CN109241985A - 一种图像识别方法及装置 - Google Patents

一种图像识别方法及装置 Download PDF

Info

Publication number
CN109241985A
CN109241985A CN201710562944.1A CN201710562944A CN109241985A CN 109241985 A CN109241985 A CN 109241985A CN 201710562944 A CN201710562944 A CN 201710562944A CN 109241985 A CN109241985 A CN 109241985A
Authority
CN
China
Prior art keywords
subgraph
feature vector
gray
matching template
target
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
CN201710562944.1A
Other languages
English (en)
Other versions
CN109241985B (zh
Inventor
赵琦
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.)
Putian Information Technology Co Ltd
Original Assignee
Putian Information Technology Co Ltd
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 Putian Information Technology Co Ltd filed Critical Putian Information Technology Co Ltd
Priority to CN201710562944.1A priority Critical patent/CN109241985B/zh
Publication of CN109241985A publication Critical patent/CN109241985A/zh
Application granted granted Critical
Publication of CN109241985B publication Critical patent/CN109241985B/zh
Expired - Fee Related 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis

Landscapes

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

Abstract

本发明实施例提供一种图像识别方法及装置。所述方法包括：获取待识别图像，根据预设尺寸将待识别图像划分为多个子图像，获取每一个子图像对应的第一灰度特征向量；获取匹配模板对应的第二灰度特征向量，根据第一灰度特征向量和第二灰度特征向量计算子图像与匹配模板的相似度；选择相似度大于预设阈值的子图像作为目标子图像，根据目标子图像利用分类模型对目标子图像进行识别。所述装置用于执行所述方法。本发明实施例通过根据第一灰度特征向量和第二灰度特征向量计算子图像与匹配模板的相似度，并筛选出相似度大于预设阈值的作为目标子图像，再将目标子图像输入到分类模型中进行识别，从而减少了识别时间，提高了对待识别图像进行识别的效率。

Description

一种图像识别方法及装置
技术领域
本发明实施例涉及图像处理技术领域，尤其涉及一种图像识别方法及装置。
背景技术
随着经济社会的全面发展，出于安全考虑，重点区域如居民小区的安全监控已全面开展。重点区域安装摄像头进行安全监控是目前最有效的安全措施。通过摄像头对行人进行图像采集，及时察觉一些危险情况并对此产生预警和实时发出异常信号，不仅可以降低人力等的监控成本，而且更能提高监控的准确性和实时性，从而提高重点区域的安全状况。
以居民小区为例，就目前而言，小区监控广泛使用720P、1080P两种分辨率的高清摄像机。分辨率越高的图像意味着更加庞大的像素数据，这将带来检测速度下降的问题。在用计算机进行目标检测时，准确率与速度一直是检测的重点也是难点，在离线场合可以牺牲一定的检测速度来保证检测的准确率，但是在小区监控需要做到实时的数据处理，检测速度也是保证检测准确的一个重要因素。
方向梯度直方图(HOG)特征是一种在计算机视觉和图像处理中用来进行物体检测的特征描述子。它通过计算和统计图像局部区域的梯度方向直方图来构成特征。HOG特征结合SVM分类器已经被广泛应用于图像识别中，尤其在行人检测中获得了极大的成功。
在实际应用中待检测目标往往出现在图片中的任意位置，在检测过程中为了不遗漏任何区域，需要对整幅图片进行遍历，HOG特征采用滑动窗口检测法用穷举的方式进行目标检测，它以固定大小的扫描框自左向右、自上而下的遍历图片，每一个扫描框都是一个待检测子图像，然而在一幅图片中待检测目标的窗口数量远远小于背景窗口的数量，该算法在数以万计的背景窗口的特征提取中耗费了太多的时间，尤其在当前小区监控普遍采用高分辨率、高速相机时，对待检测图像的识别效率非常低，无法满足当前状态下的小区行人实时检测。
发明内容
针对现有技术存在的问题，本发明实施例提供一种图像识别方法及装置。
第一方面，本发明实施例提供一种图像识别方法，包括：
获取待识别图像，根据预设尺寸将所述待识别图像划分为多个子图像，获取每一个所述子图像对应的第一灰度特征向量；
获取匹配模板对应的第二灰度特征向量，根据所述第一灰度特征向量和所述第二灰度特征向量计算所述子图像与所述匹配模板的相似度，所述匹配模板的尺寸与所述子图像的尺寸相同；
选择所述相似度大于预设阈值的所述子图像作为目标子图像，根据所述目标子图像利用分类模型对所述目标子图像进行识别。
第二方面，本发明实施例提供一种图像识别装置，包括：
获取模块，用于获取待识别图像，根据预设尺寸将所述待识别图像划分为多个子图像，获取每一个所述子图像对应的第一灰度特征向量；
计算模块，用于获取匹配模板对应的第二灰度特征向量，根据所述第一灰度特征向量和所述第二灰度特征向量计算所述子图像与所述匹配模板的相似度，所述匹配模板的尺寸与所述子图像的尺寸相同；
识别模块，用于选择所述相似度大于预设阈值的所述子图像作为目标子图像，根据所述目标子图像利用分类模型对所述目标子图像进行识别。
第三方面，本发明实施例提供一种电子设备，包括：处理器、存储器和总线，其中，
所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行第一方面的方法步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，包括：
所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行第一方面的方法步骤。
本发明实施例提供的一种图像识别方法及装置，通过根据第一灰度特征向量和第二灰度特征向量计算子图像与匹配模板的相似度，并筛选出相似度大于预设阈值的作为目标子图像，再将目标子图像输入到分类模型中进行识别，从而减少了识别时间，提高了对待识别图像进行识别的效率。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图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他的附图。
图1为本发明实施例提供的一种图像识别方法流程示意图；
图2为本发明另一实施例提供的一种图像识别方法流程示意图；
图3为本发明实施例利用相似度筛选目标子图像的方法流程示意图；
图4为本发明实施例提供的一种图像识别装置结构示意图；
图5为本发明实施例提供的电子设备实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，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作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
图1为本发明实施例提供的一种图像识别方法流程示意图，如图1所示，所述方法，包括：
步骤101：获取待识别图像，根据预设尺寸将所述待识别图像划分为多个子图像，获取每一个所述子图像对应的第一灰度特征向量；
具体的，识别装置获取待识别图像，其中获取到的待识别图像可以是通过监控摄像头采集到的图像，也可以是其他图像采集装置采集到的图像，将获取到的待识别图像根据预设尺寸进行划分，得到划分后的多个子图像，其中具体划分方式可以为：首先设置一个预设尺寸的滑动窗口，滑动窗口在待识别图像上自左向右、自上而下遍历，每一个滑动窗口都是一个子窗口。获取每一个子窗口对应的子图像的第一灰度特征向量，可以理解的是，一个待识别图像可以划分成多个子图像，每个子图像都对应一个第一灰度特征向量，因此可以得到多个第一灰度特征向量。
步骤102：获取匹配模板对应的第二灰度特征向量，根据所述第一灰度特征向量和所述第二灰度特征向量计算所述子图像与所述匹配模板的相似度，所述匹配模板的尺寸与所述子图像的尺寸相同；
具体的，获取一个匹配模板，该匹配模板的尺寸与子图像尺寸相同，应当说明的是，匹配模板和子图像的尺寸是指像素大小，根据匹配模板获取对应的第二灰度特征向量，通过第一灰度特征向量和第二灰度特征向量的计算可以得出子图像与匹配模板之间的相似度。应当说明的是，匹配模板的选择根据要识别的目标而定，例如，要识别子图像中是否有行人，那么，行人就是要识别的目标，匹配模板中也应包含有行人。
步骤103：选择所述相似度大于预设阈值的所述子图像作为目标子图像，根据所述目标子图像利用分类模型对所述目标子图像进行识别。
具体的，通过第一灰度特征向量和第二灰度特征向量计算得到的相似度值越大，表明子图像与匹配模板越相似，将相似度大于预设阈值的子图像筛选出来作为目标子图像，并利用预先创建好的分类模型对目标子图像进行识别，将目标子图像相应的参数作为输入，输入到分类模型中，分类模型根据输入的参数进行内部计算，最终可以得出目标子图像中是否包含目标或者包括目标的概率。
本发明实施例通过根据第一灰度特征向量和第二灰度特征向量计算子图像与匹配模板的相似度，并筛选出相似度大于预设阈值的作为目标子图像，再将目标子图像输入到分类模型中进行识别，从而减少了识别时间，提高了对待识别图像进行识别的效率。
在上述实施例的基础上，所述根据预设尺寸将所述待识别图像划分为多个子图像，包括：
对所述待识别图像进行灰度变换，并将灰度变换后的所述待识别图像根据预设尺寸划分为多个所述子图像。
具体的，由于需要获得子图像的第一灰度特征向量，因此，在获取到待识别图像后，如果待识别图像不是灰度图像，则需要将待识别图像进行灰度变换，将其转换成灰度图像，转换成灰度图像后，根据预设尺寸对灰度变换后的待识别图像进行划分，从而可以将待识别图像划分为多个子图像。应当说明的是，预设尺寸是指像素大小，且具体数值可以根据实际情况进行调整，本发明实施例对此不做具体限定。
本发明实施例通过将待识别图像进行灰度变换，获得变换后的待识别图像，以便接下来获得子图像的第一灰度特征向量，并通过第一灰度特征向量和匹配模板的第二灰度特征向量计算子图像和匹配模板之间的相似度，从而先进行初步筛选，提高了识别效率。
在上述实施例的基础上，所述获取每一个所述子图像对应的第一灰度特征向量，包括：
将256个灰度值按照预设个数进行划分，获得多个灰度等级；
将所述子图像对应的每个灰度等级中的灰度值的次数进行求和运算，获得每个所述灰度等级对应的第一因子；
所有所述灰度等级的第一因子构成所述第一灰度特征向量。
具体的，每一个子图像都对应一个灰度直方图，在灰度直方图中，横坐标表示灰度值，纵坐标表示子图像中该灰度值出现的个数(频率)，一个子图像包括256个灰度值，即[0,255]，直接用这样庞大的向量做特征，处理起来非常耗时，因此可以将256个灰度值按照预设个数进行划分，从而可以得到多个灰度等级。获取每一个灰度等级对应的灰度值的次数，并将灰度值的次数进行求和运算，获得每一个灰度等级对应的第一因子，多个灰度等级对应的第一因子构成了第一灰度特征向量。例如：将256个灰度值中每8个灰度值作为一组进行划分，可以得到32个灰度等级。获取子图像中对应的每个灰度等级中的灰度值的次数，将灰度值的次数进行求和运算，其中灰度值的次数是指在该灰度等级中的各个灰度值出现的次数，每个灰度等级都能够得到一个求和之后的数值，这个数据称为第一因子，将每个等级对应的第一因子组合构成第一灰度特征向量。
本发明实施例将256个灰度值按照预设个数进行划分，得到多个灰度等级，进而得到子图像的第一灰度特征向量，降低了计算量，提高了在整个识别过程中的效率。
在上述实施例的基础上，所述获取匹配模板对应的第二灰度特征向量，包括：
获取带有目标的灰度图像作为所述匹配模板；
将256个灰度值按照预设个数进行划分，获得多个灰度等级；
将所述匹配模板对应的每个灰度等级中的灰度值的次数进行求和运算，获得每个所述灰度等级对应的第二因子；
所有所述灰度等级的第二因子构成所述第二灰度特征向量。
具体的，在进行识别之前，需要预先获取一个带有目标的匹配模板，且该匹配模板是灰度图像或者经过灰度变换之后的图像，另外，该匹配模板的尺寸需要与子图像尺寸相同，这里的尺寸是指像素大小。一个匹配模板包括256个灰度值，即[0,255]，直接用这样庞大的向量做特征，处理起来非常耗时，因此可以将256个灰度值按照预设个数进行划分，从而可以得到多个灰度等级。获取每一个灰度等级对应的灰度值的次数，并将灰度值的次数进行求和运算，获得每一个灰度等级对应的第二因子，多个灰度等级对应的第二因子构成了第二灰度特征向量。
本发明实施例通过根据第一灰度特征向量和第二灰度特征向量计算子图像与匹配模板的相似度，并筛选出相似度大于预设阈值的作为目标子图像，再将目标子图像输入到分类模型中进行识别，从而减少了识别时间，提高了对待识别图像进行识别的效率。
在上述实施例的基础上，所述根据所述第一灰度特征向量和所述第二灰度特征向量计算所述子图像与所述匹配模板的相似度，包括：
计算所述第一灰度特征向量与所述第二灰度特征向量的向量夹角，并计算所述向量夹角的余弦值，所述余弦值为所述子图像与所述匹配模板的相似度。
具体的，计算子图像对应的第一灰度特征向量和匹配模板对应的第二灰度特征向量的向量夹角，并计算该向量夹角的余弦值，该余弦值就是子图像和匹配模板的相似度，其中计算出的余弦值的取值范围为[-1,1]，取值越趋向于1表示相似度越高，相似度高的子图像作为目标子图像，将目标子图像进行再一次识别处理，相似度低的子图像作为背景子图像，将背景子图像剔除处理。其中，向量夹角的计算方式为第一灰度特征向量与第二灰度特征向量之积除以第一灰度特征向量的模与第二灰度特征向量的模之积。即，向量夹角＝(第一灰度特征向量*第二灰度特征向量)/(|第一灰度特征向量|*|第二灰度特征向量|)。
本发明实施例通过计算第一灰度特征向量和第二灰度特征向量的向量夹角，并求得向量夹角的余弦值作为子图像与匹配模板的相似度，再通过相似度来进行第一次筛选，从而减少了识别所需的时间。
在上述实施例的基础上，所述根据所述第一灰度特征向量和所述第二灰度特征向量计算所述子图像与所述匹配模板的相似度，包括：
其中，cosθa,b为所述子图像和匹配模板的相似度，n为灰度等级个数，ai为所述子图像的第i个灰度等级中的灰度值对应的次数，bi为所述匹配模板的第i个灰度等级中的灰度值对应的次数，bj为所述匹配模板的第j个灰度等级中的灰度值对应的次数。
具体的，通过公式计算得到子图像与匹配模板的相似度，其中，θa,b为第一灰度特征向量和第二灰度特征向量之间的向量夹角，cosθa,b为子图像和匹配模板之间的相似度，且cosθa,b的取值范围为[-1,1]，n为灰度等级个数，n的取值为大于0的整数，ai为子图像的第i个灰度等级中的灰度值对应的总次数，bi为匹配模板的第i个灰度等级中的灰度值对应的总次数，bj为匹配模板的第j个灰度等级中的灰度值对应的总次数。
本发明实施例通过根据第一灰度特征向量和第二灰度特征向量计算子图像与匹配模板的相似度，并筛选出相似度大于预设阈值的作为目标子图像，再将目标子图像输入到分类模型中进行识别，从而减少了识别时间，提高了对待识别图像进行识别的效率。
在上述各实施例的基础上，所述根据所述目标子图像利用分类模型对所述目标子图像进行识别，包括：
获取所述目标子图像对应的HOG特征，根据所述HOG特征利用分类模型对所述目标子图像进行识别。
具体的，通过相似度阈值从多个子图像中筛选出大于预设阈值的作为目标子图像，对每一个目标子图像提取对应的HOG特征，分别对每一个目标子图像利用分类模型进行识别，将一个目标子图像对应的HOG特征输入到预先创建的分类模型中，从而实现对目标子图像的识别，通过对待识别图像中的每一个目标子图像的识别，可以得出目标物出现在待识别图像中的哪个位置。
本发明实施例通过根据第一灰度特征向量和第二灰度特征向量计算子图像与匹配模板的相似度，并筛选出相似度大于预设阈值的作为目标子图像，再将目标子图像输入到分类模型中进行识别，从而减少了识别时间，提高了对待识别图像进行识别的效率。
在上述实施例的基础上，获取多个包含目标的图像和不包含目标的图像，其中，将包含目标的图像作为正样本，将不包含目标的图像作为负样本，获取正样本和负样本的HOG特征，通过正样本的HOG特征和负样本的HOG特征对分类模型进行训练，获得训练后的分类模型。应当说明的是，本发明实施例中的目标是指要识别的对象，例如，要识别待识别图像中是否包含行人，那么正样本的图像中都包含有行人。
本发明实施例通过根据第一灰度特征向量和第二灰度特征向量计算子图像与匹配模板的相似度，并筛选出相似度大于预设阈值的作为目标子图像，再将目标子图像输入到分类模型中进行识别，因此，在识别过程中，先通过相似度进行第一次识别，然后再通过分类模型进行第二次识别，从而减少了识别时间，提高了对待识别图像进行识别的效率。
图2为本发明另一实施例提供的一种图像识别方法流程示意图，如图2所示，所述方法，包括：
步骤201：获取待识别图像；待识别图像的获取方式可以是通过监控装置中获取，也可以是从其他图像采集装置中获取。
步骤202：灰度直方图过滤；将待识别图像进行灰度变化，获得相对应的灰度图像，并对灰度图像进行划分获得多个子图像，根据子图像的灰度直方图获取每一个子图像对应的第一灰度特征向量，通过第一灰度特征向量和匹配模板的第二灰度特征向量计算子图像和匹配模板的相似度，并将相似度小于等于预设阈值的子图像剔除，剩下的作为目标子图像。
步骤203：图像识别；提取目标子图像的HOG特征，并将该目标子图像的HOG特征输入到分类模型中，根据分类模型对目标子图像进行图像识别，并输出识别结果。应当说明的是，在使用分类模型进行识别之前，需要对该分类模型进行训练，选择一定数量的包含有目标的图像作为正样本，选择一定数量的不包含目标的图像作为负样本对分类模型进行训练。
步骤204：获得识别结果；通过分类模型识别后，输出目标子图像的识别结果。
图3为本发明实施例利用相似度筛选目标子图像的方法流程示意图，如图3所示，以识别图像中是否包含行人为例，具体步骤为：
步骤301：获取匹配模板；获取包含有行人的图像作为匹配模板，其中，应当说明的是，该匹配模板的尺寸与子图像尺寸相同，且为灰度图像。
步骤302：采集图像；获取待识别图像，待识别图像的获取方式可以是通过监控装置中获取，也可以是从其他图像采集装置中获取。
步骤303：图像划分；将待识别图像按照预设尺寸进行划分，获得多个子图像，其中划分方法可以采用滑动窗口法。
步骤304：获取子图像的灰度直方图；获取每个子图像的灰度直方图，从而可以得到每个子图像中每个灰度值对应的次数。
步骤305：降维；将灰度直方图中的灰度值进行降维处理，获得多个灰度等级，具体方法与上述实施例一致，此处不再赘述。
步骤306：相似度计算；将降维后得到的多个灰度等级对应的次数构成第一灰度特征向量，并获取匹配模板的第二灰度特征向量，计算第一灰度特征向量和第二灰度特征向量的向量夹角，并计算向量夹角的余弦值，该余弦值为子图像与匹配模板的相似度。
步骤307：筛选；选择相似度大于预设阈值的子图像作为目标子图像。
本发明实施例通过根据第一灰度特征向量和第二灰度特征向量计算子图像与匹配模板的相似度，并筛选出相似度大于预设阈值的作为目标子图像，再将目标子图像输入到分类模型中进行识别，从而减少了识别时间，提高了对待识别图像进行识别的效率。
图4为本发明实施例提供的一种图像识别装置结构示意图，如图4所示，所述装置，包括：获取模块401、计算模块402和识别模块403，其中：
获取模块401用于获取待识别图像，根据预设尺寸将所述待识别图像划分为多个子图像，获取每一个所述子图像对应的第一灰度特征向量；计算模块402用于获取匹配模板对应的第二灰度特征向量，根据所述第一灰度特征向量和所述第二灰度特征向量计算所述子图像与所述匹配模板的相似度，所述匹配模板的尺寸与所述子图像的尺寸相同；识别模块403用于选择相似度大于预设阈值的子图像作为目标子图像，根据所述目标子图像利用分类模型对所述目标子图像进行识别。
具体的，获取模块401获取待识别图像，其中获取到的待识别图像可以是通过监控摄像头采集到了图像，也可以是其他图像采集装置采集到的图像，将获取到的待识别图像根据预设大小进行划分，得到划分后的多个子图像，其中具体划分方式可以为：首先设置一个预设尺寸的滑动窗口，滑动窗口在待识别图像上自左向右、自上而下遍历，每一个滑动窗口都是一个子窗口。获取每一个子窗口对应的第一灰度特征向量，可以理解的是，一个待识别图像可以划分成多个子图像，每个子图像都对应一个第一灰度特征向量，因此可以得到多个第一灰度特征向量。计算模块402获取一个匹配模板，该匹配模板的尺寸与子图像尺寸相同，应当说明的是，匹配模板和子图像的尺寸是指像素大小，根据匹配模板获取对应的第二灰度特征向量，通过第一灰度特征向量和第二灰度特征向量的计算可以得出子图像与匹配模板之间的相似度。应当说明的是，匹配模板的选择根据要识别的目标而定。通过第一灰度特征向量和第二灰度特征向量计算得到的相似度值越大，表明子图像与匹配模板越相似，识别模块403将相似度大于预设阈值的子图像筛选出来作为目标子图像，并利用预先创建好的分类模型对目标子图像进行识别，将目标子图像相应的参数作为输入，输入到分类模型中，分类模型根据输入的参数进行内部计算，最终可以得出目标子图像中是否包含目标或者包括目标的概率。
本发明提供的装置的实施例具体可以用于执行上述各方法实施例的处理流程，其功能在此不再赘述，可以参照上述方法实施例的详细描述。
本发明实施例通过根据第一灰度特征向量和第二灰度特征向量计算子图像与匹配模板的相似度，并筛选出相似度大于预设阈值的作为目标子图像，再将目标子图像输入到分类模型中进行识别，从而减少了识别时间，提高了对待识别图像进行识别的效率。
图5为本发明实施例提供的电子设备实体结构示意图，如图5所示，所述电子设备，包括：处理器(processor)501、存储器(memory)502和总线503；其中，
所述处理器501和存储器502通过所述总线503完成相互间的通信；
所述处理器501用于调用所述存储器502中的程序指令，以执行上述各方法实施例所提供的方法，例如包括：获取待识别图像，根据预设尺寸将所述待识别图像划分为多个子图像，获取每一个所述子图像对应的第一灰度特征向量；获取匹配模板对应的第二灰度特征向量，根据所述第一灰度特征向量和所述第二灰度特征向量计算所述子图像与所述匹配模板的相似度，所述匹配模板的尺寸与所述子图像的尺寸相同；选择相似度大于预设阈值的子图像作为目标子图像，根据所述目标子图像利用分类模型对所述目标子图像进行识别。
本实施例公开一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法实施例所提供的方法，例如包括：获取待识别图像，根据预设尺寸将所述待识别图像划分为多个子图像，获取每一个所述子图像对应的第一灰度特征向量；获取匹配模板对应的第二灰度特征向量，根据所述第一灰度特征向量和所述第二灰度特征向量计算所述子图像与所述匹配模板的相似度，所述匹配模板的尺寸与所述子图像的尺寸相同；选择相似度大于预设阈值的子图像作为目标子图像，根据所述目标子图像利用分类模型对所述目标子图像进行识别。
本实施例提供一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行上述各方法实施例所提供的方法，例如包括：获取待识别图像，根据预设尺寸将所述待识别图像划分为多个子图像，获取每一个所述子图像对应的第一灰度特征向量；获取匹配模板对应的第二灰度特征向量，根据所述第一灰度特征向量和所述第二灰度特征向量计算所述子图像与所述匹配模板的相似度，所述匹配模板的尺寸与所述子图像的尺寸相同；选择相似度大于预设阈值的子图像作为目标子图像，根据所述目标子图像利用分类模型对所述目标子图像进行识别。
本领域普通技术人员可以理解：实现上述方法实施例的全部或部分步骤可以通过程序指令相关的硬件来完成，前述的程序可以存储于一计算机可读取存储介质中，该程序在执行时，执行包括上述方法实施例的步骤；而前述的存储介质包括：ROM、RAM、磁碟或者光盘等各种可以存储程序代码的介质。
以上所描述的装置等实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前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 (11)

1.一种图像识别方法，其特征在于，包括：
获取待识别图像，根据预设尺寸将所述待识别图像划分为多个子图像，获取每一个所述子图像对应的第一灰度特征向量；
获取匹配模板对应的第二灰度特征向量，根据所述第一灰度特征向量和所述第二灰度特征向量计算所述子图像与所述匹配模板的相似度，所述匹配模板的尺寸与所述子图像的尺寸相同；
选择所述相似度大于预设阈值的所述子图像作为目标子图像，根据所述目标子图像利用分类模型对所述目标子图像进行识别。
2.根据权利要求1所述的方法，其特征在于，所述根据预设尺寸将所述待识别图像划分为多个子图像，包括：
对所述待识别图像进行灰度变换，并将灰度变换后的所述待识别图像根据预设尺寸划分为多个所述子图像。
3.根据权利要求1所述的方法，其特征在于，所述获取每一个所述子图像对应的第一灰度特征向量，包括：
将256个灰度值按照预设个数进行划分，获得多个灰度等级；
将所述子图像对应的每个灰度等级中的灰度值的次数进行求和运算，获得每个所述灰度等级对应的第一因子；
所有所述灰度等级的第一因子构成所述第一灰度特征向量。
4.根据权利要求1所述的方法，其特征在于，所述获取匹配模板对应的第二灰度特征向量，包括：
获取带有目标的灰度图像作为所述匹配模板；
将256个灰度值按照预设个数进行划分，获得多个灰度等级；
将所述匹配模板对应的每个灰度等级中的灰度值的次数进行求和运算，获得每个所述灰度等级对应的第二因子；
所有所述灰度等级的第二因子构成所述第二灰度特征向量。
5.根据权利要求1所述的方法，其特征在于，所述根据所述第一灰度特征向量和所述第二灰度特征向量计算所述子图像与所述匹配模板的相似度，包括：
计算所述第一灰度特征向量与所述第二灰度特征向量的向量夹角，并计算所述向量夹角的余弦值，所述余弦值为所述子图像与所述匹配模板的相似度。
6.根据权利要求5所述的方法，其特征在于，所述根据所述第一灰度特征向量和所述第二灰度特征向量计算所述子图像与所述匹配模板的相似度，包括：
其中，cosθa,b为所述子图像和匹配模板的相似度，n为灰度等级个数，ai为所述子图像的第i个灰度等级中的灰度值对应的总次数，bi为所述匹配模板的第i个灰度等级中的灰度值对应的总次数，bj为所述匹配模板的第j个灰度等级中的灰度值对应的总次数。
7.根据权利要求1-6任一项所述的方法，其特征在于，所述根据所述目标子图像利用分类模型对所述目标子图像进行识别，包括：
获取所述目标子图像对应的HOG特征，根据所述HOG特征利用分类模型对所述目标子图像进行识别。
8.根据权利要求7所述的方法，其特征在于，所述方法，还包括：
获取多个包含目标的图像作为正样本，获取多个不包含目标的图像作为负样本；
通过所述正样本的HOG特征和所述负样本的HOG特征对所述分类模型进行训练。
9.一种图像识别装置，其特征在于，包括：
获取模块，用于获取待识别图像，根据预设尺寸将所述待识别图像划分为多个子图像，获取每一个所述子图像对应的第一灰度特征向量；
计算模块，用于获取匹配模板对应的第二灰度特征向量，根据所述第一灰度特征向量和所述第二灰度特征向量计算所述子图像与所述匹配模板的相似度，所述匹配模板的尺寸与所述子图像的尺寸相同；
识别模块，用于选择所述相似度大于预设阈值的所述子图像作为目标子图像，根据所述目标子图像利用分类模型对所述目标子图像进行识别。
10.一种电子设备，其特征在于，包括：处理器、存储器和总线，其中，所述处理器和所述存储器通过所述总线完成相互间的通信；
所述存储器存储有可被所述处理器执行的程序指令，所述处理器调用所述程序指令能够执行如权利要求1-8任一项所述的方法。
11.一种非暂态计算机可读存储介质，其特征在于，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令使所述计算机执行如权利要求1-8任一项所述的方法。
CN201710562944.1A 2017-07-11 2017-07-11 一种图像识别方法及装置 Expired - Fee Related CN109241985B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710562944.1A CN109241985B (zh) 2017-07-11 2017-07-11 一种图像识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710562944.1A CN109241985B (zh) 2017-07-11 2017-07-11 一种图像识别方法及装置

Publications (2)

Publication Number Publication Date
CN109241985A true CN109241985A (zh) 2019-01-18
CN109241985B CN109241985B (zh) 2021-05-25

Family

ID=65083485

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710562944.1A Expired - Fee Related CN109241985B (zh) 2017-07-11 2017-07-11 一种图像识别方法及装置

Country Status (1)

Country Link
CN (1) CN109241985B (zh)

Cited By (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110517287A (zh) * 2019-05-17 2019-11-29 北京印刷学院 获取机器鱼运动轨迹的方法、装置、设备及存储介质
CN110880003A (zh) * 2019-10-12 2020-03-13 中国第一汽车股份有限公司 一种图像匹配方法、装置、存储介质及汽车
CN111203877A (zh) * 2020-01-13 2020-05-29 广州大学 爬坡建筑废弃物分拣机器人系统及控制方法、装置、介质
CN111242230A (zh) * 2020-01-17 2020-06-05 腾讯科技（深圳）有限公司 基于人工智能的图像处理方法及图像分类模型训练方法
CN111353419A (zh) * 2020-02-26 2020-06-30 北京百度网讯科技有限公司 图像比对方法、装置、电子设备及存储介质
CN111523605A (zh) * 2020-04-28 2020-08-11 新疆维吾尔自治区烟草公司 一种图像识别方法、装置、电子设备及介质
CN111738321A (zh) * 2020-06-12 2020-10-02 腾讯音乐娱乐科技（深圳）有限公司 数据处理方法、装置、终端设备以及存储介质
CN112034523A (zh) * 2020-08-17 2020-12-04 长沙理工大学 一种危化品检测方法和检测系统
CN112052186A (zh) * 2020-10-10 2020-12-08 腾讯科技（深圳）有限公司 目标检测方法、装置、设备以及存储介质
CN112347985A (zh) * 2020-11-30 2021-02-09 广联达科技股份有限公司 一种物料类别检测方法及装置
CN112488062A (zh) * 2020-12-18 2021-03-12 浙江大华技术股份有限公司 一种图像识别方法、装置、设备及介质
CN112749702A (zh) * 2019-10-30 2021-05-04 中移(苏州)软件技术有限公司 一种图像识别方法、装置、终端及存储介质
CN113033588A (zh) * 2019-12-24 2021-06-25 中移雄安信息通信科技有限公司 一种图像处理方法及电子设备
CN113158928A (zh) * 2021-04-27 2021-07-23 浙江云奕科技有限公司 一种基于图像识别的混凝土试块防造假方法
CN113255667A (zh) * 2021-06-16 2021-08-13 北京世纪好未来教育科技有限公司 文本图像相似度评估方法、装置、电子设备及存储介质
CN113627262A (zh) * 2021-07-13 2021-11-09 深圳力维智联技术有限公司 文字识别方法、装置及设备
CN115346127A (zh) * 2022-10-20 2022-11-15 成都大汇物联科技有限公司 一种大坝安全检测方法及系统

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609554A (zh) * 2009-07-27 2009-12-23 浙江工商大学 一种基于灰度统计特征的灰度模板匹配方法
CN102043953A (zh) * 2011-01-27 2011-05-04 北京邮电大学 一种实时鲁棒的针对特定场景的行人检测方法
CN103198332A (zh) * 2012-12-14 2013-07-10 华南理工大学 一种实时鲁棒的远红外车载行人检测方法
CN103902976A (zh) * 2014-03-31 2014-07-02 浙江大学 一种基于红外图像的行人检测方法
CN105354549A (zh) * 2015-11-02 2016-02-24 南京理工大学 基于似物性估计的快速行人检测方法
CN105760842A (zh) * 2016-02-26 2016-07-13 北京大学 一种基于边缘和纹理特征结合的台标识别方法
CN106447701A (zh) * 2015-08-05 2017-02-22 佳能株式会社 用于图像相似性确定、对象检测和跟踪的方法和装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101609554A (zh) * 2009-07-27 2009-12-23 浙江工商大学 一种基于灰度统计特征的灰度模板匹配方法
CN102043953A (zh) * 2011-01-27 2011-05-04 北京邮电大学 一种实时鲁棒的针对特定场景的行人检测方法
CN103198332A (zh) * 2012-12-14 2013-07-10 华南理工大学 一种实时鲁棒的远红外车载行人检测方法
CN103902976A (zh) * 2014-03-31 2014-07-02 浙江大学 一种基于红外图像的行人检测方法
CN106447701A (zh) * 2015-08-05 2017-02-22 佳能株式会社 用于图像相似性确定、对象检测和跟踪的方法和装置
CN105354549A (zh) * 2015-11-02 2016-02-24 南京理工大学 基于似物性估计的快速行人检测方法
CN105760842A (zh) * 2016-02-26 2016-07-13 北京大学 一种基于边缘和纹理特征结合的台标识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
华磊 等: "一种基于图像的摄像机云台快速定位方法", 《仪器仪表与分析监测》 *
解洪胜: "《基于支持向量机的图像检索若干问题》", 31 October 2013 *
陈健斌: "图像特征提取及其相似度的研究和实现", 《中国优秀硕士学位论文全文数据库 信息科技辑》 *

Cited By (25)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110517287A (zh) * 2019-05-17 2019-11-29 北京印刷学院 获取机器鱼运动轨迹的方法、装置、设备及存储介质
CN110880003A (zh) * 2019-10-12 2020-03-13 中国第一汽车股份有限公司 一种图像匹配方法、装置、存储介质及汽车
CN112749702A (zh) * 2019-10-30 2021-05-04 中移(苏州)软件技术有限公司 一种图像识别方法、装置、终端及存储介质
CN112749702B (zh) * 2019-10-30 2023-04-28 中移(苏州)软件技术有限公司 一种图像识别方法、装置、终端及存储介质
CN113033588A (zh) * 2019-12-24 2021-06-25 中移雄安信息通信科技有限公司 一种图像处理方法及电子设备
CN111203877A (zh) * 2020-01-13 2020-05-29 广州大学 爬坡建筑废弃物分拣机器人系统及控制方法、装置、介质
CN111242230A (zh) * 2020-01-17 2020-06-05 腾讯科技（深圳）有限公司 基于人工智能的图像处理方法及图像分类模型训练方法
CN111353419A (zh) * 2020-02-26 2020-06-30 北京百度网讯科技有限公司 图像比对方法、装置、电子设备及存储介质
CN111353419B (zh) * 2020-02-26 2023-08-11 北京百度网讯科技有限公司 图像比对方法、装置、电子设备及存储介质
CN111523605A (zh) * 2020-04-28 2020-08-11 新疆维吾尔自治区烟草公司 一种图像识别方法、装置、电子设备及介质
CN111738321A (zh) * 2020-06-12 2020-10-02 腾讯音乐娱乐科技（深圳）有限公司 数据处理方法、装置、终端设备以及存储介质
CN111738321B (zh) * 2020-06-12 2023-08-08 腾讯音乐娱乐科技（深圳）有限公司 数据处理方法、装置、终端设备以及存储介质
CN112034523A (zh) * 2020-08-17 2020-12-04 长沙理工大学 一种危化品检测方法和检测系统
CN112052186B (zh) * 2020-10-10 2022-02-25 腾讯科技（深圳）有限公司 目标检测方法、装置、设备以及存储介质
CN112052186A (zh) * 2020-10-10 2020-12-08 腾讯科技（深圳）有限公司 目标检测方法、装置、设备以及存储介质
CN112347985A (zh) * 2020-11-30 2021-02-09 广联达科技股份有限公司 一种物料类别检测方法及装置
CN112488062B (zh) * 2020-12-18 2023-04-07 浙江大华技术股份有限公司 一种图像识别方法、装置、设备及介质
CN112488062A (zh) * 2020-12-18 2021-03-12 浙江大华技术股份有限公司 一种图像识别方法、装置、设备及介质
CN113158928A (zh) * 2021-04-27 2021-07-23 浙江云奕科技有限公司 一种基于图像识别的混凝土试块防造假方法
CN113158928B (zh) * 2021-04-27 2023-09-19 浙江云奕科技有限公司 一种基于图像识别的混凝土试块防造假方法
CN113255667B (zh) * 2021-06-16 2021-10-08 北京世纪好未来教育科技有限公司 文本图像相似度评估方法、装置、电子设备及存储介质
CN113255667A (zh) * 2021-06-16 2021-08-13 北京世纪好未来教育科技有限公司 文本图像相似度评估方法、装置、电子设备及存储介质
CN113627262A (zh) * 2021-07-13 2021-11-09 深圳力维智联技术有限公司 文字识别方法、装置及设备
CN115346127A (zh) * 2022-10-20 2022-11-15 成都大汇物联科技有限公司 一种大坝安全检测方法及系统
CN115346127B (zh) * 2022-10-20 2023-01-24 成都大汇物联科技有限公司 一种大坝安全检测方法及系统

Also Published As

Publication number Publication date
CN109241985B (zh) 2021-05-25

Similar Documents

Publication Publication Date Title
CN109241985A (zh) 一种图像识别方法及装置
CN110543837B (zh) 一种基于潜在目标点的可见光机场飞机检测方法
Aquino et al. A new methodology for estimating the grapevine-berry number per cluster using image analysis
Bautista et al. Convolutional neural network for vehicle detection in low resolution traffic videos
Rachmadi et al. Vehicle color recognition using convolutional neural network
CN111310645B (zh) 货物堆积量的溢仓预警方法、装置、设备及存储介质
EP3333768A1 (en) Method and apparatus for detecting target
CN102163290B (zh) 基于时空关联信息的多视角视频监控中异常事件建模方法
US7983486B2 (en) Method and apparatus for automatic image categorization using image texture
CN109918971B (zh) 监控视频中人数检测方法及装置
CN104517104A (zh) 一种基于监控场景下的人脸识别方法及系统
JP2015176169A (ja) 画像処理装置、画像処理方法およびプログラム
US9904868B2 (en) Visual attention detector and visual attention detection method
CN107330360A (zh) 一种行人衣着颜色识别、行人检索方法和装置
CN111353452A (zh) 一种基于rgb图像的行为识别方法、装置、介质及设备
CN107944403A (zh) 一种图像中的行人属性检测方法及装置
CN114170418B (zh) 一种以图搜图的汽车线束连接器多特征融合图像检索方法
CN108073940B (zh) 一种非结构化环境中的3d目标实例物体检测的方法
Nurhadiyatna et al. Gabor filtering for feature extraction in real time vehicle classification system
CN111950566A (zh) 一种旋转不变的hog红外图像电力设备识别方法
CN115512134A (zh) 快件堆积异常预警方法、装置、设备及存储介质
CN108154183A (zh) 一种基于局部和深度特征集合的目标分类方法
Mammeri et al. North-American speed limit sign detection and recognition for smart cars
CN104899559B (zh) 一种基于视频监控的快速行人检测方法
Lin et al. Small object detection in aerial view based on improved YoloV3 neural network

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20210525