辆。具体地，首先，获取待识别目标所在区域图像的方向梯度直方图特征图；其次，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车辆。
[0060]步骤D32、当所述目标为车辆时，获取待识别目标所在区域图像的加窗傅立叶变换特征图。
[0061]步骤E3、利用预先训练的车辆模型对所述加窗傅立叶变换特征图进行检测获得车辆的类型。其中，所述预先训练的车辆模型可以通过以下步骤获得:
[0062]步骤E31，获取不同类型车辆的样本图像的加窗傅立叶变换特征图。即将样本按照客车、大型货车、中型货车、中型面包车、微型面包车、轿车、越野车等进行分类，每一类包含一定数量的样本图像，然后提取所述样本图像的加窗傅立叶变换特征获得加窗傅立叶变换特征图。
[0063]步骤E32，将所述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车辆模型。具体地，首先，对所述加窗傅立叶变换特征图进行降采样处理；其次，将经过降采样处理的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车辆模型。
[0064]上述各个步骤的技术特征的有机地结合在一起，在功能上彼此支持，使得对于物体类型识别的准确率大幅提高，与传统的车辆类型识别方法相比，获得了更优越的技术效果O
[0065]实施例3
[0066]在本实施例中，以家庭服务机器人领域对家庭成员进行识别为例，阐述本发明的物体类型识别方法。该方法可以包括以下步骤:
[0067]步骤A4、从获取的图像中截取出待识别目标所在区域。具体来说，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，并结合人物定位技术，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。
[0068]步骤B4、增强待识别目标所在区域图像的对比度。
[0069]步骤C4，对增强对比度后的待识别目标所在区域图像进行尺度归一化。
[0070]步骤D4、获取尺度归一化后的待识别目标所在区域图像的加窗傅立叶变换特征图。具体包括以下步骤:
[0071]步骤D41、判断待识别目标所在区域图像中的所述目标是否为人物。具体地，首先，获取待识别目标所在区域图像的方向梯度直方图特征图；其次，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人物。
[0072]步骤D42、当所述目标为人物时，获取待识别目标所在区域图像的加窗傅立叶变换特征图。
[0073]步骤E4、利用预先训练的人物模型对所述加窗傅立叶变换特征图进行检测获得人物的类型。其中，所述预先训练的人物模型可以通过以下步骤获得:
[0074]步骤E41，获取不同类型人物的样本图像的加窗傅立叶变换特征图。即将样本按照老人、孕妇、小孩、成人等进行分类，每一类包含一定数量的样本图像，然后提取所述样本图像的加窗傅立叶变换特征获得加窗傅立叶变换特征图。
[0075]步骤E42，将所述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人物模型。具体地，首先，对所述加窗傅立叶变换特征图进行降采样处理；其次，将经过降采样处理的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人物模型。
[0076]上述各个步骤的技术特征的有机地结合在一起，在功能上彼此支持，使得对于物体类型识别的准确率大幅提高，与传统的人物类型识别方法相比，获得了更优越的技术效果O
[0077]实施例4
[0078]图2示出了本发明实施例4的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21、加窗傅立叶变换特征图获取模块22和物体类型检测模块23。其中，待识别目标所在区域截取模块21用于从获取的图像中截取出待识别目标所在区域；加窗傅立叶变换特征图获取模块22用于获取待识别目标所在区域图像的加窗傅立叶变换特征图；物体类型检测模块23用于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。在根据本实施例的物体类型识别系统中，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，避免了现有技术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。根据本实施例的物体类型识别系统，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 %。
[0079]作为优选的实施方式，所述系统还包括:对比度增强模块24和尺度归一化模块25。其中对比度增强模块24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25用于对待识别目标所在区域图像进行尺度归一化。在根据本实施例的物体类型识别系统中，首先增强待识别目标所在区域图像的对比度，然后对待识别目标所在区域图像进行尺度归一化，最后获取待识别目标所在区域图像的加窗傅立叶变换特征图，避免了常规物体类型识别系统根据初始图像获得加窗傅立叶变换特征图造成后续对待识别目标的区分度低的影响。根据本实施例的物体类型识别系统，通过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，获取待识别目标所在区域图像的加窗傅立叶变换特征图，不仅可以提高待识别目标的区分度，并且不容易引起过拟合现象，增强算法的泛化性能，进而提高物体类型识别的准确率和速度。
[0080]作为优选的实施方式，所述加窗傅立叶变换特征图获取模块22包括物体判断单元和第二加窗傅立叶变换特征图获取单元。所述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；所述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加窗傅立叶变换特征图。常规获取加窗傅立叶变换特征图的模块是直接根据初始图像获得加窗傅立叶变换特征图，然而待识别目标所在区域图像中还可能包括其他物体，这些其他物体的存在具有一定的干扰性。在本实施例中，则首先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加窗傅立叶变换特征图，这样可以将所述其他物体排除，使得对物体类型的判别更加精细，不但提高了效率，而且使得对于物体类型的识别更加精确、更加快速。
[0081]其中，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和物体判断子单元。所述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；所述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。常规判断图像中的目标是否为特定物体的模块是利用图像的纹理特征进行判断。在本实施例中，采用基于方向