CN107480711B - 图像识别方法、装置、计算机设备和可读存储介质 - Google Patents
图像识别方法、装置、计算机设备和可读存储介质 Download PDFInfo
- Publication number
- CN107480711B CN107480711B CN201710661653.8A CN201710661653A CN107480711B CN 107480711 B CN107480711 B CN 107480711B CN 201710661653 A CN201710661653 A CN 201710661653A CN 107480711 B CN107480711 B CN 107480711B
- Authority
- CN
- China
- Prior art keywords
- image
- preset
- matching degree
- feature
- texture
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 60
- 238000012216 screening Methods 0.000 claims abstract description 15
- 238000000605 extraction Methods 0.000 claims description 29
- 230000035772 mutation Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000010276 construction Methods 0.000 claims description 2
- 239000000463 material Substances 0.000 description 34
- 239000011159 matrix material Substances 0.000 description 20
- 238000004422 calculation algorithm Methods 0.000 description 16
- 230000008569 process Effects 0.000 description 12
- 230000004044 response Effects 0.000 description 8
- 230000006872 improvement Effects 0.000 description 7
- 238000012549 training Methods 0.000 description 7
- 230000009286 beneficial effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000009751 slip forming Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
Images
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
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/68—Food, e.g. fruit or vegetables
Abstract
本发明提供了一种图像识别方法、装置、计算机设备和可读存储介质,其中,图像识别方法,包括:确定待识别图像的形状特征;提取待识别图像的纹理特征和颜色特征;根据第一预设图像库中的图像特征权重表,确定待识别图像的每一纹理特征的权重和每一颜色特征的权重;筛选权重大于预设权重的纹理特征和颜色特征,以分别形成纹理特征集合和颜色特征集合;根据形状特征、纹理特征集合和颜色特征集合,确定待识别图像对应的第一进化图像;比较第一进化图像与第二预设图像库中任一图像的匹配度,确定待识别图像的匹配图像。通过本发明的技术方案,提高了图像识别的准确度,而且减少了样本图像数,节约了硬件资源。
Description
技术领域
本发明涉及图像识别技术领域,具体而言,涉及一种图像识别方法、一种图像识别装置、一种计算机设备和一种计算机可读存储介质。
背景技术
相关技术中,食材图像识别通常基于神经网络模型进行机器训练学习标记大量的样本食材图像来实现,存在以下技术缺陷:
(1)识别同一种食材需要根据摆放位置、食材组合、食材遮挡情况等,标记大量的样本食材图像,样本食材图像数量过大,机器训练学习较困难,图像识别准确度较低。
(2)机器训练学习需要投入大量的硬件资源,成本较高。
发明内容
本发明旨在至少解决现有技术或相关技术中存在的技术问题之一。
为此,本发明的一个目的在于提供一种图像识别方法。
本发明的另一个目的在于提供一种图像识别装置。
本发明的再一个目的在于提供一种计算机设备。
本发明的又一个目的在于提供一种计算机可读存储介质。
为了实现上述目的,本发明的第一方面的技术方案提供了一种图像识别方法,包括:确定待识别图像的形状特征;提取待识别图像的纹理特征和颜色特征;根据第一预设图像库中的图像特征权重表,确定待识别图像的每一纹理特征的权重和每一颜色特征的权重;筛选权重大于预设权重的纹理特征和颜色特征,以分别形成纹理特征集合和颜色特征集合;根据形状特征、纹理特征集合和颜色特征集合,确定待识别图像对应的第一进化图像;比较第一进化图像与第二预设图像库中任一图像的匹配度,确定待识别图像的匹配图像。
在该技术方案中,通过确定待识别图像的形状特征,提取待识别图像的纹理特征和颜色特征,实现了对待识别图像的特征的提取,通过根据第一预设图像库中的图像特征权重表,确定待识别图像的每一纹理特征的权重和每一颜色特征的权重,然后筛选权重大于预设权重的纹理特征和颜色特征,以分别形成纹理特征集合和颜色特征集合,进一步优化了从待识别图像中提取出来的特征,有利于提高对待识别图像的识别准确度,通过根据形状特征、纹理特征集合和颜色特征集合,确定待识别图像对应的第一进化图像,进一步优化了待识别图像,有利于提高对待识别图像的识别准确度,第一进化图像中凸出了待识别图像的主要图像特征,有利于降低匹配难度,通过比较第一进化图像与第二预设图像库中任一图像的匹配度,确定待识别图像的匹配图像,实现了对待识别图像的识别,提高了图像识别的准确度,而且第二预设图像库中的样本图像数只需囊括含有主要图像特征的少量样本图像就可以实现对待识别图像的识别,减少了样本图像数,节约了硬件资源,同时也降低了机器训练学习的难度。
具体地,以食材为例,以区域建议网络划分区域建议框,区域建议框内的图像即待识别图像,这个待识别图像里包括有食材的图像还有所处位置的背景图像,以及被其他物品遮挡的图像,而本发明的方法,可以将食材的图像特征筛选出来,然后得到第一进化图像,这样就可以跟第二预设图像库中的样本食材图像匹配,然后通过比较匹配度,来实现对待识别图像的图像识别。
其中,预设权重为0.4,第一预设图像库是用户的偏好库,第一预设图像库中的图像特征权重表是根据第一预设图像库中的任一图像特征在所有图像特征中的比重确定的,待识别图像的纹理特征提取可以通过灰度共生矩阵算法来实现,待识别图像的颜色特征的提取可以通过直方图算法来实现。
待识别图像的纹理特征提取的具体过程如下:
假设待识别图像的大小为M×N,灰度级为L,G={0,1,2……,L-1},f(x,y)是坐标(x,y)处像素的灰度级,每幅图像的一个共生矩阵是一个L×L的矩阵T[tij]L×L,T中的元素是图像灰度级的空间关系,提取的纹理特征pij,
待识别图像的颜色特征的提取的具体过程如下:
提取颜色特征H(k),H(k)=nk/N,(k=0,1,……,L-1),其中,k是图像的像素特征取值,L是图像的像素特征可取值的个数,nk是图像中具有像素特征取值为k的像素的个数,N是图像像素的总数。
在上述技术方案中,优选地,确定待识别图像的形状特征,包括:提取待识别图像的角点特征;计算角点特征与预设形状库中任一形状的匹配度,以确定最大匹配度;判断最大匹配度是否大于第一预设匹配度阈值;若判定最大匹配度大于第一预设匹配度阈值,则确定最大匹配度对应的形状为待识别图像的形状特征;若判定最大匹配度不大于第一预设匹配度阈值,则继续提取待识别图像的角点特征。
在该技术方案中,通过提取待识别图像的角点特征,计算角点特征与预设形状库中任一形状的匹配度,来确定最大匹配度,然后在最大匹配度大于第一预设匹配度阈值时,确定最大匹配度对应的形状为待识别图像的形状特征,实现了待识别图像的形状特征的确定,而且形状特征的确定的准确度较高,有利于进一步提高图像识别的准确度。
其中,第一预设匹配度阈值为0.5-0.8,待识别图像的角点特征提取可以通过Harris角点特征提取算法来实现。
待识别图像的角点特征提取的具体过程如下:
定义2×2的Harris矩阵,其中,Cx和Cy分别为点x=(x,y)在x和y方向上的强度信息的一阶导数,ω(x,y)为对应位置的权重,通过计算Harris矩阵的角点响应值D来判断是否为角点特征,D=detA-m(traceA)2=(ac-b)2-m(a+c)2,其中,det和trace为行列式和迹的操作符,m是取值为0.04-0.06的常数,当角点响应值D大于设置的门限,且为该点邻域内的局部最大值时,就把该点提取为角点特征。
在上述任一项技术方案中,优选地,根据形状特征、纹理特征集合和颜色特征集合,确定待识别图像对应的第一进化图像,包括:根据形状特征,构建形状空间;随机选择纹理特征集合中的纹理特征和颜色特征集合中的颜色特征分别依次设于形状空间内,以形成第二进化图像;判断第二进化图像是否满足第一预设条件;若判定第二进化图像满足第一预设条件,则确定第二进化图像为第一进化图像;若判定第二进化图像不满足第一预设条件,则重新随机选择纹理特征集合中的纹理特征和颜色特征集合中的颜色特征分别依次设于形状空间内,以形成新的第二进化图像,其中,第一预设条件为第二进化图像与第二预设图像库中的图像的最大匹配度不小于第二预设匹配度阈值和/或判断次数不小于第一预设次数阈值。
在该技术方案中,根据形状特征,构建形状空间,然后随机选择纹理特征集合中的纹理特征和颜色特征集合中的颜色特征分别依次设于形状空间内来形成第二进化图像,提升了第二进化图像的多样性,有利于提高图像识别的效率,也有利于减少样本图像数,通过判断第二进化图像是否满足第一预设条件,并在第二进化图像满足第一预设条件时,确定第二进化图像为第一进化图像,在第二进化图像不满足第一预设条件时,继续形成新的第二进化图像,进一步降低了第一进化图像与第二预设图像库中的图像匹配难度,从而提高了对待识别图像的识别的准确度。
其中,第二预设匹配度阈值为0.6-0.9,第一预设次数阈值为8000-11000。
在上述任一项技术方案中,优选地,根据形状特征、纹理特征集合和颜色特征集合,确定待识别图像对应的第一进化图像,包括:确定形状特征、纹理特征集合和颜色特征集合为初始化群体;对初始化群体依次进行变异、交叉和选择操作,以形成进化群体;判断进化群体是否满足第二预设条件;若判定进化群体满足第二预设条件,则将进化群体对应的图像确定为第一进化图像;若判定进化群体不满足第二预设条件,则将进化群体作为初始化群体,继续依次进行变异、交叉和选择操作,其中,第二预设条件为变异、交叉和选择操作的次数不小于第二预设次数阈值和/或进化群体对应的图像与预设图像库中的图像的最大匹配度不小于第三预设匹配度阈值。
在该技术方案中,通过确定形状特征、纹理特征集合和颜色特征集合为初始化群体,然后进行多次变异、交叉和选择操作,实现多次进化,来得到第一进化图像,进一步降低了与第二预设图像库中的图像的匹配难度,提高了图像识别的准确度,同时也提高了图像识别的效率。
其中,第二预设次数阈值为8000-11000,第三预设匹配度阈值为0.6-0.9,变异、交叉和选择操作可以通过差分进化算法来实现。
具体地,从初始化群体中随机选择3个样本,xp1,xp2,xp3,变异操作Vij(t+1)=xp1j(t)+η(xp2j(t)‐xp3j(t))其中,xp2j(t)‐xp3j(t)为差异化向量,η为缩放因子,交叉操作其中,randlij是在[0,1]之间的随机小数,CR为交叉概率,CR∈[0,1],rand(i)是在[1,n]之间的随机整数,这种交叉操作的策略可以确保xi(t+1)至少有一份量由xi(t)的相应分量贡献,选择操作,
在上述任一项技术方案中,优选地,在比较第一进化图像与第二预设图像库中任一图像的匹配度,确定待识别图像的匹配图像之后,还包括:增加匹配图像至第一预设图像库,并更新图像特征权重表。
在该技术方案中,通过增加匹配图像至第一预设图像库,并更新图像特征权重表,实现了将图像特征权重表跟用户的偏好的关联,有利于根据用户的偏好来筛选待识别图像的图像特征的实现,进一步提高了对待识别图像的图像识别的准确度。
本发明的第二方面的技术方案提供了一种图像识别装置,包括:确定单元,用于确定待识别图像的形状特征;提取单元,用于提取待识别图像的纹理特征和颜色特征;确定单元还用于:根据第一预设图像库中的图像特征权重表,确定待识别图像的每一纹理特征的权重和每一颜色特征的权重;筛选单元,用于筛选权重大于预设权重的纹理特征和颜色特征,以分别形成纹理特征集合和颜色特征集合;确定单元还用于:根据形状特征、纹理特征集合和颜色特征集合,确定待识别图像对应的第一进化图像;比较单元,用于比较第一进化图像与第二预设图像库中任一图像的匹配度,确定待识别图像的匹配图像。
在该技术方案中,通过确定待识别图像的形状特征,提取待识别图像的纹理特征和颜色特征,实现了对待识别图像的特征的提取,通过根据第一预设图像库中的图像特征权重表,确定待识别图像的每一纹理特征的权重和每一颜色特征的权重,然后筛选权重大于预设权重的纹理特征和颜色特征,以分别形成纹理特征集合和颜色特征集合,进一步优化了从待识别图像中提取出来的特征,有利于提高对待识别图像的识别准确度,通过根据形状特征、纹理特征集合和颜色特征集合,确定待识别图像对应的第一进化图像,进一步优化了待识别图像,有利于提高对待识别图像的识别准确度,第一进化图像中凸出了待识别图像的主要图像特征,有利于降低匹配难度,通过比较第一进化图像与第二预设图像库中任一图像的匹配度,确定待识别图像的匹配图像,实现了对待识别图像的识别,提高了图像识别的准确度,而且第二预设图像库中的样本图像数只需囊括含有主要图像特征的少量样本图像就可以实现对待识别图像的识别,减少了样本图像数,节约了硬件资源,同时也降低了机器训练学习的难度。
具体地,以食材为例,以区域建议网络划分区域建议框,区域建议框内的图像即待识别图像,这个待识别图像里包括有食材的图像还有所处位置的背景图像,以及被其他物品遮挡的图像,而本发明的方法,可以将食材的图像特征筛选出来,然后得到第一进化图像,这样就可以跟第二预设图像库中的样本食材图像匹配,然后通过比较匹配度,来实现对待识别图像的图像识别。
其中,预设权重为0.4,第一预设图像库是用户的偏好库,第一预设图像库中的图像特征权重表是根据第一预设图像库中的任一图像特征在所有图像特征中的比重确定的,待识别图像的纹理特征提取可以通过灰度共生矩阵算法来实现,待识别图像的颜色特征的提取可以通过直方图算法来实现。
待识别图像的纹理特征提取的具体过程如下:
假设待识别图像的大小为M×N,灰度级为L,G={0,1,2……,L-1},f(x,y)是坐标(x,y)处像素的灰度级,每幅图像的一个共生矩阵是一个L×L的矩阵T[tij]L×L,T中的元素是图像灰度级的空间关系,提取的纹理特征pij,
待识别图像的颜色特征的提取的具体过程如下:
提取颜色特征H(k),H(k)=nk/N,(k=0,1,……,L-1),其中,k是图像的像素特征取值,L是图像的像素特征可取值的个数,nk是图像中具有像素特征取值为k的像素的个数,N是图像像素的总数。
在上述技术方案中,优选地,提取单元还用于:提取待识别图像的角点特征;图像识别装置,还包括:计算单元,用于计算角点特征与预设形状库中任一形状的匹配度,以确定最大匹配度;第一判断单元,用于判断最大匹配度是否大于第一预设匹配度阈值;确定单元还用于:在第一判断单元判定最大匹配度大于第一预设匹配度阈值时,确定最大匹配度对应的形状为待识别图像的形状特征;提取单元还用于:在第一判断单元判定最大匹配度不大于第一预设匹配度阈值时,继续提取待识别图像的角点特征。
在该技术方案中,通过提取待识别图像的角点特征,计算角点特征与预设形状库中任一形状的匹配度,来确定最大匹配度,然后在最大匹配度大于第一预设匹配度阈值时,确定最大匹配度对应的形状为待识别图像的形状特征,实现了待识别图像的形状特征的确定,而且形状特征的确定的准确度较高,有利于进一步提高图像识别的准确度。
其中,第一预设匹配度阈值为0.5-0.8,待识别图像的角点特征提取可以通过Harris角点特征提取算法来实现。
待识别图像的角点特征提取的具体过程如下:
定义2×2的Harris矩阵,其中,Cx和Cy分别为点x=(x,y)在x和y方向上的强度信息的一阶导数,ω(x,y)为对应位置的权重,通过计算Harris矩阵的角点响应值D来判断是否为角点特征,D=detA-m(traceA)2=(ac-b)2-m(a+c)2,其中,det和trace为行列式和迹的操作符,m是取值为0.04-0.06的常数,当角点响应值D大于设置的门限,且为该点邻域内的局部最大值时,就把该点提取为角点特征。
在上述任一项技术方案中,优选地,还包括:构建单元,用于根据形状特征,构建形状空间;选择单元,用于随机选择纹理特征集合中的纹理特征和颜色特征集合中的颜色特征分别依次设于形状空间内,以形成第二进化图像;第二判断单元,用于判断第二进化图像是否满足第一预设条件;确定单元还用于:在第二判断单元判定第二进化图像满足第一预设条件时,确定第二进化图像为第一进化图像;选择单元还用于:在第二判断单元判定第二进化图像不满足第一预设条件时,重新随机选择纹理特征集合中的纹理特征和颜色特征集合中的颜色特征分别依次设于形状空间内,以形成新的第二进化图像,其中,第一预设条件为第二进化图像与第二预设图像库中的图像的最大匹配度不小于第二预设匹配度阈值和/或判断次数不小于第一预设次数阈值。
在该技术方案中,根据形状特征,构建形状空间,然后随机选择纹理特征集合中的纹理特征和颜色特征集合中的颜色特征分别依次设于形状空间内来形成第二进化图像,提升了第二进化图像的多样性,有利于提高图像识别的效率,也有利于减少样本图像数,通过判断第二进化图像是否满足第一预设条件,并在第二进化图像满足第一预设条件时,确定第二进化图像为第一进化图像,在第二进化图像不满足第一预设条件时,继续形成新的第二进化图像,进一步降低了第一进化图像与第二预设图像库中的图像匹配难度,从而提高了对待识别图像的识别的准确度。
其中,第二预设匹配度阈值为0.6-0.9,第一预设次数阈值为8000-11000。
在上述任一项技术方案中,优选地,确定单元还用于:确定形状特征、纹理特征集合和颜色特征集合为初始化群体;图像识别装置,还包括:操作单元,用于对初始化群体依次进行变异、交叉和选择操作,以形成进化群体;第三判断单元,用于判断进化群体是否满足第二预设条件;确定单元还用于:在进化群体满足第二预设条件时,将进化群体对应的图像确定为第一进化图像;操作单元还用于:在进化群体不满足第二预设条件时,将进化群体作为初始化群体,继续依次进行变异、交叉和选择操作,其中,第二预设条件为变异、交叉和选择操作的次数不小于第二预设次数阈值和/或进化群体对应的图像与预设图像库中的图像的最大匹配度不小于第三预设匹配度阈值。
在该技术方案中,通过确定形状特征、纹理特征集合和颜色特征集合为初始化群体,然后进行多次变异、交叉和选择操作,实现多次进化,来得到第一进化图像,进一步降低了与第二预设图像库中的图像的匹配难度,提高了图像识别的准确度,同时也提高了图像识别的效率。
其中,第二预设次数阈值为8000-11000,第三预设匹配度阈值为0.6-0.9,变异、交叉和选择操作可以通过差分进化算法来实现。
具体地,从初始化群体中随机选择3个样本,xp1,xp2,xp3,变异操作Vij(t+1)=xp1j(t)+η(xp2j(t)‐xp3j(t))其中,xp2j(t)‐xp3j(t)为差异化向量,η为缩放因子,交叉操作其中,randlij是在[0,1]之间的随机小数,CR为交叉概率,CR∈[0,1],rand(i)是在[1,n]之间的随机整数,这种交叉操作的策略可以确保xi(t+1)至少有一份量由xi(t)的相应分量贡献,选择操作,
在上述任一项技术方案中,优选地,还包括:更新单元,用于增加匹配图像至第一预设图像库,并更新图像特征权重表。
在该技术方案中,通过增加匹配图像至第一预设图像库,并更新图像特征权重表,实现了将图像特征权重表跟用户的偏好的关联,有利于根据用户的偏好来筛选待识别图像的图像特征的实现,进一步提高了对待识别图像的图像识别的准确度。
本发明的第三方面的技术方案提出了一种计算机设备,计算机设备包括处理器,处理器用于执行存储器中存储的计算机程序时实现如上述本发明的第一方面的技术方案提出的任一项的图像识别方法的步骤。
在该技术方案中,计算机设备包括处理器,处理器用于执行存储器中存储的计算机程序时实现如上述本发明的第一方面的技术方案提出的任一项的图像识别方法的步骤,因此具有上述本发明的第一方面的技术方案提出的任一项的图像识别方法的全部有益效果,在此不再赘述。
本发明的第四方面的技术方案提出了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本发明的第一方面的技术方案提出的任一项的图像识别方法的步骤。
在该技术方案中,计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现本发明的第一方面的技术方案提出的任一项的图像识别方法的步骤,因此具有上述本发明的第一方面的技术方案提出的任一项的图像识别方法的全部有益效果,在此不再赘述。
本发明的附加方面和优点将在下面的描述部分中给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1示出了根据本发明的一个实施例的图像识别方法的示意流程图;
图2示出了根据本发明的一个实施例的图像识别装置的示意框图;
图3示出了根据本发明的另一个实施例的图像识别方法的示意流程图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
实施例1
图1示出了根据本发明的一个实施例的图像识别方法的示意流程图。
如图1所示,根据本发明的实施例的图像识别方法,包括:步骤S102,确定待识别图像的形状特征;步骤S104,提取待识别图像的纹理特征和颜色特征;步骤S106,根据第一预设图像库中的图像特征权重表,确定待识别图像的每一纹理特征的权重和每一颜色特征的权重;步骤S108,筛选权重大于预设权重的纹理特征和颜色特征,以分别形成纹理特征集合和颜色特征集合;步骤S110,根据形状特征、纹理特征集合和颜色特征集合,确定待识别图像对应的第一进化图像;步骤S112,比较第一进化图像与第二预设图像库中任一图像的匹配度,确定待识别图像的匹配图像。
在该实施例中,通过确定待识别图像的形状特征,提取待识别图像的纹理特征和颜色特征,实现了对待识别图像的特征的提取,通过根据第一预设图像库中的图像特征权重表,确定待识别图像的每一纹理特征的权重和每一颜色特征的权重,然后筛选权重大于预设权重的纹理特征和颜色特征,以分别形成纹理特征集合和颜色特征集合,进一步优化了从待识别图像中提取出来的特征,有利于提高对待识别图像的识别准确度,通过根据形状特征、纹理特征集合和颜色特征集合,确定待识别图像对应的第一进化图像,进一步优化了待识别图像,有利于提高对待识别图像的识别准确度,第一进化图像中凸出了待识别图像的主要图像特征,有利于降低匹配难度,通过比较第一进化图像与第二预设图像库中任一图像的匹配度,确定待识别图像的匹配图像,实现了对待识别图像的识别,提高了图像识别的准确度,而且第二预设图像库中的样本图像数只需囊括含有主要图像特征的少量样本图像就可以实现对待识别图像的识别,减少了样本图像数,节约了硬件资源,同时也降低了机器训练学习的难度。
具体地,以食材为例,以区域建议网络划分区域建议框,区域建议框内的图像即待识别图像,这个待识别图像里包括有食材的图像还有所处位置的背景图像,以及被其他物品遮挡的图像,而本发明的方法,可以将食材的图像特征筛选出来,然后得到第一进化图像,这样就可以跟第二预设图像库中的样本食材图像匹配,然后通过比较匹配度,来实现对待识别图像的图像识别。
其中,预设权重为0.4,第一预设图像库是用户的偏好库,第一预设图像库中的图像特征权重表是根据第一预设图像库中的任一图像特征在所有图像特征中的比重确定的,待识别图像的纹理特征提取可以通过灰度共生矩阵算法来实现,待识别图像的颜色特征的提取可以通过直方图算法来实现。
待识别图像的纹理特征提取的具体过程如下:
假设待识别图像的大小为M×N,灰度级为L,G={0,1,2……,L-1},f(x,y)是坐标(x,y)处像素的灰度级,每幅图像的一个共生矩阵是一个L×L的矩阵T[tij]L×L,T中的元素是图像灰度级的空间关系,提取的纹理特征pij,
待识别图像的颜色特征的提取的具体过程如下:
提取颜色特征H(k),H(k)=nk/N,(k=0,1,……,L-1),其中,k是图像的像素特征取值,L是图像的像素特征可取值的个数,nk是图像中具有像素特征取值为k的像素的个数,N是图像像素的总数。
在上述实施例中,优选地,确定待识别图像的形状特征,包括:提取待识别图像的角点特征;计算角点特征与预设形状库中任一形状的匹配度,以确定最大匹配度;判断最大匹配度是否大于第一预设匹配度阈值;若判定最大匹配度大于第一预设匹配度阈值,则确定最大匹配度对应的形状为待识别图像的形状特征;若判定最大匹配度不大于第一预设匹配度阈值,则继续提取待识别图像的角点特征。
在该实施例中,通过提取待识别图像的角点特征,计算角点特征与预设形状库中任一形状的匹配度,来确定最大匹配度,然后在最大匹配度大于第一预设匹配度阈值时,确定最大匹配度对应的形状为待识别图像的形状特征,实现了待识别图像的形状特征的确定,而且形状特征的确定的准确度较高,有利于进一步提高图像识别的准确度。
其中,第一预设匹配度阈值为0.5-0.8,待识别图像的角点特征提取可以通过Harris角点特征提取算法来实现。
待识别图像的角点特征提取的具体过程如下:
定义2×2的Harris矩阵,其中,Cx和Cy分别为点x=(x,y)在x和y方向上的强度信息的一阶导数,ω(x,y)为对应位置的权重,通过计算Harris矩阵的角点响应值D来判断是否为角点特征,D=detA-m(traceA)2=(ac-b)2-m(a+c)2,其中,det和trace为行列式和迹的操作符,m是取值为0.04-0.06的常数,当角点响应值D大于设置的门限,且为该点邻域内的局部最大值时,就把该点提取为角点特征。
在上述任一项实施例中,优选地,根据形状特征、纹理特征集合和颜色特征集合,确定待识别图像对应的第一进化图像,包括:根据形状特征,构建形状空间;随机选择纹理特征集合中的纹理特征和颜色特征集合中的颜色特征分别依次设于形状空间内,以形成第二进化图像;判断第二进化图像是否满足第一预设条件;若判定第二进化图像满足第一预设条件,则确定第二进化图像为第一进化图像;若判定第二进化图像不满足第一预设条件,则重新随机选择纹理特征集合中的纹理特征和颜色特征集合中的颜色特征分别依次设于形状空间内,以形成新的第二进化图像,其中,第一预设条件为第二进化图像与第二预设图像库中的图像的最大匹配度不小于第二预设匹配度阈值和/或判断次数不小于第一预设次数阈值。
在该实施例中,根据形状特征,构建形状空间,然后随机选择纹理特征集合中的纹理特征和颜色特征集合中的颜色特征分别依次设于形状空间内来形成第二进化图像,提升了第二进化图像的多样性,有利于提高图像识别的效率,也有利于减少样本图像数,通过判断第二进化图像是否满足第一预设条件,并在第二进化图像满足第一预设条件时,确定第二进化图像为第一进化图像,在第二进化图像不满足第一预设条件时,继续形成新的第二进化图像,进一步降低了第一进化图像与第二预设图像库中的图像匹配难度,从而提高了对待识别图像的识别的准确度。
其中,第二预设匹配度阈值为0.6-0.9,第一预设次数阈值为8000-11000。
在上述任一项实施例中,优选地,根据形状特征、纹理特征集合和颜色特征集合,确定待识别图像对应的第一进化图像,包括:确定形状特征、纹理特征集合和颜色特征集合为初始化群体;对初始化群体依次进行变异、交叉和选择操作,以形成进化群体;判断进化群体是否满足第二预设条件;若判定进化群体满足第二预设条件,则将进化群体对应的图像确定为第一进化图像;若判定进化群体不满足第二预设条件,则将进化群体作为初始化群体,继续依次进行变异、交叉和选择操作,其中,第二预设条件为变异、交叉和选择操作的次数不小于第二预设次数阈值和/或进化群体对应的图像与预设图像库中的图像的最大匹配度不小于第三预设匹配度阈值。
在该实施例中,通过确定形状特征、纹理特征集合和颜色特征集合为初始化群体,然后进行多次变异、交叉和选择操作,实现多次进化,来得到第一进化图像,进一步降低了与第二预设图像库中的图像的匹配难度,提高了图像识别的准确度,同时也提高了图像识别的效率。
其中,第二预设次数阈值为8000-11000,第三预设匹配度阈值为0.6-0.9,变异、交叉和选择操作可以通过差分进化算法来实现。
具体地,从初始化群体中随机选择3个样本,xp1,xp2,xp3,变异操作Vij(t+1)=xp1j(t)+η(xp2j(t)‐xp3j(t))其中,xp2j(t)‐xp3j(t)为差异化向量,η为缩放因子,交叉操作其中,randlij是在[0,1]之间的随机小数,CR为交叉概率,CR∈[0,1],rand(i)是在[1,n]之间的随机整数,这种交叉操作的策略可以确保xi(t+1)至少有一份量由xi(t)的相应分量贡献,选择操作,
在上述任一项实施例中,优选地,在比较第一进化图像与第二预设图像库中任一图像的匹配度,确定待识别图像的匹配图像之后,还包括:增加匹配图像至第一预设图像库,并更新图像特征权重表。
在该实施例中,通过增加匹配图像至第一预设图像库,并更新图像特征权重表,实现了将图像特征权重表跟用户的偏好的关联,有利于根据用户的偏好来筛选待识别图像的图像特征的实现,进一步提高了对待识别图像的图像识别的准确度。
实施例2
图2示出了根据本发明的一个实施例的图像识别装置200的示意框图。
如图2所示,根据本发明的实施例的图像识别装置200,包括:确定单元204,用于确定待识别图像的形状特征;提取单元,用于提取待识别图像的纹理特征和颜色特征;确定单元204还用于:根据第一预设图像库中的图像特征权重表,确定待识别图像的每一纹理特征的权重和每一颜色特征的权重;筛选单元206,用于筛选权重大于预设权重的纹理特征和颜色特征,以分别形成纹理特征集合和颜色特征集合;确定单元204还用于:根据形状特征、纹理特征集合和颜色特征集合,确定待识别图像对应的第一进化图像;比较单元208,用于比较第一进化图像与第二预设图像库中任一图像的匹配度,确定待识别图像的匹配图像。
在该实施例中,通过确定待识别图像的形状特征,提取待识别图像的纹理特征和颜色特征,实现了对待识别图像的特征的提取,通过根据第一预设图像库中的图像特征权重表,确定待识别图像的每一纹理特征的权重和每一颜色特征的权重,然后筛选权重大于预设权重的纹理特征和颜色特征,以分别形成纹理特征集合和颜色特征集合,进一步优化了从待识别图像中提取出来的特征,有利于提高对待识别图像的识别准确度,通过根据形状特征、纹理特征集合和颜色特征集合,确定待识别图像对应的第一进化图像,进一步优化了待识别图像,有利于提高对待识别图像的识别准确度,第一进化图像中凸出了待识别图像的主要图像特征,有利于降低匹配难度,通过比较第一进化图像与第二预设图像库中任一图像的匹配度,确定待识别图像的匹配图像,实现了对待识别图像的识别,提高了图像识别的准确度,而且第二预设图像库中的样本图像数只需囊括含有主要图像特征的少量样本图像就可以实现对待识别图像的识别,减少了样本图像数,节约了硬件资源,同时也降低了机器训练学习的难度。
具体地,以食材为例,以区域建议网络划分区域建议框,区域建议框内的图像即待识别图像,这个待识别图像里包括有食材的图像还有所处位置的背景图像,以及被其他物品遮挡的图像,而本发明的方法,可以将食材的图像特征筛选出来,然后得到第一进化图像,这样就可以跟第二预设图像库中的样本食材图像匹配,然后通过比较匹配度,来实现对待识别图像的图像识别。
其中,预设权重为0.4,第一预设图像库是用户的偏好库,第一预设图像库中的图像特征权重表是根据第一预设图像库中的任一图像特征在所有图像特征中的比重确定的,待识别图像的纹理特征提取可以通过灰度共生矩阵算法来实现,待识别图像的颜色特征的提取可以通过直方图算法来实现。
待识别图像的纹理特征提取的具体过程如下:
假设待识别图像的大小为M×N,灰度级为L,G={0,1,2……,L-1},f(x,y)是坐标(x,y)处像素的灰度级,每幅图像的一个共生矩阵是一个L×L的矩阵T[tij]L×L,T中的元素是图像灰度级的空间关系,提取的纹理特征pij,
待识别图像的颜色特征的提取的具体过程如下:
提取颜色特征H(k),H(k)=nk/N,(k=0,1,……,L-1),其中,k是图像的像素特征取值,L是图像的像素特征可取值的个数,nk是图像中具有像素特征取值为k的像素的个数,N是图像像素的总数。
在上述实施例中,优选地,提取单元还用于:提取待识别图像的角点特征;图像识别装置200,还包括:计算单元210,用于计算角点特征与预设形状库中任一形状的匹配度,以确定最大匹配度;第一判断单元212,用于判断最大匹配度是否大于第一预设匹配度阈值;确定单元204还用于:在第一判断单元212判定最大匹配度大于第一预设匹配度阈值时,确定最大匹配度对应的形状为待识别图像的形状特征;提取单元还用于:在第一判断单元212判定最大匹配度不大于第一预设匹配度阈值时,继续提取待识别图像的角点特征。
在该实施例中,通过提取待识别图像的角点特征,计算角点特征与预设形状库中任一形状的匹配度,来确定最大匹配度,然后在最大匹配度大于第一预设匹配度阈值时,确定最大匹配度对应的形状为待识别图像的形状特征,实现了待识别图像的形状特征的确定,而且形状特征的确定的准确度较高,有利于进一步提高图像识别的准确度。
其中,第一预设匹配度阈值为0.5-0.8,待识别图像的角点特征提取可以通过Harris角点特征提取算法来实现。
待识别图像的角点特征提取的具体过程如下:
定义2×2的Harris矩阵,其中,Cx和Cy分别为点x=(x,y)在x和y方向上的强度信息的一阶导数,ω(x,y)为对应位置的权重,通过计算Harris矩阵的角点响应值D来判断是否为角点特征,D=detA-m(traceA)2=(ac-b)2-m(a+c)2,其中,det和trace为行列式和迹的操作符,m是取值为0.04-0.06的常数,当角点响应值D大于设置的门限,且为该点邻域内的局部最大值时,就把该点提取为角点特征。
在上述任一项实施例中,优选地,还包括:构建单元214,用于根据形状特征,构建形状空间;选择单元216,用于随机选择纹理特征集合中的纹理特征和颜色特征集合中的颜色特征分别依次设于形状空间内,以形成第二进化图像;第二判断单元218,用于判断第二进化图像是否满足第一预设条件;确定单元204还用于:在第二判断单元218判定第二进化图像满足第一预设条件时,确定第二进化图像为第一进化图像;选择单元216还用于:在第二判断单元218判定第二进化图像不满足第一预设条件时,重新随机选择纹理特征集合中的纹理特征和颜色特征集合中的颜色特征分别依次设于形状空间内,以形成新的第二进化图像,其中,第一预设条件为第二进化图像与第二预设图像库中的图像的最大匹配度不小于第二预设匹配度阈值和/或判断次数不小于第一预设次数阈值。
在该实施例中,根据形状特征,构建形状空间,然后随机选择纹理特征集合中的纹理特征和颜色特征集合中的颜色特征分别依次设于形状空间内来形成第二进化图像,提升了第二进化图像的多样性,有利于提高图像识别的效率,也有利于减少样本图像数,通过判断第二进化图像是否满足第一预设条件,并在第二进化图像满足第一预设条件时,确定第二进化图像为第一进化图像,在第二进化图像不满足第一预设条件时,继续形成新的第二进化图像,进一步降低了第一进化图像与第二预设图像库中的图像匹配难度,从而提高了对待识别图像的识别的准确度。
其中,第二预设匹配度阈值为0.6-0.9,第一预设次数阈值为8000-11000。
在上述任一项实施例中,优选地,确定单元204还用于:确定形状特征、纹理特征集合和颜色特征集合为初始化群体;图像识别装置200,还包括:操作单元220,用于对初始化群体依次进行变异、交叉和选择操作,以形成进化群体;第三判断单元222,用于判断进化群体是否满足第二预设条件;确定单元204还用于:在进化群体满足第二预设条件时,将进化群体对应的图像确定为第一进化图像;操作单元220还用于:在进化群体不满足第二预设条件时,将进化群体作为初始化群体,继续依次进行变异、交叉和选择操作,其中,第二预设条件为变异、交叉和选择操作的次数不小于第二预设次数阈值和/或进化群体对应的图像与预设图像库中的图像的最大匹配度不小于第三预设匹配度阈值。
在该实施例中,通过确定形状特征、纹理特征集合和颜色特征集合为初始化群体,然后进行多次变异、交叉和选择操作,实现多次进化,来得到第一进化图像,进一步降低了与第二预设图像库中的图像的匹配难度,提高了图像识别的准确度,同时也提高了图像识别的效率。
其中,第二预设次数阈值为8000-11000,第三预设匹配度阈值为0.6-0.9,变异、交叉和选择操作可以通过差分进化算法来实现。
具体地,从初始化群体中随机选择3个样本,xp1,xp2,xp3,变异操作Vij(t+1)=xp1j(t)+η(xp2j(t)‐xp3j(t))其中,xp2j(t)‐xp3j(t)为差异化向量,η为缩放因子,交叉操作其中,randlij是在[0,1]之间的随机小数,CR为交叉概率,CR∈[0,1],rand(i)是在[1,n]之间的随机整数,这种交叉操作的策略可以确保xi(t+1)至少有一份量由xi(t)的相应分量贡献,选择操作,
在上述任一项实施例中,优选地,还包括:更新单元224,用于增加匹配图像至第一预设图像库,并更新图像特征权重表。
在该实施例中,通过增加匹配图像至第一预设图像库,并更新图像特征权重表,实现了将图像特征权重表跟用户的偏好的关联,有利于根据用户的偏好来筛选待识别图像的图像特征的实现,进一步提高了对待识别图像的图像识别的准确度。
实施例3
根据本发明的实施例的计算机设备,计算机设备包括处理器,处理器用于执行存储器中存储的计算机程序时实现如上述本发明的实施例提出的任一项的图像识别方法的步骤。
在该实施例中,计算机设备包括处理器,处理器用于执行存储器中存储的计算机程序时实现如上述本发明的实施例提出的任一项的图像识别方法的步骤,因此具有上述本发明的实施例提出的任一项的图像识别方法的全部有益效果,在此不再赘述。
实施例4
本发明的实施例的计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述本发明的实施例提出的任一项的图像识别方法的步骤。
在该实施例中,计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现上述本发明的实施例提出的任一项的图像识别方法的步骤,因此具有上述本发明的实施例提出的任一项的图像识别方法的全部有益效果,在此不再赘述。
实施例5
图3示出了根据本发明的另一个实施例的图像识别方法的示意流程图。
如图3所示,根据本发明的另一个实施例的图像识别方法,在步骤S302输入食材图像后,进行步骤S304区域建议框划分,步骤S306,,选取某一区域建议框,步骤S308,提取角点特征,然后进行步骤S312,跟形状库中的形状趋势匹配,步骤S314,确定食材的形状特征,步骤S318,加入到初始化群体中,同时在选取的某一区域建议框中进行步骤S310,提取颜色特征、纹理特征,步骤S318,加入到初始化群体中,然后根据用户食材偏好库进行步骤S320,初始化颜色特征权重和步骤S324,初始化纹理特征权重,在步骤S320之后进行步骤S322筛选出权重大于0.4的颜色特征集合,在步骤S324之后进行步骤S326筛选出权重大于0.4的纹理特征集合,在这两个集合中进行步骤S328随机选择颜色特征和步骤S330随机选择纹理特征,然后进入步骤S332根据食材图片库,评估进化结果,步骤S334,根据与食材图片库计算匹配度,进入步骤S336,判断是否满足评估条件,如果判定为是就进入步骤S338,形成第一进化图像,如果不满足评估条件,就进入步骤S328重新随机选择颜色特征和重新选择纹理特征。
以上结合附图详细说明了本发明的技术方案,本发明提出了一种图像识别方法,装置,计算机设备和可读存储介质,通过根据待识别图像的形状特征、纹理特征集合和颜色特征集合,确定待识别图像对应的第一进化图像,然后比较第一进化图像与第二预设图像库中任一图像的匹配度,确定待识别图像的匹配图像,提高了图像识别的准确度,而且减少了样本图像数,节约了硬件资源。
本发明方法中的步骤可根据实际需要进行顺序调整、合并和删减。
本发明装置中的单元可根据实际需要进行合并、划分和删减。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质包括只读存储器(Read-Only Memory,ROM)、随机存储器(Random Access Memory,RAM)、可编程只读存储器(Programmable Read-only Memory,PROM)、可擦除可编程只读存储器(Erasable Programmable Read Only Memory,EPROM)、一次可编程只读存储器(One-time Programmable Read-Only Memory,OTPROM)、电子抹除式可复写只读存储器(Electrically-Erasable Programmable Read-Only Memory,EEPROM)、只读光盘(CompactDisc Read-Only Memory,CD-ROM)或其他光盘存储器、磁盘存储器、磁带存储器、或者能够用于携带或存储数据的计算机可读的任何其他介质。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种图像识别方法,其特征在于,包括:
确定待识别图像的形状特征;
提取所述待识别图像的纹理特征和颜色特征;
根据第一预设图像库中的图像特征权重表,确定所述待识别图像的每一纹理特征的权重和每一颜色特征的权重;
筛选所述权重大于预设权重的纹理特征和颜色特征,以分别形成纹理特征集合和颜色特征集合;
根据所述形状特征、所述纹理特征集合和所述颜色特征集合,确定所述待识别图像对应的第一进化图像;
比较所述第一进化图像与第二预设图像库中任一图像的匹配度,确定所述待识别图像的匹配图像;
所述确定待识别图像的形状特征,包括:
提取所述待识别图像的角点特征;
计算所述角点特征与预设形状库中任一形状的匹配度,以确定最大匹配度;
判断所述最大匹配度是否大于第一预设匹配度阈值;
若判定所述最大匹配度大于所述第一预设匹配度阈值,则确定所述最大匹配度对应的形状为所述待识别图像的形状特征;
若判定所述最大匹配度不大于所述第一预设匹配度阈值,则继续提取所述待识别图像的角点特征。
2.根据权利要求1所述的图像识别方法,其特征在于,所述根据所述形状特征、所述纹理特征集合和所述颜色特征集合,确定所述待识别图像对应的第一进化图像,包括:
根据所述形状特征,构建形状空间;
随机选择所述纹理特征集合中的纹理特征和所述颜色特征集合中的颜色特征分别依次设于所述形状空间内,以形成第二进化图像;
判断所述第二进化图像是否满足第一预设条件;
若判定所述第二进化图像满足所述第一预设条件,则确定所述第二进化图像为所述第一进化图像;
若判定所述第二进化图像不满足所述第一预设条件,则重新随机选择所述纹理特征集合中的纹理特征和所述颜色特征集合中的颜色特征分别依次设于所述形状空间内,以形成新的第二进化图像,
其中,所述第一预设条件为所述第二进化图像与所述第二预设图像库中的图像的最大匹配度不小于第二预设匹配度阈值和/或判断次数不小于第一预设次数阈值。
3.根据权利要求1所述的图像识别方法,其特征在于,所述根据所述形状特征、所述纹理特征集合和所述颜色特征集合,确定所述待识别图像对应的第一进化图像,包括:
确定所述形状特征、所述纹理特征集合和所述颜色特征集合为初始化群体;
对所述初始化群体依次进行变异、交叉和选择操作,以形成进化群体;
判断所述进化群体是否满足第二预设条件;
若判定所述进化群体满足所述第二预设条件,则将所述进化群体对应的图像确定为所述第一进化图像;
若判定所述进化群体不满足所述第二预设条件,则将所述进化群体作为所述初始化群体,继续依次进行所述变异、交叉和选择操作,
其中,所述第二预设条件为所述变异、交叉和选择操作的次数不小于第二预设次数阈值和/或所述进化群体对应的图像与所述预设图像库中的图像的最大匹配度不小于第三预设匹配度阈值。
4.根据权利要求1所述的图像识别方法,其特征在于,在所述比较所述第一进化图像与第二预设图像库中任一图像的匹配度,确定所述待识别图像的匹配图像之后,还包括:
增加所述匹配图像至所述第一预设图像库,并更新所述图像特征权重表。
5.一种图像识别装置,其特征在于,包括:
确定单元,用于确定待识别图像的形状特征;
提取单元,用于提取所述待识别图像的纹理特征和颜色特征;
所述确定单元还用于:根据第一预设图像库中的图像特征权重表,确定所述待识别图像的每一纹理特征的权重和每一颜色特征的权重;
筛选单元,用于筛选所述权重大于预设权重的纹理特征和颜色特征,以分别形成纹理特征集合和颜色特征集合;
所述确定单元还用于:根据所述形状特征、所述纹理特征集合和所述颜色特征集合,确定所述待识别图像对应的第一进化图像;
比较单元,用于比较所述第一进化图像与第二预设图像库中任一图像的匹配度,确定所述待识别图像的匹配图像;
所述提取单元还用于:提取所述待识别图像的角点特征;
所述图像识别装置,还包括:
计算单元,用于计算所述角点特征与预设形状库中任一形状的匹配度,以确定最大匹配度;
第一判断单元,用于判断所述最大匹配度是否大于第一预设匹配度阈值;
所述确定单元还用于:在所述第一判断单元判定所述最大匹配度大于所述第一预设匹配度阈值时,确定所述最大匹配度对应的形状为所述待识别图像的形状特征;
所述提取单元还用于:在所述第一判断单元判定所述最大匹配度不大于所述第一预设匹配度阈值时,继续提取所述待识别图像的角点特征。
6.根据权利要求5所述的图像识别装置,其特征在于,还包括:
构建单元,用于根据所述形状特征,构建形状空间;
选择单元,用于随机选择所述纹理特征集合中的纹理特征和所述颜色特征集合中的颜色特征分别依次设于所述形状空间内,以形成第二进化图像;
第二判断单元,用于判断所述第二进化图像是否满足第一预设条件;
所述确定单元还用于:在所述第二判断单元判定所述第二进化图像满足所述第一预设条件时,确定所述第二进化图像为所述第一进化图像;
所述选择单元还用于:在所述第二判断单元判定所述第二进化图像不满足所述第一预设条件时,重新随机选择所述纹理特征集合中的纹理特征和所述颜色特征集合中的颜色特征分别依次设于所述形状空间内,以形成新的第二进化图像,
其中,所述第一预设条件为所述第二进化图像与所述第二预设图像库中的图像的最大匹配度不小于第二预设匹配度阈值和/或判断次数不小于第一预设次数阈值。
7.根据权利要求5所述的图像识别装置,其特征在于,
所述确定单元还用于:确定所述形状特征、所述纹理特征集合和所述颜色特征集合为初始化群体;
所述图像识别装置,还包括:
操作单元,用于对所述初始化群体依次进行变异、交叉和选择操作,以形成进化群体;
第三判断单元,用于判断所述进化群体是否满足第二预设条件;
所述确定单元还用于:在所述进化群体满足所述第二预设条件时,将所述进化群体对应的图像确定为所述第一进化图像;
所述操作单元还用于:在所述进化群体不满足所述第二预设条件时,将所述进化群体作为所述初始化群体,继续依次进行所述变异、交叉和选择操作,
其中,所述第二预设条件为所述变异、交叉和选择操作的次数不小于第二预设次数阈值和/或所述进化群体对应的图像与所述预设图像库中的图像的最大匹配度不小于第三预设匹配度阈值。
8.根据权利要求5所述的图像识别装置,其特征在于,还包括:
更新单元,用于增加所述匹配图像至所述第一预设图像库,并更新所述图像特征权重表。
9.一种计算机设备,其特征在于,所述计算机设备包括处理器,所述处理器用于执行存储器中存储的计算机程序时实现如权利要求1至4中任一项所述的图像识别方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至4中任一项所述的图像识别方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710661653.8A CN107480711B (zh) | 2017-08-04 | 2017-08-04 | 图像识别方法、装置、计算机设备和可读存储介质 |
PCT/CN2018/090970 WO2019024610A1 (zh) | 2017-08-04 | 2018-06-13 | 图像识别方法、装置、计算机设备和可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710661653.8A CN107480711B (zh) | 2017-08-04 | 2017-08-04 | 图像识别方法、装置、计算机设备和可读存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107480711A CN107480711A (zh) | 2017-12-15 |
CN107480711B true CN107480711B (zh) | 2020-09-01 |
Family
ID=60597512
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710661653.8A Active CN107480711B (zh) | 2017-08-04 | 2017-08-04 | 图像识别方法、装置、计算机设备和可读存储介质 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN107480711B (zh) |
WO (1) | WO2019024610A1 (zh) |
Families Citing this family (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107480711B (zh) * | 2017-08-04 | 2020-09-01 | 合肥美的智能科技有限公司 | 图像识别方法、装置、计算机设备和可读存储介质 |
CN109993178B (zh) * | 2017-12-29 | 2024-02-02 | 华为技术有限公司 | 一种特征数据生成和特征匹配方法及装置 |
CN108224894B (zh) * | 2018-01-08 | 2020-04-28 | 合肥美的智能科技有限公司 | 基于深度学习的食材新鲜度识别方法、装置、冰箱和介质 |
CN109030480B (zh) * | 2018-08-16 | 2021-03-19 | 湖南友哲科技有限公司 | 样品分析方法、装置、可读存储介质及计算机设备 |
CN111353333B (zh) * | 2018-12-21 | 2023-10-20 | 九阳股份有限公司 | 一种食材识别方法、家电设备及食材识别系统 |
CN110222789B (zh) * | 2019-06-14 | 2023-05-26 | 腾讯科技(深圳)有限公司 | 图像识别方法及存储介质 |
CN111476289B (zh) * | 2020-04-03 | 2024-04-19 | 江苏提米智能科技有限公司 | 一种基于特征库的鱼群识别方法、装置、设备及存储介质 |
CN113642552B (zh) * | 2020-04-27 | 2024-03-08 | 上海高德威智能交通系统有限公司 | 一种图像中目标对象的识别方法、装置、系统及电子设备 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298988A (zh) * | 2014-08-21 | 2015-01-21 | 华南理工大学 | 一种基于视频图像局部特征匹配的财物保护方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101211341A (zh) * | 2006-12-29 | 2008-07-02 | 上海芯盛电子科技有限公司 | 图像智能模式识别搜索方法 |
US20090116756A1 (en) * | 2007-11-06 | 2009-05-07 | Copanion, Inc. | Systems and methods for training a document classification system using documents from a plurality of users |
CN101587478B (zh) * | 2008-05-20 | 2013-07-24 | 株式会社理光 | 图像训练、自动标注、检索方法及装置 |
CN101635835A (zh) * | 2008-07-25 | 2010-01-27 | 深圳市信义科技有限公司 | 智能视频监控方法及系统 |
CN104537376B (zh) * | 2014-11-25 | 2018-04-27 | 深圳创维数字技术有限公司 | 一种识别台标的方法及相关设备、系统 |
CN107480711B (zh) * | 2017-08-04 | 2020-09-01 | 合肥美的智能科技有限公司 | 图像识别方法、装置、计算机设备和可读存储介质 |
-
2017
- 2017-08-04 CN CN201710661653.8A patent/CN107480711B/zh active Active
-
2018
- 2018-06-13 WO PCT/CN2018/090970 patent/WO2019024610A1/zh active Application Filing
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104298988A (zh) * | 2014-08-21 | 2015-01-21 | 华南理工大学 | 一种基于视频图像局部特征匹配的财物保护方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107480711A (zh) | 2017-12-15 |
WO2019024610A1 (zh) | 2019-02-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107480711B (zh) | 图像识别方法、装置、计算机设备和可读存储介质 | |
CN111368788B (zh) | 图像识别模型的训练方法、装置及电子设备 | |
CN112418278A (zh) | 一种多类物体检测方法、终端设备及存储介质 | |
CN112257603B (zh) | 高光谱图像分类方法及相关设备 | |
JP6529686B2 (ja) | 画像処理装置、画像処理方法、及びプログラム | |
CN110189341B (zh) | 一种图像分割模型训练的方法、图像分割的方法及装置 | |
CN107203558B (zh) | 对象推荐方法和装置、推荐信息处理方法和装置 | |
CN112669298A (zh) | 一种基于模型自训练的地基云图像云检测方法 | |
CN112001329A (zh) | 蛋白表达量的预测方法、装置、计算机设备和存储介质 | |
CN112988557A (zh) | 一种搜索框定位方法、数据采集方法、装置及介质 | |
CN113627975A (zh) | 门店选址方法、装置、计算机设备和存储介质 | |
JP2020160543A (ja) | 情報処理システムおよび情報処理方法 | |
CN110196917A (zh) | 个性化logo版式定制方法、系统和存储介质 | |
CN111612099B (zh) | 基于局部排序差值细化模式的纹理图像分类方法及系统 | |
CN112926601A (zh) | 基于深度学习的图像识别方法、装置、设备及存储介质 | |
CN113283432A (zh) | 图像识别、文字排序方法及设备 | |
CN115830599A (zh) | 工业字符识别方法、模型训练方法、装置、设备和介质 | |
CN115631362A (zh) | 一种铁器的识别方法及装置 | |
CN113297411B (zh) | 轮形图谱相似性的度量方法、装置、设备及存储介质 | |
CN113222843B (zh) | 一种图像修复方法及其相关设备 | |
CN111984637B (zh) | 数据建模中的缺失值处理方法和装置、设备及存储介质 | |
CN114359300A (zh) | 一种图像分割模型的优化方法、装置、系统及存储介质 | |
CN114897797A (zh) | 印刷电路板的缺陷检测方法、装置、设备及存储介质 | |
CN112491999A (zh) | 一种数据上报方法及装置 | |
Basher | Managing diversity and many objectives in evolutionary design |
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 | ||
CB02 | Change of applicant information |
Address after: 230088 Building No. 198, building No. 198, Mingzhu Avenue, Anhui high tech Zone, Anhui Applicant after: Hefei Hualing Co.,Ltd. Address before: 230601 R & D building, No. 176, Jinxiu Road, Hefei economic and Technological Development Zone, Anhui 501 Applicant before: Hefei Hualing Co.,Ltd. |
|
CB02 | Change of applicant information | ||
GR01 | Patent grant | ||
GR01 | Patent grant |