一種基於Kinect深度信息獲取技術的害蟲圖像自動識別方法
2023-05-08 14:51:36 4
一種基於Kinect深度信息獲取技術的害蟲圖像自動識別方法
【專利摘要】本發明涉及一種基於Kinect深度信息獲取技術的害蟲圖像自動識別方法，與現有技術相比解決了害蟲圖像識別方法識別率低、魯棒性差的缺陷。本發明包括以下步驟：像素位置轉換；圖像分割；方向校正；特徵提取；特徵訓練及害蟲識別。本發明能夠自動識別害蟲種類，提高了害蟲的識別率與魯棒性。
【專利說明】-種基於Kinect深度信息獲取技術的害蟲圖像自動識別 方法
【技術領域】
[0001] 本發明涉及圖像識別【技術領域】，具體來說是一種基於Kinect深度信息獲取技術 的害蟲圖像自動識別方法。
【背景技術】
[0002] 害蟲是農作物生長中的大敵，在農作物整個生長期內都有發生，可造成農作物大 量減產。現行的害蟲分類、識別工作主要是依靠少數植保專家和農技人員來完成的，但害蟲 種類繁多，而每一位植保專家窮其所能也只能識別部分害蟲。越來越多的跡象表明，對害蟲 識別需求的增多與害蟲識別專家相對較少的矛盾已日益加劇，自動害蟲圖像的識別方法及 系統的工作具有非常重要的意義。然而現有的自動害蟲圖像識別方法及系統識別率不高， 魯棒性較差。
[0003] 通過Kinect深度信息獲取技術可以很好的得到害蟲圖像的深度信息，利用深度 信息可以更好地將害蟲圖像從背景圖片中分割出來。如何開發出一種利用Kinect深度信 息獲取技術而進行害蟲識別的方法已經成為急需解決的技術問題。
【發明內容】
[0004] 本發明的目的是為了解決現有技術中害蟲圖像識別方法識別率低、魯棒性差的缺 陷，提供一種基於Kinect深度信息獲取技術的害蟲圖像自動識別方法來解決上述問題。
[0005] 為了實現上述目的，本發明的技術方案如下：
[0006] -種基於Kinect深度信息獲取技術的害蟲圖像自動識別方法，包括以下步驟：
[0007] 像素位置轉換，將以像素為單位的數據轉換成以實際距離為單位的數據；
[0008] 圖像分割，對基於實際距離為單位的圖像進行分割；
[0009] 方向校正，對提取的害蟲點雲進行方向校正，以保證害蟲圖像的平面與X-Y平面 平行；
[0010] 特徵提取，對點雲使用歸一化的點雲數量作為特徵值，進行統計分析和特徵提 取；
[0011] 特徵訓練及害蟲識別，使用SVM分類器進行訓練且通過SVM分類器分類得到害蟲 種類。
[0012] 所述的像素位置轉換包括以下步驟：
[0013] 設Kinect拍攝的深度圖X-Y平面尺寸為wXh，平面的中心位置為攝像頭位置； [0014] 計算出Kinect返回的深度值相對應的實際距離深度，計算公式如下：
[0015] d = Ktan (draw/2842. 5+1. 1863)-0
[0016] 其中，draw 為某點的深度值，K = 0· 1236m，0 = 0· 037m ;
[0017] 根據實際距離深度值求出像素位置（i，j，d)的點所對應的實際位置（x，y，z)，其 轉換公式如下 ：
[0018]
[0019] 其中，s = 0.0021。
[0020] 所述的圖像分割包括以下步驟：
[0021] 過濾點雲，針對深度圖數據轉化後的點雲個數進行基於距離的深度過濾，去除的 深度距離大於拍攝時蟲子與攝像頭之間的距離；
[0022] 對深度過濾後的點進行遍歷，比較深度過濾後的點與原點之間的距離，得到與原 點距離最近點的集合，
[0023] 若最近點集合的內容大於1，則表示有多個最近點，
[0024] 計算最近點集合中兩點之間的距離差，若存在點A-點B>T，T為閾值，表示點A不 屬於點B周圍，則判定提取時發生錯誤；
[0025] 使用最近鄰法則進行害蟲圖像提取，確定最近點所對應附近的點集屬於同一個分 類，以最近點為球心做半徑8cm的球，將此球形範圍內所有點作為害蟲雛形；
[0026] 針對球形範圍，再次進行點雲判斷聚類，去除背景信息得到分割後的害蟲圖像。
[0027] 所述的方向校正包括以下步驟：
[0028] 使用最小二乘法進行平面擬合，得到平面的法向量為（a，b，c);
[0029] 對害蟲圖像點雲進行坐標旋轉變換，使其擬合平面旋轉至X-Y平面平行，
[0030] 設擬合平面旋轉至與Χ-Υ平面平行時需要繞Υ軸逆時針的夾角為
【權利要求】
1. 一種基於Kinect深度信息獲取技術的害蟲圖像自動識別方法，其特徵在於，包括以 下步驟： 11) 像素位置轉換，將以像素為單位的數據轉換成以實際距離為單位的數據； 12) 圖像分割，對基於實際距離為單位的圖像進行分割； 13) 方向校正，對提取的害蟲點雲進行方向校正，以保證害蟲圖像的平面與X-Y平面平 行； 14) 特徵提取，對點雲使用歸一化的點雲數量作為特徵值，進行統計分析和特徵提取； 15) 特徵訓練及害蟲識別，使用SVM分類器進行訓練且通過SVM分類器分類得到害蟲種 類。
2. 根據權利要求1所述的一種基於Kinect深度信息獲取技術的害蟲圖像自動識別方 法，其特徵在於，所述的像素位置轉換包括以下步驟： 21) 設Kinect拍攝的深度圖X-Y平面尺寸為wXh，平面的中心位置為攝像頭位置； 22) 計算出Kinect返回的深度值相對應的實際距離深度，計算公式如下： d = Ktan (draw/2842. 5+1. 1863)-0 其中，draw為某點的深度值，K = 0· 1236m，0 = 0· 037m ; 23) 根據實際距離深度值求出像素位置（i，j，d)的點所對應的實際位置（x，y，z)，其轉 換公式如下：
其中，s = 0. 0021。
3. 根據權利要求1所述的一種基於Kinect深度信息獲取技術的害蟲圖像自動識別方 法，其特徵在於，所述的圖像分割包括以下步驟： 31) 過濾點雲，針對深度圖數據轉化後的點雲個數進行基於距離的深度過濾，去除的深 度距離大於拍攝時蟲子與攝像頭之間的距離； 32) 對深度過濾後的點進行遍歷，比較深度過濾後的點與原點之間的距離，得到與原點 距離最近點的集合， 若最近點集合的內容大於1，則表示有多個最近點， 計算最近點集合中兩點之間的距離差，若存在點A-點B>T，T為閾值，表示點A不屬於 點B周圍，則判定提取時發生錯誤； 33) 使用最近鄰法則進行害蟲圖像提取，確定最近點所對應附近的點集屬於同一個分 類，以最近點為球心做半徑8cm的球，將此球形範圍內所有點作為害蟲雛形； 34) 針對球形範圍，再次進行點雲判斷聚類，去除背景信息得到分割後的害蟲圖像。
4. 根據權利要求1所述的一種基於Kinect深度信息獲取技術的害蟲圖像自動識別方 法，其特徵在於，所述的方向校正包括以下步驟： 41) 使用最小二乘法進行平面擬合，得到平面的法向量為（a，b，c); 42) 對害蟲圖像點雲進行坐標旋轉變換，使其擬合平面旋轉至X-Y平面平行， 設擬合平面旋轉至與X-Y平面平行時需要繞Y軸逆時針的夾角為的，繞X軸逆時針旋 轉的夾角朽，則：
設害蟲圖像點雲中一點為：
則轉換後的點
為：
5. 根據權利要求1所述的一種基於Kinect深度信息獲取技術的害蟲圖像自動識別方 法，其特徵在於，所述的特徵提取包括以下步驟： 51) 設置總區間數、單獨區間量； 52) 獲取每個區間內點雲的數量，作為其害蟲的深度區間的分布特徵； 53) 進行特徵歸一化，將每個區間點雲的數量除以總的點雲數； 54) 組合特徵矩陣，進行點雲分布特徵提取，將總區間數作為每幅圖像的訓練集特徵 量。
6. 根據權利要求1所述的一種基於Kinect深度信息獲取技術的害蟲圖像自動識別方 法，其特徵在於，所述的特徵訓練及害蟲識別包括以下步驟： 61) 使用支持向量機SVM進行特徵訓練， 將提取到的特徵矩陣看做五維空間的一點，作為害蟲識別時該空間中的最優分類面； 通過核函數K(u，v)將非線性變換轉為線性變換，使用的核函數為RBF徑向基核函數： K (u, v) = exp (- y I I u-v | |2)； 62) 使用支持向量機SVM進行特徵識別，判斷出害蟲種類。
【文檔編號】G06K9/62GK104091175SQ201410337605
【公開日】2014年10月8日 申請日期:2014年7月15日 優先權日:2014年7月15日
【發明者】王儒敬, 李 瑞, 謝成軍, 張潔, 洪沛霖, 宋良圖, 董偉, 周林立, 郭書普, 張立平, 黃河, 聶餘滿 申請人:中國科學院合肥物質科學研究院, 安徽省農業科學院農業經濟與信息研究所