[发明专利]一种基于MLP神经网络和计算机视觉的围棋裁判系统

说明书

本发明请求保护一种基于MLP神经网络和计算机视觉的围棋裁判系统，其包括图像归一化处理模块、MLP神经网络模块和围棋裁判算法模块；图像归一化处理模块是通过通道变换、图像裁剪、均光处理、角点检测等手段对图像进行预处理，便于后续识别；MLP神经网络模块包括有棋盘识别模型和棋子识别模型，用于识别出棋盘以及黑白棋的位置，并将其信息保存于TXT文件中；后期围棋裁判算法模块，用于进行棋局胜负的判断，通过读取TXT文件中黑白棋的状态和位置信息，从而根据算法得出黑白棋的胜负状态，并将结果转换为SGF(围棋棋谱通用)图片显示给用户。

技术领域

本发明属于MLP神经网络和图像识别技术，具体讲的是获取图像及图像处理技术。

背景技术

随着人工智能的发展，深度学习和图像识别技术的应用更加广泛，MLP神经网络作为深度学习的起点，在处理分类问题方面有一定的优势。在围棋领域中，由于举行一场大型围棋比赛，需要聘请大量的围棋裁判，耗资高，并且裁决速度慢，还可能判别出错。因此，有很多人开始研究算法，在通过图像采集，图像处理，再通过围棋判别算法进行判别胜负。在众多的方法中，都采用的是固定摄像头，不可移动，找一个近乎完美的拍摄角度，对硬件设备的要求很高，拍摄环境要求高，有很大的限制。

随着围棋的推动和发展，围棋的普及程度越来越高，围棋赛事也越来越多。每一场大型的比赛都需要聘请很多裁判人员，耗费多，并且人工判别错误率高，判别围棋胜负慢，耗时长。近年来，人工智能发展迅速，围棋人工智能AlphaGo成为第一个战胜世界冠军的人工智能程序，其核心算法就是深度学习。本发明将深度学习的前身——多层感知器MLP运用于围棋终局图像处理，从图片中获取棋子信息，例如棋子位置、黑白子、交叉点等等，用得到的信息进行围棋胜负的判别，以代替人工裁判，实现低错误率、速度快、准确率高、经济方便的围棋自动化裁判系统。

另外，现有的一些技术中，虽然能够降低对环境的要求，还可以不用特别严格的拍摄角度，进行预处理。但是，还是达不到人们想要的效果，最大的问题在于不可预见的影响因素较多，因此特定的方法不能适用于全部情况。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种降低拍摄照片的要求、适应性更广、实现人性化拍摄，得到更好的拍摄结果，达到人机交互的目的基于MLP神经网络和计算机视觉的围棋裁判系统。本发明的技术方案如下：

一种基于MLP神经网络和计算机视觉的围棋裁判系统，其包括图像归一化处理模块、MLP神经网络模块和围棋裁判算法模块；图像归一化是通过通道变换、图像裁剪、均光处理、角点检测等手段对图像进行预处理，使得所有输入图像的饱和度及整体亮度趋于正常化，初步筛选出棋盘；MLP神经网络模块(分类器)：用于对棋盘、背景的分类以及黑白棋的分类；

图像归一化处理具体包括：

统一输入图像的尺寸为227*227，通过均光算法处理，使图片整体的亮度趋于均匀，减小光照不均匀的程度，便于后续处理；而后使用通道变换、颜色查找、阈值分割识别出棋盘的大概区域，缩小识别范围，以减少杂物的对识别产生的干扰；

MLP神经网络模块(分类器)具体包括有两个分类模型：

(1)棋盘识别模型，是在图像归一化处理的基础上对棋盘和背景实现精确的分类；

(2)棋子识别模型，在已经识别到的棋盘上进行模型匹配，查找出黑棋、白棋和空点，并将其信息写入TXT文件内(信息包括有棋局黑子、白字、空点的状态及其位置)；训练过程为：在输入图片上分别标记黑棋、白棋、空点的多通道像素值使用恰当的特征生成函数来构建特征向量，将训练样本及特征向量输入MLP分类器中进行迭代训练生成模型。

后期围棋棋局裁判模块：