CN111444773B - 一种基于图像的多目标分割识别方法及系统 - Google Patents

一种基于图像的多目标分割识别方法及系统 Download PDF

Info

Publication number
CN111444773B
CN111444773B CN202010134642.6A CN202010134642A CN111444773B CN 111444773 B CN111444773 B CN 111444773B CN 202010134642 A CN202010134642 A CN 202010134642A CN 111444773 B CN111444773 B CN 111444773B
Authority
CN
China
Prior art keywords
segmentation
image
point
target
candidate
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
Application number
CN202010134642.6A
Other languages
English (en)
Other versions
CN111444773A (zh
Inventor
李文锋
任平洋
李雄
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.)
Wuhan University of Technology WUT
Original Assignee
Wuhan University of Technology WUT
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 Wuhan University of Technology WUT filed Critical Wuhan University of Technology WUT
Priority to CN202010134642.6A priority Critical patent/CN111444773B/zh
Publication of CN111444773A publication Critical patent/CN111444773A/zh
Application granted granted Critical
Publication of CN111444773B publication Critical patent/CN111444773B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/136—Segmentation; Edge detection involving thresholding
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像的多目标分割识别方法及系统，属于图像识别领域，该方法包括：提取待识别图像的单通道图像并进行二值化处理，分别获得各物体的最外层轮廓与最内层轮廓；将各物体的最外层轮廓与最内层轮廓近似成折线，利用相邻两折线所成角度筛选出分割候补点；通过区域范围内距离最近原则找出与分割候补点对应的目标分割候补点，以形成分割点对；在二值化图像中连接各分割点对以分开各物体，提取各物体的目标最外层轮廓；若目标最外层轮廓的内部面积小于预设面积阈值，则删除对应分割点对，得到分割后的各物体图像；通过深度神经网络模型提取各物体图像的图像特征并由分类器确定各物体所属的类别。本发明具有较好的分割效果。

Description

一种基于图像的多目标分割识别方法及系统
技术领域
本发明属于图像识别领域，更具体地，涉及一种基于图像的多目标分割识别方法及系统。
背景技术
现有的面包、蔬菜、水果等食品零售平台的自动图像识别系统中，出现的问题之一是各个物品互相接触后，很难分开各个物品的图像，以便放入识别系统识别。目前较多方案采用深度学习进行图像分割，但深度学习需要大量的标注数据且运行速度较慢。针对面包、蔬菜、水果等食品零售平台，需要采取简单、快捷的根据边缘检测的图像分割方法。
目前，有通过以下方式进行识别的方法：1、从面包图像的轮廓中提取弯曲点，以连接弯曲点之间，生成面包与面包之间的边界线的候选。并且指出在真正的边界线，边界线候选短，在弯曲点的周围轮廓锐角弯曲，且以边界线为直径的圆不从面包中伸出。但此方法无法适应候选点较多的复杂情况。2、通过双目摄像头获取待识别目标商品的图像，放入训练好的yolo v3模型中进行识别。该方法需要双目摄像头，且需要一个个识别目标商品，而且在人多复杂的情况下无法识别结算。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提出了一种基于图像的多目标分割识别方法及系统，由此解决现有方法存在的无法适应复杂情况下的目标识别的技术问题。
为实现上述目的，按照本发明的一个方面，提供了一种基于图像的多目标分割识别方法，包括：
(1)提取待识别图像的单通道图像，对所述单通道图像进行二值化处理，以分别获得所述待识别图像中各目标物体的最外层轮廓与最内层轮廓；
(2)分别将各目标物体的最外层轮廓与最内层轮廓近似成折线，利用相邻两折线所成角度筛选出该相邻两折线的公共端点是否为分割候补点；
(3)对于任一分割候补点，通过区域范围内距离最近原则找出与该分割候补点对应的目标分割候补点，以形成分割点对；
(4)在二值化图像中连接各分割点对以分开各目标物体，提取分开后的各目标物体的目标最外层轮廓；
(5)计算各所述目标最外层轮廓的内部面积，若所述内部面积小于预设面积阈值，则删除所述内部面积对应的分割点对，并返回执行步骤(4)，直至得到分割后的各目标物体图像；
(6)依次将各所述目标物体图像送入深度神经网络模型，通过所述深度神经网络模型提取图像特征并由分类器确定各目标物体所属的类别。
优选地，步骤(1)包括：
(1.1)提取待识别图像的单通道图像，对所述单通道图像采用第一二值化阈值进行二值化处理，以获得所述待识别图像中各目标物体的最外层轮廓；
(1.2)对所述单通道图像采用第二二值化阈值进行二值化处理，以获得所述待识别图像中各目标物体的最内层轮廓，其中，所述第二二值化阈值大于所述第一二值化阈值。
优选地，在步骤(2)中，分别将各目标物体的最外层轮廓与最内层轮廓近似成折线之后，所述方法还包括：
删除折线长度小于预设长度阈值的折线。
优选地，在步骤(2)中，所述利用相邻两折线所成角度筛选出该相邻两折线的公共端点是否为分割候补点，包括：
确定保留下来的相邻两折线所成角度；
基于所述角度与第一预设角度阈值的关系，筛选出该相邻两折线的公共端点是否为分割候补点，以此确定各分割候补点。
优选地，步骤(3)包括：
(3.1)顺时针依次选取分割候补点a，所述分割候补点a的前一个分割候补点为q，计算以所述分割候补点a为公共端点的两折线顺时针所成角度θ1；
(3.2)选取剩余的分割候补点x，计算
Figure BDA0002396899710000031
向量与
Figure BDA0002396899710000032
向量所成角θ2，若θ2＞θthres2或者θ2＜k*θ1，则将所述分割候补点x放入点集A中，其中，θthres2为第二预设角度阈值，k为系数；
(3.3)计算点集A中的所有点与所述分割候补点a的距离，取距离最小值时对应的分割候补点b；
(3.4)确定所述分割候补点b的区域范围内的距离最近点，若该距离最近点为所述分割候补点a，则所述分割候补点a与所述分割候补点b为一对分割点对。
优选地，在步骤(4)之前，所述方法还包括：
保留处于同一轮廓线内部或者轮廓边界上的分割点对，得到各目标分割点对。
优选地，步骤(5)包括：
计算各所述目标分割点对与所述目标最外层轮廓的距离，若该距离小于预设距离阈值，则删除对应的目标分割点对，并返回执行步骤(4)，直至得到分割后的各目标物体图像。
优选地，在步骤(6)之前，所述方法还包括：
获取各类型物体图像，并对图像中的物体轮廓进行标注，得到训练数据，根据所述训练数据对深度神经网络模型进行训练，得到训练好的深度神经网络模型。
按照本发明的另一方面，提供了一种基于图像的多目标分割识别系统，包括：
第一轮廓提取模块，用于提取待识别图像的单通道图像，对所述单通道图像进行二值化处理，以分别获得所述待识别图像中各目标物体的最外层轮廓与最内层轮廓；
分割点确定模块，用于分别将各目标物体的最外层轮廓与最内层轮廓近似成折线，利用相邻两折线所成角度筛选出该相邻两折线的公共端点是否为分割候补点；
分割点对确定模块，用于对于任一分割候补点，通过区域范围内距离最近原则找出与该分割候补点对应的目标分割候补点，以形成分割点对；
第二轮廓提取模块，用于在二值化图像中连接各分割点对以分开各目标物体，提取分开后的各目标物体的目标最外层轮廓；
物体分割模块，用于计算各所述目标最外层轮廓的内部面积，若所述内部面积小于预设面积阈值，则删除所述内部面积对应的分割点对，并返回执行所述第二轮廓提取模块的操作，直至得到分割后的各目标物体图像；
识别模块，用于依次将各所述目标物体图像送入深度神经网络模型，通过所述深度神经网络模型提取图像特征并由分类器确定各目标物体所属的类别。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
本发明提供了一种设备较少，分割效果更好的一种基于图像的多目标分割识别方法，能在面包、蔬菜、水果等食品零售平台的自动图像识别系统中，在各个物品互相接触后，能准确的分开各个物品，从而将单个图像放入识别系统中识别：另一方面，本发明使用设备较少，仅需要一台摄像机获取图像，且相较于传统方案分割方案效果，准确度有了提升。
附图说明
图1是本发明实施例提供的一种方法流程示意图；
图2是本发明实施例提供的一种候补分割点选取方法流程示意图；
图3是本发明实施例提供的一种分割点对确认的方法流程示意图；
图4是本发明实施例提供的一种面包拍摄图像；
图5是本发明实施例提供的一种面包低阈值二值化图像；
图6是本发明实施例提供的一种面包高阈值二值化图像；
图7是本发明实施例提供的一种面包内外边缘折线拟合图像；
图8是本发明实施例提供的一种分割候选点选取与分割点对确认角度示意图；
图9是本发明实施例提供的一种画完分界线的灰度图像；
图10是本发明实施例提供的一种最终的分割图像；
图11是本发明实施例提供的一种系统结构示意图。
具体实施方式
为了使本发明的目的、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详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
在本发明实例中，“第一”、“第二”等是用于区别不同的对象，而不必用于描述特定的顺序或先后次序。
如图1所示是本发明实施例提供的一种基于图像的多目标分割识别方法的流程示意图，在图1所示的方法中包括以下步骤：
S1：输入原始图像，提取单通道图像，以提高图像间的对比度；如图4是相机拍摄的面包图像，作为输入图像，同时为了提高图像的色彩对比度，提取了该图像的蓝色通道图像；
S2：取双阈值ostu函数二值化图像分别获得物体的最外层轮廓与最内层轮廓；
作为一种可选的实施方式，采取双阈值对图像二值化时，采用200的低二值化阈值以消除图像阴影，油渍等阴暗部分对图像分割产生的影响，面包低阈值二值化图像如图5所示，以便能更好地提取外部轮廓；采用252的高二值化阈值消除内部亮色噪点的影响，面包高阈值二值化图像如图6所示，以便更好地提取内部轮廓。
S3：将内外轮廓曲线近似成折线；且当折线的长度小于预设长度阈值时则去掉该折线，以排除轮廓上小凹陷对分割结果产生影响；利用相邻两折线所成角度筛选出其公共端点是否为分割候补点；具体地，内外部轮廓折线拟合情况如图7所示。
其中，预设长度阈值可以根据实际需要确定，。
候补分割点选取方法如图2所示，顺时针依次选取两相邻折线，计算两折线逆时针所成角度θ，如果，θ＞θthres1，则两折线公共端点为候补分割点。候补分割点可能为两物体接触线的端点。
其中，第一预设角度阈值θthres1可以根据实际需要确定。
S4：分割点通过区域范围内距离最近原则找出对应的分割点，形成分割点对；分割点对的确认方法如图3所示，角度示意图如图8所示；顺时针依次选取候补分割点a，其前点为q，计算以候补分割点a为公共端点的两折线顺时针所成角度θ1，再选取剩余的候补分割点x，计算
Figure BDA0002396899710000061
向量与
Figure BDA0002396899710000062
向量所成角θ2，如果θ2＞θthres2或者θ2＜k*θ1，则将候补分割点x放入点集A中，点集A中的点可能是候补分割点a对应的物体间分割线的另一个端点，计算点集A中的所有点与点a的距离，取最小值点b。
按上述方法计算得出分割点b的区域范围内距离最近点，如果该点为a，则(a,b)为一对分割点对。特别地，不是所有的候补分割点都会找到其对应的候补分割点，因为在实际情况中会出现轮廓边缘处有亮度较高的范围导致二值化时变成了背景，从而提取轮廓线时有可能会满足候补分割点的条件，通过相互间确认是否为彼此的区域最小距离点可以排除大部分影响因素。其中，θ2＞θthres2或者θ2＜k*θ1，此处第二预设角度阈值θthres2和系数k可以根据实际场景选取不同的值。
S5：在二值化图像中用白色线连接对应分割点以分开图像；具体如图9所示，在二值化图像中，由于二值化时背景设为白色，因而用宽度为2像素的白色直线连接分割点对，以分开连接图像；
特别地，会对分割点对进行判断，分割点必须在未分开之前处于同一轮廓线内部或者轮廓边界上，以免出现两个不同区域间产生分割线的情况。
S6：提取分开后的各物体的最外层轮廓；
S7：计算各个轮廓的面积，如果出现误分割产生面积较小的不属于目标种类的图案，删除该小面积对应的分割点对；
可以通过设定面积阈值进行判定，其中，预设面积阈值可以根据实际需要确定。
例如，计算分割点对距离该轮廓线的距离，如果距离小于预设距离阈值，则可以判定该小面积是由于该分割点对连接的白色直线分开的，此时删除该分割点对，返回S5；
其中，预设距离阈值可以根据实际需要确定，在本发明实施例中，优选取2。
S8：输出各物品图像，通过图像识别技术识别分割后的各个物品的种类。
具体的如图10所示产生了四个单独的面包图像，将这些图像放入识别网络中判断各个物品的种类。特别地取单个图像的面积时，将外层轮廓扩大2个像素的图像，以消除S5中用宽度为2的白色直线连接对原本面包图像产生的影响，保证面包维持原有的形状。
其中识别模型的构建具体为：1、数据采集与增强，利用摄像头在合适光照和背景下拍摄大量物体图片，每张图片仅包含单个物体，便于标记物体信息，通过数据增强对图像旋转，平移，改变亮度，对比度，以得到大量的数据，且图像大小一致，将所有的图像按比例划分为训练集、验证集和测试集；2、构建训练模型，模型可以采用基于tensorflow和keras框架，采用VGG16模型，并通过ImageNet预训练模型作为模型的初始权重，最终输出由类别数确定；训练时采用Adam优化器，训练批次大小设置为16，学习率设置为0.001，据最终验证集和测试集的准确率逐渐调整参数，以期达到期望的效果。3、当达到期望效果后，则可通过模型对分割后的单个物体种类进行识别。
在本发明实施例中，还可以采用其它的深度神经网络模型及其训练方式，本发明实施例不做唯一性限定。
本发明所提出的一种基于边缘检测的图像分割方法，能在面包、蔬菜、水果等食品零售平台的自动图像识别系统中，在各个物品互相接触后，能准确地分开各个物品，从而将单个图像放入识别系统中识别：另一方面，本发明使用设备较少，仅需要一台摄像机获取图像，且相较于传统方案分割方案效果，准确度有了提升，能适应油污污染、阴影等情况的影响，物体间接触出现内部包围圈的情况也能较好地分开各个物体。
如图11所示是本发明实施例提供的一种系统结构示意图，包括：
第一轮廓提取模块，用于提取待识别图像的单通道图像，对单通道图像进行二值化处理，以分别获得待识别图像中各目标物体的最外层轮廓与最内层轮廓；
分割点确定模块，用于分别将各目标物体的最外层轮廓与最内层轮廓近似成折线，利用相邻两折线所成角度筛选出该相邻两折线的公共端点是否为分割候补点；
分割点对确定模块，用于对于任一分割候补点，通过区域范围内距离最近原则找出与该分割候补点对应的目标分割候补点，以形成分割点对；
第二轮廓提取模块，用于在二值化图像中连接各分割点对以分开各目标物体，提取分开后的各目标物体的目标最外层轮廓；
物体分割模块，用于计算各目标最外层轮廓的内部面积，若内部面积小于预设面积阈值，则删除内部面积对应的分割点对，并返回执行第二轮廓提取模块的操作，直至得到分割后的各目标物体图像；
识别模块，用于依次将各目标物体图像送入深度神经网络模型，通过深度神经网络模型提取图像特征并由分类器确定各物体所属的类别。
其中，各模块的具体实施方式可以参考上述方法实施例的描述，本发明实施例将不再复述。
需要指出，根据实施的需要，可将本申请中描述的各个步骤/部件拆分为更多步骤/部件，也可将两个或多个步骤/部件或者步骤/部件的部分操作组合成新的步骤/部件，以实现本发明的目的。
上述根据本发明的方法可在硬件、固件中实现，或者被实现为可存储在记录介质(诸如CD ROM、RAM、软盘、硬盘或磁光盘)中的软件或计算机代码，或者被实现通过网络下载的原始存储在远程记录介质或非暂时机器可读介质中并将被存储在本地记录介质中的计算机代码，从而在此描述的方法可被存储在使用通用计算机、专用处理器或者可编程或专用硬件(诸如ASIC或FPGA)的记录介质上的这样的软件处理。可以理解，计算机、处理器、微处理器控制器或可编程硬件包括可存储或接收软件或计算机代码的存储组件(例如，RAM、ROM、闪存等)，当所述软件或计算机代码被计算机、处理器或硬件访问且执行时，实现在此描述的处理方法。此外，当通用计算机访问用于实现在此示出的处理的代码时，代码的执行将通用计算机转换为用于执行在此示出的处理的专用计算机。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于图像的多目标分割识别方法，其特征在于，包括：
(1)提取待识别图像的单通道图像，对所述单通道图像进行二值化处理，以分别获得所述待识别图像中各目标物体的最外层轮廓与最内层轮廓；
(2)分别将各目标物体的最外层轮廓与最内层轮廓近似成折线，利用相邻两折线所成角度筛选出该相邻两折线的公共端点是否为分割候补点；
(3)对于任一分割候补点，通过区域范围内距离最近原则找出与该分割候补点对应的目标分割候补点，以形成分割点对；
(4)在二值化图像中连接各分割点对以分开各目标物体，提取分开后的各目标物体的目标最外层轮廓；
(5)计算各所述目标最外层轮廓的内部面积，若所述内部面积小于预设面积阈值，则删除所述内部面积对应的分割点对，并返回执行步骤(4)，直至得到分割后的各目标物体图像；
(6)依次将各所述目标物体图像送入深度神经网络模型，通过所述深度神经网络模型提取图像特征并由分类器确定各目标物体所属的类别。
2.根据权利要求1所述的方法，其特征在于，步骤(1)包括：
(1.1)提取待识别图像的单通道图像，对所述单通道图像采用第一二值化阈值进行二值化处理，以获得所述待识别图像中各目标物体的最外层轮廓；
(1.2)对所述单通道图像采用第二二值化阈值进行二值化处理，以获得所述待识别图像中各目标物体的最内层轮廓，其中，所述第二二值化阈值大于所述第一二值化阈值。
3.根据权利要求1所述的方法，其特征在于，在步骤(2)中，分别将各目标物体的最外层轮廓与最内层轮廓近似成折线之后，所述方法还包括：
删除折线长度小于预设长度阈值的折线。
4.根据权利要求3所述的方法，其特征在于，在步骤(2)中，所述利用相邻两折线所成角度筛选出该相邻两折线的公共端点是否为分割候补点，包括：
确定保留下来的相邻两折线所成角度；
基于所述角度与第一预设角度阈值的关系，筛选出该相邻两折线的公共端点是否为分割候补点，以此确定各分割候补点。
5.根据权利要求3或4所述的方法，其特征在于，步骤(3)包括：
(3.1)顺时针依次选取分割候补点a，所述分割候补点a的前一个分割候补点为q，计算以所述分割候补点a为公共端点的两折线顺时针所成角度θ1；
(3.2)选取剩余的分割候补点x，计算
Figure FDA0002396899700000021
向量与
Figure FDA0002396899700000022
向量所成角θ2，若θ2＞θthres2或者θ2＜k*θ1，则将所述分割候补点x放入点集A中，其中，θthres2为第二预设角度阈值，k为系数；
(3.3)计算点集A中的所有点与所述分割候补点a的距离，取距离最小值时对应的分割候补点b；
(3.4)确定所述分割候补点b的区域范围内的距离最近点，若该距离最近点为所述分割候补点a，则所述分割候补点a与所述分割候补点b为一对分割点对。
6.根据权利要求5所述的方法，其特征在于，在步骤(4)之前，所述方法还包括：
保留处于同一轮廓线内部或者轮廓边界上的分割点对，得到各目标分割点对。
7.根据权利要求6所述的方法，其特征在于，步骤(5)包括：
计算各所述目标分割点对与所述目标最外层轮廓的距离，若该距离小于预设距离阈值，则删除对应的目标分割点对，并返回执行步骤(4)，直至得到分割后的各目标物体图像。
8.根据权利要求1所述的方法，其特征在于，在步骤(6)之前，所述方法还包括：
获取各类型物体图像，并对图像中的物体轮廓进行标注，得到训练数据，根据所述训练数据对深度神经网络模型进行训练，得到训练好的深度神经网络模型。
9.一种基于图像的多目标分割识别系统，其特征在于，包括：
第一轮廓提取模块，用于提取待识别图像的单通道图像，对所述单通道图像进行二值化处理，以分别获得所述待识别图像中各目标物体的最外层轮廓与最内层轮廓；
分割点确定模块，用于分别将各目标物体的最外层轮廓与最内层轮廓近似成折线，利用相邻两折线所成角度筛选出该相邻两折线的公共端点是否为分割候补点；
分割点对确定模块，用于对于任一分割候补点，通过区域范围内距离最近原则找出与该分割候补点对应的目标分割候补点，以形成分割点对；
第二轮廓提取模块，用于在二值化图像中连接各分割点对以分开各目标物体，提取分开后的各目标物体的目标最外层轮廓；
物体分割模块，用于计算各所述目标最外层轮廓的内部面积，若所述内部面积小于预设面积阈值，则删除所述内部面积对应的分割点对，并返回执行所述第二轮廓提取模块的操作，直至得到分割后的各目标物体图像；
识别模块，用于依次将各所述目标物体图像送入深度神经网络模型，通过所述深度神经网络模型提取图像特征并由分类器确定各目标物体所属的类别。
CN202010134642.6A 2020-03-02 2020-03-02 一种基于图像的多目标分割识别方法及系统 Active CN111444773B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010134642.6A CN111444773B (zh) 2020-03-02 2020-03-02 一种基于图像的多目标分割识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010134642.6A CN111444773B (zh) 2020-03-02 2020-03-02 一种基于图像的多目标分割识别方法及系统

Publications (2)

Publication Number Publication Date
CN111444773A CN111444773A (zh) 2020-07-24
CN111444773B true CN111444773B (zh) 2022-06-03

Family

ID=71654008

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010134642.6A Active CN111444773B (zh) 2020-03-02 2020-03-02 一种基于图像的多目标分割识别方法及系统

Country Status (1)

Country Link
CN (1) CN111444773B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112508968B (zh) * 2020-12-10 2022-02-15 马鞍山市瀚海云星科技有限责任公司 图像分割方法、装置、系统及存储介质
CN112613508A (zh) * 2020-12-24 2021-04-06 深圳市杉川机器人有限公司 一种物体识别方法、装置及设备
CN117408998B (zh) * 2023-12-13 2024-03-12 真健康(广东横琴)医疗科技有限公司 一种体表定位标记物的分割方法及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104835184A (zh) * 2014-02-10 2015-08-12 成都理想境界科技有限公司 图像中四边形区域的提取方法
CN110853063A (zh) * 2019-10-31 2020-02-28 广州华多网络科技有限公司 图像分割信息的处理方法、装置、设备和存储介质

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2009013636A2 (en) * 2007-05-22 2009-01-29 The University Of Western Ontario A method for automatic boundary segmentation of object in 2d and/or 3d image
CN104616009B (zh) * 2015-02-13 2018-05-18 广州广电运通金融电子股份有限公司 一种字符切割识别方法
US10818011B2 (en) * 2017-12-29 2020-10-27 Shenzhen Institutes Of Advanced Technology Chinese Academy Of Sciences Carpal segmentation and recognition method and system, terminal and readable storage medium

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104835184A (zh) * 2014-02-10 2015-08-12 成都理想境界科技有限公司 图像中四边形区域的提取方法
CN110853063A (zh) * 2019-10-31 2020-02-28 广州华多网络科技有限公司 图像分割信息的处理方法、装置、设备和存储介质

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Phi-functions for 2D objects formed by line segments and circular arcs;Chernov, N.,et.al;《Advances in Operations Research》;20121231;全文 *
基于视觉特征的不规则形状目标分割方法;李雄飞等;《吉林大学学报(工学版)》;20141231(第004期);全文 *
基于车辆轮廓凹陷区域的分割算法;张栩华等;《电子设计工程》;20191220(第24期);全文 *

Also Published As

Publication number Publication date
CN111444773A (zh) 2020-07-24

Similar Documents

Publication Publication Date Title
CN111444773B (zh) 一种基于图像的多目标分割识别方法及系统
CN113160192B (zh) 复杂背景下基于视觉的压雪车外观缺陷检测方法及装置
CN110866871A (zh) 文本图像矫正方法、装置、计算机设备及存储介质
CN107808138B (zh) 一种基于FasterR-CNN的通信信号识别方法
WO2023024766A1 (zh) 物体尺寸识别方法、可读存储介质及物体尺寸识别系统
CN106557740B (zh) 一种遥感图像中油库目标的识别方法
CN112446871B (zh) 一种基于深度学习和OpenCV的隧道裂缝识别方法
CN112819840B (zh) 一种融合深度学习与传统处理的高精度图像实例分割方法
CN116012291A (zh) 工业零件图像缺陷检测方法及系统、电子设备和存储介质
CN113591719A (zh) 一种自然场景任意形状文本检测方法、装置和训练方法
CN111862115A (zh) 一种基于Mask RCNN遥感影像分割方法
CN110956088A (zh) 基于深度学习的交叠文本行定位分割方法及系统
CN112329587A (zh) 饮料瓶的分类方法、装置及电子设备
CN110852207A (zh) 基于面向对象影像分类技术的蓝色屋顶建筑物提取方法
CN113591850A (zh) 基于计算机视觉鲁棒性目标检测的两阶段商标检测法
CN116740758A (zh) 一种防止误判的鸟类图像识别方法及系统
CN110458019B (zh) 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法
CN106815851B (zh) 一种基于视觉测量的栅格圆形油位计自动读数方法
CN111178405A (zh) 一种融合多种神经网络的相似物体识别方法
CN111178200A (zh) 一种仪表盘指示灯的识别方法及计算设备
CN112818983B (zh) 一种利用图片相识度判断字符倒置的方法
Cui et al. Global propagation of affine invariant features for robust matching
CN117893550A (zh) 一种基于场景仿真的复杂背景下运动目标分割方法
CN118015064A (zh) 一种基于图像技术的椭圆形目标检测方法以及计算机可读存储介质
CN110853097A (zh) 一种应用于饼干表面图案打印设备的饼干识别定位方法

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