CN110298294B - 一种基于yuv颜色空间的简易目标识别方法 - Google Patents
一种基于yuv颜色空间的简易目标识别方法 Download PDFInfo
- Publication number
- CN110298294B CN110298294B CN201910556518.6A CN201910556518A CN110298294B CN 110298294 B CN110298294 B CN 110298294B CN 201910556518 A CN201910556518 A CN 201910556518A CN 110298294 B CN110298294 B CN 110298294B
- Authority
- CN
- China
- Prior art keywords
- point
- pixel
- target
- pixel point
- max
- 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.)
- Active
Links
Images
Classifications
-
- 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
- G06V10/56—Extraction of image or video features relating to colour
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于YUV颜色空间的简易目标识别方法,属于图像处理技术领域。基于目标图像的YUV颜色空间分布信息,应用像素几何构型和像素几何位置关系,简化目标标定算法,当应用于对颜色特征简易的目标进行识别时,能够快速进行标定与识别,并且识别精度能够满足使用要求。
Description
技术领域
本发明属于图像处理技术领域,具体涉及一种基于YUV颜色空间的简易目标识别方法。
背景技术
在机器人视觉领域中,目标图像的特征标定主要有颜色、轮廓和形状等方法。但是,目前尚未有通用的特征标定方法,可以解决各种类型图像中的目标标定问题。其中,轮廓和形状的特征标定方法是以图像颜色信息为基础,且此类方法对目标信息、标定方法要求较高,实现较为困难,操作复杂,不便于对颜色特征简易的目标进行特征标定。
发明内容
为了解决上述现有技术中存在的缺陷,本发明的目的在于提供一种基于YUV颜色空间的简易目标识别方法,基于目标图像的YUV颜色空间分布信息,应用像素几何构型和像素几何位置关系,简化目标标定算法,并利用标定结果进行目标识别,识别精度和速度都可满足使用要求。
本发明是通过以下技术方案来实现:
一种基于YUV颜色空间的简易目标识别方法,包括以下步骤:
步骤1:读取样本图案的信息,得到样本图案中所有像素点的Y、U、V分量值,生成UV分布图;
步骤2:在步骤1生成的UV分布图上找到代表目标图案颜色特征的像素点区域,根据该区域内所有像素点的U、V分量的阈值,标定用于识别目标图案的阈值分类器;
步骤3:利用步骤2得到的阈值分类器对待识别图像中的所有像素点进行逐点识别,完成简易目标的识别。
优选地,步骤2的具体步骤为:在步骤1生成的UV分布图上找到代表目标图案特征的像素点区域,然后通过比较该区域内像素点U、V分量的方法得出U分量的最小值Umin和最大值Umax、V分量的最小值Vmin和最大值Vmax,在该区域内依次连接(Umin,Vmin)、(Umax,Vmin)、(Umax,Vmax)和(Umin,Vmax),得到矩形的阈值分类器。
进一步优选地,步骤3的具体步骤为:利用步骤2得到的矩形的阈值分类器对待识别图像中的所有像素点进行逐点识别,若某像素点的U、V分量满足:Umin<U<Umax,Vmin<V<Vmax,则该像素点是目标图案的像素点,否则该像素点不是目标图案的像素点,所有像素点识别完毕后,完成简易目标的识别。
优选地,步骤2的具体步骤为:在步骤1生成的UV分布图上找到代表目标图案特征的像素点区域,在区域的边界处选择n个具有目标图案颜色特征的像素点并依次连接,得到凸n边形的阈值分类器。
进一步优选地,步骤3的具体步骤为:利用步骤2得到的凸n边形的阈值分类器采用向量叉乘判断法对待识别图像中的所有像素点进行逐点识别,若某像素点被凸n边形包围,则该像素点是目标图案的像素点,否则该像素点不是目标图案的像素点,所有像素点识别完毕后,完成简易目标的识别。
进一步优选地,n≥3。
与现有技术相比,本发明具有以下有益的技术效果:
本发明公开的基于YUV颜色空间的简易目标识别方法,基于目标图像的YUV颜色空间分布信息,应用像素几何构型和像素几何位置关系,简化目标标定算法,当应用于对颜色特征简易的目标进行识别时,能够快速进行标定、识别,并且精度能够满足使用要求。
进一步地,本发明提出了粗、细两种标定方案,可以根据具体的应用场合进行选择。
粗标定方案中,通过逐点比较包含目标特征区域的像素点的U、V分量,得到目标特征点U、V分量的极大值和极小值,从而得到粗标定的矩形阈值分类器,然后利用得到的矩形阈值分类器对待识别图像中的所有像素点进行逐点判断,完成目标图案的识别。粗标定方案的速度快,并且由于目标图案的颜色单一、形状线条简单,矩形阈值分类器就能达到较高的精度,满足使用要求。
细标定方案中,在目标图像的UV分布图上,通过人眼观察,手动选择代表目标图案颜色特征的对应像素点,将其作为目标区域的边界点,逐点连接自动生成目标像素凸多边形,该凸多边形在UV分布图上所占区域做为目标图案的凸多边形阈值分类器,然后采用向量叉乘判断法对待识别图像中的所有像素点进行逐点判断,完成目标图案的识别。细标定采用凸多边形阈值分类器,凸多边形边数可以根据像素点UV分布图的实际情况进行选择,能够更精确地圈定代表目标图案颜色特征像素点,适用于对标定结果要求较高的场合。
更进一步地,n的取值≥3,可以根据像素点UV分布图的实际情况进行选择,适用范围广。
附图说明
图1为本发明的流程逻辑框图;
图2为本发明实施例1的样本图案;
图3为本发明实施例1粗标定方案的UV分布图;
图4为本发明实施例1粗标定方案的识别结果图;
图5为本发明实施例1细标定方案的UV分布图;
图6为本发明实施例1细标定方案的识别结果图;
图7为向量叉乘判断法判断凸多边形与平面点关系的原理图。
具体实施方式
下面结合附图及实施例对本发明做进一步的详细说明,所述是对本发明的解释而不是限定。
如图1所示为本发明的流程逻辑框图,读取样本图案信息后,得到样本图案中所有像素点的Y、U、V分量值,生成UV分布图;此时可以根据具体的应用场合进行标定方案的选择,标定方案确定后,在UV分布图上找到代表目标图案颜色特征的像素点区域,根据该区域内像素点的U、V分量的阈值,标定用于识别目标图案的阈值分类器;然后使用得到的阈值分类器对待识别图像中的所有像素点进行逐点识别,完成简易目标的识别
实施例1
如图2的样本图案,蓝色底色的衣服正面为“超人标志”,即红色的多边形框里有一红色的S,多边形框里的填充色为黄色,目标图案为多边形框以及多边形框里的S,则目标图案颜色特征为红色,在VC++软件中,读取样本图案得到样本图案中所有像素点的Y、U、V分量值,生成UV分布图如图3。然后分别进行粗标定和细标定,具体流程如下:
粗标定方案:在生成的UV分布图上找到代表目标图案特征的像素点区域,鼠标点击特征区域,逐点比对包含目标特征区域的像素点的U、V分量值,得到U、V分量值的极大值和极小值,分别为Umin、Umax、Vmin和Vmax,顺次连接(Umin,Vmin)、(Umax,Vmin)、(Umax,Vmax)和(Umin,Vmax),得到矩形的阈值分类器。然后采用矩形的阈值分类器对具有“超人标志”的待识别图像中的所有像素点进行逐点识别,若某像素点的U、V分量满足:Umin<U<Umax,Vmin<V<Vmax,则该像素点是目标图案的像素点,否则该像素点不是目标图案的像素点,所有像素点识别完毕后,得到最终的识别结果如图4。
细标定方案:在UV分布图上找到代表目标图案特征的像素点区域,在区域的边界处选择5个具有目标图案颜色特征的像素点并依次连接,得到凸五边形的阈值分类器,如图5。利用凸五边形的阈值分类器采用向量叉乘判断法对具有“超人标志”的待识别图像中的所有像素点进行逐点识别,若某像素点被凸五边形包围,则该像素点是目标图案的像素点,否则该像素点不是目标图案的像素点,所有像素点识别完毕后,得到最终的识别结果如图6。
向量叉乘判断法原理如下,如图7所示,以一个凸四边形ABCD为例,Q点为平面一点,判断Q点与凸四边形ABCD的包围关系,如果各点坐标满足以下关系式:
则Q点在凸多边形内,否则在外部。式中sign{}是符号函数。
由识别结果可以看出,细标定方案的识别结果要比粗标定的识别结果更加准确。
实施例2
将本发明的识别方法应用在机器人领域,可以使机器人获得辨别颜色的能力,从而为实现机器人更高智能奠定基础。
例如机器人足球赛中,足球场地、对方机器人球员、己方机器人球员、边界线、足球和球门均为具有简单颜色特征的简易目标。赛前,可利用本发明的方法获得足球场地、对方机器人球员、己方机器人球员、边界线、足球和球门的阈值分类器;在比赛主程序中,利用该阈值分类器对比赛图像进行实时识别,辅以其他决策控制程序,从而实现机器人在足球场地内活动不出界、躲避对方机器人球员、与己方机器人球员协同传球、带球、射门等动作。
需要说明的是,以上所述仅为本发明实施方式的一部分,根据本发明所描述的系统所做的等效变化,均包括在本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做类似的方式替代,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均属于本发明的保护范围。
Claims (1)
1.一种基于YUV颜色空间的简易目标识别方法,其特征在于,包括以下步骤:
步骤1:读取样本图案的信息,得到样本图案中所有像素点的Y、U、V分量值,生成UV分布图;
细标定方案为:
步骤2:在步骤1生成的UV分布图上找到代表目标图案颜色特征的像素点区域,根据该区域内所有像素点的U、V分量的阈值,标定用于识别目标图案的阈值分类器;步骤2的具体步骤为:在步骤1生成的UV分布图上找到代表目标图案特征的像素点区域,在区域的边界处选择n个具有目标图案颜色特征的像素点并依次连接,得到凸n边形的阈值分类器;n≥3;
步骤3:利用步骤2得到的阈值分类器对待识别图像中的所有像素点进行逐点识别,完成简易目标的识别;步骤3的具体步骤为:利用步骤2得到的凸n边形的阈值分类器采用向量叉乘判断法对待识别图像中的所有像素点进行逐点识别,若某像素点被凸n边形包围,则该像素点是目标图案的像素点,否则该像素点不是目标图案的像素点,所有像素点识别完毕后,完成简易目标的识别;
粗标定方案为:
步骤2:在步骤1生成的UV分布图上找到代表目标图案特征的像素点区域,然后通过比较该区域内像素点U、V分量的方法得出U分量的最小值Umin和最大值Umax、V分量的最小值Vmin和最大值Vmax,在该区域内依次连接(Umin,Vmin)、(Umax,Vmin)、(Umax,Vmax)和(Umin,Vmax),得到矩形的阈值分类器;
步骤3:利用步骤2得到的矩形的阈值分类器对待识别图像中的所有像素点进行逐点识别,若某像素点的U、V分量满足:Umin<U<Umax,Vmin<V<Vmax,则该像素点是目标图案的像素点,否则该像素点不是目标图案的像素点,所有像素点识别完毕后,完成简易目标的识别。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910556518.6A CN110298294B (zh) | 2019-06-25 | 2019-06-25 | 一种基于yuv颜色空间的简易目标识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910556518.6A CN110298294B (zh) | 2019-06-25 | 2019-06-25 | 一种基于yuv颜色空间的简易目标识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110298294A CN110298294A (zh) | 2019-10-01 |
CN110298294B true CN110298294B (zh) | 2022-02-11 |
Family
ID=68028821
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910556518.6A Active CN110298294B (zh) | 2019-06-25 | 2019-06-25 | 一种基于yuv颜色空间的简易目标识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110298294B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101630363A (zh) * | 2009-07-13 | 2010-01-20 | 中国船舶重工集团公司第七○九研究所 | 复杂背景下彩色图像人脸的快速检测方法 |
US8077199B2 (en) * | 2008-08-05 | 2011-12-13 | Aisin Seiki Kabushiki Kaisha | Target position identifying apparatus |
CN104298996A (zh) * | 2014-08-08 | 2015-01-21 | 中国科学院自动化研究所 | 一种应用于仿生机器鱼的水下主动视觉跟踪方法 |
CN104376556A (zh) * | 2014-10-31 | 2015-02-25 | 四川大学 | 一种岩石ct图像目标分割方法 |
CN109472223A (zh) * | 2018-10-26 | 2019-03-15 | 博康智能信息技术有限公司 | 一种人脸识别方法和装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102890785A (zh) * | 2011-07-19 | 2013-01-23 | 上海上大海润信息系统有限公司 | 一种服务机器人目标识别与定位的方法 |
-
2019
- 2019-06-25 CN CN201910556518.6A patent/CN110298294B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8077199B2 (en) * | 2008-08-05 | 2011-12-13 | Aisin Seiki Kabushiki Kaisha | Target position identifying apparatus |
CN101630363A (zh) * | 2009-07-13 | 2010-01-20 | 中国船舶重工集团公司第七○九研究所 | 复杂背景下彩色图像人脸的快速检测方法 |
CN104298996A (zh) * | 2014-08-08 | 2015-01-21 | 中国科学院自动化研究所 | 一种应用于仿生机器鱼的水下主动视觉跟踪方法 |
CN104376556A (zh) * | 2014-10-31 | 2015-02-25 | 四川大学 | 一种岩石ct图像目标分割方法 |
CN109472223A (zh) * | 2018-10-26 | 2019-03-15 | 博康智能信息技术有限公司 | 一种人脸识别方法和装置 |
Non-Patent Citations (3)
Title |
---|
一种基于漫水填充法的实时彩色目标识别方法;陈佳鑫 等;《计算机仿真》;20120331;第29卷(第3期);第4-9页 * |
基于微小型机器人的显微操作系统关键技术研究;兰玉兵;《中国优秀硕士学位论文全文数据库信息科技辑》;20190115;I140-504 * |
建(构)筑物下采动地表移动与变形极值自动提取方法研究;陈元非 等;《煤炭工程》;20170731;第49卷(第7期);第111-114页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110298294A (zh) | 2019-10-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Sports camera calibration via synthetic data | |
US20220172348A1 (en) | Information processing device, information processing method, and storage medium | |
CN109685913B (zh) | 基于计算机视觉定位的增强现实实现方法 | |
CN108319973A (zh) | 一种树上柑橘果实检测方法 | |
CN107239748A (zh) | 基于棋盘格标定技术的机器人目标识别与定位方法 | |
CN104091324A (zh) | 一种基于连通域分割的棋盘格图像快速特征匹配算法 | |
CN108305264A (zh) | 一种基于图像处理的无人机精确着陆方法 | |
CN108346160A (zh) | 基于视差图背景差法和Meanshift结合的多运动目标跟踪方法 | |
CN109271937A (zh) | 基于图像处理的运动场地标志物识别方法及系统 | |
CN109460764A (zh) | 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法 | |
CN110176016B (zh) | 一种基于人体轮廓分割与骨骼识别的虚拟试衣方法 | |
JP2009086926A (ja) | 画像認識方法および装置 | |
CN105678318B (zh) | 交通标牌的匹配方法及装置 | |
CN106097354B (zh) | 一种结合自适应高斯肤色检测和区域生长的手部图像分割方法 | |
CN109752855A (zh) | 一种光斑发射装置和检测几何光斑的方法 | |
CN106471523A (zh) | 使用红外成像的颜色标识 | |
Fitriana et al. | Color-based segmentation and feature detection for ball and goal post on mobile soccer robot game field | |
CN110021029A (zh) | 一种适用于rgbd-slam的实时动态配准方法及存储介质 | |
Mayer et al. | Towards autonomous vision self-calibration for soccer robots | |
CN110298294B (zh) | 一种基于yuv颜色空间的简易目标识别方法 | |
CN103533332A (zh) | 一种2d视频转3d视频的图像处理方法 | |
Dwina et al. | Skin segmentation based on improved thresholding method | |
Liu et al. | Real time tracking method by using color markers | |
CN115100240A (zh) | 视频中的物体追踪方法及装置、电子设备、存储介质 | |
Vasconcelos et al. | Methodologies to build automatic point distribution models for faces represented in images |
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 |