CN102567740B - 一种图像识别方法及系统 - Google Patents
一种图像识别方法及系统 Download PDFInfo
- Publication number
- CN102567740B CN102567740B CN201010588569.6A CN201010588569A CN102567740B CN 102567740 B CN102567740 B CN 102567740B CN 201010588569 A CN201010588569 A CN 201010588569A CN 102567740 B CN102567740 B CN 102567740B
- Authority
- CN
- China
- Prior art keywords
- image
- value
- identified
- extreme
- coefficient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Expired - Fee Related
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种图像识别方法及系统。一种图像识别方法,包括:计算所述待识别图像的极值点的位置值和极值以及变动系数;依次获取每种图像类中的标准图像的变动系数和待识别图像的变动系数匹配代价,并将所获取的变动系数匹配代价与预设匹配值比较;当比较结果不大于预设匹配值时,进行匹配识别步骤;当比较结果大于预设匹配值时,判定待识别图像与标准图像不属于同一图像类。应用上述技术方案,首先比较变动系数匹配代价,在比较结果不大于预设匹配值时,才进行匹配步骤。而比较结果大于预设匹配值时,直接判定待识别图像与标准图像不属于同一图像类。与现有技术相比减少了匹配时间,提高了匹配效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种图像识别方法及系统。
背景技术
图像识别方法是指通过计算机,采用数学方法,对一个系统前端获取的图像二值化、边缘提取以及特征取样,并匹配识别图像的图像处理方法。其包括:条码识别、生物特征识别(人脸识别、指纹识别等)、智能交通中的动态对象识别、手写识别等多种识别方法。
随着对CSS(Curvature Scale Space,曲率尺度空间)技术的研究深入,CSS被广泛应用到图像识别方法中。CSS图像识别方法是基于图像的CSS图,采用穷举法匹配CSS图中的极值点。具体包括以下步骤:
步骤A:获取待识别图像,对图像进行预处理,获取图像的CSS图;
步骤B:获取待识别图像中的一个待匹配点的位置值Xq和极值Vq;
步骤C:获取预先建立的图像库中一个标准图像的所有点的位置值Xm和极值Vm;
步骤D:依次计算待匹配点与图像库中标准图像的点的距离值,即选取多个距离值中取值最小的作为待匹配点的匹配点;
步骤E:待匹配点与匹配点的距离值是否小于预设阈值,如果是,执行步骤F,否则,执行步骤G;
步骤F:将待匹配点与匹配点的距离值作为匹配值,继续执行步骤H;
步骤G:待匹配点匹配不成功,继续执行步骤H;
步骤H:待识别图像中的待匹配点是否匹配完,如果是,执行步骤I,否则,执行步骤B,重新获取待匹配点;
步骤I:合并所有的匹配值和未成功匹配的待匹配点的极值,并将合并结果作为匹配代价。
步骤J:重复步骤A-I,直至匹配完图像库中的所有标准图像;
步骤K:对待识别图像作镜像处理,获取镜像图像,将镜像图像作为待识别图像,重复执行步骤A-J;
步骤L:将待识别图像和标准图像互换,重复执行步骤A-J;
步骤M:从小到大排列匹配代价,选取预设个数的匹配代价所对应的标准图像,所选取的匹配代价为步骤I中匹配代价中取值最小的,查询标准图像所对应的图像类,获取包含预设个数的匹配代价所对应的标准图像个数最多的图像类作为目标图像类,将待识别图像归属于目标图像类。
从上述步骤可以看出,无论待识别图像是否与标准图像匹配,都需要采用穷举法匹配,进而导致匹配时间长,匹配效率低。
发明内容
有鉴于此,本发明提供一种图像识别方法及系统,以解决采用穷举法匹配导致的匹配时间长,匹配效率低的问题。本发明所提供的一种图像识别方法及系统的具体方案如下:
一种图像识别方法,预先设置数据库,所述数据库包括多种图像类,每种图像类至少包括标准图像的变动系数以及该标准图像的极值点的位置值和极值,所述方法包括:
预处理步骤:计算所述待识别图像的极值点的位置值和极值以及变动系数;
变动系数匹配代价对比步骤:依次获取每种图像类中的标准图像的变动系数和待识别图像的变动系数匹配代价,并将所获取的变动系数匹配代价与预设匹配值比较;
匹配步骤:当比较结果不大于预设匹配值时,匹配待识别图像和标准图像,计算两者的曲率尺度空间CSS匹配代价,合并变动系数匹配代价和CSS匹配代价,并将合并后的结果作为匹配代价;
识别步骤:获取预设个数的匹配代价,该匹配代价的取值小于未获取的匹配代价的取值;当包括所获取的匹配代价对应的标准图像的个数最多的图像类的个数超过1个时,从包含个数最多的图像类中选取匹配代价之和最小的图像类作为目标图像类,否则,选取包括所获取的匹配代价对应的标准图像的个数最多的图像类作为目标图像类,判定待识别图像属于目标图像类;
当比较结果大于预设匹配值时,判定待识别图像与标准图像不属于同一图像类。
本发明实施例还提供一种图像识别系统,预先设置数据库,所述数据库包括多种图像类,每种图像类至少包括标准图像的变动系数以及该标准图像的极值点的位置值和极值,所述系统包括:
预处理装置,用于计算所述待识别图像的极值点的位置值和极值以及变动系数;
与预处理装置相连的变动系数匹配代价对比装置,用于依次获取每种图像类中的标准图像的变动系数和待识别图像的变动系数匹配代价,并将所获取的变动系数匹配代价与预设匹配值比较;
与变动系数对比装置相连的匹配装置,用于当比较结果不大于预设匹配值时,匹配待识别图像和标准图像,进而计算两者的CSS曲率尺度空间匹配代价,合并变动系数匹配代价和CSS匹配代价,并将合并后的结果作为匹配代价;
与匹配装置相连的识别装置,用于获取预设个数的匹配代价,该匹配代价的取值小于未获取的匹配代价的取值;当包括所获取的匹配代价对应的标准图像的个数最多的图像类的个数超过1个时,从包含个数最多的图像类中选取匹配代价之和最小的图像类作为目标图像类,否则,选取包括所获取的匹配代价对应的标准图像的个数最多的图像类作为目标图像类,判定待识别图像属于目标图像类;当比较结果大于预设匹配值时,判定待识别图像与标准图像不属于同一图像类。
应用上述技术方案,首先比较变动系数匹配代价,在比较结果不大于预设匹配值时,才进行匹配步骤。而比较结果大于预设匹配值时,直接判定待识别图像与标准图像不属于同一图像类。与现有技术中无论待识别图像是否与标准图像匹配,都需要采用穷举法匹配的方案来说,减少了匹配时间,提高了匹配效率。申请人经过试验,基于MPEG-7标准图像库的实验结果表明,当预设匹配值为0.7时,实验效果较好,匹配时间减少30%,匹配效率提高10%”。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的图像识别方法的流程图;
图2a是一种直升机边缘图像;
图2b是图2a的CSS图;
图3为图1中步骤S105的流程图;
图4为本发明实施例提供的图像识别系统的结构示意图;
图5为图4中匹配装置的结构示意图;
图6为本发明实施例提供的图像识别系统的另一种结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
现有的基于CSS图的图像识别方法,无论待识别图像是否与标准图像匹配,都需要采用穷举法匹配,导致匹配时间长,匹配效率低,而不是首先采用待识别图像和标准图像的变动系数进行预匹配,再对预匹配时判定是同一图像类的待识别图像和标准图像进行穷举法匹配。这是因为用变动系数预匹配会将原本是匹配图像的标准图像,误判定为不匹配图像。但是申请人经过多次实验发现,采用变动系数预匹配,依据不同的应用,调整预匹配时的预设匹配值,可以降低误匹配率,甚至使误匹配率降低为0,同时还会提高匹配效率和减少匹配时间,且提高和减少的百分比与预设匹配值的取值有关。当预设匹配值越大,匹配效率提高较大,而匹配时间减少较小,当预设匹配值越小,匹配效率提高较小,而匹配时间减少较大。申请人经过试验,基于MPEG-7标准图像库的实验结果表明,当预设匹配值为0.7时,实验效果较好,匹配时间减少30%,匹配效率提高10%”。
基于上述分析,为了解决现有的基于CSS图的图像识别方法,导致匹配时间长,匹配效率低的问题,本发明实施例提供一种图像识别方法,该方法基于预先设置的数据库,数据库包括多种图像类,每种图像类至少包括标准图像的变动系数以及该标准图像的极值点的位置值和极值。为了更好的阐述本发明,本发明实施例所基于的数据库是MPEG-7数据库,也就是说,本发明实施例中提到的各种数据都是基于MPEG-7数据库,经过申请人多次实验得到的,在后续说明中不再加以阐述。
本发明实施例提供的图像识别方法首先采用变动系数进行预匹配,流程图如图1所示,包括:
S101:获取待识别图像,计算所述待识别图像的极值点的位置值和极值以及变动系数;其中,计算所述待识别图像的极值点的位置值和极值以及变动系数具体包括以下步骤:
步骤A:判断待识别图像是否为彩色图像,如果是,执行步骤B,否则,执行步骤C;
步骤B:对待识别图像进行灰度化处理获取灰度图像,对灰度图像进行二值化处理获取二值化图像,执行步骤D;
步骤C:对待识别图像进行二值化处理获取二值化图像,执行步骤D;
步骤D:使用Candy边缘算子对二值化图像进行边缘检测,计算出二值化图像的轮廓,获取二值化图像的轮廓图像;
步骤E:对轮廓图像进行取样,将取样点的横坐标记录到X集合中,纵坐标记录到Y集合中;对轮廓图像所获取的取样点的个数依据不同的应用而不同。本发明实施例中提取的取样点的个数为200个。
步骤F:获取归一化CSS图和待识别图像的位置值变动系数和极值变动系数。具体为:步骤E中获取的集合X和集合Y构成一条曲线S,对曲线S进行一次高斯演化处理,即对集合X和Y进行一次高斯演化处理,公式为:
其中:s为弧长参数,σ为尺度,即演化次数,g(s,σ)为Gauss核函数,公式为:
而在实际操作过程中,对曲线S的一次高斯演化处理相当于对曲线S的一次迭代处理(σ的取值等于迭代次数)。设曲线S的计算公式为:
S={Pi|(xi,yi),i=1,2,...,200},
其中:Pi为曲线上点,m表示迭代次数,i表示第几个点,即点的位置。第一次迭代处理时,曲线S中Pi取值是由步骤E中集合X和集合Y中的取值确定的。例如一次迭代时P4的值为:0.25*第3个取样点值+0.5*第4个取样点值+0.25*第5个取样点值,特殊的,P1的值为:0.25*第200个取样点值+0.5*第1个取样点值+0.25*第2个取样点值,而P200的值为:0.25*第199个取样点值+0.5*第200个取样点值+0.25*第1个取样点值。依次类推,第m次迭代时,曲线S中Pi取值是由第m-1次迭代时Pi取值确定的。当Pi取值确定后,则可以进一步获取各点的s值。
演化后曲线S的曲率方程表示为:
其中:
当σ取值为1时,获取曲线上的曲率过零点,记录曲率过零点的位置和迭代次数,即记录m和i的取值。
采用上述获取曲线上曲率过零点的方式,进一步获取对曲线S的二次迭代处理所得出的曲线上的曲率过零点,记录m和i的取值,依次类推,获取对曲线S的n次迭代处理所得出的曲线上的曲率过零点,记录m和i的取值,直至迭代后的曲线上没有曲线过零点。
将上述记录的m和i的取值添加到CSS图中,即可获得待识别图像的CSS图。其中:i为极值点的位置值,而m为极值点的极值。
对i和m进行归一化处理,对i的归一化处理具体为i=i/200,而对m的归一化处理为m=m/max(m)。依据归一化的i和m计算待识别图像的位置变动系数Dp和极值变动系数Dv。计算公式为:
Dp=i的标准差/i的均值,Dv=m的标准差/m的均值。
以图2为例来说明是如何获取待识别图像的归一化极值点的位置值和极值,以及待识别图像的位置变动系数和极值变动系数的。图2(a)是一种直升机边缘图像,图2(b)是该边缘图像的CSS图。表1是图2(b)所示的CSS图中边缘图像的极值点的位置值和极值。
表1图2(a)所示的边缘图像的极值点的位置值和极值
那么,位置变动系数为5.6395238e-001,极值变动系数为9.6651458e-001。
S102:依次获取每种图像类中的标准图像的变动系数和待识别图像的变动系数匹配代价,并将所获取的变动系数匹配代价与预设匹配值比较;假设待识别图像的位置变动系数为DPq,极值变动系数为DVq,而某种图像类中第i个标准图像的位置变动系数为DPmi,极值变动系数为DVmi。则本步骤S102具体为:
获取每种图像类中的标准图像的位置变动系数和待识别图像的位置变动系数的位置变动系数匹配代价,位置变动系数匹配代价计算公式为:|DPq-DPmi|/max(DPq-DPmi),即第i个标准图像的位置变动系数匹配代价为待识别图像与第i个标准图像的位置变动系数的差值与待识别图像与一种图像类中标准图像的位置变动系数的最大差值的比值,将获取的位置变动系数匹配代价与第一预设匹配值进行比较;
同样,还需要对比极值变动系数,其计算公式为:|DVq-DVmi|/max(DVq-DVmi),与位置变动系数比较相同,第i个标准图像的极值变动系数为待识别图像与第i个标准图像的极值变动系数的差值与待识别图像与一种图像类中标准图像的极值变动系数的最大差值的比值,将所述获取的极值变动系数匹配代价与第二预设匹配值进行比较。
S103:判断比较结果是否大于预设匹配值,如果是,执行步骤S104,否则,执行步骤S105;具体为:
判断位置变动系数匹配代价是否大于第一预设匹配值;以及判断极值变动系数匹配代价是否大于第二预设匹配值。其中:第一预设匹配值和第二预设匹配值依据不同的标准图像数据库,取值不同。经过申请人多次实验得出,在以MPEG-7数据库为标准图像数据库时,第一预设匹配值为0.6,而第二预设匹配值为0.5时,误匹配率最低。
S104:判定待识别图像与标准图像不属于同一图像类;
S105:匹配待识别图像和标准图像,计算两者的CSS曲率尺度空间匹配代价,合并变动系数匹配代价和CSS匹配代价,并将合并后的结果作为匹配代价;
本步骤可以基于CSS图,采用穷举法匹配待识别图像和标准图像。当然,还可以采用灰度匹配方式,当采用灰度匹配时,预先设置的数据库还需要记录图像的灰度数据,使得数据库所记录的数据量过大,进而导致数据库初始化时间长。既然预先设置的数据库中包括标准图像的CSS图,因此,本发明实施例优选基于CSS图,采用穷举法匹配待识别图像和标准图像。穷举法匹配的流程图请参阅图3所示的流程图,包括:
S201:分别获取所述待识别图像的极值点的位置值集合和极值集合,所述标准图像的极值点的位置值集合和极值集合,每个图像极值点的位置值和极值是一一对应的;
S202:选取待识别图像和标准图像中极值大于预设关键点极值的极值点,计算两个极值点的位置值差值;其中:本发明实施例中预设关键点极值为0.8。该值会依据不同的标准图像数据库选取不同的值。
S203:依据所述位置值差值,对待识别图像中的极值点的位置值进行对齐处理,即计算待识别图像中极值点的位置值与所述位置值差值的差值,当所述差值大于1时,将该差值所对应的极值点的位置值减1作为目标位置值,否则,将该差值所对应的极值点的位置值加1作为目标位置值,将目标位置值记录到目标位置值集合中。之所以对待识别图像的位置值进行处理,是因为取样时,起始位置的选取是随机的,可以造成起始不同,或者图像经过旋转,取样时,起始位置也会不一样,起始位置不一样,则它的CSS图肯定不一样,所以要对起始点进行对齐处理,以消除图像起始位置不同所造成的影响。
S204:依次选取待识别图像的极值点和标准图像的极值点,所述待识别图像的极值点的位置值为目标位置值,计算待识别图像的极值点与所述标准图像的极值点之间的欧氏距离;假设所选取的待识别图像的极值点的目标位置值为Xq,极值为Vq,标准图像的位置值为Xm,极值为Vm,则欧氏距离的计算公式为:
S205:选取与待识别图像的极值点相对应的欧氏距离中取值最小的作为该极值点的欧氏距离;
S206:判断极值点的欧氏距离是否大于预设距离值,如果是,执行步骤S207,否则,执行步骤S208;
S207:判定待识别图像的该极值点为不匹配点,执行S209;
S208:判定待识别图像的该极值点为匹配点,匹配点的欧氏距离为极值点的欧氏距离;
S209:合并待识别图像中匹配点的欧氏距离和不匹配点的极值,将合并后的结果作为匹配值;
S210:判断大于预设关键点极值的极值点是否选取完,如果否,执行S202,否则,执行S211;
S211:选取匹配值中取值最小的匹配值作为CSS匹配代价;
S212:合并变动系数匹配代价和CSS匹配代价,并将合并后的结果作为匹配代价,其中:本发明实施例提供的图像识别方法中匹配代价的合并公式为:变动系数匹配代价*a+CSS匹配代价*b,a、b的大小根据应用来调整,本发明实施例中实验所用的数据a=1,b=1.5,也就是说本发明实施例中匹配代价的计算公式为:位置变动系数匹配代价+极值变动系数匹配代价+CSS匹配代价*1.5。
S106:获取预设个数的匹配代价,该匹配代价的取值小于未获取的匹配代价的取值;
S107:获取图像类中与待识别图像匹配的标准图像的个数;
S108:判断包含匹配个数最多的图像类的个数是否为1个,如果是,执行S109,否则,执行S110;
S109:选取包括所获取的匹配代价对应的标准图像的个数最多的图像类为目标图像类,判定待识别图像属于目标图像类,进而完成对待识别图像的识别;
S110:选取包括所获取的匹配代价对应的标准图像的个数最多的图像类,从包含个数最多的图像类中选取匹配代价之和最小的图像类作为,判定待识别图像属于目标图像类,进而完成对待识别图像的识别;。
比如:假若,图像A类B类中与待识别图像匹配的标准图像的个数最多,且二者数量相同,则应该再比较两类图像类的匹配代价之和,将匹配代价小的作为目标图像类,判定待识别图像属于目标图像类。
当然,为了提高匹配成功率,即将与待识别图像匹配的标准图像识别为不匹配的图像,在步骤S105和步骤S106之间还包括:对待识别图像进行镜像处理,镜像图像作为待识别图像或者将待识别图像作为标准图像,原有标准图像作为待识别图像,重复执行步骤S101至步骤S105。当然,还可以对经过上述处理的图像依次执行步骤S101至S105。
申请人经过多次实验得出,对待识别图像和标准图像,待识别图像的镜像图像和标准图像,互换后的待识别图像和标准图像依次执行步骤S101至S105后,再从多个匹配代价中获取预设个数的匹配代价来识别待识别图像,判定待识别图像所属图像类,其匹配成功率达到92.4%。前已述及,本发明实施例所提供的图像库为MPEG-7标准图像库,此时,预设个数取值为20个。该值根据基于的图像库的不同选取不同的数值。
应用上述技术方案,首先比较变动系数匹配代价,在比较结果不大于预设匹配值时,才进行匹配步骤。而比较结果大于预设匹配值时,直接判定待识别图像与标准图像不属于同一图像类。与现有技术中无论待识别图像是否与标准图像匹配,都需要采用穷举法匹配的方案来说,减少了匹配时间,提高了匹配效率。申请人经过试验,基于MPEG-7标准图像库的实验结果表明,当预设匹配值为0.7时,实验效果较好,匹配时间减少30%,匹配效率提高10%”。
与上述实施例相对应的,本发明实施例还提供一种图像识别系统,该系统基于预先设置数据库,数据库包括多种图像类,每种图像类至少包括标准图像的变动系数以及该标准图像的极值点的位置值和极值,本发明实施例中提到的各种数据都是基于MPEG-7数据库,经过申请人多次实验得到的,在后续说明中不再加以阐述。
本发明实施例所提供的图像识别系统结构示意图如图4所示,包括:预处理装置10、变动系数对比装置11、匹配装置12和识别装置13;其中:
预处理装置10,用于计算所述待识别图像的极值点的位置值和极值以及变动系数;
变动系数匹配代价对比装置11,用于依次获取每种图像类中的标准图像的变动系数和待识别图像的变动系数匹配代价,并将所获取的变动系数匹配代价与预设匹配值比较;假设待识别图像的位置变动系数为DPq,极值变动系数为DVq,而某种图像类中第i个标准图像的位置变动系数为DPmi,极值变动系数为DVmi。则变动系数匹配代价对比装置11对比过程具体为:
获取每种图像类中的标准图像的位置变动系数和待识别图像的位置变动系数的位置变动系数匹配代价,位置变动系数匹配代价计算公式为:|DPq-DPmi|/max(DPq-DPmi),即第i个标准图像的位置变动系数匹配代价为待识别图像与第i个标准图像的位置变动系数的差值与待识别图像与一种图像类中标准图像的位置变动系数的最大差值的比值,将获取的位置变动系数匹配代价与第一预设匹配值进行比较;
同样,还需要对比极值变动系数,其计算公式为:|DVq-DVmi|/max(DVq-DVmi),与位置变动系数比较相同,第i个标准图像的极值变动系数为待识别图像与第i个标准图像的极值变动系数的差值与待识别图像与一种图像类中标准图像的极值变动系数的最大差值的比值,将所述获取的极值变动系数匹配代价与第二预设匹配值进行比较。
匹配装置12,用于当比较结果不大于预设匹配值时,匹配待识别图像和标准图像,进而计算两者的CSS曲率尺度空间匹配代价,合并变动系数匹配代价和CSS匹配代价,并将合并后的结果作为匹配代价;其中:比较结果不大于预设匹配值具体为:位置变动系数差值百分比不大于第一预设匹配值和极值变动系数差值百分比不大于第二预设匹配值。本发明实施例所提供的图像识别系统中第一预设匹配值为0.6,而第二预设匹配值为0.5时,误匹配率最低。
匹配装置12可以基于CSS图,采用穷举法匹配待识别图像和标准图像。当然,还可以采用灰度匹配方式,当采用灰度匹配时,预先设置的数据库还需要记录图像的灰度数据,使得数据库所记录的数据量过大,进而导致数据库初始化时间长。既然预先设置的数据库中包括标准图像的CSS图,因此,匹配装置12优选基于CSS图,采用穷举法匹配待识别图像和标准图像。此时,匹配装置12的结构示意图如图5所示,包括:集合获取单元121、位置差值计算单元122、目标位置值集合生成单元123、欧氏距离生成单元124、欧氏距离选取单元125、匹配点判定单元126、匹配值获取单元127、CSS匹配代价选取单元128和匹配代价获取单元129;其中:
集合获取单元121,用于分别获取所述待识别图像的极值点的位置值集合和极值集合,所述标准图像的极值点的位置值集合和极值集合,每个图像极值点的位置值和极值是一一对应的;
位置差值计算单元122,用于选取待识别图像和标准图像中极值大于预设关键点极值的极值点,计算两个极值点的位置值差值;
目标位置值集合生成单元123,用于依据所述位置值差值,计算待识别图像中极值点的位置值与所述位置值差值的差值,当所述差值大于1时,将该差值所对应的极值点的位置值减1作为目标位置值,否则,将该差值所对应的极值点的位置值加1作为目标位置值;将目标位置值记录到目标位置值集合中;
欧氏距离生成单元124,用于依次选取待识别图像的极值点和标准图像的极值点,所述待识别图像的极值点的位置值为目标位置值,计算待识别图像的极值点与所述标准图像的极值点之间的欧氏距离;假设所选取的待识别图像的极值点的目标位置值为Xq,极值为Vq,标准图像的位置值为Xm,极值为Vm,则欧氏距离的计算公式为:
欧氏距离选取单元125,用于从欧氏距离生成单元124选取与待识别图像的极值点相对应的欧氏距离中取值最小的作为该极值点的欧氏距离。
匹配点判定单元126,用于欧氏距离小于预设距离值时,判定待识别图像的该极值点为匹配点,匹配点的欧氏距离为极值点的欧氏距离,否则,判定待识别图像的该极值点为不匹配点;
匹配值获取单元127,用于合并待识别图像中匹配点的欧氏距离和不匹配点的极值,将合并后的结果作为匹配值;
CSS匹配代价选取单元128,用于当大于预设关键点极值的极值点选取完,选取匹配值中取值最小的匹配值作为匹配代价;
匹配代价获取单元129,用于合并变动系数匹配代价和CSS匹配代价,并将合并后的结果作为匹配代价。
识别装置13,用于获取预设个数的匹配代价,该匹配代价的取值小于未获取的匹配代价的取值;当包括所获取的匹配代价对应的标准图像的个数最多的图像类的个数超过1个时,从包含个数最多的图像类中选取匹配代价之和最小的图像类作为目标图像类,否则,选取包括所获取的匹配代价对应的标准图像的个数最多的图像类作为目标图像类,判定待识别图像属于目标图像类;当比较结果大于预设匹配值时,判定待识别图像与标准图像不属于同一图像类。
为了提高匹配成功率,本发明实施例提供的图像识别系统还包括:镜像装置14和互换装置15。如图6所示,图6中预处理装置10、变动系数对比装置11和匹配装置12和图4所示的系统中预处理装置10、变动系数对比装置11和匹配装置12结构相同,对此不再加以阐述。镜像装置14,用于对待识别图像进行镜像处理,镜像图像作为待识别图像。互换装置15,用于将待识别图像作为标准图像,原有标准图像作为待识别图像。采用系统中的预处理装置10、变动系数对比装置11和匹配装置12对经过镜像装置14和互换装置15获得的图像匹配,最终由识别装置13识别待识别图像。
应用上述技术方案,首先比较变动系数匹配代价,在比较结果不大于预设匹配值时,才进行匹配步骤。而比较结果大于预设匹配值时,直接判定待识别图像与标准图像不属于同一图像类。与现有技术中无论待识别图像是否与标准图像匹配,都需要采用穷举法匹配的方案来说,减少了匹配时间,提高了匹配效率。申请人经过试验,基于MPEG-7标准图像库的实验结果表明,当预设匹配值为0.7时,实验效果较好,匹配时间减少30%,匹配效率提高10%”。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种图像识别方法,其特征在于,预先设置数据库,所述数据库包括多种图像类,每种图像类至少包括标准图像的变动系数以及该标准图像的极值点的位置值和极值,所述方法包括:
预处理步骤:计算待识别图像的极值点的位置值和极值以及变动系数;
变动系数匹配代价对比步骤:依次获取每种图像类中的标准图像的变动系数和待识别图像的变动系数匹配代价,并将所获取的变动系数匹配代价与预设匹配值比较;
匹配步骤:当比较结果不大于预设匹配值时,匹配待识别图像和标准图像,计算两者的曲率尺度空间CSS匹配代价,合并变动系数匹配代价和CSS匹配代价,并将合并后的结果作为匹配代价,所述合并变动系数匹配代价和CSS匹配代价的过程是:变动系数匹配代价+CSS匹配代价*1.5;
识别步骤:获取预设个数的匹配代价,该匹配代价的取值小于未获取的匹配代价的取值;当包括所获取的匹配代价对应的标准图像的个数最多的图像类的个数超过1个时,从包含个数最多的图像类中选取匹配代价之和最小的图像类作为目标图像类,否则,选取包括所获取的匹配代价对应的标准图像的个数最多的图像类作为目标图像类,判定待识别图像属于目标图像类;
当比较结果大于预设匹配值时,判定待识别图像与标准图像不属于同一图像类。
2.根据权利要求1所述的图像识别方法,其特征在于,所述变动系数匹配代价对比步骤具体为:
依次获取每种图像类中的标准图像的位置变动系数和待识别图像的位置变动系数的位置变动系数匹配代价,将所述获取的位置变动系数匹配代价与第一预设匹配值进行比较;
获取每种图像类中的标准图像的极值变动系数和待识别图像的极值变动系数的极值变动系数匹配代价,将所述获取的极值变动系数匹配代价与第二预设匹配值进行比较。
3.根据权利要求1所述的图像识别方法,其特征在于,所述匹配步骤之后,识别步骤之前还包括:对待识别图像进行镜像处理,镜像图像作为待识别图像,重复执行预处理步骤、变动系数匹配代价对比步骤和匹配步骤。
4.根据权利要求1所述的图像识别方法,其特征在于,所述匹配步骤之后,识别步骤之前还包括:将待识别图像作为标准图像,原有标准图像作为待识别图像,重复执行预处理步骤、变动系数匹配代价对比步骤和匹配步骤。
5.根据权利要求1所述的图像识别方法,其特征在于,所述匹配步骤之后,识别步骤之前还包括:对待识别图像进行镜像处理,镜像图像作为待识别图像,重复执行预处理步骤、变动系数匹配代价对比步骤、匹配步骤;
或者,将待识别图像作为标准图像,原有标准图像作为待识别图像,重复执行预处理步骤、变动系数匹配代价对比步骤和匹配步骤。
6.根据权利要求1-5任意一项所述的图像识别方法,其特征在于,所述匹配步骤具体为:
分别获取所述待识别图像的极值点的位置值集合和极值集合,所述标准图像的极值点的位置值集合和极值集合,每个图像极值点的位置值和极值是一一对应的;
选取待识别图像和标准图像中极值大于预设关键点极值的极值点,计算两个极值点的位置值差值;
依据所述位置值差值,计算待识别图像中极值点的位置值与所述位置值差值的差值,当所述差值大于1时,将该差值所对应的极值点的位置值减1作为目标位置值,否则,将该差值所对应的极值点的位置值加1作为目标位置值,将目标位置值记录到目标位置值集合中;
设置待识别图像的极值点的位置值为目标位置值,计算待识别图像的极值点与标准图像的极值点之间的欧氏距离;
选取与待识别图像的极值点相对应的欧氏距离中取值最小的作为该极值点的欧氏距离;
当极值点的欧氏距离小于预设距离值时,判定待识别图像的该极值点为匹配点,匹配点的欧氏距离为极值点的欧氏距离,否则,判定待识别图像的该极值点为不匹配点;
合并待识别图像中匹配点的欧氏距离和不匹配点的极值,将合并后的结果作为匹配值;
当大于预设关键点极值的极值点选取完时,选取匹配值中取值最小的匹配值作为CSS匹配代价,否则,重复执行选取待识别图像和标准图像中极值大于预设关键点极值的极值点,计算两个极值点的位置值差值;
合并变动系数匹配代价和CSS匹配代价,并将合并后的结果作为匹配代价,所述合并变动系数匹配代价和CSS匹配代价的过程是:变动系数匹配代价+CSS匹配代价*1.5。
7.一种图像识别系统,其特征在于,预先设置数据库,所述数据库包括多种图像类,每种图像类至少包括标准图像的变动系数以及该标准图像的极值点的位置值和极值,所述系统包括:
预处理装置,用于计算待识别图像的极值点的位置值和极值以及变动系数;
与预处理装置相连的变动系数匹配代价对比装置,用于依次获取每种图像类中的标准图像的变动系数和待识别图像的变动系数匹配代价,并将所获取的变动系数匹配代价与预设匹配值比较;
与变动系数匹配代价对比装置相连的匹配装置,用于当比较结果不大于预设匹配值时,匹配待识别图像和标准图像,进而计算两者的CSS曲率尺度空间匹配代价,合并变动系数匹配代价和CSS匹配代价,并将合并后的结果作为匹配代价,所述合并变动系数匹配代价和CSS匹配代价的过程是:变动系数匹配代价+CSS匹配代价*1.5;
与匹配装置相连的识别装置,用于获取预设个数的匹配代价,该匹配代价的取值小于未获取的匹配代价的取值;当包括所获取的匹配代价对应的标准图像的个数最多的图像类的个数超过1个时,从包含个数最多的图像类中选取匹配代价之和最小的图像类作为目标图像类,否则,选取包括所获取的匹配代价对应的标准图像的个数最多的图像类作为目标图像类,判定待识别图像属于目标图像类;当比较结果大于预设匹配值时,判定待识别图像与标准图像不属于同一图像类。
8.根据权利要求7所述的图像识别系统,其特征在于,还包括:镜像装置,用于对待识别图像进行镜像处理,镜像图像作为待识别图像。
9.根据权利要求7所述的图像识别系统,其特征在于,还包括:互换装置,用于将待识别图像作为标准图像,原有标准图像作为待识别图像。
10.根据权利要求7至9任意一项所述的图像识别系统,其特征在于,所述匹配装置包括:
集合获取单元,用于分别获取所述待识别图像的极值点的位置值集合和极值集合,所述标准图像的极值点的位置值集合和极值集合,每个图像极值点的位置值和极值是一一对应的;
与集合获取单元相连的位置差值计算单元,用于选取待识别图像和标准图像中极值大于预设关键点极值的极值点,计算两个极值点的位置值差值;
与位置差值计算单元相连的目标位置值集合生成单元,用于依据所述位置值差值,计算待识别图像中极值点的位置值与所述位置值差值的差值,当所述差值大于1时,将该差值所对应的极值点的位置值减1作为目标位置值,否则,将该差值所对应的极值点的位置值加1作为目标位置值;将目标位置值记录到目标位置值集合中;
与目标位置值集合生成单元相连的欧氏距离生成单元,用于设置待识别图像的极值点的位置值为目标位置值,计算待识别图像的极值点与标准图像的极值点之间的欧氏距离;
与欧氏距离生成单元相连的欧氏距离选取单元,用于选取与待识别图像的极值点相对应的欧氏距离中取值最小的作为该极值点的欧氏距离;
与欧氏距离选取单元相连的匹配点判定单元,用于当极值点的欧氏距离小于预设距离值时,判定待识别图像的该极值点为匹配点,否则,判定待识别图像的该极值点为不匹配点;
与匹配点判定单元相连的匹配值获取单元,用于合并待识别图像中匹配点的欧氏距离和不匹配点的极值,将合并后的结果作为匹配值;
与匹配值获取单元相连的CSS匹配代价选取单元,用于当大于预设关键点极值的极值点选取完,选取匹配值中取值最小的匹配值作为CSS匹配代价;
与CSS匹配代价选取相连的匹配代价获取单元,用于合并变动系数匹配代价和CSS匹配代价,并将合并后的结果作为匹配代价,所述合并变动系数匹配代价和CSS匹配代价的过程是:变动系数匹配代价+CSS匹配代价*1.5。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010588569.6A CN102567740B (zh) | 2010-12-14 | 2010-12-14 | 一种图像识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201010588569.6A CN102567740B (zh) | 2010-12-14 | 2010-12-14 | 一种图像识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN102567740A CN102567740A (zh) | 2012-07-11 |
CN102567740B true CN102567740B (zh) | 2014-07-16 |
Family
ID=46413113
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201010588569.6A Expired - Fee Related CN102567740B (zh) | 2010-12-14 | 2010-12-14 | 一种图像识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102567740B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104142939B (zh) * | 2013-05-07 | 2019-07-02 | 杭州智棱科技有限公司 | 一种基于运动特征信息匹配特征码的方法与设备 |
CN104143074A (zh) * | 2013-05-07 | 2014-11-12 | 李东舸 | 一种用于基于运动特征信息生成运动特征码的方法和设备 |
CN103489013A (zh) * | 2013-09-18 | 2014-01-01 | 航天科工深圳(集团)有限公司 | 一种用于电力设备监测的图像识别方法 |
CN110516715B (zh) * | 2019-08-05 | 2022-02-11 | 杭州依图医疗技术有限公司 | 一种手骨分类方法及装置 |
CN111340690B (zh) * | 2020-03-23 | 2024-05-14 | 北京达佳互联信息技术有限公司 | 图像处理方法、装置、电子设备及存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1928889A (zh) * | 2005-09-07 | 2007-03-14 | 株式会社东芝 | 图像处理装置和方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
TW554293B (en) * | 2002-03-29 | 2003-09-21 | Ind Tech Res Inst | Method for extracting and matching hand gesture features of image |
-
2010
- 2010-12-14 CN CN201010588569.6A patent/CN102567740B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1928889A (zh) * | 2005-09-07 | 2007-03-14 | 株式会社东芝 | 图像处理装置和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN102567740A (zh) | 2012-07-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102567740B (zh) | 一种图像识别方法及系统 | |
US20100073735A1 (en) | Camera-based document imaging | |
CN102831403B (zh) | 一种基于指纹特征点的识别方法 | |
CN104424457A (zh) | 一种非线性扭曲情况下的二维码识别方法 | |
Lelore et al. | Super-resolved binarization of text based on the fair algorithm | |
CN103530590A (zh) | Dpm二维码识别系统 | |
KR101559502B1 (ko) | 실시간 손 포즈 인식을 통한 비접촉식 입력 인터페이스 방법 및 기록 매체 | |
CN108269274B (zh) | 基于傅里叶变换和Hough变换的图像配准方法 | |
CN103761768A (zh) | 一种三维重建的立体匹配方法 | |
CN106569946B (zh) | 一种移动终端性能测试方法及系统 | |
CN108537832B (zh) | 基于局部不变灰度特征的图像配准方法、图像处理系统 | |
CN104282027A (zh) | 一种基于Hough变换的圆检测方法 | |
CN106127193A (zh) | 一种人脸图像识别方法 | |
CN111161300B (zh) | 一种基于改进大津法的Niblack的图像分割方法 | |
CN110163894B (zh) | 基于特征匹配的亚像素级目标跟踪方法 | |
US8270770B1 (en) | Region-based dense feature correspondence | |
CN109840529B (zh) | 一种基于局部敏感置信度评估的图像匹配方法 | |
Chakraborty et al. | Hand gesture recognition: A comparative study | |
Saddami et al. | Improvement of binarization performance using local otsu thresholding. | |
US7295707B2 (en) | Method for aligning gesture features of image | |
CN112418089A (zh) | 一种手势识别方法、装置及终端 | |
CN113221914B (zh) | 一种基于杰卡德距离的图像特征点匹配和误匹配剔除方法 | |
CN115798004A (zh) | 基于局部区域的人脸打卡方法、装置、电子设备及介质 | |
CN1838149A (zh) | 一种实用的基于证据积累的图像曲线粗匹配方法 | |
CN103258200B (zh) | 一种基于仿射不变量的符号识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20140716 Termination date: 20161214 |