CN112418242B - 一种适用于大规模目标的彩色标识系统及其识别方法 - Google Patents
一种适用于大规模目标的彩色标识系统及其识别方法 Download PDFInfo
- Publication number
- CN112418242B CN112418242B CN202010880449.7A CN202010880449A CN112418242B CN 112418242 B CN112418242 B CN 112418242B CN 202010880449 A CN202010880449 A CN 202010880449A CN 112418242 B CN112418242 B CN 112418242B
- Authority
- CN
- China
- Prior art keywords
- color
- identification
- module
- image
- color block
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种适用于大规模目标的彩色标识系统及其识别方法,属于物体标识识别技术领域,包括色块标识模块、数字图像处理模块、聚类模块、目标的标识定位模块,本发明利用方块阵贴纸,通过色块标识方法、数字图像处理模块、聚类模块、目标的标识定位模块,采用色块标识识别,从而能够快速获得目标的标识信息,该方法效率高、操作快捷简便、可移植性强;本发明提供的物体标识识别方法,只需将贴纸贴在识别目标上即可,简便易用,可移植性强,能够应用于生产生活的多个领域,极大的降低成本。
Description
技术领域
本发明属于物体标识识别技术领域,尤其涉及一种适用于大规模目标的彩色标识系统及其识别方法。
背景技术
物体标识识别在多个领域有着广阔的应用,尤其是需要全局视觉定位的多目标系统的领域,如制造业机器人零件识别与抓取位置规划、机械鱼群的全局视觉定位、仓库机器人的全局视觉定位等。目前,现有的目标识别方法较为普遍的存在操作繁琐、效率较低、通用性差的问题,亟待解决,而如何能够简便、高效、准确地进行物体识别定位,对于制造业等领域有极为重大的意义。
发明内容
本发明所要解决的技术问题是针对一般的目标识别与检测方法的上述不足,本发明提供一种新型易用的物体标识识别方法,其利用方块阵贴纸,通过色块标识方法、数字图像处理模块、聚类模块、目标的标识定位模块,采用色块标识识别,从而能够快速获得目标的标识信息,该方法效率高、操作快捷简便、可移植性强。
本发明为解决上述技术问题采用以下技术方案:
一种适用于大规模目标的彩色标识系统,包括色块标识模块、数字图像处理模块、聚类模块、目标的标识定位模块;
其中,色块标识模块,用于采用棋盘式七色色块贴纸进行物体标识;
数字图像处理模块,用于通过Canny边缘检测算法、轮廓查找算法及范围筛选步骤,从图像中提取各个色块;
聚类模块,用于通过阈值范围对各点进行访问与距离筛选,从而完成物块的聚类;
目标的标识定位模块,用于通过还原色块颜色,将各个色块对应至其目标的位置,进行颜色识别,得到目标的序列,并转换至十进制,即可得到目标序号。
一种基于适用于大规模目标的彩色标识系统得标识方法,具体包含如下步骤;
步骤1,色块标识:通过棋盘格式七色色块贴纸进行物体标识;
步骤2,数字图像处理:利用OpenCV的findContours函数来获取连通域的外轮廓点的集合,采用Canny边缘检测算法从图像中提取各个色块,并依据色块大小的同一性,用范围排除法对图像色块进行去除噪声,清理外点,从而得以较为准确的提取出图像中的每个色块;
步骤3,聚类:在由数字图像处理模块得到色块后,设定某阈值范围ε,测量二维图像中所有点之间的距离,在距离阈值ε内进行范围检索与点的访问,进行色块的聚类,从而划分不同色块所属的目标;
步骤4,目标的标识定位:对图像色块进行色彩还原,并将所属目标、色块颜色、色块位置一一对应,采用训练分类器对颜色进行识别。将无色块以及预先设定的7种颜色共8种情况,分别对应至八进制的数,并将四个位置分别对应至1~4位数,从而得到各组目标所对应的4位八进制数,将其转换为十进制,即可得到各目标的序位编号。
作为本发明一种基于适用于大规模目标的彩色标识系统的标识方法的进一步优选方案,所述步骤1具体如下:
步骤1.1,将三个等大的黑色色块分别置于左上角、右上角、底部中间位置,作为标识基底;
步骤1.2,在棋盘格贴纸的固定位置上,进行7种颜色的排列组合:如受限于相机视野,采用四个固定位置,进行7种颜色的排列组合,其结果可达(84-1)种,即4095种,能够满足大部分的标识需求;假如相机距离更近或者精度够高,则可以将位置个数扩大至n个,可编码的标定多达(8n-1)种。
作为本发明一种基于适用于大规模目标的彩色标识系统的标识方法的进一步优选方案,所述步骤1具体如下:所述步骤2具体如下:
步骤2.1,利用OpenCV的findContours函数来获取连通域的外轮廓点的集合:调用cvtColor及threshold函数,将原有得到的图片灰度化并二值化,并使用findContours函数搜索连通域轮廓;
步骤2.2,采用Canny边缘检测算法从图像中提取各个色块:
1)图像高斯滤波进行降噪处理;
2)用一阶偏导的有限差分计算梯度的幅值和方向,利用soble水平和垂直算子与输入图像卷积计算dx、dy:
dx=f(x,y)*Sobelx(x,y)
dy=f(x,y)*Sobely(x,y)
进一步可以得到图像梯度的幅值:
为了简化计算,幅值也可以作如下近似:
M(x,y)=|dx(x,y)|+|dy(x,y)|
角度为:
θM=arctan(dy/dx)
4)对梯度幅值进行非极大值抑制:在每一点上,领域中心x与沿着其对应的梯度方向的两个像素相比,若中心像素为最大值,则保留,否则中心置0,抑制非极大值,保留局部梯度最大的点,以得到细化的边缘;
4)用双阈值算法检测和连接边缘:选取系数TH和TL,将小于低阈值的点抛弃,赋0;将大于高阈值的点立即标记,将小于高阈值,大于低阈值的点使用8连通区域确定
本发明采用以上技术方案与现有技术相比,具有以下技术效果:
1、本发明利用方块阵贴纸,通过色块标识方法、数字图像处理模块、聚类模块、目标的标识定位模块,采用色块标识识别,从而能够快速获得目标的标识信息,该方法效率高、操作快捷简便、可移植性强;
2、本发明提供的物体标识识别方法,只需将贴纸贴在识别目标上即可,简便易用,可移植性强,能够应用于生产生活的多个领域,极大的降低成本;
3、本发明识别速度快,可支持识别目标数极大的识别需求,以4个颜色位置,8种颜色为例,一次可以支持(84-1)个目标,假设图像像素精度足够高,颜色位置为n,则最多可支持(8n-1)个目标,特别适用于存在双或者多冗余备份的多目标系统中,可以方便快捷地凭借颜色点位对比,迅速找到其对应冗余备份目标,便于及时更换;
4、本发明识别过程简单,在识别速度上,同二维码相比快一个量级,专为高速运动物体设计。
附图说明
图1是本发明方法流程图;
图2是本发明色块贴纸示意图;
图3是本发明聚类过程示意图;
图4是本发明目标的标识定位。
具体实施方式
下面结合附图对本发明的技术方案做进一步的详细说明:
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,所描述的实施例仅仅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做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
一种适用于大规模目标的彩色标识系统,包括色块标识模块、数字图像处理模块、聚类模块、目标的标识定位模块;
其中,色块标识模块,用于采用棋盘式七色色块贴纸进行物体标识;
数字图像处理模块,用于通过Canny边缘检测算法、轮廓查找算法及范围筛选步骤,从图像中提取各个色块;
聚类模块,用于通过阈值范围对各点进行访问与距离筛选,从而完成物块的聚类;
目标的标识定位模块,用于通过还原色块颜色,将各个色块对应至其目标的位置,进行颜色识别,得到目标的序列,并转换至十进制,即可得到目标序号。
一种基于适用于大规模目标的彩色标识系统得标识方法,如图1所示,具体包含如下步骤;
步骤1,色块标识:通过棋盘格式七色色块贴纸进行物体标识;如图2所示。
步骤1.1,将三个等大的黑色色块分别置于左上角、右上角、底部中间位置,作为标识基底;
步骤1.2,在棋盘格贴纸的固定位置上,进行7种颜色的排列组合:如受限于相机视野,采用四个固定位置,进行7种颜色的排列组合,其结果可达(84-1)种,即4095种,能够满足大部分的标识需求;假如相机距离更近或者精度够高,则可以将位置个数扩大至n个,可编码的标定多达(8n-1)种。
步骤2,数字图像处理:利用OpenCV的findContours函数来获取连通域的外轮廓点的集合,采用Canny边缘检测算法从图像中提取各个色块,并依据色块大小的同一性,用范围排除法对图像色块进行去除噪声,清理外点,从而得以较为准确的提取出图像中的每个色块;
步骤2.1,利用OpenCV的findContours函数来获取连通域的外轮廓点的集合:调用cvtColor及threshold函数,将原有得到的图片灰度化并二值化,并使用findContours函数搜索连通域轮廓;
步骤2.2,采用Canny边缘检测算法从图像中提取各个色块:
1)图像高斯滤波进行降噪处理;
2)用一阶偏导的有限差分计算梯度的幅值和方向,利用soble水平和垂直算子与输入图像卷积计算dx、dy:
dx=f(x,y)*Sobelx(x,y)
dy=f(x,y)*Sobely(x,y)
进一步可以得到图像梯度的幅值:
为了简化计算,幅值也可以作如下近似:
M(x,y)=|dx(x,y)|+|dy(x,y)|
角度为:
θM=arctan(dy/dx)
3)对梯度幅值进行非极大值抑制:在每一点上,领域中心x与沿着其对应的梯度方向的两个像素相比,若中心像素为最大值,则保留,否则中心置0,抑制非极大值,保留局部梯度最大的点,以得到细化的边缘。
4)用双阈值算法检测和连接边缘:选取系数TH和TL,将小于低阈值的点抛弃,赋0;将大于高阈值的点立即标记,将小于高阈值,大于低阈值的点使用8连通区域确定。
步骤3,聚类:在由数字图像处理模块得到色块后,设定某阈值范围ε,测量二维图像中所有点之间的距离,在距离阈值ε内进行范围检索与点的访问,进行色块的聚类,从而划分不同色块所属的目标;如图3所示。
步骤4,目标的标识定位:对图像色块进行色彩还原,并将所属目标、色块颜色、色块位置一一对应,采用训练分类器对颜色进行识别。将无色块以及预先设定的7种颜色共8种情况,分别对应至八进制的数,并将四个位置分别对应至1~4位数,从而得到各组目标所对应的4位八进制数,将其转换为十进制,即可得到各目标的序位编号。如图4所示。
本技术领域技术人员可以理解的是,除非另外定义,这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是,诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义,并且除非像这里一样定义,不会用理想化或过于正式的含义来解释。
以上实施例仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明保护范围之内。上面对本发明的实施方式作了详细说明,但是本发明并不限于上述实施方式,在本领域普通技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (4)
1.一种适用于大规模目标的彩色标识系统,其特征在于:包括色块标识模块、数字图像处理模块、聚类模块、目标的标识定位模块;
其中,色块标识模块,用于采用棋盘式七色色块贴纸进行物体标识;
数字图像处理模块,用于通过Canny边缘检测算法、轮廓查找算法及范围筛选步骤,从图像中提取各个色块;
聚类模块,用于通过阈值范围对各点进行访问与距离筛选,从而完成物块的聚类;
目标的标识定位模块,用于通过还原色块颜色,将各个色块对应至其目标的位置,进行颜色识别,得到目标的序列,并转换至十进制,即可得到目标序号。
2.一种标识方法,应用于权利要求1所述适用于大规模目标的彩色标识系统,其特征在于:具体包含如下步骤;
步骤1,色块标识:通过棋盘格式七色色块贴纸进行物体标识;
步骤2,数字图像处理:利用OpenCV的findContours函数来获取连通域的外轮廓点的集合,采用Canny边缘检测算法从图像中提取各个色块,并依据色块大小的同一性,用范围排除法对图像色块进行去除噪声,清理外点,从而得以较为准确的提取出图像中的每个色块;
步骤3,聚类:在由数字图像处理模块得到色块后,设定某阈值范围ε,测量二维图像中所有点之间的距离,在距离阈值ε内进行范围检索与点的访问,进行色块的聚类,从而划分不同色块所属的目标;
步骤4,目标的标识定位:对图像色块进行色彩还原,并将所属目标、色块颜色、色块位置一一对应,采用训练分类器对颜色进行识别;将无色块以及预先设定的7种颜色共8种情况,分别对应至八进制的数,并将四个位置分别对应至1~4位数,从而得到各组目标所对应的4位八进制数,将其转换为十进制,即可得到各目标的序位编号。
3.根据权利要求2所述一种标识方法,其特征在于:所述步骤1具体如下:
步骤1.1,将三个等大的黑色色块分别置于左上角、右上角、底部中间位置,作为标识基底;
步骤1.2,在棋盘格贴纸的固定位置上,进行7种颜色的排列组合:如受限于相机视野,采用四个固定位置,进行7种颜色的排列组合,其结果可达(84-1)种,即4095种,能够满足大部分的标识需求;假如相机距离更近或者精度够高,则可以将位置个数扩大至n个,可编码的标定多达(8n-1)种。
4.根据权利要求2所述一种标识方法,其特征在于:所述步骤2具体如下:
步骤2.1,利用OpenCV的findContours函数来获取连通域的外轮廓点的集合:调用cvtColor及threshold函数,将原有得到的图片灰度化并二值化,并使用findContours函数搜索连通域轮廓;
步骤2.2,采用Canny边缘检测算法从图像中提取各个色块:
1)图像高斯滤波进行降噪处理;
2)用一阶偏导的有限差分计算梯度的幅值和方向,利用soble水平和垂直算子与输入图像卷积计算dx、dy:
dx=f(x,y)*Sobelx(x,y)
dy=f(x,y)*Sobely(x,y)
进一步可以得到图像梯度的幅值:
为了简化计算,幅值也可以作如下近似:
M(x,y)=|dx(x,y)|+|dy(x,y)|
角度为:
θM=arctan(dy/dx)
3)对梯度幅值进行非极大值抑制:在每一点上,领域中心x与沿着其对应的梯度方向的两个像素相比,若中心像素为最大值,则保留,否则中心置0,抑制非极大值,保留局部梯度最大的点,以得到细化的边缘;
4)用双阈值算法检测和连接边缘:选取系数TH和TL,将小于低阈值的点抛弃,赋0;将大于高阈值的点立即标记,将小于高阈值,大于低阈值的点使用8连通区域确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010880449.7A CN112418242B (zh) | 2020-08-27 | 2020-08-27 | 一种适用于大规模目标的彩色标识系统及其识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010880449.7A CN112418242B (zh) | 2020-08-27 | 2020-08-27 | 一种适用于大规模目标的彩色标识系统及其识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112418242A CN112418242A (zh) | 2021-02-26 |
CN112418242B true CN112418242B (zh) | 2022-08-09 |
Family
ID=74854252
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010880449.7A Active CN112418242B (zh) | 2020-08-27 | 2020-08-27 | 一种适用于大规模目标的彩色标识系统及其识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112418242B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112418242B (zh) * | 2020-08-27 | 2022-08-09 | 河海大学 | 一种适用于大规模目标的彩色标识系统及其识别方法 |
CN114295202A (zh) * | 2021-12-29 | 2022-04-08 | 湖南汉状元教育科技有限公司 | 红外信息处理方法、装置、电子设备和可读存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014006852A (ja) * | 2012-06-27 | 2014-01-16 | Seiko Epson Corp | 認識処理方法、認識処理装置、ロボットシステム及び認識処理プログラム |
CN112418242A (zh) * | 2020-08-27 | 2021-02-26 | 河海大学 | 一种适用于大规模目标的彩色标识系统及其识别方法 |
-
2020
- 2020-08-27 CN CN202010880449.7A patent/CN112418242B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2014006852A (ja) * | 2012-06-27 | 2014-01-16 | Seiko Epson Corp | 認識処理方法、認識処理装置、ロボットシステム及び認識処理プログラム |
CN112418242A (zh) * | 2020-08-27 | 2021-02-26 | 河海大学 | 一种适用于大规模目标的彩色标识系统及其识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112418242A (zh) | 2021-02-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
DeGol et al. | Chromatag: A colored marker and fast detection algorithm | |
CN106485255B (zh) | 一种dm码定位及识别的方法与系统 | |
CN112418242B (zh) | 一种适用于大规模目标的彩色标识系统及其识别方法 | |
CN110096920B (zh) | 一种面向视觉伺服的高精度高速定位标签和定位方法 | |
CN108416809B (zh) | 一种基于机器视觉的钢桶螺纹盖位姿识别方法 | |
US20140088765A1 (en) | Method for invalidating sensor measurements after a picking action in a robot system | |
CN110807355A (zh) | 一种基于移动机器人的指针仪表检测与读数识别方法 | |
CN109215016B (zh) | 一种编码标志的识别定位方法 | |
CN106709500B (zh) | 一种图像特征匹配的方法 | |
CN115131444B (zh) | 一种基于单目视觉点胶平台的标定方法 | |
CN104794421A (zh) | 一种qr码定位及识别方法 | |
CN109409355A (zh) | 一种新型变压器铭牌识别的方法及装置 | |
CN115609591B (zh) | 一种基于2D Marker的视觉定位方法和系统、复合机器人 | |
CN103824275A (zh) | 在图像中搜寻鞍点状结构并测定其信息的系统和方法 | |
CN112033408B (zh) | 一种贴纸式的物体空间定位系统及定位方法 | |
Zhang et al. | Detection and identification method of medical label barcode based on deep learning | |
CN109190434B (zh) | 一种基于亚像素级角点检测的条码识别算法 | |
CN108985274A (zh) | 水面异物识别方法 | |
CN112215925A (zh) | 自适应采煤机随动跟踪多摄像头视频拼接方法 | |
CN110288619B (zh) | 基于视觉的太阳花模组表面螺钉孔位置检测方法 | |
Bodnár et al. | A novel method for barcode localization in image domain | |
CN112084804B (zh) | 针对信息缺失条形码智能获取补足像素的工作方法 | |
Shen et al. | Plant image mosaic based on depth and color dual information feature source from Kinect | |
CN111121637A (zh) | 一种基于像素编码的光栅位移检测方法 | |
CN116167394A (zh) | 一种条码识别方法及系统 |
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 |