法律状态公告日
法律状态信息
法律状态
2013-03-27
授权
授权
2012-04-04
实质审查的生效 IPC(主分类):G06K9/00 申请日:20111021
实质审查的生效
2012-02-22
公开
公开
技术领域
本发明涉及计算机视觉技术领域,特别是一种基于放射形标识符号的 目标识别方法。
背景技术
目标识别应用广泛,受到研究人员的关注,其中基于视觉的目标识别 已经成为研究的重点之一。按照视觉传感器是否固定,基于视觉的目标识 别方法可分为视觉传感器位置固定的目标识别和视觉传感器可移动的目 标识别,前者利用视频流处理方法,包括图像差分(背景差分、帧间差分) 及各种改进算法;后者又可分为基于标识块的目标识别和无标识的目标识 别,其中,基于标识块的目标识别使用较广。用标识块标识目标,目标识 别转化为相应标识块的识别。目前,标识块的识别大多是通过提取颜色特 征、纹理特征、形状特征以及综合多种特征的方式进行的。如何通过设计 高效的标识块和相应的识别算法进一步提高识别系统的适应性、稳定性、 实时性需要更深入的研究。
发明内容
本发明的目的是提供一种基于放射形标识符号的目标识别方法,使得 视觉系统可以实现目标识别,达到令人满意的效果。
为实现上述目的,本发明提出一种基于放射形标识符号的目标识别方 法,包括步骤:
步骤1,制作符号标识块并放置于目标上;
步骤2,使用视觉传感器采集以符号标识块为对象的彩色图像;
步骤3,将采集到的彩色图像处理成灰度图像;
步骤4,基于灰度阈值和对称性、Haar、形态学、拓扑特征,分别构 建分类器,对灰度图像中的像素点进行层层筛选,最终得到表征标识符号 中心位置的结果点集Ωp5;
步骤5,基于结果点集Ωp5所表征的标识符号,以及目标所唯一对应 的符号标识块上的符号排列组合顺序,完成对目标的识别。
本发明方法无图像预处理,通过多级分类器逐层筛选的方式确定标识 符号中心位置的点集,计算量较小,实时性好,环境适用性较强,为在目 标跟踪等领域的应用提供技术支持。
附图说明
图1是两种代表性的标识符号。
图2是与图1相对应的标识符号中心区域的图像模板。
图3是本发明的标识符号识别算法流程图。
图4是第二级分类器的Haar模板。
图5是Haar模板明暗变化图。
图6是三种用于目标识别的符号标识块及其相应的识别结果。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实 施例,并参照附图,对本发明进一步详细说明。
本发明提供了一种基于放射形标识符号的目标识别方法,在目标上放 置有预先设定的唯一的符号标识块,其中,符号标识块包含一个或多个具 有相同或不同放射辐条数的标识符号,且每个标识符号的放射辐条靠近中 心部分由四周向中心逐渐变细,这样的标识符号当其离视觉传感器的距离 发生变化时其图像骨架具有不变性特征,且标识符号中心区域的图像具有 较好的不变性特征。图1(a)、图1(b)给出了两种代表性的标识符号,放射 辐条数分别为8、6。图2(a)和图2(b)给出了与图1(a)、图1(b)相对应的标 识符号中心区域的图像模板(以11像素×11像素为例)。
目标与预先设定的符号标识块上的符号排列组合存在一一对应关系, 因此,可通过对符号标识块上标识符号的识别进而完成对目标的识别。
本发明提出的一种基于放射形标识符号的目标识别方法,具体包括如 下步骤:
步骤1,制作符号标识块并放置于目标上。
步骤2,使用视觉传感器采集以符号标识块为对象的彩色图像。
步骤3,将采集到的彩色图像处理成灰度图像。
步骤4,基于灰度阈值和对称性、Haar、形态学、拓扑特征,分别构 建分类器,对灰度图像中的像素点进行层层筛选,最终得到表征标识符号 中心位置的结果点集Ωp5。
图3给出了标识符号的识别算法。下面以图1(a)所示标识符号为代表 对标识符号的识别算法进行具体介绍,其它标识符号的识别可采用类似的 过程进行处理。
步骤4具体包括以下几个步骤:
步骤41,基于灰度阈值和对称性特征构建初级分类器,对灰度图像中 的像素点进行筛选获得候选点集Ωp1。
灰度阈值特征:考虑到标识符号中心点在灰度图像中的灰度值较小, 因此,通过设置灰度阈值T1对灰度图像进行筛选,去除灰度值大于阈值T1的 那些像素点。
对称性特征:本发明所设计的符号标识块具有明显的中心对称性,而 且这个性质不会随视角的变化而变化。因此在标识符号中心点附近,关于 中心点对称的图像区域的像素值不会有很大的差值,对于候选点(u,v),若 不满足:
则去除该点,其中,f(u,v)是点(u,v)的灰度值,T2为阈值。
由此,得到候选点集Ωp1,送入第二级分类器中。
步骤42,基于候选点集Ωp1中各候选点所对应图像区域的Haar特征 (图像中由相邻矩形区域像素数值之差反映的特征)构建第二级分类器, 进行筛选得到候选点集Ωp2。
对于图1(a)所示的标识符号,结合图2(a)所示的相应图像模板,设定 4个Haar模板,如图4所示。对Ωp1中的每个候选点进行扫描,在灰度图 像中获取每个候选点上下左右4个矩形图像区域,通过将每个区域中提取 的特征与相应Haar模板比对的方式对候选点集Ωp1进行筛选。具体比对通 过利用图4中各Haar模板对应矩形图像区域被辐条分成固定数量的明暗 交替区域的性质来进行,对于图4中的每个矩形图像区域,沿着矩形中线 的方向(如图5所示)提取图像灰度值,由图5可见,矩形中线方向上存在 3次明暗变化。对于Ωp1中的各候选点对应的每个矩形图像区域,沿着图5 中所示矩形中线的方向提取图像灰度值,获得灰度值数列,然后计算该数 列的平均值,依据该均值将数列处理成01二值数列,沿数列方向取01变 化对的个数作为这个矩形图像区域的特征值。若该候选点对应的4个矩形 图像区域的特征值均为3,该候选点保留,否则去除。由此,得到候选点 集Ωp2。
步骤43,对候选点集Ωp2进行聚集处理,得到候选点集Ωp3。
考虑到候选点集Ωp2中的一些点彼此距离可能很近,因此,对候选点 集Ωp2进行聚集操作以进一步减少候选点的个数。具体来说,如果候选点 集Ωp2中有多个点集中在(6像素×6像素)的小块图像区域中,则用该(6 像素×6像素)小块图像区域内各候选点坐标的平均值所对应的点来替代该 区域内的所有候选点。该步骤中聚集操作完成后,得到候选点集Ωp3。
步骤44,基于形态学特征构建第三级分类器,对候选点集Ωp3进行筛 选得到候选点集Ωp4。
在图像处理领域,形态学特征是指某图像区域由像素位置分布所产生 的特征。符号的辐条数量及分布是显著的形态学特征,并且具有很好的距 离以及视角不变性。为了提取上述特征,以候选点集Ωp3中的候选点为圆 心在图像上构造一组半径不同的同心圆及180°同心圆弧,以圆在图像上所 经过的像素点发生明暗变化的次数和180°圆弧在图像上所经过的像素点 发生明暗变化的次数为特征构造分类器,其中,明暗变化次数的计算方法 与第二级分类器中利用“01变化对”计算明暗变化次数的方法类似。对于 图1(a)所示标识符号,由辐条的数量及分布情况,可以直观的看到,圆所 经过的像素点发生明暗变化的次数始终为8,180°圆弧所经过的像素点发 生明暗变化的次数始终为4。考虑到实际中的不确定性,认为圆在图像上 所经过的像素点发生明暗变化的次数为8且180°圆弧在图像上所经过的像 素点发生明暗变化的次数为3或者4或者5的都符合。通过这些特征可以 对点集Ωp3进行筛选,产生候选点集Ωp4。
步骤45,对候选点集Ωp4中的每个候选点,将以其为中心的17像素×17 像素的灰度图像区域做局部二值化处理,再经过图像膨胀、骨架化后,得 到相应的二值数组,这些二值数组构成二值数组集Ψ。
步骤46,基于图像拓扑特征构建第四级分类器,对于候选点集Ωp4中 的各候选点,运行广度优先搜索算法:在集合Ψ里面所对应的二值数组中, 从候选点集Ωp4中的候选点出发,沿白色像素点向周围搜索8步,将搜索 到的白色线条数作为拓扑特征值。对于图1(a)所示标识符号,本发明认为 拓扑特征值为7或者8或者9的候选点保留,否则去除。经过这一级的分 类和筛选,得到结果点集Ωp5。
步骤5,基于结果点集Ωp5所表征的标识符号,以及目标所唯一对应 的符号标识块上的符号排列组合顺序,完成对目标的识别。
本发明所提供的一种基于放射形标识符号的目标识别方法用于图 6(a)-6(c)所示的三种符号标识块所标识目标的识别中,其中每个符号标识 块包含两个竖直排列的标识符号。
取T1=180,T2=150。采用本发明所提供的目标识别方法,效果令人满 意,图6(d)、图6(e)、图6(f)分别给出了图6(a)、图6(b)、图6(c)所示的符 号标识块的识别结果,用圆圈标出,其中圆心为采用本发明方法计算出的 相应符号标识块的中点。
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行 了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施例而 已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修 改、等同替换、改进等,均应包含在本发明的保护范围之内。
机译: 由目标识别系统执行的目标识别系统和目标识别方法,在目标识别系统上执行的目标识别程序以及存储该目标识别程序的记录介质
机译: 由目标识别系统执行的目标识别系统和目标识别方法,在目标识别系统上执行的目标识别程序以及存储该目标识别程序的记录介质
机译: 目标识别系统,由目标识别系统执行的目标识别方法,在目标识别系统上执行的目标识别程序以及存储该目标识别程序的记录介质