一种用于对称特征的目标物体视觉检测方法与流程

本发明涉及一种目标物体视觉检测方法，具体是一种用于对称特征的目标物体视觉检测方法。

背景技术：

目标检测是计算机视觉领域的三大任务之一，即将周围环境拍摄生成图像，然后对拍摄图像进行识别，得出拍摄图像中是否存在预设在计算机内的目标图案，将其提取出来，完成对环境中目标图案的检测识别过程。目前主流的目标检测算法主要是基于深度学习模型，其中一个大类就是two-stage检测算法，即将检测问题划分成两个阶段，首先在拍摄图像中产生多个候选区域，然后对每个候选区域分类，最后对每个候选区域进行识别得出目标检测结果，典型代表如r-cnn系列算法等。

对于two-stage检测算法，候选框的生成目前大体上都是通过传统的机器视觉算法，根据检测目标物一些容易检测到的较基础的特征，对图像进行预处理获得基础特征。但在检测具有对称基础特征的目标物体时，往往是对检测到的各个基础特征进行遍历后，两两组合生成候选框，然后再对候选框使用机器学习或者深度学习的方法对其分类。假设一幅拍摄图像有n个基础特征，则两两匹配算法的复杂度为(n-1)²。这样就会导致算法复杂度较高，时间代价太高，而且最终的目标检测结果也容易受到干扰，比如在图像中对于两个相隔较远或者特别近等情况下的基础特征是没有必要进行匹配生成候选框的。因此现有的这种方式算法复杂度高，所需的检测时间较长，因此目标检测的效率较低。

技术实现要素：

针对上述现有技术存在的问题，本发明提供一种用于对称特征的目标物体视觉检测方法，具有复杂度较低，所需的检测时间较短，能提高目标物体的检测效率。

为了实现上述目的，本发明采用的技术方案是：一种用于对称特征的目标物体视觉检测方法，具体步骤为：

(1)采集多张目标物体的图像输入计算机，然后手动标记出采集图像中目标物体及多个干扰项，制作成数据集，其中确定目标物体为正类，其余为负类；计算机采用已知深度学习方法或已知机器学习方法确定图像分类模型，将数据集输入图像分类模型后进行训练，最终得出训练后的图像分类模型，并进行保存；

(2)对所需检测的环境拍摄图像，将拍摄图像采用已知机器视觉处理方法对图像进行预处理，得到拍摄图像中多个对称基础特征，并对每个基础特征采用xy轴坐标系进行标注，然后获得基础特征序列l0；

(3)对每个基础特征按照其在图像中的x轴坐标位置做升序排列，得到基础特征序列l1；

(4)在基础特征序列l1中，从低到高对每个基础特征，找出该基础特征沿x轴坐标升序方向两个最近的基础特征，并使该基础特征与两个最近的基础特征分别组成两个候选框，得到一组候选框，依次类推，得到各个基础特征的候选框组，其中最后一组候选框组内为一个候选框，其余每组内两个候选框，按照x轴坐标序列较低的为h0，另一个为h1；将各组候选框作为序列l2保存；

(5)采用预先设定的候选框阈值范围依次对序列l2中各组内候选框h0进行判断，

若检测当前组内的候选框h0不处于阈值范围内，则将该候选框h0剔除，对该组内的候选框h1重复上述判断过程，若不处于阈值范围内，则剔除该候选框h1，继续下一组候选框的检测；若处于阈值范围内，则采用图像分类模型对该候选框h1进行分类判断，完成分类后继续下一组候选框的检测；

若检测当前组内的候选框h0处于阈值范围内，则采用步骤(1)中得到的图像分类模型对该组候选框h0进行分类判断，

若分类结果为正类，则直接确定候选框h0为正类，剔除该组内候选框h1，然后进行下一组候选框的检测；

若分类结果为负类，则对该组内的候选框h1重复上述判断过程，若不处于阈值范围内，则剔除该候选框h1，继续下一组候选框的检测；若处于阈值范围内，则采用图像分类模型对该候选框h1进行分类判断，完成分类后继续下一组候选框的检测；

直到所有候选框组均完成检测及分类后，将分类结果为正类的候选框作为序列l3保存；

(6)序列l3中各个候选框即为拍摄图像中所有要检测的目标物体。

进一步，所述步骤(2)中对图像进行预处理，包括灰度处理，二值化处理，边缘处理，形状和颜色检测。

进一步，所述步骤(1)中已知深度学习方法为cnn深度学习方法；已知机器学习方法为svm机器学习方法或knn机器学习方法。

进一步，所述步骤(5)中预先设定的候选框阈值范围包括设定组成候选框的两个基础特征各自最小包围矩形的长边之比的阈值范围或设定候选框相邻长边与短边之间夹角的阈值范围。

与现有技术相比，本发明采用机器学习图像分类及two-stage检测相结合方式，对拍摄具有目标物体的图像进行处理获得多个基础特征，然后构成候选框，根据多个基础特征在图像中的位置沿x轴进行升序排列，然后对序列中的基础特征只匹配升序方向与其最近的两个特征，分别组成候选框，然后采用机器学习或者深度学习算法训练得出的图像分类模型对多个候选框进行分类，对于同样n个基础特征，本发明的算法复杂度最大为2n-3，其算法复杂度始终是小于两两遍历算法复杂度(n-1)²，因此本发明的方法复杂度较低，所需的检测时间较短，从而大大提高了目标物体的检测效率。

附图说明

图1是本发明实施例中具有对称基础特征的目标物体示意图；

图2是本发明其中一种拍摄图像的候选框生成示意图；

图3是本发明另一种拍摄图像的候选框生成示意图。

具体实施方式

下面将对本发明做进一步说明。

实施例：

如图所示，本发明:具体步骤为：

(1)采集多张目标物体的图像输入计算机，然后手动标记出采集图像中目标物体及多个干扰项，制作成数据集，其中确定目标物体(如图1所示)为正类，其余为负类；计算机采用已知深度学习方法或已知机器学习方法确定图像分类模型，将数据集输入图像分类模型后进行训练，最终得出训练后的图像分类模型，并进行保存；

(2)对所需检测的环境拍摄图像(如图2和图3所示)，将拍摄图像采用已知机器视觉处理方法对图像进行预处理包括灰度处理，二值化处理，边缘处理，形状和颜色检测，得到拍摄图像中四个对称基础特征，并对每个基础特征采用xy轴坐标系进行标注，沿x轴升序方向分别为t0、t1、t2、t3，然后获得基础特征序列l0；

(3)对每个基础特征按照其在图像中的x轴坐标位置做升序排列，得到基础特征序列l1；

(4)在基础特征序列l1中，从低到高对每个基础特征，找出该基础特征沿x轴坐标升序方向两个最近的基础特征，并使该基础特征与两个最近的基础特征分别组成两个候选框，得到一组候选框，依次类推，得到各个基础特征的候选框组(即基础特征t0与其最近的两个基础特征t1和t2分别组成候选框cdji和候选框cdfe，组成一组候选框；基础特征t1与其最近的两个基础特征t2和t3分别组成候选框efji和候选框efgh，组成一组候选框)，其中最后一组候选框组内为一个候选框(即基础特征t2在升序方向上只有最后一个基础特征t3，组成候选框ijgh)，其余每组内两个候选框，按照x轴坐标序列较低的为h0，另一个为h1(如候选框cdji和候选框cdfe其各自的最大x轴坐标中候选框cdji小于候选框cdfe，则确定候选框cdji为组内的候选框h0，候选框cdfe为组内的候选框h1)；将各组候选框作为序列l2保存；

(5)采用预先设定组成候选框的两个基础特征各自最小包围矩形的长边之比的阈值范围为[0.5，1.5]，及设定候选框相邻长边与短边之间夹角的阈值范围为[80°，100°]依次对序列l2中各组内候选框h0进行判断：

如图2所示，对第一组中为h0的候选框进行检测(即候选框cdef)，经检测候选框cdef不处于候选框相邻长边与短边之间夹角的阈值范围内，则将该候选框剔除，然后对该组内的候选框h1(即候选框cdij)进行检测，其处于候选框相邻长边与短边之间夹角的阈值范围内，采用步骤(1)中得到的图像分类模型对候选框cdji进行分类，分类结果为候选框cdji为正类(即候选框中包含目标物体)，然后进行下一组候选框的检测；

第二组候选框h0进行检测(即候选框efji)重复上述过程，经检测候选框efji不处于候选框相邻长边与短边之间夹角的阈值范围内，则将该候选框剔除，然后对该组内的候选框h1(即候选框efgh)进行检测，其处于候选框相邻长边与短边之间夹角的阈值范围内，采用步骤(1)中得到的图像分类模型对候选框efgh进行分类，分类结果为候选框efgh为正类，然后进行下一组候选框的检测；

对最后一个候选框jigh进行检测，经检测候选框jigh不处于候选框相邻长边与短边之间夹角的阈值范围内，则将该候选框剔除；最后将分类结果为正类的候选框(即候选框cdji和候选框efgh)作为序列l3保存；

如图3所示，对第一组中为h0的候选框进行检测(即候选框cdji)，经检测候选框cdji处于候选框相邻长边与短边之间夹角的阈值范围内，采用步骤(1)中得到的图像分类模型对候选框cdji进行分类，分类结果为候选框cdji为正类(即候选框中包含目标物体)，由于候选框cdji在组内为候选框h0，因此该组内的候选框h1(即候选框cdfe)直接被剔除，然后进行下一组候选框的检测；

第二组候选框h0进行检测(即候选框efji)重复上述过程，得出候选框efji为负类，候选框efgh在组内为候选框h0，由于其为负类，因此该组内的候选框h1(即候选框ijgh)重复上述检测及分类过程，得出候选框ijgh为正类；

然后对最后一个候选框efgh进行检测及分类过程，得出候选框efgh为正类；最后将分类结果为正类的候选框(即候选框cdij、候选框jigh和候选框efgh)作为序列l3保存；

(6)序列l3中各个候选框即为拍摄图像中所有要检测的目标物体。

进一步，所述步骤(1)中已知深度学习方法为cnn深度学习方法；已知机器学习方法为svm机器学习方法或knn机器学习方法。