CN107766783A - 一种三维物体识别装置及方法 - Google Patents
一种三维物体识别装置及方法 Download PDFInfo
- Publication number
- CN107766783A CN107766783A CN201610725246.4A CN201610725246A CN107766783A CN 107766783 A CN107766783 A CN 107766783A CN 201610725246 A CN201610725246 A CN 201610725246A CN 107766783 A CN107766783 A CN 107766783A
- Authority
- CN
- China
- Prior art keywords
- feature
- matching
- characteristic model
- computing device
- model
- 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
- G06V20/60—Type of objects
- G06V20/64—Three-dimensional objects
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种三维物体识别装置及方法，它包括待识别物体，所述的三维物体识别装置的主体由采集装置、特征提取装置、特征库、计算装置、显示装置组成，所述的采集装置连接特征提取装置，所述的特征提取装置连接特征库和计算装置，所述的特征库连接特征提取装置、计算装置，所述的计算装置连接显示装置；本发明通过采集图像并对图像进行处理和特征模型提取，和建立的模型库中的理论特征模型进行特征匹配查找，输出匹配结果并存储数据，特征的模型库具有自适应和学习的装置，具有技术先进、匹配准确、成本低、实用性强、自动化程度高、容量大的优点。
Description
技术领域
本发明属于三维物体识别技术领域，具体涉及一种三维物体识别装置及方法。
背景技术
目前，在三维物体识别技术的应用中一般的是将三维物体的目标表面进行处理，把提取的二维的特征数据和模型库进行对比识别，在匹配识别方面应用的如指纹识别、面部识别等人体识别主要依靠二维的数据进行处理，对数据输入源要求较高，而且其对比的特征库和待识别目标的一一对应的关系，而产品或广泛的三维识别是一对多的关系，标准版的特征模型和多实物模型之间存在较大差别，因此需要一种针对三维物体识别装置和方法。
发明内容
本发明的目的是为了克服现有技术的不足，而提供一种技术先进、匹配准确、成本低、实用性强、自动化程度高、容量大的三维物体识别装置和方法
本发明的目的是这样实现的：一种三维物体识别装置，它包括待识别物体，所述的三维物体识别装置的主体由采集装置、特征提取装置、特征库、计算装置、显示装置组成，所述的采集装置连接特征提取装置，所述的特征提取装置连接特征库和计算装置，所述的特征库连接特征提取装置、计算装置，所述的计算装置连接显示装置。
所述的采集装置为激光扫描终端或CCD相机。
所述的采集装置为特定光谱的摄像装置。
所述的采集装置为红外摄像装置或紫外摄像装置。
一种新型三维物体识别方法，它包含以下步骤：步骤(1)图像采集，通过调整传感器检测装置的角度对准被识别物体进行图像采集任务。
步骤(2)提取特征模型，通过对图像的预处理的进行去细存粗，增强其显性特征，弱化和去除其隐性特征，图像预处理后进行采集对象的实物特征模型提取。
步骤(3)组建特征的模型库，根据识别物体的类型和尺寸进行归类整理，得到理论计算的模型特征，并结合实践中得到普遍的数据进行动态的特征校正，组建一种存储待识别物体的特征数据的动态特征模型库。
步骤(4)特征模型的识别匹配，根据采集并经过预处理的实物特征模型通特征库中的待识别物体的特征进行对比、计算、量化成匹配参数，进行分类识别，要求分类识别概率误差小于3％。
步骤(5)匹配结果并显示，匹配结果的工作模式有自动和人工两种模式，自动模式是交由软件进行识别和判断，不需要人员确认匹配结果直接存储但是可以查询历史匹配记录，而人工模式是把匹配的特征模型和实物的特征模型进行同时显示，人工确认后该次匹配生效。
步骤(6)数据存储，把匹配的结果包含提取得到的实物特征模型和模型库中匹配的模型存入存储装置中。
所述的步骤(2)中的图像的预处理包含图像的放大、滤波、阈值处理、二值化处理步骤。
所述的步骤(2)中的实物特征模型提取包含小波矩处理、纹理分析处理、颜色处理、不变矩处理步骤。
所述的步骤(4)中的分类识别至少包含神经网络处理、支持向量机处理步骤。
所述的步骤(3)中的动态特征模型库的数据输入有理论特征模型和实物特征模型，所述的动态特征模型库中设置有动态数据的自适应和学习装置。
本发明的有益效果：本发明通过采用采集装置、特征库、特征提取装置、计算装置、显示装置组成了一种三维物体识别装置，具有技术先进、匹配准确、成本低、实用性强、自动化程度高、容量大的优点；本发明的三维物体识别装置上设置有采集装置、特征提取装置、特征库、计算装置、显示装置，自动化程度高、数据容量大，具有采集、匹配自动化的优点；本发明的一种三维物体识别方法依次进行图像采集、提取特征模型、组建特征的模型库、特征模型识别匹配、匹配结果显示，完成三维物体的识别和结果显示及其存储，具有识别准确、应用范围广、拓展性强的优点；本发明的组建的特征的模型库具有动态化、自适应的特点，具有自动修正特征库的优点；本发明的匹配结果的工作模式有自动和人工两种模式，具有实用性强、应用灵活、匹配弹性大的优点；本发明设置的采集装置为激光扫描终端、CCD相机、红外摄像装置、紫外摄像装置中的一种，针对不同的采集要求，针对采集特征采用最佳的采集装置，如针对动物和夜间工作较多的识别任务采用红外摄像装置，具有使用范围广、针对性强、识别任务多样化的优点；总的，本发明具有技术先进、匹配准确、成本低、实用性强、自动化程度高、容量大的优点。
附图说明
图1是本发明一种三维物体识别装置的结构示意图。
图2是本发明一种新型三维物体识别方法的流程示意图。
图3是本发明一种新型三维物体识别方法的一种应用工作流程示意图。
图中：1、待识别物 2、采集装置 3、特征库 4、特征提取装置 5、识别特征 6、理论特征 7、计算装置 8、显示装置。
具体实施方式
下面结合附图对本发明做进一步的说明。
实施例1
如图1所示，一种三维物体识别装置，它包括待识别物1体，所述的三维物体识别装置的主体由采集装置2、特征提取装置4、特征库3、计算装置7、显示装置8组成，所述的采集装置2连接特征提取装置4，所述的特征提取装置4连接特征库3和计算装置7，所述的特征库3连接特征提取装置4、计算装置7，所述的计算装置7连接显示装置8。
所述的采集装置2为CCD相机。
如图1所示的显示装置8上显示有理论特征6和识别特征5。
本发明通过采用采集装置、特征库、特征提取装置、计算装置、显示装置组成了一种三维物体识别装置，具有技术先进、匹配准确、成本低、实用性强、自动化程度高、容量大的优点。
本发明实施时，首先把采集装置连接特征提取装置，特征提取装置连接特征库和计算装置，特征库连接特征提取装置和计算装置，计算装置连接显示装置，完成上述安装后把采集装置对准待识别物，通过采集其图像并进行处理后在特征库内查找，并由计算装置进行匹配和显示结果，通过对比理论特征和识别特征，自动判断或人工判定后进行数据和结果存储；本发明通过采用采集装置、特征库、特征提取装置、计算装置、显示装置组成了一种三维物体识别装置，具有技术先进、匹配准确、成本低、实用性强、自动化程度高、容量大的优点；本发明的三维物体识别装置上设置有采集装置、特征提取装置、特征库、计算装置、显示装置，自动化程度高、数据容量大，具有采集、匹配自动化的优点；本发明的采集装置采用CCD相机，具有成本低、采集图像来源便捷的优点；总的，本发明具有技术先进、匹配准确、成本低、实用性强、自动化程度高、容量大的优点。
实施例2
如图1所示，一种三维物体识别装置，它包括待识别物1体，所述的三维物体识别装置的主体由采集装置2、特征提取装置4、特征库3、计算装置7、显示装置8组成，所述的采集装置2连接特征提取装置4，所述的特征提取装置4连接特征库3和计算装置7，所述的特征库3连接特征提取装置4、计算装置7，所述的计算装置7连接显示装置8。
所述的采集装置2为红外摄像装置。
如图1所示的显示装置8上显示有理论特征6和识别特征5。
如图2和图3所示，一种新型三维物体识别方法，它包含以下步骤：步骤(1)图像采集，通过调整传感器检测装置的角度对准被识别物体进行图像采集任务。
步骤(2)提取特征模型，通过对图像的预处理的进行去细存粗，增强其显性特征，弱化和去除其隐性特征，图像预处理后进行采集对象的实物特征模型提取。
步骤(3)组建特征的模型库，根据识别物体的类型和尺寸进行归类整理，得到理论计算的模型特征，并结合实践中得到普遍的数据进行动态的特征校正，组建一种存储待识别物体的特征数据的动态特征模型库。
步骤(4)特征模型的识别匹配，根据采集并经过预处理的实物特征模型通特征库中的待识别物体的特征进行对比、计算、量化成匹配参数，进行分类识别，要求分类识别概率误差小于3％。
步骤(5)匹配结果并显示，匹配结果的工作模式有自动和人工两种模式，自动模式是交由软件进行识别和判断，不需要人员确认匹配结果直接存储但是可以查询历史匹配记录，而人工模式是把匹配的特征模型和实物的特征模型进行同时显示，人工确认后该次匹配生效。
步骤(6)数据存储，把匹配的结果包含提取得到的实物特征模型和模型库中匹配的模型存入存储装置中。
所述的步骤(2)中的图像的预处理包含图像的放大、滤波、阈值处理、二值化处理步骤。
所述的步骤(2)中的实物特征模型提取包含小波矩处理、纹理分析处理、颜色处理、不变矩处理步骤。
所述的步骤(4)中的分类识别包含神经网络处理、支持向量机处理步骤。
所述的步骤(3)中的动态特征模型库的数据输入有理论特征模型和实物特征模型，所述的动态特征模型库中设置有动态数据的自适应和学习装置。
本发明通过采用采集装置、特征库、特征提取装置、计算装置、显示装置组成了一种三维物体识别装置，具有技术先进、匹配准确、成本低、实用性强、自动化程度高、容量大的优点。
本发明实施时，首先把采集装置连接特征提取装置，特征提取装置连接特征库和计算装置，特征库连接特征提取装置和计算装置，计算装置连接显示装置，完成上述安装后把采集装置对准待识别物，通过采集其图像并进行处理后在特征库内查找，并由计算装置进行匹配和显示结果，通过对比理论特征和识别特征，自动判断或人工判定后进行数据和结果存储，其工作流程按照上述的使用方法进行；本发明通过采用采集装置、特征库、特征提取装置、计算装置、显示装置组成了一种三维物体识别装置，具有技术先进、匹配准确、成本低、实用性强、自动化程度高、容量大的优点；本发明的三维物体识别装置上设置有采集装置、特征提取装置、特征库、计算装置、显示装置，自动化程度高、数据容量大，具有采集、匹配自动化的优点；本发明的一种三维物体识别方法依次进行图像采集、提取特征模型、组建特征的模型库、特征模型识别匹配、匹配结果显示，完成三维物体的识别和结果显示及其存储，具有识别准确、应用范围广、拓展性强的优点；本发明的组建的特征的模型库具有动态化、自适应的特点，具有自动修正特征库的优点；本发明的匹配结果的工作模式有自动和人工两种模式，具有实用性强、应用灵活、匹配弹性大的优点；本发明设置的采集装置为红外摄像装置，对动物和夜间工作较多的识别任务采用红外摄像装置，在国防和军事应用、以及野外探查监控方面具有重要意义，具有使用范围广、针对性强、识别任务多样化的优点；本发明的一种新型三维物体识别方法，具有识别精度高、算法简单、工作量小、灵活便捷的优点；总的，本发明具有技术先进、匹配准确、成本低、实用性强、自动化程度高、容量大的优点。
Claims (9)
1.一种三维物体识别装置，它包括待识别物体，其特征在于：所述的三维物体识别装置的主体由采集装置、特征提取装置、特征库、计算装置、显示装置组成，所述的采集装置连接特征提取装置，所述的特征提取装置连接特征库和计算装置，所述的特征库连接特征提取装置、计算装置，所述的计算装置连接显示装置。
2.如权利要求1所述的一种新型三维物体识别方法，其特征在于，它包含以下步骤：
步骤(1)图像采集，通过调整传感器检测装置的角度对准被识别物体进行图像采集任务；
步骤(2)提取特征模型，通过对图像的预处理的进行去细存粗，增强其显性特征，弱化和去除其隐性特征，图像预处理后进行采集对象的实物特征模型提取；
步骤(3)组建特征的模型库，根据识别物体的类型和尺寸进行归类整理，得到理论计算的模型特征，并结合实践中得到普遍的数据进行动态的特征校正，组建一种存储待识别物体的特征数据的动态特征模型库；
步骤(4)特征模型的识别匹配，根据采集并经过预处理的实物特征模型通特征库中的待识别物体的特征进行对比、计算、量化成匹配参数，进行分类识别，所述的分类识别的概率误差小于3％；
步骤(5)匹配结果并显示，匹配结果的工作模式有自动和人工两种模式，自动模式是交由软件进行识别和判断，不需要人员确认匹配结果直接存储但是可以查询历史匹配记录，而人工模式是把匹配的特征模型和实物的特征模型进行同时显示，人工确认后该次匹配生效；
步骤(6)数据存储，把匹配的结果包含提取得到的实物特征模型和模型库中匹配的模型存入存储装置中。
3.根据权利要求2所述的一种新型三维物体识别方法，其特征在于：所述的步骤(2)中的图像的预处理包含图像的放大、滤波、阈值处理、二值化处理步骤。
4.根据权利要求2所述的一种新型三维物体识别方法，其特征在于：所述的步骤(2)中的实物特征模型提取包含小波矩处理、纹理分析处理、颜色处理、不变矩处理步骤。
5.根据权利要求2所述的一种新型三维物体识别方法，其特征在于：所述的步骤(4)中的分类识别至少包含神经网络处理、支持向量机处理步骤。
6.根据权利要求2所述的一种新型三维物体识别方法，其特征在于：所述的步骤(3)中的动态特征模型库的数据输入有理论特征模型和实物特征模型，所述的动态特征模型库中设置有动态数据的自适应和学习装置。
7.根据权利要求1所述的一种三维物体识别装置，其特征在于：所述的采集装置为激光扫描终端或CCD相机。
8.根据权利要求1所述的一种三维物体识别装置，其特征在于：所述的采集装置为特定光谱的摄像装置。
9.根据权利要求8所述的一种三维物体识别装置，其特征在于：所述的采集装置为红外摄像装置或紫外摄像装置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610725246.4A CN107766783A (zh) | 2016-08-15 | 2016-08-15 | 一种三维物体识别装置及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610725246.4A CN107766783A (zh) | 2016-08-15 | 2016-08-15 | 一种三维物体识别装置及方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN107766783A true CN107766783A (zh) | 2018-03-06 |
Family
ID=61263885
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610725246.4A Pending CN107766783A (zh) | 2016-08-15 | 2016-08-15 | 一种三维物体识别装置及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107766783A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110298918A (zh) * | 2019-08-02 | 2019-10-01 | 湖南海诚宇信信息技术有限公司 | 一种基于gpu实时三维建模显示装置及三维建模显示方法 |
| CN110377824A (zh) * | 2019-07-15 | 2019-10-25 | 贝壳技术有限公司 | 信息推送方法、装置、计算机可读存储介质及电子设备 |
-
2016
- 2016-08-15 CN CN201610725246.4A patent/CN107766783A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110377824A (zh) * | 2019-07-15 | 2019-10-25 | 贝壳技术有限公司 | 信息推送方法、装置、计算机可读存储介质及电子设备 |
| CN110298918A (zh) * | 2019-08-02 | 2019-10-01 | 湖南海诚宇信信息技术有限公司 | 一种基于gpu实时三维建模显示装置及三维建模显示方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Hossain et al. | Recognition and detection of tea leaf's diseases using support vector machine | |
| CN108171184B (zh) | 基于Siamese网络的用于行人重识别的方法 | |
| CN104657708A (zh) | 一种新型三维物体识别装置及方法 | |
| CN103425969A (zh) | 一种识别轮毂型号的检测系统及其检测方法 | |
| CN104573713B (zh) | 一种基于图像纹理特征的互感器红外图像识别方法 | |
| Rahamathunnisa et al. | Vegetable disease detection using k-means clustering and svm | |
| CN109034694B (zh) | 基于智能制造的生产原料智能存储方法及系统 | |
| CN104102903A (zh) | 一种基于src的二次人脸识别方法 | |
| CN109598200B (zh) | 一种铁水罐罐号的图像智能识别系统及方法 | |
| CN107766783A (zh) | 一种三维物体识别装置及方法 | |
| CN105488486A (zh) | 防止照片攻击的人脸识别方法及装置 | |
| CN204496527U (zh) | 一种新型三维物体识别装置 | |
| CN106900601A (zh) | 一种快速精准识别对虾图像虾头点与虾尾点的方法 | |
| CN113591583A (zh) | 一种智能硼矿选矿系统及方法 | |
| CN110909678B (zh) | 一种基于宽度学习网络特征提取的人脸识别方法及系统 | |
| CN104361573A (zh) | 融合颜色信息和全局信息的sift特征匹配算法 | |
| CN110298377A (zh) | 基于深层人工神经网络的数字图像中烟火检测方法 | |
| Li et al. | Robot vision model based on multi-neural network fusion | |
| CN114505856A (zh) | 一种基于大数据深度学习的机械臂智能控制系统 | |
| Yang et al. | Cherry recognition based on color channel transform | |
| Deng et al. | Extraction of litchi stem based on computer vision under natural scene | |
| CN103870815A (zh) | 球机视频监控的人车结构化描述方法及系统 | |
| CN110033082B (zh) | 一种识别ai设备中深度学习模型的方法 | |
| CN109754003B (zh) | 基于深度学习的智能机器人视觉技术应用检测系统和方法 | |
| Pawar et al. | Review of Plant Disease Detection and Diagnosis Using Deep Learning Model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180306 |
|
| WD01 | Invention patent application deemed withdrawn after publication |