CN107194406A - 一种基于cs特征值的全景机器视觉目标识别方法 - Google Patents
一种基于cs特征值的全景机器视觉目标识别方法 Download PDFInfo
- Publication number
- CN107194406A CN107194406A CN201710324081.4A CN201710324081A CN107194406A CN 107194406 A CN107194406 A CN 107194406A CN 201710324081 A CN201710324081 A CN 201710324081A CN 107194406 A CN107194406 A CN 107194406A
- Authority
- CN
- China
- Prior art keywords
- color
- marked region
- target identification
- shape facility
- target
- 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
- 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
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/758—Involving statistics of pixels or of feature values, e.g. histogram matching
Abstract
本发明公开了一种基于颜色与形状特征值的全景视觉目标识别方法,涉及机器视觉领域,其特点是,包括图像预处理系统,以场景的全景图像像素信息作为系统输入,采用Otsu法(最大类间方差法)分割、标记并提取出该场景中可能存在目标的“标记区域”;颜色特征值系统,以“标记区域”输入,基于HSV颜色空间(色调‑饱和度‑明度颜色空间)获取各标记区域的颜色直方图作为“颜色特征值”;形状特征值系统,以“标记区域”输入,使用aHash算法(平均哈希算法)计算各标记区域的“形状特征值”;目标识别系统,以“颜色‑形状特征值”输入,与目标的特征信息进行对比,判断该标记区域内物体是否为目标,最终输出识别结果。
Description
技术领域
本发明涉及机器视觉领域,特别涉及一种基于颜色与形状(Colorand Shape)特征值的全景视觉目标识别方法。
背景技术
1997年Baker与Nayar等人构建了一种全景镜头的模型并通过微分方程组求解,此后国内外的全景机器视觉研究成为了热门领域。机器视觉就是用机器代替人眼来做测量和判断,对于机器来说,视觉系统就如同人类的眼睛,是机器感知外部环境的主要“感觉器官”。机器要想正常的完成各项工作,视觉系统就必须具有较高的准确性和实效性。与一般的声纳和激光等传感器不同,视觉传感器的优点在于能获取大量丰富的信息、成本低、特征量多且易于提取、探测角度广等优点。因此利用机器视觉系统可以更加准确地获取环境中目标物体的大小、颜色、高度以及位置等大量信息,而这往往是声纳、红外等传感器无法实现的。
全景视觉系统指成像大于半球视场(360°×180°)的球面成像系统。全景视觉系统与传统的视觉系统相比,拥有更大的视场,而且得到的全景图像自身带有角度信息,可以让机器获取更多环境信息,更有利于优化决策。同时,全景视觉系统利用折反射系统成像单元一次成像,获取整个场景的目标信息,不再需要为光电跟踪系统附加一套随动系统,因此有着十分重要的应用前景。
现有的全景机器视觉目标识别方法虽然不少,但是大多都是通过图像中的特征点匹配进行识别的,如SIFT算法(尺度不变特征转换算法)、SURF算法(加速鲁棒特征算法)等,这些算法计算量大,计算时间长,很难实现实时在线的目标识别。此外,绝大多数的全景机器视觉目标识别方法还存在着一个重要的问题:基于单一特征量进行识别,对识别环境的适应性差,识别准确度有待提高。因此急需一种计算量小、基于多个特征量的全景机器视觉目标识别方法,从而实现实时在线的目标识别,且保证该目标识别系统的适应性与准确性。
发明内容
有鉴于此,本发明提出了一种基于颜色与形状特征值的全景视觉目标识别方法。该方法通过图像的分割提取、颜色与形状特征值的计算,并与目标的特征信息进行对比判断,实现了基于颜色与形状两种特征量的全景机器视觉目标识别,减少了目标识别的计算量,缩短了计算时间,增加了识别系统的适应性与准确性。
本发明的目的是提出一种基于颜色与形状特征值的全景视觉目标识别方法。
为实现以上目的,通过以下技术方案来实现的:
本发明提供的一种基于颜色与形状特征值的全景视觉目标识别方法,包括以下步骤:
S1:输入场景的全景图像信息及目标的特征信息;
S2:通过图像预处理系统分割、标记并提取出该场景中可能存在目标的区域;
S3:通过颜色特征值系统获取各标记区域的“颜色特征值”;
S4:通过形状特征值系统获取各标记区域的“形状特征值”;
S5:通过目标识别系统将各标记区域的“颜色-形状特征值”与目标的特征信息进行对比,判断该标记区域内物体是否为目标;
S6:输出识别结果。
进一步,所述步骤S1中场景的全景图像信息为像素信息,目标的特征信息包含目标的颜色特征信息与形状特征信息;
进一步,所述步骤S2中图像预处理系统采用Otsu法(最大类间方差法)分割场景图像并将各分割区域标记提取,输出为“标记区域”;
进一步,所述步骤S3中颜色特征值系统采用基于HSV颜色空间(色调-饱和度-明度颜色空间)的标记区域颜色直方图特征提取,输出为“颜色特征值”;
进一步,所述步骤S4中形状特征值系统采用aHash算法(平均哈希算法)计算标记区域的形状特征值,输出为“形状特征值”;
进一步,所述步骤S5中目标识别系统将各标记区域的颜色特征值与目标的颜色特征信息通过颜色直方图匹配法进行对比,将各标记区域的形状特征值与目标的形状特征信息通过Hash距离(哈希距离)进行对比,通过对比结果加权判断该标记区域内物体是否为目标,输入为“颜色-形状特征值”,输出为目标识别结果。
本发明的特点在于:本发明利用图像预处理系统分割了场景图像并标记提取了各区域,减少了识别过程中的计算量;利用颜色特征值系统获取了标记区域的颜色特征值,利用形状特征值系统获取了标记区域的形状特征值,并通过颜色-形状特征值与目标特征信息的对比,实现了标记区域内物体是否为目标的判断,最终实现了目标识别,增加了识别系统的适应性与准确性。
本发明的其他优点、目标和特征在某种程度上将在随后的说明书中进行阐述,并且在某种程度上,基于对下文的考察研究对本领域技术人员而言将是显而易见的,或着可以从本发明的实践中得到教导。本发明的目标和其他优点可以通过下面的说明书,权利要求书,以及附图中所特别指出的结构来实现和获得。
附图说明
为了使本发明的目的,技术方案和优点更加清楚,下面将结合附图对本发明作进一步的详细描述,其中:
图1为本发明提供的基于颜色与形状特征值的全景视觉目标识别方法的系统结构框图。
图2为本发明提供的基于颜色与形状特征值的全景视觉目标识别方法的系统原理示意图。
具体实施方式
以下结合附图,对本发明所述的方法做进一步的详细说明;应当理解,优先实施例仅为了说明本发明,而不是为了限制本发明的保护范围。
图1为本发明提供的基于CS特征值的全景机器视觉目标识别方法系统结构框图;图2为本发明提供的基于CS特征值的全景机器视觉目标识别方法系统原理示意图,如图所示:本发明提供的基于CS特征值的全景机器视觉目标识别方法,包括以下步骤:
S1:输入场景的全景图像信息及目标的特征信息;
S2:通过图像预处理系统分割、标记并提取出该场景中可能存在目标的区域;
S3:通过颜色特征值系统获取各标记区域的“颜色特征值”;
S4:通过形状特征值系统获取各标记区域的“形状特征值”;
S5:通过目标识别系统将各标记区域的“颜色-形状特征值”与目标的特征信息进行对比,判断该标记区域内物体是否为目标;
S6:输出识别结果。
作为上述实施例的进一步改进,所述步骤S1中场景的全景图像信息为像素信息,目标的特征信息包含目标的颜色特征信息与形状特征信息;
作为上述实施例的进一步改进,所述步骤S2中图像预处理系统采用Otsu法(最大类间方差法)分割场景图像并将各分割区域标记提取,输出为“标记区域”;
作为上述实施例的进一步改进,所述步骤S3中颜色特征值系统采用基于HSV颜色空间(色调-饱和度-明度颜色空间)的标记区域颜色直方图特征提取,输出为“颜色特征值”;
作为上述实施例的进一步改进,所述步骤S4中形状特征值系统采用aHash算法(平均哈希算法)计算标记区域的形状特征值,输出为“形状特征值”;
作为上述实施例的进一步改进,所述步骤S5中目标识别系统将各标记区域的颜色特征值与目标的颜色特征信息通过颜色直方图匹配法进行对比,将各标记区域的形状特征值与目标的形状特征信息通过Hash距离(哈希距离)进行对比,通过对比结果加权判断该标记区域内物体是否为目标,输入为“颜色-形状特征值”,输出为目标识别结果。
以上所述仅为本发明的优选实施例,并不用于限制本发明,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 (6)
1.基于CS特征值的全景机器视觉目标识别方法,其特征在于:包括以下步骤:
S1:输入场景的全景图像信息及目标的特征信息;
S2:通过图像预处理系统分割、标记并提取出该场景中可能存在目标的区域;
S3:通过颜色特征值系统获取各标记区域的“颜色特征值”;
S4:通过形状特征值系统获取各标记区域的“形状特征值”;
S5:通过目标识别系统将各标记区域的“颜色-形状特征值”与目标的特征信息进行对比,判断该标记区域内物体是否为目标;
S6:输出识别结果。
2.根据权利要求1所述基于CS特征值的全景机器视觉目标识别方法,其特征在于:所述步骤S1中场景的全景图像信息为像素信息,目标的特征信息包含目标的颜色特征信息与形状特征信息。
3.根据权利要求1所述基于CS特征值的全景机器视觉目标识别方法,其特征在于:所述步骤S2中图像预处理系统采用Otsu法(最大类间方差法)分割场景图像并将各分割区域标记提取,输出为“标记区域”。
4.根据权利要求1所述基于CS特征值的全景机器视觉目标识别方法,其特征在于:所述步骤S3中颜色特征值系统采用基于HSV颜色空间(色调-饱和度-明度颜色空间)的标记区域颜色直方图特征提取,输出为“颜色特征值”。
5.根据权利要求1所述基于CS特征值的全景机器视觉目标识别方法,其特征在于:所述步骤S4中形状特征值系统采用aHash算法(平均哈希算法)计算标记区域的形状特征值,输出为“形状特征值”。
6.根据权利要求1所述基于CS特征值的全景机器视觉目标识别方法,其特征在于:所述步骤S5中目标识别系统将各标记区域的颜色特征值与目标的颜色特征信息通过颜色直方图匹配法进行对比,将各标记区域的形状特征值与目标的形状特征信息通过Hash距离(哈希距离)进行对比,通过对比结果加权判断该标记区域内物体是否为目标,输入为“颜色-形状特征值”,输出为目标识别结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710324081.4A CN107194406A (zh) | 2017-05-09 | 2017-05-09 | 一种基于cs特征值的全景机器视觉目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710324081.4A CN107194406A (zh) | 2017-05-09 | 2017-05-09 | 一种基于cs特征值的全景机器视觉目标识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107194406A true CN107194406A (zh) | 2017-09-22 |
Family
ID=59874066
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710324081.4A Pending CN107194406A (zh) | 2017-05-09 | 2017-05-09 | 一种基于cs特征值的全景机器视觉目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107194406A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969202A (zh) * | 2019-11-28 | 2020-04-07 | 上海观安信息技术股份有限公司 | 基于颜色分量和感知哈希算法的人像采集环境验证方法及系统 |
CN112541232A (zh) * | 2020-12-28 | 2021-03-23 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种飞机外部低可视标记设计方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999918A (zh) * | 2012-04-19 | 2013-03-27 | 浙江工业大学 | 全景视频序列图像的多目标对象跟踪系统 |
US20150279054A1 (en) * | 2014-03-26 | 2015-10-01 | Canon Kabushiki Kaisha | Image retrieval apparatus and image retrieval method |
CN105225232A (zh) * | 2015-09-11 | 2016-01-06 | 西安科技大学 | 一种基于视觉注意机制的彩色着舰合作目标检测方法 |
CN106127749A (zh) * | 2016-06-16 | 2016-11-16 | 华南理工大学 | 基于视觉注意机制的目标零件识别方法 |
CN106327502A (zh) * | 2016-09-06 | 2017-01-11 | 山东大学 | 一种安防视频中多场景多目标识别和跟踪方法 |
-
2017
- 2017-05-09 CN CN201710324081.4A patent/CN107194406A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102999918A (zh) * | 2012-04-19 | 2013-03-27 | 浙江工业大学 | 全景视频序列图像的多目标对象跟踪系统 |
US20150279054A1 (en) * | 2014-03-26 | 2015-10-01 | Canon Kabushiki Kaisha | Image retrieval apparatus and image retrieval method |
CN105225232A (zh) * | 2015-09-11 | 2016-01-06 | 西安科技大学 | 一种基于视觉注意机制的彩色着舰合作目标检测方法 |
CN106127749A (zh) * | 2016-06-16 | 2016-11-16 | 华南理工大学 | 基于视觉注意机制的目标零件识别方法 |
CN106327502A (zh) * | 2016-09-06 | 2017-01-11 | 山东大学 | 一种安防视频中多场景多目标识别和跟踪方法 |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110969202A (zh) * | 2019-11-28 | 2020-04-07 | 上海观安信息技术股份有限公司 | 基于颜色分量和感知哈希算法的人像采集环境验证方法及系统 |
CN110969202B (zh) * | 2019-11-28 | 2023-12-19 | 上海观安信息技术股份有限公司 | 基于颜色分量和感知哈希算法的人像采集环境验证方法及系统 |
CN112541232A (zh) * | 2020-12-28 | 2021-03-23 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种飞机外部低可视标记设计方法 |
CN112541232B (zh) * | 2020-12-28 | 2024-02-02 | 中国航空工业集团公司沈阳飞机设计研究所 | 一种飞机外部低可视标记设计方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832672B (zh) | 一种利用姿态信息设计多损失函数的行人重识别方法 | |
CN110148120B (zh) | 一种基于cnn与迁移学习的病害智能识别方法及系统 | |
CN106815566B (zh) | 一种基于多任务卷积神经网络的人脸检索方法 | |
CN110443192B (zh) | 一种基于双目图像的非交互式人脸活体检测方法及系统 | |
CN101729911B (zh) | 一种基于视觉感知的多视点图像颜色校正方法 | |
CN108470178B (zh) | 一种结合深度可信度评价因子的深度图显著性检测方法 | |
CN109740572B (zh) | 一种基于局部彩色纹理特征的人脸活体检测方法 | |
CN106548165A (zh) | 一种基于图像分块加权的卷积神经网络的人脸识别方法 | |
CN103902958A (zh) | 人脸识别的方法 | |
CN110232389A (zh) | 一种基于绿色作物特征提取不变性的立体视觉导航方法 | |
CN113963032A (zh) | 一种融合目标重识别的孪生网络结构目标跟踪方法 | |
CN106897681A (zh) | 一种遥感图像对比分析方法及系统 | |
CN111209818A (zh) | 视频个体识别方法、系统、设备及可读存储介质 | |
CN112102409A (zh) | 目标检测方法、装置、设备及存储介质 | |
CN104021544B (zh) | 一种温室蔬菜病害监控视频关键帧提取方法即提取系统 | |
CN103020589A (zh) | 一种单训练样本人脸识别方法 | |
CN111652082A (zh) | 人脸活体检测方法和装置 | |
CN114894337B (zh) | 一种用于室外人脸识别测温方法及装置 | |
CN105184771A (zh) | 一种自适应运动目标检测系统及检测方法 | |
CN112101195A (zh) | 人群密度预估方法、装置、计算机设备和存储介质 | |
CN108334870A (zh) | Ar设备数据服务器状态的远程监控系统 | |
CN107194406A (zh) | 一种基于cs特征值的全景机器视觉目标识别方法 | |
CN110647813A (zh) | 一种基于无人机航拍的人脸实时检测识别方法 | |
CN108446639A (zh) | 低功耗增强现实设备 | |
CN112396016A (zh) | 一种基于大数据技术的人脸识别系统 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for 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: 20170922 |