CN116403094B - 一种嵌入式图像识别方法及系统 - Google Patents

一种嵌入式图像识别方法及系统 Download PDF

Info

Publication number
CN116403094B
CN116403094B CN202310673883.1A CN202310673883A CN116403094B CN 116403094 B CN116403094 B CN 116403094B CN 202310673883 A CN202310673883 A CN 202310673883A CN 116403094 B CN116403094 B CN 116403094B
Authority
CN
China
Prior art keywords
gray
unit
pixel
area
classification
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
CN202310673883.1A
Other languages
English (en)
Other versions
CN116403094A (zh
Inventor
张昆
王大维
廖元垲
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.)
Chengdu Jingrong Lianchuang Technology Co ltd
Original Assignee
Chengdu Jingrong Lianchuang Technology Co ltd
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 Chengdu Jingrong Lianchuang Technology Co ltd filed Critical Chengdu Jingrong Lianchuang Technology Co ltd
Priority to CN202310673883.1A priority Critical patent/CN116403094B/zh
Publication of CN116403094A publication Critical patent/CN116403094A/zh
Application granted granted Critical
Publication of CN116403094B publication Critical patent/CN116403094B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V10/94—Hardware or software architectures specially adapted for image or video understanding
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • 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
    • G06V10/34—Smoothing or thinning of the pattern; Morphological operations; Skeletonisation
    • 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
    • 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
    • G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
    • G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02D—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN INFORMATION AND COMMUNICATION TECHNOLOGIES [ICT], I.E. INFORMATION AND COMMUNICATION TECHNOLOGIES AIMING AT THE REDUCTION OF THEIR OWN ENERGY USE
    • Y02D10/00—Energy efficient computing, e.g. low power processors, power management or thermal management

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种嵌入式图像识别方法及系统，属于图像处理技术领域，包括：对输入嵌入式平台的原始图像灰度处理，得到灰度图；对灰度图的灰度值进行增强处理，得到增强图；对增强图进行分类处理，得到各分类子区域；提取每个分类子区域的轮廓，得到各轮廓图像；对每个轮廓图像提取特征，进行目标识别；本发明解决了嵌入式平台无法进行对图像目标识别的问题。

Description

一种嵌入式图像识别方法及系统
技术领域
本发明涉及图像处理技术领域，具体涉及一种嵌入式图像识别方法及系统。
背景技术
由于图像数据的数据量较大且复杂度较高，因此，现有图像处理技术通常采用深度神经网络进行处理，深度神经网络包含众多卷积层、池化层和激活层，大量的卷积层、池化层和激活层的运用增加了数据处理的复杂度，造成图像处理通常是在性能优越的处理器上运行。
嵌入式平台的硬件内容包括信号处理器、存储器、通信模块等在内的多方面的内容。相比于一般的计算机处理系统，嵌入式平台能处理的数据复杂度较低，因此，其无法承载深度神经网络的运行。
现有采用嵌入式平台进行图像处理，均是进行一些简单的图像处理操作，例如：图像滤波、增强、剪裁和编码等，其无法进行对图像目标的识别。
发明内容
针对现有技术中的上述不足，本发明提供的一种嵌入式图像识别方法及系统解决了嵌入式平台无法进行对图像目标的识别的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种嵌入式图像识别方法，包括以下步骤：
S1、对输入嵌入式平台的原始图像灰度处理，得到灰度图；
S2、对灰度图的灰度值进行增强处理，得到增强图；
S3、对增强图进行分类处理，得到各分类子区域；
S4、提取每个分类子区域的轮廓，得到各轮廓图像；
S5、对每个轮廓图像提取特征，进行目标识别。
进一步地，所述S1中灰度处理的公式为：
，
，
，
，
其中，为灰度图上第/>个像素点的灰度值，/>为原始图像上第/>个像素点的G通道值，/>为原始图像上第/>个像素点的R通道值，/>为原始图像上第/>个像素点的B通道值，/>为通道总值，/>为灰度处理窗口内第1个像素点的G通道值，/>为灰度处理窗口内第/>个像素点的G通道值，/>为灰度处理窗口内第/>个像素点的G通道值，灰度处理窗口内包括：原始图像上第/>个像素点及第/>个像素点邻域范围内所有像素点，/>为灰度处理窗口内的像素点数量，为灰度处理窗口内最大的G通道值，/>为取最大值，/>为灰度处理窗口内第1个像素点的R通道值，/>为灰度处理窗口内第/>个像素点的R通道值，/>为灰度处理窗口内第/>个像素点的R通道值，/>为灰度处理窗口内最大的R通道值。
上述进一步地方案的有益效果为：本发明中为了增强灰度值，提高各个不同灰度值之间的辨识度，本发明在灰度处理窗口找到最大的G通道值和R通道值，作为当前处理的像素点的灰度权重，从而提高灰度值，凸出显著特征，灰度处理窗口内的通道值为当前灰度处理像素点临近范围内的通道值，便于通过其临近范围的通道值体现当前区域通道值的分布情况。
进一步地，所述S2中增强处理的公式为：
，
其中，为增强图上第/>个像素点的灰度值，/>为灰度图上第/>个像素点的灰度值，为灰度图上的最大灰度值，/>为灰度图上的最小灰度值。
上述进一步地方案的有益效果为：本发明根据灰度图上最大灰度值和最小灰度值，进一步地增强每个像素点的灰度值，使得各个像素点的灰度值之间的区分明显，便于后续分类，分类的精度决定轮廓提取的精度，不同灰度值之间区分明显，更便于提取细微特征。
进一步地，所述S3包括以下分步骤：
S31、根据增强图上像素点的灰度值分布，对增强图上像素点进行聚类处理，得到多个聚类区域；
S32、若存在聚类区域内像素点不连续，则根据像素点的分布情况，将聚类区域进行划分成多个分类子区域；
S33、若聚类区域内像素点连续，则将聚类区域作为分类子区域；
S34、根据各分类子区域中像素点的数量和位置分布情况，对各分类子区域进行去噪处理，筛选出有效分类子区域。
上述进一步地方案的有益效果为：根据灰度值大小，将处于同一水平的灰度值的像素点归为同一类，得到聚类区域，但是可能每个聚类区域中各个像素点的分布并不连续，例如，在增强图上的左侧和右侧存在相同灰度值的像素点时，左侧和右侧的像素点为同一类，但是左侧和右侧之间还被其他类的像素点隔开，因此，根据各个类中像素点的分布情况，可将聚类区域进行划分，划分得到多个分类子区域，若某一水平的灰度值只有一个类，则该类的区域直接作为一个分类子区域，通过这种方式将所有的像素点进行分区，实现根据图像轮廓分区。
进一步地，所述S34包括以下分步骤：
S341、若存在分类子区域中像素点数量小于M，则将该分类子区域作为噪点区域，其中，M为正整数；
S342、若噪点区域被另一分类子区域包围，将噪点区域与包围的分类子区域进行融合；
S343、若噪点区域被两个以上的分类子区域包围，则根据噪点区域与各包围的分类子区域的接触范围，将噪点区域划分到各包围的分类子区域中。
进一步地，所述S342中将噪点区域与包围的分类子区域进行融合为：采用包围的分类子区域上的平均灰度值对噪点区域上所有像素点的灰度进行赋值；
所述S343中将噪点区域划分到各包围的分类子区域包括以下分步骤：
A1、确定噪点区域与各包围的分类子区域的接触像素点数量；
A2、根据接触像素点数量，计算划分比例；
A3、根据划分比例，将噪点区域中靠近各包围的分类子区域的部分按比例划分到对应的包围的分类子区域中。
上述进一步地方案的有益效果为：选出像素点极少的分类子区域作为噪点区域，当去噪区域在一个分类子区域内中，则其直接与该分类子区域融合，从而达到去噪的目的，若其被几个分类子区域包围，即其周边分布着多个分类子区域，其与多个分类子区域接触，则根据与每个分类子区域接触的范围，按比例，将噪点区域划分到各包围的分类子区域中，划分部分的像素点的灰度值采用对应分类子区域的灰度平均值进行赋值，从而达到去噪效果。
进一步地，所述S5包括以下分步骤：
S51、对每个轮廓图像提取特征，得到轮廓特征；
S52、将轮廓特征输入目标识别模型，得到目标类型。
进一步地，所述S51中提取特征的公式为：
，
其中，为轮廓特征，/>为轮廓图像，/>为特征拼接符号，/>为第一权重，/>为第二权重，/>为第三权重，/>为卷积运算，/>为最大池化运算，/>为平均池化运算。
上述进一步地方案的有益效果为：本发明中采用卷积处理提取特征后，再分别采用最大池化和平均池化提取特征，再将卷积处理后的特征进行拼接，精简数据的同时，保障数据特征的丰富度。
进一步地，所述S52中目标识别模型包括：多个残差特征提取单元、Concat单元、乘法器M1、乘法器M2、softmax单元、CSP单元和Conv单元；
所述残差特征提取单元的输入端用于输入轮廓特征，其输出端与Concat单元的输入端连接；所述Concat单元的输出端与乘法器M1的输入端连接；所述乘法器M1的输出端分别与softmax单元的输入端和乘法器M2的输入端连接；所述softmax单元的输出端与乘法器M2的输入端连接；所述CSP单元的输入端与乘法器M2的输出端连接，其输出端与Conv单元的输入端连接；所述Conv单元的输出端作为目标识别模型的输出端。
上述进一步地方案的有益效果为：本发明中采用残差特征提取单元对每个轮廓特征进行处理，将处理后的数据通过Concat单元进行融合，在乘法器M1施加权重，再通过softmax单元提取各个特征量的权重，再将softmax单元提取的权重与乘法器M1输出进行相乘，提高数据关注度，使得模型能自适应关注重点特征，提高模型识别精度。
一种嵌入式图像识别方法的系统，包括：灰度处理单元、灰度增强单元、分类单元、轮廓提取单元和目标识别单元；
所述灰度处理单元用于对输入嵌入式平台的原始图像灰度处理，得到灰度图；所述灰度增强单元用于对灰度图的灰度值进行增强处理，得到增强图；所述分类单元用于对增强图进行分类处理，得到各分类子区域；所述轮廓提取单元用于提取每个分类子区域的轮廓，得到各轮廓图像；所述目标识别单元用于对每个轮廓图像提取特征，进行目标识别。
综上，本发明的有益效果为：本发明中先将图像灰度处理，并增强处理，增强灰度值之间的距离，从而使得细节特征更容易被提取出来，再对增强图进行分类处理，对每个分类子区域提取轮廓，再对每个轮廓图像提取特征，进行目标识别，本发明在原始图像的基础上不断缩减数据量，且提取出有效特征，利用简单的数据处理过程，完成特征提取，根据特征进行目标识别，实现一种轻量化的图像目标识别方法，便于在嵌入式平台上运行。
附图说明
图1为一种嵌入式图像识别方法的流程图；
图2为目标识别模型的结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，一种嵌入式图像识别方法，包括以下步骤：
S1、对输入嵌入式平台的原始图像灰度处理，得到灰度图；
所述S1中灰度处理的公式为：
，
，
，
，
其中，为灰度图上第/>个像素点的灰度值，/>为原始图像上第/>个像素点的G通道值，/>为原始图像上第/>个像素点的R通道值，/>为原始图像上第/>个像素点的B通道值，/>为通道总值，/>为灰度处理窗口内第1个像素点的G通道值，/>为灰度处理窗口内第/>个像素点的G通道值，/>为灰度处理窗口内第/>个像素点的G通道值，灰度处理窗口内包括：原始图像上第/>个像素点及第/>个像素点邻域范围内所有像素点，/>为灰度处理窗口内的像素点数量，为灰度处理窗口内最大的G通道值，/>为取最大值，/>为灰度处理窗口内第1个像素点的R通道值，/>为灰度处理窗口内第/>个像素点的R通道值，/>为灰度处理窗口内第/>个像素点的R通道值，/>为灰度处理窗口内最大的R通道值。
在本实施例中，灰度处理窗口的大小根据需求进行设置。
S2、对灰度图的灰度值进行增强处理，得到增强图；
所述S2中增强处理的公式为：
，
其中，为增强图上第/>个像素点的灰度值，/>为灰度图上第/>个像素点的灰度值，为灰度图上的最大灰度值，/>为灰度图上的最小灰度值。
S3、对增强图进行分类处理，得到各分类子区域；
所述S3包括以下分步骤：
S31、根据增强图上像素点的灰度值分布，对增强图上像素点进行聚类处理，得到多个聚类区域；
所述S31包括以下分步骤：
S311、任取增强图上一像素点，作为聚类点；
S312、计算聚类点与增强图上其他未分类的像素点的灰度值距离：
，
其中，为灰度值距离，/>为聚类点的灰度值，/>为其他未分类的像素点的灰度值；
S313、将聚类点和对应的距离小于距离阈值的像素点归为一类；
S314、依次选取未分类像素点作为聚类点，重复步骤S311至S313，直到所有像素点均分类完成，得到多个聚类区域。
在本实施例中，若聚类点缺乏与之灰度值相近的像素点，则将其自身作为一类。
S32、若存在聚类区域内像素点不连续，则根据像素点的分布情况，将聚类区域进行划分成多个分类子区域；
S33、若聚类区域内像素点连续，则将聚类区域作为分类子区域；
S34、根据各分类子区域中像素点的数量和位置分布情况，对各分类子区域进行去噪处理，筛选出有效分类子区域。
在本实施例中，S32和S33中的像素点连续是指其能连接成片，其中间不存在其他类的像素点将其分割开。
所述S34包括以下分步骤：
S341、若存在分类子区域中像素点数量小于M，则将该分类子区域作为噪点区域，其中，M为正整数；
S342、若噪点区域被另一分类子区域包围，将噪点区域与包围的分类子区域进行融合，得到有效分类子区域；
S343、若噪点区域被两个以上的分类子区域包围，则根据噪点区域与各包围的分类子区域的接触范围，将噪点区域划分到各包围的分类子区域中，得到有效分类子区域。
所述S342中将噪点区域与包围的分类子区域进行融合为：采用包围的分类子区域上的平均灰度值对噪点区域上所有像素点的灰度进行赋值；
所述S343中将噪点区域划分到各包围的分类子区域包括以下分步骤：
A1、确定噪点区域与各包围的分类子区域的接触像素点数量；
A2、根据接触像素点数量，计算划分比例：
，
其中，为第/>个划分比例，/>为噪点区域上与包围的第/>个分类子区域接触处的像素点数量，/>为包围的分类子区域数量。
A3、根据划分比例，将噪点区域中靠近各包围的分类子区域的部分按比例划分到对应的包围的分类子区域中。
例如，在本实施例中，设置M为5，其被2个分类子区域包围，与分类子区域A接触的像素点数量为2个，与分类子区域B接触的像素点数量为1个，则将去噪区域中2/3的像素点划分到分类子区域A中，将去噪区域中1/3的像素点划分到分类子区域B中，值得注意的是，2/3的像素点应当是靠近分类子区域A的部分像素点，使得分类子区域A在纳入2/3部分去噪区域后，像素点能连续，同理，1/3的像素点应当是靠近分类子区域B的部分像素点，使得分类子区域B在纳入1/3部分去噪区域后，像素点能连续。
S4、提取每个分类子区域的轮廓，得到各轮廓图像；
在前面步骤处理后，根据像素点灰度值的分布，实现各部分灰度值的分区，从而便于提取各部分轮廓。
S5、对每个轮廓图像提取特征，进行目标识别。
所述S5包括以下分步骤：
S51、对每个轮廓图像提取特征，得到轮廓特征；
S52、将轮廓特征输入目标识别模型，得到目标类型。
所述S51中提取特征的公式为：
，
其中，为轮廓特征，/>为轮廓图像，/>为特征拼接符号，/>为第一权重，/>为第二权重，/>为第三权重，/>为卷积运算，/>为最大池化运算，/>为平均池化运算。
如图2所示，目标识别模型包括：多个残差特征提取单元、Concat单元、乘法器M1、乘法器M2、softmax单元、CSP单元和Conv单元；
所述残差特征提取单元的输入端用于输入轮廓特征，其输出端与Concat单元的输入端连接；所述Concat单元的输出端与乘法器M1的输入端连接；所述乘法器M1的输出端分别与softmax单元的输入端和乘法器M2的输入端连接；所述softmax单元的输出端与乘法器M2的输入端连接；所述CSP单元的输入端与乘法器M2的输出端连接，其输出端与Conv单元的输入端连接；所述Conv单元的输出端作为目标识别模型的输出端。
本发明中采用残差特征提取单元对每个轮廓特征进行处理，将处理后的数据通过Concat单元进行融合，在乘法器M1施加权重，便于对特征量施加权重，再通过softmax单元提取各个特征量的权重，再将softmax单元提取的权重与乘法器M1输出进行相乘，提高数据关注度，使得模型能自适应关注重点特征，提高模型识别精度。
本发明中的目标识别模型中网络层数较少，对于数据处理过程的复杂度较低，更便于在嵌入式平台上运行。
在本实施例中，本发明中的CSP单元为YOLO神经网络中的CSP单元。
一种嵌入式图像识别方法的系统，包括：灰度处理单元、灰度增强单元、分类单元、轮廓提取单元和目标识别单元；
所述灰度处理单元用于对输入嵌入式平台的原始图像灰度处理，得到灰度图；所述灰度增强单元用于对灰度图的灰度值进行增强处理，得到增强图；所述分类单元用于对增强图进行分类处理，得到各分类子区域；所述轮廓提取单元用于提取每个分类子区域的轮廓，得到各轮廓图像；所述目标识别单元用于对每个轮廓图像提取特征，进行目标识别。
本实施例中系统的实现过程与方法的实现过程相同。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (2)

1.一种嵌入式图像识别方法，其特征在于，包括以下步骤：
S1、对输入嵌入式平台的原始图像灰度处理，得到灰度图；
S2、对灰度图的灰度值进行增强处理，得到增强图；
S3、对增强图进行分类处理，得到各分类子区域；
S4、提取每个分类子区域的轮廓，得到各轮廓图像；
S5、对每个轮廓图像提取特征，进行目标识别；
所述S1中灰度处理的公式为：
，
，
，
，
其中，为灰度图上第/>个像素点的灰度值，/>为原始图像上第/>个像素点的G通道值，/>为原始图像上第/>个像素点的R通道值，/>为原始图像上第/>个像素点的B通道值，/>为通道总值，/>为灰度处理窗口内第1个像素点的G通道值，/>为灰度处理窗口内第/>个像素点的G通道值，/>为灰度处理窗口内第/>个像素点的G通道值，灰度处理窗口内包括：原始图像上第/>个像素点及第/>个像素点邻域范围内所有像素点，/>为灰度处理窗口内的像素点数量，/>为灰度处理窗口内最大的G通道值，/>为取最大值，/>为灰度处理窗口内第1个像素点的R通道值，/>为灰度处理窗口内第/>个像素点的R通道值，/>为灰度处理窗口内第/>个像素点的R通道值，/>为灰度处理窗口内最大的R通道值；
所述S2中增强处理的公式为：
，
其中，为增强图上第/>个像素点的灰度值，/>为灰度图上第/>个像素点的灰度值，/>为灰度图上的最大灰度值，/>为灰度图上的最小灰度值；
所述S3包括以下分步骤：
S31、根据增强图上像素点的灰度值分布，对增强图上像素点进行聚类处理，得到多个聚类区域；
S32、若存在聚类区域内像素点不连续，则根据像素点的分布情况，将聚类区域进行划分成多个分类子区域；
S33、若聚类区域内像素点连续，则将聚类区域作为分类子区域；
S34、根据各分类子区域中像素点的数量和位置分布情况，对各分类子区域进行去噪处理，筛选出有效分类子区域；
所述S34包括以下分步骤：
S341、若存在分类子区域中像素点数量小于M，则将该分类子区域作为噪点区域，其中，M为正整数；
S342、若噪点区域被另一分类子区域包围，将噪点区域与包围的分类子区域进行融合，得到有效分类子区域；
S343、若噪点区域被两个以上的分类子区域包围，则根据噪点区域与各包围的分类子区域的接触范围，将噪点区域划分到各包围的分类子区域中，得到有效分类子区域；
所述S342中将噪点区域与包围的分类子区域进行融合为：采用包围的分类子区域上的平均灰度值对噪点区域上所有像素点的灰度进行赋值；
所述S343中将噪点区域划分到各包围的分类子区域包括以下分步骤：
A1、确定噪点区域与各包围的分类子区域的接触像素点数量；
A2、根据接触像素点数量，计算划分比例；
A3、根据划分比例，将噪点区域中靠近各包围的分类子区域的部分按比例划分到对应的包围的分类子区域中；
所述S5包括以下分步骤：
S51、对每个轮廓图像提取特征，得到轮廓特征；
S52、将轮廓特征输入目标识别模型，得到目标类型；
所述S51中提取特征的公式为：
，
其中，为轮廓特征，/>为轮廓图像，/>为特征拼接符号，/>为第一权重，/>为第二权重，为第三权重，/>为卷积运算，/>为最大池化运算，/>为平均池化运算；
所述S52中目标识别模型包括：至少一个残差特征提取单元、Concat单元、乘法器M1、乘法器M2、softmax单元、CSP单元和Conv单元；
所述残差特征提取单元的输入端用于输入轮廓特征，其输出端与Concat单元的输入端连接；所述Concat单元的输出端与乘法器M1的输入端连接；所述乘法器M1的输出端分别与softmax单元的输入端和乘法器M2的输入端连接；所述softmax单元的输出端与乘法器M2的输入端连接；所述CSP单元的输入端与乘法器M2的输出端连接，其输出端与Conv单元的输入端连接；所述Conv单元的输出端作为目标识别模型的输出端。
2.一种根据权利要求1所述的嵌入式图像识别方法的系统，其特征在于，包括：灰度处理单元、灰度增强单元、分类单元、轮廓提取单元和目标识别单元；
所述灰度处理单元用于对输入嵌入式平台的原始图像灰度处理，得到灰度图；所述灰度增强单元用于对灰度图的灰度值进行增强处理，得到增强图；所述分类单元用于对增强图进行分类处理，得到各分类子区域；所述轮廓提取单元用于提取每个分类子区域的轮廓，得到各轮廓图像；所述目标识别单元用于对每个轮廓图像提取特征，进行目标识别。
CN202310673883.1A 2023-06-08 2023-06-08 一种嵌入式图像识别方法及系统 Active CN116403094B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310673883.1A CN116403094B (zh) 2023-06-08 2023-06-08 一种嵌入式图像识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310673883.1A CN116403094B (zh) 2023-06-08 2023-06-08 一种嵌入式图像识别方法及系统

Publications (2)

Publication Number Publication Date
CN116403094A CN116403094A (zh) 2023-07-07
CN116403094B true CN116403094B (zh) 2023-08-22

Family

ID=87010912

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310673883.1A Active CN116403094B (zh) 2023-06-08 2023-06-08 一种嵌入式图像识别方法及系统

Country Status (1)

Country Link
CN (1) CN116403094B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117057377B (zh) * 2023-10-11 2024-01-12 青岛冠成软件有限公司 码的识别匹配方法
CN117557873B (zh) * 2024-01-12 2024-04-05 四川高速公路建设开发集团有限公司 一种基于图像识别的隧道掌子面裂隙识别方法
CN117649566B (zh) * 2024-01-30 2024-04-09 四川省机场集团有限公司成都天府国际机场分公司 一种基于图像处理的机场行李大小分类方法

Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106910172A (zh) * 2017-02-22 2017-06-30 公安部第研究所 一种图像处理方法及装置
WO2019000653A1 (zh) * 2017-06-30 2019-01-03 清华大学深圳研究生院 一种图像目标识别方法及装置
CN110298818A (zh) * 2019-05-21 2019-10-01 杭州电子科技大学 基于轮廓矩的乳化炸药包装缺陷检测方法
CN113298809A (zh) * 2021-06-25 2021-08-24 成都飞机工业（集团）有限责任公司 基于深度学习和超像素分割的复材超声图像缺陷检测方法
CN113592849A (zh) * 2021-08-11 2021-11-02 国网江西省电力有限公司电力科学研究院 基于卷积神经网络和紫外图像的外绝缘设备故障诊断方法
CN114581914A (zh) * 2022-01-27 2022-06-03 中通服咨询设计研究院有限公司 一种雾霾环境下的车牌识别方法
CN114973207A (zh) * 2022-08-01 2022-08-30 成都航空职业技术学院 一种基于目标检测的路标识别方法
CN115100221A (zh) * 2022-08-22 2022-09-23 启东市云鹏玻璃机械有限公司 一种玻璃缺陷分割方法
CN115205194A (zh) * 2022-04-20 2022-10-18 浙江托普云农科技股份有限公司 基于图像处理的粘虫板覆盖率检测方法、系统及装置
CN115375914A (zh) * 2022-08-16 2022-11-22 云南电网有限责任公司电力科学研究院 基于Yolov5目标检测模型改进的目标检测方法、装置和存储介质
CN115457050A (zh) * 2022-08-29 2022-12-09 武汉纺织大学 一种基于超像素的古代壁画图像优化分割方法及系统
CN115761409A (zh) * 2022-11-24 2023-03-07 天翼数字生活科技有限公司 一种基于深度学习的火情检测方法、装置、设备和介质
CN115797926A (zh) * 2022-11-14 2023-03-14 苏州帕诺米克生物医药科技有限公司 质谱成像图的空间区域分型方法、装置及电子设备

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2022119940A1 (en) * 2020-12-01 2022-06-09 Looking Glass Factory, Inc. System and method for processing three dimensional images

Patent Citations (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106910172A (zh) * 2017-02-22 2017-06-30 公安部第研究所 一种图像处理方法及装置
WO2019000653A1 (zh) * 2017-06-30 2019-01-03 清华大学深圳研究生院 一种图像目标识别方法及装置
CN110298818A (zh) * 2019-05-21 2019-10-01 杭州电子科技大学 基于轮廓矩的乳化炸药包装缺陷检测方法
CN113298809A (zh) * 2021-06-25 2021-08-24 成都飞机工业（集团）有限责任公司 基于深度学习和超像素分割的复材超声图像缺陷检测方法
CN113592849A (zh) * 2021-08-11 2021-11-02 国网江西省电力有限公司电力科学研究院 基于卷积神经网络和紫外图像的外绝缘设备故障诊断方法
CN114581914A (zh) * 2022-01-27 2022-06-03 中通服咨询设计研究院有限公司 一种雾霾环境下的车牌识别方法
CN115205194A (zh) * 2022-04-20 2022-10-18 浙江托普云农科技股份有限公司 基于图像处理的粘虫板覆盖率检测方法、系统及装置
CN114973207A (zh) * 2022-08-01 2022-08-30 成都航空职业技术学院 一种基于目标检测的路标识别方法
CN115375914A (zh) * 2022-08-16 2022-11-22 云南电网有限责任公司电力科学研究院 基于Yolov5目标检测模型改进的目标检测方法、装置和存储介质
CN115100221A (zh) * 2022-08-22 2022-09-23 启东市云鹏玻璃机械有限公司 一种玻璃缺陷分割方法
CN115457050A (zh) * 2022-08-29 2022-12-09 武汉纺织大学 一种基于超像素的古代壁画图像优化分割方法及系统
CN115797926A (zh) * 2022-11-14 2023-03-14 苏州帕诺米克生物医药科技有限公司 质谱成像图的空间区域分型方法、装置及电子设备
CN115761409A (zh) * 2022-11-24 2023-03-07 天翼数字生活科技有限公司 一种基于深度学习的火情检测方法、装置、设备和介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
CSPNet: A New Backbone that can Enhance Learning Capability of CNN;Chien-Yao Wang等;《CSPNet: A New Backbone that can Enhance Learning Capability of CNN》;1-14 *

Also Published As

Publication number Publication date
CN116403094A (zh) 2023-07-07

Similar Documents

Publication Publication Date Title
CN116403094B (zh) 一种嵌入式图像识别方法及系统
US10896349B2 (en) Text detection method and apparatus, and storage medium
WO2020164282A1 (zh) 基于yolo的图像目标识别方法、装置、电子设备和存储介质
CN111709420B (zh) 文本检测方法、电子设备及计算机可读介质
CN110569721A (zh) 识别模型训练方法、图像识别方法、装置、设备及介质
CN108805128B (zh) 一种字符分割方法和装置
CN110781885A (zh) 基于图像处理的文本检测方法、装置、介质及电子设备
CN108875746B (zh) 一种车牌识别方法、装置、系统及存储介质
CN111986183B (zh) 一种染色体散型图像自动分割识别系统及装置
CN109934216B (zh) 图像处理的方法、装置、计算机可读存储介质
CN108717744B (zh) 识别金融单据上的印章序号的方法、装置及终端设备
CN109472262A (zh) 车牌识别方法、装置、计算机设备及存储介质
WO2020258077A1 (zh) 一种行人检测方法及装置
CN114897806A (zh) 缺陷检测方法、电子设备及计算机可读存储介质
CN110084232B (zh) 车牌中汉字字符的识别方法、装置及终端设备
CN112560856B (zh) 车牌检测识别方法、装置、设备及存储介质
CN112733652B (zh) 图像目标识别方法、装置、计算机设备及可读存储介质
CN111199228B (zh) 一种车牌定位的方法及装置
JP4967045B2 (ja) 背景判別装置、方法及びプログラム
CN115100541B (zh) 一种卫星遥感数据的处理方法、系统及云平台
CN114529570A (zh) 图像分割方法、图像识别方法、用户凭证补办方法及系统
Abdullah et al. Determining adaptive thresholds for image segmentation for a license plate recognition system
CN112132215B (zh) 一种识别物体类型的方法、装置及计算机可读存储介质
CN114549884A (zh) 一种异常图像检测方法、装置、设备及介质
JP2017228297A (ja) テキスト検出方法および装置

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