一種適用于遮擋條件下的餐盤(pán)形狀識(shí)別方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種適用于遮擋條件下的餐盤(pán)形狀識(shí)別方法，該方法首先利用基于不同弧段迭代的最小二乘法擬合與改進(jìn)DBSCAN和IOSDATA聚類(lèi)算法融合對(duì)相互遮擋的重疊餐盤(pán)目標(biāo)進(jìn)行有效的提取和分離。其次，根據(jù)橢圓中心對(duì)稱(chēng)性質(zhì)對(duì)餐盤(pán)目標(biāo)缺失邊緣進(jìn)行有效的復(fù)原。然后，根據(jù)復(fù)原的邊緣信息和分離得到的餐盤(pán)中心利用最小二乘法擬合檢測(cè)得到遮擋條件下的各個(gè)餐盤(pán)目標(biāo)。最后，獲取各個(gè)餐盤(pán)目標(biāo)完整的幾何特征來(lái)進(jìn)行餐盤(pán)形狀判別。解決了遮擋帶來(lái)的邊緣信息缺失以及目標(biāo)重疊問(wèn)題，能夠有效地對(duì)缺失的邊緣信息進(jìn)行復(fù)原，并且準(zhǔn)確分離重疊餐盤(pán)目標(biāo)，提高了餐盤(pán)識(shí)別的準(zhǔn)確性，并且算法實(shí)現(xiàn)簡(jiǎn)單，運(yùn)算效率高，實(shí)時(shí)性強(qiáng)。
【專(zhuān)利說(shuō)明】
一種適用于遮擋條件下的餐盤(pán)形狀識(shí)別方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明涉及快餐識(shí)別領(lǐng)域，特別是一種適用于遮擋條件下的餐盤(pán)形狀識(shí)別方法。
【背景技術(shù)】
[0002] 隨著現(xiàn)代生活水平的提高，人們的消費(fèi)需求也在不斷發(fā)展，越來(lái)越多的食堂采用 自助選菜、人工結(jié)算、刷卡支付的就餐方式。傳統(tǒng)自助選菜式的食堂，隨著就餐人流量不斷 增長(zhǎng)，在消費(fèi)高峰時(shí)段，結(jié)算處經(jīng)常人滿(mǎn)為患形成"長(zhǎng)龍"。工作人員一般通過(guò)餐盤(pán)形狀和顏 色來(lái)判斷顧客選取的菜品及價(jià)格，考慮到就餐高峰期的人流量和人工勞動(dòng)力的局限，時(shí)常 會(huì)出現(xiàn)工作人員結(jié)算消費(fèi)金額出錯(cuò)，引起不必要的經(jīng)濟(jì)糾紛和損失，降低了服務(wù)水平。隨著 科學(xué)技術(shù)的進(jìn)步，智能化食堂的建設(shè)顯得尤其重要，而餐盤(pán)識(shí)別作為智能化食堂建設(shè)的關(guān) 鍵內(nèi)容，受到越來(lái)越多的關(guān)注。
[0003] 為了能夠有效地通過(guò)計(jì)算機(jī)對(duì)消費(fèi)的菜品進(jìn)行分析，從而優(yōu)化食堂菜品的管理， 推行自助式的智慧餐盤(pán)就具有一定的必要性了。餐盤(pán)自動(dòng)識(shí)別作為食堂的智能化管理中關(guān) 鍵的技術(shù)部分，受到越來(lái)越多的關(guān)注。通過(guò)查找專(zhuān)利和論文發(fā)現(xiàn)，餐盤(pán)識(shí)別有利用RFID射頻 芯片和基于圖像處理兩種方式。這兩種餐盤(pán)識(shí)別方法都可以自動(dòng)識(shí)別餐盤(pán)并獲取相關(guān)數(shù) 據(jù)，識(shí)別無(wú)須人工干預(yù)，操作快捷方便，極大地提升了結(jié)算效率。但是就目前的餐盤(pán)識(shí)別技 術(shù)來(lái)說(shuō)，還存在局限性。RFID餐盤(pán)的使用需要許多的注意事項(xiàng)，安裝使用的成本比較高;基 于圖像的餐盤(pán)識(shí)別目前來(lái)說(shuō)研究較少，精度和準(zhǔn)確度還不高，受外界環(huán)境的影響較大。但是 相對(duì)于RFID餐盤(pán)來(lái)說(shuō)，其成本相對(duì)較小，安裝便捷，在今后的研究和應(yīng)用中，前景更加廣闊。 浙江科技學(xué)院申請(qǐng)的"一種餐飲自動(dòng)結(jié)算系統(tǒng)和方法"（公開(kāi)號(hào)：CN103208156A)，利用餐盤(pán) 最小外接圓與最小外接矩形的比值判斷餐盤(pán)形狀，通過(guò)餐盤(pán)邊緣顏色的Η分量判斷餐盤(pán)顏 色，通過(guò)Η分量顏色和餐盤(pán)形狀來(lái)識(shí)別不同餐盤(pán)，這種方法對(duì)于餐盤(pán)的位置擺放必須有嚴(yán)格 限制，擺放不正或者出現(xiàn)遮擋都無(wú)法識(shí)別餐盤(pán);成都博約創(chuàng)信科技有限責(zé)任公司申請(qǐng)的"一 種基于圖像識(shí)別技術(shù)的結(jié)算方法"（公開(kāi)號(hào)：CN103632463A)利用矩陣的方式進(jìn)行餐盤(pán)價(jià)格 計(jì)算，其中手動(dòng)輸入不同餐盤(pán)單價(jià)矩陣，對(duì)利用圖像處理識(shí)別的餐盤(pán)信息生成消費(fèi)舉證，通 過(guò)整兩個(gè)矩陣的運(yùn)算得到消費(fèi)總額，該專(zhuān)利中并沒(méi)有交待如何通過(guò)圖像處理技術(shù)識(shí)別餐 盤(pán)；上海海事大學(xué)申請(qǐng)的"基于顏色識(shí)別的餐盤(pán)自動(dòng)計(jì)價(jià)方法及其系統(tǒng)"（公開(kāi)號(hào)： CN103971471A)，通過(guò)攝像頭采集餐盤(pán)底部顏色信息來(lái)識(shí)別不同餐盤(pán)進(jìn)行計(jì)價(jià)，這種方法需 要搭建特殊的檢測(cè)平臺(tái)，同時(shí)，在實(shí)際場(chǎng)景中，如果需要采集底部顏色信息就需要將消費(fèi)者 手中的餐盤(pán)放置在專(zhuān)門(mén)的設(shè)備上，增加了結(jié)算時(shí)間，并不能有效提高結(jié)算效率。
[0004] 雖然目前已經(jīng)存在利用圖像處理技術(shù)來(lái)自動(dòng)識(shí)別餐盤(pán)，但是，實(shí)際就餐環(huán)境中，因 餐盤(pán)擺放區(qū)域的限制，圖像中經(jīng)常存在餐盤(pán)目標(biāo)相互遮擋的問(wèn)題，會(huì)造成多個(gè)餐盤(pán)目標(biāo)重 疊為單個(gè)目標(biāo)，或單個(gè)餐盤(pán)目標(biāo)邊緣信息缺失，導(dǎo)致現(xiàn)有的餐盤(pán)識(shí)別方法不能進(jìn)行有效識(shí) 另IJ。因此，如何準(zhǔn)確高效地利用數(shù)字圖像處理技術(shù)在實(shí)際環(huán)境中對(duì)遮擋的餐盤(pán)進(jìn)行自動(dòng)識(shí) 別顯得尤為重要。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的是提出一種適用于遮擋條件下的餐盤(pán)形狀識(shí)別方法，涉及基于圖像 處理技術(shù)的遮擋下的形狀檢測(cè)識(shí)別方法，該方法解決了遮擋條件下餐盤(pán)目標(biāo)邊緣相互連接 導(dǎo)致無(wú)法分離和提取餐盤(pán)目標(biāo)的問(wèn)題，有效地獲取了因遮擋丟失的邊緣信息
[0006] 本發(fā)明的目的是通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn)的：
[0007] 本發(fā)明提供的適用于遮擋條件下的餐盤(pán)形狀識(shí)別方法，包括以下步驟：
[0008] S1:獲取餐盤(pán)圖像；
[0009] S2:利用基于不同弧段迭代的最小二乘法擬合與改進(jìn)DBSCAN和I0SDATA聚類(lèi)算法 融合對(duì)餐盤(pán)圖像中相互遮擋的重疊餐盤(pán)目標(biāo)進(jìn)行有效的提取和分離；
[001 0] S3:根據(jù)橢圓中心對(duì)稱(chēng)性質(zhì)對(duì)餐盤(pán)目標(biāo)缺失邊緣進(jìn)行有效的復(fù)原；
[0011] S4:根據(jù)復(fù)原的邊緣信息和分離得到的餐盤(pán)中心利用最小二乘法擬合檢測(cè)得到遮 擋條件下的各個(gè)餐盤(pán)目標(biāo)；
[0012] S5:獲取各個(gè)餐盤(pán)目標(biāo)完整的幾何特征來(lái)進(jìn)行餐盤(pán)形狀判別。
[0013] 進(jìn)一步，所述步驟S2中的餐盤(pán)目標(biāo)的提取和分離，具體包括以下步驟：
[0014] S21:將餐盤(pán)圖像由彩色三通道的RGB圖像轉(zhuǎn)換為HSV空間的三通道圖，獲取亮度V 通道圖像；
[0015] S22:高斯濾波去除餐盤(pán)圖像中的部分噪聲；
[0016] S23:利用Canny檢測(cè)算子提取圖像邊緣信息并進(jìn)行形態(tài)學(xué)濾波增強(qiáng)邊緣連續(xù)性；
[0017] S24:設(shè)定幾何特征閾值匹配餐盤(pán)最外邊緣輪廓并存儲(chǔ)所有邊緣點(diǎn)信息；
[0018] 進(jìn)一步，所述步驟S3中的餐盤(pán)目標(biāo)缺失邊緣復(fù)原過(guò)程，具體包括以下步驟：
[0019] S31:設(shè)置不同寬度的弧段進(jìn)行最小二乘法迭代擬合獲取橢圓目標(biāo)中心；
[0020] S32:根據(jù)擬合中心分布情況通過(guò)改進(jìn)的DBSCAN和I0SDATA多重聚類(lèi)算法對(duì)擬合中 心進(jìn)行聚類(lèi)；
[0021 ] S33:根據(jù)中心對(duì)稱(chēng)性質(zhì)對(duì)餐盤(pán)邊緣信息和聚類(lèi)中心獲取缺失邊緣信息。
[0022]進(jìn)一步，所述步驟S4中的遮擋餐盤(pán)目標(biāo)分離過(guò)程，具體包括以下步驟：
[0023] S41:判斷對(duì)應(yīng)弧段擬合的橢圓中心是否落入聚類(lèi)中心設(shè)定閾值范圍，如果滿(mǎn)足該 弧段視為目標(biāo)中心邊緣信息；
[0024] S42:根據(jù)聚類(lèi)中心對(duì)應(yīng)的邊緣信息進(jìn)行最小二乘法擬合，獲取橢圓餐盤(pán)目標(biāo)。
[0025]進(jìn)一步，所述步驟S5中的餐盤(pán)形狀判別，具體包括以下步驟：
[0026] S51:依次提取餐盤(pán)目標(biāo)的幾何特征；
[0027] S52:獲取餐盤(pán)目標(biāo)的面積、周長(zhǎng)和長(zhǎng)寬比；
[0028] S53:根據(jù)面積閾值、周長(zhǎng)閾值和長(zhǎng)寬比閾值判別餐盤(pán)目標(biāo)類(lèi)型。
[0029] 由于采用了上述技術(shù)方案，本發(fā)明具有如下的優(yōu)點(diǎn)：
[0030] 本發(fā)明提供的基于缺失邊緣信息復(fù)原的遮擋餐盤(pán)形狀識(shí)別方法，利用較完整的邊 緣信息擬合并分離出相互遮擋的餐盤(pán)目標(biāo)進(jìn)行識(shí)別的方法;該方法利用基于不同弧段迭代 的最小二乘法擬合與改進(jìn)DBSCAN和I0SDATA聚類(lèi)算法融合對(duì)相互遮擋的重疊餐盤(pán)目標(biāo)進(jìn)行 有效的提取和分離。其次，根據(jù)橢圓中心對(duì)稱(chēng)性質(zhì)對(duì)餐盤(pán)目標(biāo)缺失邊緣進(jìn)行有效的復(fù)原。然 后，根據(jù)復(fù)原的邊緣信息和分離得到的餐盤(pán)中心利用最小二乘法擬合檢測(cè)得到遮擋條件下 的各個(gè)餐盤(pán)目標(biāo)。最后，獲取各個(gè)餐盤(pán)目標(biāo)完整的幾何特征來(lái)進(jìn)行餐盤(pán)形狀判別。解決了遮 擋帶來(lái)的邊緣信息缺失以及目標(biāo)重疊問(wèn)題，能夠有效地對(duì)缺失的邊緣信息進(jìn)行復(fù)原，并且 準(zhǔn)確分離重疊餐盤(pán)目標(biāo)，提高了餐盤(pán)識(shí)別的準(zhǔn)確性，并且算法實(shí)現(xiàn)簡(jiǎn)單，運(yùn)算效率高，實(shí)時(shí) 性強(qiáng)。
[0031] 本發(fā)明的其他優(yōu)點(diǎn)、目標(biāo)和特征在某種程度上將在隨后的說(shuō)明書(shū)中進(jìn)行闡述，并 且在某種程度上，基于對(duì)下文的考察研究對(duì)本領(lǐng)域技術(shù)人員而言將是顯而易見(jiàn)的，或者可 以從本發(fā)明的實(shí)踐中得到教導(dǎo)。本發(fā)明的目標(biāo)和其他優(yōu)點(diǎn)可以通過(guò)下面的說(shuō)明書(shū)來(lái)實(shí)現(xiàn)和 獲得。
【附圖說(shuō)明】
[0032] 本發(fā)明的【附圖說(shuō)明】如下。
[0033]圖1為餐盤(pán)識(shí)別算法流程圖。
[0034]圖2為餐盤(pán)拍攝平臺(tái)示意圖。
[0035]圖3為餐盤(pán)目標(biāo)的幾何特征匹配自動(dòng)識(shí)別流程圖。
【具體實(shí)施方式】
[0036]下面結(jié)合附圖和實(shí)施例對(duì)本發(fā)明作進(jìn)一步說(shuō)明。
[0037] 實(shí)施例1
[0038]如圖所示，本實(shí)施例提供的適用于遮擋條件下的餐盤(pán)形狀識(shí)別方法，包括以下步 驟：
[0039] S1:獲取餐盤(pán)圖像；
[0040] S2:利用基于不同弧段迭代的最小二乘法擬合與改進(jìn)DBSCAN和I0SDATA聚類(lèi)算法 融合對(duì)餐盤(pán)圖像中相互遮擋的重疊餐盤(pán)目標(biāo)進(jìn)行有效的提取和分離;具體包括以下步驟： [0041 ] S21:將餐盤(pán)圖像由彩色三通道的RGB圖像轉(zhuǎn)換為HSV空間的三通道圖，獲取亮度V 通道圖像；
[0042] S22:高斯濾波去除餐盤(pán)圖像中的部分噪聲；
[0043] S23:利用Canny檢測(cè)算子提取圖像邊緣信息并進(jìn)行形態(tài)學(xué)濾波增強(qiáng)邊緣連續(xù)性；
[0044] S24:設(shè)定幾何特征閾值匹配餐盤(pán)最外邊緣輪廓并存儲(chǔ)所有邊緣點(diǎn)信息；
[0045] S3:根據(jù)橢圓中心對(duì)稱(chēng)性質(zhì)對(duì)餐盤(pán)目標(biāo)缺失邊緣進(jìn)行有效的復(fù)原；具體包括以下 步驟：
[0046] S31:設(shè)置不同寬度的弧段進(jìn)行最小二乘法迭代擬合獲取橢圓目標(biāo)中心；
[0047] S32:根據(jù)擬合中心分布情況通過(guò)改進(jìn)的DBSCAN和I0SDATA多重聚類(lèi)算法對(duì)擬合中 心進(jìn)行聚類(lèi)；
[0048] S33:根據(jù)中心對(duì)稱(chēng)性質(zhì)對(duì)餐盤(pán)邊緣信息和聚類(lèi)中心獲取缺失邊緣信息。
[0049] S4:根據(jù)復(fù)原的邊緣信息和分離得到的餐盤(pán)中心利用最小二乘法擬合檢測(cè)得到遮 擋條件下的各個(gè)餐盤(pán)目標(biāo);具體包括以下步驟：
[0050] S41:判斷對(duì)應(yīng)弧段擬合的橢圓中心是否落入聚類(lèi)中心設(shè)定閾值范圍，如果滿(mǎn)足該 弧段視為目標(biāo)中心邊緣信息；
[0051] S42:根據(jù)聚類(lèi)中心對(duì)應(yīng)的邊緣信息進(jìn)行最小二乘法擬合，獲取橢圓餐盤(pán)目標(biāo)。
[0052] S5:獲取各個(gè)餐盤(pán)目標(biāo)完整的幾何特征來(lái)進(jìn)行餐盤(pán)形狀判別，具體包括以下步驟：
[0053] S51:依次提取餐盤(pán)目標(biāo)的幾何特征；
[0054] S52:獲取餐盤(pán)目標(biāo)的面積、周長(zhǎng)、長(zhǎng)寬比；
[0055] S53:根據(jù)面積閾值、周長(zhǎng)閾值、長(zhǎng)寬比閾值判別餐盤(pán)目標(biāo)類(lèi)型。
[0056] 實(shí)施例2
[0057] 本實(shí)施例通過(guò)攝像頭獲取餐盤(pán)原始圖像。當(dāng)前圖像可以由攝像機(jī)或者攝像頭進(jìn)行 拍攝獲取。為更好獲取固定視角圖片，給出了餐盤(pán)拍攝平臺(tái)示意圖，如圖2所示，圖2為餐盤(pán) 拍攝平臺(tái)不意圖；圖2中拍攝沮圍的長(zhǎng)尾48.5厘米，寬為37厘米;攝像頭距尚拍攝沮圍的距 離為43厘米。
[0058]步驟一:對(duì)亮度圖像進(jìn)行邊緣檢測(cè)，獲取完整的餐盤(pán)邊緣信息，主要包括以下幾個(gè) 方面：
[0059] 2)彩色三通道的RGB圖像轉(zhuǎn)換HSV空間的三通道圖，獲取亮度V通道圖像；
[0060] 3)對(duì)亮度圖進(jìn)行利用Gauss函數(shù)對(duì)圖像濾波去除圖像噪聲，平滑圖像；
[0061]
[0062] 其中，g[i，j]表示高斯核函數(shù)的值，i表示空間中任意一點(diǎn)，j表示高斯核函數(shù)的中 心點(diǎn)。
[0063] 4)采用雙閾值的Canny算法檢測(cè)邊緣，凡是邊緣強(qiáng)度小于低閾值的像素點(diǎn)一定不 是邊緣特征點(diǎn);邊緣強(qiáng)度介于低閾值和高閾值之間的像素點(diǎn)，則要看其鄰接像素中是否有 超過(guò)高閾值的像素點(diǎn)，若有，則該像素是邊緣特征，反之，則該像素點(diǎn)不是邊緣特征點(diǎn)。
[0064] 5)進(jìn)行形態(tài)學(xué)濾波增強(qiáng)邊緣的連續(xù)性；
[0065] 6)查找最外邊緣輪廓，設(shè)置邊緣長(zhǎng)度和面積閾值消除干擾邊緣；
[0066] 7)存儲(chǔ)所有有效邊緣點(diǎn)信息。
[0067] 步驟二:根據(jù)中心對(duì)稱(chēng)性質(zhì)對(duì)已有邊緣信息進(jìn)行缺失邊緣信息復(fù)原，主要包括以 下幾個(gè)方面：
[0068] 1)在獲取的N個(gè)邊緣點(diǎn)信息中選取m個(gè)像素點(diǎn)和112個(gè)像素點(diǎn)為寬度的弧段進(jìn)行最 小二乘法的橢圓擬合，其中m辛n2，其中每次選取的m個(gè)點(diǎn)分別是：
[0069] 1~m，2~m+1，···N-ru+l~N,…，N~ru-l，一共進(jìn)行N次最小二乘法擬合，得到N個(gè) 圓心;其中，η的取值至少是5，因?yàn)樽钚《藬M合橢圓至少需要5個(gè)邊緣點(diǎn)信息；
[0070] 2)創(chuàng)建一個(gè)與圖像大小一致的累加陣列用來(lái)存放擬合得到的橢圓中心位置，每進(jìn) 行一次橢圓擬合得到的橢圓中心，依照中心在圖像中的坐標(biāo)位置(Xi，yi)就在該陣列相對(duì)應(yīng) 的xi行yi列處累加一個(gè)基本單位。
[0071] 3)利用灰度圖反映累加陣列的結(jié)果，其中，累加陣列的一個(gè)基本單位等同于單位 灰度值，相應(yīng)的擬合橢圓中心在灰度圖中對(duì)應(yīng)坐標(biāo)位置的像素值就是其在累加陣列中被累 加的次數(shù)。值得注意的是，灰度圖的像素最大值為255,超過(guò)255次累加的擬合橢圓中心在灰 度圖中的灰度值表示為255。
[0072] 4)擬合橢圓中心灰度圖進(jìn)行的二值化處理，設(shè)置一個(gè)閾值T，如果灰度圖中某一點(diǎn) 的像素值高于閾值T，則灰度值置為255，否則置為0。得到一張更接近實(shí)際橢圓中心分布的 灰度圖。
[0073] 5)對(duì)擬合橢圓中心進(jìn)行DBSCAN和I0SDATA聚類(lèi)，獲取實(shí)際橢圓中心點(diǎn)Centen， Center〗…Centeri。具體過(guò)程如下；
[0074]①計(jì)算每一個(gè)圓心點(diǎn)的局部密度pjP高于該點(diǎn)密度的最小距離。
[0075] 局部密度定義公式
[0076] 其中，當(dāng)dij-dc<0，x(dij-dc) = 1，否則x(dij-dc) =0。這里dij為該點(diǎn)i至I」其他點(diǎn)j之 間的距離，dc是一個(gè)截?cái)嗑嚯x，即設(shè)置為所有點(diǎn)的相互距離中由小到大排列占總數(shù)2%的位 置距離數(shù)值。
[0077] 距離定義公式
[0078] 其中，比i點(diǎn)密度高的所有點(diǎn)的最近距離表示δ,。對(duì)于最大密度的點(diǎn)其為所有點(diǎn)與 點(diǎn)距離的最大值5i=maxj(dij) 〇
[0079] ②將所有點(diǎn)的密度值按照由高到低排列，設(shè)置閾值δηιη和pmin，如果同時(shí)滿(mǎn)足Pl> Pmin和δi > 5min，則判斷為聚類(lèi)中心點(diǎn)。
[0080] ③設(shè)置聚類(lèi)分析控制參數(shù)，主要包括:期望聚類(lèi)數(shù)K;每個(gè)聚類(lèi)中最少樣本數(shù)ΘΝ，一 個(gè)聚類(lèi)域中樣本距離分布的標(biāo)準(zhǔn)差θ8;兩聚類(lèi)中心之間的最小距離Θ。，可以合并的聚類(lèi)中心 的最多對(duì)數(shù)L，允許迭代的次數(shù)I。
[0081] ④利用相似度準(zhǔn)則進(jìn)行聚類(lèi)分析，自適應(yīng)的進(jìn)行聚類(lèi)的合并與分裂。
[0082]⑤由于IS0DATA算法作為無(wú)監(jiān)督學(xué)習(xí)算法，經(jīng)過(guò)設(shè)定的迭代次數(shù)得到合理的聚類(lèi) 結(jié)果，同時(shí)它能夠汲取獲得過(guò)程中的經(jīng)驗(yàn)，利用在之后的迭代過(guò)程，最終可以獲得理想的聚 類(lèi)中心，即實(shí)際餐盤(pán)圖像中橢圓餐盤(pán)的目標(biāo)中心。
[0083] 6)通過(guò)聚類(lèi)中心和部分邊緣信息利用中心對(duì)稱(chēng)的性質(zhì)獲取對(duì)稱(chēng)的邊緣信息；
[0084] 橢圓中心對(duì)稱(chēng)幾何性質(zhì)：如果Pi(xi，yi)、Pi'（Xi'，yi'）是以Po(xo，y())中心對(duì)稱(chēng)的兩 個(gè)點(diǎn)，則其坐標(biāo)滿(mǎn)足下式：
[0085]
[0086] 其中，Pi(xi，yi)表示橢圓中心點(diǎn);Pi'（Xi'，yi'）與Po(XQ，y())表示橢圓邊緣上中心對(duì) 稱(chēng)的任意兩點(diǎn)；
[0087] 因此，根據(jù)上式可以求的中心對(duì)稱(chēng)邊緣坐標(biāo)P, '（Xl '，yi '）：
[0088]
[0089] 步驟三:利用中心距離閾值進(jìn)行遮擋餐盤(pán)目標(biāo)分離，主要包括以下幾個(gè)方面：
[0090] 1)判斷對(duì)應(yīng)弧段擬合的橢圓中心是否落入聚類(lèi)中心設(shè)定閾值范圍，如果滿(mǎn)足該弧 段視為目標(biāo)中心邊緣信息；
[0091] 2)根據(jù)聚類(lèi)中心對(duì)應(yīng)的邊緣信息進(jìn)行最小二乘法擬合，獲取橢圓餐盤(pán)目標(biāo)；
[0092] 步驟四：餐盤(pán)目標(biāo)形狀識(shí)別，主要包括以下幾個(gè)方面：
[0093] 1)依次提取餐盤(pán)目標(biāo)的幾何特征；
[0094] 2)獲取餐盤(pán)目標(biāo)的面積、周長(zhǎng)、長(zhǎng)寬比；
[0095] 3)根據(jù)面積閾值、周長(zhǎng)閾值、長(zhǎng)寬比閾值判別餐盤(pán)目標(biāo)類(lèi)型；
[0096] 根據(jù)分離提取的每一個(gè)餐盤(pán)目標(biāo)結(jié)果，利用餐盤(pán)目標(biāo)的幾何特征匹配來(lái)進(jìn)行餐盤(pán) 形狀的自動(dòng)識(shí)別。對(duì)不同類(lèi)型的餐盤(pán)采樣設(shè)定出面積和周長(zhǎng)閾值，通過(guò)對(duì)目標(biāo)餐盤(pán)的面積、 周長(zhǎng)進(jìn)行閾值范圍內(nèi)的判別識(shí)別形狀，具體流程圖如圖3所示。
[0097]最后說(shuō)明的是，以上實(shí)施例僅用以說(shuō)明本發(fā)明的技術(shù)方案而非限制，盡管參照較 佳實(shí)施例對(duì)本發(fā)明進(jìn)行了詳細(xì)說(shuō)明，本領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解，可以對(duì)本發(fā)明的技 術(shù)方案進(jìn)行修改或者等同替換，而不脫離本技術(shù)方案的宗旨和范圍，其均應(yīng)涵蓋在本發(fā)明 的權(quán)利要求范圍當(dāng)中。
【主權(quán)項(xiàng)】
1. 一種適用于遮擋條件下的餐盤(pán)形狀識(shí)別方法，其特征在于:包括以下步驟： S1:獲取餐盤(pán)圖像； S2:利用基于不同弧段迭代的最小二乘法擬合與改進(jìn)DBSCAN和IOSDATA聚類(lèi)算法融合 對(duì)餐盤(pán)圖像中相互遮擋的重疊餐盤(pán)目標(biāo)進(jìn)行有效的提取和分離； S3:根據(jù)橢圓中心對(duì)稱(chēng)性質(zhì)對(duì)餐盤(pán)目標(biāo)缺失邊緣進(jìn)行有效的復(fù)原； S4:根據(jù)復(fù)原的邊緣信息和分離得到的餐盤(pán)中心利用最小二乘法擬合檢測(cè)得到遮擋條 件下的各個(gè)餐盤(pán)目標(biāo)； S5:獲取各個(gè)餐盤(pán)目標(biāo)完整的幾何特征來(lái)進(jìn)行餐盤(pán)形狀判別。2. 如權(quán)利要求1所述的適用于遮擋條件下的餐盤(pán)形狀識(shí)別方法，其特征在于:所述步驟 S2中的餐盤(pán)目標(biāo)的提取和分離，具體包括以下步驟： S21:將餐盤(pán)圖像由彩色三通道的RGB圖像轉(zhuǎn)換為HSV空間的三通道圖，獲取亮度V通道 圖像； S22:高斯濾波去除餐盤(pán)圖像中的部分噪聲； S23:利用Canny檢測(cè)算子提取圖像邊緣信息并進(jìn)行形態(tài)學(xué)濾波增強(qiáng)邊緣連續(xù)性； S24:設(shè)定幾何特征閾值匹配餐盤(pán)最外邊緣輪廓并存儲(chǔ)所有邊緣點(diǎn)信息。3. 如權(quán)利要求1所述的適用于遮擋條件下的餐盤(pán)形狀識(shí)別方法，其特征在于:所述步驟 S3中的餐盤(pán)目標(biāo)缺失邊緣復(fù)原過(guò)程，具體包括以下步驟： S31:設(shè)置不同寬度的弧段進(jìn)行最小二乘法迭代擬合獲取橢圓目標(biāo)中心； S32:根據(jù)擬合中心分布情況通過(guò)改進(jìn)的DBSCAN和IOSDATA多重聚類(lèi)算法對(duì)擬合中心進(jìn) 行聚類(lèi)； S33:根據(jù)中心對(duì)稱(chēng)性質(zhì)對(duì)餐盤(pán)邊緣信息和聚類(lèi)中心獲取缺失邊緣信息。4. 如權(quán)利要求1所述的適用于遮擋條件下的餐盤(pán)形狀識(shí)別方法，其特征在于:所述步驟 S4中的遮擋餐盤(pán)目標(biāo)分離過(guò)程，具體包括以下步驟： S41:判斷對(duì)應(yīng)弧段擬合的橢圓中心是否落入聚類(lèi)中心設(shè)定閾值范圍，如果滿(mǎn)足該弧段 視為目標(biāo)中心邊緣信息； S42:根據(jù)聚類(lèi)中心對(duì)應(yīng)的邊緣信息進(jìn)行最小二乘法擬合，獲取橢圓餐盤(pán)目標(biāo)。5. 如權(quán)利要求1所述的適用于遮擋條件下的餐盤(pán)形狀識(shí)別方法，其特征在于:所述步驟 S5中的餐盤(pán)形狀判別，具體包括以下步驟： S51:依次提取餐盤(pán)目標(biāo)的幾何特征； S52:獲取餐盤(pán)目標(biāo)的面積、周長(zhǎng)和長(zhǎng)寬比； S53:根據(jù)面積閾值、周長(zhǎng)閾值和長(zhǎng)寬比閾值判別餐盤(pán)目標(biāo)類(lèi)型。
【文檔編號(hào)】G06T7/00GK105976407SQ201610338486
【公開(kāi)日】2016年9月28日
【申請(qǐng)日】2016年5月20日
【發(fā)明人】孫棣華, 趙敏, 陳麗
【申請(qǐng)人】重慶大學(xué)