[发明专利]基于神经网络的计算机视觉处理方法

说明书

本发明涉及计算机视觉技术领域，公开了基于神经网络的计算机视觉处理方法，将获取的视频数据进行灰度处理，转化成单帧灰度图像，将灰度图像归一化处理后，采用LBP算法获得LBP纹理特征；以LBP纹理特征作为输入，视觉视频数据的类别标签作为输出，建立LBP纹理特征与类别标签的映射关系，对BP神经网络进行训练，获得视频数据的BP神经网络模型，对后续的视频数据进行识别、处理。本发明通过对灰度图像进行了归一化处理，可以规避同一物体在不同时间、不同光照下采集到的图像在灰度分布差异大、不集中的问题，消除光照的影响对视频数据的影响，提高对图像纹理特征提取和识别精度，为建立精准的BP神经网络模型提供数据基础。

技术领域

本发明涉及计算机视觉技术领域，具体涉及基于神经网络的计算机视觉处理方法。

背景技术

人工智能的完整闭环包括感知、认知、推理再反馈到感知的过程，其中视觉在我们的感知系统中占据大部分的感知过程。计算机视觉(Computer Vision)是指用计算机实现人的视觉功能——对客观世界的三维场景的感知、识别和理解。这意味着计算机视觉技术的研究目标是使计算机具有通过二维图像认知三维环境信息的能力。因此不仅需要使机器能感知三维环境中物体的几何信息，如形状、位置、姿态、运动情况等，而且能对它们进行描述、存储、识别与理解。而计算机视觉与人类或动物的视觉是不同的：它是在通过机器对物体进行感知后，借助于几何、物理和学习技术来构筑算法模型，用统计的方法来处理数据。

由于机器在对物体感知时，同一物体在不同时间、不同光照下采集到的图像在灰度分布上可能存在着很大的差异，图像的灰度分布很不集中，这些将直接影响到后续的特征提取和识别，因此要对手背静脉图像进行灰度归一化就是容易受到光照变化或阴影的影响。因此，在进行图像处理过程中，通常会对RGB进行归一化，以便消除其对部分光照的影响。

发明内容

基于以上问题，本发明提供基于神经网络的计算机视觉处理方法，本发明通过对灰度图像进行了归一化处理，可以规避同一物体在不同时间、不同光照下采集到的图像在灰度分布差异大、不集中的问题，消除光照的影响对视频数据的影响，提高对图像纹理特征提取和识别精度，为建立精准的BP神经网络模型提供数据基础。

为实现上述技术效果，本发采用了以下技术方案：

一种基于神经网络的计算机视觉处理方法，包括如下步骤：

S1、获取计算机视觉视频数据，然后将视频数据进行灰度处理，转化成单帧灰度图像；

S2、对各单帧的灰度图像进行归一化处理，并将归一化处理后的每帧灰度图像转化成灰度矩阵；

S3、以灰度矩阵中的每一个像素点为中心点，采用LBP算法对归一化后的图像进行特征提取，获得灰度图像的LBP纹理特征；

S4、根据先验知识对视觉视频数据添加类别标签，然后通过将每一帧灰度图像的LBP纹理特征作为输入，视觉视频数据的类别标签作为输出，建立LBP纹理特征与类别标签的映射关系，对BP神经网络进行训练，获得视频数据的BP神经网络模型；

S5、利用BP神经网络模型对后续的视频数据进行识别、处理。

进一步地，步骤S2中的灰度图像归一化处理公式为：

式中，I(i,j)和N(i,j)分别表示原图像的灰度值、变换后图像的灰度值，min和max分别表示原图像的最小灰度值、最大灰度值。

进一步地，步骤S3中LBP算法的具体方法为：

A1、将中心点对应的灰度值与相邻的8个像素点的灰度值进行比较，若周围像素的灰度值大于中心像素的灰度值，则该像素点的位置被标记为1，否则为0；

A2、对于该中心点像素3*3邻域内的8个点经比较产生的8位二进制数，即得到该窗口中心灰度元素点的LBP值；