可以通过以下步骤获得:
    步骤E41,获取不同类型人物的样本图像的加窗傅立叶变换特征图。即 将样本按照老人、孕妇、小孩、成人等进行分类,每一类包含一定数量的样 本图像,然后提取所述样本图像的加窗傅立叶变换特征获得加窗傅立叶变换 特征图。
    步骤E42,将所述加窗傅立叶变换特征图输入卷积神经网络进行训练获 得所述人物模型。具体地,首先,对所述加窗傅立叶变换特征图进行降采样 处理;其次,将经过降采样处理的加窗傅立叶变换特征图输入卷积神经网络 进行训练获得所述人物模型。
    上述各个步骤的技术特征的有机地结合在一起,在功能上彼此支持, 使得对于物体类型识别的准确率大幅提高,与传统的人物类型识别方法相 比,获得了更优越的技术效果。
    实施例4
    图2示出了本发明实施例4的一种物体类型识别系统,包括:待识别目 标所在区域截取???1、加窗傅立叶变换特征图获取???2和物体类型检 测???3。其中,待识别目标所在区域截取???1用于从获取的图像中截 取出待识别目标所在区域;加窗傅立叶变换特征图获取???2用于获取待 识别目标所在区域图像的加窗傅立叶变换特征图;物体类型检测???3用 于利用预先训练的物体模型对所述加窗傅立叶变换特征图进行检测获得所 述物体的类型。在根据本实施例的物体类型识别系统中,通过在图像上提取 加窗傅立叶变换特征获得加窗傅立叶变换特征图,再利用预先训练的物体模 型对所述加窗傅立叶变换特征图进行检测获得物体的类型,避免了现有技术 物体类型识别方法直接利用初始图像像素值判别物体类型造成的准确率低 的问题。根据本实施例的物体类型识别系统,通过在图像上提取加窗傅立叶 变换特征获得加窗傅立叶变换特征图,再利用预先训练的物体模型对所述加 窗傅立叶变换特征图进行检测获得物体的类型,可以提高物体模型对不同物 体的判别度,使得对于物体类型识别的准确率提高5%。
    作为优选的实施方式,所述系统还包括:对比度增强???4和尺度归 一化???5。其中对比度增强???4用于增强待识别目标所在区域图像的 对比度;尺度归一化???5用于对待识别目标所在区域图像进行尺度归一 化。在根据本实施例的物体类型识别系统中,首先增强待识别目标所在区域 图像的对比度,然后对待识别目标所在区域图像进行尺度归一化,最后获取 待识别目标所在区域图像的加窗傅立叶变换特征图,避免了常规物体类型识 别系统根据初始图像获得加窗傅立叶变换特征图造成后续对待识别目标的 区分度低的影响。根据本实施例的物体类型识别系统,通过增强待识别目标 所在区域图像的对比度,对待识别目标所在区域图像进行尺度归一化,获取 待识别目标所在区域图像的加窗傅立叶变换特征图,不仅可以提高待识别目 标的区分度,并且不容易引起过拟合现象,增强算法的泛化性能,进而提高 物体类型识别的准确率和速度。
    作为优选的实施方式,所述加窗傅立叶变换特征图获取???2包括物 体判断单元和第二加窗傅立叶变换特征图获取单元。所述物体判断单元用于 判断待识别目标所在区域图像中的所述目标是否为所述物体;所述第二加窗 傅立叶变换特征图获取单元用于当所述目标为所述物体时,获取待识别物体 所在区域图像的加窗傅立叶变换特征图。常规获取加窗傅立叶变换特征图的 ??槭侵苯痈莩跏纪枷窕竦眉哟案盗⒁侗浠惶卣魍?,然而待识别目标所在 区域图像中还可能包括其他物体,这些其他物体的存在具有一定的干扰性。 在本实施例中,则首先判断待识别目标所在区域图像中的所述目标是否为所 述物体,当所述目标为所述物体时,获取待识别物体所在区域图像的加窗傅 立叶变换特征图,这样可以将所述其他物体排除,使得对物体类型的判别更 加精细,不但提高了效率,而且使得对于物体类型的识别更加精确、更加快 速。
    其中,所述物体判断单元包括方向梯度直方图特征图获取子单元和物体 判断子单元。所述方向梯度直方图特征图获取子单元用于获取待识别目标所 在区域图像的方向梯度直方图特征图;所述物体判断子单元用于利用预先训 练的集成分类器对所述方向梯度直方图特征图进行检测,判断所述目标是否 为所述物体。常规判断图像中的目标是否为特定物体的??槭抢猛枷竦奈?理特征进行判断。在本实施例中,采用基于方向梯度直方图特征训练的集成 分类器对图像的方向梯度直方图特征图进行检测,判断所述目标是否为所述 物体,不仅提高检测速度,还降低误检测率,使得真正的物体顺利通过进行 后续的识别,进而进一步提高物体类型识别的准确率。
    作为优选的实施方式,所述系统还包括物体模型训练???,所述物体模 型训练??榘ǖ谝患哟案盗⒁侗浠惶卣魍蓟袢〉ピ臀锾迥P脱盗返ピ?。 其中,所述第一加窗傅立叶变换特征图获取单元用于获取不同类型所述物体 的样本图像的加窗傅立叶变换特征图;所述物体模型训练单元用于将所述加 窗傅立叶变换特征图输入卷积神经网络进行训练获得所述物体模型。常规训 练物体模型的??槭侵苯咏叶认袼刂邓腿刖砘窬缃醒盗?,在本实 施例中,首先在样本图像上提取加窗傅立叶变换特征,然后再送入卷积神经 网络进行训练,这样不仅提高训练的物体模型对物体的表达度和判别度,而 且更能形成高层次的目标描述,进而更加准确地进行物体类型识别。
    其中,所述物体模型训练单元包括降采样处理子单元和物体模型训练子 单元,其中所述降采样处理子单元用于对所述加窗傅立叶变换特征图进行降 采样处理;所述物体模型训练子单元用于将经过降采样处理的加窗傅立叶变 换特征图输入卷积神经网络进行训练获得所述物体模型。通过对所述加窗傅 立叶变换特征图进行降采样处理后,再输入卷积神经网络进行训练,可以有 效抛弃冗余信息,更能突出有效目标的特点,并且可以一定程度上降低过拟 合,获得的物体模型对物体的表达度和判别度更好,进而进一步提高物体类 型识别的准确率。
    显然,上述实施例仅仅是为清楚地说明所作的举例,而并非对实施方式 的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做 出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷 举。而由此所引伸出的显而易见的变化或变动仍处于本发明创造的?;し段?之中。

    关于本文
    本文标题:一种物体类型识别方法及系统.pdf
    链接地址://www.4mum.com.cn/p-5887107.html
    关于我们 - 网站声明 - 网站地图 - 资源地图 - 友情链接 - 网站客服 - 联系我们

    [email protected] 2017-2018 www.4mum.com.cn网站版权所有
    经营许可证编号:粤ICP备17046363号-1 
     


    收起
    展开
  • 四川郎酒股份有限公司获第十二届人民企业社会责任奖年度环保奖 2019-05-13
  • 银保监会新规剑指大企业多头融资和过度融资 2019-05-12
  • 韩国再提4国联合申办世界杯 中国网友无视:我们自己来 2019-05-11
  • 中国人为什么一定要买房? 2019-05-11
  • 十九大精神进校园:风正扬帆当有为 勇做时代弄潮儿 2019-05-10
  • 粽叶飘香幸福邻里——廊坊市举办“我们的节日·端午”主题活动 2019-05-09
  • 太原设禁鸣路段 设备在测试中 2019-05-09
  • 拜耳医药保健有限公司获第十二届人民企业社会责任奖年度企业奖 2019-05-08
  • “港独”没出路!“梁天琦们”该醒醒了 2019-05-07
  • 陈卫平:中国文化内涵包含三方面 文化复兴表现在其中 2019-05-06
  • 人民日报客户端辟谣:“合成军装照”产品请放心使用 2019-05-05
  • 【十九大·理论新视野】为什么要“建设现代化经济体系”?   2019-05-04
  • 聚焦2017年乌鲁木齐市老城区改造提升工程 2019-05-04
  • 【专家谈】上合组织——构建区域命运共同体的有力实践者 2019-05-03
  • 【华商侃车NO.192】 亲!楼市火爆,别忘了买车位啊! 2019-05-03
  • 衢州鸭头赚钱吗 赌大小只赢不输方法 玩时时彩怎样倍投稳赚 北京单场比分直播 qq分分彩计划在线 11选5技巧稳赚任二 128棋牌游戏完整版 青海体彩十一开奖结果 怎样看三分彩的大小 安徽十一选五开奖 学校里卖什么东西赚钱 手球实时比分 管家婆四期三肖期期准期期准 天津11选5预测 什么行业冷门但赚钱 重庆时时三星彩走势图360