[發明專利]基于特征因子的智能圖像識別技術

在審

• 申請號: 201910990480.3
• 申請日: 2019-10-17
• 公開（公告）號: CN110717501A
• 公開（公告）日: 2020-01-21
• 發明（設計）人: 不公告發明人
• 申請（專利權）人: 占志敏
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

一種基于特征因子的智能圖像識別技術。將對象邊緣特征表示為由直線因子和曲線因子組成的特征，直線因子是特征模子按照線性移動；曲線因子是特征模子按照一個半徑不變的圓弧移動，不同的曲線可以看成是不同的曲線因子組成的新曲線。通過可變的特征模子來識別對象的所有的子特征，組成這個對象的所有特征，再通過人機交互學習加重子特征的權重和偏置來識別對象，不同的對象它們的子特征及權重和偏置值都將不一樣，從而做到識別不同的對象。

技術領域

本發明涉及一種基于特征因子的智能圖像識別技術，通過人機交互來學習并識別圖像對象。

背景技術

目前，公知的圖像識別技術是通過構建模型，然后通過大量的數據進行采集、訓練，根據訓練得到的結果去做圖像識別，比如TensorFlow、caffe等，這樣方案雖然發展到現在識別準確率已經很高，但是都是針對已經訓練過的模型，是一種基于數據流的算法，若是未訓練過的對象就不能很好的識別，而且前提也是需要大量的數據進行采集、訓練，不具備主動學習的能力。

發明內容

為了克服現有的圖像識別技術需要進行大量的圖像數據采集、訓練，以及能夠對未訓練的對象也能夠很好的識別，本發明實現一種基于圖像特征識別，通過人機交互來學習并識別圖像對象，它能夠根據特征因子去識別一個對象的所有子特征，然后通過人機交互來學習并識別對象的關鍵特征，圖像識別時則根據自己學習到的關鍵特征進行對比識別。

具體實施方式

1.定義一些關鍵屬性：

特征因子：基于圖像邊緣特征的基本屬性，只有兩種屬性：直線因子和曲線因子。直線因子表示按線性方向移動，曲線因子表示沿半徑不變的圓弧移動。特征因子的屬性隨著特征模子的大小改變而改變。

特征模子：能夠識別出一個特征因子的模型，是一個圓形的連通域，沿著對象的邊緣移動來確定當前子特征的特征因子。直線因子是特征模子按照線性移動；曲線因子是特征模子按照一個半徑不變的圓弧移動，其他任意曲線可以近似看成是任意個曲線因子組成的新特征。特征模子的大小決定識別特征的準確率，特征模子越小，準確率越高。

2.讀取一個圖像，根據人眼對顏色不同的敏感度識別出不同的顏色塊，然后經過降噪、歸一化處理后得到一系列輪廓較清晰的連通域對象，然后按照后續方法對每個連通域進行識別處理。

3.對一個連通域，按照從左到右，從上到下查找連通域的第一個邊緣區域；然后根據此點在附近連通域內找出一個不超出連通域邊緣的最大圓作為第一個特征模子。

4.特征模子開始按照邊緣預測方法來預測邊緣屬于哪種特征因子（直線因子或者曲線因子），然后按照特征因子屬性向指定方向移動（預測到的方向），一邊移動一邊判斷是否沿著邊緣移動，若否則邊緣特征因子改變，獲得一個特征，記錄此特征的起始點及結束點，還有顏色。

5.按照上一個特征的移動方向重新找出一個新的特征模子，然后重復步驟4去識別下一個子特征，直到回到第一個特征的起始點，說明一個連通域識別完成，這個連通域將包括所有識別到的子特征。

6.根據識別到的子特征去查找已經學習到的對象，經過權重和偏置的計算方法得到是或者最有可能是的對象，不確定則將子特征中的特征模子減半繼續深度識別，直到識別或者子特征不再變化為止。

7.重復步驟3直到所有連通域都處理完，所有的連通域都作為此圖像的子特征。一幅圖片中可能有一個或者多個識別到的對象。

8.預測邊緣特征因子方法：特征模子沿著上次移動方向的左邊，開始順時針向其他三個方向預測移動一個特征模子大小位置，找到下次邊緣位置（特征模子與連通域邊緣相交的位置），然后按照此方法找到第二個、第三個、第n個邊緣位置，若這些邊緣位置是線性關系，則特征因子是直線因子，否則則是曲線因子。