[发明专利]一种基于分类算法的角度识别方法及系统

说明书

本发明涉及计算机视觉图像分类技术领域，公开了一种基于分类算法的角度识别方法及系统，本方法包括步骤：S1：获取多个目标物体的原始图像数据信息；S2：将获取的多个目标物体的原始图像数据信息与参考线进行对比，得到满足预设角度的多个初始图像数据信息；S3：将满足预设角度的多个初始图像数据信息通过预设处理生成图像信息数据集；S4：将生成的图像信息数据集通过深度卷积分类网络进行训练，得到数据集分类模型。本方法能够简单应用于真实生产场景，并且具有较高精度的角度识别效果，克服现有的局限性，提高了角度识别的准确性。

技术领域

本发明涉及计算机视觉图像分类技术领域，尤其涉及一种基于分类算法的角度识别方法及系统。

背景技术

目前，基于大数据的深度学习方法已经超越了传统的识别和检测方法，卷积神经网络(ConvolutionalNeuralNetwork，简称CNN)是深度学习当前较为热门的方法之一，是一种前馈神经网络，它的人工神经元可以响应一部分覆盖范围内的周围单元，对于大型图像处理有出色表现。深度学习(deeplearning)是机器学习的分支，它试图使用包含复杂结构或由多重非线性变换构成的多个处理层对数据进行高层抽象的算法。

角度识别一般为通过数学计算在图像上发现角度特征,传统图像处理常通过算子对图像进行边缘检测,将检测到的边缘信息作为角度特征进行角度识别。在人工智能计算机视觉中,对于角度估计常用回归方法,其中用回归方法的局限性在于它不能很好的表示不同角度图片之间可能存在的模糊性，场景限制较大，精度较差。

发明内容

针对上述现有技术的现状，本发明所要解决的技术问题在于提供了一种基于分类算法的角度识别方法及系统，能够简单应用于真实生产场景，并且具有较高精度的角度识别效果，克服现有的局限性，提高了角度识别的准确性。

本发明基于分类算法的角度识别方法及系统，具体的包括以下技术方案：

一种基于分类算法的角度识别方法，包括步骤：

S1：获取多个目标物体的原始图像数据信息；

S2：将获取的多个目标物体的原始图像数据信息与参考线进行对比，得到满足预设角度的多个初始图像数据信息；

S3：将满足预设角度的多个初始图像数据信息通过预设处理生成图像信息数据集；

S4：将生成的图像信息数据集通过深度卷积分类网络进行训练，得到数据集分类模型。

具体的，利用生成的图像信息数据集对深度卷积分类网络进行训练，获得可使用的数据集分类模型，由于数据集中扩充了不同亮度以及含有各种噪声的数据，从而使得训练好的模型具有对于亮度变化以及图像清晰度更好的鲁棒性，从而能够更好的适应实际生产环境。

进一步地，所述步骤S2包括：

S21：将获取的多个目标物体的原始图像数据信息回归同一角度，并将该角度作为角度相对零点。

进一步地，所述步骤S3包括：

S31：通过数据生成和扩充算法将多个初始图像数据信息进行旋转；

S32：通过增加旋转后的多个初始图像数据信息的亮度数据信息和噪声数据信息,生成图像信息数据集。

具体的，将所有校正到角度相对零点的图像作为数据集初始图像数据，通过数据生成和扩充算法，将初始图像数据信息进行旋转，并通过调整亮度和增加各种噪声的方式，生成图像信息数据集。

进一步地，所述步骤S4之后包括：

S5：将待测图像数据信息输入数据集分类模型,得到对应于预设角度的图像旋转角度信息。

一种基于分类算法的角度识别系统，包括：