CN114511707A - 一种基于计算机视觉的物体形状辨别方法 - Google Patents

Abstract

本发明属于计算机视觉技术领域，公开了一种基于计算机视觉的物体形状辨别方法，对获取的图像进行多次的预处理，并利用形态滤波器去除预处理后的图像中的噪声点，得到干净图像；基于链码法对所述干净图像中的轮廓边界进行识别和标记，得到基于所述轮廓边界的半径曲线；利用快速傅里叶变换法对所述半径曲线进行转换分析，并将得到的功率密度谱与标准形状功率密度谱进行对比，完成物体形状辨别，本发明的操作过程更加简单，节省了图像预处理的时间以及模型训练的过程；对物体形状的识别速度远快于基于模型训练方法的形状识别速度；并且，降低了周围环境因素对物体形状的识别的影响，可以准确的识别出物体形状是否发生变化。

Description

一种基于计算机视觉的物体形状辨别方法

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于计算机视觉的物体形状辨别方法。

背景技术

计算机视觉经历了文字识别、数字图像处理与识别、物体识别三个阶段，在物体识别阶段对三维世界的客体和环境的感知和认识，在高级计算机视觉的范畴中，以计算机和图像获取为工具，可以获取客体和环境的大量信息，通过对提取出图像中的与物体有关的信息，将这些信息与物体本身具备的信息之间进行比较，寻找出最有可能的对应关系，给出物体预测，从而判断物体的形状。于是一般的物体识别方法都有两个基本组成构件：特征提取与物体模型的表示，物体识别方法的有效性和正确性极大的依赖于他们二者之间的内在关联度。而且获取物体的观测数据时会受到多方面的影响。在不同的视角对同一物体也会得到不同的图像，物体所处的场景的背景以及物体会被遮挡，背景杂物一直是影响物体识别性能的重要因素，综上所述，现有技术无法检测出物体是否发生形状的改变。

发明内容

本发明的目的在于提供一种基于计算机视觉的物体形状辨别方法，能够准确检测出物体是否发生形状的改变。

为实现上述目的，本发明提供了一种基于计算机视觉的物体形状辨别方法，包括以下步骤：

对获取的图像进行多次的预处理，并利用形态滤波器去除预处理后的图像中的噪声点，得到干净图像；

基于链码法对所述干净图像中的轮廓边界进行识别和标记，得到基于所述轮廓边界的半径曲线；

利用快速傅里叶变换法对所述半径曲线进行转换分析，并将得到的功率密度谱与标准形状功率密度谱进行对比，完成物体形状辨别。

其中，对获取的图像进行多次的预处理，并利用形态滤波器去除预处理后的图像中的噪声点，得到干净图像，包括：

将获取的图像转换为灰度图，并利用5乘以5的方形窗口，对转换得到的所述灰度图进行滤波处理；

利用双峰法获取二值化阈值，并基于所述二值化阈值将滤波完成后的图像进行二值化处理，得到二值化图像；

利用形态滤波器去除预处理后的图像中的噪声点，得到干净图像。

其中，利用形态滤波器去除预处理后的图像中的噪声点，得到干净图像，包括：

利用边缘识别算法获取所述二值化图像的边界，然后基于识别出来的边界，依次进行开运算和闭运算，去除所述二值化图像中的噪声块，得到干净图像。

其中，基于链码法对所述干净图像中的轮廓边界进行识别和标记，得到基于所述轮廓边界的半径曲线，包括：

按照扫描顺序对所述干净图像的轮廓边界进行扫描，获取边界起始点并进行标记，同时定义扫描方向变量；

按照逆时针方向对设定搜索框内的像素点进行扫描，并对识别出的边界行进点标记同时更新扫描方向变量，直至扫描完成，构建基于所述轮廓边界的半径曲线。

其中，按照逆时针方向对设定搜索框内的像素点进行扫描，并对识别出的边界行进点标记同时更新扫描方向变量，直至扫描完成，构建基于所述轮廓边界的半径曲线，包括：

按照逆时针方向，基于3*3像素的搜索框，以所述边界起始点为起点，基于所述干净图像的轮廓边界进行扫描，得到边界行进点，并进行标记同时更新对应的所述扫描方向变量；

当当前所述边界行进点的前一个所述边界行进点与所述边界起始点的坐标值相同，则停止搜索；

构建基于所述轮廓边界的半径曲线。

其中，构建基于所述轮廓边界的半径曲线，包括：

计算所述边界起始点的坐标值与质心之间的欧式距离；

根据相邻的两个所述边界行进点的所述扫描方向变量，计算出后一个所述边界行进点的坐标值以及对应的相对于质心的欧式距离，其中，第一个所述边界行进点为所述边界起始点；

根据所述边界行进点的排序作为横坐标，以对应的欧式距离为纵坐标，得到基于所述轮廓边界的半径曲线。

本发明的一种基于计算机视觉的物体形状辨别方法，对获取的图像进行多次的预处理，并利用形态滤波器去除预处理后的图像中的噪声点，得到干净图像；基于链码法对所述干净图像中的轮廓边界进行识别和标记，得到基于所述轮廓边界的半径曲线；利用快速傅里叶变换法对所述半径曲线进行转换分析，并将得到的功率密度谱与标准形状功率密度谱进行对比，完成物体形状辨别，本发明的操作过程更加简单，节省了图像预处理的时间以及模型训练的过程；对物体形状的识别速度远快于基于模型训练方法的形状识别速度；并且，降低了周围环境因素对物体形状的识别的影响，可以准确的识别出物体形状是否发生变化。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1是本发明提供的一种基于计算机视觉的物体形状辨别方法的步骤示意图。

图2是本发明提供的一种基于计算机视觉的物体形状辨别方法的流程示意图。

具体实施方式

下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，旨在用于解释本发明，而不能理解为对本发明的限制。

在本发明的描述中，需要理解的是，术语“长度”、“宽度”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”“内”、“外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的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，在本发明的描述中，“多个”的含义是两个或两个以上，除非另有明确具体的限定。

请参阅图1和图2，本发明提供一种基于计算机视觉的物体形状辨别方法，包括以下步骤：

S101、对获取的图像进行多次的预处理，并利用形态滤波器去除预处理后的图像中的噪声点，得到干净图像。

具体的，通过对采集到的图像进行预处理，能提高对比度，抑制背景而突出形状特征，把图像变成便于后续处理的形式，从而能更准确的辨别物体形状。图像的预处理要经过以下几个步骤：

S110、将获取的彩色图像转换为灰度图像

由于输入图像可能是索引图像，也可能是灰度图像，所以一律把图像先转换为灰度图像，以便对图像做进一步处理。在matlab中，利用rgb2gray，ind2gray等函数可以很方便的进行图像类型转换。

S120、将所述灰度图像进行图像平滑处理

对图像进行平滑处理，采用中值滤波法。二维中值滤波的窗口形状和尺寸对滤波的效果影响较大，不同的图像内容和不同的应用要求，往往采取不用的窗口形状尺寸。本方法所处理的图像一般具有缓变的较长轮廓线，宜采用一个5乘以5的方形窗口，在处理的过程中，首先，识别所述灰度图像的边缘线，根据识别到的4个边角，择一作为处理起始点；然后，将5乘以5的方形窗口的任一角与处理起始点重合，然后，利用与处理起始点重合的边角的对角为圆心进行旋转，其中，每次旋转90°，直至旋转到灰度图像的边缘后，将所述方形窗口翻转180°，翻转的方向为，以已处理区域与未处理区域的分界线为边界线，朝向远离已经处理过的图像区域翻转，相邻两次的旋转方向相反，如，第一次是顺时针，则第二次是逆时针，如此循环往复，直至灰度图像处理完成。

S130、将平滑处理后的图像进行二值化处理

要找到物体边界的链码，首先要把目标图像转换为二值图像。采用双峰法确定阈值。能有效的对图像进行二值化，从而可以提高辨别的准确率。

S140、利用形态滤波器进行图像去噪，得到干净图像

为了求得物体的质心，必须保证物体里面没有噪声点。因而最后一个步骤是对图像进行形态滤波，以平滑图像边界，滤除目标内比结构元素小的噪声块。先对图像进行开运算，再进行闭运算就可以构成滤除图像噪声的形态滤波器，能滤除不需要的噪声块。

通过以上的预处理以及形态滤波器的处理后，可以保证得到的干净图像中尽可能的没有环境因素的影响，保证后续检测结果的精度。

S102、基于链码法对所述干净图像中的轮廓边界进行识别和标记，得到基于所述轮廓边界的半径曲线。

具体的，链码法主要内容是求出物体轮廓的半径曲线。在物体边界上选一点，以该点为起点，根据物体边缘的链码分别求出各边界点到质心的距离，形成一条以物体边界点的点序为横坐标，以其半径为纵坐标的曲线，即为图像的半径曲线。

1质心

在matlab中，用imfeature函数可以很轻易的提取出物体的质心，但是它并不是十分的精确，这里用物体的区域矩特征来求取物体的质心。区域矩特征是利用力学中矩的概念，将区域内部的象素作为质点，象素的坐标作为力臂，从而以各阶矩的形式来表示区域形状特征的一种描述。

物体图像质心的坐标可由图像的一阶矩除以零阶矩求得。

2半径

设物体边缘点的坐标(i_k,j_k)，1≤k≤N，N为物体边缘点数，则边缘点(i_k,j_k)与质心(m,n)间的距离D_k可以表示为：

3链码

求物体边界的链码，首先要对物体边缘进行跟踪。沿边缘线跟踪边缘点求出边缘点之间的方向码，即可得出物体的边界链码。其算法步骤如下。

1)、先按从上到下，从左到右的顺序扫描图像，寻找没有标记跟踪结束标记的第一个边界起始点A1，A1是具有最小行值和列值的边界点。定义一个扫描方向变量dir 1，该变量用于记录上一步中沿着前一个边界点到当前边界点的移动方向，即方向码。

2)、按逆时针方向搜索当前像素的3*3领域中第一个与当前的边界行进点的像素数值相同的像素的边界行进点An，同时更新dir n。其中，第一个边界行进点为所述边界起始点。

3)、如果An等于第二个边界行进点A2，且前一个边界行进点An-1等于边界起始点A1。则停止搜索，结束跟踪，否则重复第二步继续搜索。

4)、由各个边界点A1，A2，A3，…，An，得出的dir 1，dir 1，dir 3，…dir n构成的边界链码就是我们要求的链码。并记录下起始点A1的坐标(X1，Y1)。

4半径曲线

根据之前所求出的质心坐标、链码等信息之后，就可以求物体轮廓的曲线半径了。其算法步骤如下。

1)、根据式(1)求出第一点A1(X1，Y1)与质心(m，n)的欧氏距离D1。即为该点的半径。

2)、根据A1与A2的方向码dir 1，可求出A2的坐标(X2，Y2)并计算A2(X2，Y2)与质心(m，n)的欧氏距离D2。

3)、重复步骤2直到最后一点An。

这样就得出一条以物体轮廓点An的点序n为横坐标，以其对应的点与质心的欧氏距离Dn为纵坐标的曲线。

任何物体的半径曲线都是固定的，他们只与起形状有关，不会因大小、颜色等因素而改变。对半径曲线做进一步的处理，就可以更有效的辨别物体的形状，区分形状的改变，监控是否有变形等。

S103、利用快速傅里叶变换法对所述半径曲线进行转换分析，并将得到的功率密度谱与标准形状功率密度谱进行对比，完成物体形状辨别。

具体的，把半径曲线看成一维的周期数字能量信号，就能够从功率密度普的角度对其进行分析，而物体的形状信息也可以转换并承载于半径曲线信号的功率密度普中，从而可以方便地对形状进行分析对比。此时，其形状信息就承载于各次谐波分量中，高次数谐波分量数值越大，代表其形状越复杂。滤出信号中的基波分量后，对信号进行归一化处理，最后进行FFT变换，即可得出信号的功率密度普函数。不同形状的物体能量集中的频段是不同的，每个标准形状都有其特定的波形，而物体形状越复杂，功率密度普中各频段的能量就越大，当物体形状发生改变时，其功率密度谱也发生改变。

因此，把物体功率密度谱与标准形状密度谱进行对比，就可以识别出物体的形状来；通过对物体功率谱前后的对比，即可检测出物体是否发生形状的改变。

在将物体功率密度谱与标准形状密度谱进行对比的过程中，首先，将两者曲线分别建立一个平面，并分别用两种不同的颜色进行标注，完成后，将两个平面进行重合，将重合部分的曲线进行隐藏，突出显示未重合部分，将未重合部分进行局部放大，依次获取物体功率密度谱与标准形状密度谱上的边界行进点的坐标值，计算同一横坐标对应的边界行进点之间的误差，将误差小于阈值的边界行进点进行隐藏，保留误差值大于阈值的物体功率密度谱上的所述边界行进点，同时，改变其标注颜色，便于警示，直至所有的未重合部分的曲线全部分析完成后，将两个平面分开，查看物体功率密度谱上的未隐藏的所述边界行进点的未隐藏坐标值，根据所述未隐藏坐标值在所述标准形状密度谱中对应的进行查找，可以准确的得知当前未隐藏坐标值所代表的物体形状位置，可以准确的得出是物体的那一部分出现了形变，便于提供辨别的精准性。

所述方法还包括：

构建大数据库，并对大数据库中的标准形状密度谱进行分类标记。

具体的，基于链路法对获取的标准图像进行链路处理，标准半径曲线，然后利用快速傅里叶变换法对所述标准半径曲线进行处理，得到标准的大数据库，为了便于对比分析过程的快速性，将所述标准形状密度谱进行分类存储，分类的依据是目前国际上通用的对物体的划分标准，即该物体属于哪一科目下，这样在对比分析时，直接调用统一科目下的标准形状密度谱进行对比分析，减少时间上的浪费。

在将获取的图像转换为灰度图像之前，所述方法还包括：

对被采集物体的身份信息进行识别，并根据所述身份信息对获取的图像进行标记。

具体的，在利用采集设备采集图像的时候，对被采集的物体进行身份识别，即将获取的图像与互联网中的图像进行匹配，判断当前被采集的物体属于哪一科目，若无法识别，则进行人工判断，当判断完成后，将识别结果对所述图像进行标记，采用的是利用所述身份信息对所述图像进行加密，因此，在判断形状是否发生变化之前，会根据当前获取图像的加密信息，在构建的大数据库中进行查找，即利用加密信息与大数据库中的科目信息进行匹配，匹配完成后，利用大数据中的科目名称对加密图像进行解密，然后进行图像预处理以及基于链码法的处理过程，当处理完成后，直接就可以将处理得到的功率密度谱与标准形状功率密度谱进行对比，完成物体形状辨别，保证了比对过程的准确性以及可以减少在比对过程中，与大量的标准形状功率密度谱的对比过程，减少辨别时间上的浪费，也可以保证可以准确的识别出物体形状是否发生变化。

在将获取的图像转换为灰度图像之前，所述方法还包括：

判断获取所述图像是否是正视图，若不是，则对所述图像进行角度修饰变换。

具体的，在对物体进行图像获取时，无法保证物体始终是垂直的正对图像获取装置的，因此，在获取到图像时，需要判断当前的图像是否是正视图，判断过程为：对图像的边缘进行识别，并基于图像的左下角建立直角坐标系，利用边缘识别算法识别出图像的边缘轮廓，获取到边缘轮廓的最高点，以最高点坐标建立中轴线，当中轴线两边的坐标值重合且图像轮廓也基本重合，则判断为当前获取的图像为正视图，若无法重合，则判断为不是正视图。

若不是正视图，则计算出图像靠近X轴的边缘线之间的距离的中点，结合最高点，两点进行连线后，计算出当前连接线与X轴之间的夹角，此夹角为当前图像的倾斜角，基于此夹角，以此连接线靠近Y轴的一侧轮廓边缘的坐标值为基准点，发出射线，同时，调整射线与X轴之间的角度等于此夹角，可以得到此射线与连接线远离Y轴一侧的轮廓边缘的连接点，如此，直至所有的轮廓边缘均被连接起来，得到多条彼此平行的相对于X轴倾斜同一角度的线段，然后，按照此夹角的相反方向，调整对应的度数，使图像转换成正视图。

当图像不是正视图时，可能会存在有侧边轮廓的影响，因此，当角度调成完成后，基于最高点建立的中轴线，将中轴线左右两侧的图像进行重叠，将超出部分进行删除，这样就可以保证只有正视角度对应的图像在获取的图像中，这样在后续的图像处理以及图像分析对比过程中，进一步保证对比结果的准确性，避免因拍摄角度问题，影响物体形变结果的准确性。

以上所揭露的仅为本发明一种较佳实施例而已，当然不能以此来限定本发明之权利范围，本领域普通技术人员可以理解实现上述实施例的全部或部分流程，并依本发明权利要求所作的等同变化，仍属于发明所涵盖的范围。

Claims (6)

1.一种基于计算机视觉的物体形状辨别方法，其特征在于，包括以下步骤：

对获取的图像进行多次的预处理，并利用形态滤波器去除预处理后的图像中的噪声点，得到干净图像；

基于链码法对所述干净图像中的轮廓边界进行识别和标记，得到基于所述轮廓边界的半径曲线；

利用快速傅里叶变换法对所述半径曲线进行转换分析，并将得到的功率密度谱与标准形状功率密度谱进行对比，完成物体形状辨别。

2.如权利要求1所述的基于计算机视觉的物体形状辨别方法，其特征在于，对获取的图像进行多次的预处理，并利用形态滤波器去除预处理后的图像中的噪声点，得到干净图像，包括：

将获取的图像转换为灰度图，并利用5乘以5的方形窗口，对转换得到的所述灰度图进行滤波处理；

利用双峰法获取二值化阈值，并基于所述二值化阈值将滤波完成后的图像进行二值化处理，得到二值化图像；

利用形态滤波器去除预处理后的图像中的噪声点，得到干净图像。

3.如权利要求2所述的基于计算机视觉的物体形状辨别方法，其特征在于，利用形态滤波器去除预处理后的图像中的噪声点，得到干净图像，包括：

利用边缘识别算法获取所述二值化图像的边界，然后基于识别出来的边界，依次进行开运算和闭运算，去除所述二值化图像中的噪声块，得到干净图像。

4.如权利要求1所述的基于计算机视觉的物体形状辨别方法，其特征在于，基于链码法对所述干净图像中的轮廓边界进行识别和标记，得到基于所述轮廓边界的半径曲线，包括：

按照扫描顺序对所述干净图像的轮廓边界进行扫描，获取边界起始点并进行标记，同时定义扫描方向变量；

按照逆时针方向对设定搜索框内的像素点进行扫描，并对识别出的边界行进点标记同时更新扫描方向变量，直至扫描完成，构建基于所述轮廓边界的半径曲线。

5.如权利要求4所述的基于计算机视觉的物体形状辨别方法，其特征在于，按照逆时针方向对设定搜索框内的像素点进行扫描，并对识别出的边界行进点标记同时更新扫描方向变量，直至扫描完成，构建基于所述轮廓边界的半径曲线，包括：

按照逆时针方向，基于3*3像素的搜索框，以所述边界起始点为起点，基于所述干净图像的轮廓边界进行扫描，得到边界行进点，并进行标记同时更新对应的所述扫描方向变量；

当当前所述边界行进点的前一个所述边界行进点与所述边界起始点的坐标值相同，则停止搜索；

构建基于所述轮廓边界的半径曲线。

6.如权利要求5所述的基于计算机视觉的物体形状辨别方法，其特征在于，构建基于所述轮廓边界的半径曲线，包括：

计算所述边界起始点的坐标值与质心之间的欧式距离；

根据相邻的两个所述边界行进点的所述扫描方向变量，计算出后一个所述边界行进点的坐标值以及对应的相对于质心的欧式距离，其中，第一个所述边界行进点为所述边界起始点；

根据所述边界行进点的排序作为横坐标，以对应的欧式距离为纵坐标，得到基于所述轮廓边界的半径曲线。

Images