[发明专利]基于特征因子的智能图像识别技术

说明书

一种基于特征因子的智能图像识别技术。将对象边缘特征表示为由直线因子和曲线因子组成的特征，直线因子是特征模子按照线性移动；曲线因子是特征模子按照一个半径不变的圆弧移动，不同的曲线可以看成是不同的曲线因子组成的新曲线。通过可变的特征模子来识别对象的所有的子特征，组成这个对象的所有特征，再通过人机交互学习加重子特征的权重和偏置来识别对象，不同的对象它们的子特征及权重和偏置值都将不一样，从而做到识别不同的对象。

技术领域

本发明涉及一种基于特征因子的智能图像识别技术，通过人机交互来学习并识别图像对象。

背景技术

目前，公知的图像识别技术是通过构建模型，然后通过大量的数据进行采集、训练，根据训练得到的结果去做图像识别，比如TensorFlow、caffe等，这样方案虽然发展到现在识别准确率已经很高，但是都是针对已经训练过的模型，是一种基于数据流的算法，若是未训练过的对象就不能很好的识别，而且前提也是需要大量的数据进行采集、训练，不具备主动学习的能力。

发明内容

为了克服现有的图像识别技术需要进行大量的图像数据采集、训练，以及能够对未训练的对象也能够很好的识别，本发明实现一种基于图像特征识别，通过人机交互来学习并识别图像对象，它能够根据特征因子去识别一个对象的所有子特征，然后通过人机交互来学习并识别对象的关键特征，图像识别时则根据自己学习到的关键特征进行对比识别。

具体实施方式

1.定义一些关键属性：

特征因子：基于图像边缘特征的基本属性，只有两种属性：直线因子和曲线因子。直线因子表示按线性方向移动，曲线因子表示沿半径不变的圆弧移动。特征因子的属性随着特征模子的大小改变而改变。

特征模子：能够识别出一个特征因子的模型，是一个圆形的连通域，沿着对象的边缘移动来确定当前子特征的特征因子。直线因子是特征模子按照线性移动；曲线因子是特征模子按照一个半径不变的圆弧移动，其他任意曲线可以近似看成是任意个曲线因子组成的新特征。特征模子的大小决定识别特征的准确率，特征模子越小，准确率越高。

2.读取一个图像，根据人眼对颜色不同的敏感度识别出不同的颜色块，然后经过降噪、归一化处理后得到一系列轮廓较清晰的连通域对象，然后按照后续方法对每个连通域进行识别处理。

3.对一个连通域，按照从左到右，从上到下查找连通域的第一个边缘区域；然后根据此点在附近连通域内找出一个不超出连通域边缘的最大圆作为第一个特征模子。

4.特征模子开始按照边缘预测方法来预测边缘属于哪种特征因子（直线因子或者曲线因子），然后按照特征因子属性向指定方向移动（预测到的方向），一边移动一边判断是否沿着边缘移动，若否则边缘特征因子改变，获得一个特征，记录此特征的起始点及结束点，还有颜色。

5.按照上一个特征的移动方向重新找出一个新的特征模子，然后重复步骤4去识别下一个子特征，直到回到第一个特征的起始点，说明一个连通域识别完成，这个连通域将包括所有识别到的子特征。

6.根据识别到的子特征去查找已经学习到的对象，经过权重和偏置的计算方法得到是或者最有可能是的对象，不确定则将子特征中的特征模子减半继续深度识别，直到识别或者子特征不再变化为止。

7.重复步骤3直到所有连通域都处理完，所有的连通域都作为此图像的子特征。一幅图片中可能有一个或者多个识别到的对象。

8.预测边缘特征因子方法：特征模子沿着上次移动方向的左边，开始顺时针向其他三个方向预测移动一个特征模子大小位置，找到下次边缘位置（特征模子与连通域边缘相交的位置），然后按照此方法找到第二个、第三个、第n个边缘位置，若这些边缘位置是线性关系，则特征因子是直线因子，否则则是曲线因子。