CN108764206A - 目标图像识别方法和系统、计算机设备 - Google Patents
目标图像识别方法和系统、计算机设备 Download PDFInfo
- Publication number
- CN108764206A CN108764206A CN201810580972.0A CN201810580972A CN108764206A CN 108764206 A CN108764206 A CN 108764206A CN 201810580972 A CN201810580972 A CN 201810580972A CN 108764206 A CN108764206 A CN 108764206A
- Authority
- CN
- China
- Prior art keywords
- bunched
- image
- target image
- pixel
- reference picture
- 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
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/168—Feature extraction; Face representation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
- G06V40/16—Human faces, e.g. facial parts, sketches or expressions
- G06V40/172—Classification, e.g. identification
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Oral & Maxillofacial Surgery (AREA)
- General Health & Medical Sciences (AREA)
- Human Computer Interaction (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种目标图像识别方法和系统、计算机设备。上述目标图像识别方法包括：在目标图像和参考图像上识别边缘像素点，并分别统计目标图像和参考图像上的边缘像素点总数；将边缘像素点个数大于或等于像素点阈值的图像区间确定为集拢区间，边缘像素点个数小于像素点阈值的图像区间确定为非集拢区间；根据目标图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数，参考图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数计算目标图像和参考图像之间的相似参数；根据所述相似参数识别所述目标图像是否与参考图像一致；其简化了目标图像识别过程中的计算过程。
Description
技术领域
本发明涉及图像信号处理技术领域，特别是涉及一种目标图像识别方法和系统、计算机设备。
背景技术
近年来，图像识别技术得到迅速发展，如人脸图像识别技术可以采用快速人脸检测技术可以从监控视频图象中实时获取目标图像，将上述目标图像人脸数据库预存的参考图像进行比对实现快速身份识别，类似于人脸图像识别的目标图像识别是图像识别技术的重要组成部分。
传统的图像识别技术通常需要提取目标图像和图像库预存的参考图像中的全部特征信息，依据所提取的全部特征信息进行各类运算，以判断两个图像是否一致，然而上述目标图像识别的过程计算量大，容易对进行图像识别的机器造成较大负荷。
发明内容
基于此，有必要针对传统的目标图像识别方案计算量大，容易对进行图像识别的机器造成较大负荷的技术问题，提供一种目标图像识别方法和系统、计算机设备。
一种目标图像识别方法，包括：
在目标图像和参考图像上识别边缘像素点，并分别统计目标图像和参考图像上的边缘像素点总数；其中，所述边缘像素点为相应图像上的图像灰度信息突变点；
将边缘像素点个数大于或等于像素点阈值的图像区间确定为集拢区间，边缘像素点个数小于像素点阈值的图像区间确定为非集拢区间；其中，所述图像区间为目标图像和参考图像分别依据设定的划分规则进行划分所得到的；
根据目标图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数，参考图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数计算目标图像和参考图像之间的相似参数；其中，所述集拢像素点为集拢区间的边缘像素点，所述非集拢像素点为非集拢区间的边缘像素点；
根据所述相似参数识别所述目标图像是否与参考图像一致。
上述目标图像识别方法，通过在目标图像和参考图像上识别边缘像素点，分别统计目标图像和参考图像上的边缘像素点总数，并在上述目标图像和参考图像上分别确定为集拢区间和非集拢区间，以根据目标图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数，参考图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数计算目标图像和参考图像之间的相似参数，以此判断所述目标图像是否与参考图像一致，实现上述目标图像的识别，简化了目标图像识别过程中的计算过程，减小了相应机器在图像识别过程中承载的负荷，可以提高相应的识别效率。
在一个实施例中，所述根据目标图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数，参考图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数计算目标图像和参考图像之间的相似参数的过程包括：
将目标图像中的边缘像素点总数、各个集拢区间的集拢像素点个数分别代入比例计算公式计算目标图像中各个集拢区间的目标集拢比例；
将目标图像中的边缘像素点总数、各个非集拢区间的非集拢像素点个数分别代入比例计算公式计算目标图像中各个非集拢区间的目标非集拢比例；
将参考图像中的边缘像素点总数、各个集拢区间的集拢像素点个数分别代入比例计算公式计算参考图像中各个集拢区间的参考集拢比例；
将参考图像中的边缘像素点总数、各个非集拢区间的非集拢像素点个数分别代入比例计算公式计算参考图像中各个非集拢区间的参考非集拢比例；
将所述目标集拢比例、目标非集拢比例、参考集拢比例和参考非集拢比例分别代入相似参数识别公式计算目标图像和参考图像之间的相似参数。
本实施例可以对目标图像和参考图像中，各个图像区间的集拢像素点和非集拢像素点在相应图像的边缘像素点中所占比例进行准确计算。
作为一个实施例，所述相似参数识别公式为：
式中，D(Q,I)表示目标图像和参考图像之间的相似参数，αQi表示目标图像中第i个图像区间的目标集拢比例，αIi表示参考图像中第i个图像区间的参考集拢比例，βQi表示目标图像中第i个图像区间的目标非集拢比例，βIi表示参考图像中第i个图像区间的参考非集拢比例，N表示图像区间数，i表示图像区间序号。
作为一个实施例，所述比例计算公式为：
ai表示第i个图像区间的集拢比例或者非集拢比例，mi表示第i个图像区间的集拢像素点个数或非集拢像素点个数，M表示边缘像素点总数。
本实施例依据上述比例计算公式可以分别对目标集拢比例、目标非集拢比例、参考集拢比例和参考非集拢比例进行准确计算。
在一个实施例中，所述根据所述相似参数识别所述目标图像是否与参考图像一致的过程包括：
判断所述相似参数是否小于或等于设定阈值；
若是，则判定所述目标图像是与参考图像一致。
本实施例中若目标图像和参考图像之间的相似参数小于或等于设定阈值，便可以依据上述参考图像识别目标图像，具有较高的识别准确性。
在一个实施例中，所述在目标图像和参考图像上识别边缘像素点，并分别统计目标图像和参考图像上的边缘像素点总数的过程之前，还包括：
根据图像上的各个像素点构建像素描述函数；
根据所述像素描述函数和设定的变换尺度确定图像的尺度描述函数；
对所述尺度描述函数的偏导函数和设定周期函数进行卷积运算，确定卷积描述函数，根据所述卷积描述函数确定梯度幅值函数和角度描述函数；
根据角度描述函数搜索所述梯度幅值函数取到极大值的像素点，将搜索到的像素点确定为图像的边缘像素点。
作为一个实施例，所述像素描述函数包括：
所述尺度描述函数包括：
式中，(x,y)表示图像上的像素点，θ(x,y)表示像素描述函数，σ表示描述因子，S表示变换尺度，θS(x,y)表示尺度描述函数。
作为一个实施例，所述对所述尺度描述函数的偏导函数和设定周期函数进行卷积运算，确定卷积描述函数，根据所述卷积描述函数确定梯度幅值函数和角度描述函数的过程包括：
对尺度描述函数的第一偏导函数和设定周期函数进行卷积运算，确定第一卷积描述函数，对尺度描述函数的第二偏导函数和设定周期函数进行卷积运算，确定第二卷积描述函数；
根据所述第一卷积描述函数和第二卷积描述函数的模确定梯度幅值函数，根据所述第一卷积描述函数和第二卷积描述函数之间比值的反正切函数确定角度描述函数。
本实施例可以第一卷积描述函数、第二卷积描述函数进行准确确定，保证了所得到的梯度幅值函数和角度描述函数的准确性，从而保证了目标图像识别过程中的准确性。
一种目标图像识别系统，包括：
第一识别模块，用于在目标图像和参考图像上识别边缘像素点，并分别统计目标图像和参考图像上的边缘像素点总数；其中，所述边缘像素点为相应图像上的图像灰度信息突变点；
第一确定模块，用于将边缘像素点个数大于或等于像素点阈值的图像区间确定为集拢区间，边缘像素点个数小于像素点阈值的图像区间确定为非集拢区间；其中，所述图像区间为目标图像和参考图像分别依据设定的划分规则进行划分所得到的；
计算模块，用于根据目标图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数，参考图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数计算目标图像和参考图像之间的相似参数；其中，所述集拢像素点为集拢区间的边缘像素点，所述非集拢像素点为非集拢区间的边缘像素点；
第二识别模块，用于根据所述相似参数识别所述目标图像是否与参考图像一致。
上述目标图像识别系统，通过在目标图像和参考图像上识别边缘像素点，分别统计目标图像和参考图像上的边缘像素点总数，并在上述目标图像和参考图像上分别确定为集拢区间和非集拢区间，以根据目标图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数，参考图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数计算目标图像和参考图像之间的相似参数，以此判断所述目标图像是否与参考图像一致，实现上述目标图像的识别，简化了目标图像识别过程中的计算过程，减小了相应机器在图像识别过程中承载的负荷，可以提高相应的识别效率。
一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任一实施例提供的目标图像识别方法。
一种计算机存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现上述任一实施例提供的目标图像识别方法。
根据本发明的目标图像识别方法，本发明还提供一种计算机设备和计算机存储介质，用于通过程序实现上述目标图像识别方法。上述计算机存储介质和计算机设备能够简化目标图像识别过程中的计算过程，减小相应机器在图像识别过程中承载的负荷。
附图说明
图1为一个实施例的目标图像识别方法流程图；
图2为一个实施例的目标图像识别系统结构示意图；
图3为一个实施例的计算机系统模块图。
具体实施方式
为使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步的详细说明。应当理解，此处所描述的具体实施方式仅仅用以解释本发明，并不限定本发明的保护范围。
需要说明的是，本发明实施例所涉及的术语“第一\第二\第三”仅仅是区别类似的对象，不代表针对对象的特定排序，可以理解地，“第一\第二\第三”在允许的情况下可以互换特定的顺序或先后次序。应该理解“第一\第二\第三”区分的对象在适当情况下可以互换，以使这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。
本发明实施例的术语“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模块的过程、方法、系统、产品或设备没有限定于已列出的步骤或模块，而是可选地还包括没有列出的步骤或模块，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模块。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
在本文中提及的“多个”是指两个或两个以上。“和/或”，描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。
参考图1所示，图1为一个实施例的目标图像识别方法流程图，包括：
S10，在目标图像和参考图像上识别边缘像素点，并分别统计目标图像和参考图像上的边缘像素点总数；其中，所述边缘像素点为相应图像上的图像灰度信息突变点；
上述目标图像为可以为人脸图像等待识别的图像，其可以从相关视频监控系统的摄像或者视频流等信息中获取；上述参考图像可以为相应图像库中预存的图像，如人脸图像库中的人脸图像，其可以从上述图像库中读取。若上述目标图像为待识别的人脸图像，参考图像人脸图像库中的人脸图像，则依据上述目标图像识别方法可以进行相应的人脸识别。
上述边缘像素点为可以表征人脸图像等图像上图像灰度信息产生突变的像素点，即图像(目标图像和参考图像)上的图像灰度信息突变点。边缘像素点可以根据使相应图像对应的梯度幅值函数取到极大值的像素点确定。某个图像通常具有多个边缘像素点，上述步骤S10需要分别统计目标图像的边缘像素点总数，以及参考图像上边缘像素点总数。
S20，将边缘像素点个数大于或等于像素点阈值的图像区间确定为集拢区间，边缘像素点个数小于像素点阈值的图像区间确定为非集拢区间；其中，所述图像区间为目标图像和参考图像分别依据设定的划分规则进行划分所得到的；
上述步骤S20之前，可以分别将目标图像和参考图像按照相同的划分规则(设定的划分规则)划分为多个图像区间，比如，目标图像和参考图像均为包括360°的图像数据，可以以20°为单位，将上述目标图像和参考图像分别等分为18个图像区间，即0-20°区间为相应图像的第一图像区间，20°-40°区间为相应图像的第二图像区间，40°-60°区间为相应图像的第三图像区间，以此类推。
上述设定的划分规则可以依据相应的目标图像识别精度确定，通常可以以20°为单位，将相应图像等分为18个图像区间。上述像素点阈值可以依据划分规则和边缘像素点的识别规则等因素确定；具体地，可以将上述像素点阈值设置为7，此时，在目标图像和参考图像中，边缘像素点个数大于或等于7的图像区间为集拢区间，边缘像素点个数小于像素点阈值的图像区间为非集拢区间。
S30，根据目标图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数，参考图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数计算目标图像和参考图像之间的相似参数；其中，所述集拢像素点为集拢区间的边缘像素点，所述非集拢像素点为非集拢区间的边缘像素点；
上述步骤可以对目标图像中的边缘像素点总数，目标图像中各个图像区间的集拢像素点个数和非集拢像素点个数，参考图像中的边缘像素点总数，参考图像中各个图像区间的集拢像素点个数和非集拢像素点个数进行相关运算处理，以获取所需的相似参数。
S40，根据所述相似参数识别所述目标图像是否与参考图像一致。
上述相似参数可以描述目标图像与参考图像的相似程度；具体地，上述相似参数越小，表明目标图像与参考图像越相似。在具体的识别过程中，可以依据识别精度设置识别阈值，若相似参数小于或等于上述识别阈值，则可以判定目标图像与参考图像一致，若图像库中不存在与目标图像之间的相似参数小于识别阈值的图像，则可以依据与目标图像之间的相似参数最小的图像识别上述目标图像。
本实施例提供的目标图像识别方法，通过在目标图像和参考图像上识别边缘像素点，分别统计目标图像和参考图像上的边缘像素点总数，并在上述目标图像和参考图像上分别确定为集拢区间和非集拢区间，以根据目标图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数，参考图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数计算目标图像和参考图像之间的相似参数，以此判断所述目标图像是否与参考图像一致，实现上述目标图像的识别，简化了目标图像识别过程中的计算过程，减小了相应机器在图像识别过程中承载的负荷，可以提高相应的识别效率。
在一个实施例中，所述根据目标图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数，参考图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数计算目标图像和参考图像之间的相似参数的过程可以包括：
将目标图像中的边缘像素点总数、各个集拢区间的集拢像素点个数分别代入比例计算公式计算目标图像中各个集拢区间的目标集拢比例；
将目标图像中的边缘像素点总数、各个非集拢区间的非集拢像素点个数分别代入比例计算公式计算目标图像中各个非集拢区间的目标非集拢比例；
将参考图像中的边缘像素点总数、各个集拢区间的集拢像素点个数分别代入比例计算公式计算参考图像中各个集拢区间的参考集拢比例；
将参考图像中的边缘像素点总数、各个非集拢区间的非集拢像素点个数分别代入比例计算公式计算参考图像中各个非集拢区间的参考非集拢比例；
将所述目标集拢比例、目标非集拢比例、参考集拢比例和参考非集拢比例分别代入相似参数识别公式计算目标图像和参考图像之间的相似参数。
上述比例计算公式为可以计算相应图像区间中集拢像素点或者非集拢像素点所占相应图像的边缘像素点比例的公式。
本实施例可以对目标图像和参考图像中，各个图像区间的集拢像素点和非集拢像素点在相应图像的边缘像素点中所占比例进行计算；通常情况下，集拢区间上非集拢像素点的所占比例为0，非集拢区间上集拢像素点的所占比例为0。
作为一个实施例，所述相似参数识别公式为：
式中，D(Q,I)表示目标图像和参考图像之间的相似参数，αQi表示目标图像中第i个图像区间的目标集拢比例，αIi表示参考图像中第i个图像区间的参考集拢比例，βQi表示目标图像中第i个图像区间的目标非集拢比例，βIi表示参考图像中第i个图像区间的参考非集拢比例，N表示图像区间数，i表示图像区间序号。
某图像区间的集拢比例为该图像区间中集拢像素点在相应图像的边缘像素点中所占的比例，即该图像区间中集拢像素点个数与相应的边缘像素点总数之比，某图像区间的非集拢比例为该图像区间中非集拢像素点在相应图像的边缘像素点中所占的比例，即该图像区间中非集拢像素点个数与相应的边缘像素点总数之比。具体地，上述目标集拢比例为目标图像中集拢区间的集拢比例，目标非集拢比例为目标图像中非集拢区间的非集拢比例，参考集拢比例为参考图像中集拢区间的集拢比例，参考非集拢比例为参考图像中非集拢区间的非集拢比例。
本实施例可以对目标图像和参考图像之间的相似参数进行准确计算。
作为一个实施例，所述比例计算公式为：
ai表示第i个图像区间的集拢比例或者非集拢比例，mi表示第i个图像区间的集拢像素点个数或非集拢像素点个数，M表示边缘像素点总数。
在目标图像和参考图像中，集拢区间上的非集拢像素点个数为0，非集拢像素点所占比例为0，非集拢区间上的集拢像素点个数为0，集拢像素点所占比例为0。
本实施例依据上述比例计算公式可以分别对目标集拢比例、目标非集拢比例、参考集拢比例和参考非集拢比例进行准确计算。
在一个实施例中，所述根据所述相似参数识别所述目标图像是否与参考图像一致的过程包括：
判断所述相似参数是否小于或等于设定阈值；
若是，则判定所述目标图像是与参考图像一致。
上述设定阈值可以依据目标图像识别精度进行设置，也可以依据相关用户的认为经验设置。具体地，上述设定阈值的值越小，目标图像识别的精度越高。
本实施例中若目标图像和参考图像之间的相似参数小于或等于设定阈值，便可以依据上述参考图像识别目标图像，具有较高的识别准确性。
在一个实施例中，所述在目标图像和参考图像上识别边缘像素点，并分别统计目标图像和参考图像上的边缘像素点总数的过程之前，还包括：
根据图像上的各个像素点构建像素描述函数；
根据所述像素描述函数和设定的变换尺度确定图像的尺度描述函数；
对所述尺度描述函数的偏导函数和设定周期函数进行卷积运算，确定卷积描述函数，根据所述卷积描述函数确定梯度幅值函数和角度描述函数；
根据角度描述函数搜索所述梯度幅值函数取到极大值的像素点，将搜索到的像素点确定为图像的边缘像素点。
上述像素描述函数为描述相应图像上像素特征的函数，可以依据设定的变换尺度对上述像素函数进行变换得到图像的尺度描述函数。上述设定周期函数为图像上的像素点(x,y)所对应的周期函数。上述角度描述函数为表征梯度幅值函数与水平方向夹角的函数，可以对图像上任一像素点(x,y)，在梯度幅值方向(即角度描述函数所表征的夹角方向)上，搜索上述梯度幅值函数取到局部极大值的像素点，上述搜索到的点为图像灰度信息的突变点，即图像的边缘像素点。
作为一个实施例，所述像素描述函数包括：
所述尺度描述函数包括：
式中，(x,y)表示图像上的像素点，θ(x,y)表示像素描述函数，σ表示描述因子，S表示变换尺度，θS(x,y)表示尺度描述函数。
上述描述因子σ的取值范围可以为0.9-1.25，其取值对噪声消除和定位精度等方面具有影响，具体地，上述描述因子σ可以为1。变换尺度S的取值可以依据人脸图像等相关图像的识别经验确定，在针对目标图像的某个识别过程中，变换尺度S保持不变。
作为一个实施例，所述对所述尺度描述函数的偏导函数和设定周期函数进行卷积运算，确定卷积描述函数，根据所述卷积描述函数确定梯度幅值函数和角度描述函数的过程包括：
对尺度描述函数的第一偏导函数和设定周期函数进行卷积运算，确定第一卷积描述函数，对尺度描述函数的第二偏导函数和设定周期函数进行卷积运算，确定第二卷积描述函数；
根据所述第一卷积描述函数和第二卷积描述函数的模确定梯度幅值函数，根据所述第一卷积描述函数和第二卷积描述函数之间比值的反正切函数确定角度描述函数。
上述尺度描述函数θ(x,y)对x的偏导函数为第一偏导函数，尺度描述函数θ(x,y)对y的偏导函数为第二偏导函数，上述设定周期函数为图像上的像素点(x,y)所对应的周期函数，可以记为f(x,y)，其中f(x,y)∈L2，L表示实数；具体地，上述设定周期函数f(x,y)为非0且均值为0的连续周期函数，即存在一个矩为0的大整数M，使得∫tm·f(t)dt＝0，上式中，积分区间为负无穷到正无穷，t代表(x,y)，t为上式中的变量。
上述第一偏导函数为：
第二偏导函数为：
第一卷积描述函数为：
第二卷积描述函数为：
上述第一卷积描述函数和第二卷积描述函数的模，即梯度幅值函数Msf(x,y)为：
第一卷积描述函数和第二卷积描述函数之间比值的反正切函数，即角度描述函数Asf(x,y)为：
上述角度描述函数Asf(x,y)可以表征梯度幅值函数与水平方向夹角，当变换函数尺度S不变时，对于二维图像上任一像素点(x,y)，在梯度幅值方向Asf(x,y)上，搜索该点处的梯度幅值函数Msf(x,y)的局部极大值，则该点为图像灰度信息的突变点，即图像的边缘像素点。
作为一个实施例，可以对梯度幅值函数Msf(x,y)进行归一化处理得到M'Sf(x,y)，其中再根据角度描述函数搜索归一化处理后的梯度幅值函数，即M'Sf(x,y)取到极大值的像素点，将搜索到的像素点确定为图像的边缘像素点；对上述Msf(x,y)归一化处理可以使得极大值的寻优过程明显会变得平缓，更容易正确的收敛到最优解，由于尺度变换前后边缘方向是成比例变换的，采用归一化能够使整个目标图像识别过程具有尺度不变性。
本实施例可以第一卷积描述函数、第二卷积描述函数进行准确确定，保证了所得到的梯度幅值函数和角度描述函数的准确性，从而保证了目标图像识别过程中的准确性。
参考图2，图2所示为一个实施例的目标图像识别系统结构示意图，包括：
第一识别模块10，用于在目标图像和参考图像上识别边缘像素点，并分别统计目标图像和参考图像上的边缘像素点总数；其中，所述边缘像素点为相应图像上的图像灰度信息突变点；
第一确定模块20，用于将边缘像素点个数大于或等于像素点阈值的图像区间确定为集拢区间，边缘像素点个数小于像素点阈值的图像区间确定为非集拢区间；其中，所述图像区间为目标图像和参考图像分别依据设定的划分规则进行划分所得到的；
计算模块30，用于根据目标图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数，参考图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数计算目标图像和参考图像之间的相似参数；其中，所述集拢像素点为集拢区间的边缘像素点，所述非集拢像素点为非集拢区间的边缘像素点；
第二识别模块40，用于根据所述相似参数识别所述目标图像是否与参考图像一致。
在一个实施例中，上述计算模块进一步用于：
将目标图像中的边缘像素点总数、各个集拢区间的集拢像素点个数分别代入比例计算公式计算目标图像中各个集拢区间的目标集拢比例；
将目标图像中的边缘像素点总数、各个非集拢区间的非集拢像素点个数分别代入比例计算公式计算目标图像中各个非集拢区间的目标非集拢比例；
将参考图像中的边缘像素点总数、各个集拢区间的集拢像素点个数分别代入比例计算公式计算参考图像中各个集拢区间的参考集拢比例；
将参考图像中的边缘像素点总数、各个非集拢区间的非集拢像素点个数分别代入比例计算公式计算参考图像中各个非集拢区间的参考非集拢比例；
将所述目标集拢比例、目标非集拢比例、参考集拢比例和参考非集拢比例分别代入相似参数识别公式计算目标图像和参考图像之间的相似参数。
作为一个实施例，所述相似参数识别公式为：
式中，D(Q,I)表示目标图像和参考图像之间的相似参数，αQi表示目标图像中第i个图像区间的目标集拢比例，αIi表示参考图像中第i个图像区间的参考集拢比例，βQi表示目标图像中第i个图像区间的目标非集拢比例，βIi表示参考图像中第i个图像区间的参考非集拢比例，N表示图像区间数，i表示图像区间序号。
作为一个实施例，所述比例计算公式为：
ai表示第i个图像区间的集拢比例或者非集拢比例，mi表示第i个图像区间的集拢像素点个数或非集拢像素点个数，M表示边缘像素点总数。
在一个实施例中，所述第二识别模块进一步用于：
判断所述相似参数是否小于或等于设定阈值；
若是，则判定所述目标图像是与参考图像一致。
在一个实施例中，上述目标图像识别系统还包括：
构建模块，用于根据图像上的各个像素点构建像素描述函数；
第二确定模块，用于根据所述像素描述函数和设定的变换尺度确定图像的尺度描述函数；
第三确定模块，用于对所述尺度描述函数的偏导函数和设定周期函数进行卷积运算，确定卷积描述函数，根据所述卷积描述函数确定梯度幅值函数和角度描述函数；
第四确定模块，用于根据角度描述函数搜索所述梯度幅值函数取到极大值的像素点，将搜索到的像素点确定为图像的边缘像素点。
作为一个实施例，所述像素描述函数包括：
所述尺度描述函数包括：
式中，(x,y)表示图像上的像素点，θ(x,y)表示像素描述函数，σ表示描述因子，S表示变换尺度，θS(x,y)表示尺度描述函数。
作为一个实施例，所述第三确定模块进一步用于：
对尺度描述函数的第一偏导函数和设定周期函数进行卷积运算，确定第一卷积描述函数，对尺度描述函数的第二偏导函数和设定周期函数进行卷积运算，确定第二卷积描述函数；
根据所述第一卷积描述函数和第二卷积描述函数的模确定梯度幅值函数，根据所述第一卷积描述函数和第二卷积描述函数之间比值的反正切函数确定角度描述函数。
图3为能实现本发明实施例的一个计算机系统1000的模块图。该计算机系统1000只是一个适用于本发明的计算机环境的示例，不能认为是提出了对本发明的使用范围的任何限制。计算机系统1000也不能解释为需要依赖于或具有图示的示例性的计算机系统1000中的一个或多个部件的组合。
图3中示出的计算机系统1000是一个适合用于本发明的计算机系统的例子。具有不同子系统配置的其它架构也可以使用。例如有大众所熟知的台式计算机、笔记本等类似设备可以适用于本发明的一些实施例。但不限于以上所列举的设备。
如图3所示，计算机系统1000包括处理器1010、存储器1020和系统总线1022。包括存储器1020和处理器1010在内的各种系统组件连接到系统总线1022上。处理器1010是一个用来通过计算机系统中基本的算术和逻辑运算来执行计算机程序指令的硬件。存储器1020是一个用于临时或永久性存储计算程序或数据(例如，程序状态信息)的物理设备。系统总线1020可以为以下几种类型的总线结构中的任意一种，包括存储器总线或存储控制器、外设总线和局部总线。处理器1010和存储器1020可以通过系统总线1022进行数据通信。其中存储器1020包括只读存储器(ROM)或闪存(图中都未示出)，以及随机存取存储器(RAM)，RAM通常是指加载了操作系统和应用程序的主存储器。
计算机系统1000还包括显示接口1030(例如，图形处理单元)、显示设备1040(例如，液晶显示器)、音频接口1050(例如，声卡)以及音频设备1060(例如，扬声器)。显示设备1040可以用于相关图像或者识别结果的显示。
计算机系统1000一般包括一个存储设备1070。存储设备1070可以从多种计算机可读介质中选择，计算机可读介质是指可以通过计算机系统1000访问的任何可利用的介质，包括移动的和固定的两种介质。例如，计算机可读介质包括但不限于，闪速存储器(微型SD卡)，CD-ROM，数字通用光盘(DVD)或其它光盘存储、磁带盒、磁带、磁盘存储或其它磁存储设备，或者可用于存储所需信息并可由计算机系统1000访问的任何其它介质。
计算机系统1000还包括输入装置1080和输入接口1090(例如，IO控制器)。用户可以通过输入装置1080，如键盘、鼠标、显示装置1040上的触摸面板设备，输入指令和信息到计算机系统1000中。输入装置1080通常是通过输入接口1090连接到系统总线1022上的，但也可以通过其它接口或总线结构相连接，如通用串行总线(USB)。
计算机系统1000可在网络环境中与一个或者多个网络设备进行逻辑连接。网络设备可以是个人电脑、服务器、路由器、平板电脑或者其它公共网络节点。计算机系统1000通过局域网(LAN)接口1100或者移动通信单元1110与网络设备相连接。局域网(LAN)是指在有限区域内，例如家庭、学校、计算机实验室、或者使用网络媒体的办公楼，互联组成的计算机网络。WiFi和双绞线布线以太网是最常用的构建局域网的两种技术。WiFi是一种能使计算机系统1000间交换数据或通过无线电波连接到无线网络的技术。移动通信单元1110能在一个广阔的地理区域内移动的同时通过无线电通信线路接听和拨打电话。除了通话以外，移动通信单元1110也支持在提供移动数据服务的2G，3G或4G蜂窝通信系统中进行互联网访问。
应当指出的是，其它包括比计算机系统1000更多或更少的子系统的计算机系统也能适用于发明。如上面详细描述的，适用于本发明的计算机系统1000能执行目标图像识别方法的指定操作。计算机系统1000通过处理器1010运行在计算机可读介质中的软件指令的形式来执行这些操作。这些软件指令可以从存储设备1070或者通过局域网接口1100从另一设备读入到存储器1020中。存储在存储器1020中的软件指令使得处理器1010执行上述的目标图像识别方法。此外，通过硬件电路或者硬件电路结合软件指令也能同样实现本发明。因此，实现本发明并不限于任何特定硬件电路和软件的组合。
本发明的目标图像识别系统与本发明的目标图像识别方法一一对应，在上述目标图像识别方法的实施例阐述的技术特征及其有益效果均适用于目标图像识别系统的实施例中。
基于如上所述的示例，在一个实施例中还提供一种计算机设备，该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其中，处理器执行所述程序时实现如上述各实施例中的任意一种目标图像识别方法。
上述计算机设备，通过所述处理器上运行的计算机程序，减小了目标图像识别过程中的计算量，可以提高相应的识别效率。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一非易失性的计算机可读取存储介质中，如本发明实施例中，该程序可存储于计算机系统的存储介质中，并被该计算机系统中的至少一个处理器执行，以实现包括如上述目标图像识别方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(Read-Only Memory，ROM)或随机存储记忆体(Random Access Memory，RAM)等。
据此，在一个实施例中还提供一种计算机存储介质，其上存储有计算机程序，其中，该程序被处理器执行时实现如上述各实施例中的任意一种目标图像识别方法。
上述计算机存储介质，通过其存储的计算机程序，能够简化目标图像识别过程中的计算过程，减小相应机器在目标图像识别过程中所承载的负荷。
以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种目标图像识别方法，其特征在于，包括：
在目标图像和参考图像上识别边缘像素点，并分别统计目标图像和参考图像上的边缘像素点总数；其中，所述边缘像素点为相应图像上的图像灰度信息突变点；
将边缘像素点个数大于或等于像素点阈值的图像区间确定为集拢区间，边缘像素点个数小于像素点阈值的图像区间确定为非集拢区间；其中，所述图像区间为目标图像和参考图像分别依据设定的划分规则进行划分所得到的；
根据目标图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数，参考图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数计算目标图像和参考图像之间的相似参数；其中，所述集拢像素点为集拢区间的边缘像素点，所述非集拢像素点为非集拢区间的边缘像素点；
根据所述相似参数识别所述目标图像是否与参考图像一致。
2.根据权利要求1所述的目标图像识别方法，其特征在于，所述根据目标图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数，参考图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数计算目标图像和参考图像之间的相似参数的过程包括：
将目标图像中的边缘像素点总数、各个集拢区间的集拢像素点个数分别代入比例计算公式计算目标图像中各个集拢区间的目标集拢比例；
将目标图像中的边缘像素点总数、各个非集拢区间的非集拢像素点个数分别代入比例计算公式计算目标图像中各个非集拢区间的目标非集拢比例；
将参考图像中的边缘像素点总数、各个集拢区间的集拢像素点个数分别代入比例计算公式计算参考图像中各个集拢区间的参考集拢比例；
将参考图像中的边缘像素点总数、各个非集拢区间的非集拢像素点个数分别代入比例计算公式计算参考图像中各个非集拢区间的参考非集拢比例；
将所述目标集拢比例、目标非集拢比例、参考集拢比例和参考非集拢比例分别代入相似参数识别公式计算目标图像和参考图像之间的相似参数。
3.根据权利要求2所述的目标图像识别方法，其特征在于，所述相似参数识别公式为：
式中，D(Q,I)表示目标图像和参考图像之间的相似参数，αQi表示目标图像中第i个图像区间的目标集拢比例，αIi表示参考图像中第i个图像区间的参考集拢比例，βQi表示目标图像中第i个图像区间的目标非集拢比例，βIi表示参考图像中第i个图像区间的参考非集拢比例，N表示图像区间数，i表示图像区间序号。
4.根据权利要求2所述的目标图像识别方法，其特征在于，所述比例计算公式为：
ai表示第i个图像区间的集拢比例或者非集拢比例，mi表示第i个图像区间的集拢像素点个数或非集拢像素点个数，M表示边缘像素点总数。
5.根据权利要求1至4任一项所述的目标图像识别方法，其特征在于，所述根据所述相似参数识别所述目标图像是否与参考图像一致的过程包括：
判断所述相似参数是否小于或等于设定阈值；
若是，则判定所述目标图像是与参考图像一致。
6.根据权利要求1至4任一项所述的目标图像识别方法，其特征在于，所述在目标图像和参考图像上识别边缘像素点，并分别统计目标图像和参考图像上的边缘像素点总数的过程之前，还包括：
根据图像上的各个像素点构建像素描述函数；
根据所述像素描述函数和设定的变换尺度确定图像的尺度描述函数；
对所述尺度描述函数的偏导函数和设定周期函数进行卷积运算，确定卷积描述函数，根据所述卷积描述函数确定梯度幅值函数和角度描述函数；
根据角度描述函数搜索所述梯度幅值函数取到极大值的像素点，将搜索到的像素点确定为图像的边缘像素点。
7.根据权利要求6所述的目标图像识别方法，其特征在于，所述像素描述函数包括：
所述尺度描述函数包括：
式中，(x,y)表示图像上的像素点，θ(x,y)表示像素描述函数，σ表示描述因子，S表示变换尺度，θS(x,y)表示尺度描述函数。
8.根据权利要求6所述的目标图像识别方法，其特征在于，所述对所述尺度描述函数的偏导函数和设定周期函数进行卷积运算，确定卷积描述函数，根据所述卷积描述函数确定梯度幅值函数和角度描述函数的过程包括：
对尺度描述函数的第一偏导函数和设定周期函数进行卷积运算，确定第一卷积描述函数，对尺度描述函数的第二偏导函数和设定周期函数进行卷积运算，确定第二卷积描述函数；
根据所述第一卷积描述函数和第二卷积描述函数的模确定梯度幅值函数，根据所述第一卷积描述函数和第二卷积描述函数之间比值的反正切函数确定角度描述函数。
9.一种目标图像识别系统，其特征在于，包括：
第一识别模块，用于在目标图像和参考图像上识别边缘像素点，并分别统计目标图像和参考图像上的边缘像素点总数；其中，所述边缘像素点为相应图像上的图像灰度信息突变点；
第一确定模块，用于将边缘像素点个数大于或等于像素点阈值的图像区间确定为集拢区间，边缘像素点个数小于像素点阈值的图像区间确定为非集拢区间；其中，所述图像区间为目标图像和参考图像分别依据设定的划分规则进行划分所得到的；
计算模块，用于根据目标图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数，参考图像中的边缘像素点总数、各个图像区间的集拢像素点个数和非集拢像素点个数计算目标图像和参考图像之间的相似参数；其中，所述集拢像素点为集拢区间的边缘像素点，所述非集拢像素点为非集拢区间的边缘像素点；
第二识别模块，用于根据所述相似参数识别所述目标图像是否与参考图像一致。
10.一种计算机设备，包括存储器、处理器以及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至8任意一项所述的目标图像识别方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810580972.0A CN108764206B (zh) | 2018-06-07 | 2018-06-07 | 目标图像识别方法和系统、计算机设备 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810580972.0A CN108764206B (zh) | 2018-06-07 | 2018-06-07 | 目标图像识别方法和系统、计算机设备 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108764206A true CN108764206A (zh) | 2018-11-06 |
| CN108764206B CN108764206B (zh) | 2020-07-28 |
Family
ID=64000442
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810580972.0A Active CN108764206B (zh) | 2018-06-07 | 2018-06-07 | 目标图像识别方法和系统、计算机设备 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108764206B (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443316A (zh) * | 2019-08-07 | 2019-11-12 | 上海金智晟东电力科技有限公司 | 故障指示器的翻牌识别方法、装置与配电网故障监测系统 |
| CN111833327A (zh) * | 2020-07-14 | 2020-10-27 | 中国建筑第二工程局有限公司 | 一种基于图像识别的砂石检测方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101008981A (zh) * | 2007-01-26 | 2007-08-01 | 浙江大学 | 人脸图像合成中虚影的自动消除方法 |
| CN102129562A (zh) * | 2010-01-15 | 2011-07-20 | 富士通株式会社 | 图标识别方法和装置 |
| CN103544495A (zh) * | 2012-07-12 | 2014-01-29 | 浙江大华技术股份有限公司 | 一种识别图像类别的方法及系统 |
| CN103605979A (zh) * | 2013-12-03 | 2014-02-26 | 苏州大学张家港工业技术研究院 | 一种基于形状片段的物体识别方法及系统 |
| US20140210951A1 (en) * | 2013-01-25 | 2014-07-31 | Electronics And Telecommunications Research Institute | Apparatus and method for reconstructing three-dimensional information |
-
2018
- 2018-06-07 CN CN201810580972.0A patent/CN108764206B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101008981A (zh) * | 2007-01-26 | 2007-08-01 | 浙江大学 | 人脸图像合成中虚影的自动消除方法 |
| CN102129562A (zh) * | 2010-01-15 | 2011-07-20 | 富士通株式会社 | 图标识别方法和装置 |
| CN103544495A (zh) * | 2012-07-12 | 2014-01-29 | 浙江大华技术股份有限公司 | 一种识别图像类别的方法及系统 |
| US20140210951A1 (en) * | 2013-01-25 | 2014-07-31 | Electronics And Telecommunications Research Institute | Apparatus and method for reconstructing three-dimensional information |
| CN103605979A (zh) * | 2013-12-03 | 2014-02-26 | 苏州大学张家港工业技术研究院 | 一种基于形状片段的物体识别方法及系统 |
Non-Patent Citations (4)
| Title |
|---|
| QINRAN CHEN ET AL.: "Extracting eyebrowcontour and chin contour for face recognition", 《PATTERN RECOGNITION》 * |
| YONGSHENG GAO ET AL.: "Face Recognition Using Line Edge Map", 《IEEE TRANSACTIONS ON PATTERN ANALYSIS AND MACHINE INTELLIGENCE》 * |
| 白丽等: "基于皮肤纹理特征的高分辨率人脸图像识别", 《计算机工程》 * |
| 秦雪等: "基于图像边缘检测的图像识别算法", 《长春理工大学学报（自然科学版）》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110443316A (zh) * | 2019-08-07 | 2019-11-12 | 上海金智晟东电力科技有限公司 | 故障指示器的翻牌识别方法、装置与配电网故障监测系统 |
| CN111833327A (zh) * | 2020-07-14 | 2020-10-27 | 中国建筑第二工程局有限公司 | 一种基于图像识别的砂石检测方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108764206B (zh) | 2020-07-28 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20160358042A1 (en) | Electronic Travel Album Generating Method and Computing Device | |
| WO2017045443A1 (zh) | 一种图像检索方法及系统 | |
| CN103455396B (zh) | 电子设备硬件性能的测试方法及装置 | |
| CN106940702A (zh) | 连接短文本中实体提及与语义知识库中实体的方法和设备 | |
| CN110096929A (zh) | 基于神经网络的目标检测 | |
| CN104866770B (zh) | 敏感数据扫描方法和系统 | |
| CN104811424A (zh) | 恶意用户识别方法及装置 | |
| CN109767447A (zh) | 一种模板匹配方法、装置、设备及介质 | |
| CN111611390B (zh) | 一种数据处理方法及装置 | |
| CN108764206A (zh) | 目标图像识别方法和系统、计算机设备 | |
| US8218054B2 (en) | Image display system, image display apparatus, image providing apparatus and method thereof | |
| CN107357657B (zh) | 一种用于提供应用中的目标子app频道的方法与设备 | |
| CN110069997A (zh) | 场景分类方法、装置及电子设备 | |
| CN112596725A (zh) | 编程作品的评分方法、评分装置、终端设备及存储介质 | |
| CN108537149A (zh) | 图像处理方法、装置、存储介质及电子设备 | |
| CN111382643A (zh) | 一种手势检测方法、装置、设备及存储介质 | |
| TWI777319B (zh) | 幹細胞密度確定方法、裝置、電腦裝置及儲存介質 | |
| CN109241862A (zh) | 目标区域确定方法和系统、计算机设备、计算机存储介质 | |
| US8013866B2 (en) | Image display system, image display apparatus, image providing apparatus and method thereof | |
| CN111599417B (zh) | 溶解度预测模型的训练数据获取方法及装置 | |
| CN117194721B (zh) | 生成图数据的方法、装置及计算机设备 | |
| CN110750569A (zh) | 数据提取方法、装置、设备及存储介质 | |
| CN108229702A (zh) | 一种湿制程设备零件维修方法、装置及计算机存储介质 | |
| CN109408475B (zh) | 重复数据删除过程中的数据处理方法和系统 | |
| CN116579960B (zh) | 一种地理空间数据融合方法 |
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 |