一种物体类型识别方法及系统技术方案

本发明专利技术提供一种物体类型识别方法及系统，其中所述方法包括：从获取的图像中截取出待识别目标所在区域；获取待识别目标所在区域图像的加窗傅立叶变换特征图；利用预先训练的物体模型对所述加窗傅立叶变换特征图进行检测获得所述物体的类型。通过在图像上提取加窗傅立叶变换特征获得加窗傅立叶变换特征图，再利用预先训练的物体模型对所述加窗傅立叶变换特征图进行检测获得物体的类型，可以提高物体模型对不同物体的判别度，使得对于物体类型识别的准确率提高5％。

【技术实现步骤摘要】
一种物体类型识别方法及系统
本专利技术涉及计算机视觉
，具体涉及一种物体类型识别方法及系统。
技术介绍
在智能交通领域，车辆识别是一项十分重要的技术。目前市场上的车辆识别技术主要可以分为接触式和非接触式。接触式车辆识别是将传感器埋入地下，车辆通过时传感器进行感应识别。其缺点是施工复杂，安装过程对传感器的可靠性和寿命影响很大，且传感器易被重型车辆损坏，维护成本较高，传感器安装和修理时需要中断交通，对路面进行破坏，影响路面寿命。另外，在实际使用过程中，因为受车辆行驶速度和其它干扰因素等影响，获得的车辆特征曲线对车辆的分类效果不理想，所以很少单独使用，通常作为其它系统的辅助装置。非接触式车辆识别大致可以分为主动检测和被动检测两类。主动检测即利用反射回波原理，由声波发生器发射高频波，然后由运动车辆以变化的频率返回，通过换能器记录下频率特征，从而进行车型识别，但这种方法的不足之处在于实施过程容易受环境的影响，识别性能随环境温度和气流影响而降低。被动非接触式检测技术，如基于视频图像的车型识别，是一种非接触式被动检测技术，其具有不破坏路面，检测范围大，获取信息量大，安装使用灵活，维护费用低的优点。但目前基于视频图像的车辆检测方法主要是基于浅层特征结合SVM或神经网络的识别方法，或是基于车辆轮廓的几何特征的硬性判别。这两类方法只能区分大、中、小车辆，无法有效区分，例如，客车、卡车、面包车、轿车等更加细致的车辆类型，且易受到场景、光照、形变等影响识别率较低。根据上述分析可知，现有物体(特别对于车辆)类型识别方法存在一定缺陷，因此，需要一种在复杂场景中准确、快速的识别物体类型的技术。
技术实现思路
为此，本专利技术要解决的技术问题在于现有技术无法实现在复杂环境中精准地识别物体的类型，从而提出一种准确率高的物体类型识别方法及系统来解决该问题。为解决上述技术问题，本专利技术采用以下技术方案：一种物体类型识别方法，包括：从获取的图像中截取出待识别目标所在区域；获取待识别目标所在区域图像的第一加窗傅立叶变换特征图；利用预先训练的物体模型对所述第一加窗傅立叶变换特征图进行检测获得所述物体的类型；所述预先训练的物体模型通过以下步骤获得：获取不同类型所述物体的样本图像的第二加窗傅立叶变换特征图；将所述第二加窗傅立叶变换特征图输入卷积神经网络进行训练获得所述物体模型。进一步地，所述将所述第二加窗傅立叶变换特征图输入卷积神经网络进行训练获得所述物体模型的步骤包括：对所述第二加窗傅立叶变换特征图进行降采样处理；将经过降采样处理的第二加窗傅立叶变换特征图输入卷积神经网络进行训练获得所述物体模型。优选地，所述获取待识别目标所在区域图像的第一加窗傅立叶变换特征图的步骤包括：判断待识别目标所在区域图像中的所述目标是否为所述物体；当所述目标为所述物体时，获取待识别物体所在区域图像的第一加窗傅立叶变换特征图。进一步地，所述判断待识别目标所在区域图像中的所述目标是否为所述物体的步骤包括：获取待识别目标所在区域图像的方向梯度直方图特征图；利用预先训练的集成分类器对所述方向梯度直方图特征图进行检测，判断所述目标是否为所述物体。优选地，所述从获取的图像中截取出待识别目标所在区域的步骤与所述获取待识别目标所在区域图像的第一加窗傅立叶变换特征图的步骤之间还包括：增强待识别目标所在区域图像的对比度；对待识别目标所在区域图像进行尺度归一化。优选地，上述技术方案中所述物体为车辆。作为相同的专利技术构思，本专利技术还提供一种物体类型识别系统，包括：待识别目标所在区域截取模块，用于从获取的图像中截取出待识别目标所在区域；第一加窗傅立叶变换特征图获取模块，用于获取待识别目标所在区域图像的第一加窗傅立叶变换特征图；物体类型检测模块，用于利用预先训练的物体模型对所述第一加窗傅立叶变换特征图进行检测获得所述物体的类型；所述系统还包括物体模型训练模块，所述物体模型训练模块包括：第一加窗傅立叶变换特征图获取单元，用于获取不同类型所述物体的样本图像的第二加窗傅立叶变换特征图；物体模型训练单元，用于将所述第二加窗傅立叶变换特征图输入卷积神经网络进行训练获得所述物体模型。进一步地，所述物体模型训练单元包括：降采样处理子单元，用于对所述第二加窗傅立叶变换特征图进行降采样处理；物体模型训练子单元，用于将经过降采样处理的第二加窗傅立叶变换特征图输入卷积神经网络进行训练获得所述物体模型。优选地，所述第一加窗傅立叶变换特征图获取模块包括：物体判断单元，用于判断待识别目标所在区域图像中的所述目标是否为所述物体；第二加窗傅立叶变换特征图获取单元，用于当所述目标为所述物体时，获取待识别物体所在区域图像的第一加窗傅立叶变换特征图。进一步地，所述物体判断单元包括：方向梯度直方图特征图获取子单元，用于获取待识别目标所在区域图像的方向梯度直方图特征图；物体判断子单元，用于利用预先训练的集成分类器对所述方向梯度直方图特征图进行检测，判断所述目标是否为所述物体。优选地，所述系统还包括：对比度增强模块，用于增强待识别目标所在区域图像的对比度；尺度归一化模块，用于对待识别目标所在区域图像进行尺度归一化。本专利技术的物体类型识别方法及系统的有益效果包括：本专利技术的一种物体类型识别方法及系统，所述方法包括：从获取的图像中截取出待识别目标所在区域；获取待识别目标所在区域图像的第一加窗傅立叶变换特征图；利用预先训练的物体模型对所述第一加窗傅立叶变换特征图进行检测获得所述物体的类型。在根据本专利技术的物体类型识别方法中，通过在图像上提取加窗傅立叶变换特征获得第一加窗傅立叶变换特征图，再利用预先训练的物体模型对所述第一加窗傅立叶变换特征图进行检测获得物体的类型，避免了现有技术中的物体类型识别方法直接利用初始图像像素值判别物体类型造成的准确率低的问题。根据本专利技术的物体类型识别方法，通过在图像上提取加窗傅立叶变换特征获得第一加窗傅立叶变换特征图，再利用预先训练的物体模型对所述第一加窗傅立叶变换特征图进行检测获得物体的类型，可以提高物体模型对不同物体的判别度，使得对于物体类型识别的准确率提高5％。附图说明为了使本专利技术的内容更容易被清楚的理解，下面根据本专利技术的具体实施例并结合附图，对本专利技术作进一步详细的说明，其中图1是本专利技术实施例1的一种物体类型识别方法的流程示意图；图2是本专利技术实施例4的一种物体类型识别系统的结构示意图。具体实施方式实施例1图1示出了本专利技术实施例1的一种物体类型识别方法，该方法可以应用于智能交通卡口场景下对车辆类型进行识别，例如区分车辆是客车、货车、面包车还是轿车等，也可以应用于家庭服务机器人领域对家庭成员进行识别，例如区分家庭成员是老人、孕妇还是小孩等。总之，可以用于任何需要对物体类型进行识别的领域。所述物体类型识别方法包括以下步骤：步骤S11、从获取的图像中截取出待识别目标所在区域。例如，从视频图像中提取出待识别目标所在的关键帧图像，利用索贝尔(sobel)边缘检测算法和垂直纹理投影算法，并结合车辆定位技术，定位出待识别目标所在区域，按照一定比例截取出待识别目标所在区域。步骤S12、获取待识别目标所在区域图像的第一加窗傅立叶变换特征图。加窗傅立叶变换特征即是Gabor特征。步骤S13、利用预先训练的物体模型对所述第一加窗傅立叶变换特征本文档来自技高网...

【技术保护点】
一种物体类型识别方法，其特征在于，包括：从获取的图像中截取出待识别目标所在区域；获取待识别目标所在区域图像的加窗傅立叶变换特征图；利用预先训练的物体模型对所述加窗傅立叶变换特征图进行检测获得所述物体的类型。

【技术特征摘要】
1.一种物体类型识别方法，其特征在于，包括：从获取的图像中截取出待识别目标所在区域，具体包括：从视频图像中提取出待识别目标所在的关键帧图像，利用索贝尔边缘检测算法和垂直纹理投影算法，并结合物体定位技术，定位出待识别目标所在区域；获取待识别目标所在区域图像的第一加窗傅立叶变换特征图；利用预先训练的物体模型对所述第一加窗傅立叶变换特征图进行检测获得所述物体的类型；所述预先训练的物体模型通过以下步骤获得：获取不同类型所述物体的样本图像的第二加窗傅立叶变换特征图；将所述第二加窗傅立叶变换特征图输入卷积神经网络进行训练获得所述物体模型。2.根据权利要求1所述的物体类型识别方法，其特征在于，所述将所述第二加窗傅立叶变换特征图输入卷积神经网络进行训练获得所述物体模型的步骤包括：对所述第二加窗傅立叶变换特征图进行降采样处理；将经过降采样处理的第二加窗傅立叶变换特征图输入卷积神经网络进行训练获得所述物体模型。3.根据权利要求1所述的物体类型识别方法，其特征在于，所述获取待识别目标所在区域图像的第一加窗傅立叶变换特征图的步骤包括：判断待识别目标所在区域图像中的所述目标是否为所述物体；当所述目标为所述物体时，获取待识别物体所在区域图像的第一加窗傅立叶变换特征图。4.根据权利要求3所述的物体类型识别方法，其特征在于，所述判断待识别目标所在区域图像中的所述目标是否为所述物体的步骤包括：获取待识别目标所在区域图像的方向梯度直方图特征图；利用预先训练的集成分类器对所述方向梯度直方图特征图进行检测，判断所述目标是否为所述物体。5.根据权利要求1所述的物体类型识别方法，其特征在于，所述从获取的图像中截取出待识别目标所在区域的步骤与所述获取待识别目标所在区域图像的第一加窗傅立叶变换特征图的步骤之间还包括：增强待识别目标所在区域图像的对比度；对待识别目标所在区域图像进行尺度归一化。6.根据权利要求1-5任一项所述的物体类...

【专利技术属性】
技术研发人员：赵鹏伦，晋兆龙，陈卫东，
申请(专利权)人：苏州科达科技股份有限公司，
类型：发明
国别省市：江苏;32