靜態(tài)圖片中葡萄酒瓶的檢測方法
【專利摘要】本發(fā)明公開了一種靜態(tài)圖片中葡萄酒瓶的檢測方法，包括訓練及檢測兩部分，訓練階段的步驟包括：制作葡萄酒瓶樣本；樣本特征計算以及訓練聯級分類器；檢測階段的步驟包括加載待測圖片；加載葡萄酒瓶分類器以及聯級葡萄酒瓶檢測。本發(fā)明通過對大量的葡萄酒瓶樣本，在提取Haar特征的基礎上，用AdaBoost方法訓練得出一個聯級分類器去檢測待測圖片中的葡萄酒瓶，這種方法能直接定位圖片中葡萄酒瓶所在，并不受環(huán)境的影響。
【專利說明】靜態(tài)圖片中葡萄酒瓶的檢測方法
【技術領域】
[0001]本發(fā)明屬于圖像識別領域，涉及一種靜態(tài)圖片中葡萄酒瓶的檢測方法。
【背景技術】
[0002]隨著電子成像技術和互聯網的發(fā)展，人們創(chuàng)造圖片、分享圖片和獲得圖片的途徑越來越方便且多樣，從而出現在互聯網上的圖片也日益增多，除了文字對這些圖片的描述，計算機并不知道圖片的內容，比如某張圖片中是否有葡萄酒瓶，有的話其中葡萄酒是什么品牌的呢？這些都不得而知，除非該圖片有類似的人為的描述，所以，傳統(tǒng)的以關鍵詞的形式并不能很好地匹配到對應的圖片，而讓計算機直接去識別圖片的技術便應運而生，這樣可以使得，即便是事先沒有描述的互聯網圖片，也可以通過識別技術去獲知其中的內容，其中就包括對葡萄酒瓶的檢測和識別。隨著電子商務的發(fā)展，越來越多的商品是在網絡上直接面對消費者，其中也包括葡萄酒。如果能讓計算機知道互聯網中的某張圖片中是否存在葡萄酒瓶，并知道葡萄酒的品牌，那么將更有利于葡萄酒瓶銷售商對葡萄酒的推廣，所以在靜態(tài)圖片中檢測和識別葡萄酒瓶的技術有廣闊的應用前景。

【發(fā)明內容】

[0003]為解決上述技術問題，本發(fā)明提供了一種能提高檢測準確性的基于于AdaBoost框架的靜態(tài)圖片中葡萄酒瓶的檢測方法。
[0004]為實現上述發(fā)明目的，本發(fā)明采用的技術方案是:
[0005]一種靜態(tài)圖片中葡萄酒瓶的檢測方法，包括訓練及檢測兩部分，
[0006]其中，訓練階段的步驟如下:
[0007](I)制作葡萄酒瓶樣本；
[0008](2)樣本特征計算；
[0009](3)訓練聯級分類器；
[0010]檢測階段的步驟如下:
[0011](I)加載待測圖片；
[0012](2)加載葡萄酒瓶分類器；
[0013](3)聯級葡萄酒瓶檢測。
[0014]進一步具體地，訓練階段的步驟如下:
[0015](I)制作葡萄酒瓶樣本:從網絡上采集包含葡萄酒瓶的圖片，并標定葡萄酒瓶所在位置，根據位置信息提取葡萄酒瓶圖像，根據葡萄酒瓶的固有長寬比進行縮放，并通過直方圖均衡化消除光照影響，作為該類葡萄酒瓶的正樣本，采用正樣本圖片其他不含葡萄酒瓶的部位作為負樣本；
[0016](2)樣本特征計算:構造5種不同的矩形特征，每一種矩形特征對應一種Haar特征，該Haar特征定義為對應的矩形區(qū)域像素值的和的帶權值之和，通過積分圖像的方式計算Haar特征；[0017](3)訓練聯級分類器:將每個強分類器及其對應的多個弱分類器串聯起來，形成最終的聯級分類器；
[0018]進一步具體地，檢測階段的步驟如下:
[0019] (I)加載待測圖片:轉為灰度圖并進行直方圖均衡化；
[0020](2)加載葡萄酒瓶分類器:訓練所得分類器數據保存在相應txt文件中，訓練所得分類器數據保存在相應txt文件中，其中數據結構描述為:N個強分類器，第i個強分類器包括強分類器的閾值thi和Iii個弱分類器；其中，第Iii個弱分類器包括弱分類器的閾值Θ」、方向控制器Pj、系數a」；以及該弱分類器所選特征對應的矩形特征信息:矩形的個數MimjOorf)，矩形特征所屬類型typejO，…，4)，每個子矩形的位置信息和權重
[0021]recth = {x,w,h,weight}(jc = I,...,Humj);
[0022](3)聯級葡萄酒瓶檢測:檢測圖像通過所述訓練階段步驟(3)中的強分類器的檢測。
[0023]與現有技術相比，本發(fā)明的有益效果:本發(fā)明通過對在量的葡萄酒瓶樣本，在提取Haar特征的基礎上，用AdaBoost方法訓練得出一個聯級分類器去檢測待測圖片中的葡萄酒瓶，這種方法能直接定位圖片中葡萄酒瓶所在，并不受環(huán)境的影響。
【專利附圖】

【附圖說明】
[0024]圖1為本發(fā)明訓練階段和檢測階段的流程圖；
[0025]圖2為本發(fā)明一種Haar特征圖；
[0026]圖3為本發(fā)明聯級葡萄酒瓶檢測過程的算法圖。
【具體實施方式】
[0027]如圖1所示，一種靜態(tài)圖片中葡萄酒瓶的檢測方法，包括訓練及檢測兩部分。
[0028]訓練階段步驟如下:
[0029](I)制作葡萄酒瓶樣本:從網絡上采集包含葡萄酒瓶的圖片，并標定葡萄酒瓶所在位置，根據位置信息提取葡萄酒瓶圖像，根據葡萄酒瓶的固有長寬比進行縮放，并通過直方圖均衡化消除光照影響，作為該類葡萄酒瓶的正樣本，采用正樣本圖片其他不含葡萄酒瓶的部位作為負樣本；
[0030](2)樣本特征計算:構造5種不同的矩形特征，每一種矩形特征對應一種Haar特征(如圖2所示)，該Haar特征定義為對應的矩形區(qū)域像素值的和的帶權值之和，通過積分圖像的方式計算Haar特征；
[0031]積分圖像定義為,Σ 1^x ’ SAT (x, y)表示原圖像中像素點(X，
y)左上方所有像素值之和，Kx1，Y1 )即表示(X，y)左上方區(qū)域的某個像素值；
[0032]積分圖像SAT(X, y)采用增量方式計算:
[0033]SAT (x, y) = SAT (x, y-1) +SAT (χ-1, y) +I (x, y) -SAT (χ-l, y-1)
[0034]規(guī)定:SAT(_1, y) = SAT(x, -1) = SAT(-1, -1) = 0,那么只需要按行或按列遍歷整張圖像一次，即可計算得對應的積分圖像。而計算原圖中的某個矩形區(qū)域的像素值之和，只要通過矩形的四個頂點位置在積分圖像中查詢得四個值，這四個值的某種加減運算即可等價該矩形區(qū)域的像素值之和；
[0035]Haar特征計算:
[0036]第一種特征:feature{0}= Sum θ -Suma = SumABCD_2.SumEBCF,其中 Sum 白為白色矩形區(qū)域像素值之和，SumsS黑色矩形區(qū)域像素值之和。
[0037]Suhiabcd = SAT (A) +SAT (C) -SAT (B) -SAT (D)
[0038]Suhiebcf = SAT (E) +SAT (C) -SAT (B) -SAT (F)
[0039]第二種特征:feature{l}= SumABCD_2.SumFECD
[0040]SUhifecd = SAT (F) +SAT (C) -SAT (E) -SAT (D)
[0041]第三種特征:feature{2}= SumABCD-3.SumEFGH
[0042]SumLFGH = SAT (E) +SAT (G) -SAT (F) -SAT (H)
[0043]第四種特征:feature{3} = SumABCD-3.SumHEFG
[0044]SumHEFG = SAT (H) +SAT (F) -SAT (E) -SAT (G)
[0045]第五種特征:feature{4} = 311111刪-5111]1麗-5111]1畫
[0046]Suhiebfk = SAT (E) +SAT (F) -SAT (B) -SAT (K)
[0047]Sumffii⑶=SAT (H) +SAT (G) -SAT (K) -SAT (D)
[0048]對輸入的n個樣本計算特征,其中包括m個正樣本和n-mn_m個負樣本,每個樣本有兩個屬性(x，y)，其中X代表該樣本的Haar特征向量f (x)，y代表該樣本的類別，為正樣本是取為1，負樣本時取為-1。
[0049](3)訓練聯級分類器:
[0050]輸入由上個步驟獲得的η個訓練樣本:{(X1, Y1),..., (xm, ym),…(xn, yn)}
[0051]定義弱分類器:
【權利要求】
1.靜態(tài)圖片中葡萄酒瓶的檢測方法，其特征在于:所述檢測方法基于AdaBoost框架，其包括訓練階段和檢測階段。
2.如權利要求1所述的靜態(tài)圖片中葡萄酒瓶的檢測方法，其特征在于所述訓練階段包括: 制作葡萄酒瓶樣本，從網絡上采集包含葡萄酒瓶的圖片，并標定葡萄酒瓶所在位置，根據位置信息提取葡萄酒瓶圖像； 樣本特征計算，構造矩形特征，每一種矩形特征對應一利Haar特征； 訓練聯級分類器，輸入由上個步驟獲得的訓練樣本并進行訓練，最終將訓練得到的強分類及其對應的多個弱分類器串聯起來。
3.如權利要求1所述的靜態(tài)圖片中葡萄酒瓶的檢測方法，其特征在于所述檢測階段包括: 加載待測圖片，轉為灰度圖并進行直方圖均衡化； 加載葡萄酒瓶分類器，包括強、弱分類器的閾值和所選特征對應的矩形特征信息； 聯級葡萄酒瓶檢測，檢測圖像首先通過前面的強分類器的檢測，如果不是葡萄酒瓶圖像，那么會在前端被排除，只有葡萄酒瓶圖像才能最終通過各級強分類器的檢測。
4.如權利要求1所述的靜態(tài)圖片中葡萄酒瓶的檢測方法，其特征在于所述制作葡萄酒瓶樣本步驟為:根據位置信息提取葡萄酒瓶圖像，根據葡萄酒瓶的固有長寬比進行縮放，并通過直方圖均衡化消除光照影響，作為該類葡萄酒瓶的正樣本，采用正樣本圖片其他不含葡萄酒瓶的部位作為負樣本。
5.如權利要求2所述的靜態(tài)圖片中葡萄酒瓶的檢測方法，其特征在于:所述Haar特征定義為對應的矩形區(qū)域像素值的和的帶權值之和，通過積分圖像的方式計算Haar特征；積分圖像SAT(x，y)表示原圖像中像素點(x，y)左上方所有像素值之和，采用增量方式計算，那么只需要按行或按列遍歷整張圖像一次，即可計算得對應的積分圖像；而計算原圖中的某個矩形區(qū)域的像素值之和，只要通過矩形的四個頂點位置在積分圖像中查詢得四個值，這四個值的某種加減運算即可等價該矩形區(qū)域的像素值之和。
6.如權利要求3所述的靜態(tài)圖片中葡萄酒瓶的檢測方法，其特征在于:在設定的訓練次數T下，每次訓練會產生一個強分類器，而這過程中同時有多個弱分類器被選擇，最終然后將每個強分類及其對應的多個弱分類器串聯起來，形成最終的聯級分類器。
【文檔編號】G06K9/62GK103971118SQ201310043266
【公開日】2014年8月6日 申請日期:2013年1月25日 優(yōu)先權日:2013年1月25日
【發(fā)明者】胡楠, 鄒國平 申請人:北京明日時尚信息技術有限公司