一种标签检测识别方法与系统技术方案

本发明专利技术提供了一种标签检测识别方法与系统，包括：构建检测窗口，并利用噪点识别模型检测初步去噪的标签图像得到每个检测窗口下的含噪值；对相应检测窗口内的标签图像进行均值滤波，得到均值滤波后的标签图像；滑动检测窗口，直到遍历完整个初步去噪的标签图像得到去噪完成的标签图像；对去噪完成的标签图像依次进行二值化和直方图均衡化处理得到预处理完成的标签图像；将预处理完成的标签图像输入到预设的神经网络中进行训练得到标签检测模型；利用标签检测模型对待处理的标签图像进行检测得到标签检测结果。本发明专利技术通过对标签图像进行多重去噪处理可以得到清晰的训练样本，便于标签检测、识别，大大提高了标签识别精度。大大提高了标签识别精度。大大提高了标签识别精度。

【技术实现步骤摘要】
一种标签检测识别方法与系统


[0001]本专利技术涉及图像检测
，特别是涉及一种标签检测识别方法与系统。

技术介绍

[0002]标签检测系统包括设置在物体表达的标签、用于获取包含标签的图像数据的图像采集装置以及用于检测和/或识别这些标签的检测模块。标签检测系统被广泛用于诸如增强现实、人机交互、包装和人类检测与跟踪以及工厂和仓库管理之类的应用中。现有的标签检测系统都是基于ocr技术构建的，但是由于ocr技术对光照、准度要求偏高，而一般的图像采集装置获取的图像具有很多噪点，会影响对标签的识别精度。

技术实现思路

[0003]为了克服现有技术的不足，本专利技术的目的是提供一种标签检测识别方法与系统，以解决现有的标签检测系统识别精度低的问题。
[0004]为实现上述目的，本专利技术提供了如下方案：
[0005]一种标签检测识别方法，包括：
[0006]步骤1：获取标签图像；
[0007]步骤2：对所述标签图像进行小波变换去噪得到初步去噪的标签图像；
[0008]步骤3：构建检测窗口，并利用噪点识别模型检测初步去噪的标签图像得到每个检测窗口下的含噪值；
[0009]步骤4：当所述检测窗口内的含噪值大于预设阈值时，对相应检测窗口内的标签图像进行均值滤波，得到均值滤波后的标签图像；
[0010]步骤5：滑动所述检测窗口，直到遍历完整个初步去噪的标签图像得到去噪完成的标签图像；
[0011]步骤6：对去噪完成的标签图像依次进行二值化和直方图均衡化处理得到预处理完成的标签图像；
[0012]步骤7：将所述预处理完成的标签图像输入到预设的神经网络中进行训练得到标签检测模型；
[0013]步骤8：利用所述标签检测模型对待处理的标签图像进行检测得到标签检测结果。
[0014]优选的，所述对所述标签图像进行小波变换去噪得到初步去噪的标签图像，包括：
[0015]对所述标签图像进行多尺度小波分解得到多个小波系数；
[0016]利用每个分解尺度下的小波系数计算噪声方差；
[0017]利用所述噪声方差构建每一分解尺度下的小波阈值；其中，所述小波阈值为：
[0018][0019]其中，λ
j
表示在第j个分解尺度下的小波阈值，σ
j
表示在第j个分解尺度下的噪声方差，N
j
表示在第j个分解尺度下的信号长度，表示在第j个分解尺度下第i个小波的系数；
[0020]利用所述小波阈值构建小波去噪模型；
[0021]利用所述小波去噪模型对所述标签图像进行小波变换去噪得到初步去噪的标签图像。
[0022]优选的，所述小波去噪模型为：
[0023][0024]其中，sign为符号函数，a为可调系数，表示初步去噪后的小波系数。
[0025]优选的，所述构建检测窗口，并利用噪点识别模型检测初步去噪的标签图像得到每个检测窗口下的含噪值，包括:
[0026]采用公式：
[0027]F
ij
＝|x
ij
‑
y
ij
|
[0028]得到每个检测窗口下的像素差值；其中，F
ij
表示标签图像在(i，j)位置的像素差值，x
ij
表示标签图像在(i，j)位置处的像素值，y
ij
表示初步去噪的标签图像在(i，j)位置处的像素值；
[0029]将像素差值大于预设特征值的像素点作为噪点并记录；
[0030]将所述检测窗口下噪点占所有像素点的比例作为含噪值。
[0031]优选的，所述检测窗口内的含噪值大于预设阈值时，对相应检测窗口内的标签图像进行均值滤波，包括：
[0032]采用公式：
[0033][0034]对相应检测窗口内的标签图像进行均值滤波得到均值滤波后的标签图像；其中，f(a,b)表示像素点(a，b)在均值滤波后的像素值，D为预设系数，x(a,b)表示像素点(a，b)在滤波窗口内的像素值，mean(a,b)表示检测窗口的像素均值，σ
x
(a,b)表示检测窗口内像素值的方差。
[0035]优选的，所述步骤7中的预设的神经网络为卷积递归神经网络。
[0036]本专利技术还提供了一种标签检测识别系统，包括：
[0037]图像获取模块，用于获取标签图像；
[0038]初步去噪模块，用于对所述标签图像进行小波变换去噪得到初步去噪的标签图像；
[0039]噪点检测模块，用于构建检测窗口，并利用噪点识别模型检测初步去噪的标签图像得到每个检测窗口下的含噪值；
[0040]均值滤波模块，用于当所述检测窗口内的含噪值大于预设阈值时，对相应检测窗口内的标签图像进行均值滤波，得到均值滤波后的标签图像；
[0041]滑动去噪模块，用于滑动所述检测窗口，直到遍历完整个初步去噪的标签图像得到去噪完成的标签图像；
[0042]预处理模块，用于对去噪完成的标签图像依次进行二值化和直方图均衡化处理得到预处理完成的标签图像；
[0043]训练模块，用于将所述预处理完成的标签图像输入到预设的神经网络中进行训练得到标签检测模型；
[0044]检测模块，用于利用所述标签检测模型对待处理的标签图像进行检测得到标签检测结果。
[0045]本专利技术还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至6中任一项所述的一种标签检测识别方法中的步骤。
[0046]根据本专利技术提供的具体实施例，本专利技术公开了以下技术效果：
[0047]本专利技术提供了一种标签检测识别方法与系统，与现有技术相比，本专利技术通过对标签图像进行多重去噪处理可以得到清晰的训练样本，便于标签检测、识别，大大提高了标签识别精度。
附图说明
[0048]为了更清楚地说明本专利技术实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0049]图1为本专利技术提供的一种标签检测识别方法流程图。
具体实施方式
[0050]下面将结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0051]在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种标签检测识别方法，其特征在于，包括：步骤1：获取标签图像；步骤2：对所述标签图像进行小波变换去噪得到初步去噪的标签图像；步骤3：构建检测窗口，并利用噪点识别模型检测初步去噪的标签图像得到每个检测窗口下的含噪值；步骤4：当所述检测窗口内的含噪值大于预设阈值时，对相应检测窗口内的标签图像进行均值滤波，得到均值滤波后的标签图像；步骤5：滑动所述检测窗口，直到遍历完整个初步去噪的标签图像得到去噪完成的标签图像；步骤6：对去噪完成的标签图像依次进行二值化和直方图均衡化处理得到预处理完成的标签图像；步骤7：将所述预处理完成的标签图像输入到预设的神经网络中进行训练得到标签检测模型；步骤8：利用所述标签检测模型对待处理的标签图像进行检测得到标签检测结果。2.根据权利要求1所述的一种标签检测识别方法，其特征在于，所述对所述标签图像进行小波变换去噪得到初步去噪的标签图像，包括：对所述标签图像进行多尺度小波分解得到多个小波系数；利用每个分解尺度下的小波系数计算噪声方差；利用所述噪声方差构建每一分解尺度下的小波阈值；其中，所述小波阈值为：其中，λ
j
表示在第j个分解尺度下的小波阈值，σ
j
表示在第j个分解尺度下的噪声方差，N
j
表示在第j个分解尺度下的信号长度，表示在第j个分解尺度下第i个小波的系数；利用所述小波阈值构建小波去噪模型；利用所述小波去噪模型对所述标签图像进行小波变换去噪得到初步去噪的标签图像。3.根据权利要求2所述的一种标签检测识别方法，其特征在于，所述小波去噪模型为：其中，sign为符号函数，a为可调系数，表示初步去噪后的小波系数。4.根据权利要求3所述的一种标签检测识别方法，其特征在于，所述构建检测窗口，并利用噪点识别模型检测初步去噪的标签图像得到每个检测窗口下的含噪值，包括:采用公式：
F
ij
＝|x
ij
‑
y
ij
|得到每个检测窗口下的像素差值；其中，F

【专利技术属性】
技术研发人员：李鹏，周富林，黄靖，曾俊，钱志明，赵华，邓敏杰，顾超，柳祺，
申请(专利权)人：刘学洋，
类型：发明
国别省市：