(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210935073.4 (22)申请日 2022.08.05 (71)申请人 铸海科技 （苏州） 有限公司 地址 215000 江苏省苏州市吴中区木渎镇 珠江南路888号科技创业园2号楼2310 室 (72)发明人 翟石磊　王杰　姜贵轩　孙安玉　 陈旺　 (74)专利代理 机构 南京经纬专利商标代理有限 公司 32200 专利代理师 曹毅 (51)Int.Cl. G06V 10/762(2022.01) G06V 10/764(2022.01) G06V 10/30(2022.01)G06V 10/26(2022.01) G06V 10/34(2022.01) G06V 10/36(2022.01) G06V 10/82(2022.01) G06N 3/04(2006.01) (54)发明名称 一种基于机器视觉的复杂特征目标的识别 与分类方法 (57)摘要 本发明是一种基于机器视觉的复杂特征目 标的识别与分类方法， 该方法采用基于复合特征 的目标识别算法与卷积神经网络相结合的方法， 实现在复杂背景中对复杂特征目标经行快速识 别与分类， 具有良好的通用性， 在目标检测与分 类过程中引入了机器学习与 深度学习算法， 将目 标识别准确率尽可能提高， 并大幅度增加提升算 法的效率。 权利要求书2页 说明书5页 附图1页 CN 115439675 A 2022.12.06 CN 115439675 A 1.一种基于机器视觉的复杂特征目标的识别与分类方法， 其特征在于， 该方法包括以 下步骤： 步骤S1： 对图像预处 理， 去噪和对光照不均的图像进行亮度补偿； 步骤S2： 采用基于复合特征的目标识别算法， 进行图像阈值分割， 划分得到的子集形成 与实景目标对应的区域， 降低或消除图像噪声污染， 去除非边缘的像素点集， 只保留部 分候 选边缘， 并采用高低阈值进行阈值滞后； 步骤S3： 进行图像聚类， 实现对特 征的高效标注； 步骤S4： 进行目标识别， 实现对特 征的识别与分类， 达 到目标检测目的。 2.根据权利要求1所述的基于机器视觉的复杂特征目标的识别与分类方法， 其特征在 于， 所述步骤S1中， 图像预处理方法为： 先对图像进行高斯滤波去噪， 并对处理后的图像进 行局部处 理进行不均匀光照补偿； 其中， 高斯滤波去噪是采用二维零均值的离散 高斯函数作为平滑滤波器， 并设定三 次高斯滤 波， 二维高斯 函数为： ， 式中， 为数值方差； 图像经过三次高斯滤波去噪后， 对处理后的图像进行局部处理进行不均匀光照补偿， 将源图像划分为N  x M个子块区域， 并计算出每个子块的平均灰度值， 得到源图像的子块亮 度矩阵， 采用三次内插法将子块亮度差值矩阵放大至源图像大小得到原图像的亮度分布矩 阵， 最后将原图像与亮度分布 矩阵相减， 从而得到去除光照不均后的图像。 3.根据权利要求2所述的基于机器视觉的复杂特征目标的识别与分类方法， 其特征在 于， 所述步骤S2中， 基于复合特 征的目标识别算法包括如下步骤： 步骤S201： 图像阈值分割， 对图像 中像素集合根据灰度等级进行划分， 划分得到的子集 形成与实景目标对应的区域： ， 式中， T为设定的灰度值阈值； 步骤S202： 采用高斯平滑滤波器降低或消除图像噪声污染， 记 为输入图像， 高斯 函数定义为： ， 式中式中 为数值方差， 高斯平滑输出图像为： ； 步骤S203： 计算出梯度幅值和方向， 对非极大值进行抑制， 去除非边缘的像素点集， 只 保留部分候选边 缘； 步骤S204： 采用高低阈值进行阈值滞后， 其具体方法为： 如果图像 中某像素位置的幅值 大于设定的高阈值， 则该像素被保留成边缘像素； 如果像素位置的幅值小于 设定的低阈值, 则该像素不被标识为边缘像素； 如果像素位置的幅值介于高低阈值之间,则该像素只能在 其有连接 到一个大于高 阈值的像素时被保留成边 缘像素。 4.根据权利要求3所述的基于机器视觉的复杂特征目标的识别与分类方法， 其特征在 于， 所述步骤S3中， 图像聚类的方法包括如下步骤： 步骤S301： 随机选择K个中心点； 步骤S302： 把每个数据点分配到 离它最近的中心点；权　利　要　求　书 1/2 页 2 CN 115439675 A 2步骤S303： 重新计算每 类中的点到该类中心点距离的平均值； 步骤S304： 分配每个数据到它最近的中心点； 步骤S305： 重复步骤S303和步骤S304， 直到所有的观测值不再被分配或是达到最大的 迭代次数。 5.根据权利要求4所述的基于机器视觉的复杂特征目标的识别与分类方法， 其特征在 于， 所述步骤S3中， 目标识别的算法包括如下步骤： 步骤S401： 预先设置不同长宽的锚框， 同时， 使用tx,ty来表示预测 物体位置， 使用tw,th 来表示预测物体尺寸； 步骤S402： 找到与检测物体形状最接 近的锚框与物体包围矩形的变换； 步骤S403： 采用交叉熵函数计算损失， 假设物体类别标签为y， 神经网络输出值为 ， 则 有： ， 式中， 为损失值； 步骤S404： 采用均方误差 函数计算损失， 假设标注的位置 为 ， 神经网络的输出为 ， 则 有： ， 式中， t*x、 t*y为位置参数， t*w、 t*h为尺寸参数， Lxy为位置参数损失， Lwh为尺寸参数损失； 步骤S405： 每个损失函数分别乘以相应的权重并相加， 便得到网络的代价函数： ， 式中， λ为权 重参数。权　利　要　求　书 2/2 页 3 CN 115439675 A 3