CN103679129A

CN103679129A - 一种图像中的目标物体识别方法及装置

Info

Publication number: CN103679129A
Application number: CN201210360651.2A
Authority: CN
Inventors: 王启贵; 彭云
Original assignee: ZTE Corp
Current assignee: ZTE Corp
Priority date: 2012-09-21
Filing date: 2012-09-21
Publication date: 2014-03-26
Also published as: EP2899671A4; JP2015532988A; EP2899671A1; RU2015111423A; RU2637989C2; WO2014044158A1; JP6240199B2; US20150248592A1

Abstract

本发明公开了一种图像中的目标物体识别方法及装置，涉及图像处理技术，根据图像上的区域和线条将图像上的点划分为多个子集，再将每个子集中的数据和数据库中存储的目标物体数据进行数据匹配，从而从图像中选择出数据库中的数据对应的目标物体，再突出显示超过设定阈值的子集对应的区域和线条，即突出显示了目标物体，实现了对图像中的目标物体进行识别并突出显示。

Description

一种图像中的目标物体识别方法及装置

技术领域

本发明涉及图像处理技术，尤其涉及一种图像中的目标物体识别方法及装置

背景技术

目前，在进行图像查看时，只能直接查看到原始拍摄所形成的图案，在某些特殊应用场景中，用户希望能够重点查看一组图像中的某一物体，例如，在进行建筑研究中，可能希望重点查看图像中的建筑物。

如果用户需要重点查看图像中的特定物体，只能人为的在图像中寻找该物体，容易出现遗漏，用户体验不佳。

发明内容

本发明实施例提供一种图像中的目标物体识别方法及装置，以实现对图像中的目标物体进行识别并突出显示。

一种图像中的目标物体识别方法，包括：

对图像进行分析，并根据图像上的区域和线条将图像上的点划分为多个子集；

将每个子集中的数据和数据库中存储的目标物体数据进行数据匹配，确定匹配程度超过设定阈值的子集；

突出显示所述超过设定阈值的子集对应的区域和线条。

一种图像中的目标物体识别装置，包括：

划分单元，用于对图像进行分析，并根据图像上的区域和线条将图像上的点划分为多个子集；

匹配单元，用于将每个子集中的数据和数据库中存储的目标物体数据进行数据匹配，确定匹配程度超过设定阈值的子集；

显示单元，用于突出显示所述超过设定阈值的子集对应的区域和线条。

本发明实施例提供一种图像中的目标物体识别方法及装置，根据图像上的区域和线条将图像上的点划分为多个子集，再将每个子集中的数据和数据库中存储的目标物体数据进行数据匹配，从而从图像中选择出数据库中的数据对应的目标物体，再突出显示超过设定阈值的子集对应的区域和线条，即突出显示了目标物体，实现了对图像中的目标物体进行识别并突出显示。

附图说明

图1为本发明实施例提供的图像中的目标物体识别方法流程图；

图2为本发明实施例提供的较佳的图像中的目标物体识别方法流程图；

图3为本发明实施例提供的图像中的目标物体识别装置结构示意图。

具体实施方式

如图1所示，本发明实施例提供的图像中的目标物体识别方法，包括：

步骤S101、对图像进行分析，并根据图像上的区域和线条将图像上的点划分为多个子集；

步骤S102、将每个子集中的数据和数据库中存储的目标物体数据进行数据匹配，确定匹配程度超过设定阈值的子集；

步骤S103、突出显示超过设定阈值的子集对应的区域和线条。

可见，在进行图像显示时，首先对图像进行分析，并确定出与数据库中数据匹配的区域和线条数据，再对这些区域和线条进行突出显示，便于用户识别目标物体。

在步骤S101中，进行图像分析从而图像上的点分为不同的子集，这些子集包括孤立的点、连续的曲线或者连续的区域。常用的图像分析的方法有LOG（Laplacian Of Gaussian，高斯拉普拉斯），Otsu（最大类间差法，也称大津算法），Bernsen（伯恩生算法），LEVBB（Local Extreme Value Based Binarization，基于局部极值的快速二值化算法）等。

其中，Otsu算法对直方图为单峰或者多峰等目标与背景象素灰度值交错的图像会产生二值化错误；Bernsen算法能够正确二值化，但是会产生大量伪影现象，且对噪声敏感，目标部分缺失、伪影(ghost)等缺点和问题；LEVBB算法结果较好，能有效地消除Bernsen算法产生的伪影现象，对噪声不敏感，但是当光照变化强烈时，仍然有部分结果不正确，文本笔划粘连。

LOG算法能抗拒光照的剧烈变化和噪声干扰，能够很好地保持目标本来形态，获得更好的效果。利用LOG算法检测出图像的边缘零交叉，确定出边缘零交叉点二侧的象素为目标或是背景，对图像中均一区域（背景或者目标）根据邻域属性确定其归属。该方法能克服Bernsen的目标部分缺失和伪影现象，也克服了Otsu法易受噪声和光照不均匀的影响，而且效果比LEVBB算法要好。

在系统对处理速度、存储容量以及稳定性等方面均具有较高水平的情况下，LOG特征点是一个较为理想的选择，可以通过提取LOG特征点来实现子集的划分。

因此，步骤S101中，对图像进行分析，并根据图像上的区域和线条将图像上的点划分为多个子集，具体为：

通过拉普拉斯高斯LOG算法对图像进行分析，并根据图像上的区域和线条将图像上的点划分为多个子集。

相应的，在步骤S102中，数据库中则存储具体目标物体的LOG特征样本数据，涵盖了各种环境变化（尺度、旋转、光照、遮挡等）对图像所带来的影响，通常，所存储的样本数据能够保证对于这些变化具有较高的适应性和鲁棒性。例如，若采用使用由决策树结构构成的Ferns（佛恩斯）分类器对图像的LOG特征样本进行有监督学习，则可以进一步保证存储的样本数据能够保证对于这些变化具有较高的适应性和鲁棒性。

在步骤S103中，突出显示超过设定阈值的子集对应的区域和线条，具体包括：

对超过设定阈值的子集对应的区域和线条进行增强渲染；和/或

显示与超过设定阈值的子集对应的信息。

其中，在进行增强渲染时，输入渲染器的数据可以为位置矩阵，输出渲染器的数据则为进行增强渲染后的图像数据。

对于识别出来的目标物体，可以展示出相关的信息，即显示与超过设定阈值的子集对应的信息。相关信息包含文字，图片，和视频、音频；当数据库中未存储有相应的信息时，可以由用户录入该相关的信息，此时，在显示与超过设定阈值的子集对应的信息前，还包括：

从数据库中获取与超过设定阈值的子集对应的信息；或者

获取用户录入的与超过设定阈值的子集对应的信息。

当然，突出显示目标物体的方式还有很多，例如显示特定的标记，用方框框出等，在此不再一一详述。

当图像为全景图像时，则需要分别对全景图像中的每一帧图像进行分析，具体的：

当图像为全景图像时，步骤S101中，对图像进行分析，并根据图像上的区域和线条将图像上的点划分为多个子集，具体包括：

对全景图像的每一帧进行分析，并根据每一帧图像上的区域和线条将每一帧图像上的点划分为多个子集；

步骤S103中，突出显示超过设定阈值的子集对应的区域和线条，则具体包括：

确定前一帧图像上是否已经显示与当前帧图像中该超过设定阈值的子集对应的区域和线条相同的区域和线条，如果是，则不显示当前帧图像中该超过设定阈值的子集对应的区域和线条，否则突出显示当前帧图像中该超过设定阈值的子集对应的区域和线条。

下面以对全景图像进行目标物体识别为例，对本发明实施例提供的图像中的目标物体识别方法进行详细说明，如图2所示，包括：

步骤S201、分析全景图每一帧图像的特征信息，通过提取LOG特征点来实现，并根据图像上的区域和线条将图像上的点划分为多个子集；

步骤S202、将每个子集中的数据和数据库中存储的目标物体数据进行数据匹配，确定匹配程度超过设定阈值的子集；为了在匹配时考虑各种环境变化（尺度、旋转、光照、遮挡等）对图像所带来的影响，所以还采用使用由决策树结构构成的Ferns分类器对图像的LOG特征样本进行有监督学习，通过充分的有监督学习过程能够保证算法对于这些变化具有较高的适应性和鲁棒性，从而完成场景识别；

步骤S203、对识别出来的目标物体，进行增强渲染，并展示出相关的信息，相关信息包含文字，图片，和视频、音频；

在增强渲染时，需要注意拼接的前一帧图像和后一帧图像，如果前一帧图像已显示目标物体信息，则后一帧图像不再显示目标物体信息。

步骤S204，对识别出来的目标物体，接收用户录入的相关信息，相关信息包含文字，图片，和视频、音频。

本发明实施例还相应提供一种图像中的目标物体识别装置，如图3所示，该装置包括：

划分单元301，用于对图像进行分析，并根据图像上的区域和线条将图像上的点划分为多个子集；

匹配单元302，用于将每个子集中的数据和数据库中存储的目标物体数据进行数据匹配，确定匹配程度超过设定阈值的子集；

显示单元303，用于突出显示超过设定阈值的子集对应的区域和线条。

其中，划分单元301具体用于：

显示单元303具体用于：

显示与超过设定阈值的子集对应的信息。

显示单元303还用于：

显示与超过设定阈值的子集对应的信息前，从数据库中获取与超过设定阈值的子集对应的信息；或者

显示与超过设定阈值的子集对应的信息前，获取用户录入的与超过设定阈值的子集对应的信息。

当图像为全景图像时，划分单元301具体用于：

显示单元303具体用于：

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例作出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。

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

1.一种图像中的目标物体识别方法，其特征在于，包括：

突出显示所述超过设定阈值的子集对应的区域和线条。

2.如权利要求1所述的方法，其特征在于，所述对图像进行分析，并根据图像上的区域和线条将图像上的点划分为多个子集，具体为：

通过高斯拉普拉斯LOG算法对图像进行分析，并根据图像上的区域和线条将图像上的点划分为多个子集。

3.如权利要求1所述的方法，其特征在于，所述突出显示所述超过设定阈值的子集对应的区域和线条，具体包括：

对所述超过设定阈值的子集对应的区域和线条进行增强渲染；和/或

显示与所述超过设定阈值的子集对应的信息。

4.如权利要求3所述的方法，其特征在于，显示与所述超过设定阈值的子集对应的信息前，还包括：

从所述数据库中获取与所述超过设定阈值的子集对应的信息；或者

获取用户录入的与所述超过设定阈值的子集对应的信息。

5.如权利要求1所述的方法，其特征在于，当所述图像为全景图像时，所述对图像进行分析，并根据图像上的区域和线条将图像上的点划分为多个子集，具体包括：

所述突出显示所述超过设定阈值的子集对应的区域和线条，具体包括：

6.一种图像中的目标物体识别装置，其特征在于，包括：

7.如权利要求6所述的装置，其特征在于，所述划分单元具体用于：

8.如权利要求6所述的装置，其特征在于，所述显示单元具体用于：

显示与所述超过设定阈值的子集对应的信息。

9.如权利要求8所述的装置，其特征在于，所述显示单元还用于：

显示与所述超过设定阈值的子集对应的信息前，从所述数据库中获取与所述超过设定阈值的子集对应的信息；或者

显示与所述超过设定阈值的子集对应的信息前，获取用户录入的与所述超过设定阈值的子集对应的信息。

10.如权利要求6所述的装置，其特征在于，当所述图像为全景图像时，所述划分单元具体用于：

所述显示单元具体用于：