CN109978829A

CN109978829A - 一种待检测对象的检测方法及其系统

Info

Publication number: CN109978829A
Application number: CN201910142290.6A
Authority: CN
Inventors: 黄淦; 徐珩
Original assignee: Shenzhen Huahan Weiye Technology Co Ltd
Current assignee: Shenzhen Huahan Weiye Technology Co Ltd
Priority date: 2019-02-26
Filing date: 2019-02-26
Publication date: 2019-07-05
Anticipated expiration: 2039-02-26
Also published as: CN109978829B

Abstract

一种待检测对象的检测方法及其系统,该方法包括：获取预定区域的待检测图片，并获取待检测对象对应的树模型；对待检测图片进行边缘提取；查找根节点在待检测图片中的最佳匹配位置，获得匹配分数以及最佳匹配位置处的匹配边缘的姿态信息；查找待匹配从节点在待检测图片中的最佳匹配位置，获得匹配分数以及最佳匹配位置处的匹配边缘的姿态信息，重复此操作，直至所有从节点都执行此操作；求树模型中所有节点的匹配分数的统计值，根据统计值判断待检测图片是否匹配成功。通过该方法在能够对复杂的待检测对象进行检测的前提下，提升了检测的效率。

Description

一种待检测对象的检测方法及其系统

技术领域

本发明涉及工业自动化领域和图像处理领域，具体涉及一种工业自动化领域待检测对象的检测方法及其系统。

背景技术

随着工业自动化的迅速发展，越来越多的检测过程引入了数字图像处理技术作为辅助。例如，在检测领域，用形状描述子对待检测对象进行描述，然后再通过形状描述子进行匹配来完成对待检测对象的检测过程。这一技术在很多不同的领域均有重要的应用，例如：光学字符识别(OCR)、零件分拣、脑电图分析、细胞分类、染色体识别、技术诊断。所以一种适用性强、速度快的匹配方法在工业界将具有广泛的使用前景。

现有技术中有的使用不变量对待检测对象进行匹配，这种方法可以解决存在平移、旋转的情形，但是面对一些更为复杂的情形将无法适应；还有的方法使用变形的模板，通过先验知识设置一些参数来对待检测对象进行匹配，这种方法可以解决一些复杂的情形，但通过这种方法构建的模板常常过于复杂，性能不如人意；还有的方法通过人工手动将复杂的待检测对象分割为简单的几部分，然后对简单部分进行匹配，这种方法的检测速度有所提升，且可以解决一些复杂情形，但人工设置的方式依赖于人的先验知识，对工作人员提出了较高的要求，难以推广。

发明内容

本申请提供一种对待检测对象的检测方法，在能够对复杂的待检测对象进行检测的前提下，提升了检测的效率。

根据本申请的第一方面，本申请提供了一种待检测对象的检测方法，包括：

获取预定区域的待检测图片，并获取待检测对象对应的树模型，树模型包括节点和节点间的路径关系，每个节点表示经过训练图片优化的待检测对象模板图片的部分边缘及其姿态信息，姿态信息包括位置信息和角度信息，节点包括一个根节点和至少一个从节点，根节点为对待检测图片进行匹配的第一个节点，从节点为除根节点以外的节点；节点具有初始搜索范围，路径关系包括确定具有路径关系的两节点之间先后匹配顺序的指示和两节点间相对位置变化的最大变化向量；

对待检测图片进行边缘提取；

根节点的匹配步骤，从树模型中获取根节点，采用根节点对应的边缘，按照根节点的初始搜索范围在待检测图片中进行遍历，查找根节点在待检测图片中的最佳匹配位置，获得匹配分数以及最佳匹配位置处的匹配边缘的姿态信息；

从节点的匹配步骤，根据前一个已匹配节点和节点间的路径关系选取下一个待匹配的从节点作为待匹配从节点；根据前一个已匹配节点的最佳匹配位置和前一个已匹配节点与待匹配从节点间的最大变化向量确定待匹配从节点的相对搜索范围；采用待匹配从节点对应的边缘，按照待匹配从节点的相对搜索范围在待检测图片中进行遍历，查找待匹配从节点在待检测图片中的最佳匹配位置，获得匹配分数以及最佳匹配位置处的匹配边缘的姿态信息；

循环从节点的匹配步骤，直至所有从节点都执行过从节点的匹配步骤；

求树模型中所有节点的匹配分数的统计值，根据统计值判断待检测图片是否匹配成功。

根据本申请的第二方面，本申请提供了一种待检测对象的检测系统，包括：

人机交互模块，其包括输入模块，该输入模块用于获取待检测图片；

存储器，用于存储程序；

处理器，其通过执行存储器存储的程序以实现上述的方法。

根据本申请的第三方面，本申请提供一种计算机可读存储介质，包括程序，该程序能够被处理器执行以实现上述方法。

依据上述实施例的待检测对象的检测方法，该方法用于检测预定区域内是否存在预定类型的待检测对象，利用待检测对象对应的树模型按照树模型中节点间的路径关系对待检测对象的图片进行遍历匹配，然后根据树模型中各节点在待检测图片的匹配程度判断是否匹配成功，使用该方法能够对复杂的待检测对象进行检测，同时提升了检测的效率。

附图说明

图1为待检测对象的检测系统的结构示意；

图2为一种实施例的构建树模型过程的流程图；

图3a为一种实施例的对模板图片提取边缘后的示意图；

图3b为一种实施例的对图3a所示图片进行反转后的示意图；

图3c为一种实施例的对图3b所示图片进行边缘划分后的示意图；

图3d为一种实施例对图3c所示图片进行聚类操作后的示意图；

图3e为一种实施例的优化图模型的示意图；

图3f为一种实施例的树模型的示意图；

图4为一种实施例的对初始图模型进行结构优化的过程的流程图；

图5为一种实施例的用节点对应边缘遍历训练图片的示意图；

图6为一种实施例的对待检测对象进行检测的过程的流程图。

具体实施方式

下面通过具体实施方式结合附图对本发明作进一步详细说明。其中不同实施方式中类似元件采用了相关联的类似的元件标号。在以下的实施方式中，很多细节描述是为了使得本申请能被更好的理解。然而，本领域技术人员可以毫不费力的认识到，其中部分特征在不同情况下是可以省略的，或者可以由其他元件、材料、方法所替代。在某些情况下，本申请相关的一些操作并没有在说明书中显示或者描述，这是为了避免本申请的核心部分被过多的描述所淹没，而对于本领域技术人员而言，详细描述这些相关操作并不是必要的，他们根据说明书中的描述以及本领域的一般技术知识即可完整了解相关操作。

另外，说明书中所描述的特点、操作或者特征可以以任意适当的方式结合形成各种实施方式。同时，方法描述中的各步骤或者动作也可以按照本领域技术人员所能显而易见的方式进行顺序调换或调整。因此，说明书和附图中的各种顺序只是为了清楚描述某一个实施例，并不意味着是必须的顺序，除非另有说明其中某个顺序是必须遵循的。

本文中为部件所编序号本身，例如“第一”、“第二”等，仅用于区分所描述的对象，不具有任何顺序或技术含义。而本申请所说“连接”、“联接”，如无特别说明，均包括直接和间接连接(联接)。

在本发明实施例中，提供了一种待检测对象的检测方法，该方法用于检测预定区域内是否存在预定类型的待检测对象，利用待检测对象对应的树模型按照树模型中节点间的路径关系对待检测对象的图片进行遍历匹配，然后根据树模型中各节点在待检测图片的匹配程度判断是否匹配成功，使用该方法能够对复杂的待检测对象进行检测，同时提升了检测的效率。

本发明的一种实施例中，提供了一种待检测对象的检测方法及其系统，请参考图1，该检测系统10包括人机交互模块13、处理器11和存储器12。其中，处理器11分别与人机交互模块13和存储器12信号连接。

人机交互模块13可以包括输入模块13A和输出模块13B，输出模块13B可以是显示模块，处理器11将待检测图片和/或对待检测图片的匹配结果输出到显示模块进行显示，在有的实施例中，输出模块13B也可以是其他输出模块，例如，打印机。

输入模块13A用于获取预定区域的待检测图片，并将获得的待检测图片发送给处理器11，或者将获得的待检测图片发送给存储器12。在具有实施例中，输入模块13A例如可以是用于拍摄图片的摄像头，也可以是通过对预定区域的待检测对象进行扫描以获得待检测图片的扫描仪。

在有的实施例中，输入模块13A还用于接收用户输入的操作指令，例如开启或停止检测过程的指令、打印检测结果的指令等。此时输入模块13A可以是键盘、操作按钮、鼠标等，也可以是与显示模块集成在一起的触控屏。当输入模块13A是键盘或操作按钮时，用户可直接通过输入模块13A输入操作信息或操作指令；当输入模块13A是鼠标或触控屏时，用户可以将输入模块13A与显示界面上的软键、操作图标、菜单选项等一起配合完成操作信息或操作指令的输入。

存储器12用于存储程序和/或数据，在有的实施例中，存储器12还用于存储通过输入模块13A输入的待检测图片，并将待检测图片发送至处理器11。在其他的实施例中，存储器12还用于在待检测图片匹配成功后，存储待检测图片中待检测对象的形态信息，该形态信息表示待检测对象的形态。

处理器11用于向输出模块13B和存储器12发送指令，同时还用于接收输入模块13A或存储器12发送的待检测图片，并通过执行存储器12存储的程序以执行对待检测对象进行检测的过程，具体检测过程将在以下的实施例中详细阐述。在有的实施例中，处理器11还用于根据待检测图片中待检测对象的形态信息对待检测对象进行分类，或者对待检测对象的形态是否满足要求进行判断等。

采用本发明方法对预定区域内待检测对象的图片进行检测之前需要先基于待检测对象的图片构建与待检测对象对应的树模型。由于待检测对象可能由多个部件构成，不同部件间又可能存在弹性变化、扭转变化，甚至非线性的变化，故为了使树模型适用于对各种复杂的待检测对象进行检测，用于构建树模型的图片包括多张，其中包括一张模板图片和至少一张训练图片，模板图片是指待检测对象处于标准形态下的图片，训练图片为待检测对象处于各种变化形态下的图片。

请参考图2，基于待检测对象的图片构建树模型的过程包括如下步骤：

步骤101，对模板图片进行边缘提取并进行边缘划分得到子边缘，获得各子边缘的姿态信息，将每个子边缘及其姿态信息作为一个节点构建初始图模型。在本实施例中，通过摄像头对处于标准形态下的待检测对象拍摄获得模板图片，也可以通过扫描仪对处于标准形态下的待检测对象扫描获得模板图片，还可以是通过绘图软件绘制而成的待检测对象处于标准形态下的模板图片，其中绘图软件可以为AutoCAD、CorelDRAW、Solidworks等。

在本实施例中，用于进行边缘提取的模板图片为经过灰度化处理后的图片，在具体实施例中，以如图3a-3f所示图片为例对树模型的构建过程进行说明，图中所示图片为对处于标准形态下的检测对象的模板图片处理后的图片。

在获得模板图片后，首先利用边缘检测算子对模板图片进行边缘提取，经过提取获取的边缘为模版图片中像素点的梯度幅值大于特定阈值的像素点的集合。边缘检测算子包括Canny算子、Roberts算子、Sobel算子、Prewitt算子和Laplacian算子等，优选的，在本实施例中选择Canny算子对模板图片进行边缘提取，如图3a所示为对待检测对象进行边缘提取后获得的包含待检测对象边缘的图片，为了更清楚地呈现待检测对象的边缘以及对边缘进行描述，将图3a所示的边缘进行反转操作，得到如图3b所示的图片。经过边缘提取后将获得模版图片的整体边缘，然后对获得的整体边缘进行边缘划分得到子边缘，并根据各子边缘包含的像素点计算子边缘的姿态信息，该姿态信息包括位置信息和角度信息。在有的实施例中，姿态信息还包括缩放系数等信息，在本申请中以姿态信息包括位置信息和角度信息为例进行说明，当姿态信息还包括其他信息时参考本申请具有相同或类似的应用。在本实施例中，位置信息为子边缘的重心即几何中心所在位置，角度信息为子边缘的主轴角度，主轴角度为子边缘的主轴与模版图片中的指定轴线之间的夹角，子边缘的主轴为穿过子边缘重心的轴线，其用于对子边缘的旋转角度进行描述，模版图片中的指定轴线可以是穿过模版图片某个边的轴线，也可以是在模版图片中建立的坐标系中的某个轴线。在具体实施例中，可以根据边缘的连续性或者边缘像素值的差值对边缘进行划分，该过程可以按照系统设定好的规则自动进行划分，也可以通过用户人工划分。

在具体实施例中，为了便于对模版图片的子边缘及其姿态信息进行描述，通常将图片放在坐标系中进行说明。例如，图3c为以经过边缘提取的模版图片的左上角为坐标原点O建立的正交坐标系，(在其他实施例中也可以以图片的左下角、右上角、右下角或者图片的几何中心等为坐标原点O建立坐标系)，X轴、Y轴分别为平行于图片的相互垂直的两边的方向，在其他的实施例中，也可以根据图片的形状或特征构建其他的坐标系，例如当图片为圆形时，可以构建极坐标系。如图3c为对图3b所示包含整体边缘的模板图片进行边缘划分后获得的子边缘，包括子边缘a-m，以子边缘l为例对子边缘的姿态信息进行说明，其他子边缘的姿态信息具有相同或类似的应用。图中子边缘l的位置信息为子边缘的重心即几何中心所在位置，在本实施例中，位置信息l2即为子边缘l的重心所在位置的坐标值；子边缘l的角度信息为子边缘的主轴l1与坐标轴之间的夹角，为了计算方便，在本实施中，定义子边缘的主轴与X轴正半轴所成的角度为主轴角度。

然后将模板图片的每个子边缘及其姿态信息作为一个节点构建初始图模型，将图3c中的每个子边缘及其姿态信息用一个节点表示即可得到初始图模型，图中的每个点表示一个节点，每个节点表示模板图片的一个子边缘及其姿态信息，点之间的连线表示由于节点之间的姿态信息不同所引起的相对位置偏差，其主要用于计算树模型中的搜索代价和最大变化向量，具体计算过程将在后面作详细阐述。

步骤102，获取训练图片，利用训练图片对初始图模型进行结构优化，以得到优化图模型。在本实施例中，通过摄像头对处于各种形态下的待检测对象进行拍摄获得训练图片，也可以通过扫描仪对处于各种形态下的待检测对象进行扫描获得训练图片。在具体实施例中，训练图片的数量越多，训练图片中待检测对象形态的种类越多，利用树模型对待检测图片进行检测的准确率越高，但是构造树模型的运算量和检测速度会有所降低，在具体实施例中需根据实际需要选取适量的训练图片。

请参考图4，利用训练图片对步骤101中构建的初始图模型进行结构优化的过程包括如下步骤：

步骤112，对训练图片进行边缘提取，在获得训练图片后采用与步骤101相同的边缘检测算子对训练图片进行边缘提取。与步骤101的不同之处在于，在步骤101中对模板图片进行边缘提取后还需要将模板图片的整体边缘划分成多个子边缘，并根据各子边缘包含的像素点计算各子边缘的姿态信息；而在本步骤中，只需对训练图片进行边缘提取获得训练图片的整体边缘，无需对边缘进行划分。

步骤122，针对初始图模型中的每个节点，查找其在训练图片中的最佳匹配位置，获取最佳匹配位置处的匹配边缘的姿态信息。在具体实施例中，在初始图模型中任选一个节点，采用该节点对应的边缘在训练图片中进行遍历，查找所有可能的匹配位置，根据可能的匹配位置计算该节点在训练图片中的最佳匹配位置。

图5给出了选取节点在训练图片中最佳匹配位置过程的示意图，图中待检测图片1220位于正交坐标系XOY中。在具体实施例中，需遍历整个待检测图片查找每个节点的最佳匹配位置，如图对于初始图模型中的任意节点，采用该节点的子边缘从起始匹配位置到终止匹配位置沿X轴和Y轴方向按特定的步长对训练图片进行遍历，并得到每个匹配位置的匹配分数。其中，匹配模型1221和匹配模型1222分别为该节点的子边缘位于起始匹配位置和终止匹配位置时的情况，匹配模型中圆形代表该节点的子边缘及其姿态信息，匹配模型中的矩形框是为了便于遍历而为节点边缘附加的遍历框，在具体实施例中，特别是当节点的子边缘为不规则图形时，利用遍历框便于区分相邻的匹配位置，在有的实施例中，也可以直接用节点的子边缘进行遍历而不使用遍历框。

在本实施例中，各匹配位置用节点的重心表示，相邻匹配位置间的步长即为相邻两次匹配中节点重心之间的距离。在对训练图片进行遍历时，相邻匹配位置间节点重心移动的距离即步长既可以通过系统预定，也可以通过人工设定，例如：步长可以是一个像素或多个像素。

对训练图片进行遍历时，对每个匹配位置计算节点在训练图片中相应位置的匹配分数。在该节点遍历完成后将得到的多个匹配分数与第四阈值比较，将匹配分数大于第四阈值时对应的匹配位置选为可能的匹配位置，其中，第四阈值既可以通过系统预定，也可以通过人工设定。图中匹配模型1223、匹配模型1224和匹配模型1225所在的匹配位置即为选取的可能的匹配位置。在具体实施例中，可以根据节点对应子边缘的面积以及节点对应子边缘与训练图片中边缘的重合面积计算节点在训练图片中相应位置的匹配分数，例如匹配分数的计算方法为：

其中，S(E_模型)表示初始图模型中节点对应子边缘的面积，S(E_训练图∩E_模型)表示初始图模型中节点对应子边缘与训练图片中相应匹配位置处边缘的重合部分的面积，其中，面积可以表示边缘像素点的个数。在其他实施例中，也可以用其他方法计算匹配分数，例如：计算边缘的全局几何特征：面积、周长、长短轴和多阶矩的相似度等，然后利用这些特征或其组合计算匹配分数。

对初始图模型中的每个节点执行上述过程，得到初始图模型中每个节点在训练图片中的多个可能的匹配位置，然后根据可能的匹配位置计算该节点在训练图片中的最佳匹配位置。在本实施例中，通过求解最小化目标函数计算节点在训练图片中的最佳匹配位置。

最小化目标函数Q为：

其中，G_model[i]和G_model[j]分别表示初始图模型的第i个节点和第j个节点，G_train[i_k]表示初始图模型的第i个节点在训练图片中的第k个可能的匹配位置对应的边缘，G_train[j_l]表示初始图模型的第j个节点在训练图片中的第l个匹配位置对应的边缘，Δ(x,y)函数用于衡量x与y的距离，当x与y的距离采用欧式距离时，有：

Δ(G_model[i]-G_model[j],G_train[i_k]-G_train[j_l])＝((G_model[i]-G_model[j])²+(G_train[i_k]-G_train[j_l])²)^1/2

argmin_lΔ(G_model[i]-G_model[j],G_train[i_k]-G_train[j_l])表示当i、j、k不变时，找到的满足该式所示条件的第j个节点在训练图片中的匹配位置，则最小化目标函数Q表示初始图模型中第i个节点在训练图片中的最佳匹配位置，对初始模型中的每个节点用最小化目标函数进行处理即可得到初始模型中的每个节点在训练图片中的最佳匹配位置。

步骤132，进行聚类操作得到优化图模型。通过步骤122可以得到初始图模型中每个节点在每张训练图片中的最佳匹配位置，以及最佳匹配位置处的匹配边缘的重心位置和主轴角度，在本步骤中将对各节点进行聚类操作，通过聚类操作将相对位置变化较小的节点合并为一个节点。

在初始图模型中任选两个节点，该两个节点在模板图片中的姿态变化向量记为在训练图片中的姿态变化向量分别记为其中，n表示训练图片的张数，则Δx,Δy和Δθ分别表示模板图片和训练图片中两节点对应边缘的重心位置和主轴角度的差值。然后计算两节点在模板图片中的姿态变化向量和两节点在各训练图片中姿态变化向量的相似度，即姿态变化向量和的相似度，并计算各相似度的统计值，将统计值与第三阈值比较，当统计值大于第三阈值时，将两节点进行合并形成新的节点。其中，在优选的实施例中，计算各相似度的均值，将均值与第三阈值比较，当均值大于第三阈值时，将两节点进行合并形成新的节点。在具体实施例中可以通过欧式距离衡量两姿态变化向量之间的相似度，也可以通过曼哈顿距离、切比雪夫距离、夹角余弦等方法来衡量两姿态变化向量之间的相似度。

对初始图模型中所有节点的两两组合执行上述操作，以对所有相对位置变化较小的节点进行合并，在完成合并后，重新获得每个合并后的新节点对应的边缘，并计算该边缘的边缘面积以及边缘的姿态信息和初始搜索范围。在优选的实施例中，边缘面积即为边缘的像素数，合并后的节点及其姿态信息组成了优化图模型，图3d即为对图3c所示的各子边缘进行聚类操作后得到的新节点对应的边缘。新节点对应边缘的初始搜索范围为相应节点在模板图片和所有训练图片中姿态信息组成的最大范围。

在具体实施例中，当将节点a和e合并成新节点之后，可以将该新节节点作为新的节点与其他的节点进行聚类操作,直到所有的节点都不能与其他的节点进行合并，如图3d和3e中的节点A、B、C、D和E即为经过聚类操作后得到优化图模型的节点。

步骤103，将优化图模型转化为树模型。请参考图3e和3f，假设图3e为优化图模型，图3f即为树模型。在本实施例中，将优化图模型转化为树模型包括如下步骤：

计算优化图模型中两节点间的搜索代价。在优化图模型中任选两个节点，分别计算两节点在模板图片和各训练图片中的姿态变化向量并确定两节点间相对位置变化的最大变化向量，计算最大变化向量中各元素的乘积得到两节点间的搜索代价。

在具体实施例中，以在优化图模型中选择第i和j个节点为例进行说明。假设两节点在模板图片中的姿态信息分布为(x_i0,y_i0,θ_i0)、(x_j0,y_j0,θ_j0)，则两节点在模板图片中的姿态变化向量为：

(Δx₀,Δy₀,Δθ₀)＝|(x_i0,y_i0,θ_i0)-(x_j0,y_j0,θ_j0)|

利用相同的方法可以得到两节点在训练图片中的姿态变化向量为：

(Δx_m,Δy_m,Δθ_m)＝|(x_im,y_im,θ_im)-(x_jm,y_jm,θ_jm)|,m＝1,2,...,n

则两节点间的最大变化量为：

两节点间的搜索代价为：ΔL_ij＝Δx_max×Δy_max×Δθ_max。

按照上述步骤对优化图模型中所有节点的两两组合执行搜索代价计算步骤，得到所有节点中两两节点间的搜索代价，如图3e和图3f所示,A、B、C、D和E表示节点，两节点之间的连线表示两两节点间的路径，两节点之间连线的长度表示相应节点间的搜索代价，例如，图中节点A和C之间的搜索代价为2，节点A和D之间的搜索代价为3。

在优化图模型中任选一个节点放入第一集合并作为树模型的一个节点，剩余节点放入第二集合；在第一集合中节点和第二集合中节点所构成的路径中，选择搜索代价最小的路径加入树模型中，并把位于第二集合中的组成搜索代价最小的路径的节点移入第一集合并作为树模型的节点；重复此操作，直到所有节点都被移入第一集合中，树模型中节点间的路径的先后匹配顺序表示节点间的路径关系。

在本实施例中，将优化图模型中所有节点的集合记为其中，N为优化图模型中节点的总个数，记第一集合和第二集合分别为U₁和U₂，则U₁＝G[k],k为选自1到N内的任一整数，则在两个集合U₁和U₂能够组成的路径中，选择一条搜索代价最小的路径(G[k],G[l])加入到树模型中，并把G[l]并入到集合U₁中，重复该过程，直到所有节点都被移入第一集合U₁中。如图3e，首先选取节点C放入集合U₁，两个集合U₁、U₂能够组成的路径包括(A，C)、(B、C)、(C，D)和(C、E)，对应的搜索代价分别为2、4、6和7，则选取搜索代价最小的路径(A、C)和节点A加入到树模型中，并把节点A并入到集合U₁中，然后重复该过程即可得到如图3f所示的树模型。

在本实施例中，为了能够有效的遍历树模型中的所有节点对待检测图片进行检测，需要选取树模型的根节点，即最先开始匹配的节点。在具体实施例中，用于选取根节点的公式为：

其中，S(i)表示树模型中第i个节点对应的边缘面积，w(i)表示第i个节点沿X方向的搜索范围，h(i)表示第i个节点沿Y方向的搜索范围，d(i)表示第i个节点主轴角度的搜索范围，W表示图片的宽度，H表示图片的高度，则选取α(i)最小时对应的节点为根节点，剩余的节点为从节点。当根节点确定后，即可将根节点作为树模型的第一节点，按照优化图模型转化为树模型的步骤构建树模型，并将确定具有路径关系的两节点之间先后匹配顺序记为树模型的路径关系，同时记录树模型路径两端节点间的最大变化量。

在得到待检测对象对应的树模型后，即可基于构建的树模型检测预定区域内是否存在预定类型的待检测对象。请参考图6，对待检测对象进行检测的过程包括如下步骤：

步骤001，获取预定区域的待检测图片，并获取待检测对象对应的树模型。其中树模型通过图2所示步骤构建而成，该树模型的节点表示经过训练图片优化的待检测对象模版图片的部分边缘及其姿态信息，其中，部分边缘是指通过聚类操作对节点进行合并后形成的新的节点所对应的边缘，其可能是通过模版图片获得的子边缘，也可能是多个子边缘的集合。

步骤002，对待检测图片进行边缘提取，该步骤采用与步骤112相同的方法对待检测图片进行边缘提取。

步骤003，对根节点进行匹配，从树模型中获取根节点，采用根节点对应的边缘，按照根节点的初始搜索范围在待检测图片中进行遍历，查找根节点在待检测图片中的最佳匹配位置，并获得匹配分数以及最佳匹配位置处的匹配边缘的姿态信息。

该过程采用与图5所示过程相似的方法在待检测图片中进行遍历，不同之处在于，在该过程中只需按照根节点的初始搜索范围在待检测图片中进行遍历，而不需遍历整个待检测图片，经过遍历可以得到每个匹配位置的匹配分数，然后在所有匹配分数中选取分值最大的匹配分数所对应的位置作为最佳匹配位置，记录最佳匹配位置对应的匹配分数并记录最佳匹配位置处的匹配边缘的姿态信息。

步骤004，对从节点进行匹配，根据前一个已匹配节点和节点间的路径关系选取下一个待匹配的从节点作为待匹配从节点；根据前一个已匹配节点的最佳匹配位置和前一个已匹配节点与待匹配从节点间的最大变化向量确定待匹配从节点的相对搜索范围；采用待匹配从节点对应的边缘，按照待匹配从节点的相对搜索范围在待检测图片中进行遍历，查找待匹配从节点在待检测图片中的最佳匹配位置，记录最佳匹配位置对应的匹配分数并记录最佳匹配位置处的匹配边缘的姿态信息。

对从节点进行匹配的过程与对根节点进行匹配的过程类似，不同之处在于从节点在待检测图片中进行遍历的范围为相对搜索范围，其计算方法为：以前一个已匹配节点的最佳匹配位置的位置信息为新的原点，将待匹配从节点和前一个已匹配节点间的最大变化向量变换到以新的原点为原点的坐标系中，从而得到待匹配从节点的相对搜索范围，最大变化向量包括位置最大变化量和角度最大变化量。

在具体实施例中，假设上一个已匹配节点的最佳匹配位置的姿态信息为(x_i,y_i,θ_i)，待匹配从节点和前一个已匹配节点间的最大变化向量为(x_min～x_max,y_min～y_max,θ_min～θ_max)，并且有：

其中，m＝0表示模板图片，m＝1,2,...,n表示n张训练图片，i和j分别表示上一个已匹配的节点和待匹配的从节点。则待匹配从节点的相对搜索范围为(x_i+x_min～x_i+x_max,y_i+y_min～y_i+y_max,θ_i+θ_min～θ_i+θ_max)。在其他的实施例中，也可采用其他的方法获得相对搜索范围。

步骤005，判断是否得到所有从节点在待检测图片中的最佳匹配位置，若是则执行步骤006，若否则执行步骤004。

步骤006，求所有节点在最佳匹配位置处的匹配分数的统计值，在具体实施例中，该统计值例如可以是匹配分数的均值，也可以是匹配分数的均方差，或者匹配分数的其他统计值。

步骤007，判断统计值是否大于第二阈值，若统计值大于第二阈值则匹配成功，若统计值小于等于第二阈值则匹配失败，根据判断输出检测结果。其中，第二阈值为通过系统设定，也可以人为设定。

步骤008，根据步骤007对匹配结果的判断输出检测结果，若匹配成功，则预定区域内存在预定类型的待检测对象，若匹配失败，则预定区域内不存在预定类型的待检测对象。

在有的实施例中，在得到所有节点和待检测图片的匹配分数之后，还可以利用第一阈值对得到的所有节点在待检测图片中的匹配分数进行准二值化处理，然后对经过准二值化处理后的匹配分数求统计值。对匹配分数进行准二值化处理包括：将所有匹配分数与第一阈值比较，当匹配分数大于第一阈值时，相应的匹配分数不变；当匹配分数小于等于第一阈值时，将相应的匹配分数赋值为零。然后再对经过准二值化处理后的匹配分数求统计值。

在有的实施例中，在确定待检测图片匹配成功后，还需要根据待检测图片中待检测对象的形态信息对待检测对象的形态进行分类、或者判断待检测对象的形态是否满足要求，此时就需要获得待检测图片中待检测对象的形态信息。该形态信息包括根节点在待检测图片中最佳匹配位置处的匹配边缘的姿态信息、以及从节点在待检测图片中的最佳匹配位置处的匹配边缘的相对姿态信息，相对姿态信息包括相对位置信息和相对角度信息。在本实施例中，以根节点在待检测图片中的最佳匹配位置处的匹配边缘的姿态信息为参考系，将各从节点在待检测图片中的最佳匹配位置处的匹配边缘的姿态信息变换到该参考系中，即可得到各从节点在待检测图片中的最佳匹配位置处的匹配边缘的相对姿态信息。

本领域技术人员可以理解，上述实施方式中各种方法的全部或部分功能可以通过硬件的方式实现，也可以通过计算机程序的方式实现。当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器、随机存储器、磁盘、光盘、硬盘等，通过计算机执行该程序以实现上述功能。例如，将程序存储在设备的存储器中，当通过处理器执行存储器中程序，即可实现上述全部或部分功能。另外，当上述实施方式中全部或部分功能通过计算机程序的方式实现时，该程序也可以存储在服务器、另一计算机、磁盘、光盘、闪存盘或移动硬盘等存储介质中，通过下载或复制保存到本地设备的存储器中，或对本地设备的系统进行版本更新，当通过处理器执行存储器中的程序时，即可实现上述实施方式中全部或部分功能。

以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单推演、变形或替换。

Claims

1.一种待检测对象的检测方法,其特征在于包括：

获取预定区域的待检测图片，并获取待检测对象对应的树模型，所述树模型包括节点和节点间的路径关系，每个节点表示经过训练图片优化的待检测对象模板图片的部分边缘及其姿态信息，所述姿态信息包括位置信息和角度信息，所述节点包括一个根节点和至少一个从节点，所述根节点为对待检测图片进行匹配的第一个节点，所述从节点为除根节点以外的节点；所述节点具有初始搜索范围，所述路径关系包括确定具有路径关系的两节点之间先后匹配顺序的指示和两节点间相对位置变化的最大变化向量；

对待检测图片进行边缘提取；

求树模型中所有节点的匹配分数的统计值，根据所述统计值判断待检测图片是否匹配成功。

2.如权利要求1所述的方法，其特征在于，还包括：

在确定待检测图片匹配成功后，以根节点在待检测图片中的最佳匹配位置处的匹配边缘的姿态信息为参考系，将各从节点在待检测图片中的最佳匹配位置处的匹配边缘的姿态信息变换到所述参考系中，从而得到各从节点在待检测图片中的最佳匹配位置处的匹配边缘的相对姿态信息。

3.如权利要求1或2所述的方法，其特征在于，根据前一个已匹配节点的最佳匹配位置和前一个已匹配节点与待匹配从节点间的最大变化向量确定待匹配从节点的相对搜索范围包括：

以前一个已匹配节点的最佳匹配位置的位置信息为新的原点，将待匹配从节点和前一个已匹配节点间的最大变化向量变换到以新的原点为原点的坐标系中，从而得到待匹配从节点的相对搜索范围，所述最大变化向量包括位置最大变化量和角度最大变化量。

4.如权利要求1或2所述的方法，其特征在于，还包括在得到树模型中所有节点的匹配分数之后，利用第一阈值对得到的所有节点在待检测图片中的匹配分数进行准二值化处理，然后对经过准二值化处理后的匹配分数求统计值；

对匹配分数进行准二值化处理包括：将所有匹配分数与第一阈值比较，当匹配分数大于第一阈值时，相应的匹配分数不变；当匹配分数小于等于第一阈值时，将相应的匹配分数赋值为零。

5.如权利要求1-4任一项所述的方法，其特征在于，树模型的构建步骤包括：

对模板图片进行边缘提取并进行边缘划分得到子边缘，获取各子边缘的姿态信息，将每个子边缘及其姿态信息作为一个节点构建初始图模型，模板图片为待检测对象处于标准形态下的图片；

获取训练图片，利用训练图片对初始图模型进行结构优化，以得到优化图模型，训练图片为待检测对象处于各种形态下的图片；

将优化图模型转化为树模型。

6.如权利要求5所述的方法，其特征在于，利用训练图片对初始图模型进行结构优化包括：

对训练图片进行边缘提取；

针对初始图模型中的每个节点，查找其在训练图片中的最佳匹配位置，获取最佳匹配位置处的匹配边缘的姿态信息；

聚类操作步骤：任选两个节点，计算两个节点在模板图片中的姿态变化向量和两个节点在各训练图片中最佳匹配位置处的姿态变化向量；计算两节点在模板图片中的姿态变化向量和两节点在各训练图片中最佳匹配位置处的姿态变化向量的相似度，并计算各相似度的统计值；将统计值与第三阈值比较，当统计值大于第三阈值时，将相应的两节点进行合并形成新的节点；

对初始图模型中所有节点的两两组合执行聚类操作步骤，得到优化图模型。

7.如权利要求5所述的方法，其特征在于，将优化图模型转化为树模型包括：

搜索代价计算步骤：在优化图模型中任选两个节点，分别计算两个节点在模板图片和各训练图片中的姿态变化向量并确定最大变化向量，计算最大变化向量中各元素的乘积得到两节点间的搜索代价；

对优化图模型中所有节点的两两组合执行搜索代价计算步骤，得到两两节点间的搜索代价；

在优化图模型中任选一个节点放入第一集合并作为树模型的一个节点，剩余节点放入第二集合；

在第一集合中节点和第二集合中节点所构成的路径中，选择搜索代价最小的路径加入树模型中，并把位于第二集合中的组成搜索代价最小的路径的节点移入第一集合并作为树模型的节点；重复此操作，直到所有节点都被移入第一集合中，树模型中节点间路径的先后匹配顺序表示节点间的路径关系。

8.如权利要求7所述的方法，其特征在于，选取根节点首先放入第一集合并作为树模型的第一个节点，从根节点开始根据两节点间的最大变化量确定树模型中节点间的路径关系；所述根节点是指树模型所有节点中边缘面积最大的节点，或者根节点是指树模型所有节点中搜索范围和边缘面积比值最小的节点。

9.一种待检测对象的检测系统，其特征在于包括：

人机交互模块，其包括输入模块，所述输入模块用于获取待检测图片；

存储器，用于存储程序；

处理器，所述处理器通过执行所述存储器存储的程序以实现如权利要求1-8任一项所述的方法。

10.一种计算机可读存储介质，其特征在于，包括程序，所述程序能够被处理器执行以实现如权利要求1-8中任一项所述的方法。