CN108280468B - 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
CN108280468B
CN108280468B CN201810037377.2A CN201810037377A CN108280468B CN 108280468 B CN108280468 B CN 108280468B CN 201810037377 A CN201810037377 A CN 201810037377A CN 108280468 B CN108280468 B CN 108280468B
Authority
CN
China
Prior art keywords
matrix
image
sub
real
original
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
Application number
CN201810037377.2A
Other languages
English (en)
Other versions
CN108280468A (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

Images

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：
Figure GDA0001640769620000011
式中，
Figure GDA0001640769620000012
步骤1.2、计算转化矩阵，该转化矩阵表示为：
Figure GDA0001640769620000013
式中，
Figure GDA0001640769620000014
Figure GDA0001640769620000021
[·]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：
Figure GDA0001640769620000022
式中：
Figure GDA0001640769620000023
Figure GDA0001640769620000024
Figure GDA0001640769620000025
Figure GDA0001640769620000026
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：
Figure GDA0001640769620000031
式中，
Figure GDA0001640769620000032
步骤1.2、计算转化矩阵，在本实施例中，转化矩阵表示为：
Figure GDA0001640769620000033
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：
Figure GDA0001640769620000034
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：
Figure GDA0001640769620000051
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
Figure GDA0001640769620000052
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
Figure GDA0001640769620000061
Figure GDA0001640769620000062
Figure GDA0001640769620000063
得到转化矩阵：
Figure GDA0001640769620000064
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
Figure GDA0001640769620000071
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：
Figure FDA0001547884030000011
式中，
Figure FDA0001547884030000012
步骤1.2、计算转化矩阵，该转化矩阵表示为：
Figure FDA0001547884030000013
式中，
Figure FDA0001547884030000014
Figure FDA0001547884030000015
[·]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：
Figure FDA0001547884030000016
式中：
Figure FDA0001547884030000017
Figure FDA0001547884030000018
Figure FDA0001547884030000019
Figure FDA00015478840300000110
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 CN108280468A (zh) 2018-07-13
CN108280468B true 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)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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

Citations (5)

* 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
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

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9489176B2 (en) * 2011-09-15 2016-11-08 Exxonmobil Upstream Research Company Optimized matrix and vector operations in instruction limited algorithms that perform EOS calculations

Patent Citations (5)

* 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
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》.2015, *

Also Published As

Publication number Publication date
CN108280468A (zh) 2018-07-13

Similar Documents

Publication Publication Date Title
Cheng et al. Logistic regression for feature selection and soft classification of remote sensing data
CN109697465B (zh) 基于小波核局部Fisher判别分析的高光谱影像分类方法
US20140212044A1 (en) Image Matching Using Subspace-Based Discrete Transform Encoded Local Binary Patterns
CN107103266B (zh) 二维人脸欺诈检测分类器的训练及人脸欺诈检测方法
CN108280468B (zh) 一种基于网格的图像识别方法
Van Pham et al. A new cluster tendency assessment method for fuzzy co-clustering in hyperspectral image analysis
CN111160169A (zh) 人脸检测方法、装置、设备及计算机可读存储介质
CN103544488A (zh) 一种人脸识别方法及装置
CN110555386A (zh) 一种基于动态贝叶斯的人脸识别身份认证方法
Sahbi Interactive satellite image change detection with context-aware canonical correlation analysis
CN109886160B (zh) 一种非限定条件下的人脸识别方法
Tariq et al. Gender and ethnicity identification from silhouetted face profiles
CN111104924A (zh) 一种有效的识别低分辨率商品图像的处理算法
Chen et al. A new patch-based LBP with adaptive weights for gender classification of human face
Satish et al. Hardware implementation of template matching algorithm and its performance evaluation
Kliangsuwan et al. FFT features and hierarchical classification algorithms for cloud images
Shen et al. Satellite objects extraction and classification based on similarity measure
Zhang et al. A spectral clustering based method for hyperspectral urban image
CN100416592C (zh) 基于数据流形的人脸自动识别方法
Liu et al. Palm-dorsa vein recognition based on independent principle component analysis
CN115223181A (zh) 基于文本检测的报告材料印章文字识别方法和装置
CN115272846A (zh) 一种基于改进Orientedrcnn的旋转目标检测方法
Liu et al. Fingerprint Spoof Detection Using Gradient Co-occurrence Matrix.
Skubalska-Rafajłowicz Spatially-organized random projections of images for dimensionality reduction and privacy-preserving classification
CN112183480B (zh) 一种人脸识别方法、装置、终端设备及存储介质

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