一种基于人工智能的图像识别系统的制作方法

1.本发明涉及图像识别，具体涉及一种基于人工智能的图像识别系统。


背景技术：

2.人工智能(ai，artificial intelligence)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用系统。
3.图像识别(image classification)，是指利用计算机对图像进行处理、分析和理解，以识别各种不同模式的目标和对象的技术。随着人工智能技术的发展，近年来图像识别技术也在不断革新，人脸识别、物体识别等技术也越来越广泛地应用在各个领域。
4.传统的图像识别方法，通常是利用各种软件对图像进行多方面处理后识别的。可见，传统的图像识别方法需要通过大量工作得到识别结果，并且后期可能还需要工作人员参与，使得图像识别的主观性较强，同时人力成本较高，还伴随着识别精度较差的问题。
5.此外，在进行图像识别时，由于待识别物体所处环境不同，高光强、低光强均会给图像识别精度带来较大影响，并且现有图像识别方法在对待识别物体进行特征提取处理时需要进行大量重复工作，导致图像识别效率较低。


技术实现要素：

6.(一)解决的技术问题
7.针对现有技术所存在的上述缺点，本发明提供了一种基于人工智能的图像识别系统，能够有效克服现有技术所存在的无法对采集图像进行有效光照矫正、图像识别精度差效率低的缺陷。
8.(二)技术方案
9.为实现以上目的，本发明通过以下技术方案予以实现：
10.一种基于人工智能的图像识别系统，包括服务器，所述服务器通过图像采集模块对待识别物体进行图像采集，并利用光照强度分析模块获取关于采集图像的光照强度参数，所述服务器通过光照异常检测模块基于光照强度参数判断采集图像是否出现光照异常，同时利用异常类型分析模块对光照异常图像进行异常类型分析，所述服务器通过图像光照矫正模块对光照异常图像进行光照矫正；
11.所述服务器通过图像预处理模块对光照矫正图像进行预处理，并利用特征提取模块对预处理后的光照矫正图像进行特征提取，得到图像特征集合，所述处理器通过图像分割模块基于图像特征集合对光照矫正图像进行图像分割，同时利用特征处理模块基于图像分割结果进行特征处理，所述服务器利用图像识别模块基于处理后的图像特征输出关于待识别物体的识别结果。
12.优选地，所述光照强度分析模块获取关于采集图像的光照强度参数，包括：
13.确定采集图像中待识别物体所在的目标区域，获取目标区域内各像素点的像素
值，计算目标区域内的平均像素值，将平均像素值作为该采集图像的光照强度参数。
14.优选地，所述光照异常检测模块基于预先设定的光照异常判断参数确定光照强度异常范围，并将采集图像的光照强度参数与光照强度异常范围进行对比；
15.当采集图像的光照强度参数位于光照强度异常范围内时，则该采集图像确定为光照异常图像。
16.优选地，还包括判断参数输入模块，所述判断参数输入模块用于输入构成高光照强度异常范围的第一光照强度、第二光照强度，以及用于输入构成低光照强度异常范围的第三光照强度、第四光照强度，所述第一光照强度、第二光照强度、第三光照强度、第四光照强度逐渐减小。
17.优选地，所述异常类型分析模块对比判断光照异常图像的光照强度参数位于高光照强度异常范围内时，所述异常类型分析模块确定该光照异常图像为高光照异常图像；
18.所述异常类型分析模块对比判断光照异常图像的光照强度参数位于低光照强度异常范围内时，所述异常类型分析模块确定该光照异常图像为低光照异常图像；
19.所述异常类型分析模块对比判断光照异常图像的光照强度参数大于第一光照强度，或者小于第四光照强度时，所述异常类型分析模块提示待识别物体所处环境异常。
20.优选地，所述图像光照矫正模块采用光照矫正公式p’＝n
×
pm对高光照异常图像、低光照异常图像进行光照矫正；
21.其中，p’为矫正后的图像像素值，p为光照异常图像的像素值，n为变换系数，m为变换指数。
22.优选地，所述图像预处理模块对光照矫正图像进行预处理，包括：
23.确定差分算子，进行邻域内的灰度差分，得到差分灰度图；
24.确定二值化阈值，利用二值化阈值将差分灰度图中的待识别物体与背景分离。
25.优选地，所述特征提取模块对预处理后的光照矫正图像进行特征提取，得到图像特征集合，包括：
26.获取待识别物体的图像特征，基于卷积算法对图像特征进行特征提取，得到中间特征矩阵；
27.对中间特征矩阵进行排序重组，得到后置特征矩阵；
28.基于卷积算法对后置特征矩阵进行特征提取，得到图像特征集合。
29.优选地，所述特征处理模块基于图像分割结果进行特征处理，包括：
30.基于光照矫正图像的图像分割识别结果，调用对应的遮挡剔除算法对待识别物体的图像特征清除遮挡信息，调用对应的背景溅出算法对待识别物体的图像特征进行去背景的减除操作，并利用各待识别物体的图像特征组成特征向量。
31.优选地，所述图像分割模块基于对图像特征集合的识别分析，对光照矫正图像进行图像分割。
32.(三)有益效果
33.与现有技术相比，本发明所提供的一种基于人工智能的图像识别系统，具有以下有益效果：
34.1)光照强度分析模块获取关于采集图像的光照强度参数，光照异常检测模块基于光照强度参数判断采集图像是否出现光照异常，异常类型分析模块对光照异常图像进行异
常类型分析，图像光照矫正模块对光照异常图像进行光照矫正，不仅可以对采集图像的光照异常类型进行有效分析，同时还可以对光照异常图像进行光照矫正，为后续图像识别的准确性提供保证；
35.2)特征提取模块对预处理后的光照矫正图像进行特征提取，得到图像特征集合，图像分割模块基于图像特征集合对光照矫正图像进行图像分割，特征处理模块基于图像分割结果进行特征处理，从而能够基于图像特征集合对光照矫正图像进行图像分割，并根据分割图像各自的特性，对待识别物体的图像特征进行清除遮挡信息、去背景减除等操作，不仅简化了图像特征分析处理的工作过程，同时也有利于提升图像识别的精准度。
附图说明
36.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
37.图1为本发明的系统示意图；
38.图2为本发明的流程示意图。
具体实施方式
39.为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述。显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
40.一种基于人工智能的图像识别系统，如图1和图2所示，包括服务器，服务器通过图像采集模块对待识别物体进行图像采集，并利用光照强度分析模块获取关于采集图像的光照强度参数，服务器通过光照异常检测模块基于光照强度参数判断采集图像是否出现光照异常，同时利用异常类型分析模块对光照异常图像进行异常类型分析，服务器通过图像光照矫正模块对光照异常图像进行光照矫正。
41.光照强度分析模块获取关于采集图像的光照强度参数，包括：
42.确定采集图像中待识别物体所在的目标区域，获取目标区域内各像素点的像素值，计算目标区域内的平均像素值，将平均像素值作为该采集图像的光照强度参数。
43.本技术技术方案中，还包括判断参数输入模块，判断参数输入模块用于输入构成高光照强度异常范围的第一光照强度、第二光照强度，以及用于输入构成低光照强度异常范围的第三光照强度、第四光照强度。其中，第一光照强度、第二光照强度、第三光照强度、第四光照强度逐渐减小。
44.光照异常检测模块基于预先设定的光照异常判断参数确定光照强度异常范围(包括高光照强度异常范围、低光照强度异常范围)，并将采集图像的光照强度参数与光照强度异常范围进行对比。当采集图像的光照强度参数位于光照强度异常范围内时，则该采集图像确定为光照异常图像。
45.异常类型分析模块对比判断光照异常图像的光照强度参数位于高光照强度异常
范围内时，异常类型分析模块确定该光照异常图像为高光照异常图像；异常类型分析模块对比判断光照异常图像的光照强度参数位于低光照强度异常范围内时，异常类型分析模块确定该光照异常图像为低光照异常图像。
46.异常类型分析模块对比判断光照异常图像的光照强度参数大于第一光照强度，或者小于第四光照强度时，异常类型分析模块提示待识别物体所处环境异常。当采集图像中待识别物体所处环境为异常状态时，该采集图像不进入后续图像识别的过程，这种状态下的采集图像进行图像识别，识别的精度将会非常低。
47.图像光照矫正模块采用光照矫正公式p’＝n
×
pm对高光照异常图像、低光照异常图像进行光照矫正。其中，p’为矫正后的图像像素值，p为光照异常图像的像素值，n为变换系数，m为变换指数。
48.图像光照矫正模块在对高光照异常图像、低光照异常图像进行光照矫正时，首先需要根据光照异常图像的异常类型确定合适的变换指数m，再基于该变换指数m结合光照矫正公式对光照异常图像进行光照矫正。
49.本技术技术方案中，光照强度分析模块获取关于采集图像的光照强度参数，光照异常检测模块基于光照强度参数判断采集图像是否出现光照异常，异常类型分析模块对光照异常图像进行异常类型分析，图像光照矫正模块对光照异常图像进行光照矫正，不仅可以对采集图像的光照异常类型进行有效分析，同时还可以对光照异常图像进行光照矫正，为后续图像识别的准确性提供保证。
50.如图1和图2所示，服务器通过图像预处理模块对光照矫正图像进行预处理，并利用特征提取模块对预处理后的光照矫正图像进行特征提取，得到图像特征集合，处理器通过图像分割模块基于图像特征集合对光照矫正图像进行图像分割，同时利用特征处理模块基于图像分割结果进行特征处理，服务器利用图像识别模块基于处理后的图像特征输出关于待识别物体的识别结果。
51.①
图像预处理模块对光照矫正图像进行预处理，包括：
52.确定差分算子，进行邻域内的灰度差分，得到差分灰度图；
53.确定二值化阈值，利用二值化阈值将差分灰度图中的待识别物体与背景分离。
54.其中，确定差分算子，进行邻域内的灰度差分，是为了利用边缘的灰度特征在光照矫正图像中有效找出待识别物体的边缘；利用二值化阈值将差分灰度图中的待识别物体与背景分离，则是基于待识别物体本身的灰度特征，突出光照矫正图像中包含待识别物体的部分。
55.②
特征提取模块对预处理后的光照矫正图像进行特征提取，得到图像特征集合，包括：
56.获取待识别物体的图像特征，基于卷积算法对图像特征进行特征提取，得到中间特征矩阵；
57.对中间特征矩阵进行排序重组，得到后置特征矩阵；
58.基于卷积算法对后置特征矩阵进行特征提取，得到图像特征集合。
59.③
图像分割模块基于对图像特征集合的识别分析，对光照矫正图像进行图像分割。
60.④
特征处理模块基于图像分割结果进行特征处理，包括：
61.基于光照矫正图像的图像分割识别结果，调用对应的遮挡剔除算法对待识别物体的图像特征清除遮挡信息，调用对应的背景溅出算法对待识别物体的图像特征进行去背景的减除操作，并利用各待识别物体的图像特征组成特征向量。从而能够基于图像特征集合对光照矫正图像进行图像分割，并根据分割图像各自的特性，对待识别物体的图像特征进行清除遮挡信息、去背景减除等操作，不仅简化了图像特征分析处理的工作过程，同时也有利于提升图像识别的精准度。
62.以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不会使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。