CN108009576A - 一种目标匹配的物体识别方法、设备及存储设备 - Google Patents

一种目标匹配的物体识别方法、设备及存储设备 Download PDF

Info

Publication number
CN108009576A
CN108009576A CN201711215417.XA CN201711215417A CN108009576A CN 108009576 A CN108009576 A CN 108009576A CN 201711215417 A CN201711215417 A CN 201711215417A CN 108009576 A CN108009576 A CN 108009576A
Authority
CN
China
Prior art keywords
mrow
matching
picture
image
library
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
CN201711215417.XA
Other languages
English (en)
Inventor
丁华锋
林可
王静婷
张雄伟
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.)
China University of Geosciences
Original Assignee
China University of Geosciences
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 China University of Geosciences filed Critical China University of Geosciences
Priority to CN201711215417.XA priority Critical patent/CN108009576A/zh
Publication of CN108009576A publication Critical patent/CN108009576A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • 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
    • G06V10/752—Contour matching

Abstract

本发明提供了一种目标匹配的物体识别方法、设备及存储设备，所述方法包括步骤：建立目标物体的三维模型；生成所述三维模型的多视角图片库；计算图片库中图片轮廓的傅里叶描述子并生成匹配库；获取实时物体的图像并对图像进行预处理得到比对图像；将比对图像和匹配库中的图像进行匹配并最终生成匹配结果。一种目标匹配的物体识别设备及存储设备，用来实现所述方法。本发明在有效识别期望物体图像的同时具备良好的鲁棒性。

Description

一种目标匹配的物体识别方法、设备及存储设备
技术领域
本发明涉及模式识别领域，具体涉及一种目标匹配的物体识别方法、设备及存储设备。
背景技术
在目标自动识别技术中，物体形状的识别是模式识别领域的研究重点，它广泛的应用于机器视觉领域中。要识别物体的形状，必须先找到一种描述物体形状的方法。对于不同描述形状的方式，目前已有很多形状描述的方法被提出，傅里叶描述子具有简单、高效的特点，已经成为识别物体形状的重要方法之一。但是，傅里叶描述子在二维平面内对图像描述的鲁棒性较差，在三维空间中也无法解决图像从不同角度观察造成的形变问题。所以，如何找到一种能保证二维和三维图像识别过程中都具备鲁棒性的物体图像识别方法就成为一种亟待解决的问题。
发明内容
本发明提供了一种目标匹配的物体识别方法、设备及存储设备，通过像素点的复数化表示，使用归一化傅里叶描述子对图像进行简化描述，并结合设定的目标匹配机制，可以高效实现物体的识别。同时，归一化处理和目标匹配机制还增强了图像在处理中的鲁棒性，使图像在旋转、平移和尺度变换时仍能保持良好的识别效果，从而有效解决上述问题。
本发明提供的技术方案是：一种目标匹配的物体识别方法，所述方法包括步骤：建立目标物体的三维模型；生成所述三维模型的多视角图片库；计算图片库中图片轮廓的傅里叶描述子并生成匹配库；获取实时物体的图像并对图像进行预处理得到比对图像；将比对图像和匹配库中的图像进行匹配并最终生成匹配结果。存储设备，所述存储设备存储指令及数据用于实现所述一种目标匹配的物体识别方法。一种目标匹配的物体识别设备，所述设备包括处理器及所述存储设备；所述处理器加载并执行所述存储设备中的指令及数据用于实现所述的一种目标匹配的物体识别方法。
本发明的有益效果是：本发明提供了一种目标匹配的物体识别方法、设备及存储设备，通过像素点的复数化表示，使用归一化傅里叶描述子对图像进行简化描述，并结合设定的目标匹配机制，可以高效实现物体的识别。同时，归一化处理和目标匹配机制还增强了图像在处理中的鲁棒性，使图像在旋转、平移和尺度变换时仍能保持良好的识别效果。
附图说明
图1是本发明实施例中目标匹配的物体识别方法的整体流程图；
图2是本发明实施例中获取实时物体的图像并对图像进行预处理得到比对图像具体步骤流程图；
图3是本发明实施例中将比对图像和匹配库中的图像进行匹配并最终生成匹配结果具体步骤流程图；
图4是本发明实施例中图像物体轮廓像素点的复数序列表示示意图；
图5是本发明实施例中图片库中目标三维模型多角度图片成型示意图；
图6是本发明实施例中目标匹配的物体识别的效果图；
图7是本发明实施例的硬件设备工作示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明实施方式作进一步地描述，下文中提到的具体技术细节，如：方法，设备等，仅为使读者更好的理解技术方案，并不代表本发明仅局限于以下技术细节。
本发明的实施例提供了一种目标匹配的物体识别方法、设备及存储设备。请参阅图1，图1是本发明实施例中目标匹配的物体识别方法的整体流程图，所述方法由硬件设备实现，具体步骤包括：
S101：建立目标物体的三维模型。
S102：生成所述三维模型的多视角图片库，多视角图片库有288张图片。
S103：计算图片库中图片轮廓的傅里叶描述子并生成匹配库，所述傅里叶描述子为归一化傅里叶描述子；归一化增强了傅里叶描述子描述物体轮廓的鲁棒性。所述归一化傅里叶描述子具体为：
s(k)＝x(k)+y(k)j
其中，z表示图像轮廓的复数离散傅里叶变换，d表示归一化傅里叶描述子，s表示图像轮廓像素点的复数形式，K表示共有K个像素点，k表示具体某个像素点。
S104：获取实时物体的图像并对图像进行预处理得到比对图像。
S105：将比对图像和匹配库中的图像进行匹配并最终生成匹配结果，所有图片轮廓的像素点采用复数形式表示，将二维问题转化为一维问题。所述288张图片中每一图片取其前100个归一化傅里叶描述子组成匹配库；所述匹配库为矩阵形式，大小为288×100。
参见图2，图2是本发明实施例中获取实时物体的图像并对图像进行预处理得到比对图像具体步骤流程图，包括：
S201：每隔1秒截取一张物体图片。
S202：获取物体图片中的物体轮廓
S203：计算物体轮廓的归一化傅里叶描述子。
S204：取前100个归一化傅里叶描述子对物体轮廓进行描述。
S205：获取比对图像。
参见图3，图3是本发明实施例中将比对图像和匹配库中的图像进行匹配并最终生成匹配结果具体步骤流程图，包括：
S301：将物体轮廓的前100个归一化傅里叶描述子与匹配库中的288张图片的前100个归一化傅里叶描述子做匹配。
S302：计算匹配的标准误差。
S303：取最小标准误差。
S304：设定误差阈值，所述误差阈值具体为残差平方和，数值为0.001。
S305：判断所述最小标准误差是否满足误差阈值。
S306：若满足，则找到目标物体。
S307：若不满足，则未找到目标物体。
参见图4，图4是本发明实施例中图像物体轮廓像素点的复数序列表示示意图，包括：实轴401、像素点(x1,y1)402、像素点(x0,y0)403及虚轴404。由图中可见，xy平面内的一个具有K个像素点的轮廓。从任意点，如像素点(x0,y0)403开始，以逆时针或顺时针方向沿着这个轮廓序列的边界上行进，会经过像素点(x1,y1)402，…，像素点(xK-1,yK-1)。这些轮廓像素点可以表示为x(k)＝xk，y(k)＝yk的形式。使用这种表示法，边界本身可以表示为一组坐标序列s(n)＝[x(k)，y(k)]，k＝0，1，2，...，K-1。此外，每个像素点可表示为一个复数，即
s(k)＝x(k)+y(k)j
其中，k＝0,1,2,…,K-1。
参见图5，图5是本发明实施例中图片库中目标三维模型多角度图片成型示意图，包括：第一角度501、第二角度502、第三角度503及第四角度504。图中四个角度的图片仅为图片库中不同角度的示意图，图片库中具有288张图片，并不局限于这四张图片。
参见图6，图6是本发明实施例中目标匹配的物体识别的效果图，包括：匹配误差最小的目标图片归一化傅里叶描述子601及匹配误差最小的实际物体轮廓图片归一化傅里叶描述子602。误差阈值为残差平方和，具体为0.001。图中的匹配结果的残差平方和为0.00024，小于阈值，所以可以判定实际物体为所要寻找的目标物体。
参见图7，图7是本发明实施例的硬件设备工作示意图，所述硬件设备具体包括：一种目标匹配的物体识别设备701、处理器702及存储设备703。
目标匹配的物体识别设备701：所述一种目标匹配的物体识别设备701实现所述一种目标匹配的物体识别方法。
处理器702：所述处理器702加载并执行所述存储设备703中的指令及数据用于实现所述的一种目标匹配的物体识别方法。
存储设备703：所述存储设备703存储指令及数据；所述存储设备703用于实现所述的一种目标匹配的物体识别方法。
通过执行本发明的实施例，本发明权利要求里的所有技术特征都得到了详尽阐述。
区别于现有技术，本发明的实施例提供了一种目标匹配的物体识别方法、设备及存储设备，通过像素点的复数化表示，使用归一化傅里叶描述子对图像进行简化描述，并结合设定的目标匹配机制，可以高效实现物体的识别。同时，归一化处理和目标匹配机制还增强了图像在处理中的鲁棒性，使图像在旋转、平移和尺度变换时仍能保持良好的识别效果。
以上所述仅为本发明的较佳实施例，并不用以限制本发明，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)

1.一种目标匹配的物体识别方法，所述方法由硬件设备实现，其特征在于：包括以下步骤：建立目标物体的三维模型；生成所述三维模型的多视角图片库；计算图片库中图片轮廓的傅里叶描述子并生成匹配库；获取实时物体的图像并对图像进行预处理得到比对图像；将比对图像和匹配库中的图像进行匹配并最终生成匹配结果。
2.如权利要求1所述的一种目标匹配的物体识别方法，其特征在于：所述多视角图片库有288张图片。
3.如权利要求1所述的一种目标匹配的物体识别方法，其特征在于：所述傅里叶描述子为归一化傅里叶描述子；归一化增强了傅里叶描述子描述物体轮廓的鲁棒性。
4.如权利要求1所述的一种目标匹配的物体识别方法，其特征在于：所有图片轮廓的像素点采用复数形式表示，将二维问题转化为一维问题。
5.如权利要求3所述的一种目标匹配的物体识别方法，其特征在于：所述归一化傅里叶描述子具体为：
<mrow> <mi>d</mi> <mrow> <mo>(</mo> <mi>u</mi> <mo>)</mo> </mrow> <mo>=</mo> <mfrac> <mrow> <mo>|</mo> <mo>|</mo> <mi>z</mi> <mrow> <mo>(</mo> <mi>u</mi> <mo>)</mo> </mrow> <mo>|</mo> <mo>|</mo> </mrow> <mrow> <mo>|</mo> <mo>|</mo> <mi>z</mi> <mrow> <mo>(</mo> <mn>1</mn> <mo>)</mo> </mrow> <mo>|</mo> <mo>|</mo> </mrow> </mfrac> </mrow>
<mrow> <mi>z</mi> <mrow> <mo>(</mo> <mi>u</mi> <mo>)</mo> </mrow> <mo>=</mo> <munderover> <mo>&amp;Sigma;</mo> <mrow> <mi>k</mi> <mo>=</mo> <mn>0</mn> </mrow> <mrow> <mi>K</mi> <mo>-</mo> <mn>1</mn> </mrow> </munderover> <mi>s</mi> <mrow> <mo>(</mo> <mi>k</mi> <mo>)</mo> </mrow> <msup> <mi>e</mi> <mrow> <mo>-</mo> <mfrac> <mrow> <mn>2</mn> <mi>&amp;pi;</mi> <mi>k</mi> <mi>u</mi> </mrow> <mi>K</mi> </mfrac> <mi>j</mi> </mrow> </msup> </mrow>
s(k)＝x(k)+y(k)j
其中，z表示图像轮廓的复数离散傅里叶变换，d表示归一化傅里叶描述子，s表示图像轮廓像素点的复数形式，K表示共有K个像素点，k表示具体某个像素点。
6.如权利要求2所述的一种目标匹配的物体识别方法，其特征在于：所述288张图片中每一图片取其前100个归一化傅里叶描述子组成匹配库；所述匹配库为矩阵形式，大小为288×100。
7.如权利要求6所述的一种目标匹配的物体识别方法，其特征在于：所述获取实时物体的图像并对图像进行预处理得到比对图像具体步骤包括：每隔1秒截取一张物体图片；获取物体图片中的物体轮廓；计算物体轮廓的归一化傅里叶描述子；取前100个归一化傅里叶描述子对物体轮廓进行描述；获取比对图像。
8.如权利要求7所述的一种目标匹配的物体识别方法，其特征在于：所述将比对图像和匹配库中的图像进行匹配并最终生成匹配结果具体步骤包括：将物体轮廓的前100个归一化傅里叶描述子与匹配库中的288张图片的前100个归一化傅里叶描述子做匹配；计算匹配的标准误差；取最小标准误差；设定误差阈值；判断所述最小标准误差是否满足误差阈值；若满足，则找到目标物体；若不满足，则未找到目标物体。
9.存储设备，其特征包括：所述存储设备存储指令及数据用于实现权利要求1～8所述的任意一种方法。
10.一种目标匹配的物体识别设备，其特征在于：包括：处理器及所述存储设备；所述处理器加载并执行权利要求9中所述存储设备中的指令及数据用于实现权利要求1～8所述的任意一种方法。
CN201711215417.XA 2017-11-28 2017-11-28 一种目标匹配的物体识别方法、设备及存储设备 Pending CN108009576A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201711215417.XA CN108009576A (zh) 2017-11-28 2017-11-28 一种目标匹配的物体识别方法、设备及存储设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201711215417.XA CN108009576A (zh) 2017-11-28 2017-11-28 一种目标匹配的物体识别方法、设备及存储设备

Publications (1)

Publication Number Publication Date
CN108009576A true CN108009576A (zh) 2018-05-08

Family

ID=62054292

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201711215417.XA Pending CN108009576A (zh) 2017-11-28 2017-11-28 一种目标匹配的物体识别方法、设备及存储设备

Country Status (1)

Country Link
CN (1) CN108009576A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109753945A (zh) * 2019-01-16 2019-05-14 高翔 目标主体识别方法、装置、存储介质和电子设备
CN112100417A (zh) * 2020-09-11 2020-12-18 佛山显扬科技有限公司 三维模型识别方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103177098A (zh) * 2013-03-19 2013-06-26 浙江大学 一种基于手绘图的三维模型检索的方法
CN104331682A (zh) * 2014-10-11 2015-02-04 东南大学 一种基于傅里叶描述子的建筑物自动识别方法
US8965114B2 (en) * 2010-12-16 2015-02-24 Canon Kabushiki Kaisha Object recognition apparatus, object recognition method, learning apparatus, learning method, storage medium and information processing system
CN104680149A (zh) * 2015-03-10 2015-06-03 苏州科达科技股份有限公司 一种物体类型识别方法及系统

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8965114B2 (en) * 2010-12-16 2015-02-24 Canon Kabushiki Kaisha Object recognition apparatus, object recognition method, learning apparatus, learning method, storage medium and information processing system
CN103177098A (zh) * 2013-03-19 2013-06-26 浙江大学 一种基于手绘图的三维模型检索的方法
CN104331682A (zh) * 2014-10-11 2015-02-04 东南大学 一种基于傅里叶描述子的建筑物自动识别方法
CN104680149A (zh) * 2015-03-10 2015-06-03 苏州科达科技股份有限公司 一种物体类型识别方法及系统

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
钱国蕙: "归一化傅立叶描绘子在目标形状识别中的应用", 《哈尔滨工业大学学报》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109753945A (zh) * 2019-01-16 2019-05-14 高翔 目标主体识别方法、装置、存储介质和电子设备
CN109753945B (zh) * 2019-01-16 2021-07-13 高翔 目标主体识别方法、装置、存储介质和电子设备
CN112100417A (zh) * 2020-09-11 2020-12-18 佛山显扬科技有限公司 三维模型识别方法
CN112100417B (zh) * 2020-09-11 2024-04-30 佛山显扬科技有限公司 三维模型识别方法

Similar Documents

Publication Publication Date Title
US10740897B2 (en) Method and device for three-dimensional feature-embedded image object component-level semantic segmentation
CN107330439B (zh) 一种图像中物体姿态的确定方法、客户端及服务器
DE102020100684B4 (de) Kennzeichnung von graphischen bezugsmarkierern
US9715761B2 (en) Real-time 3D computer vision processing engine for object recognition, reconstruction, and analysis
CN108198141B (zh) 实现瘦脸特效的图像处理方法、装置及计算设备
CN109683699B (zh) 基于深度学习实现增强现实的方法、装置及移动终端
Park et al. Translation-symmetry-based perceptual grouping with applications to urban scenes
CN107679537A (zh) 一种基于轮廓点orb特征匹配的无纹理空间目标姿态估计算法
US9330466B2 (en) Methods and apparatus for 3D camera positioning using a 2D vanishing point grid
CN109948397A (zh) 一种人脸图像校正方法、系统及终端设备
CN111459269B (zh) 一种增强现实显示方法、系统及计算机可读存储介质
CN109190535A (zh) 一种基于深度学习的人脸面部肤色分析方法和系统
WO2017070923A1 (zh) 一种人脸识别方法和装置
CN112686191B (zh) 基于人脸三维信息的活体防伪方法、系统、终端及介质
CN108009576A (zh) 一种目标匹配的物体识别方法、设备及存储设备
JP6086491B2 (ja) 画像処理装置およびそのデータベース構築装置
CN105894494A (zh) 基于gpu技术的三线阵立体航测相机并行谱段配准方法
Singh et al. Performance enhancement of 2D face recognition via mosaicing
JP2014038566A (ja) 画像処理装置
CN111145081B (zh) 基于空间体积特征的三维模型视图投影方法及系统
Wang et al. Multi-surface hydraulic valve block technique hole plug inspection from monocular image
Zhang et al. Image matching using GPT correlation associated with simplified HOG patterns
Belan et al. A homogenous parameter set for image recognition based on area
CN110070490A (zh) 图像拼接方法和装置
CN111414864B (zh) 一种人脸活体检测方法和相关装置

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20180508

RJ01 Rejection of invention patent application after publication