[发明专利]用于轮廓识别的高精度识别方法

说明书

本发明公开了用于轮廓识别的高精度识别方法，涉及图像识别方法，包括以下步骤：分解域变换，将图像利用小波进行多尺度分解域变换；在空间域梯度算子进行边缘检测；在变换域利用小波边缘检测；提取空间域和变换域的特征；利用BP神经网络进行模式识别，在识别以前，先选取至少100个的样本进行训练，获得变换向量，再对现场轮廓进行识别。所述梯度算子采用高斯拉普拉斯算子。本发明能够有效提取零部件轮廓；能够依据空间域和变换域双重检测，提高检测精度；利用BP神经网络的黑箱结构，使系统具备一定的容错性。

技术领域

本发明涉及一种图像识别方法，具体涉及用于轮廓识别的高精度识别方法。

背景技术

机械零部件的识别对于入门的学生而言具有重要意义，也为未来实现无人教学提供重要的技术支持，同时，需要满足教学场景下即能有效识别，又有一定精确度的需求。

发明内容

本发明所要解决的技术问题是轮廓识别的快速与高精度之间的矛盾问题，目的在于提供用于轮廓识别的高精度识别方法，解决上述问题。

用于轮廓识别的高精度识别方法，包括以下步骤：

分解域变换，将图像利用小波进行多尺度分解域变换；

在空间域梯度算子进行边缘检测；

在变换域利用小波边缘检测；

提取空间域和变换域的特征；

利用BP神经网络进行模式识别，在识别以前，先选取至少100个的样本进行训练，获得变换向量，再对现场轮廓进行识别。

进一步地，所述梯度算子采用高斯拉普拉斯算子。

进一步地，所述小波边缘检测结果采用链表进行记录。

进一步地，所述特征提取采用统计特征或变换矩阵。

本发明与现有技术相比，具有如下的优点和有益效果：

1、本发明用于轮廓识别的高精度识别方法，能够有效提取零部件轮廓；

2、本发明用于轮廓识别的高精度识别方法，能够依据空间域和变换域双重检测，提高检测精度；

3、本发明用于轮廓识别的高精度识别方法，利用BP神经网络的黑箱结构，使系统具备一定的容错性。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例

本发明用于轮廓识别的高精度识别方法，包括以下步骤：分解域变换，将图像利用小波进行多尺度分解域变换；在空间域梯度算子进行边缘检测；在变换域利用小波边缘检测；提取空间域和变换域的特征；利用BP神经网络进行模式识别，在识别以前，先选取至少100个的样本进行训练，获得变换向量，再对现场轮廓进行识别。

所述梯度算子采用高斯拉普拉斯算子。所述小波边缘检测结果采用链表进行记录。所述特征提取采用统计特征或变换矩阵。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。