CN105678245A - 一种基于哈尔特征的靶位识别方法 - Google Patents
一种基于哈尔特征的靶位识别方法 Download PDFInfo
- Publication number
- CN105678245A CN105678245A CN201511027133.9A CN201511027133A CN105678245A CN 105678245 A CN105678245 A CN 105678245A CN 201511027133 A CN201511027133 A CN 201511027133A CN 105678245 A CN105678245 A CN 105678245A
- Authority
- CN
- China
- Prior art keywords
- target position
- lis hartel
- sample
- identified
- image
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24317—Piecewise classification, i.e. whereby each classification requires several discriminant rules
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/285—Selection of pattern recognition techniques, e.g. of classifiers in a multi-classifier system
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于哈尔特征的靶位识别方法,包括:初始化阶段:采集若干包含靶位的图片作为正样本,若干不包含靶位的图片作为负样本,对所有正样本和负样本提取哈尔特征,得到特征值;训练阶段:利用所得到的特征值,对Adaboost级联分类器进行训练;识别裁剪阶段:采集待识别图像,并进行哈尔特征提取,利用训练好的Adaboost级联分类器对待识别图像进行识别,面积最大的特征匹配区域即为靶位。本发明提供的基于哈尔特征的靶位识别方法,使用AdaBoost来学习建立多层树分类器,并在后期采用直方图统计方式精确定位靶的位置,消除不同光照环境带来的干扰,大大提高了识别精度和速度,准确率达到99.9%以上。
Description
技术领域
本发明涉及靶位识别技术领域,具体涉及一种基于哈尔特征的靶位识别方法。
背景技术
现有技术中,靶位识别的一般流程为:系统输入一幅包含靶位的图像作为待识别样本,通过训练好的算法样本与待识别样本图像进行匹配,从而识别出图像中的靶位。
利用哈尔特征进行识别时,需要待识别物体的外表有较大区别,且识别效果依赖于训练的结果,由于靶位图像本身并不具备特殊特征,且受靶场硬件设施、拍摄条件、相机、镜头质量等影响,由枪机获取的靶位图像会产生轻微的几何畸变。
为了在这种图像中自动获取靶位,现有的处理方式为:在系统初始化时,人工输入靶位相对于图像的参数,这种方式较为繁琐,且无法处理在打靶过程中靶位发生偏移的情况。
发明内容
本发明提供了一种基于哈尔特征的靶位识别方法,能够排除光照等环境因素的影响,使识别率达到99.9%以上。
一种基于哈尔特征的靶位识别方法,包括:
初始化阶段:采集若干包含靶位的图片作为正样本,若干不包含靶位的图片作为负样本,对所有正样本和负样本提取哈尔特征,得到特征值;
训练阶段:利用所得到的特征值,对Adaboost级联分类器进行训练;
识别裁剪阶段:采集待识别图像,并进行哈尔特征提取,利用训练好的Adaboost级联分类器对待识别图像进行识别,面积最大的特征匹配区域即为靶位。
正样本和负样本包含基本相似的背景元素,优选地,初始化阶段,对采集到的正样本和负样本进行归一化处理,缩小到相同尺寸后,进行哈尔特征提取。
为了提高哈尔特征提取的效率,优选地,初始化阶段,利用积分图求取特征值。
本发明中,对正样本、负样本以及待识别图像进行哈尔特征提取之前,预先转化为对应的灰度图像。即本发明中,所提取的哈尔特征,均指灰度哈尔特征。
作为优选,训练阶段的具体步骤如下:
步骤2-1、所有正样本和负样本构成训练样本,设所有训练样本的权重相等,训练得到弱分类器;
步骤2-2、在第T次迭代中,训练样本的权重由T-1次迭代的结果确定,每次迭代调整权重,得到新的训练样本分布;
步骤2-3,经过T次循环,得到T个弱分类器,将T个弱分类器加权求和,得到强分类器。
Adaboost级联分类器由一系列的分类器串联而成,对待识别的样本进行判别时,只有被前面一级的分类器判断为正的样本才能被送入后面的分类器继续处理,反之被认为是负样本直接拒绝。整个分类器的输出是被所有分类器都判决为正的样本。
在级联结构中,前面几级的分类器相对来说结构比较简单,使用的特征数也较少,但检测率高,能够同时尽可能地滤除与目标差异较大的负样本。后面级次的分类器则使用更多的特征和更复杂的结构,从而可以将与目标相似的负样本和目标物体区分开。
在实际的目标检测应用中,待检测的目标物体通常在整体样本中只占很小的比例,大部分的非目标区域在级联分类器的前端被滤除,只有少量样本需要通过所有级的分类器,采用级联结构能够大大地减少运算量。
为了消除不同光照对识别结果的影响,优选地,将待识别图像转化为灰度图像后,对图像灰度分布进行直方图信息提取,然后进行非线性拉伸,增加对比度后,进行哈尔特征提取。
进行非线性拉伸的目的在于,使一定灰度范围内的像素数量均衡,增加对比度,以消除不同光照条件下,造成的靶位识别误差。
为了进一步对靶位进行精确定位,优选地,对面积最大的特征匹配区域进行灰度统计,生成直方图,依据直方图上的最大值进一步精确识别出靶位。
具体而言,对面积最大的特征匹配区域的x轴进行切割,得到x轴的直方图投影,遍历直方图投影,得到最大的两个位置,这两个位置即对应x轴方向上靶位的两条边界。
同理,对面积最大的特征匹配区域的y轴进行切割,得到y轴的直方图投影,遍历直方图投影,得到最大的两个位置,这两个位置即对应y轴方向上靶位的两条边界。
本发明提供的基于哈尔特征的靶位识别方法,使用AdaBoost来学习建立多层树分类器,并在后期采用直方图统计方式精确定位靶的位置,消除不同光照环境带来的干扰,大大提高了识别精度和速度,准确率达到99.9%以上。
附图说明
图1为本发明基于哈尔特征的靶位识别方法中初始化阶段的流程图;
图2为本发明基于哈尔特征的靶位识别方法中训练阶段的流程图;
图3为本发明基于哈尔特征的靶位识别方法中识别裁剪阶段的流程图;
图4为本发明基于哈尔特征的靶位识别方法中待识别图像的示意图;
图5为本发明基于哈尔特征的靶位识别方法中识别出的靶位的示意图。
具体实施方式
下面结合附图,对本发明基于哈尔特征的靶位识别方法做详细描述。
初始化阶段如图1所示,具体步骤如下:
(1)采集n1幅包含靶位的图片作为正样本,采集n2幅不包含靶位的图片作为负样本,正样本和负样本包含基本相似的背景元素。
(2)对采集到的正样本和负样本进行归一化处理,均缩放到Xs*Ys大小。
(3)将n1个正样本分别转化为灰度图像,然后依次进行哈尔特征提取,构成样本空间X1。
(4)将n2个负样本分别转化为灰度图像,然后依次进行哈尔特征提取,构成样本空间X2。
(5)合并样本空间X1和样本空间X2,并利用积分图求取特征值,所有特征值构成特征矩阵。
坐标A(x,y)的积分图即为其左上角所有像素之和,定义为ff(x,y)=∑x′<x,y′<yf(x′,y′)。
其中,ff表示积分图,f表示原始图像。
训练阶段如图2所示,具体步骤如下:
(1)利用初始化阶段得到的n个训练样本的特征值,n=n1+n2,对Adaboost级联分类器进行训练;
(2)初始时,所有训练样本的权重设为相等,本实施例中权重的初始值为1/n,在此条件下训练得到弱分类器。
对于每一个特征值ff’,弱分类器h(x,ff’,p,θ)训练方式为:
其中,ff’为特征值,θ为阈值,p表示不等号方向。
(3)在第T次迭代中(T=1,2,3……,T为迭代次数),训练样本的权重由第T-1次迭代的结果确定,每次迭代时调整权重(若该分类器分类正确,则降低该样本权值;若分类错误,则提高权值),得到新的样本分布。
(4)经过T次循环,得到T个弱分类器,将T个弱分类器按照一定权重组合在一起,得到最终的强分类器H(x),组合方式如下:
α为弱分类器h(x)的权重,t取值为1~T的自然数。
识别裁剪阶段如图3所示,具体步骤如下:
(1)将采集得到的RGB图像作为待识别样本图像IRGB,待识别样本图像如图4所示,靶位轮廓的四个角处设有颜色差异显著的标识,如图4中的四个十字形所示,对待识别样本图像IRGB进行灰度处理,得到灰度图像IGRAY。
(2)为了应对不同光照对本发明方法的影响,对灰度图像IGRAY的灰度分布进行直方图信息提取,然后进行非线性拉伸,使一定灰度范围内的像素数量均衡,增加对比度。
(3)按照初始化步骤对步骤(2)调整后的灰度图像IGRAY进行哈尔特征提取,得到灰度图像哈尔特征。
(4)利用训练好的AdaBoost级联分类器对灰度图像IGRAY进行判别,选取面积最大的一个匹配区域记为S区域。
(5)从灰度图像IGRAY中截取S区域的图像,对其x轴进行切割,得到x轴的直方图投影Histx,遍历直方图确定最大值位置,然后根据最大值定位靶位在x轴方向上的直方图投影起始和终止位置(xhist_start,xhist_end)。
(6)对S区域的图像的y轴进行切割,得到y轴的直方图投影Histy。遍历直方图确定最大值位置,然后根据最大值定位靶位在y轴方向上的直方图投影起始和终止位置(yhist_start,yhist_end)。
(7)根据x轴和y轴的直方图投影起始和终止位置(xhist_start,xhist_end)与(yhist_start,yhist_end)对S区域进行更为精确的裁剪,得到的靶位区Sfinal,最终裁剪结果如图5所示。
Claims (7)
1.一种基于哈尔特征的靶位识别方法,其特征在于,包括:
初始化阶段:采集若干包含靶位的图片作为正样本,若干不包含靶位的图片作为负样本,对所有正样本和负样本提取哈尔特征,得到特征值;
训练阶段:利用所得到的特征值,对Adaboost级联分类器进行训练;
识别裁剪阶段:采集待识别图像,并进行哈尔特征提取,利用训练好的Adaboost级联分类器对待识别图像进行识别,面积最大的特征匹配区域即为靶位。
2.如权利要求1所述的基于哈尔特征的靶位识别方法,其特征在于,初始化阶段,对采集到的正样本和负样本进行归一化处理,缩小到相同尺寸后,进行哈尔特征提取。
3.如权利要求2所述的基于哈尔特征的靶位识别方法,其特征在于,对正样本、负样本以及待识别图像进行哈尔特征提取之前,预先转化为对应的灰度图像。
4.如权利要求3所述的基于哈尔特征的靶位识别方法,其特征在于,初始化阶段,利用积分图求取特征值。
5.如权利要求4所述的基于哈尔特征的靶位识别方法,其特征在于,训练阶段的具体步骤如下:
步骤2-1、所有正样本和负样本构成训练样本,设所有训练样本的权重相等,训练得到弱分类器;
步骤2-2、在第T次迭代中,训练样本的权重由T-1次迭代的结果确定,每次迭代调整权重,得到新的训练样本分布;
步骤2-3,经过T次循环,得到T个弱分类器,将T个弱分类器加权求和,得到强分类器。
6.如权利要求5所述的基于哈尔特征的靶位识别方法,其特征在于,将待识别图像转化为灰度图像后,对图像灰度分布进行直方图信息提取,然后进行非线性拉伸,增加对比度后,进行哈尔特征提取。
7.如权利要求6所述的基于哈尔特征的靶位识别方法,其特征在于,对面积最大的特征匹配区域进行灰度统计,生成直方图,依据直方图上的最大值进一步精确识别出靶位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511027133.9A CN105678245A (zh) | 2015-12-31 | 2015-12-31 | 一种基于哈尔特征的靶位识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201511027133.9A CN105678245A (zh) | 2015-12-31 | 2015-12-31 | 一种基于哈尔特征的靶位识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105678245A true CN105678245A (zh) | 2016-06-15 |
Family
ID=56298260
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201511027133.9A Pending CN105678245A (zh) | 2015-12-31 | 2015-12-31 | 一种基于哈尔特征的靶位识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105678245A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106650549A (zh) * | 2016-12-26 | 2017-05-10 | 北京天创征腾信息科技有限公司 | 一种对电子凭证图像中的条码进行定位的检测装置 |
CN106709452A (zh) * | 2016-12-23 | 2017-05-24 | 浙江大学 | 一种基于智能巡检机器人的仪表位置检测方法 |
CN107958261A (zh) * | 2017-11-03 | 2018-04-24 | 中国科学院计算技术研究所 | 一种盲文点检测方法及系统 |
CN108009504A (zh) * | 2017-12-04 | 2018-05-08 | 深圳市赢世体育科技有限公司 | 一种运动球体的识别方法、装置及存储介质 |
CN110823134A (zh) * | 2018-07-23 | 2020-02-21 | 北京大恒图像视觉有限公司 | 一种靶线计算及工业传感器安装检测方法 |
CN111091056A (zh) * | 2019-11-14 | 2020-05-01 | 泰康保险集团股份有限公司 | 图像中的墨镜识别方法及装置、电子设备、存储介质 |
CN111222504A (zh) * | 2019-11-18 | 2020-06-02 | 杭州晨鹰军泰科技有限公司 | 一种弹孔报靶方法、装置、设备及介质 |
CN112070117A (zh) * | 2020-08-06 | 2020-12-11 | 武汉理工大学 | 一种皮带撕裂检测方法、设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100067739A1 (en) * | 2008-09-16 | 2010-03-18 | Varian Medical Systems, Inc. | Sequential Stereo Imaging for Estimating Trajectory and Monitoring Target Position |
CN103500253A (zh) * | 2013-09-27 | 2014-01-08 | 中国人民解放军空军工程大学 | 一种航炮空靶设计参数智能判别方法及系统 |
CN104021394A (zh) * | 2014-06-05 | 2014-09-03 | 华北电力大学(保定) | 基于Adaboost算法的绝缘子图像识别方法 |
CN104715263A (zh) * | 2015-04-01 | 2015-06-17 | 中国矿业大学(北京) | 一种基于哈尔特征和特征脸识别的人脸识别方法 |
-
2015
- 2015-12-31 CN CN201511027133.9A patent/CN105678245A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100067739A1 (en) * | 2008-09-16 | 2010-03-18 | Varian Medical Systems, Inc. | Sequential Stereo Imaging for Estimating Trajectory and Monitoring Target Position |
CN103500253A (zh) * | 2013-09-27 | 2014-01-08 | 中国人民解放军空军工程大学 | 一种航炮空靶设计参数智能判别方法及系统 |
CN104021394A (zh) * | 2014-06-05 | 2014-09-03 | 华北电力大学(保定) | 基于Adaboost算法的绝缘子图像识别方法 |
CN104715263A (zh) * | 2015-04-01 | 2015-06-17 | 中国矿业大学(北京) | 一种基于哈尔特征和特征脸识别的人脸识别方法 |
Non-Patent Citations (1)
Title |
---|
刘秋燕: ""基于视频分析的自动报靶系统设计"", 《万方数据 企业知识服务平台》 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106709452A (zh) * | 2016-12-23 | 2017-05-24 | 浙江大学 | 一种基于智能巡检机器人的仪表位置检测方法 |
CN106709452B (zh) * | 2016-12-23 | 2020-07-07 | 浙江大学 | 一种基于智能巡检机器人的仪表位置检测方法 |
CN106650549A (zh) * | 2016-12-26 | 2017-05-10 | 北京天创征腾信息科技有限公司 | 一种对电子凭证图像中的条码进行定位的检测装置 |
CN107958261A (zh) * | 2017-11-03 | 2018-04-24 | 中国科学院计算技术研究所 | 一种盲文点检测方法及系统 |
CN107958261B (zh) * | 2017-11-03 | 2020-12-04 | 中国科学院计算技术研究所 | 一种盲文点检测方法及系统 |
CN108009504A (zh) * | 2017-12-04 | 2018-05-08 | 深圳市赢世体育科技有限公司 | 一种运动球体的识别方法、装置及存储介质 |
CN108009504B (zh) * | 2017-12-04 | 2020-06-26 | 深圳市赢世体育科技有限公司 | 一种运动球体的识别方法、装置及存储介质 |
CN110823134A (zh) * | 2018-07-23 | 2020-02-21 | 北京大恒图像视觉有限公司 | 一种靶线计算及工业传感器安装检测方法 |
CN111091056A (zh) * | 2019-11-14 | 2020-05-01 | 泰康保险集团股份有限公司 | 图像中的墨镜识别方法及装置、电子设备、存储介质 |
CN111091056B (zh) * | 2019-11-14 | 2023-06-16 | 泰康保险集团股份有限公司 | 图像中的墨镜识别方法及装置、电子设备、存储介质 |
CN111222504A (zh) * | 2019-11-18 | 2020-06-02 | 杭州晨鹰军泰科技有限公司 | 一种弹孔报靶方法、装置、设备及介质 |
CN112070117A (zh) * | 2020-08-06 | 2020-12-11 | 武汉理工大学 | 一种皮带撕裂检测方法、设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105678245A (zh) | 一种基于哈尔特征的靶位识别方法 | |
CN108717524B (zh) | 一种基于双摄手机和人工智能系统的手势识别系统 | |
CN109740721B (zh) | 麦穗计数方法及装置 | |
CN114118144A (zh) | 抗干扰的航空遥感图像阴影精准检测方法 | |
CN112819772A (zh) | 一种高精度快速图形检测识别方法 | |
CN104318262A (zh) | 通过人脸照片更换皮肤的方法及系统 | |
CN105654085A (zh) | 一种基于图像技术的弹孔识别方法 | |
CN110110131B (zh) | 一种基于深度学习与双目立体视觉的飞机线缆支架识别与参数获取方法 | |
CN110458792B (zh) | 人脸图像质量的评价方法及装置 | |
CN114862698B (zh) | 一种基于通道引导的真实过曝光图像校正方法与装置 | |
CN105046202B (zh) | 自适应的人脸识别光照处理方法 | |
CN106874867A (zh) | 一种融合肤色及轮廓筛选的人脸自适应检测与跟踪方法 | |
CN111882555B (zh) | 基于深度学习的网衣检测方法、装置、设备及存储介质 | |
CN108805826B (zh) | 改善去雾效果的方法 | |
CN117274085A (zh) | 低照度图像增强方法及装置 | |
CN117496019B (zh) | 一种驱动静态图像的图像动画处理方法及系统 | |
CN110569764A (zh) | 一种基于卷积神经网络的手机型号识别方法 | |
CN107944393B (zh) | 人脸鼻尖定位方法 | |
CN111178229B (zh) | 一种基于深度学习的静脉显像方法和装置 | |
CN115862121B (zh) | 基于多媒体资源库的人脸快速匹配方法 | |
CN104966271B (zh) | 基于生物视觉感受野机制的图像去噪方法 | |
CN110276260B (zh) | 一种基于深度摄像头的商品检测方法 | |
Khan et al. | Shadow removal from digital images using multi-channel binarization and shadow matting | |
CN115937021A (zh) | 基于频率域特征分离和迭代优化大气光的偏振去雾方法 | |
CN113379631B (zh) | 一种图像去雾的方法及装置 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20160615 |