[发明专利]基于图像HOG特征与ELM模型的目标图像识别方法

说明书

本发明公开了一种基于图像HOG特征与ELM模型的目标图像识别方法，包括以下步骤：步骤S1，训练ELM模型；步骤S2，接收图像，计算HOG特征；步骤S3，根据所述图像的HOG特征进行预分类，判断该图像是否为目标图像；步骤S4，将判断为是目标图像的HOG特征输入所述ELM模型，并计算得到所述目标图像的输出结果；步骤S5，对得到所述目标图像的输出结果进行计算得出具体的分类类别号，并记录到存储容器中；步骤S6，对存储容器中目标图像的分类类别号进行逻辑判断处理，确认出该目标的类别。该方法通过利用检测到的图像HOG特征与ELM模型实现目标图像的实时、快速、准确分类。

技术领域

本发明涉及图像识别技术领域，特别涉及一种基于图像HOG特征与ELM模型的目标图像识别方法。

背景技术

在智能驾驶技术的发展过程中，交通限速标志牌的识别分类一直是一个不可缺少的模块。从传统的计算机视觉到近几年兴起的神经网络方法，对于限速标志牌的识别分类方法多种多样，各有优劣。

在传统的计算机视觉中，有基于opencv提取多种图片特征结合机器学习的方法，如提取颜色特征，局部二值模式特征；也有通过多种特征的融合再结合一些先进的机器学习算法，如支持向量机、AdaBoost分类器等进行具体分类；在使用深度学习的方法中，通过神经网络自主学习限速牌图片特征，再通过反向传播调整权重参数，不仅需要调整的参数众多、训练时间长，而且计算量庞大、占用资源多。因此，有必要对现有技术予以改良以克服现有技术中的缺陷。

发明内容

为了解决上述技术问题，本发明提供一种基于图像HOG特征与ELM模型的目标图像识别方法，通过利用检测到的图像HOG特征与ELM模型实现目标图像的实时、快速、准确分类。

本发明为了解决其技术问题所采用的技术方案是：一种基于图像HOG特征与ELM模型的目标图像识别方法，包括以下步骤：

步骤S1，采集需要具体分类的目标图像样本，训练ELM模型；

步骤S2，实时接收图像检测模块拍摄的图像，并计算该图像的HOG特征；

步骤S3，根据所述图像的HOG特征进行预分类，判断该图像是否为目标图像；

步骤S4，将判断为是目标图像的HOG特征输入所述ELM模型，并根据训练ELM模型得到的各层间权重参数进行前向计算，得到所述目标图像的输出结果；

步骤S5，对得到所述目标图像的输出结果进行计算得出具体的分类类别号，并将该分类类别号记录到存放分类结果的存储容器中；

步骤S6，对存储容器中目标图像的分类类别号进行逻辑判断处理，确认出该目标的类别。

作为本发明的进一步改进，所述步骤S1具体包括以下步骤：

步骤S11，将采集的所述目标图像样本正确分类，作为训练标签；

步骤S12，计算出每一张所述目标图像样本的HOG特征及其对应的类别标签，制作ELM模型的输入HOG特征矩阵X与输出矩阵Y；

步骤S13，随机初始化Input层到Node layer层的权重参数W和权重参数b；

步骤S14，根据输入ELM模型的所述输入HOG特征矩阵X和所述权重参数W、所述权重参数b进行前向计算，得出ELM模型的Node layer层的结果H(x)，其中：

H(x)＝X*W+b；

步骤S15，根据所述Node layer层的结果H(x)和所述输出矩阵Y，构建ELM模型的Node layer层到Output层的方程：

H(x)*β＝Y

计算得出权重参数β；