一種物體類型識別方法及系統(tǒng)的制作方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計算機視覺技術(shù)領(lǐng)域，具體涉及一種物體類型識別方法及系統(tǒng)。
【背景技術(shù)】
[0002]在智能交通領(lǐng)域，車輛識別是一項十分重要的技術(shù)。目前市場上的車輛識別技術(shù)主要可以分為接觸式和非接觸式。
[0003]接觸式車輛識別是將傳感器埋入地下，車輛通過時傳感器進行感應(yīng)識別。其缺點是施工復(fù)雜，安裝過程對傳感器的可靠性和壽命影響很大，且傳感器易被重型車輛損壞，維護成本較高，傳感器安裝和修理時需要中斷交通，對路面進行破壞，影響路面壽命。另外，在實際使用過程中，因為受車輛行駛速度和其它干擾因素等影響，獲得的車輛特征曲線對車輛的分類效果不理想，所以很少單獨使用，通常作為其它系統(tǒng)的輔助裝置。
[0004]非接觸式車輛識別大致可以分為主動檢測和被動檢測兩類。主動檢測即利用反射回波原理，由聲波發(fā)生器發(fā)射高頻波，然后由運動車輛以變化的頻率返回，通過換能器記錄下頻率特征，從而進行車型識別，但這種方法的不足之處在于實施過程容易受環(huán)境的影響，識別性能隨環(huán)境溫度和氣流影響而降低。
[0005]被動非接觸式檢測技術(shù)，如基于視頻圖像的車型識別，是一種非接觸式被動檢測技術(shù)，其具有不破壞路面，檢測范圍大，獲取信息量大，安裝使用靈活，維護費用低的優(yōu)點。但目前基于視頻圖像的車輛檢測方法主要是基于淺層特征結(jié)合SVM或神經(jīng)網(wǎng)絡(luò)的識別方法，或是基于車輛輪廓的幾何特征的硬性判別。這兩類方法只能區(qū)分大、中、小車輛，無法有效區(qū)分，例如，客車、卡車、面包車、轎車等更加細(xì)致的車輛類型，且易受到場景、光照、形變等影響識別率較低。
[0006]根據(jù)上述分析可知，現(xiàn)有物體(特別對于車輛)類型識別方法存在一定缺陷，因此，需要一種在復(fù)雜場景中準(zhǔn)確、快速的識別物體類型的技術(shù)。

【發(fā)明內(nèi)容】

[0007]為此，本發(fā)明要解決的技術(shù)問題在于現(xiàn)有技術(shù)無法實現(xiàn)在復(fù)雜環(huán)境中精準(zhǔn)地識別物體的類型，從而提出一種準(zhǔn)確率高的物體類型識別方法及系統(tǒng)來解決該問題。
[0008]為解決上述技術(shù)問題，本發(fā)明采用以下技術(shù)方案:
[0009]一種物體類型識別方法，包括:從獲取的圖像中截取出待識別目標(biāo)所在區(qū)域；獲取待識別目標(biāo)所在區(qū)域圖像的加窗傅立葉變換特征圖；利用預(yù)先訓(xùn)練的物體模型對所述加窗傅立葉變換特征圖進行檢測獲得所述物體的類型。
[0010]優(yōu)選地，所述預(yù)先訓(xùn)練的物體模型通過以下步驟獲得:獲取不同類型所述物體的樣本圖像的加窗傅立葉變換特征圖；將所述加窗傅立葉變換特征圖輸入卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練獲得所述物體模型。
[0011]進一步地，所述將所述加窗傅立葉變換特征圖輸入卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練獲得所述物體模型的步驟包括:對所述加窗傅立葉變換特征圖進行降采樣處理；將經(jīng)過降采樣處理的加窗傅立葉變換特征圖輸入卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練獲得所述物體模型。
[0012]優(yōu)選地，所述獲取待識別目標(biāo)所在區(qū)域圖像的加窗傅立葉變換特征圖的步驟包括:判斷待識別目標(biāo)所在區(qū)域圖像中的所述目標(biāo)是否為所述物體；當(dāng)所述目標(biāo)為所述物體時，獲取待識別物體所在區(qū)域圖像的加窗傅立葉變換特征圖。
[0013]進一步地，所述判斷待識別目標(biāo)所在區(qū)域圖像中的所述目標(biāo)是否為所述物體的步驟包括:獲取待識別目標(biāo)所在區(qū)域圖像的方向梯度直方圖特征圖；利用預(yù)先訓(xùn)練的集成分類器對所述方向梯度直方圖特征圖進行檢測，判斷所述目標(biāo)是否為所述物體。
[0014]優(yōu)選地，所述從獲取的圖像中截取出待識別目標(biāo)所在區(qū)域的步驟與所述獲取待識別目標(biāo)所在區(qū)域圖像的加窗傅立葉變換特征圖的步驟之間還包括:增強待識別目標(biāo)所在區(qū)域圖像的對比度；對待識別目標(biāo)所在區(qū)域圖像進行尺度歸一化。
[0015]優(yōu)選地，上述技術(shù)方案中所述物體為車輛。
[0016]作為相同的發(fā)明構(gòu)思，本發(fā)明還提供一種物體類型識別系統(tǒng)，包括:待識別目標(biāo)所在區(qū)域截取模塊，用于從獲取的圖像中截取出待識別目標(biāo)所在區(qū)域；加窗傅立葉變換特征圖獲取模塊，用于獲取待識別目標(biāo)所在區(qū)域圖像的加窗傅立葉變換特征圖；物體類型檢測模塊，用于利用預(yù)先訓(xùn)練的物體模型對所述加窗傅立葉變換特征圖進行檢測獲得所述物體的類型。
[0017]優(yōu)選地，所述系統(tǒng)還包括物體模型訓(xùn)練模塊，所述物體模型訓(xùn)練模塊包括:第一加窗傅立葉變換特征圖獲取單元，用于獲取不同類型所述物體的樣本圖像的加窗傅立葉變換特征圖；物體模型訓(xùn)練單元，用于將所述加窗傅立葉變換特征圖輸入卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練獲得所述物體模型。
[0018]進一步地，所述物體模型訓(xùn)練單元包括:降采樣處理子單元，用于對所述加窗傅立葉變換特征圖進行降采樣處理；物體模型訓(xùn)練子單元，用于將經(jīng)過降采樣處理的加窗傅立葉變換特征圖輸入卷積神經(jīng)網(wǎng)絡(luò)進行訓(xùn)練獲得所述物體模型。
[0019]優(yōu)選地，所述加窗傅立葉變換特征圖獲取模塊包括:物體判斷單元，用于判斷待識別目標(biāo)所在區(qū)域圖像中的所述目標(biāo)是否為所述物體；第二加窗傅立葉變換特征圖獲取單元，用于當(dāng)所述目標(biāo)為所述物體時，獲取待識別物體所在區(qū)域圖像的加窗傅立葉變換特征圖。
[0020]進一步地，所述物體判斷單元包括:方向梯度直方圖特征圖獲取子單元，用于獲取待識別目標(biāo)所在區(qū)域圖像的方向梯度直方圖特征圖；物體判斷子單元，用于利用預(yù)先訓(xùn)練的集成分類器對所述方向梯度直方圖特征圖進行檢測，判斷所述目標(biāo)是否為所述物體。
[0021]優(yōu)選地，所述系統(tǒng)還包括:對比度增強模塊，用于增強待識別目標(biāo)所在區(qū)域圖像的對比度；尺度歸一化模塊，用于對待識別目標(biāo)所在區(qū)域圖像進行尺度歸一化。
[0022]本發(fā)明的物體類型識別方法及系統(tǒng)的有益效果包括:
[0023]本發(fā)明的一種物體類型識別方法及系統(tǒng)，所述方法包括:從獲取的圖像中截取出待識別目標(biāo)所在區(qū)域；獲取待識別目標(biāo)所在區(qū)域圖像的加窗傅立葉變換特征圖；利用預(yù)先訓(xùn)練的物體模型對所述加窗傅立葉變換特征圖進行檢測獲得所述物體的類型。在根據(jù)本發(fā)明的物體類型識別方法中，通過在圖像上提取加窗傅立葉變換特征獲得加窗傅立葉變換特征圖，再利用預(yù)先訓(xùn)練的物體模型對所述加窗傅立葉變換特征圖進行檢測獲得物體的類型，避免了現(xiàn)有技術(shù)中的物體類型識別方法直接利用初始圖像像素值判別物體類型造成的準(zhǔn)確率低的問題。根據(jù)本發(fā)明的物體類型識別方法，通過在圖像上提取加窗傅立葉變換特征獲得加窗傅立葉變換特征圖，再利用預(yù)先訓(xùn)練的物體模型對所述加窗傅立葉變換特征圖進行檢測獲得物體的類型，可以提高物體模型對不同物體的判別度，使得對于物體類型識別的準(zhǔn)確率提高5%。
【附圖說明】
[0024]為了使本發(fā)明的內(nèi)容更容易被清楚的理解，下面根據(jù)本發(fā)明的具體實施例并結(jié)合附圖，對本發(fā)明作進一步詳細(xì)的說明，其中
[0025]圖1是本發(fā)明實施例1的一種物體類型識別方法的流程示意圖；
[0026]圖2是本發(fā)明實施例4的一種物體類型識別系統(tǒng)的