[发明专利]具有包裹类型预检的识别方法

说明书

本发明公开了具有包裹类型预检的识别方法，涉及包裹图像识别，包括包裹类别样本、待识别图像，还包括以下步骤：S1，获取来自包裹检测采集点的待识别图像，在空间域中进行分解域变换，使图像信息分解到的多个尺度空间中；S2，利用空间域梯度算子进行待识别图像的边缘检测；S3，在图像变换域中，利用小波进行待识别图像的边缘检测；S4，提取空间域和变换域中边缘检测获取的待识别图像的特征向量；S5，利用人工神经网络进行模式识别，将包裹类别样本进行离线训练，确定权值，与S4获得的特征向量进行运算，实现待识别图像的识别。本发明能够有效提取包裹的外部边缘，作为理想的特征；能够依据空间域和变换域双重检测，提高检测精度。

技术领域

本发明涉及包裹图像识别，具体涉及具有包裹类型预检的识别方法。

背景技术

快递企业在收取快件时应当场验视内件，但快递检测验视手段传统单一，因此，利用图像识别技术进行包裹检测能够有效提高危险物品被检测到的概率。目前包裹类别难以判断，难以做到及时预警。

发明内容

本发明所要解决的技术问题是目前包裹类别难以判断，难以做到及时预警，目的在于提供具有包裹类型预检的识别方法，解决上述问题。

本发明通过下述技术方案实现：

具有包裹类型预检的识别方法，包括包裹类别样本、待识别图像，还包括以下步骤：

S1，获取来自包裹检测采集点的待识别图像，在空间域中进行分解域变换，使图像信息分解到的多个尺度空间中；

S2，利用空间域梯度算子进行待识别图像的边缘检测；

S3，在图像变换域中，利用小波进行待识别图像的边缘检测；

S4，提取空间域和变换域中边缘检测获取的待识别图像的特征向量；

S5，利用人工神经网络进行模式识别，将包裹类别样本进行离线训练，确定权值，与S4获得的特征向量进行运算，实现待识别图像的识别。

进一步地，所述S1中的分解域变换采用小波多尺度分解域变换。

进一步地，所述S2中的梯度算子采用高斯拉普拉斯算子。

进一步地，所述S3中的边缘检测结果采用链表进行记录。

进一步地，所述S4中的特征向量采用统计特征。

本发明与现有技术相比，具有如下的优点和有益效果：

1、本发明具有包裹类型预检的识别方法，能够有效提取包裹的外部边缘，作为理想的特征；

2、本发明具有包裹类型预检的识别方法，能够依据空间域和变换域双重检测，提高检测精度。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例

本发明具有包裹类型预检的识别方法，包括包裹类别样本、待识别图像，还包括以下步骤：

S1，获取来自包裹检测采集点的待识别图像，在空间域中进行分解域变换，使图像信息分解到的多个尺度空间中；

S2，利用空间域梯度算子进行待识别图像的边缘检测；

S3，在图像变换域中，利用小波进行待识别图像的边缘检测；

S4，提取空间域和变换域中边缘检测获取的待识别图像的特征向量；