[发明专利]一种自动训练形状匹配模型的方法

权利要求书

1.一种自动训练形状匹配模型的方法，其特征在于，包括如下步骤：

步骤S1，采集一张没有目标的图像；

步骤S2，采集一张包含目标的图像，其中，所述步骤S1采集的图像和步骤S2采集的图像的区别仅在于是否存在目标；

步骤S3，获取步骤S1和步骤S2采集的两张图像的多个差异区域；

步骤S4，计算每个区域的最小外接矩形或椭圆形，以及其长轴与图像x轴形成的角度；

步骤S5，针对所有差异区域提取边缘点，并计算每个边缘点基于灰度的梯度信息；

步骤S6，随机选取一个差异区域中的边缘点训练初始模型；所述训练初始模型，包括如下步骤：

步骤S61，确定该区域边缘点的中心点；

步骤S62，计算该区域边缘点相对该中心点的位置；

步骤S63，将该区域边缘点绕该中心点以固定步长进行旋转，计算每次旋转后所有新的边缘点位置和梯度，新的边缘点信息构成一个新的集合；

步骤S64，所有旋转后的集合信息构成初始模型；

步骤S7，通过其他区域中的边缘点对上述模型进行修饰，得到适用于所有目标的模型；所述步骤S7，包括：

步骤S71，从其他区域中选择另一个区域，计算该区域中心点；

步骤S72，根据当前区域的最小外接矩形或椭圆形的角度选择初始模型中与该角度匹配的模型边缘点集合，该角度成为初始角度θ；

步骤S73，计算匹配分数s_0；

步骤S74，选择初始模型中与上述初始角度大一个角度步长的模型边缘点集合；

步骤S75，重复步骤S73，计算新的匹配分数s_1，若s_1s_0，则重复步骤S74和步骤S75n次，直至s_ns_n-1；

步骤S76，反向选择初始模型中与上述初始角度小一个角度步长的模型边缘点集合；

步骤S77，重复步骤S73，计算新的匹配分数s_-1，若s_-1s_0，则重复步骤S76和步骤S77 m次，直至s_-ms_-m+1；

步骤S78，在该区域中心点附近k*k的领域重复步骤S72至步骤S77，其中k为参数；

步骤S79，选择所有s0、s_n-1和s_-m+1中最大值对应的角度α以及中心点在k*k 区域中的位置偏移l；

步骤S80，将α和l，重新计算每个点的梯度向量点积，并删除初始模型中梯度向量点积小于一定阈值的点；

步骤S81，选择剩下区域中的下一个区域，重复步骤S72至步骤S80；

步骤S8，利用修改后的模型在步骤S2采集的图像中搜索目标，如果无法找到所有目标或到达最大迭代次数，则返回步骤S5，最后一次迭代得到的模型即为最终模型。

2.如权利要求1所述的自动训练形状匹配模型的方法，其特征在于，所述步骤S3包括：

步骤S31，对两张图像逐像素作差并取绝对值，得到新的图像；

步骤S32，对所述新的图像进行二值化，得到二值化图像；

步骤S33，根据所述二值化图像中像素为255的点之间的连通关系，获得所述二值化图像中的多个连通域；所述多个连通域对应表示多个差异区域。

3.如权利要求2所述的自动训练形状匹配模型的方法，其特征在于，在所述步骤S31中，采用下式计算新的图像：

Image3(i,j)＝|Image1(i,j)-Image2(i,j)|

采用下式计算二值化图像：

Image4(i,j)＝|Image3(i,j)|threshold？255:0,其中threshold为阈值参数。

4.如权利要求1所述的自动训练形状匹配模型的方法，其特征在于，在所述步骤S5中，计算边缘点，并在边缘提取的过程中同时计算每个边缘点基于灰度的梯度信息。

5.如权利要求1所述的自动训练形状匹配模型的方法，其特征在于，在所述步骤S61中，使用该区域最小外接矩形或椭圆形的中心作为边缘点的中心点。