圖像識別方法與裝置制造方法及圖紙

本發明專利技術公開了一種圖像識別方法與裝置，預先建立基于形態估計的模型，該模型與待識別對象相適應并由各部位組成，將圖像劃分為若干小方格，先利用局部評分找出與模型中各部位較匹配的小方格，再對各個小方格進行組合，得到各種可能的待識別對象，剔除不符合空間邏輯關系的組合，從剩余組合中找出全局評分最高的組合，若其全局評分超過閾值，則判定圖像中存在待識別對象。由于本方法與裝置利用基于形態估計的模型作為參照，對圖像進行劃分再組合，通過局部評分和全局評分兩層篩選來確定圖像中是否存在待識別對象，能夠識別人或物等形態特征復雜的對象，同時具有較高的準確度和精確度。

【技術實現步驟摘要】

本專利技術涉及數字圖像處理
，特別是涉及一種圖像識別方法與裝置。
技術介紹
圖像識別是通過圖像中的語義信息對圖像進行識別的技術，其應用領域非常廣闊，例如，交通標識識別，車牌識別，人臉識別，醫學圖像識別。傳統的圖像識別方法大都基于視覺詞典模型，此類方法首先需要提取圖像局部特征，然后對局部特征進行聚類分析建立視覺詞匯。這樣就可以將圖像表示為一個基于視覺詞匯的直方圖。最后，采用機器學習的方法來訓練出預測圖像的識別器。上述方法適用于特征較簡單的待識別對象，當待識別對象的形態多變時，例如人體，上述方法的識別效果不甚理想。
技術實現思路
基于上述問題，本專利技術提供一種圖像識別方法與裝置，以識別形態特征復雜的對象。本專利技術提出的圖像識別方法，包括如下步驟對圖像進行劃分，提取劃分后每個小方格的梯度直方圖特征，劃分的個數在本圖像識別方法的識別效率和識別精度間取平衡；建立與待識別對象相適應的基于形態估計的模型，該模型由各個部位組成，根據所述梯度直方圖特征計算每個小方格對應于該模型的各個部位的局部評分；針對所述模型的各個部位，篩選幾個局部評分較高的小方格，篩選的個數在本圖像識別方法的識別效率和識別精度間取平衡；對針對所述模型不同部位篩選出的小方格進行組合，結合組合中每個小方格的局部評分和小方格間的空間邏輯關系，計算每種小方格組合的全局評分；將最高的全局評分與閾值比較，若超出所述閾值則判定圖像中存在所述待識別對象。本專利技術提出的圖像識別裝置，包括圖像劃分模塊，用于對圖像進行劃分，并提取劃分后每個小方格的梯度直方圖特征，劃分的個數在本圖像識別裝置的識別效率和識別精度間取平衡；局部評分計算模塊，用于建立與待識別對象相適應的基于形態估計的模型，該模型由各個部位組成，根據所述梯度直方圖特征計算每個小方格對應于該模型的各個部位的局部評分；小方格篩選模塊，用于針對所述模型的各個部位，篩選幾個局部評分較高的小方格，篩選的個數在本圖像識別裝置的識別效率和識別精度間取平衡；全局評分計算模塊，用于對針對所述模型不同部位篩選出的小方格進行組合，結合組合中每個小方格的局部評分和小方格間的空間邏輯關系，計算每種小方格組合的全局評分；判定模塊，用于將最高的全局評分與閾值比較，若超出所述閾值則判定圖像中存在所述待識別對象。本專利技術的圖像識別方法與裝置，預先建立基于形態估計的模型，該模型與待識別對象相適應并由各部位組成，將圖像劃分為若干小方格，先利用局部評分找出與模型中各部位較匹配的小方格，再對各個小方格進行組合，得到各種可能的待識別對象，剔除不符合空間邏輯關系的組合，從剩余組合中找出全局評分最高的組合，若其全局評分超過閾值，則判定圖像中存在待識別對象。由于本方法與裝置利用基于形態估計的模型作為參照，對圖像進行劃分再組合，通過局部評分和全局評分兩層篩選來確定圖像中是否存在待識別對象，能夠識別人或物等形態特征復雜的對象，同時具有較高的準確度和精確度。附圖說明圖1為本專利技術圖像識別方法實施例一的流程示意圖；圖2為本專利技術圖像識別裝置實施例一的結構示意圖。具體實施例方式為了更為具體地描述本專利技術，下面先結合附圖及具體實施方式對圖像識別方法進行詳細說明。實施例一本實施例的圖像識別方法，如圖1所示，包括如下步驟步驟S101、對圖像進行劃分，提取劃分后每個小方格的梯度直方圖特征，劃分的個數在本圖像識別方法的識別效率和識別精度間取平衡。假設每幅圖像被劃分為m個小方格，則m個小方格記為g” =1, 2···ηι.步驟S102、建立與待識別對象相適應的基于形態估計的模型，該模型由各個部位組成。例如，整個模型由k個部位構成，則每個部位表示為pk, k=l, 2…K。根據所述梯度直方圖特征計算每個小方格對應于該模型的各個部位的局部評分。局部評分公式為Sk(I,gi, Pk) =wk* Φ (I, gi)+bk其中，I表示當前圖像，Φ (Lgi)表示當前圖像I中小方格81的梯度直方圖特征，Wk和bk是一組控制小方格gi與部位Pk的相似程度的模型參數特征。步驟S103、針對所述模型的各個部位，篩選幾個局部評分較高的小方格，篩選的個數在本圖像識別方法的識別效率和識別精度間取平衡；步驟S104、對針對所述模型不同部位篩選出的小方格進行組合，結合組合中每個小方格的局部評分和小方格間的空間邏輯關系，計算每種小方格組合的全局評分；全局評分公式 sO) = ^ sk(X gk/ Pk) + Z (wk.ki * Ψ (gk,; - gk;) + bkiki)k k“kj其中，Sk(I，gk，pk)表示對應于所述模型中第k個部位的篩選出的較高的局部評分，-gki)為小方格gkjPgkj的空間邏輯關系組成的一組特征向量(δΧ 5yδ X2 δ y2)，δχ = Xk. - Xkj Sy = yk] - yk)，(Xki，Yki)，(Xkj, YkJ)分別為 gki 和 gkj 的在圖像I中的坐標。&是一組控制小方格gki和gkj空間關系的模型參數。步驟S105、將最高的全局評分與閾值比較，若超出所述閾值則判定圖像中存在所述待識別對象。如上所述，本實施例先將整幅圖像劃分為一個個小方格，再以小方格為操作對象進行后續步驟。小方格劃分的越多，最終的識別結果越準確，但同時帶來計算量大的問題，致使識別效率低下。因此，可根據需求將圖像劃分為合適個數的小方格。提取每個小方格的梯度直方圖特征可以是先在RGB三個通道下分別提取梯度直方圖特征，再以其中最大的梯度直方圖特征作為該小方格的梯度直方圖特征。本實施例可以預先建立與待識別對象相適應的模型，該模型是基于形態估計的且由各部位組成，如待識別對象是人體，則模型由頭、頸、肩等各部位組成，再如待識別對象是桌子，則模型由桌面和四條桌腿組成。針對每個部位計算每個小方格的局部評分，局部評分的計算與小方格的梯度直方圖特征及所針對部位的模型參數有關，局部評分越高說明該小方格與該部位相似度越高。將針對每個部位局部評分較低的小方格剔除掉，局部評分較高的小方格篩選出來，再將針對不同部位的篩選出的小方格相互組合，得到各種可能的待識別對象。由于待識別對象各部位是存在空間邏輯關系的，因此，將每種組合下各個小方格的局部評分與空間邏輯關系得分相加得到該組合的全局評分。全局評分越高說明越接近待識別對象，但最高的全局評分對應的小方格組合不一定就是待識別對象。因此本實施例預先設置了閾值即全局評分的下限， 只有當最高的全局評分超過該閾值時，才說明圖像中存在待識別對象，否則認為不存在。本實施例由于是基于形態估計的模型，因此特別適用于結構特征易于辨識的人或物作為待識別對象。例如，圖像被劃分為16個小方格，待識別對象為人體上半身，所建立的人體上半身的模型包括頭部、頸部、軀干和上肢。經過步驟S103篩選出對應于模型中的頭部的局部評分較高的小方格包括第2、3個小方格，對應于模型中頸部的局部評分較高的小方格包括第6、7個小方格，對應于模型中軀干的局部評分較高小方格包括第10、11、14、15個小方格，對應于模型中上肢的局部評分較高的小方格包括第9、13、12、16個小方格。可知，針對不同的部位，篩選的小方格的個數可以不同。從上述篩選出的針對四個部位的四組小方格中，各選一個小方格進行組合，按照各種可能的位置關系本文檔來自技高網...

【技術保護點】
一種圖像識別方法，其特征在于，包括如下步驟：對圖像進行劃分，提取劃分后每個小方格的梯度直方圖特征，劃分的個數在本圖像識別方法的識別效率和識別精度間取平衡；建立與待識別對象相適應的基于形態估計的模型，該模型由各個部位組成，根據所述梯度直方圖特征計算每個小方格對應于該模型的各個部位的局部評分；針對所述模型的各個部位，篩選幾個局部評分較高的小方格，篩選的個數在本圖像識別方法的識別效率和識別精度間取平衡；對針對所述模型不同部位篩選出的小方格進行組合，結合組合中每個小方格的局部評分和小方格間的空間邏輯關系，計算每種小方格組合的全局評分；將最高的全局評分與閾值比較，若超出所述閾值則判定圖像中存在所述待識別對象。

【技術特征摘要】
1.一種圖像識別方法，其特征在于，包括如下步驟 對圖像進行劃分，提取劃分后每個小方格的梯度直方圖特征，劃分的個數在本圖像識別方法的識別效率和識別精度間取平衡； 建立與待識別對象相適應的基于形態估計的模型，該模型由各個部位組成，根據所述梯度直方圖特征計算每個小方格對應于該模型的各個部位的局部評分； 針對所述模型的各個部位，篩選幾個局部評分較高的小方格，篩選的個數在本圖像識別方法的識別效率和識別精度間取平衡； 對針對所述模型不同部位篩選出的小方格進行組合，結合組合中每個小方格的局部評分和小方格間的空間邏輯關系，計算每種小方格組合的全局評分； 將最高的全局評分與閾值比較，若超出所述閾值則判定圖像中存在所述待識別對象。2.根據權利要求1所述的圖像識別方法，其特征在于，采用下式計算每個小方格對應于所述模型的各個部位的局部評分 Sk(I，gi，Pk) =Wk* Φ (I, gi) +bk 其中，I表示當前圖像，gi表示當前圖像I中第i個小方格，Pk表示所述模型的第k個部位，Φ (I, gi)表示當前圖像I中小方格gi的梯度直方圖特征，Wk和bk是一組控制小方格gi與部位Pk的相似程度的模型參數特征； 采用下式計算每種小方格組合的全局評分3.根據權利要求1或2所述的圖像識別方法，其特征在于，判定圖像中存在待識別對象后，還依據全局評分最高的小方格組合中小方格的坐標確定所述待識別對象在圖像中的位置。4.根據權利要求1或2所述的圖像識別方法，其特征在于，對圖像進行降采樣，對降采樣后的每幅圖像分別執行從對圖像進行劃分到計算每種小方格組合的全局評分的步驟，再將所有圖像中最高的全局評分與所述閾值比較，若超出所述閾值則判定圖像中存在所述待識別對象。5.根據權利要求4所述的圖像識別方法，其特征在于， 對圖像進行降采樣的級數為十級； 和/或 對圖像進行降采樣的方式為線性插值法。6.根據權利要求1或2所述的圖像識別方法，其特征在于，每個小方格的所述梯度直方圖特征為該小方格在RGB三個通道下最大的梯度直方圖特征。7.根據權利要求1或2所述的圖像識別方法，其特征在于，所述待識別對象為結構特征易于辨識的人或物。8.一種圖像識別裝置，其特征在于，包括 圖像劃分模塊，用于對圖像進行劃分，并提取劃分后每個小方格的梯度直方圖特征，劃分的個數...

【專利技術屬性】
技術研發人員：鐘海蘭，
申請(專利權)人：廣東圖圖搜網絡科技有限公司，
類型：發明
國別省市：