CN113255706B - 一种基于卷积神经网络算法的目标识别方法及系统 - Google Patents
一种基于卷积神经网络算法的目标识别方法及系统 Download PDFInfo
- Publication number
- CN113255706B CN113255706B CN202110804794.7A CN202110804794A CN113255706B CN 113255706 B CN113255706 B CN 113255706B CN 202110804794 A CN202110804794 A CN 202110804794A CN 113255706 B CN113255706 B CN 113255706B
- Authority
- CN
- China
- Prior art keywords
- target
- image
- processing module
- sets
- brightness difference
- 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
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
Abstract
本发明涉及基于卷积神经网络算法的目标识别方法及系统,涉及图像处理技术领域,包括,步骤S1,采集模块采集得到待处理图像;步骤S2,处理模块对所述待处理图像进行图像处理,得到目标图像;步骤S3,判定模块判定所述目标图像是否符合要求;步骤S4,输出模块将符合要求的目标图像进行输出;所述处理模块在进行图像处理时,所述处理模块根据灰度差将待处理图像画出连续的灰度分界线,所述处理模块在画灰度分界线时,所述处理模块根据待获取目标的色调数量B设置灰度差;所述处理模块根据灰度分界线生成若干目标区域,并根据目标区域与目标图像的图形相似度C设置相似边线,再根据相似边线设置目标框线。本发明有效提高了图像目标识别效率。
Description
技术领域
本发明涉及图像处理技术领域,尤其涉及一种基于卷积神经网络算法的目标识别方法及系统。
背景技术
图像识别,是指利用计算机对图像进行处理、分析和理解,以识别各种不同模式的目标和对象的技术。卷积神经网络长期以来是图像识别领域的核心算法之一,并在学习数据充足时有稳定的表现 ,对于一般的大规模图像分类问题,卷积神经网络可用于构建阶层分类器,也可以在精细分类识别中用于提取图像的判别特征以供其它分类器进行学习。
中国专利公开号:CN201710526661.1 ,公开了一种图像目标识别方法及装置,在该方案中进行目标识别时,需要划分出背景点,再对背景部分进行剔除,由此可见,当图像中背景部分图像复杂度高时,剔除背景时极易造成背景剔除过多或不足的问题,从而重复剔除过程将严重降低目标识别效率。
现有技术中,在对图像进行目标识别时,大多采用背景剔除方式进行目标识别,受图像复杂度影响,导致目标识别效率低。
发明内容
为此,本发明提供一种基于卷积神经网络算法的目标识别方法及系统,用以克服现有技术中由于图像复杂度高导致的目标识别效率低的问题。
为实现上述目的,一方面本发明提供一种基于卷积神经网络算法的目标识别方法,包括,
步骤S1,采集模块采集得到待处理图像;
步骤S2,处理模块对所述待处理图像进行图像处理,得到目标图像;
步骤S3,判定模块判定所述目标图像是否符合要求;
步骤S4,输出模块将符合要求的目标图像进行输出;
所述步骤S2中,所述处理模块在进行图像处理时,所述处理模块根据灰度差将待处理图像画出连续的灰度分界线,所述处理模块在画灰度分界线时,所述处理模块根据待获取目标的色调数量B设置灰度差;所述处理模块根据灰度分界线生成若干目标区域,并根据目标区域与目标图像的图形相似度C设置相似边线,再根据相似边线设置目标框线;
目标框线设置完成后,所述处理模块根据亮度差将目标框线内图像划分为若干待删除区域;在设置亮度差时,所述处理模块根据待处理图像分辨率E设置亮度差,同时,所述处理模块根据图像的饱和度H对设置的亮度差进行调节,调节完成后,所述处理模块根据目标框线的面积占比Z对调节后的亮度差进行修正;
待删除区域划分完成后,所述处理模块对包含目标框线的各待删除区域分别进行边缘位置图像删除,在进行图像删除时,所述处理模块根据目标框线位置的景深F进行图像删除,图像删除完成后,所述处理模块将删除后的各待删除区域重新组合,并将组合后的图像作为目标图像;
所述处理模块生成目标图像后,所述判定模块根据目标图像的边线的平均曲率K对目标图像做出判定,判定不符合要求时,所述处理模块以目标图像的边线为目标框线,重复待删除区域的划分及图像删除过程,图像再次删除完成后,判定模块重复判定过程直至目标图像符合要求。
进一步地,所述处理模块在画灰度分界线时,所述处理模块将待获取目标的色调数量B与预设色调数量B0进行比对,并根据比对结果设置灰度差,其中,
当B<B0时,所述处理模块将灰度差设置为A1;
当B≥B0时,所述处理模块将灰度差设置为A2,设定A2=A1×[1+(B-B0)/B0];
其中,A1为预设灰度差。
进一步地,所述处理模块在设置目标框线时,所述处理模块将目标区域与目标图像的图形相似度C与各预设图形相似度进行比对,并根据比对结果设置相似边线,其中,
当C<C1时,判定待处理图像中无目标图像;
当C1≤C<C2时,所述处理模块将满足该相似度区间的多个目标区域中面积最大的目标区域的边线作为第一相似边线;
当C2≤C时,所述处理模块将满足该相似度区间的多个目标区域中相似度最大的目标区域的边线作为第二相似边线;
所述处理模块将各所述相似边线对应的图形面积进行比较,将图形面积最大的相似边线作为目标框线,当无第二相似边线时,将第一相似边线作为目标框线,其中,C1为第一预设图形相似度,C2为第二预设图形相似度,85%<C1<95%<C2。
进一步地,目标框线选取完成后,所述处理模块根据亮度差将目标框线内图像划分为若干待删除区域,所述处理模块将待处理图像分辨率E与预设分辨率E0进行比对,并根据比对结果设置亮度差,其中,
当E<E0时,所述处理模块将亮度差设置为G1;
当E≥E0时,所述处理模块将亮度差设置为G2,设定G2=G1×[1+(E-E0)/E0];
其中,G1为预设亮度差。
进一步地,所述处理模块在设置亮度差时,所述处理模块将图像的饱和度H与预设标准饱和度H0进行比对,并根据比对结果选取对应的亮度差调节系数对设置的亮度差Gi进行调节,设定i=1,2,其中,
当所述处理模块选取第j亮度差调节系数mj对亮度差Gi进行调节时,设定j=1,2,调节后的亮度差为Gi’,设定Gi’=Gi×mj,其中,
当H≤H0时,所述处理模块选取第一亮度差调节系数m1对Gi进行调节,m1为预设值,0.9<m1<1;
当H>H0时,所述处理模块选取第二亮度差调节系数m2对Gi进行调节,设定m2=m1×[1-(H-H0)/H0]。
进一步地,亮度差调节完成后,所述处理模块将目标框线的面积占比Z与预设面积占比Z0进行比对,并根据比对结果选取对应的亮度差修正系数对调节后的亮度差Gi’进行修正,其中,
当所述处理模块选取第j亮度差修正系数rj对Gi’进行修正时,设定j=1,2,修正后的亮度差为Gi”,设定Gi”=Gi’×rj,其中,
当Z≤Z0时,所述处理模块选取第一亮度差修正系数r1对Gi’进行修正,r1为预设值,1<r1<1.15;
当Z>Z0时,所述处理模块选取第二亮度差修正系数r2对Gi’进行修正,设定r2=r1×[1+(Z-Z0)/Z0]。
进一步地,待删除区域划分完成后,所述处理模块将待删除区域中目标框线位置部分图像进行删除,在进行图像删除时,所述处理模块将目标框线位置的景深F与所处待删除区域的平均景深F0进行比对,并根据比对结果进行图像删除,其中,
当F≤F0时,不进行图像删除;
当F>F0时,所述处理模块将该位置的图像进行删除;
其中,各待删除区域图像删除完成后,所述处理模块将删除后的各待删除区域重新组合,将组合后的图像作为目标图像。
进一步地,所述处理模块生成目标图像后,所述判定模块将目标图像的边线的平均曲率K与各预设平均曲率进行比对,并根据比对结果对目标图像做出判定,其中,
当K<K1时,所述判定模块判定目标图像边线曲率低,不符合要求;
当K1≤K≤K2时,所述判定模块判定目标图像符合要求;
当K2<K时,所述判定模块判定目标图像边线曲率高,不符合要求;
其中,K1为预设最小标准曲率,K2为预设最大标准曲率,K1<K2。
进一步地,当判定目标图像边线曲率低时,所述处理模块以目标图像边线为目标框线重复待删除区域的划分及图像删除过程,在进行图像删除时将平均景深设置为Fa,设定Fa=F0×[1-(K1-K)/K1],图像删除完成后,判定模块重复判定过程直至目标图像符合要求;
当判定目标图像边线曲率高时,所述处理模块以目标图像边线为目标框线重复待删除区域的划分及图像删除过程,在进行图像删除时将平均景深设置为Fb,设定Fb=F0×[1-(K-K2)/K2],图像删除完成后,判定模块重复判定过程直至目标图像符合要求。
另一方面,本发明还提供一种基于卷积神经网络算法的目标识别系统,包括,
采集模块,用以采集待处理图像,其与处理模块连接;
所述处理模块,用以对所述待处理图像进行图像处理,并生成目标图像,其与判定模块连接;
所述判定模块,用以对所述目标图像进行判定,其与输出模块连接;
所述输出模块,用以输出符合要求的目标图像。
与现有技术相比,本发明的有益效果在于,在进行图像处理时,所述处理模块根据灰度差将待处理图像画出连续的灰度分界线,并根据灰度分界线生成若干目标区域,在进行目标区域划分时,通过根据灰度差进行划分,可有效将灰度值差别较大的图像划分在不同目标区域,再根据目标区域与目标图像的图形相似度C设置相似边线,通过对多条相似边线进行筛选以得到目标框线,有效保证目标框线的精确度,从而保证目标框线内的图像与目标图像基本一致,同时在设置灰度差时根据目标的色调数量B进行设置,当目标色调越多时灰度差越大,以降低色调对目标区域划分的影响,进而保证目标区域划分的精确度,进一步保证了相似边线的准确度,此外,在目标框线设置完成后,所述处理模块根据亮度差将目标框线内图像划分为若干待删除区域,通过对含框线的各待删除区域进行边缘删除,使目标框线更加精确,从而提高获取目标图像的准确度,进而提高图像识别效率,同时,所述处理模块根据待处理图像分辨率E设置亮度差,进一步提高了待删除区域划分的精确度,从而保证边缘图像删除的精确度,进而提高获取目标图像的准确度,进一步提高图像识别效率,且,所述处理模块根据图像的饱和度H和目标框线的面积占比Z对亮度差进行调节和修正,使修正后的亮度差更加精确,进一步保证边缘图像删除的精确度,进而提高获取目标图像的准确度,进一步提高图像识别效率,在进行图像删除时根据边缘位置的景深F进行图像删除,可进一步保证图像删除的准确度,使目标框线内的图形与目标图形更加吻合,进而保证目标识别的准确度,进一步提高目标识别效率,同时,在获取目标图像后,通过目标图像的边线的平均曲率K判定目标图像是否符合要求,不符合时重复待删除区域的划分及图像删除过程,再次进行图形删除时,根据平均曲率K设定降低后的平均景深大小,进一步保证了图像删除的准确度,从而保证了目标识别的准确度,进一步提高目标识别效率。
尤其,所述处理模块通过将待获取目标的色调数量B与预设色调数量B0进行比对设置灰度差,有效保证了灰度差的准确度,进而保证相似边线的准确度,从而进一步保证了目标识别的准确度,进一步提高目标识别效率。
尤其,所述处理模块通过将目标区域与目标图像的图形相似度C与各预设图形相似度进行比对设置相似边线,进一步保证了相似边线的精确度,从而使获取的目标框线与目标图像更相吻合,进一步保证了目标识别的准确度,进一步提高目标识别效率。
尤其,所述处理模块通过将待处理图像分辨率E与预设分辨率E0进行比对设置亮度差,进一步保证亮度差的精确度,进而保证若干待删除区域划分的准确度,提高图像删除效率,是删除后的图像更加精确,进一步保证了目标识别的准确度,进一步提高目标识别效率。
尤其,所述处理模块通过将图像的饱和度H与预设标准饱和度H0进行比对选取对应的亮度差调节系数对设置的亮度差Gi进行调节,通过对亮度差Gi进行调节,进一步保证了目标识别的准确度,进一步提高目标识别效率。
尤其,所述处理模块通过将目标框线的面积占比Z与预设面积占比Z0进行比对选取对应的亮度差修正系数对调节后的亮度差Gi’进行修正,通过修正亮度差Gi’,进一步保证了目标识别的准确度,进一步提高目标识别效率。
尤其,所述处理模块通过将目标框线位置的景深F与所处待删除区域的平均景深F0进行比对进行图像删除,进一步保证了图像删除的准确度,进一步保证了目标识别的准确度,进一步提高目标识别效率。
尤其,所述判定模块通过将目标图像的边线的平均曲率K与各预设平均曲率进行比对对目标图像做出判定,通过判定进一步保证了目标识别的准确度,进一步提高目标识别效率。
尤其,当判定目标图像不符合要求时,所述处理模块以目标图像边线为目标框线重复待删除区域的划分及图像删除过程,进一步保证了目标识别的准确度,进一步提高目标识别效率。
附图说明
图1为本实施例基于卷积神经网络算法的目标识别方法的流程示意图;
图2为本实施例基于卷积神经网络算法的目标识别系统的结构框架图。
具体实施方式
为了使本发明的目的和优点更加清楚明白,下面结合实施例对本发明作进一步描述;应当理解,此处所描述的具体实施例仅仅用于解释本发明,并不用于限定本发明。
下面参照附图来描述本发明的优选实施方式。本领域技术人员应当理解的是,这些实施方式仅仅用于解释本发明的技术原理,并非在限制本发明的保护范围。
需要说明的是,在本发明的描述中,术语“上”、“下”、“左”、“右”、“内”、“外”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系,这仅仅是为了便于描述,而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。
此外,还需要说明的是,在本发明的描述中,除非另有明确的规定和限定,术语“安装”、“相连”、“连接”应做广义理解,例如,可以是固定连接,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,可以是两个元件内部的连通。对于本领域技术人员而言,可根据具体情况理解上述术语在本发明中的具体含义。
请参阅图2所示,其为本实施例基于卷积神经网络算法的目标识别系统的结构框架图,包括,
采集模块,用以采集待处理图像,其与处理模块连接;
所述处理模块,用以对所述待处理图像进行图像处理,并生成目标图像,其与判定模块连接;
所述判定模块,用以对所述目标图像进行判定,其与输出模块连接;
所述输出模块,用以输出符合要求的目标图像。
请参阅图1所示,其为本实施例基于卷积神经网络算法的目标识别方法的流程示意图,包括,
步骤S1,采集模块采集得到待处理图像;
步骤S2,处理模块对所述待处理图像进行图像处理,得到目标图像;
步骤S3,判定模块判定所述目标图像是否符合要求;
步骤S4,输出模块将符合要求的目标图像进行输出。
可以理解的是,本实施例在进行数据计算处理时,均可以采用卷积神经网络进行计算。
具体而言,所述步骤S2中,所述处理模块在进行图像处理时,所述处理模块根据灰度差将待处理图像画出连续的灰度分界线,并根据灰度分界线生成若干目标区域,再根据目标区域与目标图像的图形相似度设置目标框线,当多个目标区域的图形相似度满足要求时,以区域面积最大的目标区域边线作为目标框线。
具体而言,所述处理模块在画灰度分界线时,所述处理模块将待获取目标的色调数量B与预设色调数量B0进行比对,并根据比对结果设置灰度差,其中,
当B<B0时,所述处理模块将灰度差设置为A1;
当B≥B0时,所述处理模块将灰度差设置为A2,设定A2=A1×[1+(B-B0)/B0];
其中,A1为预设灰度差。
具体而言,本实施例所述处理模块通过将待获取目标的色调数量B与预设色调数量B0进行比对设置灰度差,有效保证了灰度差的准确度,进而保证相似边线的准确度,从而进一步保证了目标识别的准确度,进一步提高目标识别效率。
具体而言,所述处理模块在设置目标框线时,所述处理模块将目标区域与目标图像的图形相似度C与各预设图形相似度进行比对,并根据比对结果设置相似边线,其中,
当C<C1时,判定待处理图像中无目标图像;
当C1≤C<C2时,所述处理模块将满足该相似度区间的多个目标区域中面积最大的目标区域的边线作为第一相似边线;
当C2≤C时,所述处理模块将满足该相似度区间的多个目标区域中相似度最大的目标区域的边线作为第二相似边线;
所述处理模块将各所述相似边线对应的图形面积进行比较,将图形面积最大的相似边线作为目标框线,当无第二相似边线时,将第一相似边线作为目标框线,其中,C1为第一预设图形相似度,C2为第二预设图形相似度,85%<C1<95%<C2。
具体而言,目标框线选取完成后,所述处理模块根据亮度差将目标框线内图像划分为若干待删除区域,所述处理模块将待处理图像分辨率E与预设分辨率E0进行比对,并根据比对结果设置亮度差,其中,
当E<E0时,所述处理模块将亮度差设置为G1;
当E≥E0时,所述处理模块将亮度差设置为G2,设定G2=G1×[1+(E-E0)/E0];
其中,G1为预设亮度差。
具体而言,本实施例所述处理模块通过将待处理图像分辨率E与预设分辨率E0进行比对设置亮度差,进一步保证亮度差的精确度,进而保证若干待删除区域划分的准确度,提高图像删除效率,是删除后的图像更加精确,进一步保证了目标识别的准确度,进一步提高目标识别效率。
具体而言,所述处理模块在设置亮度差时,所述处理模块将图像的饱和度H与预设标准饱和度H0进行比对,并根据比对结果选取对应的亮度差调节系数对设置的亮度差Gi进行调节,设定i=1,2,其中,
当所述处理模块选取第j亮度差调节系数mj对亮度差Gi进行调节时,设定j=1,2,调节后的亮度差为Gi’,设定Gi’=Gi×mj,其中,
当H≤H0时,所述处理模块选取第一亮度差调节系数m1对Gi进行调节,m1为预设值,0.9<m1<1;
当H>H0时,所述处理模块选取第二亮度差调节系数m2对Gi进行调节,设定m2=m1×[1-(H-H0)/H0]。
具体而言,亮度差调节完成后,所述处理模块将目标框线的面积占比Z与预设面积占比Z0进行比对,并根据比对结果选取对应的亮度差修正系数对调节后的亮度差Gi’进行修正,其中,
当所述处理模块选取第j亮度差修正系数rj对Gi’进行修正时,设定j=1,2,修正后的亮度差为Gi”,设定Gi”=Gi’×rj,其中,
当Z≤Z0时,所述处理模块选取第一亮度差修正系数r1对Gi’进行修正,r1为预设值,1<r1<1.15;
当Z>Z0时,所述处理模块选取第二亮度差修正系数r2对Gi’进行修正,设定r2=r1×[1+(Z-Z0)/Z0]。
具体而言,本实施例所述处理模块通过将目标框线的面积占比Z与预设面积占比Z0进行比对选取对应的亮度差修正系数对调节后的亮度差Gi’进行修正,通过修正亮度差Gi’,进一步保证了目标识别的准确度,进一步提高目标识别效率。
具体而言,待删除区域划分完成后,所述处理模块对包含目标框线的各待删除区域分别进行边缘位置图像删除,所述处理模块将待删除区域中目标框线位置部分图像进行删除,在进行图像删除时,所述处理模块将目标框线位置的景深F与所处待删除区域的平均景深F0进行比对,并根据比对结果进行图像删除,其中,
当F≤F0时,不进行图像删除;
当F>F0时,所述处理模块将该位置的图像进行删除;
其中,各待删除区域图像删除完成后,所述处理模块将删除后的各待删除区域重新组合,将组合后的图像作为目标图像。
具体而言,所述处理模块生成目标图像后,所述判定模块将目标图像的边线的平均曲率K与各预设平均曲率进行比对,并根据比对结果对目标图像做出判定,其中,
当K<K1时,所述判定模块判定目标图像边线曲率低,不符合要求;
当K1≤K≤K2时,所述判定模块判定目标图像符合要求;
当K2<K时,所述判定模块判定目标图像边线曲率高,不符合要求;
其中,K1为预设最小标准曲率,K2为预设最大标准曲率,K1<K2。
具体而言,本实施例所述判定模块通过将目标图像的边线的平均曲率K与各预设平均曲率进行比对对目标图像做出判定,通过判定进一步保证了目标识别的准确度,进一步提高目标识别效率。
具体而言,当判定目标图像边线曲率低时,所述处理模块以目标图像边线为目标框线重复待删除区域的划分及图像删除过程,在进行图像删除时将平均景深设置为Fa,设定Fa=F0×[1-(K1-K)/K1],图像删除完成后,判定模块重复判定过程直至目标图像符合要求。
具体而言,当判定目标图像边线曲率高时,所述处理模块以目标图像边线为目标框线重复待删除区域的划分及图像删除过程,在进行图像删除时将平均景深设置为Fb,设定Fb=F0×[1-(K-K2)/K2],图像删除完成后,判定模块重复判定过程直至目标图像符合要求。
至此,已经结合附图所示的优选实施方式描述了本发明的技术方案,但是,本领域技术人员容易理解的是,本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下,本领域技术人员可以对相关技术特征做出等同的更改或替换,这些更改或替换之后的技术方案都将落入本发明的保护范围之内。
Claims (10)
1.一种基于卷积神经网络算法的目标识别方法,其特征在于,包括,
步骤S1,采集模块采集得到待处理图像;
步骤S2,处理模块对所述待处理图像进行图像处理,得到目标图像;
步骤S3,判定模块判定所述目标图像是否符合要求;
步骤S4,输出模块将符合要求的目标图像进行输出;
所述步骤S2中,所述处理模块在进行图像处理时,所述处理模块根据灰度差将待处理图像画出连续的灰度分界线,所述处理模块在画灰度分界线时,所述处理模块根据待获取目标的色调数量B设置灰度差;所述处理模块根据灰度分界线生成若干目标区域,并根据目标区域与预设目标图像的图形相似度C设置相似边线,再根据相似边线设置目标框线;
目标框线设置完成后,所述处理模块根据亮度差将目标框线内图像划分为若干待删除区域;在设置亮度差时,所述处理模块根据待处理图像分辨率E设置亮度差,同时,所述处理模块根据图像的饱和度H对设置的亮度差进行调节,调节完成后,所述处理模块根据目标框线的面积占比Z对调节后的亮度差进行修正;
待删除区域划分完成后,所述处理模块对包含目标框线的各待删除区域分别进行边缘位置图像删除,在进行图像删除时,所述处理模块根据目标框线位置的景深F进行图像删除,图像删除完成后,所述处理模块将删除后的各待删除区域重新组合,并将组合后的图像作为目标图像;
所述处理模块生成目标图像后,所述判定模块根据目标图像的边线的平均曲率K对目标图像做出判定,判定不符合要求时,所述处理模块以目标图像的边线为目标框线,重复待删除区域的划分及图像删除过程,图像再次删除完成后,判定模块重复判定过程直至目标图像符合要求。
2.根据权利要求1所述的基于卷积神经网络算法的目标识别方法,其特征在于,所述处理模块在画灰度分界线时,所述处理模块将待获取目标的色调数量B与预设色调数量B0进行比对,并根据比对结果设置灰度差,其中,
当B<B0时,所述处理模块将灰度差设置为A1;
当B≥B0时,所述处理模块将灰度差设置为A2,设定A2=A1×[1+(B-B0)/B0];
其中,A1为预设灰度差。
3.根据权利要求1所述的基于卷积神经网络算法的目标识别方法,其特征在于,所述处理模块在设置目标框线时,所述处理模块将目标区域与预设目标图像的图形相似度C与各预设图形相似度进行比对,并根据比对结果设置相似边线,其中,
当C<C1时,判定待处理图像中无目标图像;
当C1≤C<C2时,所述处理模块将满足该相似度区间的多个目标区域中面积最大的目标区域的边线作为第一相似边线;
当C2≤C时,所述处理模块将满足该相似度区间的多个目标区域中相似度最大的目标区域的边线作为第二相似边线;
所述处理模块将各所述相似边线对应的图形面积进行比较,将图形面积最大的相似边线作为目标框线,当无第二相似边线时,将第一相似边线作为目标框线,其中,C1为第一预设图形相似度,C2为第二预设图形相似度,85%<C1<95%<C2。
4.根据权利要求3所述的基于卷积神经网络算法的目标识别方法,其特征在于,目标框线选取完成后,所述处理模块根据亮度差将目标框线内图像划分为若干待删除区域,所述处理模块将待处理图像分辨率E与预设分辨率E0进行比对,并根据比对结果设置亮度差,其中,
当E<E0时,所述处理模块将亮度差设置为G1;
当E≥E0时,所述处理模块将亮度差设置为G2,设定G2=G1×[1+(E-E0)/E0];
其中,G1为预设亮度差。
5.根据权利要求4所述的基于卷积神经网络算法的目标识别方法,其特征在于,所述处理模块在设置亮度差时,所述处理模块将图像的饱和度H与预设标准饱和度H0进行比对,并根据比对结果选取对应的亮度差调节系数对设置的亮度差Gi进行调节,设定i=1,2,其中,
当所述处理模块选取第j亮度差调节系数mj对亮度差Gi进行调节时,设定j=1,2,调节后的亮度差为Gi’,设定Gi’=Gi×mj,其中,
当H≤H0时,所述处理模块选取第一亮度差调节系数m1对Gi进行调节,m1为预设值,0.9<m1<1;
当H>H0时,所述处理模块选取第二亮度差调节系数m2对Gi进行调节,设定m2=m1×[1-(H-H0)/H0]。
6.根据权利要求5所述的基于卷积神经网络算法的目标识别方法,其特征在于,亮度差调节完成后,所述处理模块将目标框线的面积占比Z与预设面积占比Z0进行比对,并根据比对结果选取对应的亮度差修正系数对调节后的亮度差Gi’进行修正,其中,
当所述处理模块选取第j亮度差修正系数rj对Gi’进行修正时,设定j=1,2,修正后的亮度差为Gi”,设定Gi”=Gi’×rj,其中,
当Z≤Z0时,所述处理模块选取第一亮度差修正系数r1对Gi’进行修正,r1为预设值,1<r1<1.15;
当Z>Z0时,所述处理模块选取第二亮度差修正系数r2对Gi’进行修正,设定r2=r1×[1+(Z-Z0)/Z0]。
7.根据权利要求4所述的基于卷积神经网络算法的目标识别方法,其特征在于,待删除区域划分完成后,所述处理模块将待删除区域中目标框线位置部分图像进行删除,在进行图像删除时,所述处理模块将目标框线位置的景深F与所处待删除区域的平均景深F0进行比对,并根据比对结果进行图像删除,其中,
当F≤F0时,不进行图像删除;
当F>F0时,所述处理模块将该位置的图像进行删除;
其中,各待删除区域图像删除完成后,所述处理模块将删除后的各待删除区域重新组合,将组合后的图像作为目标图像。
8.根据权利要求7所述的基于卷积神经网络算法的目标识别方法,其特征在于,所述处理模块生成目标图像后,所述判定模块将目标图像的边线的平均曲率K与各预设平均曲率进行比对,并根据比对结果对目标图像做出判定,其中,
当K<K1时,所述判定模块判定目标图像边线曲率低,不符合要求;
当K1≤K≤K2时,所述判定模块判定目标图像符合要求;
当K2<K时,所述判定模块判定目标图像边线曲率高,不符合要求;
其中,K1为预设最小标准曲率,K2为预设最大标准曲率,K1<K2。
9.根据权利要求8所述的基于卷积神经网络算法的目标识别方法,其特征在于,当判定目标图像边线曲率低时,所述处理模块以目标图像边线为目标框线重复待删除区域的划分及图像删除过程,在进行图像删除时将平均景深设置为Fa,设定Fa=F0×[1-(K1-K)/K1],图像删除完成后,判定模块重复判定过程直至目标图像符合要求;
当判定目标图像边线曲率高时,所述处理模块以目标图像边线为目标框线重复待删除区域的划分及图像删除过程,在进行图像删除时将平均景深设置为Fb,设定Fb=F0×[1-(K-K2)/K2],图像删除完成后,判定模块重复判定过程直至目标图像符合要求。
10.一种根据权利要求1-9任一项所述的基于卷积神经网络算法的目标识别方法的系统,包括,
采集模块,用以采集待处理图像,其与处理模块连接;
所述处理模块,用以对所述待处理图像进行图像处理,并生成目标图像,其与判定模块连接;
所述判定模块,用以对所述目标图像进行判定,其与输出模块连接;
所述输出模块,用以输出符合要求的目标图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110804794.7A CN113255706B (zh) | 2021-07-16 | 2021-07-16 | 一种基于卷积神经网络算法的目标识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110804794.7A CN113255706B (zh) | 2021-07-16 | 2021-07-16 | 一种基于卷积神经网络算法的目标识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113255706A CN113255706A (zh) | 2021-08-13 |
CN113255706B true CN113255706B (zh) | 2021-09-24 |
Family
ID=77180518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110804794.7A Active CN113255706B (zh) | 2021-07-16 | 2021-07-16 | 一种基于卷积神经网络算法的目标识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113255706B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114708137B (zh) * | 2022-04-25 | 2022-11-25 | 大庆亿莱检验检测技术服务有限公司 | 一种井下监测的360°图像处理装置 |
CN115641458B (zh) * | 2022-10-14 | 2023-06-20 | 吉林鑫兰软件科技有限公司 | 用于待统计目标养殖的ai识别系统及银行风控应用方法 |
CN116727691B (zh) * | 2023-07-11 | 2023-11-17 | 浙江拓博环保科技有限公司 | 基于数字化管理的金属3d打印方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705322A (zh) * | 2017-09-27 | 2018-02-16 | 中北大学 | 运动目标识别跟踪方法和系统 |
CN108647634A (zh) * | 2018-05-09 | 2018-10-12 | 深圳壹账通智能科技有限公司 | 图像边框查找方法、装置、计算机设备及存储介质 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778646A (zh) * | 2016-12-26 | 2017-05-31 | 北京智芯原动科技有限公司 | 基于卷积神经网络的车型识别方法及装置 |
CN107292287B (zh) * | 2017-07-14 | 2018-09-21 | 深圳云天励飞技术有限公司 | 人脸识别方法、装置、电子设备及存储介质 |
CN112926595B (zh) * | 2021-02-04 | 2022-12-02 | 深圳市豪恩汽车电子装备股份有限公司 | 深度学习神经网络模型的训练装置、目标检测系统及方法 |
-
2021
- 2021-07-16 CN CN202110804794.7A patent/CN113255706B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107705322A (zh) * | 2017-09-27 | 2018-02-16 | 中北大学 | 运动目标识别跟踪方法和系统 |
CN108647634A (zh) * | 2018-05-09 | 2018-10-12 | 深圳壹账通智能科技有限公司 | 图像边框查找方法、装置、计算机设备及存储介质 |
Non-Patent Citations (2)
Title |
---|
"Automatic defect identification technology of digital image of pipeline weld";Dong Shaohua等;《ScienceDirect》;20190723;第399-403页 * |
"一种基于列扫描灰度差异的快速目标识别定位算法";刘新海等;《武汉科技大学学报》;20011231;第24卷(第4期);第403-407页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113255706A (zh) | 2021-08-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113255706B (zh) | 一种基于卷积神经网络算法的目标识别方法及系统 | |
CN115018828B (zh) | 一种电子元器件的缺陷检测方法 | |
US6701010B1 (en) | Color image processing apparatus and pattern extracting apparatus | |
US7627148B2 (en) | Image data processing apparatus and method, and image data processing program | |
WO2018192662A1 (en) | Defect classification in an image or printed output | |
CN111046872B (zh) | 一种光学字符识别方法 | |
CN111353961B (zh) | 一种文档曲面校正方法及装置 | |
CN115830022B (zh) | 基于机器视觉的过滤机滤网缺陷检测方法 | |
CN113724231A (zh) | 一种基于语义分割和目标检测融合模型的工业缺陷检测方法 | |
US8175407B2 (en) | Image processing method, image processing apparatus, and program for clustering data | |
US7945095B2 (en) | Line segment detector and line segment detecting method | |
CN111340815B (zh) | 一种基于大津法与k均值法的自适应图像分割方法 | |
CN115578741A (zh) | 一种基于Mask R-cnn算法和类型分割的扫描文件版面分析方法 | |
CN110414517B (zh) | 一种用于配合拍照场景的快速高精度身份证文本识别算法 | |
CN113436206B (zh) | 一种基于聚类分割的病理组织切片扫描区域定位方法 | |
CN108710881B (zh) | 神经网络模型、候选目标区域生成方法、模型训练方法 | |
CN114140416A (zh) | 一种基于机器视觉的玻璃边缘检测方法和系统 | |
JP3708042B2 (ja) | 画像処理方法及びプログラム | |
CN111754461B (zh) | 半导体芯片图像字符区域的定位方法、装置 | |
CN109766860B (zh) | 基于改进的Adaboost算法的人脸检测方法 | |
CN115359022A (zh) | 一种电源芯片质量检测方法及系统 | |
CN110348452B (zh) | 一种图像二值化处理方法及其系统 | |
JP2000306104A (ja) | 画像領域分割方法及び装置 | |
JP4194309B2 (ja) | 文書方向推定方法および文書方向推定プログラム | |
CN112598679B (zh) | 一种天空区域分割方法及装置 |
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 |