图像识别方法与装置制造方法及图纸

本发明专利技术公开了一种图像识别方法与装置，预先建立基于形态估计的模型，该模型与待识别对象相适应并由各部位组成，将图像划分为若干小方格，先利用局部评分找出与模型中各部位较匹配的小方格，再对各个小方格进行组合，得到各种可能的待识别对象，剔除不符合空间逻辑关系的组合，从剩余组合中找出全局评分最高的组合，若其全局评分超过阈值，则判定图像中存在待识别对象。由于本方法与装置利用基于形态估计的模型作为参照，对图像进行划分再组合，通过局部评分和全局评分两层筛选来确定图像中是否存在待识别对象，能够识别人或物等形态特征复杂的对象，同时具有较高的准确度和精确度。

【技术实现步骤摘要】

本专利技术涉及数字图像处理
，特别是涉及一种图像识别方法与装置。
技术介绍
图像识别是通过图像中的语义信息对图像进行识别的技术，其应用领域非常广阔，例如，交通标识识别，车牌识别，人脸识别，医学图像识别。传统的图像识别方法大都基于视觉词典模型，此类方法首先需要提取图像局部特征，然后对局部特征进行聚类分析建立视觉词汇。这样就可以将图像表示为一个基于视觉词汇的直方图。最后，采用机器学习的方法来训练出预测图像的识别器。上述方法适用于特征较简单的待识别对象，当待识别对象的形态多变时，例如人体，上述方法的识别效果不甚理想。
技术实现思路
基于上述问题，本专利技术提供一种图像识别方法与装置，以识别形态特征复杂的对象。本专利技术提出的图像识别方法，包括如下步骤对图像进行划分，提取划分后每个小方格的梯度直方图特征，划分的个数在本图像识别方法的识别效率和识别精度间取平衡；建立与待识别对象相适应的基于形态估计的模型，该模型由各个部位组成，根据所述梯度直方图特征计算每个小方格对应于该模型的各个部位的局部评分；针对所述模型的各个部位，筛选几个局部评分较高的小方格，筛选的个数在本图像识别方法的识别效率和识别精度间取平衡；对针对所述模型不同部位筛选出的小方格进行组合，结合组合中每个小方格的局部评分和小方格间的空间逻辑关系，计算每种小方格组合的全局评分；将最高的全局评分与阈值比较，若超出所述阈值则判定图像中存在所述待识别对象。本专利技术提出的图像识别装置，包括图像划分模块，用于对图像进行划分，并提取划分后每个小方格的梯度直方图特征，划分的个数在本图像识别装置的识别效率和识别精度间取平衡；局部评分计算模块，用于建立与待识别对象相适应的基于形态估计的模型，该模型由各个部位组成，根据所述梯度直方图特征计算每个小方格对应于该模型的各个部位的局部评分；小方格筛选模块，用于针对所述模型的各个部位，筛选几个局部评分较高的小方格，筛选的个数在本图像识别装置的识别效率和识别精度间取平衡；全局评分计算模块，用于对针对所述模型不同部位筛选出的小方格进行组合，结合组合中每个小方格的局部评分和小方格间的空间逻辑关系，计算每种小方格组合的全局评分；判定模块，用于将最高的全局评分与阈值比较，若超出所述阈值则判定图像中存在所述待识别对象。本专利技术的图像识别方法与装置，预先建立基于形态估计的模型，该模型与待识别对象相适应并由各部位组成，将图像划分为若干小方格，先利用局部评分找出与模型中各部位较匹配的小方格，再对各个小方格进行组合，得到各种可能的待识别对象，剔除不符合空间逻辑关系的组合，从剩余组合中找出全局评分最高的组合，若其全局评分超过阈值，则判定图像中存在待识别对象。由于本方法与装置利用基于形态估计的模型作为参照，对图像进行划分再组合，通过局部评分和全局评分两层筛选来确定图像中是否存在待识别对象，能够识别人或物等形态特征复杂的对象，同时具有较高的准确度和精确度。附图说明图1为本专利技术图像识别方法实施例一的流程示意图；图2为本专利技术图像识别装置实施例一的结构示意图。具体实施例方式为了更为具体地描述本专利技术，下面先结合附图及具体实施方式对图像识别方法进行详细说明。实施例一本实施例的图像识别方法，如图1所示，包括如下步骤步骤S101、对图像进行划分，提取划分后每个小方格的梯度直方图特征，划分的个数在本图像识别方法的识别效率和识别精度间取平衡。假设每幅图像被划分为m个小方格，则m个小方格记为g” =1, 2···ηι.步骤S102、建立与待识别对象相适应的基于形态估计的模型，该模型由各个部位组成。例如，整个模型由k个部位构成，则每个部位表示为pk, k=l, 2…K。根据所述梯度直方图特征计算每个小方格对应于该模型的各个部位的局部评分。局部评分公式为Sk(I,gi, Pk) =wk* Φ (I, gi)+bk其中，I表示当前图像，Φ (Lgi)表示当前图像I中小方格81的梯度直方图特征，Wk和bk是一组控制小方格gi与部位Pk的相似程度的模型参数特征。步骤S103、针对所述模型的各个部位，筛选几个局部评分较高的小方格，筛选的个数在本图像识别方法的识别效率和识别精度间取平衡；步骤S104、对针对所述模型不同部位筛选出的小方格进行组合，结合组合中每个小方格的局部评分和小方格间的空间逻辑关系，计算每种小方格组合的全局评分；全局评分公式 sO) = ^ sk(X gk/ Pk) + Z (wk.ki * Ψ (gk,; - gk;) + bkiki)k k“kj其中，Sk(I，gk，pk)表示对应于所述模型中第k个部位的筛选出的较高的局部评分，-gki)为小方格gkjPgkj的空间逻辑关系组成的一组特征向量(δΧ 5yδ X2 δ y2)，δχ = Xk. - Xkj Sy = yk] - yk)，(Xki，Yki)，(Xkj, YkJ)分别为 gki 和 gkj 的在图像I中的坐标。&是一组控制小方格gki和gkj空间关系的模型参数。步骤S105、将最高的全局评分与阈值比较，若超出所述阈值则判定图像中存在所述待识别对象。如上所述，本实施例先将整幅图像划分为一个个小方格，再以小方格为操作对象进行后续步骤。小方格划分的越多，最终的识别结果越准确，但同时带来计算量大的问题，致使识别效率低下。因此，可根据需求将图像划分为合适个数的小方格。提取每个小方格的梯度直方图特征可以是先在RGB三个通道下分别提取梯度直方图特征，再以其中最大的梯度直方图特征作为该小方格的梯度直方图特征。本实施例可以预先建立与待识别对象相适应的模型，该模型是基于形态估计的且由各部位组成，如待识别对象是人体，则模型由头、颈、肩等各部位组成，再如待识别对象是桌子，则模型由桌面和四条桌腿组成。针对每个部位计算每个小方格的局部评分，局部评分的计算与小方格的梯度直方图特征及所针对部位的模型参数有关，局部评分越高说明该小方格与该部位相似度越高。将针对每个部位局部评分较低的小方格剔除掉，局部评分较高的小方格筛选出来，再将针对不同部位的筛选出的小方格相互组合，得到各种可能的待识别对象。由于待识别对象各部位是存在空间逻辑关系的，因此，将每种组合下各个小方格的局部评分与空间逻辑关系得分相加得到该组合的全局评分。全局评分越高说明越接近待识别对象，但最高的全局评分对应的小方格组合不一定就是待识别对象。因此本实施例预先设置了阈值即全局评分的下限， 只有当最高的全局评分超过该阈值时，才说明图像中存在待识别对象，否则认为不存在。本实施例由于是基于形态估计的模型，因此特别适用于结构特征易于辨识的人或物作为待识别对象。例如，图像被划分为16个小方格，待识别对象为人体上半身，所建立的人体上半身的模型包括头部、颈部、躯干和上肢。经过步骤S103筛选出对应于模型中的头部的局部评分较高的小方格包括第2、3个小方格，对应于模型中颈部的局部评分较高的小方格包括第6、7个小方格，对应于模型中躯干的局部评分较高小方格包括第10、11、14、15个小方格，对应于模型中上肢的局部评分较高的小方格包括第9、13、12、16个小方格。可知，针对不同的部位，筛选的小方格的个数可以不同。从上述筛选出的针对四个部位的四组小方格中，各选一个小方格进行组合，按照各种可能的位置关系本文档来自技高网...

【技术保护点】
一种图像识别方法，其特征在于，包括如下步骤：对图像进行划分，提取划分后每个小方格的梯度直方图特征，划分的个数在本图像识别方法的识别效率和识别精度间取平衡；建立与待识别对象相适应的基于形态估计的模型，该模型由各个部位组成，根据所述梯度直方图特征计算每个小方格对应于该模型的各个部位的局部评分；针对所述模型的各个部位，筛选几个局部评分较高的小方格，筛选的个数在本图像识别方法的识别效率和识别精度间取平衡；对针对所述模型不同部位筛选出的小方格进行组合，结合组合中每个小方格的局部评分和小方格间的空间逻辑关系，计算每种小方格组合的全局评分；将最高的全局评分与阈值比较，若超出所述阈值则判定图像中存在所述待识别对象。

【技术特征摘要】
1.一种图像识别方法，其特征在于，包括如下步骤 对图像进行划分，提取划分后每个小方格的梯度直方图特征，划分的个数在本图像识别方法的识别效率和识别精度间取平衡； 建立与待识别对象相适应的基于形态估计的模型，该模型由各个部位组成，根据所述梯度直方图特征计算每个小方格对应于该模型的各个部位的局部评分； 针对所述模型的各个部位，筛选几个局部评分较高的小方格，筛选的个数在本图像识别方法的识别效率和识别精度间取平衡； 对针对所述模型不同部位筛选出的小方格进行组合，结合组合中每个小方格的局部评分和小方格间的空间逻辑关系，计算每种小方格组合的全局评分； 将最高的全局评分与阈值比较，若超出所述阈值则判定图像中存在所述待识别对象。2.根据权利要求1所述的图像识别方法，其特征在于，采用下式计算每个小方格对应于所述模型的各个部位的局部评分 Sk(I，gi，Pk) =Wk* Φ (I, gi) +bk 其中，I表示当前图像，gi表示当前图像I中第i个小方格，Pk表示所述模型的第k个部位，Φ (I, gi)表示当前图像I中小方格gi的梯度直方图特征，Wk和bk是一组控制小方格gi与部位Pk的相似程度的模型参数特征； 采用下式计算每种小方格组合的全局评分3.根据权利要求1或2所述的图像识别方法，其特征在于，判定图像中存在待识别对象后，还依据全局评分最高的小方格组合中小方格的坐标确定所述待识别对象在图像中的位置。4.根据权利要求1或2所述的图像识别方法，其特征在于，对图像进行降采样，对降采样后的每幅图像分别执行从对图像进行划分到计算每种小方格组合的全局评分的步骤，再将所有图像中最高的全局评分与所述阈值比较，若超出所述阈值则判定图像中存在所述待识别对象。5.根据权利要求4所述的图像识别方法，其特征在于， 对图像进行降采样的级数为十级； 和/或 对图像进行降采样的方式为线性插值法。6.根据权利要求1或2所述的图像识别方法，其特征在于，每个小方格的所述梯度直方图特征为该小方格在RGB三个通道下最大的梯度直方图特征。7.根据权利要求1或2所述的图像识别方法，其特征在于，所述待识别对象为结构特征易于辨识的人或物。8.一种图像识别装置，其特征在于，包括 图像划分模块，用于对图像进行划分，并提取划分后每个小方格的梯度直方图特征，划分的个数...

【专利技术属性】
技术研发人员：钟海兰，
申请(专利权)人：广东图图搜网络科技有限公司，
类型：发明
国别省市：