一种自动识别物体形态并找出其平面部分的方法与流程

1.本发明涉及图像识别技术领域，具体为一种自动识别物体形态并找出其平面部分的方法。


背景技术：

2.图像识别，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术，是应用深度学习算法的一种实践应用，现阶段图像识别技术一般分为人脸识别与商品识别，人脸识别主要运用在安全检查、身份核验与移动支付中；商品识别主要运用在商品流通过程中，特别是无人货架、智能零售柜等无人零售领域，图像的传统识别流程分为四个步骤：图像采集
→
图像预处理
→
特征提取
→
图像识别。图像识别软件国外代表的有康耐视等，国内代表的有图智能、海深科技等。另外在地理学中指将遥感图像进行分类的技术。
3.目前在通过图像识别将物体形态形成结构模型后，一般需要将其中的平面部分给找出来，但是目前的方法存在准确度低的现象。
4.为此，我们提出一种自动识别物体形态并找出其平面部分的方法。


技术实现要素：

5.鉴于上述和/或现有一种自动识别物体形态并找出其平面部分的方法中存在的问题，提出了本发明。
6.因此，本发明的目的是提供一种自动识别物体形态并找出其平面部分的方法，能够解决上述提出现有的问题。
7.为解决上述技术问题，根据本发明的一个方面，本发明提供了如下技术方案：
8.一种自动识别物体形态并找出其平面部分的方法，其包括具体步骤如下：
9.s1，将图像转化为结构模型；
10.s2，将结构模型中找出面；
11.s3，通过排除法在各个面上找出平面部分；
12.s4，将各个面上所找出的平面进行合并去重，从而在结构模型中找出平面部分。
13.作为本发明所述的一种自动识别物体形态并找出其平面部分的方法的一种优选方案，其中：所述s1中，将图像转化为结构模型的步骤如下：
14.步骤一，读取图像或视频序列，并进行运动目标检测，从而提取出前景图像；
15.步骤二，分析所提取的前景图像的颜色特征，并分离前景区域中各颜色连通区域，从而得到对象结构；
16.步骤三：将对象结构通过矩不变量映射到特征空间，并根据概率模型进行分类，若符合已知结构，则识别为该物体形态。
17.作为本发明所述的一种自动识别物体形态并找出其平面部分的方法的一种优选方案，其中：所述步骤一中，进行运动目标检测，从而提取出前景图像是依次运用高斯滤波
方法、背景建模检测运动目标法和形态学滤波法进行图像处理，从而提取出前景图像。
18.作为本发明所述的一种自动识别物体形态并找出其平面部分的方法的一种优选方案，其中：所述步骤二中，对象结构是由以下过程所得到：
19.对前景图像做颜色取阈值处理，得到n值图，n根据物体所划分颜色区间数量设定，为图像加入一行一列为零的元素，分别在第一行与第一列；
20.令k为区域集合ak的指标，ak初始元素为0，k＝1；
21.对于任一整数i和j，其中i∈[1，m]，j∈[1，m]；
[0022]
若x
i，j
＝0，继续；其中x
i，j
为(i，j)点的像素值，0表示为背景；
[0023]
若x
i，j
≠x
i，j-1
且x
i，j
≠x
i-1，j-1
且x
i，j
≠x
i-1，j
且x
i，j
≠x
i-1，j 1
；
[0024]
则k＝k 1，新建一个区域集合ak，x
i，j
属于ak；继续；
[0025]
否则x
i，j
属于x
i，j-1
，x
i-1，j-1
，x
i-1，j
，x
i-1，j 1
中与其值相等的像素所在集合；
[0026]
作好结构划分之后，确定各结构部分的中心，由于各结构整体形态上的变化会造成中心点的位置不固定，因此将中心点坐标看成一个随机变量，变量的概率分布通过训练样本统计得到，从而将前景图像转化为结构模型。
[0027]
作为本发明所述的一种自动识别物体形态并找出其平面部分的方法的一种优选方案，其中：所述s3中，排除法包括发射式排除法或切割式排除法。
[0028]
作为本发明所述的一种自动识别物体形态并找出其平面部分的方法的一种优选方案，其中：所述发射式排除法是在面上随机选取一个点作为a1点，并以a1点作为原点连接若干射线a11，直至若干射线a11以a1点作为圆心点形成圆形，此时，在该面上再次随机选取一个点作为a2点，并以a2点作为原点连接若干射线a21，直至若干射线a21以a2点作为圆心点形成圆形，如此循环，直至在该面上随机选取一个点作为a(n 1)点，此时，判断射线a11、射线a21和射线a(n 1)1是否存在α角或平行的现象，若是出现α角或平行，则根据α角或平行线寻找出相对应的射线原点，那么此时，可以得知相对应的射线原点不是在同一个平面上，因此，通过排除得到平面部分，其中，α角就是将该面形成x轴和y轴，若是x轴和y轴上的线与z轴出现相交，那么相交的角度则为α角。
[0029]
作为本发明所述的一种自动识别物体形态并找出其平面部分的方法的一种优选方案，其中：所述切割式排除法是在该面上随机选取两个点作为b1点和c1点，并将b1点和c1点进行连接，而连接的线则为直线bc1，此时，在该面上再次随机选取两个点作为b2点和c2点，并将b2点和c2点进行连接，而连接的线则为直线bc2，如此循环，直至在该面上随机选取两个点作为b(n 1)点和c(n 1)点，此时，判断直线bc1、直线bc2和直线bc(n 1)是否存在β角或平行的现象，若是出现β角或平行，则根据β角或平行线寻找出相对应的b点和c点，那么此时，可以得知相对应的b点和c点不是在同一个平面上，因此，通过排除得到平面部分，其中，β角就是将该面形成x轴和y轴，若是x轴和y轴上的线与z轴出现相交，那么相交的角度则为β角。
[0030]
与现有技术相比：
[0031]
通过本发明具有提高找平面的准确性作用。
具体实施方式
[0032]
为使本发明的目的、技术方案和优点更加清楚，下面将对本发明的实施方式作进
一步地详细描述。
[0033]
实施例1：
[0034]
本发明提供一种自动识别物体形态并找出其平面部分的方法，包括具体步骤如下：
[0035]
s1，将图像转化为结构模型；
[0036]
将图像转化为结构模型的步骤如下：
[0037]
步骤一，读取图像或视频序列，并进行运动目标检测，从而提取出前景图像；
[0038]
进行运动目标检测，从而提取出前景图像是依次运用高斯滤波方法、背景建模检测运动目标法和形态学滤波法进行图像处理，从而提取出前景图像；
[0039]
步骤二，分析所提取的前景图像的颜色特征，并分离前景区域中各颜色连通区域，从而得到对象结构；
[0040]
对象结构是由以下过程所得到：
[0041]
对前景图像做颜色取阈值处理，得到n值图，n根据物体所划分颜色区间数量设定，为图像加入一行一列为零的元素，分别在第一行与第一列；
[0042]
令k为区域集合ak的指标，ak初始元素为0，k＝1；
[0043]
对于任一整数i和j，其中i∈[1，m]，j∈[1，m]；
[0044]
若x
i，j
＝0，继续；其中x
i，j
为(i，j)点的像素值，0表示为背景；
[0045]
若x
i，j
≠x
i，j-1
且x
i，j
≠x
i-1，j-1
且x
i，j
≠x
i-1，j
且x
i，j
≠x
i-1，j 1
；
[0046]
则k＝k 1，新建一个区域集合ak，x
i，j
属于ak；继续；
[0047]
否则x
i，j
属于x
i，j-1
，x
i-1，j-1
，x
i-1，j
，x
i-1，j 1
中与其值相等的像素所在集合；
[0048]
作好结构划分之后，确定各结构部分的中心，由于各结构整体形态上的变化会造成中心点的位置不固定，因此将中心点坐标看成一个随机变量，变量的概率分布通过训练样本统计得到，从而将前景图像转化为结构模型；
[0049]
步骤三：将对象结构通过矩不变量映射到特征空间，并根据概率模型进行分类，若符合已知结构，则识别为该物体形态；
[0050]
s2，将结构模型中找出面；
[0051]
s3，通过排除法在各个面上找出平面部分；
[0052]
排除法包括发射式排除法，发射式排除法是在面上随机选取一个点作为a1点，并以a1点作为原点连接若干射线a11，直至若干射线a11以a1点作为圆心点形成圆形，此时，在该面上再次随机选取一个点作为a2点，并以a2点作为原点连接若干射线a21，直至若干射线a21以a2点作为圆心点形成圆形，如此循环，直至在该面上随机选取一个点作为a(n 1)点，此时，判断射线a11、射线a21和射线a(n 1)1是否存在α角或平行的现象，若是出现α角或平行，则根据α角或平行线寻找出相对应的射线原点，那么此时，可以得知相对应的射线原点不是在同一个平面上，因此，通过排除得到平面部分，其中，α角就是将该面形成x轴和y轴，若是x轴和y轴上的线与z轴出现相交，那么相交的角度则为α角；
[0053]
s4，将各个面上所找出的平面进行合并去重，从而在结构模型中找出平面部分。
[0054]
实施例2：
[0055]
本发明提供一种自动识别物体形态并找出其平面部分的方法，包括具体步骤如下：
[0056]
s1，将图像转化为结构模型；
[0057]
将图像转化为结构模型的步骤如下：
[0058]
步骤一，读取图像或视频序列，并进行运动目标检测，从而提取出前景图像；
[0059]
进行运动目标检测，从而提取出前景图像是依次运用高斯滤波方法、背景建模检测运动目标法和形态学滤波法进行图像处理，从而提取出前景图像；
[0060]
步骤二，分析所提取的前景图像的颜色特征，并分离前景区域中各颜色连通区域，从而得到对象结构；
[0061]
对象结构是由以下过程所得到：
[0062]
对前景图像做颜色取阈值处理，得到n值图，n根据物体所划分颜色区间数量设定，为图像加入一行一列为零的元素，分别在第一行与第一列；
[0063]
令k为区域集合ak的指标，ak初始元素为0，k＝1；
[0064]
对于任一整数i和j，其中i∈[1，m]，j∈[1，m]；
[0065]
若x
i，j
＝0，继续；其中x
i，j
为(i，j)点的像素值，0表示为背景；
[0066]
若x
i，j
≠x
i，j-1
且x
i，j
≠x
i-1，j-1
且x
i，j
≠x
i-1，j
且x
i，j
≠x
i-1，j 1
；
[0067]
则k＝k 1，新建一个区域集合ak，x
i，j
属于ak；继续；
[0068]
否则x
i，j
属于x
i，j-1
，x
i-1，j-1
，x
i-1，j
，x
i-1，j 1
中与其值相等的像素所在集合；
[0069]
作好结构划分之后，确定各结构部分的中心，由于各结构整体形态上的变化会造成中心点的位置不固定，因此将中心点坐标看成一个随机变量，变量的概率分布通过训练样本统计得到，从而将前景图像转化为结构模型；
[0070]
步骤三：将对象结构通过矩不变量映射到特征空间，并根据概率模型进行分类，若符合已知结构，则识别为该物体形态；
[0071]
s2，将结构模型中找出面；
[0072]
s3，通过排除法在各个面上找出平面部分；
[0073]
排除法包括切割式排除法，切割式排除法是在该面上随机选取两个点作为b1点和c1点，并将b1点和c1点进行连接，而连接的线则为直线bc1，此时，在该面上再次随机选取两个点作为b2点和c2点，并将b2点和c2点进行连接，而连接的线则为直线bc2，如此循环，直至在该面上随机选取两个点作为b(n 1)点和c(n 1)点，此时，判断直线bc1、直线bc2和直线bc(n 1)是否存在β角或平行的现象，若是出现β角或平行，则根据β角或平行线寻找出相对应的b点和c点，那么此时，可以得知相对应的b点和c点不是在同一个平面上，因此，通过排除得到平面部分，其中，β角就是将该面形成x轴和y轴，若是x轴和y轴上的线与z轴出现相交，那么相交的角度则为β角；
[0074]
s4，将各个面上所找出的平面进行合并去重，从而在结构模型中找出平面部分。
[0075]
虽然在上文中已经参考实施方式对本发明进行了描述，然而在不脱离本发明的范围的情况下，可以对其进行各种改进并且可以用等效物替换其中的部件。尤其是，只要不存在结构冲突，本发明所披露的实施方式中的各项特征均可通过任意方式相互结合起来使用，在本说明书中未对这些组合的情况进行穷举性的描述仅仅是出于省略篇幅和节约资源的考虑。因此，本发明并不局限于文中公开的特定实施方式，而是包括落入权利要求的范围内的所有技术方案。