一种基于静动态图像的识别算法制造技术

本发明专利技术公开了一种基于静动态图像的识别算法，包括如下步骤：步骤1：确定识别对象的若干个大动态点A、局部动态点B和固定点C；步骤2：设置上述大动态点A、局部动态点B和固定点C后设置动态周期；步骤3：基于识别对象设定颜色特征、形状特征和空间结构关系特征；步骤4：基于上述特征再设定图形数据的提取周期；步骤5：基于上述周期所提取的动态数据，再将该数据相邻的N个相近值的总和再除以N得出标准值；步骤6：将上一步骤得出的标准值设定于N个数据中的中间位置，然后按照N的数量向两端相邻数据值进行相等差额的递增和递减重新排序。本发明专利技术采用多点及其轮廓线等综合方式来对图像行计算分析，采用该方式计算出的图像数据简单明了。

A recognition algorithm based on static and dynamic image

【技术实现步骤摘要】
一种基于静动态图像的识别算法
本专利技术涉及一种基于静动态图像的识别算法，属于人工智能

技术介绍
图形的识别算法应用于各行各业，尤其是在当今计算机网络发展下该领域尤为重要，图像识别是人工智能的一个重要领域。为了编制模拟人类图像识别活动的计算机程序，人们提出了不同的图像识别模型。例如模板匹配模型。这种模型认为，识别某个图像，必须在过去的经验中有这个图像的记忆模式，又叫模板。当前的刺激如果能与大脑中的模板相匹配，这个图像也就被识别了。例如有一个字母A,如果在脑中有个A模板,字母A的大小、方位、形状都与这个A模板完全一致,字母A就被识别了。这个模型简单明了，也容易得到实际应用。但这种模型强调图像必须与脑中的模板完全符合才能加以识别，而事实上人不仅能识别与脑中的模板完全一致的图像，也能识别与模板不完全一致的图像。例如,人们不仅能识别某一个具体的字母A,也能识别印刷体的、手写体的、方向不正、大小不同的各种字母A。同时,人能识别的图像是大量的，如果所识别的每一个图像在脑中都有一个相应的模板，也是不可能的。为了解决模板匹配模型存在的问题，格式塔心理学家又提出了一个原型匹配模型。这种模型认为，在长时记忆中存储的并不是所要识别的无数个模板，而是图像的某些"相似性"。从图像中抽象出来的"相似性"就可作为原型，拿它来检验所要识别的图像。如果能找到一个相似的原型，这个图像也就被识别了。这种模型从神经上和记忆探寻的过程上来看，都比模板匹配模型更适宜，而且还能说明对一些不规则的，但某些方面与原型相似的图像的识别。但是，这种模型没有说明人是怎样对相似的刺激进行辨别和加工的，它也难以在计算机程序中得到实现。因此又有人提出了一个更复杂的模型，即"泛魔"识别模型。一般工业使用中，采用工业相机拍摄图片，然后利用软件根据图片灰阶差做处理后识别出有用信息，图像识别软件国外代表的有康耐视等，国内代表的有图智能等。现有的图像分割的方法有许多种，有阈值分割方法，边缘检测方法，区域提取方法，结合特定理论工具的分割方法等。从图像的类型来分有:灰度图像分割、彩色图像分割和纹理图像分割等。但在近二十年间，随着基于直方图和小波变换的图像分割方法的研究计算技术、VLSI技术的迅速发展，有关图像处理方面的研究取得了很大的进展。图像分割方法结合了一些特定理论、方法和工具，如基于数学形态学的图像分割、基于小波变换的分割、基于遗传算法的分割等，但该些算法各有各的有点，同时也存在各自的缺点，不能相辅相成。
技术实现思路
本专利技术所要解决的技术问题是克服现有技术的缺陷，提供一种综合型的基于静动态图像的识别算法。为解决上述技术问题，本专利技术提供一种基于静动态图像的识别算法，其特征在于，包括如下步骤：步骤1：确定识别对象的若干个大动态点A、局部动态点B和固定点C；步骤2：设置上述大动态点A、局部动态点B和固定点C后设置动态周期；步骤3：基于识别对象设定颜色特征、形状特征和空间结构关系特征；步骤4：基于上述特征再设定图形数据的提取周期；步骤5：基于上述周期所提取的动态数据，再将该数据相邻的N个相近值的总和再除以N得出标准值；步骤6：将上一步骤得出的标准值设定于N个数据中的中间位置，然后按照N的数量向两端相邻数据值进行相等差额的递增和递减重新排序。前述的一种基于静动态图像的识别算法，其特征在于，所述大动态点A有一部分位于识别对象的外部边缘。前述的一种基于静动态图像的识别算法，其特征在于，所述局部动态点B有一部分位于识别对象的外部边缘。前述的一种基于静动态图像的识别算法，其特征在于，所述大动态点A和局部动态点B位于识别对象的外部边缘的部分组成外轮廓线。前述的一种基于静动态图像的识别算法，其特征在于，所述空间结构关系特征包括连接关系、交叠关系和包含关系。前述的一种基于静动态图像的识别算法，其特征在于，所述大动态点A所组成外轮廓线提取的数据同样采用步骤5的方法进行计算。前述的一种基于静动态图像的识别算法，其特征在于，所述局部动态点B所组成外轮廓线提取的数据同样采用步骤5的方法进行计算。前述的一种基于静动态图像的识别算法，其特征在于，所述大动态点A和局部动态点B所组成外轮廓线提取的数据也采用步骤5的方法进行计算。前述的一种基于静动态图像的识别算法，其特征在于，所述步骤5中N为奇数。前述的一种基于静动态图像的识别算法，其特征在于，所述颜色特征、形状特征和空间结构关系特征所对应的图形部分还对应的设有大动态点A1局部动态点B1固定点C1，所述大动态点A1和局部动态点B1位于所述颜色特征、形状特征和空间结构关系特征所对应的图像部分组成外轮廓线。本专利技术所达到的有益效果：本专利技术采用多点及其轮廓线等综合方式来对静动态图形进行计算分析，采用该方式计算出的图像数据简单明了，而不像简单的生产数据混乱不堪，难以找出规律等信息，而本专利技术不会存在该类问题。具体实施方式下面对本专利技术作进一步描述。以下实施例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。一种基于静动态图像的识别算法，包括如下步骤：步骤1：确定识别对象的若干个大动态点A、局部动态点B和固定点C；步骤2：设置上述大动态点A、局部动态点B和固定点C后设置动态周期；步骤3：基于识别对象设定颜色特征、形状特征和空间结构关系特征；步骤4：基于上述特征再设定图形数据的提取周期；步骤5：基于上述周期所提取的动态数据，再将该数据相邻的N个相近值的总和再除以N得出标准值；步骤6：将上一步骤得出的标准值设定于N个数据中的中间位置，然后按照N的数量向两端相邻数据值进行相等差额的递增和递减重新排序。优选地，所述大动态点A有一部分位于识别对象的外部边缘。优选地，所述局部动态点B有一部分位于识别对象的外部边缘。优选地，所述大动态点A和局部动态点B位于识别对象的外部边缘的部分组成外轮廓线。优选地，所述空间结构关系特征包括连接关系、交叠关系和包含关系。优选地，所述大动态点A所组成外轮廓线提取的数据同样采用步骤5的方法进行计算。优选地，所述局部动态点B所组成外轮廓线提取的数据同样采用步骤5的方法进行计算。优选地，所述大动态点A和局部动态点B所组成外轮廓线提取的数据也采用步骤5的方法进行计算。优选地，所述步骤5中N为奇数。优选地，所述颜色特征、形状特征和空间结构关系特征所对应的图形部分还对应的设有大动态点A1局部动态点B1固定点C1，所述大动态点A1和局部动态点B1位于所述颜色特征、形状特征和空间结构关系特征所对应的图像部分组成外轮廓线。本专利技术采用多点及其轮廓线等综合方式来对静动态图形进行计算分析，采用该方式计算出的图像数据简单明了，而不像简单的生产数据混乱不堪，难以找出规律等信息，而本专利技术不会存在该类问题。以上所述仅是本专利技术的优选实施方式，应当指出，对于本
的本文档来自技高网...

【技术保护点】
1.一种基于静动态图像的识别算法，其特征在于，包括如下步骤：/n步骤1：确定识别对象的若干个大动态点A、局部动态点B和固定点C；/n步骤2：设置上述大动态点A、局部动态点B和固定点C后设置动态周期；/n步骤3：基于识别对象设定颜色特征、形状特征和空间结构关系特征；/n步骤4：基于上述特征再设定图形数据的提取周期；/n步骤5：基于上述周期所提取的动态数据，再将该数据相邻的N个相近值的总和再除以N得出标准值；/n步骤6：将上一步骤得出的标准值设定于N个数据中的中间位置，然后按照N的数量向两端相邻数据值进行相等差额的递增和递减重新排序。/n

【技术特征摘要】
1.一种基于静动态图像的识别算法，其特征在于，包括如下步骤：
步骤1：确定识别对象的若干个大动态点A、局部动态点B和固定点C；
步骤2：设置上述大动态点A、局部动态点B和固定点C后设置动态周期；
步骤3：基于识别对象设定颜色特征、形状特征和空间结构关系特征；
步骤4：基于上述特征再设定图形数据的提取周期；
步骤5：基于上述周期所提取的动态数据，再将该数据相邻的N个相近值的总和再除以N得出标准值；
步骤6：将上一步骤得出的标准值设定于N个数据中的中间位置，然后按照N的数量向两端相邻数据值进行相等差额的递增和递减重新排序。


2.根据权利要求1所述的一种基于静动态图像的识别算法，其特征在于，所述大动态点A有一部分位于识别对象的外部边缘。


3.根据权利要求1所述的一种基于静动态图像的识别算法，其特征在于，所述局部动态点B有一部分位于识别对象的外部边缘。


4.根据权利要求2或3所述的一种基于静动态图像的识别算法，其特征在于，所述大动态点A和局部动态点B位于识别对象的外部边缘的部分组成外轮廓线。

【专利技术属性】
技术研发人员：朱建，眭国新，顾治国，
申请(专利权)人：江苏米途信息科技有限公司，
类型：发明
国别省市：江苏;32