一種基于機(jī)器視覺(jué)的儀表檢測(cè)方法
【專(zhuān)利摘要】本發(fā)明公開(kāi)了一種基于機(jī)器視覺(jué)的儀表檢測(cè)方法，所述儀表檢測(cè)具體為：(1)對(duì)任意輸入圖像，先經(jīng)過(guò)級(jí)聯(lián)Adaboost粗檢測(cè)器，檢測(cè)出目標(biāo)儀表候選區(qū)域；(2)對(duì)步驟(1)得到的每個(gè)候選區(qū)域，使用雙級(jí)聯(lián)參數(shù)回歸器，回歸出標(biāo)準(zhǔn)圖像與待識(shí)別圖像之間的仿射變換矩陣，然后將待識(shí)別圖片仿射變換到標(biāo)準(zhǔn)圖像的姿態(tài)，實(shí)現(xiàn)儀表姿態(tài)的歸一化；(3)將步驟(2)得到的姿態(tài)歸一化后的圖像通過(guò)后驗(yàn)驗(yàn)證器確認(rèn)是否存在目標(biāo)儀表，最后輸出檢測(cè)結(jié)果。本發(fā)明提出的儀表檢測(cè)方法，解決了儀表檢測(cè)中姿態(tài)和尺度問(wèn)題，具有高正檢率，低誤檢率的優(yōu)點(diǎn)，同時(shí)該發(fā)明處理速度快，實(shí)現(xiàn)了儀表實(shí)時(shí)檢測(cè)功能。
【專(zhuān)利說(shuō)明】
一種基于機(jī)器視覺(jué)的儀表檢測(cè)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于數(shù)字圖像處理和儀表檢測(cè)領(lǐng)域，具體涉及一種基于機(jī)器視覺(jué)的儀表檢 測(cè)方法。
【背景技術(shù)】
[0002] 化工廠、變電站、煉油廠等工業(yè)領(lǐng)域，安裝大量的現(xiàn)場(chǎng)指示儀表，這些儀表不具有 遠(yuǎn)傳功能，需要現(xiàn)場(chǎng)讀數(shù)，用來(lái)監(jiān)控工業(yè)現(xiàn)場(chǎng)運(yùn)行狀況。其中儀表檢測(cè)是其重要組成部分， 用人工巡檢的方式檢測(cè)現(xiàn)場(chǎng)儀表費(fèi)時(shí)費(fèi)力低效，因此基于機(jī)器視覺(jué)的儀表自動(dòng)檢測(cè)技術(shù)具 有廣泛的應(yīng)用前景。
[0003] 現(xiàn)有研究中，常見(jiàn)的儀表檢測(cè)方法有模板匹配，Hough變換，特征點(diǎn)匹配等方法。戴 亞文提出了一種基于多特征模板匹配方法來(lái)檢測(cè)指針儀表(Dai Y,Wang S,Wang X.The moldplate-matching method based on the several characteristic parameters of the meter pointer gray[J]·Electrical Measurement&Instrumentation,2004)〇 Ge 11 aboina提出利用Hough圓檢測(cè)算法，來(lái)檢測(cè)指針儀表的圓形面板(Ge 11 aboina Μ K, Swaminathan G,Venkoparao V.Analog dial gauge reader for handheld devices[C]// Industrial Electronics and Applications(ICIEA),2013 8th IEEE Conference onlEEE, 2013 :1147-1150. )，Yang提出了通過(guò)Hough直線檢測(cè)檢測(cè)圖像中儀表指針位置 (Yang B,Lin G,Zhang ff.Auto-recognition Method for Pointer-type Meter Based on Binocular Vision[J] .Journal of Computers,2014,9(4)·)。這兩種方法分別檢測(cè)出指針 儀表的圓面板和指針，從而檢測(cè)出目標(biāo)儀表。Yang提出了基于ORB特征匹配的圖像配準(zhǔn)方法 檢測(cè)儀表（Yang Z,Niu ff,Peng X,et al.An image-based intelligent system for pointer instrument reading[C]//Information Science and Technology(ICIST),2014 4th IEEE International Conference onlEEE,2014:780-783·)，先將待識(shí)別圖像配準(zhǔn)到 標(biāo)準(zhǔn)突現(xiàn)的姿態(tài)下，然后再在對(duì)應(yīng)的區(qū)域通過(guò)背景作差法確定指針位置，從而計(jì)算指針示 數(shù)。房樺提出了基于SIFT特征匹配的指針示數(shù)識(shí)別方法(房樺，明志強(qiáng)，周云峰，等.一種適 用于變電站巡檢機(jī)器人的儀表識(shí)別算法[J].自動(dòng)化與儀表，2013,28(5): 10-14.)，同樣通 過(guò)SIFT特征匹配的檢測(cè)目標(biāo)儀表。
[0004] 上述儀表檢測(cè)方法，使用模板匹配對(duì)儀表在圖像中的姿態(tài)要求極高，而且對(duì)光照 和圖像噪聲敏感。使用Hough變換的方法，依賴(lài)于邊緣檢測(cè)算法，在復(fù)雜的工業(yè)現(xiàn)場(chǎng)和不同 的成像條件下，圓形儀表面板不一定是嚴(yán)格圓形，而且圓形面板和指針的邊緣不一定能夠 檢測(cè)出來(lái)，因而一旦Hough圓檢測(cè)或者直線檢測(cè)失敗，則無(wú)法得到正確檢測(cè)結(jié)果。使用特征 點(diǎn)匹配的的方法，在實(shí)際使用過(guò)程中，存在表盤(pán)部分遮擋問(wèn)題，甚至有些表盤(pán)面板圖像的紋 理特征比較少，本身就提取不到〇RB、SIFT之類(lèi)的特征，導(dǎo)致正確匹配的特征點(diǎn)對(duì)很少，還有 可能由于復(fù)雜的圖像背景干擾，在復(fù)雜背景上提取到對(duì)應(yīng)的特征，造成大量的誤匹配，由于 以上原因，特征點(diǎn)匹配的方法也比較容易失敗。
[0005] 綜上所述，現(xiàn)有的研究?jī)x表檢測(cè)方法對(duì)儀表圖像在不同光照、姿態(tài)、尺度，部分遮 擋，成像模糊等工況條件十分敏感，難以滿(mǎn)足實(shí)際使用要求。

【發(fā)明內(nèi)容】

[0006] 針對(duì)現(xiàn)有技術(shù)的不足，本發(fā)明提出了一種基于機(jī)器視覺(jué)的儀表檢測(cè)方法，旨在使 用機(jī)器學(xué)習(xí)的方法，解決儀表圖像姿態(tài)、尺度、光照等工況條件對(duì)儀表檢測(cè)的影響，提高目 標(biāo)儀表的檢出率和降低誤檢率。
[0007] 本發(fā)明采用的技術(shù)方案如下：一種基于機(jī)器視覺(jué)的儀表檢測(cè)方法，所述儀表檢測(cè) 具體為：
[0008] (1)對(duì)任意輸入圖像，先經(jīng)過(guò)級(jí)聯(lián)Adaboost粗檢測(cè)器，檢測(cè)出目標(biāo)儀表候選區(qū)域；
[0009] (2)對(duì)步驟1得到的每個(gè)候選區(qū)域，使用雙級(jí)聯(lián)參數(shù)回歸器，回歸出標(biāo)準(zhǔn)圖像與待 識(shí)別圖像之間的仿射變換矩陣，然后將待識(shí)別圖片仿射變換到標(biāo)準(zhǔn)圖像的姿態(tài)，實(shí)現(xiàn)儀表 姿態(tài)的歸一化；
[0010] (3)將步驟2得到的姿態(tài)歸一化后的圖像通過(guò)后驗(yàn)驗(yàn)證器確認(rèn)是否存在目標(biāo)儀表， 最后輸出檢測(cè)結(jié)果。
[0011] 進(jìn)一步的，所述的經(jīng)過(guò)級(jí)聯(lián)Adaboost粗檢測(cè)器，檢出目標(biāo)儀表候選區(qū)域具體步驟 如下：
[0012] (1.1)采集η張目標(biāo)儀表圖像作為訓(xùn)練樣本，其中η為大于等于10的正整數(shù);選取其 中一張正面拍攝的圖像作為標(biāo)準(zhǔn)圖像，記作I std;在每張訓(xùn)練樣本圖像上標(biāo)記4個(gè)以上重復(fù) 出現(xiàn)的標(biāo)記點(diǎn)；
[0013] (1.2)在每張訓(xùn)練樣本中隨機(jī)采集正方形圖像，正方形的邊長(zhǎng)等于儀表的直徑，若 該正方形的中心落在與儀表同心直徑為m倍儀表直徑的同心圓內(nèi)，則把采集到的正方形圖 像作為正樣本圖像;若正方形的中心落在與儀表同心直徑為m倍儀表直徑的同心圓外，則把 采集到的正方形圖像作為負(fù)樣本圖像;其中，采集到的正樣本圖像和負(fù)樣本圖像數(shù)量相同， m取值為0.1-0.5;
[0014] (1.3)計(jì)算正負(fù)樣本的圖像特征，作為級(jí)聯(lián)Adaboost分類(lèi)器的輸入，訓(xùn)練一個(gè)級(jí)聯(lián) Adaboost分類(lèi)器；
[0015] (1.4)對(duì)任意圖像輸入到級(jí)聯(lián)Adaboost分類(lèi)器中，檢測(cè)出目標(biāo)儀表候選區(qū)域。
[0016] 進(jìn)一步的，所述步驟(2)具體為：
[0017] (2.1)采集的η張訓(xùn)練樣本圖像中標(biāo)準(zhǔn)圖像記作Istd，訓(xùn)練樣本圖像記作I targ(3t，通 過(guò)仿射變換矩陣將Istd變換到Itarget的姿態(tài)下，所述仿射變換矩陣記作H r;在Istd上隨機(jī)撒ns 個(gè)點(diǎn)，作為計(jì)算特征的采樣點(diǎn)，記作P;n張訓(xùn)練樣本圖像中，在每張訓(xùn)練樣本圖像上隨機(jī)選 取j個(gè)初始仿射變換矩陣Ho;ns為大于等于50的正整數(shù);j為大于等于20的正整數(shù)；
[0018] (2·2)將P通過(guò)Ho映射到新的位置，在Itarget圖像上計(jì)算shape-indexed feature記 作幻，然后更新得到第一層回歸值HnzHrftT1;把^和1作為外層回歸器的輸入，訓(xùn)練得到 第一層外層回歸器R 1;
[0019] (2.3)將^作為第一層外層回歸器心的輸入，預(yù)測(cè)得到第一外層估計(jì)值ΔΙ則更 新仿射變換矩陣出=ΔΗ.;再將P通過(guò)出映射到新的位置，在Itarget圖像上計(jì)算shape-indexed feature記作X2，然后更新得到第二層回歸值Hr2 = ; X2和Hr2作為外層回歸器 的輸入，訓(xùn)練得到第二層外層回歸器R2;以此類(lèi)推，獲得多層外層回歸器{Ri，!^，···，!^}，其 中，T為外層回歸器的層數(shù)；
[0020] (2.4)步驟(2.3)得到第1層外層回歸器1?1，其中1為1、2、3 - 1'，令第1層外層回歸器 R沖有k個(gè)內(nèi)層回歸器，記為{巧,/^ 內(nèi)層回歸器使用隨機(jī)蕨回歸器，訓(xùn)練步驟如 下：
[0021]將xdP第一層回歸值Hrl作為隨機(jī)蕨回歸器的輸入，訓(xùn)練得到第一個(gè)外層回歸器的 第一個(gè)內(nèi)層回歸器辦漱幻作為第一個(gè)內(nèi)層回歸器/?的輸入，預(yù)測(cè)得到第一內(nèi)層估計(jì)值A(chǔ) Hrl，然后更新得到第二內(nèi)層回歸值然后再將 Χ#ΡΗ\2作為隨機(jī)蕨回歸器的 輸入，訓(xùn)練得到第一個(gè)外層回歸器的第二個(gè)內(nèi)層回歸器將幻作為第二個(gè)內(nèi)層回歸器 的輸入，預(yù)測(cè)得到第二內(nèi)層估計(jì)值A(chǔ) Hr2,然后更新得到第三內(nèi)層回歸值Hi1; 然后再將作為隨機(jī)蕨回歸器的輸入，訓(xùn)練得到第一個(gè)外層回歸器的第三個(gè)內(nèi)層回 歸器以此類(lèi)推，得到所有內(nèi)層回歸器;從而完成雙級(jí)聯(lián)參數(shù)回歸器的訓(xùn)練；
[0022] (2.5)將步驟(1)中得到的候選區(qū)域輸入到雙級(jí)聯(lián)參數(shù)回歸器中，得到該候選區(qū)域 與Istd之間的仿射變換矩陣，將該候選區(qū)域仿射變換到Istd的姿態(tài)下，以此得到姿態(tài)歸一化 的儀表圖像。
[0023]進(jìn)一步的，所述步驟(3)具體為：
[0024] (3.1)采集η張目標(biāo)儀表圖像作為訓(xùn)練樣本，其中η為大于等于10的正整數(shù);選取其 中一張正面拍攝的圖像作為標(biāo)準(zhǔn)圖像，記作Istd;在每張訓(xùn)練樣本圖像上標(biāo)記4個(gè)以上重復(fù) 出現(xiàn)的標(biāo)記點(diǎn)，利用標(biāo)記點(diǎn)，通過(guò)最小二乘法估計(jì)出訓(xùn)練樣本圖像仿射變換到標(biāo)準(zhǔn)圖像的 仿射變換矩陣，將所有樣本圖像仿射變換到標(biāo)準(zhǔn)儀表圖像的姿態(tài)下，將所有訓(xùn)練樣本圖像 姿態(tài)歸一化；
[0025] (3.2)在步驟(3.1)中得到的姿態(tài)歸一化的圖像上隨機(jī)采集正方形圖像，正方形的 邊長(zhǎng)等于儀表的直徑，若該正方形的中心落在與儀表同心直徑為m倍儀表直徑的同心圓內(nèi)， 則把采集到的正方形圖像作為正樣本圖像;若正方形的中心落在與儀表同心直徑為m倍儀 表直徑的同心圓外，則把采集到的正方形圖像作為負(fù)樣本圖像;其中，采集到的正樣本圖像 和負(fù)樣本圖像數(shù)量相同，m取值為0.1-0.5;
[0026] (3.3)分別計(jì)算步驟(3.2)得到的正負(fù)樣本圖像的H0G特征，作為正負(fù)樣本，訓(xùn)練得 到一個(gè)支持向量機(jī)作為后驗(yàn)驗(yàn)證器；
[0027] (3.4)將步驟(2)得到的姿態(tài)歸一化后的圖像通過(guò)步驟(3.3)得到的后驗(yàn)驗(yàn)證器確 認(rèn)是否存在目標(biāo)儀表，最后輸出檢測(cè)結(jié)果。
[0028] 與現(xiàn)有技術(shù)相比，本發(fā)明具有的有益效果是：
[0029] 1、該發(fā)明作為儀表檢測(cè)算法，不依賴(lài)邊緣檢測(cè)算法，也不需要做圖像二值化，解決 了常規(guī)的投影法、模板匹配法、Hough變換、特征點(diǎn)匹配等方法不能解決的光照、遮擋、復(fù)雜 背景干擾等問(wèn)題。
[0030] 2、該發(fā)明在保持高正檢率的前提下，通過(guò)雙級(jí)聯(lián)參數(shù)回歸，姿態(tài)歸一化和后驗(yàn)驗(yàn) 證的方法極大的降低了目標(biāo)儀表的誤檢率，使檢測(cè)性能大大提高。
[0031] 3、該發(fā)明中Adaboost粗檢測(cè)器和雙級(jí)聯(lián)參數(shù)回歸運(yùn)算效率高，極大的加快儀表檢 測(cè)速度，實(shí)際使用中處理速度達(dá)到15幀每秒，實(shí)現(xiàn)了實(shí)時(shí)檢測(cè)目標(biāo)儀表功能。
[0032] 4、該發(fā)明在解決目標(biāo)儀表檢測(cè)問(wèn)題的同時(shí)，將待識(shí)別圖像配準(zhǔn)到標(biāo)準(zhǔn)圖像的姿態(tài) 下，使所有的圖像都?xì)w一化到標(biāo)準(zhǔn)圖像的姿態(tài)和尺度下。如此一來(lái)，只需要在固定的區(qū)域中 去識(shí)別與標(biāo)準(zhǔn)圖像相同尺度和姿態(tài)的數(shù)字示數(shù)和指針示數(shù)，極大的有利于后續(xù)的示數(shù)識(shí)別 算法。
【附圖說(shuō)明】
[0033] 圖1是本發(fā)明中儀表檢測(cè)流程圖；
[0034] 圖2是本發(fā)明中級(jí)聯(lián)Adaboost粗檢測(cè)器訓(xùn)練示意圖；
[0035] 圖3是本發(fā)明中雙級(jí)聯(lián)參數(shù)回歸示意圖；
[0036]圖4是本發(fā)明中后驗(yàn)驗(yàn)證器示意圖。
【具體實(shí)施方式】
[0037]下面結(jié)合附圖和實(shí)施方式對(duì)本發(fā)明進(jìn)一步說(shuō)明。
[0038] 如圖1所示，本發(fā)明包含級(jí)聯(lián)Adaboost粗檢測(cè)器，雙級(jí)聯(lián)參數(shù)回歸，后驗(yàn)驗(yàn)證器三 個(gè)部分。運(yùn)行時(shí)，對(duì)任意輸入圖像，先經(jīng)過(guò)級(jí)聯(lián)Adaboost粗檢測(cè)器，檢出目標(biāo)儀表候選區(qū)域。 然后對(duì)每個(gè)候選區(qū)域，使用雙級(jí)聯(lián)參數(shù)回歸器，回歸出標(biāo)準(zhǔn)圖像與待識(shí)別圖像之間的仿射 變換矩陣，然后將待識(shí)別圖片仿射變換到標(biāo)準(zhǔn)圖像的姿態(tài)，實(shí)現(xiàn)儀表姿態(tài)的歸一化，再通過(guò) 后驗(yàn)驗(yàn)證器確認(rèn)是否存在目標(biāo)儀表，最后輸出檢測(cè)結(jié)果。
[0039] 如圖2所示，級(jí)聯(lián)Adaboost粗檢測(cè)器訓(xùn)練流程如下：
[0040] (1.1)在工業(yè)現(xiàn)場(chǎng)采集η張目標(biāo)儀表圖像作為訓(xùn)練樣本，η彡10即可，樣本中包含的 儀表姿態(tài)、背景、尺度等因素越豐富，效果越好，實(shí)驗(yàn)中取典型值η = 50。選取其中一張正面 拍攝的圖像作為標(biāo)準(zhǔn)圖像，記作Istd，在所有樣本圖像上，標(biāo)記4個(gè)以上重復(fù)出現(xiàn)的標(biāo)記點(diǎn)， 一般每張訓(xùn)練樣本圖像上標(biāo)記點(diǎn)數(shù)量取典型值8;
[0041] (1.2)在每張訓(xùn)練樣本中隨機(jī)采集正方形圖像，正方形的邊長(zhǎng)等于儀表的直徑，若 該正方形的中心落在與儀表同心直徑為m倍儀表直徑的同心圓內(nèi)，則把采集到的正方形圖 像作為正樣本圖像;若正方形的中心落在與儀表同心直徑為m倍儀表直徑的同心圓外，則把 采集到的正方形圖像作為負(fù)樣本圖像;其中，采集到的正樣本圖像和負(fù)樣本圖像數(shù)量相同， m取值為0.1-0.5，實(shí)驗(yàn)中m取典型值0.2;
[0042] (1.3)計(jì)算正負(fù)樣本的圖像特征，此處特征可取但不局限于局部二值模式(LBP)特 征，作為級(jí)聯(lián)Adaboost分類(lèi)器的輸入，訓(xùn)練一個(gè)級(jí)聯(lián)的Adaboost強(qiáng)分類(lèi)器，要求該分類(lèi)器的 正檢率高;例如，訓(xùn)練時(shí)，每層Adaboost分類(lèi)器正檢率設(shè)置為0.99，誤檢率設(shè)置為0.50，級(jí)聯(lián) 層數(shù)設(shè)置為10。此級(jí)聯(lián)Adaboost分類(lèi)器效果是高正檢率的同時(shí)有高誤檢率；
[0043] (1.4)對(duì)任意圖像輸入到（1.3)中訓(xùn)練處的級(jí)聯(lián)Adaboost粗分類(lèi)器中，檢測(cè)出目標(biāo) 儀表候選區(qū)域。
[0044] 如圖3所示，雙級(jí)聯(lián)參數(shù)回歸器的訓(xùn)練流程如下：
[0045] (2.1)采集的η張訓(xùn)練樣本圖像中標(biāo)準(zhǔn)圖像記作Istd，訓(xùn)練樣本圖像記作Itarget，通 過(guò)仿射變換矩陣將Istd變換到Itarget的姿態(tài)下，所述仿射變換矩陣記作Hr;在I std上隨機(jī)撒ns 個(gè)點(diǎn)，作為計(jì)算特征的采樣點(diǎn)，記作P;n張訓(xùn)練樣本圖像中，在每張訓(xùn)練樣本圖像上隨機(jī)選 取j個(gè)初始仿射變換矩陣Ho;ns為大于等于50的正整數(shù)；j為大于等于20的正整數(shù)，實(shí)驗(yàn)中取 典型值 ns=100, j = 50;
[0046] (2·2)將P通過(guò)Ho映射到新的位置，在Itarget圖像上計(jì)算shape-indexed feature記 作幻，然后更新得到第一層回歸值HnzHrftT1;把^和1作為外層回歸器的輸入，訓(xùn)練得到 第一層外層回歸器R 1;
[0047] (2.3M#X1作為第一層外層回歸器仏的輸入，預(yù)測(cè)得到第一外層估計(jì)值ΔΗ!，則更 新仿射變換矩陣出=ΔΗ.;再將P通過(guò)出映射到新的位置，在Itarget圖像上計(jì)算shape-indexed feature記作X2，然后更新得到第二層回歸值Hr2 = ; X2和Hr2作為外層回歸器 的輸入，訓(xùn)練得到第二層外層回歸器R2;以此類(lèi)推，獲得多層外層回歸器{Ri，!^，···，!^}，其 中，T為外層回歸器的層數(shù)，一般地，T取典型值20;
[0048] (2.4)步驟(2.3)得到第1層外層回歸器1?1，其中1為1、2、3 - 1'，令第1層外層回歸器 R沖有k個(gè)內(nèi)層回歸器，記為?對(duì),一般k取典型值50;內(nèi)層回歸器使用隨機(jī)蕨回 歸器，訓(xùn)練步驟如下：
[0049] 將xjP第一層回歸值Hrl作為隨機(jī)蕨回歸器的輸入，訓(xùn)練得到第一個(gè)外層回歸器的 第一個(gè)內(nèi)層回歸器;將幻作為第一個(gè)內(nèi)層回歸器1?的輸入，預(yù)測(cè)得到第一內(nèi)層估計(jì)值A(chǔ) H rl，然后更新得到第二內(nèi)層回歸值然后再將Χ#ΡΗ\2作為隨機(jī)蕨回歸器的 輸入，訓(xùn)練得到第一個(gè)外層回歸器的第二個(gè)內(nèi)層回歸器將幻作為第二個(gè)內(nèi)層回歸器 的輸入，預(yù)測(cè)得到第二內(nèi)層估計(jì)值A(chǔ) Hr2,然后更新得到第三內(nèi)層回歸值Hi1; 然后再將作為隨機(jī)蕨回歸器的輸入，訓(xùn)練得到第一個(gè)外層回歸器的第三個(gè)內(nèi)層回 歸器以此類(lèi)推，得到所有內(nèi)層回歸器;從而完成雙級(jí)聯(lián)參數(shù)回歸器的訓(xùn)練；
[0050] (2.5)將步驟(1)中得到的候選區(qū)域輸入到雙級(jí)聯(lián)參數(shù)回歸器中，得到該候選區(qū)域 與Istd之間的仿射變換矩陣，將該候選區(qū)域仿射變換到Istd的姿態(tài)下，以此得到姿態(tài)歸一化 的儀表圖像。
[0051 ] 如圖4所示，后驗(yàn)驗(yàn)證器訓(xùn)練流程如下：
[0052] (3.1)采集η張目標(biāo)儀表圖像作為訓(xùn)練樣本，其中η為大于等于10的正整數(shù)，通常取 50;選取其中一張正面拍攝的圖像作為標(biāo)準(zhǔn)圖像，記作Istd;在每張訓(xùn)練樣本圖像上標(biāo)記4個(gè) 以上重復(fù)出現(xiàn)的標(biāo)記點(diǎn)，一般每張訓(xùn)練樣本圖像上標(biāo)記點(diǎn)數(shù)量取典型值8;利用標(biāo)記點(diǎn)，通 過(guò)最小二乘法估計(jì)出訓(xùn)練樣本圖像仿射變換到標(biāo)準(zhǔn)圖像的仿射變換矩陣，將所有樣本圖像 仿射變換到標(biāo)準(zhǔn)儀表圖像的姿態(tài)下，實(shí)現(xiàn)圖像姿態(tài)歸一化；
[0053] (3.2)在步驟(3.1)中得到的姿態(tài)歸一化的圖像上隨機(jī)采集正方形圖像，正方形的 邊長(zhǎng)等于儀表的直徑，若該正方形的中心落在與儀表同心直徑為m倍儀表直徑的同心圓內(nèi)， 則把采集到的正方形圖像作為正樣本圖像;若正方形的中心落在與儀表同心直徑為m倍儀 表直徑的同心圓外，則把采集到的正方形圖像作為負(fù)樣本圖像;其中，采集到的正樣本圖像 和負(fù)樣本圖像數(shù)量相同，m取典型值0.2;
[0054] (3.3)分別計(jì)算步驟(3.2)得到的正負(fù)樣本圖像的H0G特征，作為正負(fù)樣本，訓(xùn)練得 到一個(gè)支持向量機(jī)作為后驗(yàn)驗(yàn)證器；
[0055] (3.4)將步驟(2)得到的姿態(tài)歸一化后的圖像通過(guò)步驟(3.3)得到的后驗(yàn)驗(yàn)證器確 認(rèn)是否存在目標(biāo)儀表，最后輸出檢測(cè)結(jié)果。
[0056] 上述【具體實(shí)施方式】用來(lái)解釋說(shuō)明本發(fā)明，而不是對(duì)本發(fā)明進(jìn)行限制，在本發(fā)明的 精神和權(quán)利要求的保護(hù)范圍內(nèi)，對(duì)本發(fā)明作出的任何修改和改變，都落入本發(fā)明的保護(hù)范
【主權(quán)項(xiàng)】
1. 一種基于機(jī)器視覺(jué)的儀表檢測(cè)方法，其特征在于，所述儀表檢測(cè)具體為： (1) 對(duì)任意輸入圖像，先經(jīng)過(guò)級(jí)聯(lián)Adaboost粗檢測(cè)器，檢測(cè)出目標(biāo)儀表候選區(qū)域； (2) 對(duì)步驟1得到的每個(gè)候選區(qū)域，使用雙級(jí)聯(lián)參數(shù)回歸器，回歸出標(biāo)準(zhǔn)圖像與待識(shí)別 圖像之間的仿射變換矩陣，然后將待識(shí)別圖片仿射變換到標(biāo)準(zhǔn)圖像的姿態(tài)，實(shí)現(xiàn)儀表姿態(tài) 的歸一化； (3) 將步驟2得到的姿態(tài)歸一化后的圖像通過(guò)后驗(yàn)驗(yàn)證器確認(rèn)是否存在目標(biāo)儀表，最后 輸出檢測(cè)結(jié)果。2. 如權(quán)利要求1所述的一種基于機(jī)器視覺(jué)的儀表檢測(cè)方法，其特征在于:所述的經(jīng)過(guò)級(jí) 聯(lián)Adaboost粗檢測(cè)器，檢出目標(biāo)儀表候選區(qū)域具體步驟如下： (1.1) 采集η張目標(biāo)儀表圖像作為訓(xùn)練樣本，其中η為大于等于10的正整數(shù);選取其中一 張正面拍攝的圖像作為標(biāo)準(zhǔn)圖像，記作Istd;在每張訓(xùn)練樣本圖像上標(biāo)記4個(gè)W上重復(fù)出現(xiàn) 的標(biāo)記點(diǎn)； (1.2) 在每張訓(xùn)練樣本中隨機(jī)采集正方形圖像，正方形的邊長(zhǎng)等于儀表的直徑，若該正 方形的中屯、落在與儀表同屯、直徑為m倍儀表直徑的同屯、圓內(nèi)，則把采集到的正方形圖像作 為正樣本圖像;若正方形的中屯、落在與儀表同屯、直徑為m倍儀表直徑的同屯、圓外，則把采集 到的正方形圖像作為負(fù)樣本圖像;其中，采集到的正樣本圖像和負(fù)樣本圖像數(shù)量相同，m取 值為 0.1-0.5; (1.3) 計(jì)算正負(fù)樣本的圖像特征，作為級(jí)聯(lián)Adaboost分類(lèi)器的輸入，訓(xùn)練一個(gè)級(jí)聯(lián) Adaboost分類(lèi)器； (1.4) 對(duì)任意圖像輸入到級(jí)聯(lián)Adaboost分類(lèi)器中，檢測(cè)出目標(biāo)儀表候選區(qū)域。3. 如權(quán)利要求1所述的一種基于機(jī)器視覺(jué)的儀表檢測(cè)方法，其特征在于:所述步驟(2) 具體為： (2.1) 采集的η張訓(xùn)練樣本圖像中標(biāo)準(zhǔn)圖像記作Istd，訓(xùn)練樣本圖像記作Itarget，通過(guò)仿 射變換矩陣將Istd變換到Itarget的姿態(tài)下，所述仿射變換矩陣記作Hr;在Istd上隨機(jī)撒ns個(gè)點(diǎn)， 作為計(jì)算特征的采樣點(diǎn)，記作p;n張訓(xùn)練樣本圖像中，在每張訓(xùn)練樣本圖像上隨機(jī)選取j個(gè) 初始仿射變換矩陣化;ns為大于等于50的正整數(shù);j為大于等于20的正整數(shù)； (2.2) 將P通過(guò)化映射到新的位置，在Itarget圖像上計(jì)算shape-indexed fea化re記作XI， 然后更新得到第一層回歸值出1 =出冊(cè)-1;把XI和Hrl作為外層回歸器的輸入，訓(xùn)練得到第一層 外層回歸器Ri; (2.3) 將XI作為第一層外層回歸器Ri的輸入，預(yù)測(cè)得到第一外層估計(jì)值Δ出，則更新仿 射變換矩陣出=A出冊(cè);再將P通過(guò)化映射到新的位置，在Itarget圖像上計(jì)算shape-indexed fea化re記作X2,然后更新得到第二層回歸值Hr2 = HrHri;x沸Hr2作為外層回歸器的輸入，訓(xùn) 練得到第二層外層回歸器R2;W此類(lèi)推，獲得多層外層回歸器{扣，1?2，...，扣}，其中，1'為外 層回歸器的層數(shù)； (2.4) 步驟(2.3)得到第1層外層回歸器私，其中1為1、2、3-，1'，令第1層外層回歸器私中 有k個(gè)內(nèi)層回歸器，記為[的，巧t?,...,巧內(nèi)層回歸器使用隨機(jī)藤回歸器，訓(xùn)練步驟如下： 將XI和第一層回歸值出1作為隨機(jī)藤回歸器的輸入，訓(xùn)練得到第一個(gè)外層回歸器的第一 個(gè)內(nèi)層回歸器化1;將XI作為第一個(gè)內(nèi)層回歸器巧的輸入，預(yù)測(cè)得到第一內(nèi)層估計(jì)值A(chǔ)出1， 然后更新得到第二內(nèi)層回歸值Η/τ2 = ΗτιΔΗτΓ1;然后再將XI和H/r2作為隨機(jī)藤回歸器的輸 入，訓(xùn)練得到第一個(gè)外層回歸器的第二個(gè)內(nèi)層回歸器巧J2;將XI作為第二個(gè)內(nèi)層回歸器Rf的 輸入，預(yù)測(cè)得到第二內(nèi)層估計(jì)值A(chǔ)Hr2,然后更新得到第；內(nèi)層回歸值H/r3 = H/r2AHr2^1;然 后再將XI和?Ττ3作為隨機(jī)藤回歸器的輸入，訓(xùn)練得到第一個(gè)外層回歸器的第Ξ個(gè)內(nèi)層回歸 器巧f擬此類(lèi)推，得到所有內(nèi)層回歸器;從而完成雙級(jí)聯(lián)參數(shù)回歸器的訓(xùn)練； (2.5)將步驟（1)中得到的候選區(qū)域輸入到雙級(jí)聯(lián)參數(shù)回歸器中，得到該候選區(qū)域與 Istd之間的仿射變換矩陣，將該候選區(qū)域仿射變換到Istd的姿態(tài)下，W此得到姿態(tài)歸一化的 儀表圖像。4.如權(quán)利要求1所述的一種基于機(jī)器視覺(jué)的儀表檢測(cè)方法，其特征在于:所述步驟(3) 具體為： (3.1) 采集η張目標(biāo)儀表圖像作為訓(xùn)練樣本，其中η為大于等于10的正整數(shù);選取其中一 張正面拍攝的圖像作為標(biāo)準(zhǔn)圖像，記作Istd;在每張訓(xùn)練樣本圖像上標(biāo)記4個(gè)W上重復(fù)出現(xiàn) 的標(biāo)記點(diǎn)，利用標(biāo)記點(diǎn)，通過(guò)最小二乘法估計(jì)出訓(xùn)練樣本圖像仿射變換到標(biāo)準(zhǔn)圖像的仿射 變換矩陣，將所有樣本圖像仿射變換到標(biāo)準(zhǔn)儀表圖像的姿態(tài)下，實(shí)現(xiàn)圖像姿態(tài)歸一化； (3.2) 在步驟(3.1)中得到的姿態(tài)歸一化的圖像上隨機(jī)采集正方形圖像，正方形的邊長(zhǎng) 等于儀表的直徑，若該正方形的中屯、落在與儀表同屯、直徑為m倍儀表直徑的同屯、圓內(nèi)，則把 采集到的正方形圖像作為正樣本圖像;若正方形的中屯、落在與儀表同屯、直徑為m倍儀表直 徑的同屯、圓外，則把采集到的正方形圖像作為負(fù)樣本圖像;其中，采集到的正樣本圖像和負(fù) 樣本圖像數(shù)量相同，m取值為0.1-0.5; (3.3) 分別計(jì)算步驟(3.2)得到的正負(fù)樣本圖像的冊(cè)G特征，作為正負(fù)樣本，訓(xùn)練得到一 個(gè)支持向量機(jī)作為后驗(yàn)驗(yàn)證器； (3.4) 將步驟(2)得到的姿態(tài)歸一化后的圖像通過(guò)步驟(3.3)得到的后驗(yàn)驗(yàn)證器確認(rèn)是 否存在目標(biāo)儀表，最后輸出檢測(cè)結(jié)果。
【文檔編號(hào)】G06K9/62GK105975979SQ201610261821
【公開(kāi)日】2016年9月28日
【申請(qǐng)日】2016年4月22日
【發(fā)明人】熊蓉, 方立, 王軍南
【申請(qǐng)人】浙江大學(xué)