一種基于正則表達(dá)式語(yǔ)義的目標(biāo)模型快速構(gòu)建方法技術(shù)

本發(fā)明專利技術(shù)公開(kāi)了一種基于正則表達(dá)式語(yǔ)義的目標(biāo)模型快速構(gòu)建方法，屬于機(jī)器視覺(jué)與模式識(shí)別領(lǐng)域。首先對(duì)被識(shí)別物體所在圖像進(jìn)行預(yù)處理，以提高特征提取的質(zhì)量，其后通過(guò)Harris特征檢測(cè)算法提取出圖像目標(biāo)的局部特征，最后通過(guò)引申定義的正則表達(dá)語(yǔ)義，結(jié)合定義好的圖像素材庫(kù)描述出被識(shí)別物的目標(biāo)匹配模型。該方法對(duì)傳統(tǒng)計(jì)算機(jī)理論上的“正則理論”進(jìn)行了引申定義，使之可以適用到圖像目標(biāo)識(shí)別領(lǐng)域，保留了其檢索效率高的特性，在被識(shí)別物輪廓、顏色等物理特性恒定的情況下有非常好的效果。

A fast method for constructing target model based on regular expression semantics

The invention discloses a method for rapidly constructing a target model based on regular expression semantics, belonging to the field of machine vision and pattern recognition. The first is to identify objects of image preprocessing, in order to improve the quality of feature extraction, then through the Harris feature detection algorithm to extract the local features of the image, finally through the definition of extended regular expression semantics, combining with the image material library defined to describe the model, identified the target. The method of traditional computer theory of the \regular\ theory as the extended definition, which can be applied to the field of image target recognition, retains the characteristics of its high efficiency, has very good effect in the recognition profile, color and other physical characteristics under the condition of constant.

【技術(shù)實(shí)現(xiàn)步驟摘要】
一種基于正則表達(dá)式語(yǔ)義的目標(biāo)模型快速構(gòu)建方法
本專利技術(shù)涉及機(jī)器視覺(jué)技術(shù)與模式識(shí)別技術(shù)，具體涉及一種基于正則表達(dá)式的圖像目標(biāo)識(shí)別方法
技術(shù)介紹
對(duì)圖像目標(biāo)的識(shí)別就是對(duì)圖像中表征物各種形式的可獲取信息進(jìn)行處理和分析。對(duì)目標(biāo)物進(jìn)行描述、辨認(rèn)、分類和解釋的過(guò)程。目標(biāo)識(shí)別可分為有監(jiān)督的分類和無(wú)監(jiān)督的分類兩種，兩者的主要差別在于，各實(shí)驗(yàn)樣本所屬的類別是否預(yù)先已知。監(jiān)督分類又稱訓(xùn)練分類法，其原理是用被確認(rèn)類別的樣本像元去識(shí)別其他未知類別像元的過(guò)程。在分類之前通過(guò)目視判斷等手段，對(duì)圖像上的目標(biāo)屬性有了先驗(yàn)知識(shí)。一般來(lái)說(shuō)有監(jiān)督的分類往往需要提供大量已知類別的樣本，根據(jù)已知訓(xùn)練區(qū)提供的樣本，通過(guò)選擇特征參數(shù)，求出特征參數(shù)作為決策規(guī)則，建立判別函數(shù)以對(duì)各待分類影像進(jìn)行的圖像分類，是模式識(shí)別的一種方法。要求訓(xùn)練區(qū)域具有典型性和代表性。經(jīng)過(guò)多年的總結(jié)，人們?cè)O(shè)計(jì)出來(lái)多個(gè)監(jiān)督訓(xùn)練特征提取的方法，總結(jié)起來(lái)可以分為四類：底層全局特征、底層局部特征、中層特征和屬性特征。早期提出的Tamura紋理、顏色直方圖、Harris算子、密集采樣SIFT、Texton等特征提取主要為底層全局特征和底層局部特征。全局特征提取的是圖像的全局顏色、紋理、形狀等信息，對(duì)促進(jìn)早期的圖像理解任務(wù)特別是基于內(nèi)容的圖像檢索系統(tǒng)的發(fā)展起了很大的推動(dòng)作用。隨著研究的深入，人們發(fā)現(xiàn)全局視覺(jué)特征已不能完全滿足圖像分類任務(wù)對(duì)提升分類精度的要求，而以SIFT特征為代表的局部特征具有更強(qiáng)的描述能力，從而能夠滿征。近年來(lái)由于局部特征對(duì)視覺(jué)描述能力日益完善，局部視覺(jué)特征的研究開(kāi)始轉(zhuǎn)向如何在保證描述能力的前提下提高局部特征的提取效率。與此同時(shí)，建立在局部特征基礎(chǔ)上描述視覺(jué)內(nèi)容機(jī)構(gòu)信息的中層特征也開(kāi)始得到學(xué)術(shù)界的重視，而結(jié)合圖本身監(jiān)督信息的屬性特征也成為另一個(gè)研究熱點(diǎn)。
技術(shù)實(shí)現(xiàn)思路
本專利技術(shù)的目的是對(duì)圖像中的被識(shí)別物進(jìn)行識(shí)別，建立目標(biāo)匹配時(shí)的匹配模板。為此提出一種基于正則表達(dá)式語(yǔ)義的目標(biāo)模型快速構(gòu)建方法。本專利技術(shù)采用的技術(shù)方案是：一種基于正則表達(dá)式語(yǔ)義的目標(biāo)模型快速構(gòu)建方法，包括以下步驟：步驟1：獲取目標(biāo)識(shí)別物所在位置圖像，然后進(jìn)行圖像預(yù)處理：選取圖像采集點(diǎn)，獲取被識(shí)別物的極大不變物理特征；步驟2：目標(biāo)特征提取，包括顏色特征，空間位置特征，以及角點(diǎn)特征的提取和選取；步驟3：建立圖像的像元素庫(kù)，并對(duì)正則表達(dá)式進(jìn)行引申定義：首先，根據(jù)一般物體的物理特性建立能夠描述物體特征的像元素庫(kù)，主要包括線條庫(kù)、形狀庫(kù)、顏色庫(kù)、空間位置信息庫(kù)；接著利用正則語(yǔ)義對(duì)這些像元素進(jìn)行組織，賦予他們描述物體特征的能力；步驟4：利用引申定義的正則語(yǔ)法描述出目標(biāo)匹配模型。進(jìn)一步，所述步驟1是在特定場(chǎng)景下，選擇從正側(cè)面獲取目標(biāo)圖像，這樣能保證獲取到的同一類目標(biāo)物體具有最大的物理特征相似性；圖像過(guò)濾和邊緣強(qiáng)化：首先對(duì)圖像進(jìn)行灰度化處理，然后利用中值濾波對(duì)背景噪聲進(jìn)行過(guò)濾，最后通過(guò)canny算子對(duì)圖像進(jìn)行邊緣強(qiáng)化。進(jìn)一步，所述步驟1還包括：1)把圖像序列中一點(diǎn)的值用該點(diǎn)的一個(gè)鄰域中各點(diǎn)值的中值代替，讓周圍的像素值接近的真實(shí)值：用正方矩結(jié)構(gòu)的二維滑動(dòng)模板，將板內(nèi)像素按照像素值的大小進(jìn)行排序，生成單調(diào)上升(或下降)的為二維數(shù)據(jù)序列；二維中值濾波輸出為g(x,y)＝med{f(x-k,y-l),(k,l∈W)}，其中，f(x,y)，g(x,y)分別為原始圖像和處理后圖像，W為二維模板，選定為為3*3區(qū)域；2)較高的亮度梯度比較有可能是邊緣，但是沒(méi)有一個(gè)確切的值來(lái)限定多大的亮度梯度是邊緣多大，通過(guò)Canny算子中使用了滯后閾值，動(dòng)態(tài)調(diào)節(jié)獲取目標(biāo)的有效梯度范圍；假設(shè)圖像中的重要邊緣都是連續(xù)的曲線，這樣就可以跟蹤給定曲線中模糊的部分，并且避免將沒(méi)有組成曲線的噪聲像素當(dāng)成邊緣；從一個(gè)較大的閾值開(kāi)始，這將標(biāo)識(shí)出比較確信的真實(shí)邊緣，從這些真正的邊緣開(kāi)始在圖像中跟蹤整個(gè)的邊緣；在跟蹤的時(shí)候，使用一個(gè)較小的閾值，這樣就可以跟蹤曲線的模糊部分直到回到起點(diǎn)。進(jìn)一步，所述步驟2具體包括：顏色特征提取：對(duì)每種顏色通道提取一階、二階和三階矩進(jìn)行統(tǒng)計(jì)，設(shè)hij表示第i個(gè)顏色通道分量中灰度為j的像素出現(xiàn)的概率，n為總像素?cái)?shù)目，則顏色矩的三個(gè)低階矩?cái)?shù)學(xué)表達(dá)式為：這3個(gè)低階矩分別稱為均值、方差和偏斜度；空間特征提取：為了提高對(duì)位置信息的描述相率，在計(jì)算特征向量位置信息時(shí)，采用D4模型進(jìn)行計(jì)算：D4(P,Q)＝|xp-xq|+|yp-yq|D4距離也就是街區(qū)距離，它只選擇橫豎兩個(gè)方向計(jì)算相對(duì)距離；基于Harris算子的角點(diǎn)特征提取：Harris角度檢測(cè)是通過(guò)數(shù)學(xué)計(jì)算在圖像上發(fā)現(xiàn)角度特征的一種算法，而且其具有旋轉(zhuǎn)不變性的特質(zhì)；在建立圖像匹配的特征正則表達(dá)式之前，先通過(guò)Harris角度檢測(cè)出圖像特征的”字元素”，數(shù)學(xué)原理如下：其中W(x,y)表示移動(dòng)窗口，I(x,y)表示像素灰度值強(qiáng)度，范圍為0～255；根據(jù)泰勒級(jí)數(shù)計(jì)算一階到N階的偏導(dǎo)數(shù)，最終得到一個(gè)Harris矩陣公式：根據(jù)Harris的矩陣計(jì)算矩陣特征值λ1,λ2,然后計(jì)算Harris角度響應(yīng)值：R＝detM-K(traceM)2detM＝λ1λ2traceM＝λ1+λ2其中K為系數(shù)值，通常取值范圍為0.04～0.06之間。進(jìn)一步，所述步驟3中，所述線條庫(kù)按線形劃分包括：水平直線、斜線、直角線，弧線，S形弧線，以及其他自定義線形；所述形狀庫(kù)包括正方形，長(zhǎng)方形，圓形，半圓形，菱形，心形，以及其他自定義的非常規(guī)圖形；所述顏色庫(kù)通過(guò)字母加數(shù)字變量Wk的方式標(biāo)示，其中第一位字母W代表色系，后面數(shù)字變量k代表亮度，取值范圍為0-255之間；所述位置信息庫(kù)由完全自定義的符號(hào)來(lái)描述圖像中的相對(duì)位置信息，“|(x1)->(x2)|”代表從像元x1位置開(kāi)始一直水平向右到像元X2結(jié)束；“|(x1)-^(k)(x2)||”表示從像元x1開(kāi)始到其垂直下方像元x2的k處，其中K為可變系數(shù)，可以取0-1之間數(shù)值。進(jìn)一步，所述步驟3中給出的水平和垂直位置信息的基礎(chǔ)定義，位置信息的定義符號(hào)和定義規(guī)則可視實(shí)際情況自行定義和添加；本處所描述的像元素庫(kù)是一個(gè)開(kāi)放式的元素庫(kù)，用于描述物理特性的技術(shù)指標(biāo)均可以作為像元素庫(kù)的一個(gè)基礎(chǔ)指標(biāo)，如角度信息，溫度信息，音色信息、振動(dòng)信息均可以作為描述目標(biāo)的一個(gè)元素庫(kù)指標(biāo)項(xiàng)進(jìn)行擴(kuò)展。進(jìn)一步，所述步驟4中，首先對(duì)目標(biāo)外圍特征點(diǎn)進(jìn)行連通性連接，然后在連通圖塊內(nèi)部按照最大相似度原則進(jìn)行像元素的切割。即切割后的局部特征能夠在像元素庫(kù)中找到最相似的“像元素”。本專利技術(shù)的有益效果是：目標(biāo)匹配模板獲取的傳統(tǒng)方法是通過(guò)大量的監(jiān)督訓(xùn)練來(lái)完成。一般來(lái)說(shuō)有監(jiān)督的分類往往需要提供大量已知類別的樣本，根據(jù)已知訓(xùn)練區(qū)提供的樣本，通過(guò)選擇特征參數(shù)，求出特征參數(shù)作為決策規(guī)則，建立判別函數(shù)以對(duì)各待分類影像進(jìn)行的圖像分類，這個(gè)過(guò)程需要消耗大量的計(jì)算資源，靈活性不高，訓(xùn)練出來(lái)的樣本也不一定理想。本專利技術(shù)中通過(guò)引申定義的“正則算法”，結(jié)合預(yù)先定義好的像元素素材庫(kù)，能夠快速定義出被識(shí)別物的匹配模型，同時(shí)通過(guò)目視判斷方法能夠及時(shí)調(diào)整模型，具有很強(qiáng)的靈活性，在高速出口，產(chǎn)品生產(chǎn)線傳送帶等被識(shí)別物物理特性變化不大的應(yīng)用場(chǎng)景下能夠很快的構(gòu)建出被識(shí)別物的匹配模型，能夠極大提高目標(biāo)識(shí)別的效率。附圖說(shuō)明下面結(jié)合附圖和具體實(shí)施方式對(duì)本專利技術(shù)做進(jìn)一步詳細(xì)說(shuō)明：圖1為目標(biāo)本文檔來(lái)自技高網(wǎng)...

【技術(shù)保護(hù)點(diǎn)】
一種基于正則表達(dá)式語(yǔ)義的目標(biāo)模型快速構(gòu)建方法，其特征在于，包括以下步驟：步驟1：獲取目標(biāo)識(shí)別物所在位置圖像，然后進(jìn)行圖像預(yù)處理：選取圖像采集點(diǎn)，獲取被識(shí)別物的極大不變物理特征；步驟2：目標(biāo)特征提取，包括顏色特征，空間位置特征，以及角點(diǎn)特征的提取和選取；步驟3：建立圖像的像元素庫(kù)，并對(duì)正則表達(dá)式進(jìn)行引申定義：首先，根據(jù)一般物體的物理特性建立能夠描述物體特征的像元素庫(kù)，主要包括線條庫(kù)、形狀庫(kù)、顏色庫(kù)、空間位置信息庫(kù)；接著利用正則語(yǔ)義對(duì)這些像元素進(jìn)行組織，賦予他們描述物體特征的能力；步驟4：利用引申定義的正則語(yǔ)法描述出目標(biāo)匹配模型。

【技術(shù)特征摘要】
1.一種基于正則表達(dá)式語(yǔ)義的目標(biāo)模型快速構(gòu)建方法，其特征在于，包括以下步驟：步驟1：獲取目標(biāo)識(shí)別物所在位置圖像，然后進(jìn)行圖像預(yù)處理：選取圖像采集點(diǎn)，獲取被識(shí)別物的極大不變物理特征；步驟2：目標(biāo)特征提取，包括顏色特征，空間位置特征，以及角點(diǎn)特征的提取和選取；步驟3：建立圖像的像元素庫(kù)，并對(duì)正則表達(dá)式進(jìn)行引申定義：首先，根據(jù)一般物體的物理特性建立能夠描述物體特征的像元素庫(kù)，主要包括線條庫(kù)、形狀庫(kù)、顏色庫(kù)、空間位置信息庫(kù)；接著利用正則語(yǔ)義對(duì)這些像元素進(jìn)行組織，賦予他們描述物體特征的能力；步驟4：利用引申定義的正則語(yǔ)法描述出目標(biāo)匹配模型。2.根據(jù)權(quán)利要求1所述的一種基于正則表達(dá)式語(yǔ)義的目標(biāo)模型快速構(gòu)建方法，其特征在于，所述步驟1是在特定場(chǎng)景下，選擇從正側(cè)面獲取目標(biāo)圖像，這樣能保證獲取到的同一類目標(biāo)物體具有最大的物理特征相似性；圖像過(guò)濾和邊緣強(qiáng)化：首先對(duì)圖像進(jìn)行灰度化處理，然后利用中值濾波對(duì)背景噪聲進(jìn)行過(guò)濾，最后通過(guò)canny算子對(duì)圖像進(jìn)行邊緣強(qiáng)化。3.根據(jù)權(quán)利要求1所述的一種基于正則表達(dá)式語(yǔ)義的目標(biāo)模型快速構(gòu)建方法，其特征在于，所述步驟1還包括：1)把圖像序列中一點(diǎn)的值用該點(diǎn)的一個(gè)鄰域中各點(diǎn)值的中值代替，讓周圍的像素值接近的真實(shí)值：用正方矩結(jié)構(gòu)的二維滑動(dòng)模板，將板內(nèi)像素按照像素值的大小進(jìn)行排序，生成單調(diào)上升(或下降)的為二維數(shù)據(jù)序列；二維中值濾波輸出為g(x,y)＝med{f(x-k,y-l),(k,l∈W)}，其中，f(x,y)，g(x,y)分別為原始圖像和處理后圖像，W為二維模板，選定為為3*3區(qū)域；2)較高的亮度梯度比較有可能是邊緣，但是沒(méi)有一個(gè)確切的值來(lái)限定多大的亮度梯度是邊緣多大，通過(guò)Canny算子中使用了滯后閾值，動(dòng)態(tài)調(diào)節(jié)獲取目標(biāo)的有效梯度范圍；假設(shè)圖像中的重要邊緣都是連續(xù)的曲線，這樣就可以跟蹤給定曲線中模糊的部分，并且避免將沒(méi)有組成曲線的噪聲像素當(dāng)成邊緣；從一個(gè)較大的閾值開(kāi)始，這將標(biāo)識(shí)出比較確信的真實(shí)邊緣，從這些真正的邊緣開(kāi)始在圖像中跟蹤整個(gè)的邊緣；在跟蹤的時(shí)候，使用一個(gè)較小的閾值，這樣就可以跟蹤曲線的模糊部分直到回到起點(diǎn)。4.根據(jù)權(quán)利要求1所述的一種基于正則表達(dá)式語(yǔ)義的目標(biāo)模型快速構(gòu)建方法，其特征在于，所述步驟2具體包括：顏色特征提取：對(duì)每種顏色通道提取一階、二階和三階矩進(jìn)行統(tǒng)計(jì)，設(shè)hij表示第i個(gè)顏色通道分量中灰度為j的像素出現(xiàn)的概率，n為總像素?cái)?shù)目，則顏色矩的三個(gè)低階矩?cái)?shù)學(xué)表達(dá)式為：這3個(gè)低階矩...

【專利技術(shù)屬性】
技術(shù)研發(fā)人員：蘆兵，許曉東，夏純中，
申請(qǐng)(專利權(quán))人：江蘇大學(xué)，
類型：發(fā)明
國(guó)別省市：江蘇,32