[发明专利]一种基于图像的多目标分割识别方法及系统

权利要求书

1.一种基于图像的多目标分割识别方法，其特征在于，包括：

(1)提取待识别图像的单通道图像，对所述单通道图像进行二值化处理，以分别获得所述待识别图像中各目标物体的最外层轮廓与最内层轮廓；

(2)分别将各目标物体的最外层轮廓与最内层轮廓近似成折线，利用相邻两折线所成角度筛选出该相邻两折线的公共端点是否为分割候补点；

(3)对于任一分割候补点，通过区域范围内距离最近原则找出与该分割候补点对应的目标分割候补点，以形成分割点对；

(4)在二值化图像中连接各分割点对以分开各目标物体，提取分开后的各目标物体的目标最外层轮廓；

(5)计算各所述目标最外层轮廓的内部面积，若所述内部面积小于预设面积阈值，则删除所述内部面积对应的分割点对，并返回执行步骤(4)，直至得到分割后的各目标物体图像；

(6)依次将各所述目标物体图像送入深度神经网络模型，通过所述深度神经网络模型提取图像特征并由分类器确定各目标物体所属的类别。

2.根据权利要求1所述的方法，其特征在于，步骤(1)包括：

(1.1)提取待识别图像的单通道图像，对所述单通道图像采用第一二值化阈值进行二值化处理，以获得所述待识别图像中各目标物体的最外层轮廓；

(1.2)对所述单通道图像采用第二二值化阈值进行二值化处理，以获得所述待识别图像中各目标物体的最内层轮廓，其中，所述第二二值化阈值大于所述第一二值化阈值。

3.根据权利要求1所述的方法，其特征在于，在步骤(2)中，分别将各目标物体的最外层轮廓与最内层轮廓近似成折线之后，所述方法还包括：

删除折线长度小于预设长度阈值的折线。

4.根据权利要求3所述的方法，其特征在于，在步骤(2)中，所述利用相邻两折线所成角度筛选出该相邻两折线的公共端点是否为分割候补点，包括：

确定保留下来的相邻两折线所成角度；

基于所述角度与第一预设角度阈值的关系，筛选出该相邻两折线的公共端点是否为分割候补点，以此确定各分割候补点。

5.根据权利要求3或4所述的方法，其特征在于，步骤(3)包括：

(3.1)顺时针依次选取分割候补点a，所述分割候补点a的前一个分割候补点为q，计算以所述分割候补点a为公共端点的两折线顺时针所成角度θ₁；

(3.2)选取剩余的分割候补点x，计算向量与向量所成角θ₂，若θ₂＞θ_thres2或者θ₂＜k*θ₁，则将所述分割候补点x放入点集A中，其中，θ_thres2为第二预设角度阈值，k为系数；

(3.3)计算点集A中的所有点与所述分割候补点a的距离，取距离最小值时对应的分割候补点b；

(3.4)确定所述分割候补点b的区域范围内的距离最近点，若该距离最近点为所述分割候补点a，则所述分割候补点a与所述分割候补点b为一对分割点对。

6.根据权利要求5所述的方法，其特征在于，在步骤(4)之前，所述方法还包括：

保留处于同一轮廓线内部或者轮廓边界上的分割点对，得到各目标分割点对。

7.根据权利要求6所述的方法，其特征在于，步骤(5)包括：

计算各所述目标分割点对与所述目标最外层轮廓的距离，若该距离小于预设距离阈值，则删除对应的目标分割点对，并返回执行步骤(4)，直至得到分割后的各目标物体图像。

8.根据权利要求1所述的方法，其特征在于，在步骤(6)之前，所述方法还包括：

获取各类型物体图像，并对图像中的物体轮廓进行标注，得到训练数据，根据所述训练数据对深度神经网络模型进行训练，得到训练好的深度神经网络模型。

9.一种基于图像的多目标分割识别系统，其特征在于，包括：

第一轮廓提取模块，用于提取待识别图像的单通道图像，对所述单通道图像进行二值化处理，以分别获得所述待识别图像中各目标物体的最外层轮廓与最内层轮廓；

分割点确定模块，用于分别将各目标物体的最外层轮廓与最内层轮廓近似成折线，利用相邻两折线所成角度筛选出该相邻两折线的公共端点是否为分割候补点；

分割点对确定模块，用于对于任一分割候补点，通过区域范围内距离最近原则找出与该分割候补点对应的目标分割候补点，以形成分割点对；

第二轮廓提取模块，用于在二值化图像中连接各分割点对以分开各目标物体，提取分开后的各目标物体的目标最外层轮廓；

物体分割模块，用于计算各所述目标最外层轮廓的内部面积，若所述内部面积小于预设面积阈值，则删除所述内部面积对应的分割点对，并返回执行所述第二轮廓提取模块的操作，直至得到分割后的各目标物体图像；

识别模块，用于依次将各所述目标物体图像送入深度神经网络模型，通过所述深度神经网络模型提取图像特征并由分类器确定各目标物体所属的类别。