一種多方向物體圖像識別方法技術

本發明專利技術公開了一種多方向物體圖像識別方法，屬于計算機智能識別領域。本方法為：1)讀入待檢測圖像和已經訓練好的單方向haar特征序列，并將特征序列旋轉為若干設定方向的特征序列；2)將待檢測圖像設為灰度圖像，然后對該灰度圖像進行直方圖均衡化；3)將均衡化后的待檢測圖像進行像素積分，形成積分圖像；4)對待檢測圖像進行比例縮放，然后計算每一設定方向的特征序列與積分圖像的特征值；5)監測窗口在圖像中滑動，根據計算的特征值依次在每一設定方向判斷特征是否匹配；若匹配成功則輸出匹配的監測窗口的范圍，如果所有設定方向均匹配失敗，則檢測識別失敗。本發明專利技術僅需訓練一次，就可以對多個方向圖片進行識別，大大提高了識別效率。

【技術實現步驟摘要】

本專利技術涉及計算機智能識別領域，尤其涉及。
技術介紹
目前計算機智能識別領域物體識別有很多方法。其準確率與速度都達到了實際應用的程度。其中比較突出的一種方法就是通過haar特征進行物體識別。在這種方法中很巧妙的使用了 haar特征的簡化形式，并且通過使用積分圖像計算待檢測矩形的像素積分值，就可以按照矩形特征進行haar特征的計算達到識別物體的目的。 haar簡化特征haar簡化特征直觀上看是一種基于矩形的像素對比信息。由Paul Viola等人首先提出，其作用就是使用矩形計算區域內的像素和，像素顏色深的區域像素和的值會比較低；像素顏色淺的區域像素和的值會比較高。如圖I中Haar_x3特征的定義，符合該特征的區域一定是中間有顏色較深的區域，而兩邊的區域較淺。如圖I中Haar_y2特征，符合其特征的區域一定是上部區域顏色較淺，下部顏色較深。當然完整的haar特征的描述，必須還有區域坐標的位置、區域大小的描述，還有區域顏色和的對比閾值。區域坐標的位置是訓練和識別時確定好的檢測窗口中的相對位置，而監測窗口是可以在待檢測圖的不同區域按照不同尺度進行滑動與縮放的。具體到實際應用中，此類haar特征的描述也是通過描述三個部分來確定的，主要包括左上角點的坐標，區域寬度，還有對比程度閾值。它的特征值可用公式表示為feature.,.. VRectSumf/- ie(l,2)其中feature」代表第j種Haar塊的特征值；ω j是第j個Haar塊第i個子矩形(黑色矩形或白色矩形)的權值；ReCtSum(ri)代表第i個Haar塊中包含的所有象素點的象素值之和，不同的Haar塊特征原型的特征值中的權值比(ωι ω2)會在訓練中逐步確定，一種設置初始值的方法就是依照面積的反比進行設置(特征結果計算后接近O)。后續判斷時如果圖像矩形區域feature值計算結果接近O (小于一個閾值)則認為該矩形區域符合特征。為了快速計算RectSumOg，采用積分圖方法。該方法定義一幅圖像的每個象素灰度為i(x，y)，那么該幅圖像的積分圖中的每個像素值ii(x，y)表示為ji(x，y)= Σ K,) x'<x.y'<y對于一幅圖像在任意點的積分圖值，積分區域為左上角點到以該點為右下角的矩形像素積分值，可以通過對行和列的累加一次循環得到s (x, y) = s(x, y-l)+i (x, y)ii (x, y) = ii (χ-l, y)+s(x, y)其中，s(x, y)為點(X, y)所在位置的列積分值,但不包含(x, y)點的值。迭代初始時s(x,_l) =0,ii(-l,y) =0。圖2 (a)中點(x,y)的積分圖值為灰色矩形區域的象素灰度值求和。利用積分圖可以方便地對圖像中任意一個矩形內的灰度值求和,如圖2(b)所示。識別過程識別過程首先要求有大量的待識別物體的圖片(最好該待識別物體在圖片中的位置，形狀，方向相對一致)，稱為正樣本。另外還需要大量沒有該物體的圖片，稱作負樣本。使用以上樣本進行訓練，訓練過程利用haar特征使用adaboost方法經過大量循環，使用大量數據訓練。最終得到最能代表待識別物體的Haar特征的序列。通過這些特征的序列可以保證被檢測物體按照用戶需要的識別率與誤檢率被識別。·0021 ] 有了這種數據就可以對任意內容的待檢測圖片進行檢測。檢測過程目前，在一些開源的軟件項目中已經有實現。其大致使用流程如下I.讀入待檢測圖像2.讀入已經訓練好的haar特征序列(單方向)3.對待檢測圖片變化為灰度圖像4.對待檢測圖片進行直方圖均衡化5.對待檢測圖片進行像素積分，并且形成積分圖像6.對待檢測圖片進行比例縮放7.結合haar特征序列與積分圖像進行特征值計算。8.在圖像中進行窗口滑動，并判斷特征是否匹配。9.如果匹配則檢測返回成功，不匹配則檢測返回失敗10.輸出監測匹配的窗口范圍目前的計算機智能識別領域有很多方法算法都支持物體識別。識別率也達到較高的水平。但是在物體識別的過程中也有很多問題，對于旋轉后物體的識別就是比較大的一個問題。比如最常用的人臉檢測方法。對于直立人臉的檢測往往都已經能夠達到90%以上的準確率。但是在某些圖像的拍攝角度不確定的情況下。人臉一旦發生旋轉變化。已經訓練好的分類器就不能夠適應新的變化，而無法識別旋轉后的人臉。在這種識別模型中，往往訓練的特征是什么方向的那么識別的特征也是什么方向的。如果需要檢測不同方向的，需要把圖片整體旋轉后再檢測。
技術實現思路
本專利技術針對上述現有技術的識別方法僅能進行單方向檢測的缺陷，開發了一種新的多方向物體識別方法，可以在原有單方向的訓練特征序列的基礎上進行4方向的物體識別。本專利技術的技術方案為一種多方向物體識別方法，包括如下步驟I.讀入待檢測圖像；2.讀入已經訓練好的單方向haar特征序列；3.將待檢測圖像設為灰度圖像；4.將待檢測灰度圖像進行直方圖均衡化；5.將均衡化后的待檢測圖像進行像素積分，形成積分圖像；6.對待檢測圖像進行比例縮放；7.將單方向haar特征序列旋轉為若干設定方向的特征序列(比如與訓練方向成90度倍數的四個方向的特征序列)；8.根據每一設定方向的haar特征序列和積分圖像計算每一設定方向的特征值；9.監測窗口在圖像中滑動，在每一設定方向判斷特征是否匹配；10.若在設定方向的任意方向上有特征匹配，則輸出匹配的監測窗口的范圍。 所述haar特征序列是特征矩形序列，每個特征矩陣用該矩形的左上角橫坐標，左上角縱坐標，矩形寬，矩形高來表示。所述特征值的計算方法為feature; V (Oi RectSumrriJ其中-feature」代表第j種Haar塊的特征值；ω ^是第j個Haar塊第i個子矩形的權值^ectSumOg代表第i個Haar塊中包含的所有象素點的象素值之和。 所述子矩形為白色或黑色矩形。所述將單方向haar特征序列旋轉為四個方向的特征序列，其方法為I)將單方向haar特征序列復制為四份；2)將四份haar特征序列分別按同一方向旋轉O度、90度、180度和270度，獲得四個方向的haar特征序列。本專利技術實現是在單方向物體識別系統的基礎上，進行4方向識別改進。在大多數情況下。對于物體識別訓練過程一般要求使用形狀固定正面單方向的物體特征進行訓練，最終識別也是對于正面單方向的物體進行識別。這樣可以最大化識別的準確率，并且最小化識別的錯誤率。但是這樣做的缺點卻是樣本的固定導致了可識別結果的范圍狹窄，一旦出現圖片旋轉的問題，將沒有辦法識別。本專利技術一定程度上解決了以上問題。通過haar矩形特征的90度間隔旋轉。只需要進行正面單方向的訓練便可以四倍效率的使用其訓練結果，在一次識別的流程中可以解決四個方向的識別問題，算法識別的判別角度區間也擴大了四倍。如原先算法只能支持正面圖像的識別，但是通過該方法可以把相機拍攝的正負90度的圖片或倒立圖片一次性識別；原先的識別角度只覆蓋正負15度，那么本方法就可以擴大到理論上的正負60度。并且該方法最小化了識別過程外的處理步驟，提高了運算的效率。原因有如下幾個I.特征本身基于矩形的形狀，容易進行90度的旋轉。旋轉后的特征仍然是矩形。對于特征序列沒有變化。2.積分圖像的計算，只要特征本身是矩形的，就可以本文檔來自技高網...

【技術保護點】
一種多方向物體圖像識別方法，其步驟為：1)讀入待檢測圖像；讀入已經訓練好的單方向haar特征序列，并將單方向haar特征序列旋轉為若干設定方向的特征序列；2)將待檢測圖像設為灰度圖像，然后對該灰度圖像進行直方圖均衡化；3)將均衡化后的待檢測圖像進行像素積分，形成積分圖像；4)對待檢測圖像進行比例縮放，然后計算每一設定方向的haar特征序列與積分圖像的特征值；5)監測窗口在圖像中滑動，根據計算的特征值依次在每一設定方向判斷特征是否匹配；若在某設定方向上特征匹配，則匹配成功并輸出匹配的監測窗口的范圍，如果所有設定方向均匹配失敗，則檢測識別失敗。

【技術特征摘要】

【專利技術屬性】
技術研發人員：馬軼，
申請(專利權)人：北京銳安科技有限公司，
類型：發明
國別省市：