一种复杂场景下特定标志物检测系统的制作方法

本发明涉及标志物检测系统领域，尤其是一种复杂场景下特定标志物检测系统。

背景技术：

1、随着我国科学技术的快速发展，对于有害物质的认知更为深刻，但是现实生活中入网络中仍然充斥着许多的有害物如违法图片视频等。现有技术中关于特定标志物检测主要通过图像识别技术，但是大多特定标志物标识大概形状和内容相差不大例如在做饭过程中可能将餐具误判为管制刀具，因此会导致系统错误的判断有害物质从而给出错误的判断。因此,本领域技术人员提供了一种复杂场景下特定标志物检测系统,以解决上述背景技术中提出的问题。

技术实现思路

1、本发明的目的是通过提出一种复杂场景下特定标志物检测系统，以解决上述背景技术中提出的缺陷。

2、本发明采用的技术方案如下：

3、提供一种复杂场景下特定标志物检测系统，包括：

4、收集模块：用于通过检测收集装置对特定标志物图片进行收集，获得特定标志物图片；

5、处理模块：用于对收集模块收集的特定标志物图片进行图片预处理，获得预处理数据；

6、分类器训练模块：用于根据处理模块处理得到的预处理数据进行模型训练，得到自动分类模型；

7、分类模块：用于连接自动分类模型，对特定标志物图片进行分类。

8、作为本发明的一种优选技术方案：所述收集模块是通过scrapy框架对网络数据进行爬虫保存。

9、作为本发明的一种优选技术方案：所述对特定标志物图片进行图片预处理包括对特定标志物图片进行色彩增强、颜色分割和形状分类。

10、作为本发明的一种优选技术方案：所述色彩增强是基于灰度边缘的颜色恒常性算法对复杂场景下采集到的标志物进行增强过程步骤如下：

11、2.1.1：通过计算机技术获得特定标志物图片的rgb三通道值；

12、2.1.2：将rgb的值转化为hsv值：

13、

14、v＝max(r,g,b)

15、

16、

17、如果h小于0则h＝h+360，最后将hsv的值转化到[0,255]

18、

19、其中r、g、b为rgb通道下的三通道值，h、s、v为hsv通道下的通道值；

20、2.1.3：通过颜色恒常性算法对hsv进行色彩增强：

21、

22、其中c为像素点，k为增益系数作文本发明的一种优选技术方案：所述颜色分割是通过设置阈值进行颜色分割。

23、作为本发明的一种优选技术方案：所述阈值是通过hsv直方图进行阈值确定。

24、作为本发明的一种优选技术方案：所述形状分类是通过contourlet变化和svm变化实现。作为本发明的一种优选技术方案：所述contourlet算法步骤如下：

25、2.2.1：使用拉普拉斯金字塔分解；

26、2.2.2：对各尺度进行零交叉点检测；

27、2.2.3：删除尺度较小的直线；

28、2.2.4：进行边缘融合。

29、svm算法步骤如下：

30、2.3.1：使用pca进行特征选择；

31、2.3.2：对收集的特征进行归一化处理；

32、2.3.3：选择核函数进行交叉验证寻找最佳参数构造分类函数。

33、作为本发明的一种优选技术方案：所述svm分类器模型构造：

34、

35、

36、其中ω，b为权重和偏置值，为核函数，α为最小值对应的最小向量；

37、分离平面：

38、

39、分类决策函数：

40、

41、其中对于sign(x)，x<0时sign(x)等于-1，x>0时sign(x)等于1。

42、本发明提供的复杂场景下特定标志物检测系统，与现有技术相比，其有益效果有：

43、本发明通过颜色和形状的标志物检测算法，从色彩增强、颜色分割和形状分类三个方面提高特定标志物检测系统算法的鲁棒性，通过比较rgb和hsv颜色分割效果，选取效果跟好的hsv颜色分割，在形状分类中不仅仅使用简单的svm模型训练而且同时使用contourlet变化提高算法的鲁棒性使的算法预测效果更好，保证出现差错在系统允许的范围内。

技术特征：

1.一种复杂场景下特定标志物检测系统，其特征在于：包括：

2.根据权利要求1所述的复杂场景下特定标志物检测系统，其特征在于：所述收集模块(100)通过scrapy框架对网络中可能存在特定标志物的图片进行搜集保存。

3.根据权利要求1所述的复杂场景下特定标志物检测系统，其特征在于：所述对特定标志物图片进行图片预处理包括对特定标志物图片进行色彩增强、颜色分割和形状分类。

4.根据权利要求3所述的复杂场景下特定标志物检测系统，其特征在于：所述色彩增强是基于灰度边缘的颜色恒常性算法对复杂场景下采集到的标志物进行增强过程步骤如下：

5.根据权利要求3所述的复杂场景下特定标志物检测系统，其特征在于：所述颜色分割，通过设置阈值点进行颜色分割。

6.根据权利要求5所述的复杂场景下特定标志物检测系统，其特征在于：所述阈值是通过hsv直方图进行阈值确定。

7.根据权利要求3所述的复杂场景下特定标志物检测系统，其特征在于：所述形状分类是通过contourlet变化和svm变化实现。

8.根据权利要求7所述的复杂场景下特定标志物检测系统，其特征在于：所述contourlet算法步骤如下：

9.根据权利要求1所述的复杂场景下特定标志物检测系统，其特征在于：所述svm分类器模型构造：

10.根据权利要求1所述的复杂场景下特定标志物检测系统，其特征在于：所述收集模块(100)通过收集大量特定标志物图片，交由处理模块(200)对特定标志物图片进行预处理得到预处理数据，在将预处理数据作为模型训练的输入，进行模型训练获得特定标志物自动分类模型交由分类模块(400)对特定标志物进行自动分类。

技术总结
本发明涉及标志物检测系统领域，尤其为一种复杂场景下特定标志物检测系统，包括：收集模块：用于通过网络爬虫技术对特定标志物图片进行收集，获得特定标志物图片；处理模块：用于对收集模块收集的特定标志物图片进行图片预处理，获得预处理数据；分类器训练模块：用于根据处理模块处理得到的预处理数据进行模型训练，得到自动分类模型；分类模块：用于连接自动分类模型，对特定标志物图片进行分类。本发明通过颜色和形状的标志物检测算法，从色彩增强、颜色分割和形状分类三个方面提高特定标志物检测系统算法的鲁棒性，通过比较RGB和HSV颜色分割效果，选取效果更好的HSV颜色分割，在形状分类中不仅仅使用简单的SVM模型训练而且同时使用Contourlet变化提高算法的鲁棒性使的算法预测效果更好，保证出现差错在系统允许的范围内。

技术研发人员：刘晓辉,姚晓,赵淳璐,王海洋,程光,张琳,殷伟,周启荣,杨雪晴,王秋菊
受保护的技术使用者：国家计算机网络与信息安全管理中心
技术研发日：
技术公布日：2024/1/15