CN109829454A - 一种基于预训练标识的图像特征采集方法 - Google Patents

Abstract

本发明提供了一种基于预训练标识的图像特征采集方法，包括步骤：S1.选取需要配合使用的标识；S2.使用图像采集装置，无需固定位置和角度，将标识放置于任意场景之中，采集一定数量的图片；S3.对上一步所有得到的图片进行标注，记录标识在图片中的位置和大小数据；S4.采用机器学习算法建立分类器，使用上一步得到的数据对分类器进行训练，将训练好的分类器保存下来；S5.利用所述分类器识别实际采集到的图片，如果在所述实际采集到的图片中存在所述标识，则计算所述出所述标识的位置和大小数据信息，并保存下来。本发明可以快速识别出图片中是否含有标志，并能快速计算出标志的特征信息，从而进一步识别计算出特征图像的信息。

Description

一种基于预训练标识的图像特征采集方法

技术领域

本发明涉及图像处理领域，更具体的，涉及基于预训练标识的图像特征采集系统和方法。

背景技术

在许多应用场景中，需要对场景拍照后采集场景中某个特定位置的图像特征，通常我们会固定图像采集装置的位置，角度，同时控制背景、环境光等等因素之后，进行图像采集，使要采集的图像特征总是出现在图像的某个固定位置。

由于这种方法需要固定图像采集装置，如果要针对多个内容相同的场景进行采集并进行对比时，需要耗费巨大的人力物力来对保证多个内容相同的场景中图像采集装置的位置相同，既不经济也不灵活。

发明内容

为了解决现有技术中存在的问题，本发明由此提供了一种基于预训练标识的图像特征采集方法，其特征在于包括以下步骤：

S1.选取需要配合使用的标识；

S2.使用图像采集装置，无需固定位置和角度，将标识放置于任意场景之中，采集一定数量的图片；

S3.对上一步所有得到的图片进行标注，记录标识在图片中的位置和大小数据；

S4.采用机器学习算法建立分类器，使用上一步得到的数据对分类器进行训练，将训练好的分类器保存下来；

S5.利用所述分类器识别实际采集到的图片，如果在所述实际采集到的图片中存在所述标识，则计算所述出所述标识的位置和大小数据信息，并保存下来。

进一步的，在上述步骤S5中，所述实际采集到的图片中包括特定物理大小Da的标识，该标志是所述训练好的分类器相匹配的标志，并记下该图片中所有要采集特征的区域S1、S2…Sn的物理大小Ds和和相对于标识的距离R；

使用图像采集装置进行图像采集，保证采集好的图像包含所述标识和所有要采集特征区域即可，无需对图像采集装置的位置和角度进行固定；记图像中与所述标识的四个角点为A1、A2、A3，A4记图像中所有要采集区域为S1、S2…Sn；

通过训练好的分类器识别采集图像中所述标识，并计算得到图像中A1、A2、A3、A4在虚拟坐标系下的坐标。

进一步的，还包括以下步骤：

使用上一步计算出的A1、A2、A3、A4的坐标，以及所述标识的大小Da、所有要采集特征的区域S1、S2…Sn的物理大小Ds、相对于标识的物理距离R，计算出所有要采集区域S1、S2…Sn在同一坐标系下的图像坐标和区域大小。

进一步的，还包括以下步骤：

依照上一步计算的结果裁剪出S1…S2…Sn的对应图像区域，对区域像素大小和旋转方向进行归一化；

计算得出区域S1…S2…Sn归一化后的图像的RGB颜色直方图，作为该区域的特征；

保存计算的结果。

本发明的有益效果为：

本发明基于预训练的图片对实际图片进行识别，能够快速高效识别出图片中的特点标识，从而进一步识别出具有该标志的图片的其他特征区域的特征信息，采集高效快捷、而且不论采集场景如何变化，包括光线强度、拍摄角度如何变化，本发明的方法都能快速地获得相应采集区域的特征信息。

附图说明

当结合附图考虑时，参考下面的描述能够很好的理解本发明的结构、原理、工作特点和优点，但此处说明的附图用来对本发明的进一步解释，所附示意图只是为了更好的对本发明进行说明，并不对本发明构成不当限定，其中：

图1为本发明的场景图片采集示意图。

具体实施方式

下面结合实例和附图对本发明作进一步的描述，应当指出的是，以下实施例仅仅为示意性的，其并非意图限制本发明。

本发明基于预训练标识的图像特征采集方法，包括如下步骤：

S1.选取需要配合使用的标识，可以为任意的、带有一定纹理的、但是又不易与场景中其它元素相混淆的二维图案。

S2.使用图像采集装置，无需固定位置和角度，将标识放置于任意场景之中，采集一定数量的图片。

S3.对上一步所有得到的图片进行人工处理，标注出标识在图片中的位置和大小数据，并记录下来。

S4.采用合适的机器学习算法建立分类器，使用上一步得到的数据对分类器进行训练，将训练好的分类器保存下来。

S5.在需要采集图像特征的场景中，该场景例如可以是卡片，放置特定物理大小Da的标识，该标志是所述训练好的分类器相匹配的标志。并记下该场景中所有要采集特征的区域S1、S2…Sn的物理大小Ds和和相对于标识的距离R。

S6.使用图像采集装置对场景进行图像采集，保证采集好的图像包含所述标识和所有要采集特征区域即可，无需对图像采集装置的位置和角度进行固定。

S7.以采集好的任意一张图片为例，记图像中与所述标识的四个角点为A1、A2、A3，A4记图像中所有要采集区域为S1、S2…Sn.

S8.通过训练好的分类器识别采集图像中所述标识，并计算得到图像中A1、A2、A3、A4的坐标(XAi,YAi)。

S9.使用上一步计算出的A1、A2、A3、A4的坐标(XAi,YAi)，以及步骤S7记下的标识的大小Da、以及步骤S5中记下的所有要采集特征的区域S1、S2…Sn的物理大小Ds、相对于标识的物理距离R，计算出所有要采集区域S1、S2…Sn的图像坐标和区域大小。

S10.依照上一步计算的结果裁剪出S1…S2…Sn的对应图像区域，对区域像素大小和旋转方向进行归一化。

S11.计算得出区域S1…S2…Sn归一化后的图像的RGB颜色直方图，作为该区域的特征。

保存计算的结果。

这样就获得了所要采集区域的特征信息，这些特征信息的采集高效快捷、而且不论采集场景如何变化，包括光线强度、拍摄角度如何变化，本发明的方法都能快速地获得相应采集区域的特征信息。

尽管已经结合实施例对本发明进行了详细地描述，但是本领域技术人员应当理解地是，本发明并非仅限于特定实施例，相反，在没有超出本申请精神和实质的各种修正，变形和替换都落入到本申请的保护范围之中。

Claims (4)

1.一种基于预训练标识的图像特征采集方法，其特征在于包括以下步骤：

S1.选取需要配合使用的标识；

S2.使用图像采集装置，无需固定位置和角度，将标识放置于任意场景之中，采集一定数量的图片；

S3.对上一步所有得到的图片进行标注，记录标识在图片中的位置和大小数据；

S4.采用机器学习算法建立分类器，使用上一步得到的数据对分类器进行训练，将训练好的分类器保存下来；

S5.利用所述分类器识别实际采集到的图片，如果在所述实际采集到的图片中存在所述标识，则计算所述出所述标识的位置和大小数据信息，并保存下来。

2.根据权利要求1所述的种基于预训练标识的图像特征采集方法，其特征在于，在上述步骤S5中，所述实际采集到的图片中包括特定物理大小Da的标识，该标志是所述训练好的分类器相匹配的标志，并记下该图片中所有要采集特征的区域S1、S2…Sn的物理大小Ds和和相对于标识的距离R；

使用图像采集装置进行图像采集，保证采集好的图像包含所述标识和所有要采集特征区域即可，无需对图像采集装置的位置和角度进行固定；记图像中与所述标识的四个角点为A1、A2、A3，A4记图像中所有要采集区域为S1、S2…Sn；

通过训练好的分类器识别采集图像中所述标识，并计算得到图像中A1、A2、A3、A4在虚拟坐标系下的坐标。

3.根据权利要求2所述的种基于预训练标识的图像特征采集方法，其特征在于，还包括以下步骤：

使用上一步计算出的A1、A2、A3、A4的坐标，以及所述标识的大小Da、所有要采集特征的区域S1、S2…Sn的物理大小Ds、相对于标识的物理距离R，计算出所有要采集区域S1、S2…Sn在同一坐标系下的图像坐标和区域大小。

4.根据权利要求3所述的种基于预训练标识的图像特征采集方法，其特征在于，还包括以下步骤：

依照上一步计算的结果裁剪出S1…S2…Sn的对应图像区域，对区域像素大小和旋转方向进行归一化；

计算得出区域S1…S2…Sn归一化后的图像的RGB颜色直方图，作为该区域的特征；

保存计算的结果。