目标物识别方法及识别系统技术方案

本公开提供一种目标物识别方法以及识别系统。其中，该目标物识别方法包括对图像各像素提取局部二值模式特征后，经过均衡降维处理得到均衡的局部二值模式特征，其中，所述图像的内容包含至少部分目标物；对图像进行单元分割，每个单元对应多个像素，并依据均衡的局部二值模式特征对每个单元求取直方图后拼接在一起，得到均衡的局部二值模式直方图的稀疏矩阵向量；然后基于压缩稀疏行的稀疏数据存储方式，存储该稀疏矩阵向量。通过本公开的识别方法，在以压缩稀疏行的稀疏数据存储方式存储时，存储的矩阵向量占用内存空间可以大大缩小。

Target Recognition Method and Recognition System

【技术实现步骤摘要】
目标物识别方法及识别系统
本公开涉及信息处理
，尤其涉及一种目标物识别方法及系统。
技术介绍
目标物的自动识别，例如人脸识别、动物品种识别或植物品种识别，是基于目标物的局部或整体特征信息进行身份识别的识别技术。一种通用的识别技术是基于LBP(localbinarypatterns，局部二值模式)特征算法，HOG(histogramoforientedgradient方向梯度直方图)特征算法或者Haar-like(特征的计算-积分图特征)特征算法，且需要创建很大的人脸数据库并一一比对；而另一种通用的识别技术基于深度学习的目标物识别方案，计算时则需要大量的参数量，计算则更为复杂；以上两种识别技术对终端处理芯片的内存和计算能力都具有较高要求，需要更高内存开销的存储装置以及更快运算能力的计算装置与之匹配。
技术实现思路
有鉴于此，本公开的目的在于提供一种目标物识别方法以及识别系统，以至少部分解决上述的技术问题。根据本公开的一方面，提供一种目标物识别方法，包括：对图像各像素提取局部二值模式特征后，经过均衡降维处理得到均衡的局部二值模式特征，其中，所述图像的内容包含至少部分目标物；对图像进行单元分割，每个单元对应多个像素，并依据均衡的局部二值模式特征对每个单元求取直方图后拼接在一起，得到均衡的局部二值模式直方图的稀疏矩阵向量；基于压缩稀疏行的稀疏数据存储方式，存储该稀疏矩阵向量。在进一步的实施方案中，所述基于压缩稀疏行的稀疏数据存储方式，包括只存储所述稀疏矩阵向量的非零数据以及非零数据对应位置。在进一步的实施方案中，所述只存储所述稀疏矩阵向量的非零数据以及非零数据对应位置，包括：确定稀疏矩阵向量中的非零元素数量；确定各非零元素的存储地址；将各非零元素及其对应地址作为单元数据进行存储。在进一步的实施方案中，所述各非零元素及其对应地址作为单位数据进行存储时以链表方式或者组表方式进行存储。在进一步的实施方案中，对图像各像素提取局部二值模式特征之前，还包括：输入待识别图像；对该待识别图像进行灰度化；对灰度化的图像进行双线性插值至设定尺寸。在进一步的实施方案中，将所述存储该稀疏矩阵向量确定为设定目标物的标签；并且将同种类的多个设定目标物的标签组成设定种类的目标物标准数据库。在进一步的实施方案中，还包括：将所述存储该稀疏矩阵向量确定为未知目标物；并且将该未知目标物的矩阵向量数据与目标物标准数据库的标签对应矩阵向量进行比较，确定该未知目标物的具体种类。根据本公开的另一方面，还提供一种目标物识别系统，包括：处理器，用于执行指令，在执行指令时完成以下步骤：对图像各像素提取局部二值模式特征后，经过均衡降维处理得到均衡的局部二值模式特征，其中，所述图像的内容包含至少部分目标物；对图像进行单元分割，每个单元对应多个像素，并依据均衡的局部二值模式特征对每个单元求取直方图后拼接在一起，得到均衡的局部二值模式直方图的稀疏矩阵向量；存储器，基于压缩稀疏行的稀疏数据存储方式，存储该稀疏矩阵向量。在进一步的实施方案中，所述存储器中，基于压缩稀疏行的稀疏数据存储方式，包括：只存储所述稀疏矩阵向量的非零数据以及非零数据对应位置。在进一步的实施方案中，所述存储器中，只存储所述稀疏矩阵向量的非零数据以及非零数据对应位置，包括：确定稀疏矩阵向量中的非零元素数量；确定各非零元素的存储地址；将各非零元素及其对应地址作为单元数据进行存储。在进一步的实施方案中，所述存储器中所述各非零元素及其对应地址作为单位数据进行存储时以链表方式或者组表方式进行存储。在进一步的实施方案中，所述处理器还用于：对图像各像素提取局部二值模式特征之前：输入待识别图像；对该待识别图像进行灰度化；对灰度化的图像进行双线性插值至设定尺寸。在进一步的实施方案中，所述处理器还用于：将所述存储该稀疏矩阵向量确定为设定目标物的标签；并且将同种类的多个设定目标物的标签组成设定种类的目标物标准数据库。在进一步的实施方案中，所述处理器还用于：将所述存储该稀疏矩阵向量确定为未知目标物；并且将该未知目标物的矩阵向量数据与目标物标准数据库的标签对应矩阵向量进行比较，确定该未知目标物的具体种类。通过本公开的识别方法，在以压缩稀疏行(CSR)的稀疏数据存储方式存储时，存储的矩阵向量占用内存空间可以大大缩小，可以节省近60％内存开销；通过本公开的识别系统，可以减少内存消耗，提高整个识别系统的运算和处理效率。附图说明图1是本公开实施例的目标物识别方法流程图。图2A是本公开另一实施例的目标物识别方法整体示意图；图2B是图2A的具体流程图。图3是图2B中目标物识别方法中实施例的中局部二值模式特征值的计算示意图。图4是图3中加入旋转不变性特性的局部二值模式示意图。图5是图2A实施例的内存开销与现有技术的比较示意。图6是本公开实施例的目标物识别系统方块图。具体实施方式为使本公开的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本公开作进一步的详细说明。下面通过实施例，并结合附图，对本公开的技术方案作进一步具体的说明。在说明书中，相同或相似的附图标号指示相同或相似的部件。下述参照附图对本公开实施方式的说明旨在对本公开的总体专利技术构思进行解释，而不应当理解为对本公开的一种限制。另外，在下面的详细描述中，为便于解释，阐述了许多具体的细节以提供对本公开实施例的全面理解。然而明显地，一个或多个实施例在没有这些具体细节的情况下也可以被实施。在其他情况下，公知的结构和装置以图示的方式体现以简化附图。现有的目标物识别过程中，存储处理后的目标物识别数据时需要耗费大量的存储空间，根据本公开的基本构思，提供一种目标物识别方法，包括对目标物识别数据(例如ULBPH的稀疏矩阵向量)采用稀疏矩阵的存储方式存储，以节省空间，提高效率。图1是本公开实施例的目标物识别方法流程图。本公开实施例提供一种目标物识别方法，如图1所示，其包括步骤：S1：对图像各像素提取局部二值模式特征后，经过Uniform(均衡)降维处理得到ULBP(UniformLocalBinaryPattern，均衡的局部二值模式)特征，其中，图像的内容包含至少部分目标物；S2：对图像进行单元分割，每个单元对应多个像素，并依据ULBP特征对每个单元求取直方图后拼接在一起，得到ULBPH(UniformLocalBinaryPatternHistogram，均衡的局部二值模式直方图)的稀疏矩阵向量；S3：基于压缩稀疏行(CompressedSparseRow，简称为CSR)的稀疏数据存储方式，存储该稀疏矩阵向量。步骤S1中涉及对ULBP特征进行降维处理，通常在目标物识别过程中，需要对拍摄的含目标物的图像进行处理，以利于后期进行判断，一种方式是采用基于ULBPH算法进行处理，其中包括对图片进行多步骤的处理，包括在对图像各像素提取局部二值模式特征后，可经过Uniform降维处理得到ULBP特征。局部二值模式(LBP)是用来描述图像局部纹理特征的算子，另外还可以根据需要加入旋转不变性和灰度不变性特性。经过局部二值处理后，每个像素点都可以得到一个LBP编码，此时得到是一个每一个像素点局部二值的图片。然后，对该LBP图谱进行进一步处理，例如进行Uniform降维处理，对LBP特本文档来自技高网...

【技术保护点】
1.一种目标物识别方法，其中，包括：对图像各像素提取局部二值模式特征后，经过均衡降维处理得到均衡的局部二值模式特征，其中，所述图像的内容包含至少部分目标物；对所述图像进行单元分割，每个单元对应多个像素，并依据所述均衡的局部二值模式特征对所述每个单元求取直方图后拼接在一起，得到均衡的局部二值模式直方图的稀疏矩阵向量；基于压缩稀疏行的稀疏数据存储方式，存储所述稀疏矩阵向量。

【技术特征摘要】
1.一种目标物识别方法，其中，包括：对图像各像素提取局部二值模式特征后，经过均衡降维处理得到均衡的局部二值模式特征，其中，所述图像的内容包含至少部分目标物；对所述图像进行单元分割，每个单元对应多个像素，并依据所述均衡的局部二值模式特征对所述每个单元求取直方图后拼接在一起，得到均衡的局部二值模式直方图的稀疏矩阵向量；基于压缩稀疏行的稀疏数据存储方式，存储所述稀疏矩阵向量。2.根据权利要求1所述的方法，其特征在于，所述基于压缩稀疏行的稀疏数据存储方式，包括：只存储所述稀疏矩阵向量的非零数据以及所述非零数据对应位置。3.根据权利要求2所述的方法，其特征在于，所述只存储所述稀疏矩阵向量的非零数据以及所述非零数据对应位置，包括：确定稀疏矩阵向量中的非零元素数量；确定各非零元素的存储地址；将所述各非零元素及其对应地址作为单元数据进行存储。4.根据权利要求3所述的方法，其特征在于，所述各非零元素及其对应地址作为单位数据进行存储时以链表方式或者组表方式进行存储。5.根据权利要求1所述的方法，其特征在于，对所述图像各像素提取局部二值模式特征之前，还包括：输入待识别图像；对该待识别图像进行灰度化；对灰度化的图像进行双线性插值至设定尺寸。6.根据权利要求1所述的方法，其特征在于，还包括：将所述存储该稀疏矩阵向量确定为设定目标物的标签；并且将同种类的多个所述设定目标物的标签组成设定种类的目标物标准数据库。7.根据权利要求6所述的方法，其特征在于，还包括：将所述存储该稀疏矩阵向量确定为未知目标物；并且将该未知目标物的矩阵向量数据与目标物标准数据库的标签对应矩阵向量进行比较，确定该未知目标物的具体种类。8.一种目标物识别系统，其特征在于包括：处理...

【专利技术属性】
技术研发人员：翟新刚，张楠赓，
申请(专利权)人：杭州嘉楠耘智信息科技有限公司，
类型：发明
国别省市：浙江,33