一种基于哈尔特征的靶位识别方法技术

本发明专利技术公开了一种基于哈尔特征的靶位识别方法，包括：初始化阶段：采集若干包含靶位的图片作为正样本，若干不包含靶位的图片作为负样本，对所有正样本和负样本提取哈尔特征，得到特征值；训练阶段：利用所得到的特征值，对Adaboost级联分类器进行训练；识别裁剪阶段：采集待识别图像，并进行哈尔特征提取，利用训练好的Adaboost级联分类器对待识别图像进行识别，面积最大的特征匹配区域即为靶位。本发明专利技术提供的基于哈尔特征的靶位识别方法，使用AdaBoost来学习建立多层树分类器，并在后期采用直方图统计方式精确定位靶的位置，消除不同光照环境带来的干扰，大大提高了识别精度和速度，准确率达到99.9％以上。

【技术实现步骤摘要】

本专利技术涉及靶位识别
，具体涉及一种基于哈尔特征的靶位识别方法。
技术介绍
现有技术中，靶位识别的一般流程为：系统输入一幅包含靶位的图像作为待识别样本，通过训练好的算法样本与待识别样本图像进行匹配，从而识别出图像中的靶位。利用哈尔特征进行识别时，需要待识别物体的外表有较大区别，且识别效果依赖于训练的结果，由于靶位图像本身并不具备特殊特征，且受靶场硬件设施、拍摄条件、相机、镜头质量等影响，由枪机获取的靶位图像会产生轻微的几何畸变。为了在这种图像中自动获取靶位，现有的处理方式为：在系统初始化时，人工输入靶位相对于图像的参数，这种方式较为繁琐，且无法处理在打靶过程中靶位发生偏移的情况。
技术实现思路
本专利技术提供了一种基于哈尔特征的靶位识别方法，能够排除光照等环境因素的影响，使识别率达到99.9％以上。一种基于哈尔特征的靶位识别方法，包括：初始化阶段：采集若干包含靶位的图片作为正样本，若干不包含靶位的图片作为负样本，对所有正样本和负样本提取哈尔特征，得到特征值；训练阶段：利用所得到的特征值，对Adaboost级联分类器进行训练；识别裁剪阶段：采集待识别图像，并进行哈尔特征提取，利用训练好的Adaboost级联分类器对待识别图像进行识别，面积最大的特征匹配区域即为靶位。正样本和负样本包含基本相似的背景元素，优选地，初始化阶段，对采集到的正样本和负样本进行归一化处理，缩小到相同尺寸后，进行哈尔特征提取。为了提高哈尔特征提取的效率，优选地，初始化阶段，利用积分图求取特征值。本专利技术中，对正样本、负样本以及待识别图像进行哈尔特征提取之前，预先转化为对应的灰度图像。即本专利技术中，所提取的哈尔特征，均指灰度哈尔特征。作为优选，训练阶段的具体步骤如下：步骤2-1、所有正样本和负样本构成训练样本，设所有训练样本的权重相等，训练得到弱分类器；步骤2-2、在第T次迭代中，训练样本的权重由T-1次迭代的结果确定，每次迭代调整权重，得到新的训练样本分布；步骤2-3，经过T次循环，得到T个弱分类器，将T个弱分类器加权求和，得到强分类器。Adaboost级联分类器由一系列的分类器串联而成，对待识别的样本进行判别时，只有被前面一级的分类器判断为正的样本才能被送入后面的分类器继续处理，反之被认为是负样本直接拒绝。整个分类器的输出是被所有分类器都判决为正的样本。在级联结构中，前面几级的分类器相对来说结构比较简单，使用的特征数也较少，但检测率高，能够同时尽可能地滤除与目标差异较大的负样本。后面级次的分类器则使用更多的特征和更复杂的结构，从而可以将与目标相似的负样本和目标物体区分开。在实际的目标检测应用中，待检测的目标物体通常在整体样本中只占很小的比例，大部分的非目标区域在级联分类器的前端被滤除，只有少量样本需要通过所有级的分类器，采用级联结构能够大大地减少运算量。为了消除不同光照对识别结果的影响，优选地，将待识别图像转化为灰度图像后，对图像灰度分布进行直方图信息提取，然后进行非线性拉伸，增加对比度后，进行哈尔特征提取。进行非线性拉伸的目的在于，使一定灰度范围内的像素数量均衡，增加对比度，以消除不同光照条件下，造成的靶位识别误差。为了进一步对靶位进行精确定位，优选地，对面积最大的特征匹配区域进行灰度统计，生成直方图，依据直方图上的最大值进一步精确识别出靶位。具体而言，对面积最大的特征匹配区域的x轴进行切割，得到x轴的直方图投影，遍历直方图投影，得到最大的两个位置，这两个位置即对应x轴方向上靶位的两条边界。同理，对面积最大的特征匹配区域的y轴进行切割，得到y轴的直方图投影，遍历直方图投影，得到最大的两个位置，这两个位置即对应y轴方向上靶位的两条边界。本专利技术提供的基于哈尔特征的靶位识别方法，使用AdaBoost来学习建立多层树分类器，并在后期采用直方图统计方式精确定位靶的位置，消除不同光照环境带来的干扰，大大提高了识别精度和速度，准确率达到99.9％以上。附图说明图1为本专利技术基于哈尔特征的靶位识别方法中初始化阶段的流程图；图2为本专利技术基于哈尔特征的靶位识别方法中训练阶段的流程图；图3为本专利技术基于哈尔特征的靶位识别方法中识别裁剪阶段的流程图；图4为本专利技术基于哈尔特征的靶位识别方法中待识别图像的示意图；图5为本专利技术基于哈尔特征的靶位识别方法中识别出的靶位的示意图。具体实施方式下面结合附图，对本专利技术基于哈尔特征的靶位识别方法做详细描述。初始化阶段如图1所示，具体步骤如下：(1)采集n1幅包含靶位的图片作为正样本，采集n2幅不包含靶位的图片作为负样本，正样本和负样本包含基本相似的背景元素。(2)对采集到的正样本和负样本进行归一化处理，均缩放到Xs*Ys大小。(3)将n1个正样本分别转化为灰度图像，然后依次进行哈尔特征提取，构成样本空间X1。(4)将n2个负样本分别转化为灰度图像，然后依次进行哈尔特征提取，构成样本空间X2。(5)合并样本空间X1和样本空间X2，并利用积分图求取特征值，所有特征值构成特征矩阵。坐标A(x,y)的积分图即为其左上角所有像素之和，定义为ff(x,y)＝∑x′＜x,y′＜yf(x′,y′)。其中，ff表示积分图，f表示原始图像。训练阶段如图2所示，具体步骤如下：(1)利用初始化阶段得到的n个训练样本的特征值，n＝n1+n2，对Adaboost级联分类器进行训练；(2)初始时，所有训练样本的权重设为相等，本实施例中权重的初始值为1/n，在此条件下训练得到弱分类器。对于每一个特征值ff’，弱分类器h(x,ff’,p,θ)训练方式为：其中，ff’为特征值，θ为阈值，p表示不等号方向。(3)在第T次迭代中(T＝1,2,3……，T为迭代次数)，训练样本的权重由第T-1次迭代的结果确定，每次迭代时调整权重(若该分类器分类正确，则降低该样本权值；若分类错误，则提高权值)，得到新的样本分布。(4)经过T次循环，得到T个弱分类器，将T个弱分类器按照一定权重组合在一起，得到最终的强分类器H(x)，组合方式如下：α为弱分类器h(x)的权重，t取值为1～T的自然数。识别裁剪阶段如图3所示，具体步骤如下：(1)将采集得到的RGB图像作为待识别样本图像IRGB，待识别样本图像如图4所示，靶位轮廓的四个角处设有本文档来自技高网...

【技术保护点】
一种基于哈尔特征的靶位识别方法，其特征在于，包括：初始化阶段：采集若干包含靶位的图片作为正样本，若干不包含靶位的图片作为负样本，对所有正样本和负样本提取哈尔特征，得到特征值；训练阶段：利用所得到的特征值，对Adaboost级联分类器进行训练；识别裁剪阶段：采集待识别图像，并进行哈尔特征提取，利用训练好的Adaboost级联分类器对待识别图像进行识别，面积最大的特征匹配区域即为靶位。

【技术特征摘要】
1.一种基于哈尔特征的靶位识别方法，其特征在于，包括：
初始化阶段：采集若干包含靶位的图片作为正样本，若干不包含靶位
的图片作为负样本，对所有正样本和负样本提取哈尔特征，得到特征值；
训练阶段：利用所得到的特征值，对Adaboost级联分类器进行训练；
识别裁剪阶段：采集待识别图像，并进行哈尔特征提取，利用训练好
的Adaboost级联分类器对待识别图像进行识别，面积最大的特征匹配区域
即为靶位。
2.如权利要求1所述的基于哈尔特征的靶位识别方法，其特征在于，
初始化阶段，对采集到的正样本和负样本进行归一化处理，缩小到相同尺
寸后，进行哈尔特征提取。
3.如权利要求2所述的基于哈尔特征的靶位识别方法，其特征在于，
对正样本、负样本以及待识别图像进行哈尔特征提取之前，预先转化为对
应的灰度图像。
4.如权利要求3所述的基于哈尔特征的靶位识别方法，其特征在于，
初始...

【专利技术属性】
技术研发人员：周斯忠，蒋荣欣，岳猛，
申请(专利权)人：杭州晨鹰军泰科技有限公司，
类型：发明
国别省市：浙江;33