CN108280468A - 一种基于网格的图像识别方法 - Google Patents

一种基于网格的图像识别方法 Download PDF

Info

Publication number
CN108280468A
CN108280468A CN201810037377.2A CN201810037377A CN108280468A CN 108280468 A CN108280468 A CN 108280468A CN 201810037377 A CN201810037377 A CN 201810037377A CN 108280468 A CN108280468 A CN 108280468A
Authority
CN
China
Prior art keywords
matrix
image
sub
real
time
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.)
Granted
Application number
CN201810037377.2A
Other languages
English (en)
Other versions
CN108280468B (zh
Inventor
朱玲
连志刚
任祖楠
张峰
刘江
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.)
Shanghai Dianji University
Original Assignee
Shanghai Dianji University
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 Shanghai Dianji University filed Critical Shanghai Dianji University
Priority to CN201810037377.2A priority Critical patent/CN108280468B/zh
Publication of CN108280468A publication Critical patent/CN108280468A/zh
Application granted granted Critical
Publication of CN108280468B publication Critical patent/CN108280468B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及一种基于网格的图像识别方法，其特征在于，包括以下步骤：步根据需要获取参考图像，获得每张参考图像的转化矩阵及亚矩阵，将所有参考图像及对应的亚矩阵及原始矩阵关联存储在图库内；实时获取待识别的图像，将图像划分为图像块，计算每个图像块的实时原始矩阵及实时亚矩阵，根据实时原始矩阵及实时亚矩阵在图库中找到匹配的参考图像。本发明采用原始矩阵及亚矩阵来完成图像匹配，不需要复杂的算法，并且通过二次过滤的方法，不必每次都比对图库中的每张参考图像，从而大大提高了图像识别的速度，可以满足任何系统对实时性的要求。

Description

一种基于网格的图像识别方法
技术领域
本发明涉及一种图像识别方法。
背景技术
图像识别、指纹识别、人脸识别是生活中常用且极为关键的技术，现在在机 场、体育场、超级市场等公共场所都安装了监视器，对人群进行监视。例如在机 场安装监视系统以防止恐怖分子登机。如银行的自动提款机，用户卡片和密码被 盗，就会被他人冒取现金。应用图像、指纹、人脸等目标信息快速识别方法就会 避免这种情况的发生。
现有的图像识别方法通常是预先建立图库后，再将实时获取的图像与图库中 预先存储的每张参考图像进行对比，从而完成图像的识别。而每次进行图像对比 时，均需要用到复杂的算法，并且图库中通常存储有海量的图像，如果每次对比 都需要将实时获取的图像与图库中的每张参考图像进行比较，无疑大大降低了图 像识别的速度，在某些情况下无法满足实时性要求。
发明内容
本发明的目的是：提高图像识别的速度。
为了达到上述目的，本发明的技术方案是提供了一种基于网格的图像识别方 法，其特征在于，包括以下步骤：
步骤1、根据需要获取不同的大小为m×n的参考图像，获得每张参考图像 的转化矩阵，转化矩阵的大小为k×l，则任意参考图像的转化矩阵的计算过程为：
步骤1.1、将当前参考图像的白色像素点赋值为A、其他像素点赋值为B， 则得到大小为m×n的原始矩阵，该原始矩阵表示为：
式中，
步骤1.2、计算转化矩阵，该转化矩阵表示为：
式中， [·]表示取整运算；
步骤2、根据每张参考图像的转化矩阵，计算得到对应的亚矩阵，亚矩阵的 大小为(k+1)×(1+1)，当前参考图像的亚矩阵表示为：
式中：
步骤3、将所有参考图像及对应的亚矩阵及原始矩阵关联存储在图库内；
步骤4、实时获取待识别的图像，将图像划分为m×n的图像块，每个图像 块均包含有待识别的信息，对于每个图像块进行识别，包括以下步骤：
步骤4.1、根据与步骤1及步骤2相同的方法得到当前图像块的实时原始矩 阵及实时亚矩阵，将实时亚矩阵与图库中已存储的各亚矩阵相比较，获得所有匹 配的亚矩阵所对应的原始矩阵；
步骤4.2、将实时亚矩阵与步骤4得到的图库中的所有原始矩阵相比较，获 得匹配的原始矩阵对应的参考图像，根据参考图像获得当前图像块的信息，完成 当前图像块的识别。
本发明采用原始矩阵及亚矩阵来完成图像匹配，不需要复杂的算法，并且通 过二次过滤的方法，不必每次都比对图库中的每张参考图像，从而大大提高了图 像识别的速度，可以满足任何系统对实时性的要求。
附图说明
图1为本发明提供的一种基于网格的图像识别方法的流程图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明 本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之 后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本 申请所附权利要求书所限定的范围。
结合图1，本发明提供了一种基于网格的图像识别方法，包括以下步骤：
步骤1、根据需要获取不同的大小为m×n的参考图像，获得每张参考图像 的转化矩阵，转化矩阵的大小为k×k，则任意参考图像的转化矩阵的计算过程为：
步骤1.1、将当前参考图像的白色像素点赋值为0、其他像素点赋值为1，则 得到大小为m×n的原始矩阵，该原始矩阵表示为：
式中，
步骤1.2、计算转化矩阵，在本实施例中，转化矩阵表示为：
式中：
其中a1表示原始矩阵的前1～[m/3]行，1～[n/3]列部分元素的和；a2表示 原始矩阵的前1～[m/3]行，[n/3]+1～[2n/3]列部分元素的和；a3表示原始矩阵 的前1～[m/3]行，[2n/3]+1～n列部分元素的和；b1表示原始矩阵的前 [m/3]+1～[2m/3]行，1～[n/3]列部分元素的和；b2表示原始矩阵的前 [m/3]+1～[2m/3]行，[n/3]+1～[2n/3]列部分元素的和；b3表示原始矩阵的前 [m/3]+1～[2m/3]行，[2n/3]+1～n列部分元素的和；d1表示原始矩阵的前 [2m/3]+1～m行，1～[n/3]列部分元素的和；d2表示原始矩阵的前[2m/3]+1～m 行，[n/3]+1～[2n/3]列部分元素的和；d3表示原始矩阵的前[2m/3]+1～m行， [2n/3]+1～n列部分元素的和，其中，[·]表示取整运算。
步骤2、根据每张参考图像的转化矩阵，计算得到对应的亚矩阵，亚矩阵的 大小为4×4，当前参考图像的亚矩阵表示为：
式中：
b＝a1+a2+a3+b1+b2+b3+c1+c2+c3，s1＝a1+b1+c1，s2＝a2+b2+c2， s3＝a3+b3+c3，r1＝a1+a2+a3，r2＝b1+b2+b3，r3＝c1+c2+c3；
例如：汉字“四”，格式为宋体小四，由16*16的很多白块和黑快组成，将 白块设为0，黑块设为1，得到如下：
二维数组(矩阵)：
0000000000000000
0000000000000000
0111111111111100
0100010001000100
0100010001000100
0100010001000100
0100010001000100
0100010001000100
0100100001000100
0100100000111100
0101000000000100
0110000000000100
0100000000000100
0111111111111100
0100000000000100
0000000000000000
首先将该二维数组(矩阵)划分成如下9块
000000 0000000000
000000 0000000000
011111 1111111100
010001 0001000100
010001 0001000100
010001 0001000100
010001 0001000100
010001 00010 00100
010010 0001000100
010010 0000111100
010100 00000 00100
011000 0000000100
010000 0000000100
011111 1111111100
010000 00000 00100
000000 0000000000
可以得到转化矩阵：
其中11、8、6、10、4、7、9、5、6分别表示第一块，第二块，……，第九 快的和，再将转化矩阵转换成亚矩阵
例如：数字“2”，格式为宋体小四，放大之后8*16，得到二维数组：
00000000
00000000
00000000
00111100
01000010
01000010
01000010
00000100
00000100
00001000
00010000
00100000
01000010
01111110
00000000
00000000
首先将该二维数组(矩阵)划分成如下6块
0000 0000
0000 0000
0000 0000
0011 1100
0100 0010
0100 0010
0100 0010
0000 0100
0000 0100
0000 1000
0001 0000
0010 0000
0100 0010
0111 1110
0000 0000
0000 0000
得到转化矩阵：
其中11、8、6、10、4、7、9、5、6分别表示第一块，第二块，……，第九 快的和，再将上述数组转换成亚矩阵
步骤3、将所有参考图像及对应的亚矩阵及原始矩阵关联存储在图库内；
步骤4、实时获取待识别的图像，将图像划分为m×n的图像块，每个图像 块均包含有待识别的信息，对于每个图像块进行识别，包括以下步骤：
步骤4.1、根据与步骤1及步骤2相同的方法得到当前图像块的实时原始矩 阵及实时亚矩阵，将实时亚矩阵与图库中已存储的各亚矩阵相比较，获得所有匹 配的亚矩阵所对应的原始矩阵；
步骤4.2、将实时亚矩阵与步骤4得到的图库中的所有原始矩阵相比较，获 得匹配的原始矩阵对应的参考图像，根据参考图像获得当前图像块的信息，完成 当前图像块的识别。
虽然本发明已以较佳实施例揭露如上，然其并非限定本发明。本发明所属技 术领域中具有通常知识者，在不脱离本发明的精神和范围内，当可作各种的更动 与润饰。因此，本发明的保护范围当视权利要求书所界定者为准。

Claims (1)

1.一种基于网格的图像识别方法，其特征在于，包括以下步骤：
步骤1、根据需要获取不同的大小为m×n的参考图像，获得每张参考图像的转化矩阵，转化矩阵的大小为k×l，则任意参考图像的转化矩阵的计算过程为：
步骤1.1、将当前参考图像的白色像素点赋值为A、其他像素点赋值为B，则得到大小为m×n的原始矩阵，该原始矩阵表示为：
式中，
步骤1.2、计算转化矩阵，该转化矩阵表示为：
式中， [·]表示取整运算；
步骤2、根据每张参考图像的转化矩阵，计算得到对应的亚矩阵，亚矩阵的大小为(k+1)×(l+1)，当前参考图像的亚矩阵表示为：
式中：
步骤3、将所有参考图像及对应的亚矩阵及原始矩阵关联存储在图库内；
步骤4、实时获取待识别的图像，将图像划分为m×n的图像块，每个图像块均包含有待识别的信息，对于每个图像块进行识别，包括以下步骤：
步骤4.1、根据与步骤1及步骤2相同的方法得到当前图像块的实时原始矩阵及实时亚矩阵，将实时亚矩阵与图库中已存储的各亚矩阵相比较，获得所有匹配的亚矩阵所对应的原始矩阵；
步骤4.2、将实时亚矩阵与步骤4得到的图库中的所有原始矩阵相比较，获得匹配的原始矩阵对应的参考图像，根据参考图像获得当前图像块的信息，完成当前图像块的识别。
CN201810037377.2A 2018-01-15 2018-01-15 一种基于网格的图像识别方法 Active CN108280468B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810037377.2A CN108280468B (zh) 2018-01-15 2018-01-15 一种基于网格的图像识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810037377.2A CN108280468B (zh) 2018-01-15 2018-01-15 一种基于网格的图像识别方法

Publications (2)

Publication Number Publication Date
CN108280468A true CN108280468A (zh) 2018-07-13
CN108280468B CN108280468B (zh) 2022-01-11

Family

ID=62803730

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810037377.2A Active CN108280468B (zh) 2018-01-15 2018-01-15 一种基于网格的图像识别方法

Country Status (1)

Country Link
CN (1) CN108280468B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523752A (zh) * 2018-11-28 2019-03-26 润电能源科学技术有限公司 一种设备故障预警方法、装置、电子设备和介质
CN110852340A (zh) * 2019-09-16 2020-02-28 上海电机学院 一种扩展矩阵与亚像素矩阵结合的彩色图像识别方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1359536A2 (en) * 2002-04-27 2003-11-05 Samsung Electronics Co., Ltd. Face recognition method and apparatus using component-based face descriptor
US20140201450A1 (en) * 2011-09-15 2014-07-17 Kjetil B. Haugen Optimized Matrix and Vector Operations In Instruction Limited Algorithms That Perform EOS Calculations
CN104392462A (zh) * 2014-12-16 2015-03-04 西安电子科技大学 一种基于显著分割子区域对的sar图像配准方法
CN105069401A (zh) * 2015-07-16 2015-11-18 电子科技大学 一种sar图像识别方法
US9430697B1 (en) * 2015-07-03 2016-08-30 TCL Research America Inc. Method and system for face recognition using deep collaborative representation-based classification
CN105975940A (zh) * 2016-05-09 2016-09-28 大连大学 一种基于稀疏双向二维局部判别投影的掌纹图像识别方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP1359536A2 (en) * 2002-04-27 2003-11-05 Samsung Electronics Co., Ltd. Face recognition method and apparatus using component-based face descriptor
US20140201450A1 (en) * 2011-09-15 2014-07-17 Kjetil B. Haugen Optimized Matrix and Vector Operations In Instruction Limited Algorithms That Perform EOS Calculations
CN104392462A (zh) * 2014-12-16 2015-03-04 西安电子科技大学 一种基于显著分割子区域对的sar图像配准方法
US9430697B1 (en) * 2015-07-03 2016-08-30 TCL Research America Inc. Method and system for face recognition using deep collaborative representation-based classification
CN105069401A (zh) * 2015-07-16 2015-11-18 电子科技大学 一种sar图像识别方法
CN105975940A (zh) * 2016-05-09 2016-09-28 大连大学 一种基于稀疏双向二维局部判别投影的掌纹图像识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
赵丽焦: "" 基于最大似然估计的图像匹配方法的研究"", 《中国硕士学位论文全文数据库（电子期刊）信息科技辑》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109523752A (zh) * 2018-11-28 2019-03-26 润电能源科学技术有限公司 一种设备故障预警方法、装置、电子设备和介质
CN109523752B (zh) * 2018-11-28 2021-01-29 润电能源科学技术有限公司 一种设备故障预警方法、装置、电子设备和介质
CN110852340A (zh) * 2019-09-16 2020-02-28 上海电机学院 一种扩展矩阵与亚像素矩阵结合的彩色图像识别方法

Also Published As

Publication number Publication date
CN108280468B (zh) 2022-01-11

Similar Documents

Publication Publication Date Title
Zhang et al. Fast and robust occluded face detection in ATM surveillance
CN104766063B (zh) 一种活体人脸识别方法
CN105095856B (zh) 基于掩模的有遮挡人脸识别方法
US8792722B2 (en) Hand gesture detection
US8750573B2 (en) Hand gesture detection
CN112200081A (zh) 异常行为识别方法、装置、电子设备及存储介质
CN114783003B (zh) 一种基于局部特征注意力的行人重识别方法和装置
TW201627917A (zh) 人臉活體檢測方法和裝置
CN107066955B (zh) 一种从局部人脸区域还原整张人脸的方法
CN109740589B (zh) 视频模式中的异步对象roi检测方法及系统
CN110059607B (zh) 活体多重检测方法、装置、计算机设备及存储介质
CN106503655A (zh) 一种基于人脸识别技术的电子签名方法和验签方法
WO2023165616A1 (zh) 图像模型隐蔽后门的检测方法及系统、存储介质、终端
CN104021567B (zh) 基于首数字定律的图像高斯模糊篡改检测方法
Marasco et al. Fingerphoto presentation attack detection: Generalization in smartphones
CN110096945A (zh) 基于机器学习的室内监控视频关键帧实时提取方法
CN108280468A (zh) 一种基于网格的图像识别方法
Laroca et al. A first look at dataset bias in license plate recognition
CN108090473B (zh) 多相机下人脸识别的方法及装置
Imran et al. Image-based automatic energy meter reading using deep learning
Zheng et al. Weight-based sparse coding for multi-shot person re-identification
CN116824695A (zh) 一种基于特征去噪的行人再识别非局部防御方法
Li et al. Research of face detection based on skin color feature
Dhar et al. Detecting deepfake images using deep convolutional neural network
Watanabe et al. Spoofing attack detection in face recognition system using vision transformer with patch-wise data augmentation

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
GR01 Patent grant
GR01 Patent grant