[发明专利]图像识别方法与装置

说明书

技术领域

本发明涉及数字图像处理技术领域，特别是涉及一种图像识别方法与装置。

背景技术

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。

发明内容

基于上述问题，本发明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。

本发明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。

本发明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。

本发明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为本发明图像识别方法实施例一的流程示意图；

图2为本发明图像识别装置实施例一的结构示意图。

具体实施方式

为了更为具体地描述本发明，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_i,i=1,2…m.

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p_k,k=1,2…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：S_k(I，g_i，p_k)=w_k*φ(I，g_i)+b_k