CN103544495A - 一种识别图像类别的方法及系统 - Google Patents

Abstract

本发明公开了一种识别图像类别的方法及系统，以解决现有技术中图像类别识别判断过程复杂，识别结果准确度不高的问题。本发明提供的图像类别识别方法包括：对获取的待识别图像进行灰度归一化处理和空间归一化处理；对得到的归一化图像进行边缘计算，得到边缘图像；将边缘图像进行分块，并计算每一块的梯度方向直方图，将各块的梯度方向直方图合并成向量作为识别特征；将识别特征与标准图像库中的样本特征进行比较，得到识别图像类别的识别结果。通过本发明，使图像类别识别判断过程中提取的特征更具一致性和可比性，并且具有局部性，获取的识别结果更为准确。

Description

一种识别图像类别的方法及系统

技术领域

本发明涉及模式识别技术领域，尤其涉及一种识别图像类别的方法及系统。

背景技术

在图像样本类别识别判断过程中，模式识别技术得到越来越广泛的应用。

现有的模式识别技术进行图像种类识别时一般要根据图像本身选取合适的特征，才能获取较好的识别结果。例如在车标类别识别过程中，一般先收集已知的车标区域图像（已知数据样本）作为已知类别样本，然后用一些数字化的特征来描述已知类别数据样本完成对这些已知类别样本特征的选取，比如可以对图像进行归一化处理，并对归一化处理后的图像进行边缘计算，将边缘图像作为样本特征；同样对待识别车标（待识别样本）进行相同的处理，使其具有与选取的样本特征具有相同的数字化特征，最后利用这些数字化的特征进行匹配分类，从而得到待识别车标所属的类别

发明人在实施本发明的过程中，发现现有技术的上述图像类别识别判断的方法，直接对已知类别样本进行数字化描述，使得选取的样本特征差异性较大，可比性差，匹配比较过程复杂；另一方面，即使对已知类别样本进行归一化处理和边缘计算处理，也是采用全图的边缘特征进行匹配识别，不能将外观类似但细节不同的图像区分开来，识别结果准确度不高。

发明内容

本发明的目的是提供一种识别图像类别的方法及系统，以解决现有技术中图像类别识别判断过程复杂，识别结果准确度不高的问题。

本发明的目的是通过以下技术方案实现的：

本发明一方面提供了一种识别图像类别的方法，该方法包括：

获取待识别图像，并对所述待识别图像进行灰度归一化处理和空间归一化处理，得到归一化图像；

对所述归一化图像进行边缘计算，得到边缘图像；

将所述边缘图像进行分块，并计算每一块的梯度方向直方图，将各块的梯度方向直方图合并成向量作为识别特征；

将所述识别特征与标准图像库中的样本特征进行比较，得到识别图像类别的识别结果。

本发明另一方面还提供了一种识别图像类别的系统，该系统包括：

归一化处理单元，用于对获取到的待识别图像进行灰度归一化处理和空间归一化处理，得到归一化图像；

边缘计算单元，用于对归一化处理单元归一化处理得到的归一化图像进行边缘计算，得到边缘图像；

识别特征确定单元，用于将边缘计算单元得到的边缘图像进行分块，并计算每一块的梯度方向直方图，将各块的梯度方向直方图合并成向量作为识别特征；

匹配比较单元，用于将识别特征确定单元确定的识别特征与标准图像库中的样本特征进行比较，得到识别图像类别的识别结果。

本发明提供的识别图像类别的方法及系统，一方面，对图像进行灰度归一化处理和空间化处理，使得后续的特征选取都是在同一个灰度分布和同一个图像大小进行的，使得提取的特征更具有一致性和可比性。另一方面，对计算得到的边缘图像进行分块，对块内的梯度方向直方图进行统计，以此作为图像类别识别的识别特征，使获取的识别特征不仅具有全局性，而且具有局部性，能够获取到更为准确的识别结果。

附图说明

图1为本发明实施例提供的识别图像类别的方法流程图；

图2为本发明实施例提供的车标识别方法流程图；

图3为本发明实施例提供的识别图像类别的系统构成框图。

具体实施方式

本发明提供的识别图像类别的方法，在选取特征之前对图像进行灰度归一化处理和空间归一化处理，使得图像大小相同，灰度分布接近同一分布，在选取特征时，对边缘图像进行分块，对块内梯度方向直方图进行统计，作为最终的识别特征，不仅保持了识别的全局性，也能凸显图像的局部特征。

本发明实施例一提供了一种识别图像类别的方法，该方法实现过程如图1所示，包括：

步骤S101：获取待识别图像。

步骤S102：对获取到的待识别图像进行灰度归一化处理和空间归一化处理，得到归一化图像。

步骤S103：对所述归一化图像进行边缘计算，得到边缘图像。

步骤S104：将所述边缘图像进行分块，并计算每一块的梯度方向直方图，将各块的梯度方向直方图合并成向量作为识别特征。

步骤S105：将所述识别特征与标准图像库中的样本特征进行比较，得到识别图像类别的识别结果。

本发明实施例提供的识别图像类别的方法，由于对图像进行了灰度归一化处理和空间化处理，使得后续的特征选取都是在同一个灰度分布和同一个图像大小进行的，使得提取的特征更具有一致性和可比性。并且，对计算得到的边缘图像进行分块，对块内的梯度方向直方图进行统计，以此作为图像类别识别的识别特征，使获取的识别特征不仅具有全局性，而且具有局部性，能够获取到更为准确的识别结果。

本发明实施例二将结合实际应用对实施例一中识别图像类别的方法进行详细说明，本发明实施例中以将上述图像种类识别方法应用于车标种类识别为例进行说明，当然并不引以为限，如图2所示为本发明实施例提供的车标类别识别方法流程图。

步骤S201：输入原始车标图像。

步骤S202：计算原始车标图像在YUV色彩空间下Y分量的灰度均值Avg和标准差Sdv，然后根据预设的归一化均值NormAvg和标准差NormSdv进行灰度归一化，得到灰度归一化车标图像。

具体的，对原始车标图像进行灰度归一化时，采用的公式如下：

${\mathrm{Gray}}_{\mathrm{Norm}}=\frac{(\mathrm{Gray}-\mathrm{Avg})*\mathrm{NormSdv}}{\mathrm{Sdv}}+\mathrm{NormAvg}---\left(1\right)$

其中，公式（1）中，Gray为原始车标图像中每个像素点的灰度值，Avg为原始车标图像的灰度均值，Sdv为原始车标图像的标准差，NormSdv为预设的归一化标准差，NormAvg为预设的归一化均值，Gray_Norm为归一化后的每个像素点的灰度值。

步骤S203：对步骤S202中得到的灰度归一化车标图像进行空间归一化，得到最终的归一化车标图像。

具体的，对得到的灰度归一化车标图像进行最近邻插值，统一缩放到预设的归一化车标图像大小，进行最近邻插值时采用的公式如下：

${\mathrm{Gray}}_{\mathrm{New}}(x_{\mathrm{New}},y_{\mathrm{New}})={\mathrm{Gray}}_{\mathrm{Old}}(\frac{x_{\mathrm{New}}*W}{\mathrm{NormW}},\frac{y_{\mathrm{New}}*H}{\mathrm{NormH}})---\left(2\right)$

其中，公式（2）中，Gray_Old为插值前车标图像中每个像素点的灰度值，x_New为插值后车标图像的X坐标，W为插值前车标图像的宽度，y_New为插值后车标图像的Y坐标，H为插值前车标图像的高度，NormH为预设归一化车标图像的高度，NormW为预设归一化车标图像的宽度，Gray_New为插值后车标图像中每个像素点的灰度值。

步骤S204：对得到的最终归一化车标图像进行边缘计算，得到边缘图像，获取边缘图像中每一像素点的边缘强度值和边缘方向值。

具体的，边缘计算使用算子对进行了灰度归一化和空间归一化的车标图像进行卷积操作，得到x轴和y轴方向的Sobel边缘图像，其中，x轴和y轴的Sobel算子为：

$\mathrm{sobelx}=\left[\begin{array}{ccc}1& 0& -1\\ 2& 0& -2\\ 1& 0& -1\end{array}\right];$ $\mathrm{sobely}=\left[\begin{array}{ccc}1& 2& 1\\ 0& 0& 0\\ -1& -2& -1\end{array}\right];$

具体的，边缘图像中每一像素点的边缘强度值为x轴Sobel值的绝对值与y轴Sobel值的绝对值之和。

边缘图像中每一像素点的边缘方向值的计算方法如下：

$\mathrm{Dir}=\arctan \left(\frac{\mathrm{YSobel}}{\mathrm{XSobel}}\right)---\left(3\right)$

其中，公式（3）中，Dir为像素点的边缘方向值，YSobel为Y轴的Sobel值，XSobel为X轴的Sobel值。

步骤S205：对步骤S204中计算得到的边缘图像进行分块。

优选的，对边缘图像进行分块时采用固定窗口大小进行分块。其中，窗口的大小可以根据最终归一化得到的车标图像大小进行设定，优选的，可将窗口大小设置为归一化后的图像大小的1/8，当然并不引以为限，可以根据实际情况进行其他大小的设置。

步骤S206：计算每一块的梯度方向直方图，将计算得到各块梯度方向直方图合并成向量，作为最终的识别特征。

具体的，边缘强度值的大小决定该像素点是否为边缘，若边缘强度值过小，则这个像素点就不是边缘，进行梯度方向直方图统计时就可以不统计。因此，本发明实施例中在每一块内对边缘强度值大于预设阈值的像素进行梯度方向直方图进行统计，将大于预设阈值的每一像素点的边缘强度值作为对应梯度方向直方图的数值，采用的计算公式如下：

$\mathrm{Hist}\left(\mathrm{Dir}\right)=\left\{\begin{array}{cc}\mathrm{Grad}& \mathrm{Grad}>\mathrm{SobelThres}\\ 0& \mathrm{Grad}\≤\mathrm{SobelThres}\end{array}\right.---\left(4\right)$

其中，公式（4）中，Grad为块内像素点的边缘强度值，SobelThres为预设的像素点边缘强度值，Hist(Dir)为梯度方向直方图的数值。

具体的，将各块的梯度方向直方图合并成向量作为识别特征的过程具体包括：

首先，分别将计算得到的每一块的梯度方向直方图进行归一化操作，归一化时采用的公式如下：

$\mathrm{Hist}{\left(\mathrm{Dir}\right)}_{\mathrm{Norm}}=\frac{\mathrm{Hist}\left(\mathrm{Dir}\right)}{\mathrm{sqrt}(\underset{\mathrm{Dir}=0}{\overset{180}{\mathrm{\Σ}}}\mathrm{Hist}\left(\mathrm{Dir}\right)*\mathrm{Hist}\left(\mathrm{Dir}\right))}---\left(5\right)$

其中，公式（5）中，Hist(Dir)为每一块的梯度方向直方图的数值，Hist(Dir)_Norm为归一化后的每一块的梯度方向直方图的数值。

然后，按边缘图像中各块的空间顺序，将归一化后的各块梯度方向直方图合并成向量作为最终的识别特征。

步骤S207：对步骤S206中得到的识别特征与标准车标库中的各个车标特征进行比较，根据比较结果获得最终的识别车标类别。

具体的，将识别特征与标准车标库中的样本特征进行比较，得到图像类别的识别结果的过程为：

计算识别特征与标准图像库中的各个车标特征之间的欧式距离，欧式距离的计算公式为：

$\mathrm{Dis}=\underset{i=0}{\overset{\dim }{\mathrm{\Σ}}}({\mathrm{Fea}}_i-{\mathrm{FeaStd}}_i)*({\mathrm{Fea}}_i-{\mathrm{FeaStd}}_i)---\left(6\right)$

其中，公式（6）中，Fea_i为输入的车标图像的识别特征，FeaStd_i为标准图像库中的车标特征，Dis为计算得到的欧式距离，dim为特征向量的维数。

在上述计算得到的欧式距离中选择最小的车标特征对应的车标作为最终的车标识别的识别结果。

选取与所述识别特征之间的欧式距离最小的样本特征对应的图像类别作为最终识别图像类别的识别结果。

本发明实施例中进行车标类别识别的方法，先对输入的车标图像进行灰度归一化和空间归一化，使得后续的特征提取都是在同一个灰度分布和同一个图像大小上进行，使提取的特征更具有一致性和可比性；然后对归一化后的车标图像进行分块，对块内的梯度方向直方图进行统计，以此作为车标识别的特征，不仅具有全局性，而且具有局部性，能够较好的将外观类似但细节不同的车标区分开来，识别结果更为准确。

本发明实施例三还提供了一种识别图像类别的系统，该系统的构成框图如图3所示，包括：

归一化处理单元31，用于对获取到的待识别图像进行灰度归一化处理和空间归一化处理，得到归一化图像；

边缘计算单元32，用于对归一化处理单元归一化处理得到的归一化图像进行边缘计算，得到边缘图像；

识别特征确定单元33，用于将边缘计算单元得到的边缘图像进行分块，并计算每一块的梯度方向直方图，将各块的梯度方向直方图合并成向量作为识别特征；

匹配比较单元34，用于将识别特征确定单元确定的识别特征与标准图像库中的样本特征进行比较，得到识别图像类别的识别结果。

优选的，识别特征确定单元33还用于：将所述边缘计算单元32得到的边缘图像按照固定窗口大小进行分块，对每一块内边缘强度值大于预设阈值的像素点进行梯度方向直方图统计，将大于预设阈值的每一像素点的边缘强度值作为对应梯度方向直方图的数值。

优选的，识别特征确定单元33还用于：分别将每一块的梯度方向直方图进行归一化；按各块之间的空间顺序，将各块归一化后的梯度方向直方图合并成向量作为最终的识别特征。

优选的，匹配比较单元34还用于：

计算所述识别特征确定单元确定的识别特征与所述标准图像库中的各个样本特征之间的欧式距离；

选取与所述识别特征之间的欧式距离最小的样本特征对应的图像类别作为最终识别图像类别的识别结果。

本发明提供的识别图像类别的系统，由于对图像进行灰度归一化处理和空间化处理，使得后续的特征选取都是在同一个灰度分布和同一个图像大小进行的，使提取的特征更具有一致性和可比性。并且，对计算得到的边缘图像进行分块，对块内的梯度方向直方图进行统计，以此作为图像类别识别的识别特征，不仅具有全局性，而且具有局部性，能够获取到更为准确的识别结果。

显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。

Claims (10)

1.一种识别图像类别的方法，其特征在于，该方法包括：

获取待识别图像，并对所述待识别图像进行灰度归一化处理和空间归一化处理，得到归一化图像；

对所述归一化图像进行边缘计算，得到边缘图像；

将所述边缘图像进行分块，并计算每一块的梯度方向直方图，将各块的梯度方向直方图合并成向量作为识别特征；

将所述识别特征与标准图像库中的样本特征进行比较，得到识别图像类别的识别结果。

2.如权利要求1所述的识别图像类别的方法，其特征在于，每一块的梯度方向直方图的计算方法为：

对每一块内边缘强度值大于预设阈值的像素点进行梯度方向直方图统计，将大于预设阈值的每一像素点的边缘强度值作为对应梯度方向直方图的数值。

3.如权利要求1所述的识别图像类别的方法，其特征在于，所述将各块的梯度方向直方图合并成向量作为识别特征的过程具体包括：

分别将每一块的梯度方向直方图进行归一化；

按各块之间的空间顺序，将各块归一化后的梯度方向直方图合并成向量作为最终的识别特征。

4.如权利要求1所述的识别图像类别的方法，其特征在于，将所述识别特征与标准图像库中的样本特征进行比较，得到图像类别的识别结果的过程包括：

计算所述识别特征与所述标准图像库中的各个样本特征之间的欧式距离；

选取与所述识别特征之间的欧式距离最小的样本特征对应的图像类别作为最终识别图像类别的识别结果。

5.如权利要求1所述的识别图像类别的方法，其特征在于，所述将所述边缘图像进行分块包括：

将所述边缘图像按照固定窗口大小进行分块。

6.一种识别图像类别的系统，其特征在于，该系统包括：

归一化处理单元，用于对获取到的待识别图像进行灰度归一化处理和空间归一化处理，得到归一化图像；

边缘计算单元，用于对归一化处理单元归一化处理得到的归一化图像进行边缘计算，得到边缘图像；

识别特征确定单元，用于将边缘计算单元得到的边缘图像进行分块，并计算每一块的梯度方向直方图，将各块的梯度方向直方图合并成向量作为识别特征；

匹配比较单元，用于将识别特征确定单元确定的识别特征与标准图像库中的样本特征进行比较，得到识别图像类别的识别结果。

7.如权利要求6所述的识别图像类别的系统，其特征在于，所述识别特征确定单元还用于：

对每一块内边缘强度值大于预设阈值的像素点进行梯度方向直方图统计，将大于预设阈值的每一像素点的边缘强度值作为对应梯度方向直方图的数值。

8.如权利要求6所述的识别图像类别的系统，其特征在于，所述识别特征确定单元还用于：

分别将每一块的梯度方向直方图进行归一化；

按各块之间的空间顺序，将各块归一化后的梯度方向直方图合并成向量作为最终的识别特征。

9.如权利要求6所述的识别图像类别的系统，其特征在于，所述匹配比较单元还用于：

计算所述识别特征确定单元确定的识别特征与所述标准图像库中的各个样本特征之间的欧式距离；

选取与所述识别特征之间的欧式距离最小的样本特征对应的图像类别作为最终识别图像类别的识别结果。

10.如权利要求6所述的识别图像类别的系统，其特征在于，所述识别特征确定单元还用于：

将所述边缘计算单元得到的边缘图像按照固定窗口大小进行分块。

Images