CN108460899A - 一种图像特征识别方法和装置 - Google Patents
一种图像特征识别方法和装置 Download PDFInfo
- Publication number
- CN108460899A CN108460899A CN201710090460.1A CN201710090460A CN108460899A CN 108460899 A CN108460899 A CN 108460899A CN 201710090460 A CN201710090460 A CN 201710090460A CN 108460899 A CN108460899 A CN 108460899A
- Authority
- CN
- China
- Prior art keywords
- feature
- image
- gradient
- block
- regional images
- 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
- G07—CHECKING-DEVICES
- G07D—HANDLING OF COINS OR VALUABLE PAPERS, e.g. TESTING, SORTING BY DENOMINATIONS, COUNTING, DISPENSING, CHANGING OR DEPOSITING
- G07D7/00—Testing specially adapted to determine the identity or genuineness of valuable papers or for segregating those which are unacceptable, e.g. banknotes that are alien to a currency
- G07D7/20—Testing patterns thereon
- G07D7/2016—Testing patterns thereon using feature extraction, e.g. segmentation, edge detection or Hough-transformation
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Image Analysis (AREA)
Abstract
本发明实施例公开了一种图像特征识别方法和装置,用于准确稳定的进行红外图像的特征识别。该方法可包括:将特征区域图像划分为若干个块;计算每个块内的每个像素的梯度信息,根据所述梯度信息计算每个块内的梯度直方图,生成对应的特征向量;根据所述若干个块对应的特征向量,生成所述特征区域图像对应的识别特征描述子;将所述识别特征描述子与预设的模板图像对应的模板特征描述子进行比较,根据比较结果判断所述特征区域图像是否存在与所述模板图像相应的特征。
Description
技术领域
本发明涉及图像识别技术领域,具体涉及一种图像特征识别方法和装置。
背景技术
在验钞机等应用领域,常采用红外图像传感器采集识别对象的红外图像,通过识别红外图像中的红外特征来达到鉴别对象的目的。
在提取红外特征进行鉴伪时,常常由于红外图像传感器的问题导致采集到的红外图像质量不好,特征信息非常弱;这样弱的特征信息无疑对后续的识别防伪等造成影响,导致无法准确稳定的从红外图像中提取防伪特征。
发明内容
本发明实施例提供一种图像特征识别方法,用于准确稳定的进行红外图像的特征识别。本发明实施例还提供相应的装置。
为解决上述技术问题,本发明实施例采用如下技术方案:
本发明第一方面提供一种图像特征识别方法,包括:将特征区域图像划分为若干个块;计算每个块内的每个像素的梯度信息,根据所述梯度信息计算每个块内的梯度直方图,生成对应的特征向量;根据所述若干个块对应的特征向量,生成所述特征区域图像对应的识别特征描述子;将所述识别特征描述子与预设的模板图像对应的模板特征描述子进行比较,根据比较结果判断所述特征区域图像是否存在与所述模板图像相应的特征。
本发明第二方面提供一种图像特征识别装置,包括:分块单元,用于将特征区域图像划分为若干个块;计算单元,用于计算每个块内的每个像素的梯度信息,根据所述梯度信息计算每个块内的梯度直方图,生成对应的特征向量;生成单元,用于根据所述若干个块对应的特征向量,生成所述特征区域图像对应的识别特征描述子;判断单元,用于将所述识别特征描述子与预设的模板图像对应的模板特征描述子进行比较,根据比较结果判断所述特征区域图像是否存在与所述模板图像相应的特征。
从以上技术方案可以看出,本发明实施例技术方案具有以下优点:
1、利用该方法能够识别出稳定的红外图像特征;
2、利用该方法提取出来的特征包含图像的所有特征,克服了二值化提取图像特征过程中由于二值化阈值选择的问题造成损失图像特征的影响;
3、利用该方法提取的特征能够表示该图像,并且具有唯一性;
4、传感器采集到的图像质量较弱时,该方法也能够提取图像的特征信息。
附图说明
为了更清楚地说明本发明实施例技术方案,下面将对实施例和现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其它的附图。
图1是是作为示例的一种人民币的红外图像;
图2是是由图1截取出来的特征区域的图像;
图3是特征区域二值化的效果图;
图4是本发明实施例提供的图像特征识别方法的流程示意图;
图5是本发明实施例提供的图像特征识别装置的结构示意图。
具体实施方式
本发明实施例提供一种图像特征识别方法,用于准确稳定的进行红外图像的特征识别。本发明实施例还提供相应的装置。
为了使本技术领域的人员更好地理解本发明方案,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分的实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都应当属于本发明保护的范围。
本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”等是用于区别不同的对象,而不是用于描述特定顺序。此外,术语“包括”和“具有”以及它们任何变形,意图在于覆盖不排他的包含。例如包含了一系列步骤或单元的过程、方法、系统、产品或设备没有限定于已列出的步骤或单元,而是可选地还包括没有列出的步骤或单元,或可选地还包括对于这些过程、方法、产品或设备固有的其它步骤或单元。
下面通过具体实施例,分别进行详细的说明。
如图1所示,是作为示例的一种人民币的红外图像,具体类型可以是绿光反射图。如图2所示,是由图1绿光反射图截取出来的特征区域的图像,由于红外图质量没有可见光下采集的效果好,所以从图中也可以看出其截取出来的“ZhongGuoRenMinYinHang”字样很模糊,其还受到安全线和下面一行蒙古文字的影响。当采用图像处理算法对如图2所示的特征区域图像进行处理时,例如采用P参数法进行二值化时,得到的结构如图3所示,从图3可以看出,处理效果很差,图3中的图像特征很弱这样对后续识别必然会有很大影响;所以对于类似这样的弱特征,不适合采用一些类似图像处理的算法对其进行识别。
为了解决红外图像质量较差,特征较弱时,传统方法难以有效识别的问题,本发明实施例提供一种图像特征识别方法,用于准确稳定的进行红外图像的特征识别及提取。
请参考图4,本发明实施例提供的一种图像特征识别方法,可包括:
10.将特征区域图像划分为若干个块。
本发明一些实施例中,获取的特征区域图像如图2所示。本文中,假定该特征区域的大小为24*240,单位为像素。
本发明一些实施例中,所述将特征区域图像划分为若干个块的步骤具体可以包括:将特征区域图像划分为若干个矩形块,其中每个矩形块包括若干个像素。本文中假设将特征区域分成2*24块,即每一块的大小为12*10个像素。当然,分成其它数量的矩形块,每个块包括其它数量的像素也是可行的。另外,本发明其它一些实施例中,也可以将特征区域图像分成若干个圆形块或其它形状的块,本文对此不作限制。
本发明一些实施例中,步骤10即所述将特征区域图像划分为若干个块之前,还可以包括:从红外图像传感器采集的红外图像中截取特征区域图像。需要指出的是,与可见光下采集的图像相比,红外图像通常质量较差,图像中的特征较弱,传统方法难以有效识别及提取图像特征,本发明的主要发明目的正是为了解决该问题,所针对的对象主要便是红外图像,但需要理解,这并不意味着本发明方案只能用于红外图像的识别,事实上,本发明方法适用于各种类型的图像识别及特征提取。
20.计算每个块内的每个像素的梯度信息,根据所述梯度信息计算每个块内的梯度直方图,生成对应的特征向量。
本发明一些实施例中,可以采用以下公式计算每个块内的每个像素的梯度信息,所述梯度信息包括梯度的模值与方向,其中,用公式(1)计算梯度的模值,用公式(2)计算梯度的方向;
θ=tan-1((I(x,y+1)-I(x,y-1))/(I(x+1,y)-I(x+1,y-1))) (2)
上述公式中,x表示像素的横坐标,y表示像素的纵坐标,I表示灰度值,m表示梯度的模值,θ表示梯度的方向。
如上所述,本步骤中计算块内梯度直方图,生成具有独特性的特征向量,该特征向量是该区域图像信息的一种抽象,具有唯一性。
其中,所述根据所述梯度信息计算每个块内的梯度直方图的步骤可包括:将方向范围划分为若干个方向区间,在每个块内,根据每个像素点的梯度的方向所在的方向区间对梯度的模值进行累加,换句话说,是将每个像素点的方向或者说角度作为直方图统计的下标对模值进行累加,得到块内的梯度直方图。
例如,本文中的梯度直方图可以将0~360度的方向范围分为8个方向区间,其中每个方向区间为45度。本步骤中,统计8个方向区间的梯度直方图特征信息,得到的每个块内的梯度直方图有8个维度,可生成8维的特征向量。
30.根据所述若干个块对应的特征向量,生成所述特征区域图像对应的识别特征描述子。
将特征区域图像的所有块的梯度直方图对应的特征向量串联起来,即可生成特征区域图像对应的特征描述子,本文称之为识别特征描述子。本文中,例如在12*10像素窗口中计算8个方向区间的梯度信息,则共得到2*24*8=384维向量表征的识别特征描述子。
由上可见,步骤20和30中,遍历每一个像素点,根据公式(2)计算该像素点的梯度的方向,根据公式(1)计算该像素点的梯度的模值,然后将该像素点的方向或者说角度作为梯度直方图统计的下标对模值进行累加;从而,生成全部相应的识别特征描述子。
可选的,步骤30之后还可以包括:获取预设的模板特征描述子,并对所述识别特征描述子与所述模板特征描述子进行归一化处理。
其中,获取预设的模板特征描述子可包括:将预设的模板图像划分为若干个块;计算每个块内的每个像素的梯度信息,根据所述梯度信息计算每个块内的梯度直方图,生成对应的特征向量;根据所述若干个块对应的特征向量,生成所述模板图像对应的模板特征描述子。即,对模板图像也做与上述步骤10-30相同的处理,区别在于所处理的对象不同,前者处理对象为待识别的图像,后者处理对象为模板图像,所述模板图像例如可以是干净整洁的人民币图像。
40.将所述识别特征描述子与预设的模板图像对应的模板特征描述子进行比较,根据比较结果判断所述特征区域图像是否存在与所述模板图像相应的特征。
本发明一些实施例中,本步骤具体可以包括:计算所述识别特征描述子与所述模板特征描述子的欧式距离,如果计算得到的距离在设定范围内,则判断所述特征区域图像存在与所述模板图像相应的特征;如果距离不在设定范围内,则判断不存在相应的特征。所述相应的特征也可以简单理解为相同的特征。
可选的,步骤40之后,还可以包括:判断所述特征区域图像存在与所述模板图像相应的特征时,提取所述相应的特征。然后,便可以利用提取的特征进行后续处理例如文字识别、图像识别等等。
如上所述,本发明实施例提供了一种图像特征识别方法。从以上技术方案可以看出,本发明实施例具有以下优点:
1、利用该方法能够识别出稳定的红外图像特征;
2、利用该方法提取出来的特征包含图像的所有特征,克服了二值化提取图像特征过程中由于二值化阈值选择的问题造成损失图像特征的影响;
3、利用该方法提取的特征能够表示该图像,并且具有唯一性;利用该方法可提取图像稳定特征作为描述特征区域的唯一标识;
4、传感器采集到的图像质量较弱时,该方法也能够提取图像的特征信息。
为了更好的实施本发明实施例的上述方案,下面还提供用于配合实施上述方案的相关装置。
请参考图5,本发明实施例还提供一种图像特征识别装置,可包括:
分块单元51,用于将特征区域图像划分为若干个块;
计算单元52,用于计算每个块内的每个像素的梯度信息,根据所述梯度信息计算每个块内的梯度直方图,生成对应的特征向量;
生成单元53,用于根据所述若干个块对应的特征向量,生成所述特征区域图像对应的识别特征描述子;
判断单元54,用于将所述识别特征描述子与预设的模板图像对应的模板特征描述子进行比较,根据比较结果判断所述特征区域图像是否存在与所述模板图像相应的特征。
本发明实施例的图像特征识别装置例如可以是取款机、验钞机等设备。
可以理解,本发明实施例的图像特征识别装置的各个功能模块的功能可根据上述方法实施例中的方法具体实现,其具体实现过程可参照上述方法实施例中的相关描述,此处不再赘述。
本发明实施例的图像特征识别装置,具有以下优点:
1、能够识别出稳定的红外图像特征;
2、提取出来的特征包含图像的所有特征,克服了二值化提取图像特征过程中由于二值化阈值选择的问题造成损失图像特征的影响;
3、提取的特征能够表示该图像,并且具有唯一性,可作为描述特征区域的唯一标识;
4、传感器采集到的图像质量较弱时,也能够提取图像的特征信息。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详细描述的部分,可以参见其它实施例的相关描述。所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统,装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
如上所述,对本发明实施例提供的图像特征识别方法和装置进行了详细描述。但应当理解,上述实施例仅用以说明本发明的技术方案,而非对其限制;本领域的普通技术人员依然可以对上述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种图像特征识别方法,其特征在于,包括:
将特征区域图像划分为若干个块;
计算每个块内的每个像素的梯度信息,根据所述梯度信息计算每个块内的梯度直方图,生成对应的特征向量;
根据所述若干个块对应的特征向量,生成所述特征区域图像对应的识别特征描述子;
将所述识别特征描述子与预设的模板图像对应的模板特征描述子进行比较,根据比较结果判断所述特征区域图像是否存在与所述模板图像相应的特征。
2.根据权利要求1所述的方法,其特征在于,所述计算每个块内的每个像素的梯度信息包括:
采用以下公式计算每个块内的每个像素的梯度信息,所述梯度信息包括梯度的模值与方向,其中,用公式(1)计算梯度的模值,用公式(2)计算梯度的方向;
θ=tan-1((I(x,y+1)-I(x,y-1))/(I(x+1,y)-I(x+1,y-1))) (2)
上述公式中,x表示像素的横坐标,y表示像素的纵坐标,I表示灰度值,m表示梯度的模值,θ表示梯度的方向。
3.根据权利要求2所述的方法,其特征在于,所述根据所述梯度信息计算每个块内的梯度直方图包括:
将方向范围划分为若干个方向区间,在每个块内,根据每个像素点的梯度的方向所在的方向区间对梯度的模值进行累加,得到该块内的梯度直方图。
4.根据权利要求1所述的方法,其特征在于,所述将所述识别特征描述子与预设的模板图像对应的模板特征描述子进行比较,根据比较结果判断所述特征区域图像是否存在与所述模板图像相应的特征包括:
计算所述识别特征描述子与所述模板特征描述子的欧式距离,如果计算得到的距离在设定范围内,则判断所述特征区域图像存在与所述模板图像相应的特征。
5.根据权利要求1所述的方法,其特征在于,还包括:
判断所述特征区域图像存在与所述模板图像相应的特征时,提取所述相应的特征。
6.根据权利要求1至5中任一所述的方法,其特征在于,所述将所述识别特征描述子与预设的模板图像对应的模板特征描述子进行比较之前,还包括:
将预设的模板图像划分为若干个块;
计算每个块内的每个像素的梯度信息,根据所述梯度信息计算每个块内的梯度直方图,生成对应的特征向量;
根据所述若干个块对应的特征向量,生成所述模板图像对应的模板特征描述子。
7.根据权利要求1至5中任一所述的方法,其特征在于,所述将所述识别特征描述子与预设的模板图像对应的模板特征描述子进行比较之前,还包括:
对所述识别特征描述子与所述模板特征描述子进行归一化处理。
8.根据权利要求1至5中任一所述的方法,其特征在于,所述将特征区域图像划分为若干个块之前,还包括:
从红外图像传感器采集的红外图像中截取特征区域图像。
9.根据权利要求1至5中任一所述的方法,其特征在于,所述将特征区域图像划分为若干个块包括:将特征区域图像划分为若干个矩形块,其中每个矩形块包括若干个像素。
10.一种图像特征识别装置,其特征在于,包括:
分块单元,用于将特征区域图像划分为若干个块;
计算单元,用于计算每个块内的每个像素的梯度信息,根据所述梯度信息计算每个块内的梯度直方图,生成对应的特征向量;
生成单元,用于根据所述若干个块对应的特征向量,生成所述特征区域图像对应的识别特征描述子;
判断单元,用于将所述识别特征描述子与预设的模板图像对应的模板特征描述子进行比较,根据比较结果判断所述特征区域图像是否存在与所述模板图像相应的特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710090460.1A CN108460899A (zh) | 2017-02-20 | 2017-02-20 | 一种图像特征识别方法和装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710090460.1A CN108460899A (zh) | 2017-02-20 | 2017-02-20 | 一种图像特征识别方法和装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108460899A true CN108460899A (zh) | 2018-08-28 |
Family
ID=63229204
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710090460.1A Pending CN108460899A (zh) | 2017-02-20 | 2017-02-20 | 一种图像特征识别方法和装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108460899A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464951A (zh) * | 2007-12-21 | 2009-06-24 | 北大方正集团有限公司 | 图像识别方法及系统 |
CN105354576A (zh) * | 2015-09-30 | 2016-02-24 | 上海圣尧智能科技有限公司 | 一种目标特征提取的方法、目标特征提取模块、目标模型创建模块以及智能图像监控装置 |
CN105654092A (zh) * | 2015-11-25 | 2016-06-08 | 小米科技有限责任公司 | 特征提取方法及装置 |
CN105740868A (zh) * | 2016-01-26 | 2016-07-06 | 北京工商大学 | 一种基于圆形算子的图像边缘提取方法和装置 |
CN105913069A (zh) * | 2016-04-27 | 2016-08-31 | 南京维睛视空信息科技有限公司 | 一种图像识别方法 |
CN106355205A (zh) * | 2016-08-31 | 2017-01-25 | 西安西拓电气股份有限公司 | 一种紫外图像数字识别方法及识别装置 |
-
2017
- 2017-02-20 CN CN201710090460.1A patent/CN108460899A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101464951A (zh) * | 2007-12-21 | 2009-06-24 | 北大方正集团有限公司 | 图像识别方法及系统 |
CN105354576A (zh) * | 2015-09-30 | 2016-02-24 | 上海圣尧智能科技有限公司 | 一种目标特征提取的方法、目标特征提取模块、目标模型创建模块以及智能图像监控装置 |
CN105654092A (zh) * | 2015-11-25 | 2016-06-08 | 小米科技有限责任公司 | 特征提取方法及装置 |
CN105740868A (zh) * | 2016-01-26 | 2016-07-06 | 北京工商大学 | 一种基于圆形算子的图像边缘提取方法和装置 |
CN105913069A (zh) * | 2016-04-27 | 2016-08-31 | 南京维睛视空信息科技有限公司 | 一种图像识别方法 |
CN106355205A (zh) * | 2016-08-31 | 2017-01-25 | 西安西拓电气股份有限公司 | 一种紫外图像数字识别方法及识别装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104464079B (zh) | 基于模板特征点及其拓扑结构的多币种面值识别方法 | |
CN105095829B (zh) | 一种人脸识别方法及系统 | |
CN105957059B (zh) | 电子元件漏件检测方法和系统 | |
CN108416336A (zh) | 一种智慧社区人脸识别的方法和系统 | |
CN104318225B (zh) | 车牌检测方法及装置 | |
CN107085883B (zh) | 一种纸币识别的方法和装置 | |
CN107067389A (zh) | 一种基于Sobel边缘检测与图像块亮度特征的图像篡改盲取证方法 | |
CN110765992B (zh) | 印章鉴别方法、介质、设备及装置 | |
CN104616392A (zh) | 一种基于局部二值模式的纸币鉴伪方法 | |
CN107180422A (zh) | 一种基于词袋特征的标贴破损检测方法 | |
Piekarczyk | Hierarchical random graph model for off-line handwritten signatures recognition | |
CN108009574A (zh) | 一种轨道扣件检测方法 | |
CN103886309A (zh) | 人像识别鉴别美元面额的方法 | |
CN109102507A (zh) | 螺钉螺纹检测方法以及装置 | |
Ghosh et al. | Counterfeit IC detection by image texture analysis | |
CN113435219B (zh) | 防伪检测方法、装置、电子设备及存储介质 | |
CN106934922A (zh) | 一种纸币检测方法及装置 | |
Lamsal et al. | Counterfeit paper banknote identification based on color and texture | |
CN108460899A (zh) | 一种图像特征识别方法和装置 | |
CN107533748B (zh) | 元件种类自动判别方法、元件种类自动判别系统、图像处理用元件数据生成方法及图像处理用元件数据生成系统 | |
CN109740601A (zh) | 一种压印类型识别方法及装置 | |
CN113379961B (zh) | 钞票及票证辅助鉴别方法、装置、设备和存储介质 | |
Dewaele et al. | Forensic authentication of banknotes on mobile phones | |
KR101730964B1 (ko) | 이진화 패턴을 이용한 동전 인식 방법 및 그 장치 | |
JP3358997B2 (ja) | 刻印マーク識別装置 |
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: 20180828 |
|
RJ01 | Rejection of invention patent application after publication |