一种手绘几何图形的识别方法、计算机设备和存储介质技术

本发明专利技术公开了一种手绘几何图形的识别方法、计算机设备和存储介质，步骤S1的设置，能够通过减少冗余的点来简化图形，手绘识别更加简单。步骤S2的设置，以便于根据手绘几何图形的点序列进行初步识别和判断，得到手绘图形的基本几何信息。步骤S3的设置，以便于根据手绘几何图形的不同特征进行进一步识别，以判断出具体的几何图形的类型。步骤S4的设置，以便于能够保持一定模糊度，针对不同典型几何留出适当的误差容忍度；同时能够在容忍范围可以进行更多可能精度的调整，不需要很多图形来训练，精度优化更简单。步骤S5的设置，利用神经网络识别椭圆和圆，以便于进一步提高识别效率，保证几何图形的识别效果。几何图形的识别效果。几何图形的识别效果。

【技术实现步骤摘要】
一种手绘几何图形的识别方法、计算机设备和存储介质


[0001]本专利技术涉及一种手绘几何图形的识别方法、计算机设备和存储介质。

技术介绍

[0002]手绘图即为草图，手绘几何图形识别就是将人们随意手绘出来的几何图形进行识别并判断手绘图形是常见几何图形的哪一种。如今手绘几何图形的识别方法主要有：统计类方法、模糊类方法、几何方法以及神经网络类方法。
[0003]目前，在神经网络类方法中，如BP神经网络识别几何图形的做法，其需要大量绘制一些需要识别的目标几何图形，然后通过训练BP神经网络再识别。但是，采用这种方式需要了解比较复杂的前沿AI知识，对操作人员要求较高。另外，这种方式还需要大量的绘制几何图形来训练，识别步骤较为复杂，而且后期对该识别方法的精确调优比较难。

技术实现思路

[0004]本实专利技术克服了上述技术的不足，提供了一种手绘几何图形的识别方法、计算机设备和存储介质。
[0005]为实现上述目的，本专利技术采用了下列技术方案：
[0006]本专利技术实施例第一方面公开了一种手绘几何图形的识别方法，包括以下步骤：
[0007]步骤S1:对手绘几何图形进行采样，利用抽稀算法来减少手绘几何图形的冗余点；
[0008]步骤S2:对步骤S1处理后的点序列进行判断，当作为一个近似多边形时，计算其几何信息；其中，几何信息至少包括每条边的长度、点的数目；
[0009]步骤S3：当步骤S2判断为近似多边形时，将手绘几何图形的典型几何特征提取出来，将典型几何特征与目标几何图形进行对比，以识别属于哪一类图形；其中，所述典型几何特征至少包括：边的平行，边间角度，凸性；
[0010]步骤S4：对典型几何特征的数据进行小范围容忍，来限定不同典型几何特征的数据的容忍范围；判断典型几何特征的数据是否在容忍范围内，若匹配某一特征的容忍范围则匹配几何图形具有该几何特征，若否则不匹配；结合多个匹配的几何特征与目标几何图形进行对比来判断所属几何图形的类型；
[0011]步骤S5：对于识别为圆和椭圆的手绘几何图形，通过双层BP神经网络来进行识别，根据识别结果输出目标圆和目标椭圆。
[0012]作为另一种可选的实施方式，步骤S3所述“将典型几何特征与目标几何图形进行对比，以识别属于哪一类图形”的包括以下步骤：
[0013]S31:对识别为三个点的几何图形，若三个点都不重合，首先判断为三角形；再根据其边间角度和边长，进一步判断为不同类型的三角形；
[0014]S32:对识别为四个点的几何图形，首先判断为矩形或者平行四边形或者梯形或者菱形；再根据已知几何信息和两组对边的角度是否接近180度以及四个角的余弦值，进一步判断为不同类型的四边形；
[0015]S33:对识别为六个或以上点，检测其凸性，判断为普通多边形还是椭圆或者圆；若检测为椭圆或者圆，则根据此手绘几何图形的OBB来确定是椭圆还是圆。
[0016]作为另一种可选的实施方式，步骤S5所述的“对于识别为圆和椭圆的手绘几何图形，通过双层BP神经网络来进行识别，根据识别结果输出目标圆和目标椭圆”包括：
[0017]步骤S51:构建训练神经网络模型，神经网络模型包括用于分别识别椭圆和圆的两层BP神经网络，每层BP神经网络至少包括一个输入层，一个隐藏层和一个输出层。其中输入层是50*50,表示图形的宽高；隐藏层是28*28,表示图形的神经节点；输出层节点是1，表示是目标图形的概率；层与层之间为全连接；
[0018]步骤S52:将目标图形的训练位图转换为灰度数据，保存为csv数据；对整个训练图形样本数据集做统一训练，更新准确率直至满足目标准确率；
[0019]步骤S53:对椭圆和圆分别用各自的双层数据识别；若网络输出层的值大于设定的概率值则可识别为给定类型，则输出对应圆和椭圆。
[0020]作为另一种可选的实施方式，步骤S52还包括：
[0021]对每一轮的训练，都去前向计算得到结果，然后反馈结果，根据网络的偏导更新隐藏层两侧的网络权重值。
[0022]作为另一种可选的实施方式，所述抽稀算法采用Ramer
‑
Douglas
‑
Peucker算法。
[0023]本专利技术实施例第二方面公开了一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现上述手绘几何图形的识别方法的步骤。
[0024]本专利技术实施例第三方面公开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上述手绘几何图形的识别方法的步骤。
[0025]与现有技术相比，本专利技术实施例具有以下有益效果：
[0026]1、在本专利技术步骤S1的设置，能够通过减少冗余的点来简化图形，手绘识别更加简单。步骤S2的设置，以便于根据手绘几何图形的点序列进行初步识别和判断，并得到手绘图形的基本几何信息，保证识别准确性。步骤S3的设置，以便于根据手绘几何图形的不同特征进行进一步识别，以判断出具体的几何图形的类型，完成手绘几何图形的识别。步骤S4的设置，一方面以便于能够保持一定模糊度，针对不同典型几何留出适当的误差容忍度，能够在保证几何图形识别的同时满足手绘的不准确性；另一方面以便于能够在容忍范围可以进行更多可能精度的调整，不需要很多图形来训练，精度优化更简单。步骤S5的设置，利用神经网络识别椭圆和圆，以便于进一步提高识别效率，保证几何图形的识别效果，能够对不同图形采取不同的方式进行识别。
[0027]2、本专利技术通过步骤S51至步骤S53的设置，能够将较难识别的椭圆或圆通过BP神经网络来识别，能够提高识别准确率。而且通过分别建立两个不同的BP神经网络层来分别识别，以便于对圆和椭圆来分别进行调整，数据优化更加简单。而且与现有的复杂的神经网络不同，本专利技术的BP神经网络的通过简单的双层BP神经网络即可实现；同时BP算法在反向传播中对误差进行计算，有效地减少了训练的时间。同时步骤S52位图的灰度处理，能够减少图形识别的处理信息，提高神经网络的识别效率；同时经过灰度处理的训练位图可以直接输入至BP神经网络直接处理，降低训练复杂程度，进一步提高识别效率。
附图说明
[0028]为了更清楚地说明本专利技术实施例中的技术方案，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的前提下，还可以根据这些附图获得其他的附图。
[0029]图1是本专利技术实施例一公开的一种手绘几何图形的识别方法的流程示意图；
[0030]图2是本专利技术实施例二公开的一种计算机设备的结构示意图。
具体实施方式
[0031]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本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种手绘几何图形的识别方法，其特征在于，包括以下步骤：步骤S1:对手绘几何图形进行采样，利用抽稀算法来减少手绘几何图形的冗余点；步骤S2:对步骤S1处理后的点序列进行判断，当作为一个近似多边形时，计算其几何信息；其中，几何信息至少包括每条边的长度、点的数目；步骤S3：当步骤S2判断为近似多边形时，将手绘几何图形的典型几何特征提取出来，将典型几何特征与目标几何图形进行对比，以识别属于哪一类图形；其中，所述典型几何特征至少包括：边的平行，边间角度，凸性；步骤S4：对典型几何特征的数据进行小范围容忍，来限定不同典型几何特征的数据的容忍范围；判断典型几何特征的数据是否在容忍范围内，若匹配某一特征的容忍范围则匹配几何图形具有该几何特征，若否则不匹配；结合多个匹配的几何特征与目标几何图形进行对比来判断所属几何图形的类型；步骤S5：对于识别为圆和椭圆的手绘几何图形，通过双层BP神经网络来进行识别，根据识别结果输出目标圆和目标椭圆。2.根据权利要求1所述的手绘几何图形的识别方法，其特征在于，步骤S3所述“将典型几何特征与目标几何图形进行对比，以识别属于哪一类图形”的包括以下步骤：S31:对识别为三个点的几何图形，若三个点都不重合，首先判断为三角形；再根据其边间角度和边长，进一步判断为不同类型的三角形；S32:对识别为四个点的几何图形，首先判断为矩形或者平行四边形或者梯形或者菱形；再根据已知几何信息和两组对边的角度是否接近180度以及四个角的余弦值，进一步判断为不同类型的四边形；S33:对识别为六个或以上点，检测其凸性，判断为普通多边形还是椭圆或者圆；若检测为椭圆或者圆，则根据此手绘几何图形的OBB...

【专利技术属性】
技术研发人员：吴振涛，刘建军，
申请(专利权)人：广州炫视智能科技有限公司，
类型：发明
国别省市：