【技术实现步骤摘要】
本申请涉及人工智能，特别涉及一种基于机器视觉的场景识别方法；还涉及一种基于机器视觉的场景识别装置。
技术介绍
1、目前，场景识别主要采用基于深度神经网络模型的场景识别方案。基于深度神经网络模型的场景识别方案大规模收集现场图像、进行人工场景标注、模型训练、模型优化、模型验证。对模型输入新的图像进行推理，从而进行场景识别。然而，基于深度神经网络模型的场景识别方案，需要大量收集样本数据，进行数据标注，进行模型训练，需要长时间训练调试才能达到比较好的效果。当现场因条件差、难度大而只能获取少量数据来进行模型训练时会表现不佳。并且训练得到的模型在运行期资源(算力、内存、显存)的需求比较大。因此，如何解决上述技术缺陷已成为本领域技术人员亟待解决的技术问题。
技术实现思路
1、本申请的目的是提供一种基于机器视觉的场景识别方法，能够有效解决实施周期长、运行时资源消耗大以及小数据集时效果不佳的问题。本申请的另一个目的是提供一种基于机器视觉的场景识别装置，同样具有上述技术效果。
2、为解决上述技术问题，本申请提供了一种基于机器视觉的场景识别方法，包括：
3、采集图像，并从所述图像中选择若干场景的图像作为场景基准图像；
4、在各所述场景基准图像中的相同位置为各所述场景基准图像标记形状大小相同的感兴趣区域；
5、提取各所述场景基准图像的感兴趣区域，并提取输入的实时图像中相应位置的感兴趣区域；
6、对各所述场景基准图像的感兴趣区域与所述实时图像中的感
7、将预处理后所述实时图像中的感兴趣区域与各所述场景基准图像的感兴趣区域进行图像匹配，并根据图像匹配结果确定所述实时图像的场景。
8、可选的，所述对各所述场景基准图像的感兴趣区域与所述实时图像中的感兴趣区域进行预处理包括：
9、对各所述场景基准图像的感兴趣区域以及所述实时图像的感兴趣区域进行加权灰度化处理。
10、可选的，所述对各所述场景基准图像的感兴趣区域与所述实时图像中的感兴趣区域进行预处理还包括；
11、将加权灰度化处理后的各所述场景基准图像的感兴趣区域以及实时图像的感兴趣区域缩放为多个不同尺寸。
12、可选的，所述将预处理后所述实时图像中的感兴趣区域与各所述场景基准图像的感兴趣区域进行图像匹配，并根据图像匹配结果确定所述实时图像的场景包括：
13、分别对各尺寸下实时图像的感兴趣区域与对应尺寸的所述场景基准图像的感兴趣区域进行第一相似性计算，得到多个第一相似性得分；
14、计算同一场景的各尺寸的所述场景基准图像的感兴趣区域对应的所述第一相似性得分的均值；
15、若大于第一预设阈值的所述均值的数量为一个，则大于所述第一预设阈值的所述均值对应的所述场景为所述实时图像的场景；
16、若大于所述第一预设阈值的所述均值的数量为一个以上，则从大于所述第一预设阈值的各所述均值对应的所述场景中选择差异最小的场景作为所述实时图像的场景。
17、可选的，还包括：
18、若大于所述第一预设阈值的所述均值的数量为零，则分别对各尺寸下实时图像的感兴趣区域与对应尺寸的所述场景基准图像的感兴趣区域进行第二相似性计算，得到多个第二相似性得分；
19、若大于第二预设阈值的所述第二相似性得分的数量为一个，则大于所述第二预设阈值的所述第二相似性得分对应的所述场景为所述实时图像的场景；
20、若大于所述第二预设阈值的所述第二相似性得分的数量为一个以上，则从大于所述第二预设阈值的各所述第二相似性得分对应的场景中选择差异最小的场景作为所述实时图像的场景；
21、若大于所述第二预设阈值的所述第二相似性得分的数量为零，则不存在与所述实时图像匹配的场景。
22、可选的，选择差异最小的场景作为所述实时图像的场景包括：
23、以大于所述第一预设阈值的各所述均值对应的所述场景基准图像作为待选图像，或者以大于所述第二预设阈值的各所述特征匹配得分对应的所述场景基准图像作为待选图像；
24、分别计算各所述待选图像的感兴趣区域以及所述实时图像的感兴趣区域的梯度幅度相似性偏差；
25、选择与所述实时图像的感兴趣区域的梯度幅度相似性偏差的差异最小的所述待选图像的场景作为所述实时图像的场景。
26、可选的，第一相似性计算与第二相似性计算为不同维度不同方式的计算。
27、可选的，第一相似性计算为ss计算，第二相似性计算为fm计算。
28、可选的，所述采集图像包括：
29、定时对定点拍摄的预设时间内的图像进行截图。
30、为解决上述技术问题，本申请还提供了一种基于机器视觉的场景识别装置，包括：
31、采集模块，用于采集图像，并从所述图像中选择若干场景的图像作为场景基准图像；
32、标记模块，用于在各所述场景基准图像中的相同位置为各所述场景基准图像标记形状大小相同的感兴趣区域；
33、提取模块，用于提取各所述场景基准图像的感兴趣区域，并提取输入的实时图像中相应位置的感兴趣区域；
34、预处理模块，用于对各所述场景基准图像的感兴趣区域与所述实时图像中的感兴趣区域进行预处理；
35、图像匹配模块，用于将预处理后所述实时图像中的感兴趣区域与各所述场景基准图像的感兴趣区域进行图像匹配，并根据图像匹配结果确定所述实时图像的场景。
36、为解决上述技术问题，本申请还提供了一种基于机器视觉的场景识别设备，包括：
37、存储器，用于存储计算机程序；
38、处理器，用于执行所述计算机程序时实现如上所述的基于机器视觉的场景识别方法的步骤。
39、为解决上述技术问题，本申请还提供了一种计算机可读存储介质，所述计算机可读存储介质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上所述的基于机器视觉的场景识别方法的步骤。
40、本申请所提供的基于机器视觉的场景识别方法，包括：采集图像，并从所述图像中选择若干场景的图像作为场景基准图像；在各所述场景基准图像中的相同位置为各所述场景基准图像标记形状大小相同的感兴趣区域；提取各所述场景基准图像的感兴趣区域，并提取输入的实时图像中相应位置的感兴趣区域；对各所述场景基准图像的感兴趣区域与所述实时图像中的感兴趣区域进行预处理；将预处理后所述实时图像中的感兴趣区域与各所述场景基准图像的感兴趣区域进行图像匹配，并根据图像匹配结果确定所述实时图像的场景。
41、可见，本申请所提供的基于机器视觉的场景识别方法，只需采集并配置几个典型场景，在特定场合下就可以快速识别场景，从而大幅缩短周期。该方法采用图像匹配策略，不需要模型，可以有效降低资源消耗。另外，该方法可以在小数据集下取得良好性能和效果。
42、本申请所提供的基于机器视觉的场景识别装置、设备以及本文档来自技高网...
【技术保护点】
1.一种基于机器视觉的场景识别方法，其特征在于，包括：
2.根据权利要求1所述的场景识别方法，其特征在于，所述对各所述场景基准图像的感兴趣区域与所述实时图像中的感兴趣区域进行预处理包括：
3.根据权利要求2所述的场景识别方法，其特征在于，所述对各所述场景基准图像的感兴趣区域与所述实时图像中的感兴趣区域进行预处理还包括；
4.根据权利要求3所述的场景识别方法，其特征在于，所述将预处理后所述实时图像中的感兴趣区域与各所述场景基准图像的感兴趣区域进行图像匹配，并根据图像匹配结果确定所述实时图像的场景包括：
5.根据权利要求4所述的场景识别方法，其特征在于，还包括：
6.根据权利要求5所述的场景识别方法，其特征在于，选择差异最小的场景作为所述实时图像的场景包括：
7.根据权利要求5所述的场景识别方法，其特征在于，第一相似性计算与第二相似性计算为不同维度不同方式的计算。
8.根据权利要求7所述的场景识别方法，其特征在于，第一相似性计算为SS计算，第二相似性计算为FM计算。
9.根据权利要求1所述
10.一种基于机器视觉的场景识别装置，其特征在于，包括：
...【技术特征摘要】
1.一种基于机器视觉的场景识别方法，其特征在于，包括：
2.根据权利要求1所述的场景识别方法，其特征在于，所述对各所述场景基准图像的感兴趣区域与所述实时图像中的感兴趣区域进行预处理包括：
3.根据权利要求2所述的场景识别方法，其特征在于，所述对各所述场景基准图像的感兴趣区域与所述实时图像中的感兴趣区域进行预处理还包括；
4.根据权利要求3所述的场景识别方法，其特征在于，所述将预处理后所述实时图像中的感兴趣区域与各所述场景基准图像的感兴趣区域进行图像匹配，并根据图像匹配结果确定所述实时图像的场景包括：
5...
【专利技术属性】
技术研发人员：卿海波，孙继超，刘佳瑞，
申请(专利权)人：杭州和利时自动化有限公司，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。