堆糧高度線的檢測方法和裝置的制造方法
【技術領域】
[0001] 本發(fā)明涉及智能糧食倉儲管理領域，尤其涉及一種堆糧高度線的檢測方法和裝 置。
【背景技術】
[0002] 糧食倉儲管理的自動化水平目前仍有待提升。堆糧高度測量、糧食出入倉信息記 錄等都依賴人工完成，阻礙了糧食物流組織化程度的發(fā)展。堆糧高度線，也稱存糧線，是堆 糧高度測量和控制、糧食出入倉檢測等的重要參考標志線，其位置的檢測對糧倉智能監(jiān)控 和監(jiān)管有重要作用。
[0003] 堆糧高度線有特定的顏色和形狀，一般為水平涂刷在墻壁上的固定寬度的深紅色 長條。但是，糧倉環(huán)境中燈光昏暗且光源較多，導致堆糧高度線在圖像中的顏色變化較大， 基于顏色空間建模的堆糧高度線的檢測結果的漏檢率和誤檢率都較高。另外，堆糧高度線 常常緊鄰倉頂、墻面和糧食的分界線、糧面走道板等，類似形狀的目標較多。并且，糧面、走 道板等相對位置不固定，屋頂高度離堆糧高度線沒有固定距離，所以堆糧高度線在水平邊 緣特征上不具有唯一性。
[0004] 顏色空間模型是對圖像中顏色進行建模和分析的常用方法，基于膚色的人臉檢測 就是顏色空間模型的典型應用。Hough變換是一種可用于檢測直線、圓等特定形狀的模式識 別方法。目前還沒有結合顏色空間模型和形狀對堆糧高度線進行檢測的有效手段。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明的實施例提供了一種堆糧高度線的檢測方法和裝置，以實現(xiàn)結合顏色空間 模型和形狀對堆糧高度線進行有效的檢測。
[0006] 本發(fā)明提供了如下方案：
[0007] -種堆糧高度線的檢測方法，包括：
[0008] 通過攝像機采集堆糧高度線的訓練圖像，基于所述訓練圖像組成訓練樣本集；
[0009] 提取所述訓練樣本集中的每幅訓練圖像中的每個像素點的顏色空間特征，用EM 算法訓練所有的顏色空間特征得到混合高斯模型；
[0010] 計算待檢圖像中的每個像素點的顏色空間特征相對于所述混合高斯模型的后驗 概率值，得到概率圖像；
[0011] 根據(jù)所述待檢圖像的灰度圖像和所述概率圖像，通過Hough變換分別得到堆糧高 度線上邊緣的備選集合和下邊緣的備選集合；
[0012] 從所述堆糧高度線上邊緣的備選集合、下邊緣的備選集合配對得到待檢圖像中的 堆糧高度線的位置。
[0013] 所述的通過攝像機采集堆糧高度線的訓練圖像，基于所述訓練圖像組成訓練樣本 集，包括：
[0014] 在不同時間段通過攝像機對需要檢測堆糧高度線的墻面進行多次拍照，得到多個 訓練圖像，將所有訓練圖像組成訓練樣本集；
[0015] 在每幅訓練圖像中，選擇出堆糧高度線內(nèi)的若干個像素點，用泛洪填充算法找出 每幅訓練圖像中所選像素點的鄰近點，所述鄰近點與所選像素點的像素值之間的差值在指 定數(shù)值范圍內(nèi)，將所述鄰近點和所選像素點一起加入到所述訓練樣本集中。
[0016] 所述的提取訓練樣本集中的每幅訓練圖像中的每個像素點的顏色空間特征，用EM 算法訓練所有的顏色空間特征得到混合高斯模型，包括：
[0017] 對于訓練樣本集中的每幅訓練圖像中的任意一個像素點，設其RGB值分別為
R，G，B，該像素點的顏色空間特征為 對于訓練樣本集中的 ， 每幅訓練圖像中的每個像素點，分別提取其顏色空間特征；
[0018] 以所有像素點的顏色空間特征作為訓練數(shù)據(jù)，用最大期望算法EM算法訓練所述 訓練數(shù)據(jù)得到一個混合高斯模型GMM，記為模型?
[0019]所述模型〇包含M個分量，每個分量包含3種參數(shù)（Wi,iii,D，i=l.. .M，Wi表 不第i個分量的權值，y i表不第i個分量的均值，2 i表不第i個分量的方差。
[0020] 所述的計算待檢圖像中的每個像素點的顏色空間特征相對于所述混合高斯模型 的后驗概率值，得到概率圖像，包括：
[0021] 拍攝出堆糧高度線的待檢圖像，對所述待檢圖像中的每個像素點，提取該像素點 的顏色空間特征X，計算所述顏色空間特征x相對于模型?的后驗概率值為：
[0023] 其中，g是高斯密度函數(shù)。
[0024] 生成所述待檢圖像對應的灰度圖像，該灰度圖像中的每個像素點的像素值為所述 待檢圖像中的相同位置的像素點的所述后驗概率值，對所述灰度圖像進行腐蝕膨脹，得到 概率圖像。
[0025] 所述的根據(jù)所述待檢圖像的灰度圖像和所述概率圖像，通過Hough變換分別得到 堆糧高度線上邊緣的備選集合和下邊緣的備選集合，包括：
[0026] 用Canny邊緣檢測算法對所述待檢圖像對應的灰度圖像進行邊緣檢測，得到圖像 C；
[0027] 用預先設定的索貝爾Sobel算子對所述概率圖像進行卷積，得到圖像S，將圖像S 中負值設為0后的圖像作為圖像S+ ;將圖像S中正值設為0、負值取反后的圖像作為圖像S-，將圖像S+與圖像C逐點相乘，得到圖像H+，將圖像S-與圖像C逐點相乘，得到圖像H-;
[0028] 對圖像H+進行基于線段檢測算法的Hough變換，將Hough變換后獲得的線段記為 堆糧高度線上邊緣的備選集合；對圖像H-進行基于線段檢測算法的Hough變換，將Hough 變換后獲得的線段記為堆糧高度線下邊緣的備選集合。
[0029] 所述的從堆糧高度線上邊緣的備選集合、下邊緣的備選集合配對得到待檢圖像中 的堆糧高度線的位置，包括：
[0030] 在堆糧高度線上邊緣和下邊緣的備選集合中，將小于堆糧高度線長度的經(jīng)驗閾值 L的線段去掉；
[0031] 將堆糧高度線的上邊緣備選集合中的第i個線段和下邊緣備選集合中的第j個線 段的長度之差記為dji,j),夾角記為ds(i,j),中點連線長度記為dM(i,j);
[0032] 則堆糧高度線的上下邊緣由下式確定：
[0033] (m,n) =argmini；j-a|dL(i,j) |+b|ds(i,j) |+c|dM(i,j)-w
[0034] 其中，堆糧高度線的上邊緣為所述上邊緣備選集合中的第m個線段，堆糧高度線 的下邊緣為所述下邊緣備選集合中的第n個線段，w為堆糧高度線的經(jīng)驗寬度，a，b，c為設 定的權值，在m和n確定之后，將所述上邊緣備選集合中的第m個線段作為堆糧高度線的上 邊緣，將所述下邊緣備選集合中的第n個線段作為堆糧高度線的下邊緣，堆糧高度線的上 邊緣的左右端點和下邊緣的左右端點圍成的四邊形區(qū)域，作為堆糧高度線在所述待檢圖像 中的位置。
[0035] 一種堆糧高度線的檢測裝置，包括：
[0036] 訓練樣本集構造模塊，用于通過攝像機采集堆糧高度線的訓練圖像，基于所述訓 練圖像組成訓練樣本集；
[0037] 混合高斯模型構造模塊，用于提取所述訓練樣本集中的每幅訓練圖像中的每個像 素點的顏色空間特征，用EM算法訓練所有的顏色空間特征得到混合高斯模型；
[0038] 概率圖像獲取模塊，用于計算待檢圖像中的每個像素點的顏色空間特征相對于所 述混合高斯模型的后驗概率值，得到所述概率圖像；
[0039] 上、下邊緣備選集合獲取模塊，用于根據(jù)所述待檢圖像的灰度圖像和所述概率圖 像，通過Hough變換分別得到堆糧高度線上邊緣的備選集合和下邊緣的備選集合；
[0040] 堆糧高度線確定模塊，用于從所述堆糧高度線上邊緣的備選集合、下邊緣的備選 集合配對得到待檢圖像中的堆糧高度線的位置。
[0041] 所述的訓練樣本集構造模塊，具體用于在不同時間段通過攝像機對需要檢測堆糧 高度線的墻面進行多次拍照，得到多個訓練圖像，將所有訓練圖像組成訓練樣本集；
[0042] 在每幅訓練圖像中，選擇出堆糧高度線內(nèi)的若干個像素點，用泛洪填充算法找出 每幅訓練圖像中所選像素點的鄰近點，所述鄰近點與所選像素點的像素值之間的差值在指 定數(shù)值范圍內(nèi)，將所述鄰近點和所選像素點一起加入到所述訓練樣本集中。
[0043] 混合高斯模型構造模塊，用于對于訓練樣本集中的每幅訓練圖像中 的任意一個像素點，設其RGB值分別為R，G，B，該像素點的顏色空間特征為
對于訓練樣本集中的每幅訓練圖像中的每個像素點，分 別提取其顏色空間特征；
[0044] 以所有像素點的顏色空間特征作為訓練數(shù)據(jù)，用最大期望算法EM算法訓練所述 訓練數(shù)據(jù)得到一個混合高斯模型GMM，記為模型? ;
[0045] 所述模型〇包含M個分量，每個分量包含3種參數(shù)（Wi,iii, 2 )，i=l.. .M，Wi表 不第i個分量的權值，y i表不第i個分量的均值，2 i表不第i個分量的方差。
[0046] 概率圖像獲取模塊，用于拍攝出堆糧高度線的待檢圖像，對待檢圖像中的每個像 素點，提取該像素點的顏色空間特征X，計算所述顏色空間特征x相對于模型?的后驗概率 值為：
[0048] 其中，g是高斯密度函數(shù)。
[0049] 生成所述待檢圖像對應的灰度圖像，該灰度圖像中的每個像素點的像素值為待檢 圖像中的相同位置的像素點的所述后驗概率值，對所述灰度圖像進行腐蝕膨脹，得到概率 圖像。