一种基于机器视觉的复杂特征目标的识别与分类方法与流程

1.本发明涉及工业智能检测技术领域，具体涉及一种基于机器视觉的复杂特征目标的识别与分类方法。


背景技术：

2.随着计算机科学、图像处理学等相关技术的进步，在工业表面检测应用领域，越来越多的采用基于机器视觉的图像检测方法。但是在复杂的图像信息中，尤其是具备复杂特征信息的检测目标，当前对这类图像目标进行识别与分类的算法准确率和效率都不理想，大大制约了相关领域的人工智能技术的应用。
3.针对上述问题，本发明提供了一种基于机器视觉的复杂特征目标的识别与分类方法，实现在复杂背景中对复杂特征目标经行快速识别与分类，具有良好的通用性，将目标识别准确率尽可能提高，并大幅度增加提升算法的效率。


技术实现要素：

4.本发明的目的在于克服现有技术存在的问题，提供一种基于机器视觉的复杂特征目标的识别与分类方法。
5.为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：
6.一种基于机器视觉的复杂特征目标的识别与分类方法，该方法包括以下步骤：
7.步骤s1：对图像预处理，去噪和对光照不均的图像进行亮度补偿；
8.步骤s2：采用基于复合特征的目标识别算法，进行图像阈值分割，划分得到的子集形成与实景目标对应的区域，降低或消除图像噪声污染，去除非边缘的像素点集，只保留部分候选边缘，并采用高低阈值进行阈值滞后；
9.步骤s3：进行图像聚类，实现对特征的高效标注；
10.步骤s4：进行目标识别，实现对特征的识别与分类，达到目标检测目的。
11.进一步的，所述步骤s1中，图像预处理方法为：先对图像进行高斯滤波去噪，并对处理后的图像进行局部处理进行不均匀光照补偿；其中，
12.高斯滤波去噪是采用二维零均值的离散高斯函数作为平滑滤波器，并设定三次高斯滤波，二维高斯函数为：
13.式中，σ为数值方差；
14.图像经过三次高斯滤波去噪后，对处理后的图像进行局部处理进行不均匀光照补偿，将源图像划分为nxm个子块区域，并计算出每个子块的平均灰度值，得到源图像的子块亮度矩阵，采用三次内插法将子块亮度差值矩阵放大至源图像大小得到原图像的亮度分布矩阵，最后将原图像与亮度分布矩阵相减，从而得到去除光照不均后的图像。
15.进一步的，所述步骤s2中，基于复合特征的目标识别算法包括如下步骤：
16.步骤s201：图像阈值分割，对图像中像素集合根据灰度等级进行划分，划分得到的
子集形成与实景目标对应的区域：式中，t为设定的灰度值阈值；
17.步骤s202：采用高斯平滑滤波器降低或消除图像噪声污染，记f(x，y)为输入图像，高斯函数定义为：式中式中σ为数值方差，高斯平滑输出图像为：fs(x，y)＝g(x，y)*f(x，y)；
18.步骤s203：计算出梯度幅值和方向，对非极大值进行抑制，去除非边缘的像素点集，只保留部分候选边缘；
19.步骤s204：采用高低阈值进行阈值滞后，其具体方法为：如果图像中某像素位置的幅值大于设定的高阈值，则该像素被保留成边缘像素；如果像素位置的幅值小于设定的低阈值,则该像素不被标识为边缘像素；如果像素位置的幅值介于高低阈值之间,则该像素只能在其有连接到一个大于高阈值的像素时被保留成边缘像素。
20.进一步的，所述步骤s3中，图像聚类的方法包括如下步骤：
21.步骤s301：随机选择k个中心点；
22.步骤s302：把每个数据点分配到离它最近的中心点；
23.步骤s303：重新计算每类中的点到该类中心点距离的平均值；
24.步骤s304：分配每个数据到它最近的中心点；
25.步骤s305：重复步骤s303和步骤s304，直到所有的观测值不再被分配或是达到最大的迭代次数。
26.进一步的，所述步骤s3中，图像聚类的方法包括如下步骤：
27.步骤s301：随机选择k个中心点；
28.步骤s302：把每个数据点分配到离它最近的中心点；
29.步骤s303：重新计算每类中的点到该类中心点距离的平均值；
30.步骤s304：分配每个数据到它最近的中心点；
31.步骤s305：重复步骤s303和步骤s304，直到所有的观测值不再被分配或是达到最大的迭代次数。
32.5.根据权利要求4所述的基于机器视觉的复杂特征目标的识别与分类方法，其特征在于，所述步骤s3中，目标识别的算法包括如下步骤：
33.步骤s401：预先设置不同长宽的锚框，同时，使用t
x
,ty来表示预测物体位置，使用tw,th来表示预测物体尺寸；
34.步骤s402：找到与检测物体形状最接近的锚框与物体包围矩形的变换；
35.步骤s403：采用交叉熵函数计算损失，假设物体类别标签为y，神经网络输出值为则有：
[0036][0037]
式中，l
obj
为损失值；
[0038]
步骤s404：采用均方误差函数计算损失，假设标注的位置为t
*
，神经网络的输出为
则有：
[0039]
式中，t
*x
、t
*y
为位置参数，t
*w
、t
*h
为尺寸参数，l
xy
为位置参数损失，l
wh
为尺寸参数损失；
[0040]
步骤s405：每个损失函数分别乘以相应的权重并相加，便得到网络的代价函数：式中，λ为权重参数。
[0041]
本发明的有益效果是:
[0042]
本发明采用基于复合特征的目标识别算法与卷积神经网络相结合的方法，实现在复杂背景中对复杂特征目标经行快速识别与分类，具有良好的通用性，在目标检测与分类过程中引入了机器学习与深度学习算法，将目标识别准确率尽可能提高，并大幅度增加提升算法的效率。
附图说明
[0043]
图1是本发明流程框图；
[0044]
图2是本发明实施例中图像预处理的流程框图；
[0045]
图3是本发明实施例中基于复合特征的目标识别算法流程框图。
具体实施方式
[0046]
下面将参考附图并结合实施例，来详细说明本发明。
[0047]
如图1所示，一种基于机器视觉的复杂特征目标的识别与分类方法，该方法包括以下步骤：
[0048]
步骤s1：对图像预处理，去噪和对光照不均的图像进行亮度补偿；
[0049]
步骤s2：采用基于复合特征的目标识别算法，进行图像阈值分割，划分得到的子集形成与实景目标对应的区域，降低或消除图像噪声污染，去除非边缘的像素点集，只保留部分候选边缘，并采用高低阈值进行阈值滞后；
[0050]
步骤s3：进行图像聚类，实现对特征的高效标注；
[0051]
步骤s4：进行目标识别，实现对特征的识别与分类，达到目标检测目的。
[0052]
如图2所示，所述步骤s1中，所述步骤s1中，图像预处理方法为：先对图像进行高斯滤波去噪，并对处理后的图像进行局部处理进行不均匀光照补偿；其中，
[0053]
高斯滤波去噪是采用二维零均值的离散高斯函数作为平滑滤波器，并设定三次高斯滤波，二维高斯函数为：
[0054]
式中，σ为数值方差；
[0055]
图像经过三次高斯滤波去噪后，对处理后的图像进行局部处理进行不均匀光照补偿，将源图像划分为nxm个子块区域，并计算出每个子块的平均灰度值，得到源图像的子块亮度矩阵，采用三次内插法将子块亮度差值矩阵放大至源图像大小得到原图像的亮度分布矩阵，最后将原图像与亮度分布矩阵相减，从而得到去除光照不均后的图像。
[0056]
如图3所示，所述步骤s2中，基于复合特征的目标识别算法包括如下步骤：
[0057]
步骤s201：图像阈值分割，对图像中像素集合根据灰度等级进行划分，划分得到的子集形成与实景目标对应的区域：式中，t为设定的灰度值阈值；
[0058]
步骤s202：采用高斯平滑滤波器降低或消除图像噪声污染，记f(x，y)为输入图像，高斯函数定义为：式中式中σ为数值方差，高斯平滑输出图像为：fs(x，y)＝g(x，y)*f(x，y)；
[0059]
步骤s203：计算出梯度幅值和方向，对非极大值进行抑制，去除非边缘的像素点集，只保留部分候选边缘；
[0060]
步骤s204：采用高低阈值进行阈值滞后，其具体方法为：如果图像中某像素位置的幅值大于设定的高阈值，则该像素被保留成边缘像素；如果像素位置的幅值小于设定的低阈值,则该像素不被标识为边缘像素；如果像素位置的幅值介于高低阈值之间,则该像素只能在其有连接到一个大于高阈值的像素时被保留成边缘像素。
[0061]
所述步骤s3中，图像聚类的方法包括如下步骤：
[0062]
步骤s301：随机选择k个中心点；
[0063]
步骤s302：把每个数据点分配到离它最近的中心点；
[0064]
步骤s303：重新计算每类中的点到该类中心点距离的平均值；
[0065]
步骤s304：分配每个数据到它最近的中心点；
[0066]
步骤s305：重复步骤s303和步骤s304，直到所有的观测值不再被分配或是达到最大的迭代次数。
[0067]
5.根据权利要求4所述的基于机器视觉的复杂特征目标的识别与分类方法，其特征在于，所述步骤s3中，目标识别的算法包括如下步骤：
[0068]
步骤s401：预先设置不同长宽的锚框，同时，使用t
x
,ty来表示预测物体位置，使用tw,th来表示预测物体尺寸；
[0069]
步骤s402：找到与检测物体形状最接近的锚框与物体包围矩形的变换；
[0070]
步骤s403：采用交叉熵函数计算损失，假设物体类别标签为y，神经网络输出值为则有：
[0071][0072]
式中，l
obj
为损失值；
[0073]
步骤s404：采用均方误差函数计算损失，假设标注的位置为t
*
，神经网络的输出为则有：
[0074]
式中，t
*x
、t
*y
为位置参数，t
*w
、t
*h
为尺寸参数，l
xy
为位置参数损失，l
wh
为尺寸参数损失；
[0075]
步骤s405：每个损失函数分别乘以相应的权重并相加，便得到网络的代价函数：
式中，λ为权重参数。
[0076]
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。