CN104881672A - 野外勘探机器人目标识别特征提取方法 - Google Patents

野外勘探机器人目标识别特征提取方法 Download PDF

Info

Publication number
CN104881672A
CN104881672A CN201510326088.0A CN201510326088A CN104881672A CN 104881672 A CN104881672 A CN 104881672A CN 201510326088 A CN201510326088 A CN 201510326088A CN 104881672 A CN104881672 A CN 104881672A
Authority
CN
China
Prior art keywords
edge
vector
scale
employing
feature extracting
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.)
Pending
Application number
CN201510326088.0A
Other languages
English (en)
Inventor
林川
曹以隽
张玉薇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangxi University of Science and Technology
Original Assignee
Guangxi University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangxi University of Science and Technology filed Critical Guangxi University of Science and Technology
Priority to CN201510326088.0A priority Critical patent/CN104881672A/zh
Publication of CN104881672A publication Critical patent/CN104881672A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines

Abstract

本发明旨在提供一种野外勘探机器人目标识别特征提取方法，包括以下步骤：A、输入经灰度处理的待识别图像；B、预设多个尺度的canny算子，对待检测图提取不同尺度下的边缘矩阵图；C、采用多尺度融合的方法，得到融合边缘矩阵图；D、把融合边缘矩阵图转换成一维向量；E、对一维向量用主成份分析算法做降维处理，得到特征向量；F、对特征向量采用支持向量机进行识别，得到目标物体。本发明技术方案的创新点在于运用多尺度canny算子进行边缘提取，并使用多尺度融合方法经可能保留了目标物体边缘而抑制纹理边缘，把该边缘作为特征向量可大大提供识别的准确率。

Description

野外勘探机器人目标识别特征提取方法
技术领域
本发明涉及图像处理领域，具体涉及一种野外勘探机器人目标识别特征提取方法。
背景技术
现有技术中，目标识别过程包括以下流程：
(1)图像的采集：该过程主要是通过光感或者红外摄像头采集图像数据，并且把这些数据数字化，使之成为一幅数字图像；
(2)图像的预处理：一般来说，从摄像头中直接采集来的数字图像往往会被许多不同类型不同程度的噪声干扰，这些噪声不单单是摄像头在采集过程中的电流噪声，还有外界的天气环境造成的影响，例如灰尘，不同程度的光照影响，还有雨天雨滴的干扰，都会降低采集得来的图片质量，使后续步骤受到影响，由此一些相应的算法也陆续被研究出来。例如，要去掉电流噪声和微笑灰尘的影响，一般采取中值滤波或者低通滤波。如果光照不均匀，可以采用相应的光照补偿算法；
(3)目标定位：就是在一幅自然图像中找到目标区域；
(4)特征提取：采用各种方法对图像进行变化和选择，计算出数据并把该数据作为该目标的表示。相比较于目标识别的其他步骤，特征提取具有很强的启发性，往往并没有什么很通用的算法，因为要识别的图像多种多样，每一个要识别的目标都有它独一无二的特征，往往需要针对某一类图像的特点采取对应的方法；
(5)模式识别：这是识别过程的最后一步，目的是根据提取出来的图片特征分析出这是不是待检测目标。
对于野外环境中，目标繁多且复杂，现有技术常规的特征提取方法往往具有识别率低、稳定性差的缺陷。
发明内容
本发明旨在提供一种野外勘探机器人目标识别特征提取方法，方法克服现有方法在野外复杂背景下物体识别率不高的缺陷，提高了复杂背景下物体的识别率。
本发明的技术方案如下：一种野外勘探机器人目标识别特征提取方法，包括以下步骤：
A、输入经灰度处理的待识别图像；
B、预设多个尺度的canny算子，对待检测图提取不同尺度下的边缘矩阵图；
C、采用多尺度融合的方法，得到融合边缘矩阵图；
D、把融合边缘矩阵图转换成一维向量；
E、对一维向量用主成份分析算法做降维处理，得到特征向量；
F、对特征向量采用支持向量机进行识别，得到目标物体。
优选地，所述步骤B中canny算子的尺度为[1,2,3,4,5]。
优选地，所述步骤D具体为：从第二行起，依次将各行向量拼接于上一行的末尾，转变为一维向量。
优选地，所述步骤E中主成份分析中选取其贡献度大于95％的成分。 
本发明技术方案的创新点在于运用多尺度canny算子进行边缘提取，并使用多尺度融合方法经可能保留了目标物体边缘而抑制纹理边缘，把该边缘作为特征向量可大大提供识别的准确率。
附图说明
图1为本发明野外勘探机器人目标识别特征提取方法流程图
图2为本发明实施例1多尺度canny算子边缘矩阵图
图3为本发明实施例1融合边缘矩阵图
具体实施方式
下面结合附图和实施例具体说明本发明。
实施例1
如图1所示，本实施例野外勘探机器人目标识别特征提取方法包括以下步骤：
A、输入经灰度处理的待识别图像；
B、预设多个尺度的canny算子，对待检测图提取不同尺度下的边缘矩阵图；如图2所示；
C、采用多尺度融合的方法，得到融合边缘矩阵图；如图3所示；
步骤B、C中多尺度canny算子及多尺度融合方法采用如下文献中记载的方法：
Canny,J.,A Computational Approach To Edge Detection,IEEE Trans.Pattern A nalysis and Machine Intelligence,8(6):679–698,1986
D、把融合边缘矩阵图转换成一维向量；
所述转换为从第二行起，依次将各行向量拼接于上一行的末尾，转变为一维向量；
E、对一维向量用主成份分析算法做降维处理，得到特征向量；
所述主成份分析算法做降维处理，采用如下文献中记载的方法：
Hotelling,H.(1933).Analysis of a complex of statistical variables into principal components.Journal of Educational Psychology,24,417–441,and 498–520.
F、对特征向量采用支持向量机进行识别，得到目标物体；
所述采用支持向量机进行识别，采用如下文献中记载的方法：
Cortes,C.；Vapnik,V.(1995)."Support-vector networks".Machine Learning 20(3):273。

Claims (4)

1.一种野外勘探机器人目标识别特征提取方法，其特征在于包括以下步骤：
A、输入经灰度处理的待识别图像；
B、预设多个尺度的canny算子，对待检测图提取不同尺度下的边缘矩阵图；
C、采用多尺度融合的方法，得到融合边缘矩阵图；
D、把融合边缘矩阵图转换成一维向量；
E、对一维向量用主成份分析算法做降维处理，得到特征向量；
F、对特征向量采用支持向量机进行识别，得到目标物体。
2.如权利要求1所述的野外勘探机器人目标识别特征提取方法，其特征在于：
所述步骤B中canny算子的尺度为[1,2,3,4,5]。
3.如权利要求1所述的野外勘探机器人目标识别特征提取方法，其特征在于：所述步骤D具体为：从第二行起，依次将各行向量拼接于上一行的末尾，转变为一维向量。
4.如权利要求1所述的野外勘探机器人目标识别特征提取方法，其特征在于：所述步骤E中主成份分析中选取其贡献度大于95％的成分。
CN201510326088.0A 2015-06-15 2015-06-15 野外勘探机器人目标识别特征提取方法 Pending CN104881672A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510326088.0A CN104881672A (zh) 2015-06-15 2015-06-15 野外勘探机器人目标识别特征提取方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510326088.0A CN104881672A (zh) 2015-06-15 2015-06-15 野外勘探机器人目标识别特征提取方法

Publications (1)

Publication Number Publication Date
CN104881672A true CN104881672A (zh) 2015-09-02

Family

ID=53949159

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510326088.0A Pending CN104881672A (zh) 2015-06-15 2015-06-15 野外勘探机器人目标识别特征提取方法

Country Status (1)

Country Link
CN (1) CN104881672A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372666A (zh) * 2016-08-31 2017-02-01 同观科技（深圳）有限公司 一种目标识别方法及装置
CN115223031A (zh) * 2022-09-20 2022-10-21 凌度(广东)智能科技发展有限公司 一种单目边框测距方法、装置、介质及幕墙机器人

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1570970A (zh) * 2004-05-13 2005-01-26 上海交通大学 基于期望值最大与离散小波框架的图像融合方法
US20070189632A1 (en) * 2006-02-14 2007-08-16 Yen-Hsing Wu Image processing device and method
CN103136520A (zh) * 2013-03-25 2013-06-05 苏州大学 基于pca-sc算法的形状匹配和目标识别方法
CN103605991A (zh) * 2013-10-28 2014-02-26 复旦大学 一种视频广告的自动检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1570970A (zh) * 2004-05-13 2005-01-26 上海交通大学 基于期望值最大与离散小波框架的图像融合方法
US20070189632A1 (en) * 2006-02-14 2007-08-16 Yen-Hsing Wu Image processing device and method
CN103136520A (zh) * 2013-03-25 2013-06-05 苏州大学 基于pca-sc算法的形状匹配和目标识别方法
CN103605991A (zh) * 2013-10-28 2014-02-26 复旦大学 一种视频广告的自动检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
徐光宝等: "自适应多尺度Canny边缘检测", 《山东建筑工程学院学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106372666A (zh) * 2016-08-31 2017-02-01 同观科技（深圳）有限公司 一种目标识别方法及装置
CN106372666B (zh) * 2016-08-31 2019-07-19 同观科技（深圳）有限公司 一种目标识别方法及装置
CN115223031A (zh) * 2022-09-20 2022-10-21 凌度(广东)智能科技发展有限公司 一种单目边框测距方法、装置、介质及幕墙机器人
CN115223031B (zh) * 2022-09-20 2022-12-20 凌度(广东)智能科技发展有限公司 一种单目边框测距方法、装置、介质及幕墙机器人

Similar Documents

Publication Publication Date Title
Padmavathi et al. Implementation Of RGB And Grayscale Images In Plant Leaves Disease Detection –Comparative Study
Strothmann et al. Plant classification with in-field-labeling for crop/weed discrimination using spectral features and 3d surface features from a multi-wavelength laser line profile system
Khan et al. An efficient contour based fine-grained algorithm for multi category object detection
Lu et al. Fine-grained maize tassel trait characterization with multi-view representations
Reddy et al. Analysis of classification algorithms for plant leaf disease detection
Bhadane et al. Early pest identification in agricultural crops using image processing techniques
Hernández-Rabadán et al. Integrating SOMs and a Bayesian classifier for segmenting diseased plants in uncontrolled environments
CN104268519A (zh) 基于模式匹配的图像识别终端及其识别方法
Yusuf et al. Blob analysis for fruit recognition and detection
Singh et al. A review on artificial intelligence techniques for disease recognition in plants
Nagar et al. Pest detection on leaf using image processing
Rewar et al. Detection of infected and healthy part of leaf using image processing techniques
Sankaran et al. Plant disease detection and recognition using K means clustering
CN104881672A (zh) 野外勘探机器人目标识别特征提取方法
Sudars et al. YOLOv5 deep neural network for quince and raspberry detection on RGB images
Batule et al. Leaf disease detection using image processing and support vector machine (SVM)
Sannakki et al. SVM-DSD: SVM based diagnostic system for the detection of pomegranate leaf diseases
CN105844264A (zh) 一种基于受力的油用牡丹果实图像的识别方法
Tran et al. Automatic dragon fruit counting using adaptive thresholds for image segmentation and shape analysis
Yang et al. Cherry recognition based on color channel transform
Kanwal et al. Overlapped apple fruit yield estimation using pixel classification and hough transform
Nagarasu et al. Automatic irrigation and worm detection for peanut field using Raspberry pi with OpenCV
Das et al. Leaf disease detection, quantification and classification using digital image processing
KR20230069396A (ko) 인공신경망을 이용하여 영상으로부터 식물 잎을 검출하는 방법 및 이를 수행하기 위한 컴퓨팅 장치
Tamilselvi et al. Color based K-Means Clustering For Image Segmentation to Identify the Infected Leaves

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
EXSB Decision made by sipo to initiate substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20150902

RJ01 Rejection of invention patent application after publication