[发明专利]一种多方向物体图像识别方法

说明书

技术领域

本发明涉及计算机智能识别领域，尤其涉及一种多方向物体图像识别方法。

背景技术

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1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1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

featurej=Σi∈(1,2)ωiRectSum(ri)]]>

其中：feature_j代表第j种Haar块的特征值；ω_i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(r_i)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(ω₁∶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0)。后续判断时如果图像矩形区域feature值计算结果接近0(小于一个阈值)则认为该矩形区域符合特征。

为了快速计算RectSum(r_i)，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：

ii(x,y)=Σx′<x,y′<yi(x′,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-1)+i(x，y)

ii(x，y)＝ii(x-1，y)+s(x，y)