[发明专利]一种智能多种物体高效同时识别方法

说明书

本发明公开了一种智能多种物体高效同时识别方法，按该方法步骤操作后，相比原有的识别技术，将目标图像与环境图形独立标示，不必再将整体画面进行整体对比计算，仅需计算目标图像与相离目标点之间的位置变化，比之前更节省内存，节省CPU资源，识别效率更高。

技术领域

本发明涉及物体识别领域，具体是一种智能多种物体高效同时识别方法。

背景技术

目前，随着世界安全形势越来越严峻，城市中的通缉犯、逃跑的犯人、被盗车辆等严重威胁城市公民的生活安全。人们需要对这些特殊类型的目标进行监控，并跟踪预测该类目标的移动轨迹。这需要对该类目标进行识别，并且需要把该类目标所在的位置标识在城市地图上，以方便警方对其进行控制。

现有的识别技术，通过学习模型，然后几帧数据与模型做对比，判断是否移动来做到物体识别，缺点：单模型数据量大，多物体模型数据量是单一模型的几倍，且消耗CPU资源很严重。因此，本领域技术人员提供了一种智能多种物体高效同时识别方法，以解决上述背景技术中提出的问题。

发明内容

本发明的目的在于提供一种智能多种物体高效同时识别方法，以解决上述背景技术中提出的问题。

为实现上述目的，本发明提供如下技术方案：

一种智能多种物体高效同时识别方法，该方法包括以下步骤：

1)通过监控设备，获得固定视角的画面，获得环境图像，形成全部坐标信息的索引列表；

2)输入多组对比图像，将目标物体大概轮廓标示出来，并从整体画面中分离出来；

3)将目标轮廓信息提取，获得的图像进行特征点的提取，用于获取所述图像的特征点在所述索引列表内进行提取集中，获得目标轮廓所包含的特征点集合C；

4)形成移动路径的背景参照坐标集合B；

5)将移动后的画面截图，对待识别图像的像素坐标进行归一化处理，得到图像的像素坐标矩阵，将所述特征点集合C与图像内的坐标信息对比，得到画面中特征点集合C所处的位置；

6)得到特征点集合C的移动路径。

作为本发明进一步的方案：所述步骤1)中，由彩色图像生成的灰度图像、由深度图像生成的表面法向量，将彩色图像、灰度图像、深度图像和表面法向量共同作为多数据模式信息，通过卷积-递归神经网络分别提取彩色图像、灰度图像和表面法向量中的坐标信息特征，得到图像内全部坐标信息的总特征作为参照特征。

作为本发明再进一步的方案：所述步骤2)中，利用改进的混合高斯模型的背景差法和基于OHTA的颜色分割提取技术进行图像提取。

作为本发明再进一步的方案：所述步骤6)中，针对所述特征点集合C，在坐标集合B找出与其距离最近的N个其他定位特征点，并比特征点集合C与定位特征点之间的位置变化。

作为本发明再进一步的方案：所述步骤5)中，所述截图保留1-2帧数据。

作为本发明再进一步的方案：所述步骤4)中，将分离出目标物体后的整体画面进行坐标标定，形成移动路径的背景参照坐标集合B。

与现有技术相比，本发明的有益效果是：

相比原有的识别技术，将目标图像与环境图形独立标示，不必再将整体画面进行整体对比计算，仅需计算目标图像与相离目标点之间的位置变化，比之前更节省内存，节省CPU资源，识别效率更高。

具体实施方式

下面结合具体实施方式对本发明的技术方案作进一步详细地说明。

一种智能多种物体高效同时识别方法，该方法包括以下步骤：