静态图片中葡萄酒瓶的检测方法
【专利摘要】本发明公开了一种静态图片中葡萄酒瓶的检测方法，包括训练及检测两部分，训练阶段的步骤包括：制作葡萄酒瓶样本；样本特征计算以及训练联级分类器；检测阶段的步骤包括加载待测图片；加载葡萄酒瓶分类器以及联级葡萄酒瓶检测。本发明通过对大量的葡萄酒瓶样本，在提取Haar特征的基础上，用AdaBoost方法训练得出一个联级分类器去检测待测图片中的葡萄酒瓶，这种方法能直接定位图片中葡萄酒瓶所在，并不受环境的影响。
【专利说明】静态图片中葡萄酒瓶的检测方法
【技术领域】
[0001]本发明属于图像识别领域，涉及一种静态图片中葡萄酒瓶的检测方法。
【背景技术】
[0002]随着电子成像技术和互联网的发展，人们创造图片、分享图片和获得图片的途径越来越方便且多样，从而出现在互联网上的图片也日益增多，除了文字对这些图片的描述，计算机并不知道图片的内容，比如某张图片中是否有葡萄酒瓶，有的话其中葡萄酒是什么品牌的呢？这些都不得而知，除非该图片有类似的人为的描述，所以，传统的以关键词的形式并不能很好地匹配到对应的图片，而让计算机直接去识别图片的技术便应运而生，这样可以使得，即便是事先没有描述的互联网图片，也可以通过识别技术去获知其中的内容，其中就包括对葡萄酒瓶的检测和识别。随着电子商务的发展，越来越多的商品是在网络上直接面对消费者，其中也包括葡萄酒。如果能让计算机知道互联网中的某张图片中是否存在葡萄酒瓶，并知道葡萄酒的品牌，那么将更有利于葡萄酒瓶销售商对葡萄酒的推广，所以在静态图片中检测和识别葡萄酒瓶的技术有广阔的应用前景。
【发明内容】
[0003]为解决上述技术问题，本发明提供了一种能提高检测准确性的基于于AdaBoost框架的静态图片中葡萄酒瓶的检测方法。
[0004]为实现上述发明目的，本发明采用的技术方案是:
[0005]一种静态图片中葡萄酒瓶的检测方法，包括训练及检测两部分，
[0006]其中，训练阶段的步骤如下:
[0007](I)制作葡萄酒瓶样本；
[0008](2)样本特征计算；
[0009](3)训练联级分类器；
[0010]检测阶段的步骤如下:
[0011](I)加载待测图片；
[0012](2)加载葡萄酒瓶分类器；
[0013](3)联级葡萄酒瓶检测。
[0014]进一步具体地，训练阶段的步骤如下:
[0015](I)制作葡萄酒瓶样本:从网络上采集包含葡萄酒瓶的图片，并标定葡萄酒瓶所在位置，根据位置信息提取葡萄酒瓶图像，根据葡萄酒瓶的固有长宽比进行缩放，并通过直方图均衡化消除光照影响，作为该类葡萄酒瓶的正样本，采用正样本图片其他不含葡萄酒瓶的部位作为负样本；
[0016](2)样本特征计算:构造5种不同的矩形特征，每一种矩形特征对应一种Haar特征，该Haar特征定义为对应的矩形区域像素值的和的带权值之和，通过积分图像的方式计算Haar特征；[0017](3)训练联级分类器:将每个强分类器及其对应的多个弱分类器串联起来，形成最终的联级分类器；
[0018]进一步具体地，检测阶段的步骤如下:
[0019] (I)加载待测图片:转为灰度图并进行直方图均衡化；
[0020](2)加载葡萄酒瓶分类器:训练所得分类器数据保存在相应txt文件中，训练所得分类器数据保存在相应txt文件中，其中数据结构描述为:N个强分类器，第i个强分类器包括强分类器的阈值thi和Iii个弱分类器；其中，第Iii个弱分类器包括弱分类器的阈值Θ」、方向控制器Pj、系数a」；以及该弱分类器所选特征对应的矩形特征信息:矩形的个数MimjOorf)，矩形特征所属类型typejO，…，4)，每个子矩形的位置信息和权重
[0021]recth = {x,w,h,weight}(jc = I,...,Humj);
[0022](3)联级葡萄酒瓶检测:检测图像通过所述训练阶段步骤(3)中的强分类器的检测。
[0023]与现有技术相比，本发明的有益效果:本发明通过对在量的葡萄酒瓶样本，在提取Haar特征的基础上，用AdaBoost方法训练得出一个联级分类器去检测待测图片中的葡萄酒瓶，这种方法能直接定位图片中葡萄酒瓶所在，并不受环境的影响。
【专利附图】
【附图说明】
[0024]图1为本发明训练阶段和检测阶段的流程图；
[0025]图2为本发明一种Haar特征图；
[0026]图3为本发明联级葡萄酒瓶检测过程的算法图。
【具体实施方式】
[0027]如图1所示，一种静态图片中葡萄酒瓶的检测方法，包括训练及检测两部分。
[0028]训练阶段步骤如下:
[0029](I)制作葡萄酒瓶样本:从网络上采集包含葡萄酒瓶的图片，并标定葡萄酒瓶所在位置，根据位置信息提取葡萄酒瓶图像，根据葡萄酒瓶的固有长宽比进行缩放，并通过直方图均衡化消除光照影响，作为该类葡萄酒瓶的正样本，采用正样本图片其他不含葡萄酒瓶的部位作为负样本；
[0030](2)样本特征计算:构造5种不同的矩形特征，每一种矩形特征对应一种Haar特征(如图2所示)，该Haar特征定义为对应的矩形区域像素值的和的带权值之和，通过积分图像的方式计算Haar特征；
[0031]积分图像定义为,Σ 1^x ’ SAT (x, y)表示原图像中像素点(X，
y)左上方所有像素值之和，Kx1，Y1 )即表示(X，y)左上方区域的某个像素值；
[0032]积分图像SAT(X, y)采用增量方式计算:
[0033]SAT (x, y) = SAT (x, y-1) +SAT (χ-1, y) +I (x, y) -SAT (χ-l, y-1)
[0034]规定:SAT(_1, y) = SAT(x, -1) = SAT(-1, -1) = 0,那么只需要按行或按列遍历整张图像一次，即可计算得对应的积分图像。而计算原图中的某个矩形区域的像素值之和，只要通过矩形的四个顶点位置在积分图像中查询得四个值，这四个值的某种加减运算即可等价该矩形区域的像素值之和；
[0035]Haar特征计算:
[0036]第一种特征:feature{0}= Sum θ -Suma = SumABCD_2.SumEBCF,其中 Sum 白为白色矩形区域像素值之和，SumsS黑色矩形区域像素值之和。
[0037]Suhiabcd = SAT (A) +SAT (C) -SAT (B) -SAT (D)
[0038]Suhiebcf = SAT (E) +SAT (C) -SAT (B) -SAT (F)
[0039]第二种特征:feature{l}= SumABCD_2.SumFECD
[0040]SUhifecd = SAT (F) +SAT (C) -SAT (E) -SAT (D)
[0041]第三种特征:feature{2}= SumABCD-3.SumEFGH
[0042]SumLFGH = SAT (E) +SAT (G) -SAT (F) -SAT (H)
[0043]第四种特征:feature{3} = SumABCD-3.SumHEFG
[0044]SumHEFG = SAT (H) +SAT (F) -SAT (E) -SAT (G)
[0045]第五种特征:feature{4} = 311111删-5111]1丽-5111]1画
[0046]Suhiebfk = SAT (E) +SAT (F) -SAT (B) -SAT (K)
[0047]Sumffii⑶=SAT (H) +SAT (G) -SAT (K) -SAT (D)
[0048]对输入的n个样本计算特征,其中包括m个正样本和n-mn_m个负样本,每个样本有两个属性(x，y)，其中X代表该样本的Haar特征向量f (x)，y代表该样本的类别，为正样本是取为1，负样本时取为-1。
[0049](3)训练联级分类器:
[0050]输入由上个步骤获得的η个训练样本:{(X1, Y1),..., (xm, ym),…(xn, yn)}
[0051]定义弱分类器:
【权利要求】
1.静态图片中葡萄酒瓶的检测方法，其特征在于:所述检测方法基于AdaBoost框架，其包括训练阶段和检测阶段。
2.如权利要求1所述的静态图片中葡萄酒瓶的检测方法，其特征在于所述训练阶段包括: 制作葡萄酒瓶样本，从网络上采集包含葡萄酒瓶的图片，并标定葡萄酒瓶所在位置，根据位置信息提取葡萄酒瓶图像； 样本特征计算，构造矩形特征，每一种矩形特征对应一利Haar特征； 训练联级分类器，输入由上个步骤获得的训练样本并进行训练，最终将训练得到的强分类及其对应的多个弱分类器串联起来。
3.如权利要求1所述的静态图片中葡萄酒瓶的检测方法，其特征在于所述检测阶段包括: 加载待测图片，转为灰度图并进行直方图均衡化； 加载葡萄酒瓶分类器，包括强、弱分类器的阈值和所选特征对应的矩形特征信息； 联级葡萄酒瓶检测，检测图像首先通过前面的强分类器的检测，如果不是葡萄酒瓶图像，那么会在前端被排除，只有葡萄酒瓶图像才能最终通过各级强分类器的检测。
4.如权利要求1所述的静态图片中葡萄酒瓶的检测方法，其特征在于所述制作葡萄酒瓶样本步骤为:根据位置信息提取葡萄酒瓶图像，根据葡萄酒瓶的固有长宽比进行缩放，并通过直方图均衡化消除光照影响，作为该类葡萄酒瓶的正样本，采用正样本图片其他不含葡萄酒瓶的部位作为负样本。
5.如权利要求2所述的静态图片中葡萄酒瓶的检测方法，其特征在于:所述Haar特征定义为对应的矩形区域像素值的和的带权值之和，通过积分图像的方式计算Haar特征；积分图像SAT(x，y)表示原图像中像素点(x，y)左上方所有像素值之和，采用增量方式计算，那么只需要按行或按列遍历整张图像一次，即可计算得对应的积分图像；而计算原图中的某个矩形区域的像素值之和，只要通过矩形的四个顶点位置在积分图像中查询得四个值，这四个值的某种加减运算即可等价该矩形区域的像素值之和。
6.如权利要求3所述的静态图片中葡萄酒瓶的检测方法，其特征在于:在设定的训练次数T下，每次训练会产生一个强分类器，而这过程中同时有多个弱分类器被选择，最终然后将每个强分类及其对应的多个弱分类器串联起来，形成最终的联级分类器。
【文档编号】G06K9/62GK103971118SQ201310043266
【公开日】2014年8月6日 申请日期:2013年1月25日 优先权日:2013年1月25日
【发明者】胡楠, 邹国平 申请人:北京明日时尚信息技术有限公司