本發(fā)明屬于自動(dòng)識(shí)別技術(shù)領(lǐng)域，特別地涉及一種基于智能巡檢機(jī)器人的儀表位置檢測方法。圖像預(yù)處理部分，涉及了對比度和亮度調(diào)節(jié)算法。模型訓(xùn)練部分，涉及了SVM分類器和視覺特征。搜索部分，涉及了遍歷和尺度變換結(jié)合的搜索策略。

背景技術(shù)：

目標(biāo)檢測是計(jì)算機(jī)視覺和圖像處理中最基礎(chǔ)也是最重要的任務(wù)之一，其中包括基于視頻的目標(biāo)檢測和基于靜態(tài)圖片的目標(biāo)檢測。

基于靜態(tài)圖片的目標(biāo)檢測即在一張圖像上進(jìn)行物體的檢測。本發(fā)明中的儀表檢測即為基于靜態(tài)圖片的目標(biāo)檢測。

對于基于靜態(tài)圖片的目標(biāo)檢測，一種研究路線是將目標(biāo)檢測問題轉(zhuǎn)為分類問題，基本方法是構(gòu)建一種特征描述子，而后在圖像范圍內(nèi)各個(gè)位置多個(gè)尺度進(jìn)行檢測。這些算法一般會(huì)在每個(gè)子窗上提取合適的特征，并使用合適的分類器，即可以完成目標(biāo)檢測。

研究的另一條路線是基于部件的可變模型。在這些模型中，一個(gè)物體被假設(shè)為若干個(gè)基本部件的組合配置，每個(gè)組件可以表示為一個(gè)點(diǎn)，而組件間的銜接表示為邊，那么目標(biāo)模型就簡化為一個(gè)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(yè)和控制領(lǐng)域的工程應(yīng)用中，如何提高目標(biāo)檢測的識(shí)別率和提高算法的性能是非常重要的研究內(nèi)容。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于提供了一種基于智能巡檢機(jī)器人的儀表位置檢測方法，采用了對比度和亮度調(diào)節(jié)算法進(jìn)行圖像預(yù)處理，SVM分類器和視覺特征進(jìn)行分類器訓(xùn)練，以及遍歷和尺度變換結(jié)合的搜索策略，使得目標(biāo)檢測的識(shí)別率達(dá)到95％以上。

為實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案為：一種基于智能巡檢機(jī)器人的儀表位置檢測方法，其特征在于，通過智能巡檢機(jī)器人的云臺(tái)攝像頭獲得儀表圖像I，然后對圖像I進(jìn)行以下步驟處理：

步驟1：對圖像I進(jìn)行圖像預(yù)處理，獲得圖像I′。

步驟2：對圖像I′遍歷搜索，獲得多個(gè)圖像樣本，組成樣本集M，對M中的樣本通過SVM分類器進(jìn)行分?jǐn)?shù)計(jì)算，分?jǐn)?shù)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(diǎn)為縮放中心，對圖像I′縮放搜索，獲得多個(gè)圖像樣本，組成樣本集M′，對M′中的樣本通過SVM分類器進(jìn)行分?jǐn)?shù)計(jì)算，分?jǐn)?shù)最高的樣本的位置即為儀表的精確位置。

進(jìn)一步地，步驟1中所述的圖像預(yù)處理具體為：

(1.1)對圖像I進(jìn)行對比度和亮度調(diào)節(jié)，使得圖像I的對比度和亮度與SVM分類器中的訓(xùn)練樣本保持基本一致。

(1.2)通過插值法，將圖像歸化到統(tǒng)一的大小m×n。

進(jìn)一步地，步驟2中的樣本集M通過以下方法得到：從像素點(diǎn)(0，0)開始，選取圖像樣本，組成樣本集M；圖像樣本P_ij的位置為：其中(ai，bj)為圖像樣本的左上角坐標(biāo)，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(jìn)單位，b為y軸方向的像素步進(jìn)單位。

進(jìn)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(diǎn)為縮放中心，對粗略位置的大小進(jìn)行縮放，縮放系數(shù)為(1-α)～(1+α)，步進(jìn)為β，共得到2α/β個(gè)新的圖像樣本，組成樣本集M′。

進(jìn)一步地，步驟2和步驟3中所述的SVM分類器分?jǐn)?shù)計(jì)算方法為：

(a)提取樣本集中的每個(gè)樣本的視覺特征，每個(gè)樣本得到d維的特征向量S＝[S₁，S₂，…，S_d]。

(b)將S作為SVM分類器的輸入，通過計(jì)算，SVM分類器輸出一個(gè)分?jǐn)?shù)。

進(jìn)一步地，SVM分類器通過以下方法得到：

(3.1)使用智能巡檢機(jī)器人的云臺(tái)攝像頭，分別拍攝l張圖像I_k，k＝1，2，3，…，l，使得儀表分別處于圖像的不同位置。

(3.2)調(diào)節(jié)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，然后將l張圖像歸化到統(tǒng)一的大小m×n。

(3.3)針對每個(gè)圖像I_k，框取圖像I_k中的儀表，作為正樣本，并記錄正樣本的位置信息((x_k，y_k)，w_k，h_k)。其中(x_k，y_k)是正樣本左上角的坐標(biāo)位置，w_k為正樣本的寬度，h_k為正樣本的高度。令正樣本的標(biāo)簽為1。其中l(wèi)個(gè)正樣本的寬度w₁，w₂，...，w_l的均值上取整為w，l個(gè)正樣本的高度h₁，h₂，...，h_l的均值上取整為h。

遍歷圖像I_k，選取負(fù)樣本，負(fù)樣本P′_ki′j′選取的位置為其中，(a′i′，b′j′)為負(fù)樣本左上角的坐標(biāo)位置，w_k為負(fù)樣本的寬度，h_k為負(fù)樣本的高度，a′為x方向的像素步進(jìn)單位，b′為y方向的像素步進(jìn)單位。令負(fù)樣本的標(biāo)簽為負(fù)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(fù)樣本的視覺特征，獲得特征向量，將特征向量與對應(yīng)的標(biāo)簽輸入到SVM分類器中進(jìn)行訓(xùn)練，得到訓(xùn)練后的SVM分類器。

本發(fā)明的有益效果是：

(1)采集背景區(qū)域(即非儀表區(qū)域)作為負(fù)樣本訓(xùn)練，有效地利用了背景信息，減弱背景中與目標(biāo)相似的物體對算法的影響。

(2)優(yōu)化了目標(biāo)檢測的搜索策略，采取先遍歷搜索，再尺度搜索的方式，優(yōu)化了算法的性能。

(3)通過對比度和亮度調(diào)節(jié)的圖像預(yù)處理算法，獲得良好的視覺特征，有效地提高了分類器的檢測準(zhǔn)確率。

附圖說明

圖1為本發(fā)明實(shí)施例的基于智能巡檢機(jī)器人的儀表位置檢測方法的步驟流程圖；

圖2為本發(fā)明實(shí)施例的基于智能巡檢機(jī)器人拍攝的待測儀表位于右上角的圖像經(jīng)過限制對比度自適應(yīng)直方圖均衡化、歸化和正樣本選取后的圖像；

圖3為本發(fā)明實(shí)施例的基于智能巡檢機(jī)器人拍攝的待測儀表位于右下角的圖像經(jīng)過限制對比度自適應(yīng)直方圖均衡化、歸化和正樣本選取后的圖像；

圖4為本發(fā)明實(shí)施例的基于智能巡檢機(jī)器人拍攝的待測儀表位于左下角的圖像經(jīng)過限制對比度自適應(yīng)直方圖均衡化、歸化和正樣本選取后的圖像；

圖5為本發(fā)明實(shí)施例的基于智能巡檢機(jī)器人拍攝的待測儀表位于左上角的圖像經(jīng)過限制對比度自適應(yīng)直方圖均衡化、歸化和正樣本選取后的圖像；

圖6為本發(fā)明實(shí)施例的基于智能巡檢機(jī)器人的攝像頭拍攝的儀表圖像；

圖7為本發(fā)明實(shí)施例的基于智能巡檢機(jī)器人的儀表位置檢測方法的儀表精確位置檢測結(jié)果。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)該理解，此處所描述的具體實(shí)施例僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

相反，本發(fā)明涵蓋任何由權(quán)利要求定義的在本發(fā)明的精髓和范圍上做的替代、修改、等效方法以及方案。進(jìn)一步，為了使公眾對本發(fā)明有更好的了解，在下文對本發(fā)明的細(xì)節(jié)描述中，詳盡描述了一些特定的細(xì)節(jié)部分。對本領(lǐng)域技術(shù)人員來說沒有這些細(xì)節(jié)部分的描述可以完全理解本發(fā)明。

參考圖1，所示為本發(fā)明實(shí)施例的基于智能巡檢機(jī)器人的儀表位置檢測方法的步驟流程圖。

通過智能巡檢機(jī)器人的云臺(tái)攝像頭獲得儀表圖像I，然后進(jìn)行以下方法處理：

1.利用haar-like特征，訓(xùn)練SVM分類器。

(1.1)使用智能巡檢機(jī)器人的云臺(tái)攝像頭，分別拍攝4張圖像I_k，k＝1，2，3，4，使得儀表分別處于圖像的左上角，右上角，左下角，右下角。

(1.2)對圖像I₁，I₂，I₃，I₄，首先進(jìn)行限制對比度自適應(yīng)直方圖均衡化，使得4張圖像的對比度和亮度一致，然后將圖像歸化到統(tǒng)一的大小480×270。

(1.3)針對每個(gè)圖像I_k，框取圖像I_k中的待測儀表作為正樣本，如圖2，3，4，5中的矩形框所示，并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(biāo)簽為1。進(jìn)一步計(jì)算得到

遍歷圖像I_k，選取負(fù)樣本，負(fù)樣本P′_ki′j′選取的位置為((4i′，4j′)，w_k，h_k)，i′＝0，1，…，119，j′＝0，1，…，66。令負(fù)樣本的標(biāo)簽為負(fù)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(jì)算所有正樣本和負(fù)樣本的haar-like特征，每個(gè)樣本獲得192的特征向量S＝[S₁，S₂，…，S₁₉₂]，并將特征向量S與對應(yīng)的標(biāo)簽輸入到SVM分類器中進(jìn)行訓(xùn)練，得到訓(xùn)練后的SVM分類器。

2.對圖像I，如圖6所示，進(jìn)行以下步驟處理：

步驟1：對圖像I進(jìn)行限制對比度自適應(yīng)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(xùn)練樣本保持基本一致，然后通過雙線性插值法，將圖像歸化到統(tǒng)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(diǎn)(0，0)開始，選取圖像樣本，組成樣本集M；圖像樣本P_ij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(jìn)行分?jǐn)?shù)計(jì)算，分?jǐn)?shù)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(diǎn)為縮放中心，對粗略位置的大小進(jìn)行縮放，縮放系數(shù)為0.8～1.2，步進(jìn)為0.02，共得到20個(gè)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(jìn)行分?jǐn)?shù)計(jì)算，分?jǐn)?shù)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?jǐn)?shù)計(jì)算方法為：

(a)使用積分圖法計(jì)算樣本集中每個(gè)樣本的haar-like特征，得到192維的特征向量S′＝[S′₁，S′₂，…，S′₁₉₂]。

(b)將特征向量S′作為SVM分類器的輸入，通過計(jì)算，SVM分類器輸出一個(gè)分?jǐn)?shù)。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。