[发明专利]基于图像匹配的电子围栏智能在位识别系统及识别方法

权利要求书

1.一种基于图像匹配的电子围栏智能在位识别系统，包括前端信息获取设备(1)图像采集卡(2)和上位机(3)，其特征在于，所述的前端信息获取设备(1)包括CCD工业相机及光源，安置在围栏区域内；由前端信息获取设备(1)采集到的图像经图像采集卡(2)进行解码传入上位机(3)。

2.根据权利要求1所述的基于图像匹配的电子围栏智能在位识别系统，其特征在于，所述的上位机包括客户端1)图像处理模块2)及决策输出模块3)，客户端1)连接到图像处理模块2)，并与前端探测设备(1)CCD相机相连，图像处理模块2)连接到决策输出模块3)；上位机图像处理模块对绘有特定标识的区域进行场景识别，由客户端绘出虚拟电子围栏边界；图像处理模块还完成预处理、图像分割、特征提取、BP神经网络的训练以及目标的在位识别等功能。

3.一种基于权利要求1所述的基于图像匹配的电子围栏智能在位识别系统的电子围栏智能在位识别方法，其特征在于包括以下步骤：

1)系统工作时，由上位机客户端操作，启动CCD摄像头拍摄图像，图像经由图像采集卡解码并传入上位机图像处理模块；

2)首次启动系统，图像处理模块接收到现场图像后，首先通过与上位机中事先建好的场景库进行匹配，采用模板匹配、二维码扫描或字符识别等方法识别特定场景区域以确定电子围栏区域；

3)匹配检测到特定的场景区域标识后，上位机定位该区域为电子围栏区域，由客户端通过图像处理软件在现场图像上画出边界线定义电子围栏边界，之后拍摄的同一区域的图像，根据首幅图像的电子围栏边界来划定；

4)上位机图像处理模块完成电子围栏的标定之后，对图像进行以下步骤的处理：

4-1)预处理：将由CCD工业相机采集到的图像进行预处理，对灰度图像进行平滑滤波处理以克服噪声干扰；

4-2)图像分割：用边缘检测或阈值分割等方法进行图像分割，分离出图像的前景即目标物体和背景；

4-3)特征提取：通过物体的形态匹配来识别，需要对前景图像进行形状分析，提取形状特征，基于形状的描述分为基于轮廓的形状描述和基于区域的形状描述，采用了基于形状的不随位移、旋转、尺度变换而变化的7个区域Hu不变矩T₁～T₇进行识别，

T₁＝N₂₀+N₀₂

T₂＝(N₂₀-N₀₂)²+4N₁₁²

T₃＝(N₃₀-3N₁₂)²+(3N₂₁-N₀₃)²

T₄＝(N₃₀+N₁₂)²+(N₂₁+N₀₃)²

T₅＝(N₀₃-3N₁₂)(N₃₀+N₁₂)[(N₃₀+N₁₂)²-3(N₂₁+N₀₃)²]

+(3N₁₂-N₀₃)(N₁₂+N₀₃)[3(N₃₀+N₁₂)²-(N₂₁+N₀₃)²]

T₆＝(N₂₀-N₀₂)[(N₃₀+N₁₂)²-(N₂₁+N₀₃)²]+4N₁₁(N₃₀+N₁₂)(N₁₂+N₀₃)

T₇＝(3N₂₁-N₀₃)(N₃₀+N₁₂)[(N₃₀+N₁₂)²-3(N₂₁+N₀₃)²]

+(3N₁₂-N₀₃)(N₁₂+N₀₃)[3(N₃₀+N₁₂)²-(N₂₁+N₀₃)²]

其中N_pq为(p+q)阶归一化中心距。提取出7个不变矩T₁～T₇,并对7个不变矩进行归一化处理，将归一化处理后的特征值作为步骤7)中BP神经网络的输入向量；

5)上位机建立一个神经网络。首先判断系统是否已经完成对BP神经网络的训练使其达到要求的识别精度，若无，则转入步骤6)，若已有训练成熟的BP分类识别器，则进行步骤8)；

6)设置BP神经网络的各项参数，输入层节点数根据特征向量个数确定，输出层节点数根据客户需要得到的输出结果确定，隐含层节点数m由经验公式确定，其中m为隐含层节点数，l、n分别为输入输出节点数，α为1到10之间的常数；重复步骤1)采集若干目标物体的样本图像；

7)对样本图像进行步骤2)～4)，提取核心特征，将样本形状不变矩特征向量传入BP神经网络中对其进行训练，根据样本图像不变矩向量对网络的连接权值进行调整，直至网络的输出误差小于某一数值；

8)用训练完成的BP分类识别器对采集到的图像进行形态识别，通过特征匹配判断目标物体是否出现在围栏内；

9)若BP分类器识别出电子围栏内有目标物体，则由决策输出装置给出识别结果并显示目标物体的图像。

4.根据权利要求3所述的基于权利要求1所述的基于图像匹配的电子围栏智能在位识别系统的电子围栏智能在位识别方法，其特征在于，步骤5)中所述的BP神经网络采用附加动量法改进BP网络模型,以减小训练中震荡，增快学习速率。带有附加动量因子的权值调节公式为：

Δw_ij(k+1)＝(1-mc)ηδ_iP_j+mcΔw_ij(k)

Δb_i(k+1)＝(1-mc)ηδ_i+mcΔb_i(k)

式中，Δw_ij表示隐含层第i个节点与输入层第j个节点的连接权值变化；k为训练次数；η为学习率；δ_i代表权值趋近于误差曲面的局部极小的值趋近程度，P_j表示梯度；Δb_i为第i个神经元的阈值变化；mc为动量因子，取0.95。