一種基於智能巡檢機器人的儀表位置檢測方法與流程
2023-08-04 04:09:36
本發明屬於自動識別技術領域，特別地涉及一種基於智能巡檢機器人的儀表位置檢測方法。圖像預處理部分，涉及了對比度和亮度調節算法。模型訓練部分，涉及了SVM分類器和視覺特徵。搜索部分，涉及了遍歷和尺度變換結合的搜索策略。
背景技術：
目標檢測是計算機視覺和圖像處理中最基礎也是最重要的任務之一，其中包括基於視頻的目標檢測和基於靜態圖片的目標檢測。
基於靜態圖片的目標檢測即在一張圖像上進行物體的檢測。本發明中的儀表檢測即為基於靜態圖片的目標檢測。
對於基於靜態圖片的目標檢測，一種研究路線是將目標檢測問題轉為分類問題，基本方法是構建一種特徵描述子，而後在圖像範圍內各個位置多個尺度進行檢測。這些算法一般會在每個子窗上提取合適的特徵，並使用合適的分類器，即可以完成目標檢測。
研究的另一條路線是基於部件的可變模型。在這些模型中，一個物體被假設為若干個基本部件的組合配置，每個組件可以表示為一個點，而組件間的銜接表示為邊，那麼目標模型就簡化為一個已知連接的無向圖，而檢測即是將此無向圖配置到最合適的位置。
在工業和控制領域的工程應用中，如何提高目標檢測的識別率和提高算法的性能是非常重要的研究內容。
技術實現要素：
本發明的目的在於提供了一種基於智能巡檢機器人的儀表位置檢測方法，採用了對比度和亮度調節算法進行圖像預處理，SVM分類器和視覺特徵進行分類器訓練，以及遍歷和尺度變換結合的搜索策略，使得目標檢測的識別率達到95％以上。
為實現上述目的，本發明的技術方案為：一種基於智能巡檢機器人的儀表位置檢測方法，其特徵在於，通過智能巡檢機器人的雲臺攝像頭獲得儀表圖像I，然後對圖像I進行以下步驟處理：
步驟1：對圖像I進行圖像預處理，獲得圖像I′。
步驟2：對圖像I′遍歷搜索，獲得多個圖像樣本，組成樣本集M，對M中的樣本通過SVM分類器進行分數計算，分數最高的樣本的位置即為儀表的粗略位置。
步驟3：以粗略位置的中心點為縮放中心，對圖像I′縮放搜索，獲得多個圖像樣本，組成樣本集M′，對M′中的樣本通過SVM分類器進行分數計算，分數最高的樣本的位置即為儀表的精確位置。
進一步地，步驟1中所述的圖像預處理具體為：
(1.1)對圖像I進行對比度和亮度調節，使得圖像I的對比度和亮度與SVM分類器中的訓練樣本保持基本一致。
(1.2)通過插值法，將圖像歸化到統一的大小m×n。
進一步地，步驟2中的樣本集M通過以下方法得到：從像素點(0，0)開始，選取圖像樣本，組成樣本集M；圖像樣本Pij的位置為：其中(ai，bj)為圖像樣本的左上角坐標，w為圖像樣本的寬度，h為圖像樣本的高度，a為x軸方向的像素步進單位，b為y軸方向的像素步進單位。
進一步地，步驟3中的樣本集M′通過以下方法得到：以粗略位置的中心點為縮放中心，對粗略位置的大小進行縮放，縮放係數為(1-α)～(1+α)，步進為β，共得到2α/β個新的圖像樣本，組成樣本集M′。
進一步地，步驟2和步驟3中所述的SVM分類器分數計算方法為：
(a)提取樣本集中的每個樣本的視覺特徵，每個樣本得到d維的特徵向量S＝[S1，S2，…，Sd]。
(b)將S作為SVM分類器的輸入，通過計算，SVM分類器輸出一個分數。
進一步地，SVM分類器通過以下方法得到：
(3.1)使用智能巡檢機器人的雲臺攝像頭，分別拍攝l張圖像Ik，k＝1，2，3，…，l，使得儀表分別處於圖像的不同位置。
(3.2)調節每張圖像的對比度和亮度，使得l張圖像的對比度和亮度一致，然後將l張圖像歸化到統一的大小m×n。
(3.3)針對每個圖像Ik，框取圖像Ik中的儀表，作為正樣本，並記錄正樣本的位置信息((xk，yk)，wk，hk)。其中(xk，yk)是正樣本左上角的坐標位置，wk為正樣本的寬度，hk為正樣本的高度。令正樣本的標籤為1。其中l個正樣本的寬度w1，w2，...，wl的均值上取整為w，l個正樣本的高度h1，h2，...，hl的均值上取整為h。
遍歷圖像Ik，選取負樣本，負樣本P′ki′j′選取的位置為其中，(a′i′，b′j′)為負樣本左上角的坐標位置，wk為負樣本的寬度，hk為負樣本的高度，a′為x方向的像素步進單位，b′為y方向的像素步進單位。令負樣本的標籤為負樣本P′ki′j′與該圖像中正樣本的位置重合度
(3.4)提取所有正樣本和負樣本的視覺特徵，獲得特徵向量，將特徵向量與對應的標籤輸入到SVM分類器中進行訓練，得到訓練後的SVM分類器。
本發明的有益效果是：
(1)採集背景區域(即非儀表區域)作為負樣本訓練，有效地利用了背景信息，減弱背景中與目標相似的物體對算法的影響。
(2)優化了目標檢測的搜索策略，採取先遍歷搜索，再尺度搜索的方式，優化了算法的性能。
(3)通過對比度和亮度調節的圖像預處理算法，獲得良好的視覺特徵，有效地提高了分類器的檢測準確率。
附圖說明
圖1為本發明實施例的基於智能巡檢機器人的儀表位置檢測方法的步驟流程圖；
圖2為本發明實施例的基於智能巡檢機器人拍攝的待測儀表位於右上角的圖像經過限制對比度自適應直方圖均衡化、歸化和正樣本選取後的圖像；
圖3為本發明實施例的基於智能巡檢機器人拍攝的待測儀表位於右下角的圖像經過限制對比度自適應直方圖均衡化、歸化和正樣本選取後的圖像；
圖4為本發明實施例的基於智能巡檢機器人拍攝的待測儀表位於左下角的圖像經過限制對比度自適應直方圖均衡化、歸化和正樣本選取後的圖像；
圖5為本發明實施例的基於智能巡檢機器人拍攝的待測儀表位於左上角的圖像經過限制對比度自適應直方圖均衡化、歸化和正樣本選取後的圖像；
圖6為本發明實施例的基於智能巡檢機器人的攝像頭拍攝的儀表圖像；
圖7為本發明實施例的基於智能巡檢機器人的儀表位置檢測方法的儀表精確位置檢測結果。
具體實施方式
為了使本發明的目的、技術方案及優點更加清楚明白，以下結合附圖及實施例，對本發明進行進一步詳細說明。應該理解，此處所描述的具體實施例僅用以解釋本發明，並不用於限定本發明。
相反，本發明涵蓋任何由權利要求定義的在本發明的精髓和範圍上做的替代、修改、等效方法以及方案。進一步，為了使公眾對本發明有更好的了解，在下文對本發明的細節描述中，詳盡描述了一些特定的細節部分。對本領域技術人員來說沒有這些細節部分的描述可以完全理解本發明。
參考圖1，所示為本發明實施例的基於智能巡檢機器人的儀表位置檢測方法的步驟流程圖。
通過智能巡檢機器人的雲臺攝像頭獲得儀表圖像I，然後進行以下方法處理：
1.利用haar-like特徵，訓練SVM分類器。
(1.1)使用智能巡檢機器人的雲臺攝像頭，分別拍攝4張圖像Ik，k＝1，2，3，4，使得儀表分別處於圖像的左上角，右上角，左下角，右下角。
(1.2)對圖像I1，I2，I3，I4，首先進行限制對比度自適應直方圖均衡化，使得4張圖像的對比度和亮度一致，然後將圖像歸化到統一的大小480×270。
(1.3)針對每個圖像Ik，框取圖像Ik中的待測儀表作為正樣本，如圖2，3，4，5中的矩形框所示，並記錄正樣本的位置信息。圖像I1的正樣本位置為((409，3)，70，70)，如圖2所示，圖像I2的正樣本位置為((404，200)，73，68)，如圖3所示，圖像I3的正樣本位置為((2，202)，78，66)，如圖4所示，圖像I4的正樣本位置為((3，5)，86，77)，如圖5所示，令正樣本的標籤為1。進一步計算得到
遍歷圖像Ik，選取負樣本，負樣本P′ki′j′選取的位置為((4i′，4j′)，wk，hk)，i′＝0，1，…，119，j′＝0，1，…，66。令負樣本的標籤為負樣本P′ki′j′與該圖像中的正樣本的位置重合度
(1.4)使用積分圖法計算所有正樣本和負樣本的haar-like特徵，每個樣本獲得192的特徵向量S＝[S1，S2，…，S192]，並將特徵向量S與對應的標籤輸入到SVM分類器中進行訓練，得到訓練後的SVM分類器。
2.對圖像I，如圖6所示，進行以下步驟處理：
步驟1：對圖像I進行限制對比度自適應直方圖均衡化，使得圖像I的對比度和亮度與SVM分類器中的訓練樣本保持基本一致，然後通過雙線性插值法，將圖像歸化到統一的大小480×270，獲得圖像I′。
步驟2：對圖像I′遍歷搜索：從像素點(0，0)開始，選取圖像樣本，組成樣本集M；圖像樣本Pij的位置為：((3i，3j)，77，71)，i＝0，1，…，159，j＝0，1，…，89。對M中的樣本通過SVM分類器進行分數計算，分數最高的樣本的位置即為儀表的粗略位置。
步驟3：以粗略位置的中心點為縮放中心，對粗略位置的大小進行縮放，縮放係數為0.8～1.2，步進為0.02，共得到20個新的圖像樣本，組成樣本集M′。對M′中的樣本通過SVM分類器進行分數計算，分數最高的樣本的位置即為儀表的精確位置，如圖7所示。
步驟2和步驟3中所述的SVM分類器分數計算方法為：
(a)使用積分圖法計算樣本集中每個樣本的haar-like特徵，得到192維的特徵向量S′＝[S′1，S′2，…，S′192]。
(b)將特徵向量S′作為SVM分類器的輸入，通過計算，SVM分類器輸出一個分數。
以上所述僅為本發明的較佳實施例而已，並不用以限制本發明，凡在本發明的精神和原則之內所作的任何修改、等同替換和改進等，均應包含在本發明的保護範圍之內。