[發明專利]一種復雜場景下香煙品牌識別方法

有效

• 申請號: 201910236775.1
• 申請日: 2019-03-27
• 公開（公告）號: CN109961049B
• 公開（公告）日: 2022-04-26
• 發明（設計）人: 李春國;劉楊;楊哲;鄧亭強;楊綠溪;徐琴珍
• 申請（專利權）人: 東南大學
• 主分類號: G06V20/10
• 分類號: G06V20/10;G06V10/30;G06V10/44;G06T7/11;G06T7/13
• 代理公司: 南京蘇高專利商標事務所(普通合伙) 32204
• 代理人: 王安琪

本發明公開了一種復雜場景下香煙品牌識別方法，對原始彩色圖像進行灰度化處理，結合圖像濾波消除噪聲干擾，并利用改進的Sobel邊緣算子對預處理后的圖像邊緣粗略定位，通過數學形態學操作等細化處理獲得二值圖像的塊狀連通候選區域，送入深度學習神經網絡Faster RCNN模型進行精確定位和識別。本發明通過邊緣檢測截取候選區域降低背景對檢測性能的干擾，同時改進的Sobel算子結合貨架香煙圖片特點著重檢測垂直方向邊緣；本發明中Faster RCNN檢測模型針對香煙尺寸與形狀特征對區域建議網絡中錨框尺度和比例進行修改，降低小目標的漏檢概率，提高檢測和識別準確率。

技術領域

本發明涉及計算機視覺技術領域，尤其是一種復雜場景下香煙品牌識別方法。

背景技術

我國是世界上最大的煙草生產和消費國，香煙作為煙草制品的一種，其產銷量和增產速度均位居世界前列。根據煙草成分和制作工藝的不同，香煙品質存在較大差異，煙草公司將香煙劃分成不同品牌，并利用外殼圖案、文字標識等特征加以區分。現階段，香煙品牌的分類主要以人工為主，也開發出一些利用條形碼信息自動分類的技術。然而，針對大量排布密集的香煙，例如超市煙柜，部分香煙外觀相似度較大，且條形碼位于包裝外殼的側邊，目前尚未形成能夠在短時間內統計香煙品牌信息的系統方法。

近年來，隨著計算機視覺檢測技術的快速發展，攝像機和電腦逐步代替人眼對目標進行檢測、識別和跟蹤，將這一技術應用到復雜背景下排布規律的貨架香煙品牌識別及統計，理論上可獲得較好的性能。現階段根據特征提取方式的不同，目標檢測算法可大致分為傳統的目標檢測算法和基于深度學習的目標檢測算法。傳統的目標檢測算法首先生成候選區域，對目標位置進行初步確定，多采用滑動窗口遍歷算法，之后利用手工方式提取特征，最后將這些特征輸入分類器進行分類。在候選區域生成過程中，采用滑動窗口遍歷算法雖然能夠較為全面的給出目標可能出現的區域，但是需對整幅圖像進行遍歷，計算復雜度高，并且會產生大量的冗余窗口。并且基于手工方式提取的特征，例如梯度方向直方圖(Histogram of Oriented Gradient,HOG)、尺度不變特征(Scale Invariant FeatureTransform,SIFT)、哈爾特征(Haar-like)等，多為單一特征并且缺乏魯棒性，考慮到貨架香煙種類較多，每幅圖像中約有50至100種香煙，單個香煙所占像素較少，即目標尺寸較小，并且同一大品牌下的各小品牌的外觀相似，因此傳統的目標檢測方法無法適用于此類大量、相似并且尺寸較小的目標檢測場景。

基于深度學習的目標檢測算法能夠較好地克服傳統算法的缺點，目前深度學習的目標檢測方法主要集中在兩個方向：基于候選框和深度卷積神經網絡的目標檢測算法和基于回歸計算的目標檢測算法。這兩類方法不僅需要獲取目標的類別概率，而且還需對目標進行定位。基于候選框的檢測算法事先劃分出一些可能存在目標的區域，即區域推薦過程，再針對這些區域結合卷積神經網絡提取的特征圖進行分類和坐標位置精修，典型的算法有RCNN(Region with Convolutional Neural Network)系列算法。基于回歸計算的檢測方法則直接對圖像劃分網格，相當于將區域推薦過程簡化為固定數量的網格劃分，之后對網格進行預測，一步提取物體的類別概率和位置坐標值，例如YOLO(You Only Look Once)系列算法。因此，與基于候選框的檢測算法相比，該類方法檢測速度提升明顯，但由于劃分網格數目遠小于區域推薦生成的候選框數目，會導致目標漏檢概率升高。