一种多方向物体图像识别方法技术

本发明专利技术公开了一种多方向物体图像识别方法，属于计算机智能识别领域。本方法为：1)读入待检测图像和已经训练好的单方向haar特征序列，并将特征序列旋转为若干设定方向的特征序列；2)将待检测图像设为灰度图像，然后对该灰度图像进行直方图均衡化；3)将均衡化后的待检测图像进行像素积分，形成积分图像；4)对待检测图像进行比例缩放，然后计算每一设定方向的特征序列与积分图像的特征值；5)监测窗口在图像中滑动，根据计算的特征值依次在每一设定方向判断特征是否匹配；若匹配成功则输出匹配的监测窗口的范围，如果所有设定方向均匹配失败，则检测识别失败。本发明专利技术仅需训练一次，就可以对多个方向图片进行识别，大大提高了识别效率。

【技术实现步骤摘要】

本专利技术涉及计算机智能识别领域，尤其涉及。
技术介绍
目前计算机智能识别领域物体识别有很多方法。其准确率与速度都达到了实际应用的程度。其中比较突出的一种方法就是通过haar特征进行物体识别。在这种方法中很巧妙的使用了 haar特征的简化形式，并且通过使用积分图像计算待检测矩形的像素积分值，就可以按照矩形特征进行haar特征的计算达到识别物体的目的。 haar简化特征haar简化特征直观上看是一种基于矩形的像素对比信息。由Paul Viola等人首先提出，其作用就是使用矩形计算区域内的像素和，像素颜色深的区域像素和的值会比较低；像素颜色浅的区域像素和的值会比较高。如图I中Haar_x3特征的定义，符合该特征的区域一定是中间有颜色较深的区域，而两边的区域较浅。如图I中Haar_y2特征，符合其特征的区域一定是上部区域颜色较浅，下部颜色较深。当然完整的haar特征的描述，必须还有区域坐标的位置、区域大小的描述，还有区域颜色和的对比阈值。区域坐标的位置是训练和识别时确定好的检测窗口中的相对位置，而监测窗口是可以在待检测图的不同区域按照不同尺度进行滑动与缩放的。具体到实际应用中，此类haar特征的描述也是通过描述三个部分来确定的，主要包括左上角点的坐标，区域宽度，还有对比程度阈值。它的特征值可用公式表示为feature.,.. VRectSumf/- ie(l,2)其中feature」代表第j种Haar块的特征值；ω j是第j个Haar块第i个子矩形(黑色矩形或白色矩形)的权值；ReCtSum(ri)代表第i个Haar块中包含的所有象素点的象素值之和，不同的Haar块特征原型的特征值中的权值比(ωι ω2)会在训练中逐步确定，一种设置初始值的方法就是依照面积的反比进行设置(特征结果计算后接近O)。后续判断时如果图像矩形区域feature值计算结果接近O (小于一个阈值)则认为该矩形区域符合特征。为了快速计算RectSumOg，采用积分图方法。该方法定义一幅图像的每个象素灰度为i(x，y)，那么该幅图像的积分图中的每个像素值ii(x，y)表示为ji(x，y)= Σ K,) x'<x.y'<y对于一幅图像在任意点的积分图值，积分区域为左上角点到以该点为右下角的矩形像素积分值，可以通过对行和列的累加一次循环得到s (x, y) = s(x, y-l)+i (x, y)ii (x, y) = ii (χ-l, y)+s(x, y)其中，s(x, y)为点(X, y)所在位置的列积分值,但不包含(x, y)点的值。迭代初始时s(x,_l) =0,ii(-l,y) =0。图2 (a)中点(x,y)的积分图值为灰色矩形区域的象素灰度值求和。利用积分图可以方便地对图像中任意一个矩形内的灰度值求和,如图2(b)所示。识别过程识别过程首先要求有大量的待识别物体的图片(最好该待识别物体在图片中的位置，形状，方向相对一致)，称为正样本。另外还需要大量没有该物体的图片，称作负样本。使用以上样本进行训练，训练过程利用haar特征使用adaboost方法经过大量循环，使用大量数据训练。最终得到最能代表待识别物体的Haar特征的序列。通过这些特征的序列可以保证被检测物体按照用户需要的识别率与误检率被识别。·0021 ] 有了这种数据就可以对任意内容的待检测图片进行检测。检测过程目前，在一些开源的软件项目中已经有实现。其大致使用流程如下I.读入待检测图像2.读入已经训练好的haar特征序列(单方向)3.对待检测图片变化为灰度图像4.对待检测图片进行直方图均衡化5.对待检测图片进行像素积分，并且形成积分图像6.对待检测图片进行比例缩放7.结合haar特征序列与积分图像进行特征值计算。8.在图像中进行窗口滑动，并判断特征是否匹配。9.如果匹配则检测返回成功，不匹配则检测返回失败10.输出监测匹配的窗口范围目前的计算机智能识别领域有很多方法算法都支持物体识别。识别率也达到较高的水平。但是在物体识别的过程中也有很多问题，对于旋转后物体的识别就是比较大的一个问题。比如最常用的人脸检测方法。对于直立人脸的检测往往都已经能够达到90%以上的准确率。但是在某些图像的拍摄角度不确定的情况下。人脸一旦发生旋转变化。已经训练好的分类器就不能够适应新的变化，而无法识别旋转后的人脸。在这种识别模型中，往往训练的特征是什么方向的那么识别的特征也是什么方向的。如果需要检测不同方向的，需要把图片整体旋转后再检测。
技术实现思路
本专利技术针对上述现有技术的识别方法仅能进行单方向检测的缺陷，开发了一种新的多方向物体识别方法，可以在原有单方向的训练特征序列的基础上进行4方向的物体识别。本专利技术的技术方案为一种多方向物体识别方法，包括如下步骤I.读入待检测图像；2.读入已经训练好的单方向haar特征序列；3.将待检测图像设为灰度图像；4.将待检测灰度图像进行直方图均衡化；5.将均衡化后的待检测图像进行像素积分，形成积分图像；6.对待检测图像进行比例缩放；7.将单方向haar特征序列旋转为若干设定方向的特征序列(比如与训练方向成90度倍数的四个方向的特征序列)；8.根据每一设定方向的haar特征序列和积分图像计算每一设定方向的特征值；9.监测窗口在图像中滑动，在每一设定方向判断特征是否匹配；10.若在设定方向的任意方向上有特征匹配，则输出匹配的监测窗口的范围。 所述haar特征序列是特征矩形序列，每个特征矩阵用该矩形的左上角横坐标，左上角纵坐标，矩形宽，矩形高来表示。所述特征值的计算方法为feature; V (Oi RectSumrriJ其中-feature」代表第j种Haar块的特征值；ω ^是第j个Haar块第i个子矩形的权值^ectSumOg代表第i个Haar块中包含的所有象素点的象素值之和。 所述子矩形为白色或黑色矩形。所述将单方向haar特征序列旋转为四个方向的特征序列，其方法为I)将单方向haar特征序列复制为四份；2)将四份haar特征序列分别按同一方向旋转O度、90度、180度和270度，获得四个方向的haar特征序列。本专利技术实现是在单方向物体识别系统的基础上，进行4方向识别改进。在大多数情况下。对于物体识别训练过程一般要求使用形状固定正面单方向的物体特征进行训练，最终识别也是对于正面单方向的物体进行识别。这样可以最大化识别的准确率，并且最小化识别的错误率。但是这样做的缺点却是样本的固定导致了可识别结果的范围狭窄，一旦出现图片旋转的问题，将没有办法识别。本专利技术一定程度上解决了以上问题。通过haar矩形特征的90度间隔旋转。只需要进行正面单方向的训练便可以四倍效率的使用其训练结果，在一次识别的流程中可以解决四个方向的识别问题，算法识别的判别角度区间也扩大了四倍。如原先算法只能支持正面图像的识别，但是通过该方法可以把相机拍摄的正负90度的图片或倒立图片一次性识别；原先的识别角度只覆盖正负15度，那么本方法就可以扩大到理论上的正负60度。并且该方法最小化了识别过程外的处理步骤，提高了运算的效率。原因有如下几个I.特征本身基于矩形的形状，容易进行90度的旋转。旋转后的特征仍然是矩形。对于特征序列没有变化。2.积分图像的计算，只要特征本身是矩形的，就可以本文档来自技高网...

【技术保护点】
一种多方向物体图像识别方法，其步骤为：1)读入待检测图像；读入已经训练好的单方向haar特征序列，并将单方向haar特征序列旋转为若干设定方向的特征序列；2)将待检测图像设为灰度图像，然后对该灰度图像进行直方图均衡化；3)将均衡化后的待检测图像进行像素积分，形成积分图像；4)对待检测图像进行比例缩放，然后计算每一设定方向的haar特征序列与积分图像的特征值；5)监测窗口在图像中滑动，根据计算的特征值依次在每一设定方向判断特征是否匹配；若在某设定方向上特征匹配，则匹配成功并输出匹配的监测窗口的范围，如果所有设定方向均匹配失败，则检测识别失败。

【技术特征摘要】

【专利技术属性】
技术研发人员：马轶，
申请(专利权)人：北京锐安科技有限公司，
类型：发明
国别省市：