一种图形匹配识别系统及其实现方法技术方案

本发明专利技术针对现有技术中存在的问题，在研究了颜色和形状识别后，提出一种图形匹配识别系统及其实现方法。首先，用数码相机将贴有人工标识的待三维重构的物体拍摄成图片，然后用特征提取模块提取出图片的形状特征和颜色特征，再用特征向量归一化模块将图片的形状特征向量和颜色特征向量写进同一个特征向量中，并进行归一化，最后将归一化后的特征向量用神经网络模块进行识别。本发明专利技术的优点是它采用了基于颜色和形状的混合匹配方法，避免了计算量大的基于灰度匹配和同一标识点的多次重复匹配确认，并且利用了基于颜色种类和形状特征中的角点数特征的笛卡尔积组合而产生足够多数量的人工标识点特征，使得匹配工作一步到位，极大提高了匹配效率。

【技术实现步骤摘要】

本专利技术涉及一种识别系统及其实现方法，特别涉及。
技术介绍
随着科技的发展，在基于摄像机标定的三维重构过程中，匹配一直占有重要地位。在大 场景物体的三维重构过程中，为了便于提取物体特征点，降低难度，我们将人为的在物体上 贴上一些标定点。由于场景比较大，摄像机拍摄过程中，无法保证每次都把固定位置的靶标 拍进去，针对这一困难，这些标定点分为按大小分为两种，大点称为骨架点，小点称为未知 点。首先计算出骨架点的三维世界坐标，之后即把骨架点当作"靶标"，用于其所在图片所在 摄像机位置的外部参数计算。然而虽然所有骨架点的世界坐标在包含耙标的图片上已经求出 来，但是在不包含靶标的图片上，骨架点的世界坐标依然未知，即不知道未含耙标的图片上 的骨架点与包含靶标的图片上的骨架点的对应关系。颜色特征是标志点的一个重要特征。颜色空间主要有RGB， HIS， LUV等。RGB颜色空间中， 将三原色R (红)G (绿)B (蓝)各自量化为0到255的值域范围，分别表示空间三坐标轴， 以此三色不同比例的混合表示其它颜色.不同于RGB空间，由于HSI和YUV色彩空间是用两维 来表示光谱，用第3维来表示色彩的强度，在HSI色彩空间中，H和S表示颜色信息，I表示 强度；在YUV色彩空间中，U和V表示颜色，而Y表示强度。常用的集中图像识别算法有基于傅立叶算子的图像识别算法，基于不变矩的图像识别算 法，和基于拐点不变量的平面图形识别算法。基于傅立叶算子的识别方法不适合标志点的识 别，在空间中，人工标志点从不同角度拍摄形状差异很大；特征不变矩方法虽然简单直观， 计算特征不变矩需要计算二至三阶中心矩，计算量很大，且由于特征矩表述的是图形的整体 特征，当图形的某些部分发生变形或当噪声存在时，各特征量将产生较大的变化；拐点，即 曲线切线方向变化剧烈的点或曲率的极大值点，包含着物体形状的重要几何特征。由于拐点 是具有一定几何形状物体的固有属性，其个数、在曲线中的相对位置具有相当的稳定性，即 不随物体大小、位置与旋转方向的变化而改变。在标志点匹配过程中，如果让所有标志点都居于独一无二的特征，那么匹配时候只需要 将标志点的特征识别出来即可知道同一标志点在不同图片中的对应关系。由于特征点个数很 多，如果只使用颜色特征，随着使用颜色种类的增多，其识别正确率会随之降低；若只是用形状识别，若想快速识别，则可使用的简单形状标志的个数又很有限。神经网络的研究最初是受到生物神经系统启发，它是对人类大脑一种简单模拟。BP网络 是一种单向传播的多层前向网络，由许多个处理单元相互连接组成，它包括输入层，中间层 和输出层，其中中间层又称隐层，又可以包含几层网络。相邻两层神经元为全连接，每层内 神经元之间无连接。每个神经元的实际处理过程可用一个点积的函数来描述其中0为输出，即为隶属度，X为输入向量，W为该处理单元的权重向量。g为激励 函数。在监督学习训练中，训练集中已知类别的特征向量随机呈现给神经网络，不断调整PE 之间的连接权重，随着训练的推进而不断改善网络性能，直到网络中每个PE都收敛但何时的 权重为止。神经网络训练训练过程是自顶向下从输出层PE开始，输出层(k=N)的第j个节点的第i个选中系数 的调整量为 il SjNg' OiM (2)它是基于梯度下降法的广义5学习法则。训练的任意时刻的总的误差为，其中P为训练集样本数，Nw为输出节点数，S^t」p-Ojp是第p个样本的输出向量与目标向 量的第j个分量之差。当RMS误差小于0. 01时停止训练。本专利技术针对现有技术中存在的问题，在研究了颜色和形状识别后，提出一种图形匹配识 别系统及其实现方法。本专利技术提出一种图形匹配识别系统，包括数码相机，将贴有人工标识的待三维重构的 物体拍摄成图片；特征提取模块，提取拍摄图片的特征向量；特征向量归一化模块，将提取 出的特征向量进行归一化；神经网络模块，对归一化的特征向量进行识别；其中，所述特征 提取模块包括轮廓提取模块，提取形状特征；识别轮廓凹角凸角个数模块，在形状特征中 加入拐角凸凹性特征；和颜色分量提取模块，提取颜色特征。作为本专利技术的进一步优选方案，所述神经网络模块是单隐层神经网络结构。0 = g = g = g (1)
技术实现思路
作为本专利技术的进一步优选方案，所述轮廓提取模块是用基于拐点不变量的识别方法提取 形状特征的形状特征提取模块。作为本专利技术的进一步优选方案，所述拐角凸凹性的判定方法为设EiEj为相邻两边，从 Ei转到Ej的内角若大于180度，则此拐角为凸，小于180度，此拐角为凹。作为本专利技术的进一步优选方案，所述颜色分量提取模块是用RGB色彩空间提取颜色特征 向量的颜色特征提取模块。本专利技术提出一种图形匹配识别系统的实现方法，其中，所述方法包括如下步骤1) 用数码相机将贴有人工标识的待三维重构的物体拍摄成图片；2) 用特征提取模块提取出图片的形状特征和颜色特征；3) 特征向量归一化模块将图片的形状特征向量和颜色特征向量写进同一个特征向量中， 并进行归一化；4) 将归一化后的特征向量用神经网络模块进行识别。作为本专利技术的进一步优选方案，所述形状特征是用基于拐点不变量的识别方法提取的。 作为本专利技术的进一步优选方案，所述形状特征包括拐角凸凹性特征。作为本专利技术的进一步优选方案，所述颜色特征选用的颜色空间是RGB色彩空间。 本专利技术的有益效果在于它采用了基于颜色和形状的混合匹配方法，避免了计算量大的 基于灰度匹配和同一标识点的多次重复匹配确认，并且利用了基于颜色种类和形状特征中的 角点数特征的笛卡尔积组合而产生足够多数量的人工标识点特征，使得匹配工作一步到位， 极大提高了匹配效率。附图说明图1为本专利技术的图形匹配识别系统的示意图； 图2为本专利技术的神经网络结构示意图； 图3为本专利技术的标志点形状举例示意图。具体实施方式下面根据附图说明对本专利技术做进一步详细描述本专利技术提出一种图形匹配识别系统，包括数码相机，将贴有人工标识的待三维重构的 物体拍摄成图片；特征提取模块，提取拍摄图片的特征向量；特征向量归一化模块，将提取 出的特征向量进行归一化；神经网络模块，对归一化的特征向量进行识别；其中，所述特征提取模块包括轮廓提取模块，提取形状特征；识别轮廓凹角凸角个数模块，在形状特征中 加入拐角凸凹性特征；颜色分量提取模块，提取颜色特征。所述神经网络模块是单隐层神经网络结构，所述轮廓提取模块是用基于拐点不变量的识 别方法提取形状特征的形状特征提取模块，所述拐角凸凹性的判定方法为相邻两边，从一 边转到另一边的内角若大于180度，则此拐角为凸，小于180度，此拐角为凹。所述颜色分 量提取模块是用RGB色彩空间提取颜色特征向量的颜色特征提取模块。本专利技术提出一种图形匹配识别系统的实现方法，其中，所述方法包括如下步骤1) 用数码相机将贴有人工标识的待三维重构的物体拍摄成图片；2) 用特征提取模块提取出图片的形状特征和颜色特征；3) 特征向量归一化模块将图片的形状特征向量和颜色特征向量写进同一个特征向量中， 并进行归一化；4) 将归一化后的特征向量用神经网络模块进行识别。所述形状特征是用基于拐点不变量的识别方法提取的，所述形状特征包括拐角凸凹性特 征，所述颜色特征选用的颜色空间是RGB色彩空间。本专利技术提出一种基本文档来自技高网...

【技术保护点】
一种图形匹配识别系统，包括：　数码相机，将贴有人工标识的待三维重构的物体拍摄成图片；　特征提取模块，提取拍摄图片的特征向量；　特征向量归一化模块，将提取出的特征向量进行归一化；　神经网络模块，对归一化的特征向量进行识别；　其特征在于：所述特征提取模块包括：　轮廓提取模块，提取形状特征；　识别轮廓凹角凸角个数模块，在形状特征中加入拐角凸凹性特征；　和颜色分量提取模块，提取颜色特征。

【技术特征摘要】

【专利技术属性】
技术研发人员：郝泳涛，
申请(专利权)人：同济大学，
类型：发明
国别省市：31[中国|上海]