[发明专利]一种基于正则表达式语义的目标模型快速构建方法

说明书

本发明公开了一种基于正则表达式语义的目标模型快速构建方法，属于机器视觉与模式识别领域。首先对被识别物体所在图像进行预处理，以提高特征提取的质量，其后通过Harris特征检测算法提取出图像目标的局部特征，最后通过引申定义的正则表达语义，结合定义好的图像素材库描述出被识别物的目标匹配模型。该方法对传统计算机理论上的“正则理论”进行了引申定义，使之可以适用到图像目标识别领域，保留了其检索效率高的特性，在被识别物轮廓、颜色等物理特性恒定的情况下有非常好的效果。

技术领域

本发明涉及机器视觉技术与模式识别技术，具体涉及一种基于正则表达式的图像目标识别方法

背景技术

对图像目标的识别就是对图像中表征物各种形式的可获取信息进行处理和分析。对目标物进行描述、辨认、分类和解释的过程。目标识别可分为有监督的分类和无监督的分类两种，两者的主要差别在于，各实验样本所属的类别是否预先已知。监督分类又称训练分类法，其原理是用被确认类别的样本像元去识别其他未知类别像元的过程。在分类之前通过目视判断等手段，对图像上的目标属性有了先验知识。一般来说有监督的分类往往需要提供大量已知类别的样本，根据已知训练区提供的样本，通过选择特征参数，求出特征参数作为决策规则，建立判别函数以对各待分类影像进行的图像分类，是模式识别的一种方法。要求训练区域具有典型性和代表性。经过多年的总结，人们设计出来多个监督训练特征提取的方法，总结起来可以分为四类：底层全局特征、底层局部特征、中层特征和属性特征。早期提出的Tamura纹理、颜色直方图、Harris算子、密集采样SIFT、Texton等特征提取主要为底层全局特征和底层局部特征。全局特征提取的是图像的全局颜色、纹理、形状等信息，对促进早期的图像理解任务特别是基于内容的图像检索系统的发展起了很大的推动作用。随着研究的深入，人们发现全局视觉特征已不能完全满足图像分类任务对提升分类精度的要求，而以SIFT特征为代表的局部特征具有更强的描述能力，从而能够满征。近年来由于局部特征对视觉描述能力日益完善，局部视觉特征的研究开始转向如何在保证描述能力的前提下提高局部特征的提取效率。与此同时，建立在局部特征基础上描述视觉内容机构信息的中层特征也开始得到学术界的重视，而结合图本身监督信息的属性特征也成为另一个研究热点。

发明内容

本发明的目的是对图像中的被识别物进行识别，建立目标匹配时的匹配模板。为此提出一种基于正则表达式语义的目标模型快速构建方法。

本发明采用的技术方案是：

一种基于正则表达式语义的目标模型快速构建方法，包括以下步骤：

步骤1：获取目标识别物所在位置图像，然后进行图像预处理：选取图像采集点，获取被识别物的极大不变物理特征；步骤2：目标特征提取，包括颜色特征，空间位置特征，以及角点特征的提取和选取；步骤3：建立图像的像元素库，并对正则表达式进行引申定义：首先，根据一般物体的物理特性建立能够描述物体特征的像元素库，主要包括线条库、形状库、颜色库、空间位置信息库；接着利用正则语义对这些像元素进行组织，赋予他们描述物体特征的能力；步骤4：利用引申定义的正则语法描述出目标匹配模型。

进一步，所述步骤1是在特定场景下，选择从正侧面获取目标图像，这样能保证获取到的同一类目标物体具有最大的物理特征相似性；图像过滤和边缘强化：首先对图像进行灰度化处理，然后利用中值滤波对背景噪声进行过滤，最后通过canny算子对图像进行边缘强化。

进一步，所述步骤1还包括：

1)把图像序列中一点的值用该点的一个邻域中各点值的中值代替，让周围的像素值接近的真实值：用正方矩结构的二维滑动模板，将板内像素按照像素值的大小进行排序，生成单调上升(或下降)的为二维数据序列；二维中值滤波输出为g(x,y)＝med{f(x-k,y-l),(k,l∈W)}，其中，f(x,y)，g(x,y)分别为原始图像和处理后图像，W为二维模板，选定为为3*3区域；