[发明专利]一种目标检测与识别的方法和系统

说明书

技术领域

本发明涉及图像识别领域，尤其涉及一种目标检测与识别的方法，本发明还涉及一种目标检测与识别的系统。

背景技术

HOG：HistogramofOrientedGradient,方向梯度直方图，是一种在计算机视觉和图像处理中用来进行物体检测的特征描述算子。

SIFT：Scale-invariantfeaturetransform，尺度不变特征转换，是一种检测局部特征的算法。

HARR：是计算机视觉领域一种常用的特征描述算子。

Adaboost：是一种迭代算法，其核心思想是针对同一个训练集训练不同的分类器(弱分类器)，然后把这些弱分类器集合起来，构成一个更强的最终分类器(强分类器)。

SVM：SupportVectorMachines，支持向量机，是一种基于结构风险最小化的学习技术，也是一种新的具有很好泛化性能的回归方法。

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像的技术。一般工业使用中，采用工业相机拍摄图片，然后再利用软件根据图片灰阶差做进一步识别处理。

计算机视觉是一门研究如何使机器“看”的科学，更进一步的说，就是是指用摄影机和电脑代替人眼对目标进行识别、跟踪和测量等机器视觉，并进一步做图形处理，用电脑处理成为更适合人眼观察或传送给仪器检测的图像。

目标检测是计算机视觉的一个重要组成部分，在各个领域有着重要的应用前景。目前，主要的计算机视觉算法仅对事物进行局部的考虑，在当前大部分的目标检测与识别技术中，主要考虑的就是目标的独立特征，如目标的颜色、纹理，而忽略了目标在图像中的上下文相关信息，如目标在图像中的位置信息，目标的大小与周边事物大小的参照信息，导致检测与识别的错误率比较高，影响了对图像数据的下一步分析与处理。

发明内容

为了解决上述技术问题，本发明的目的是提供一种可有效排除干扰，提高目标检测与识别的准确度的方法。

为了解决上述技术问题，本发明的另一个目的是提供一种可有效排除干扰、提高目标检测与识别的准确度、降低误报率的系统。

本发明所采用的技术方案是：

一种目标检测与识别的方法，其包括步骤：S1，获取候选目标；S2，计算候选目标的位置信息和大小信息；S3，根据候选目标的位置信息和大小信息计算候选目标属于对应类别的概率Px；S4，将概率Px与预先设定的概率阀值Pt进行比较，判断候选目标是否属于对应类别。

优选的，所述步骤S1具体包括子步骤：S11，在图像中设置目标检测小窗口；S12，计算目标检测小窗口中的特征值；S13，根据特征值判断是否采纳为候选目标。

优选的，步骤S11所述目标检测小窗口的大小是根据目标类型设定的，或所述目标检测小窗口的大小是预先设定的固定大小的小窗口。

优选的，所述特征值包括图像颜色和/或图像纹理和/或HOG和/或SIFT和/或HARR。

优选的，所述步骤S12具体为：通过Adaboost算法、SVM算法或神经网络算法学习并判断是否采纳为候选目标。

优选的，所述步骤S3具体包括子步骤：S31，根据先验结果建立目标位置信息、大小信息和对应类别概率的对照表；S32，根据候选目标的位置信息、大小信息和对照表确定候选目标属于对应类别的概率Px。

优选的，所述步骤S4具体为：将概率Px与预先设定的概率阀值Pt进行比较，如果Px>Pt，则判断候选目标属于对应类别；如果Px<Pt，则判断候选目标不属于对应类别。

一种目标检测与识别的系统，其包括：目标检测模块，用于获取候选目标；计算模块，用于计算候选目标的位置信息和大小信息，并根据候选目标的位置信息和大小信息计算候选目标属于对应类别的概率Px；比对模块，用于将概率Px与预先设定的概率阀值Pt进行比较，判断候选目标是否属于对应类别。

本发明的有益效果是：

本发明利用了图像上下文中的位置信息，并根据目标在该位置出现的可能性来对目标进行分类，用以协助判断是否为可能的目标，有效的排除图像中的干扰项，提高目标检测与识别的准确度，降低误报率，有利于图像数据的下一步分析与处理。

本发明可广泛应用于各种目标识别系统。

附图说明

下面结合附图对本发明的具体实施方式作进一步说明：

图1是本发明一种实施例的方法流程图。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。