[发明专利]基于改进Canny算子的安全套正反面识别法

权利要求书

1.一种基于改进Canny算子的安全套正反面识别法，其特征在于：该法提取安全套内外环，并过滤掉内环中由于安全套形变而产生的其他边缘，由检测点和中心点位置关系来确定梯度方向的方法，并构造相应的卷积核用来放大该方向的梯度幅值，进而实现对内外环的提取；

安全套内外环近似圆形，且内环与外环基本是一种同心圆的关系；以圆心对所检测点的径向重新定义梯度方向，计算特定方向上的梯度值，滤掉噪声边缘；

(一)、获取中心点：

使用质心点来近似表示中心点；在统计学中，用矩来描述随机变量的分布形态，将矩的定义推广到a×b大小的图像中，把像素作为随机变量f(x,y),其中(x,y)表示像素点的坐标，则感兴趣区域T的p+q阶矩，如式(1)所示；

M_pq＝∑_(x,y)∈Tx^py^qf(x,y) (1)M_pq：图像的pq阶矩f(x,y)图像上f(x,y)点的的像素值对于一阶矩，p和q有两种取值方式，即

p＝1，q＝0或者p＝0，q＝1，由此可以算出ROI的两个一阶矩为：

M₁₀图像的(1.0)阶矩M₀₁图像的(0.1)阶矩

通过零阶矩和两个一阶矩可以确定目标的质心，零阶矩为：

M₀₀＝∑_(x,y)∈Tx⁰y⁰f(x,y) (3)

M₀₀图像的00阶矩

则质心坐标C(x_avg,y_avg)有:

x_avg y_avg质心的横坐标和纵坐标

求得的安全套质心可认为是形心，得出质心C(x_avg,y_avg)，其位置与安全套形心十分接近，用其来表示安全套的中心；

(二)、图片区域划分：

已知n阶方阵有4(n-1)个边缘元素，每两个中心对称的边缘元素的组合表示出1个梯度方向，由此得出n阶方阵具有2(n-1)个方向；

(三)、构造卷积核：

在n阶零方阵A中，选取一个元素集合M，其中包含有一半的连续的边缘元素如式(5)示；

每一个起始元素a_[i，j]都有与之相对应的终止元素b_[l，k]，其中：

在起始点和终止点之间找寻n-2个点c_[m，n]，＜＞：表示四舍五入；

由a_[i,j]，b_[l,k]，c_[m,n]组成集合L，由集合L中元素组成路径称之为方向路径；为了保证和原Canny算子使用相同的阈值，将梯度因子之和定为4，并采用(-19.6,19.6)之间的标准正态分布，如式(8)所示；

标准正态分布

将梯度因子分成n份，组成正因子集合P＝{d₁,d₂…d_n}，再将其中元素全部取反组成负因子集N＝{e₁,e₂…e_n}；以四种方式构造方向卷积核，其中元素a_p,j∈L；

方式一：当|i-l||j-k|，则矩阵元素

方式三：当|i-l|＝|j-k|，且l＞i则矩阵元素

方式四：当|i-l|＝|j-k|，且li则矩阵元素

则将梯度因子按照如上的方法置于方向路径两侧便构造出θ和两个方向的卷积核；

θ和表示两个方向k、l和j、i表示边缘元素的坐标；

将梯度因子分成P(0.39,0.96,1.3,0.96,0.39)和N(-0.39,-0.96,-1.3,-0.96,-0.39)；将P和N按照上述四种方式置于梯度路径两侧便构成了5阶方阵8个方向的卷积核；

(四)、边缘提取效果：

首先以灰度图像上的每一个像素点为中心，提取一个n×n矩阵和该点对应的卷积核做卷积运算，结果的绝对值作为该点的梯度幅值，并由所有的梯度幅值组成梯度图像，然后根据Canny算子对梯度图像应用非极大值抑制和双阈值法检测并连接目标边缘；在选取高低阈值时遵循两个原则：一是阈值尽可能大，二是不能因为过大的阈值导致内外环边缘的缺失；根据这两个原则依据实验环境采用试凑法得出低阈值T_l＝130及高阈值T_h＝260；分别构造3～6阶方向卷积核，并采用区域划分和方向梯度卷积核的梯度幅值求取方式代替原Canny算子中的梯度幅值求取方式，得出边缘图像；

选取5阶作为后续实验的对象；采用5阶方向卷积求取的边缘图。