[發明專利]一種應用于扇掃拼接的目標識別方法

在審

• 申請號: 202111497760.4
• 申請日: 2021-12-09
• 公開（公告）號: CN114241372A
• 公開（公告）日: 2022-03-25
• 發明（設計）人: 甘欣輝;馬長勝;陳幫;魯兵兵;黃磊;宋亮;姚連喜;萬韜;郭賀;張浩然;彭碩玲;程智林
• 申請（專利權）人: 江蘇和正特種裝備有限公司
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06T7/11;G06T3/40;G06N3/04;G06K9/62;G06V10/82;G06V10/80
• 代理公司: 江蘇圣典律師事務所 32237
• 代理人: 滕敏

本發明公開了一種應用于扇掃拼接的目標識別方法，所述方法包括以下內容：步驟一，對實時拍攝的圖像幀篩選后使用神經網絡進行目標識別；步驟二，采用針對圓形圖像區域的SURF算法對每一幀圖像進行扇掃拼接；步驟三，通過拼接完成后的各幀圖像之間的相對位置，將每幀圖像的識別框疊加到拼接完成的圖像中進行顯示，將目標識別結果上報至相關節點并給出危險等級告警。本發明技術可以保證在有限的監控范圍內進行目標識別，有效地描繪出目標物體的運行軌跡，上傳目標信息至相關節點并給出危險等級告警，彌補了目標識別應用在扇掃拼接領域的空白。

技術領域

本發明屬于機器視覺技術領域，尤其涉及一種基于深度學習的目標分類識別方法以及工程化應用于扇掃拼接時的相關問題。

背景技術

傳統目標檢測算法主線內容有區域選取、特征提取、分類器。區域選擇采用滑動窗口的策略對整幅圖像進行遍歷，且需要設置不同的尺度及長寬比，該方法時間復雜度太高，產生冗余窗口太多，嚴重影響后續特征提取和分類的速度和性能。特征提取受限于目標的形態多樣性，光照變化多樣性，背景多樣性等因素，手工設計的特征對于多樣性的變化沒有很好的魯棒性。基于深度學習的目標識別算法大致分為以下三類：基于區域建議的目標檢測與識別算法，該算法的優點是識別準確率高，缺點是算法模型龐大，訓練耗時長，算法識別速度慢，如R-CNN、Fast-R-CNN、Faster-R-CNN；基于搜索的目標識別算法，如基于視覺注意的AttentionNet，基于強化學習的算法；基于回歸的目標識別算法，如YOLO、SSD，該方法的優點是目標識別速度快，應用在扇掃拼接里效果更優于基于區域采樣的深度卷積目標識別算法，其中比較有代表性的有YOLO算法。

圖像拼接技術是指將數張具有一定重合區域的圖像合成一幅滿足視場和分辨率雙重要求的全景圖像，圖像拼接基本步驟一般包括預處理、圖像配準、圖像融合。根據圖像配準方法的不同，圖像拼接方法大致可以分為三類：基于區域的方法、基于特征的方法、基于混合模型的方法。基于區域的全局圖像配準技術，該算法簡單易實現，但需要利用圖像全部可用的灰度信息，故其計算量較大，運算效率低，且對光照變化敏感，對圖像配準中常見的尺度變化、非線性形變魯棒性不強。基于特征的圖像配準方法是通過某個特征對圖像進行分析，計算效率較基于區域方法有很大提升，同時對光照變化、尺度變化、旋轉甚至拍攝視角變化等均有較好的魯棒性，場景適應性強。基于混合模型的配準兼顧配準速度和精度，具有運行速度快和匹配精度高的特點，并且針對于圖像灰度變化、旋轉、尺度甚至仿射變換等都能保持較好的不變性。

但是，在圖像拼接時，由于曝光時間、光照條件、環境變化等問題，會造成圖像在亮度上存在差異，如直接進行拼接，在重合區域會出現明顯的接縫、“鬼影”和色彩差異，影響輸出圖像的視覺效果，同時也將影響對圖像解析的準確度。而且，當圖像拼接與目標識別同時運行時，受硬件資源限制，目標識別效果較差。

在扇掃監控范圍有限的情況下增加了目標識別應用功能，填補了目標識別與扇掃拼接相結合的應用空白。同時，

發明內容

為了解決上述技術問題，本發明提供了一種將目標識別算法應用于扇掃拼接上的技術，可以保證在有限的監控范圍內進行目標識別，有效地描繪出目標物體的運行軌跡，上傳目標信息至相關節點并給出危險等級告警，彌補了目標識別應用在扇掃拼接領域的空白。

本發明提供了一種應用于扇掃拼接的目標識別方法，所述方法包括以下內容：

步驟一，對實時拍攝的圖像幀篩選后使用神經網絡進行目標識別；

步驟二，采用針對圓形圖像區域的SURF算法對每一幀圖像進行扇掃拼接；

步驟三，通過拼接完成后的各幀圖像之間的相對位置，將每幀圖像的識別框疊加到拼接完成的圖像中進行顯示，將目標識別結果上報至相關節點并給出危險等級告警

進一步的，所述步驟一包括：