一種基于機器視覺的儀表檢測方法
【專利摘要】本發(fā)明公開了一種基于機器視覺的儀表檢測方法，所述儀表檢測具體為：(1)對任意輸入圖像，先經(jīng)過級聯(lián)Adaboost粗檢測器，檢測出目標儀表候選區(qū)域；(2)對步驟(1)得到的每個候選區(qū)域，使用雙級聯(lián)參數(shù)回歸器，回歸出標準圖像與待識別圖像之間的仿射變換矩陣，然后將待識別圖片仿射變換到標準圖像的姿態(tài)，實現(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后驗驗證器確認是否存在目標儀表，最后輸出檢測結(jié)果。本發(fā)明提出的儀表檢測方法，解決了儀表檢測中姿態(tài)和尺度問題，具有高正檢率，低誤檢率的優(yōu)點，同時該發(fā)明處理速度快，實現(xiàn)了儀表實時檢測功能。
【專利說明】
一種基于機器視覺的儀表檢測方法
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領(lǐng)域，具體涉及一種基于機器視覺的儀表檢 測方法。
【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)場指示儀表，這些儀表不具有 遠傳功能，需要現(xiàn)場讀數(shù)，用來監(jiān)控工業(yè)現(xiàn)場運行狀況。其中儀表檢測是其重要組成部分， 用人工巡檢的方式檢測現(xiàn)場儀表費時費力低效，因此基于機器視覺的儀表自動檢測技術(shù)具 有廣泛的應用前景。
[0003] 現(xiàn)有研究中，常見的儀表檢測方法有模板匹配，Hough變換，特征點匹配等方法。戴 亞文提出了一種基于多特征模板匹配方法來檢測指針儀表(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圓檢測算法，來檢測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Hough直線檢測檢測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出指針 儀表的圓面板和指針，從而檢測出目標儀表。Yang提出了基于ORB特征匹配的圖像配準方法 檢測儀表（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·)，先將待識別圖像配準到 標準突現(xiàn)的姿態(tài)下，然后再在對應的區(qū)域通過背景作差法確定指針位置，從而計算指針示 數(shù)。房樺提出了基于SIFT特征匹配的指針示數(shù)識別方法(房樺，明志強，周云峰，等.一種適 用于變電站巡檢機器人的儀表識別算法[J].自動化與儀表，2013,28(5): 10-14.)，同樣通 過SIFT特征匹配的檢測目標儀表。
[0004] 上述儀表檢測方法，使用模板匹配對儀表在圖像中的姿態(tài)要求極高，而且對光照 和圖像噪聲敏感。使用Hough變換的方法，依賴于邊緣檢測算法，在復雜的工業(yè)現(xiàn)場和不同 的成像條件下，圓形儀表面板不一定是嚴格圓形，而且圓形面板和指針的邊緣不一定能夠 檢測出來，因而一旦Hough圓檢測或者直線檢測失敗，則無法得到正確檢測結(jié)果。使用特征 點匹配的的方法，在實際使用過程中，存在表盤部分遮擋問題，甚至有些表盤面板圖像的紋 理特征比較少，本身就提取不到〇RB、SIFT之類的特征，導致正確匹配的特征點對很少，還有 可能由于復雜的圖像背景干擾，在復雜背景上提取到對應的特征，造成大量的誤匹配，由于 以上原因，特征點匹配的方法也比較容易失敗。
[0005] 綜上所述，現(xiàn)有的研究儀表檢測方法對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，難以滿足實際使用要求。

【發(fā)明內(nèi)容】

[0006] 針對現(xiàn)有技術(shù)的不足，本發(fā)明提出了一種基于機器視覺的儀表檢測方法，旨在使 用機器學習的方法，解決儀表圖像姿態(tài)、尺度、光照等工況條件對儀表檢測的影響，提高目 標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：一種基于機器視覺的儀表檢測方法，所述儀表檢測 具體為：
[0008] (1)對任意輸入圖像，先經(jīng)過級聯(lián)Adaboost粗檢測器，檢測出目標儀表候選區(qū)域；
[0009] (2)對步驟1得到的每個候選區(qū)域，使用雙級聯(lián)參數(shù)回歸器，回歸出標準圖像與待 識別圖像之間的仿射變換矩陣，然后將待識別圖片仿射變換到標準圖像的姿態(tài)，實現(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后驗驗證器確認是否存在目標儀表， 最后輸出檢測結(jié)果。
[0011] 進一步的，所述的經(jīng)過級聯(lián)Adaboost粗檢測器，檢出目標儀表候選區(qū)域具體步驟 如下：
[0012] (1.1)采集η張目標儀表圖像作為訓練樣本，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準圖像，記作I std;在每張訓練樣本圖像上標記4個以上重復 出現(xiàn)的標記點；
[0013] (1.2)在每張訓練樣本中隨機采集正方形圖像，正方形的邊長等于儀表的直徑，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樣本圖像;其中，采集到的正樣本圖像和負樣本圖像數(shù)量相同， m取值為0.1-0.5;
[0014] (1.3)計算正負樣本的圖像特征，作為級聯(lián)Adaboost分類器的輸入，訓練一個級聯(lián) Adaboost分類器；
[0015] (1.4)對任意圖像輸入到級聯(lián)Adaboost分類器中，檢測出目標儀表候選區(qū)域。
[0016] 進一步的，所述步驟(2)具體為：
[0017] (2.1)采集的η張訓練樣本圖像中標準圖像記作Istd，訓練樣本圖像記作I targ(3t，通 過仿射變換矩陣將Istd變換到Itarget的姿態(tài)下，所述仿射變換矩陣記作H r;在Istd上隨機撒ns 個點，作為計算特征的采樣點，記作P;n張訓練樣本圖像中，在每張訓練樣本圖像上隨機選 取j個初始仿射變換矩陣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Ho映射到新的位置，在Itarget圖像上計算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，預測得到第一外層估計值ΔΙ則更 新仿射變換矩陣出=ΔΗ.;再將P通過出映射到新的位置，在Itarget圖像上計算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，訓練得到第二層外層回歸器R2;以此類推，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個內(nèi)層回歸器，記為{巧,/^ 內(nèi)層回歸器使用隨機蕨回歸器，訓練步驟如 下：
[0021]將xdP第一層回歸值Hrl作為隨機蕨回歸器的輸入，訓練得到第一個外層回歸器的 第一個內(nèi)層回歸器辦漱幻作為第一個內(nèi)層回歸器/?的輸入，預測得到第一內(nèi)層估計值A(chǔ) Hrl，然后更新得到第二內(nèi)層回歸值然后再將 Χ#ΡΗ\2作為隨機蕨回歸器的 輸入，訓練得到第一個外層回歸器的第二個內(nèi)層回歸器將幻作為第二個內(nèi)層回歸器 的輸入，預測得到第二內(nèi)層估計值A(chǔ) Hr2,然后更新得到第三內(nèi)層回歸值Hi1; 然后再將作為隨機蕨回歸器的輸入，訓練得到第一個外層回歸器的第三個內(nèi)層回 歸器以此類推，得到所有內(nèi)層回歸器;從而完成雙級聯(lián)參數(shù)回歸器的訓練；
[0022] (2.5)將步驟(1)中得到的候選區(qū)域輸入到雙級聯(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]進一步的，所述步驟(3)具體為：
[0024] (3.1)采集η張目標儀表圖像作為訓練樣本，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準圖像，記作Istd;在每張訓練樣本圖像上標記4個以上重復 出現(xiàn)的標記點，利用標記點，通過最小二乘法估計出訓練樣本圖像仿射變換到標準圖像的 仿射變換矩陣，將所有樣本圖像仿射變換到標準儀表圖像的姿態(tài)下，將所有訓練樣本圖像 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采集正方形圖像，正方形的 邊長等于儀表的直徑，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樣本圖像;其中，采集到的正樣本圖像 和負樣本圖像數(shù)量相同，m取值為0.1-0.5;
[0026] (3.3)分別計算步驟(3.2)得到的正負樣本圖像的H0G特征，作為正負樣本，訓練得 到一個支持向量機作為后驗驗證器；
[0027] (3.4)將步驟(2)得到的姿態(tài)歸一化后的圖像通過步驟(3.3)得到的后驗驗證器確 認是否存在目標儀表，最后輸出檢測結(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)明作為儀表檢測算法，不依賴邊緣檢測算法，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、特征點匹配等方法不能解決的光照、遮擋、復雜 背景干擾等問題。
[0030] 2、該發(fā)明在保持高正檢率的前提下，通過雙級聯(lián)參數(shù)回歸，姿態(tài)歸一化和后驗驗 證的方法極大的降低了目標儀表的誤檢率，使檢測性能大大提高。
[0031] 3、該發(fā)明中Adaboost粗檢測器和雙級聯(lián)參數(shù)回歸運算效率高，極大的加快儀表檢 測速度，實際使用中處理速度達到15幀每秒，實現(xiàn)了實時檢測目標儀表功能。
[0032] 4、該發(fā)明在解決目標儀表檢測問題的同時，將待識別圖像配準到標準圖像的姿態(tài) 下，使所有的圖像都歸一化到標準圖像的姿態(tài)和尺度下。如此一來，只需要在固定的區(qū)域中 去識別與標準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)識別 算法。
【附圖說明】
[0033] 圖1是本發(fā)明中儀表檢測流程圖；
[0034] 圖2是本發(fā)明中級聯(lián)Adaboost粗檢測器訓練示意圖；
[0035] 圖3是本發(fā)明中雙級聯(lián)參數(shù)回歸示意圖；
[0036]圖4是本發(fā)明中后驗驗證器示意圖。
【具體實施方式】
[0037]下面結(jié)合附圖和實施方式對本發(fā)明進一步說明。
[0038] 如圖1所示，本發(fā)明包含級聯(lián)Adaboost粗檢測器，雙級聯(lián)參數(shù)回歸，后驗驗證器三 個部分。運行時，對任意輸入圖像，先經(jīng)過級聯(lián)Adaboost粗檢測器，檢出目標儀表候選區(qū)域。 然后對每個候選區(qū)域，使用雙級聯(lián)參數(shù)回歸器，回歸出標準圖像與待識別圖像之間的仿射 變換矩陣，然后將待識別圖片仿射變換到標準圖像的姿態(tài)，實現(xiàn)儀表姿態(tài)的歸一化，再通過 后驗驗證器確認是否存在目標儀表，最后輸出檢測結(jié)果。
[0039] 如圖2所示，級聯(lián)Adaboost粗檢測器訓練流程如下：
[0040] (1.1)在工業(yè)現(xiàn)場采集η張目標儀表圖像作為訓練樣本，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，實驗中取典型值η = 50。選取其中一張正面 拍攝的圖像作為標準圖像，記作Istd，在所有樣本圖像上，標記4個以上重復出現(xiàn)的標記點， 一般每張訓練樣本圖像上標記點數(shù)量取典型值8;
[0041] (1.2)在每張訓練樣本中隨機采集正方形圖像，正方形的邊長等于儀表的直徑，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樣本圖像;其中，采集到的正樣本圖像和負樣本圖像數(shù)量相同， m取值為0.1-0.5，實驗中m取典型值0.2;
[0042] (1.3)計算正負樣本的圖像特征，此處特征可取但不局限于局部二值模式(LBP)特 征，作為級聯(lián)Adaboost分類器的輸入，訓練一個級聯(lián)的Adaboost強分類器，要求該分類器的 正檢率高;例如，訓練時，每層Adaboost分類器正檢率設(shè)置為0.99，誤檢率設(shè)置為0.50，級聯(lián) 層數(shù)設(shè)置為10。此級聯(lián)Adaboost分類器效果是高正檢率的同時有高誤檢率；
[0043] (1.4)對任意圖像輸入到（1.3)中訓練處的級聯(lián)Adaboost粗分類器中，檢測出目標 儀表候選區(qū)域。
[0044] 如圖3所示，雙級聯(lián)參數(shù)回歸器的訓練流程如下：
[0045] (2.1)采集的η張訓練樣本圖像中標準圖像記作Istd，訓練樣本圖像記作Itarget，通 過仿射變換矩陣將Istd變換到Itarget的姿態(tài)下，所述仿射變換矩陣記作Hr;在I std上隨機撒ns 個點，作為計算特征的采樣點，記作P;n張訓練樣本圖像中，在每張訓練樣本圖像上隨機選 取j個初始仿射變換矩陣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)，實驗中取 典型值 ns=100, j = 50;
[0046] (2·2)將P通過Ho映射到新的位置，在Itarget圖像上計算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，預測得到第一外層估計值ΔΗ!，則更 新仿射變換矩陣出=ΔΗ.;再將P通過出映射到新的位置，在Itarget圖像上計算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，訓練得到第二層外層回歸器R2;以此類推，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個內(nèi)層回歸器，記為?對,一般k取典型值50;內(nèi)層回歸器使用隨機蕨回 歸器，訓練步驟如下：
[0049] 將xjP第一層回歸值Hrl作為隨機蕨回歸器的輸入，訓練得到第一個外層回歸器的 第一個內(nèi)層回歸器;將幻作為第一個內(nèi)層回歸器1?的輸入，預測得到第一內(nèi)層估計值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作為隨機蕨回歸器的 輸入，訓練得到第一個外層回歸器的第二個內(nèi)層回歸器將幻作為第二個內(nèi)層回歸器 的輸入，預測得到第二內(nèi)層估計值A(chǔ) Hr2,然后更新得到第三內(nèi)層回歸值Hi1; 然后再將作為隨機蕨回歸器的輸入，訓練得到第一個外層回歸器的第三個內(nèi)層回 歸器以此類推，得到所有內(nèi)層回歸器;從而完成雙級聯(lián)參數(shù)回歸器的訓練；
[0050] (2.5)將步驟(1)中得到的候選區(qū)域輸入到雙級聯(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，后驗驗證器訓練流程如下：
[0052] (3.1)采集η張目標儀表圖像作為訓練樣本，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準圖像，記作Istd;在每張訓練樣本圖像上標記4個 以上重復出現(xiàn)的標記點，一般每張訓練樣本圖像上標記點數(shù)量取典型值8;利用標記點，通 過最小二乘法估計出訓練樣本圖像仿射變換到標準圖像的仿射變換矩陣，將所有樣本圖像 仿射變換到標準儀表圖像的姿態(tài)下，實現(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采集正方形圖像，正方形的 邊長等于儀表的直徑，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樣本圖像;其中，采集到的正樣本圖像 和負樣本圖像數(shù)量相同，m取典型值0.2;
[0054] (3.3)分別計算步驟(3.2)得到的正負樣本圖像的H0G特征，作為正負樣本，訓練得 到一個支持向量機作為后驗驗證器；
[0055] (3.4)將步驟(2)得到的姿態(tài)歸一化后的圖像通過步驟(3.3)得到的后驗驗證器確 認是否存在目標儀表，最后輸出檢測結(jié)果。
[0056] 上述【具體實施方式】用來解釋說明本發(fā)明，而不是對本發(fā)明進行限制，在本發(fā)明的 精神和權(quán)利要求的保護范圍內(nèi)，對本發(fā)明作出的任何修改和改變，都落入本發(fā)明的保護范
【主權(quán)項】
1. 一種基于機器視覺的儀表檢測方法，其特征在于，所述儀表檢測具體為： (1) 對任意輸入圖像，先經(jīng)過級聯(lián)Adaboost粗檢測器，檢測出目標儀表候選區(qū)域； (2) 對步驟1得到的每個候選區(qū)域，使用雙級聯(lián)參數(shù)回歸器，回歸出標準圖像與待識別 圖像之間的仿射變換矩陣，然后將待識別圖片仿射變換到標準圖像的姿態(tài)，實現(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后驗驗證器確認是否存在目標儀表，最后 輸出檢測結(jié)果。2. 如權(quán)利要求1所述的一種基于機器視覺的儀表檢測方法，其特征在于:所述的經(jīng)過級 聯(lián)Adaboost粗檢測器，檢出目標儀表候選區(qū)域具體步驟如下： (1.1) 采集η張目標儀表圖像作為訓練樣本，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準圖像，記作Istd;在每張訓練樣本圖像上標記4個W上重復出現(xiàn) 的標記點； (1.2) 在每張訓練樣本中隨機采集正方形圖像，正方形的邊長等于儀表的直徑，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樣本圖像;其中，采集到的正樣本圖像和負樣本圖像數(shù)量相同，m取 值為 0.1-0.5; (1.3) 計算正負樣本的圖像特征，作為級聯(lián)Adaboost分類器的輸入，訓練一個級聯(lián) Adaboost分類器； (1.4) 對任意圖像輸入到級聯(lián)Adaboost分類器中，檢測出目標儀表候選區(qū)域。3. 如權(quán)利要求1所述的一種基于機器視覺的儀表檢測方法，其特征在于:所述步驟(2) 具體為： (2.1) 采集的η張訓練樣本圖像中標準圖像記作Istd，訓練樣本圖像記作Itarget，通過仿 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上隨機撒ns個點， 作為計算特征的采樣點，記作p;n張訓練樣本圖像中，在每張訓練樣本圖像上隨機選取j個 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通過化映射到新的位置，在Itarget圖像上計算shape-indexed fea化re記作XI， 然后更新得到第一層回歸值出1 =出冊-1;把XI和Hrl作為外層回歸器的輸入，訓練得到第一層 外層回歸器Ri; (2.3) 將XI作為第一層外層回歸器Ri的輸入，預測得到第一外層估計值Δ出，則更新仿 射變換矩陣出=A出冊;再將P通過化映射到新的位置，在Itarget圖像上計算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 練得到第二層外層回歸器R2;W此類推，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個內(nèi)層回歸器，記為[的，巧t?,...,巧內(nèi)層回歸器使用隨機藤回歸器，訓練步驟如下： 將XI和第一層回歸值出1作為隨機藤回歸器的輸入，訓練得到第一個外層回歸器的第一 個內(nèi)層回歸器化1;將XI作為第一個內(nèi)層回歸器巧的輸入，預測得到第一內(nèi)層估計值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作為隨機藤回歸器的輸 入，訓練得到第一個外層回歸器的第二個內(nèi)層回歸器巧J2;將XI作為第二個內(nèi)層回歸器Rf的 輸入，預測得到第二內(nèi)層估計值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作為隨機藤回歸器的輸入，訓練得到第一個外層回歸器的第Ξ個內(nèi)層回歸 器巧f擬此類推，得到所有內(nèi)層回歸器;從而完成雙級聯(lián)參數(shù)回歸器的訓練； (2.5)將步驟（1)中得到的候選區(qū)域輸入到雙級聯(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所述的一種基于機器視覺的儀表檢測方法，其特征在于:所述步驟(3) 具體為： (3.1) 采集η張目標儀表圖像作為訓練樣本，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準圖像，記作Istd;在每張訓練樣本圖像上標記4個W上重復出現(xiàn) 的標記點，利用標記點，通過最小二乘法估計出訓練樣本圖像仿射變換到標準圖像的仿射 變換矩陣，將所有樣本圖像仿射變換到標準儀表圖像的姿態(tài)下，實現(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采集正方形圖像，正方形的邊長 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樣本圖像;其中，采集到的正樣本圖像和負 樣本圖像數(shù)量相同，m取值為0.1-0.5; (3.3) 分別計算步驟(3.2)得到的正負樣本圖像的冊G特征，作為正負樣本，訓練得到一 個支持向量機作為后驗驗證器； (3.4) 將步驟(2)得到的姿態(tài)歸一化后的圖像通過步驟(3.3)得到的后驗驗證器確認是 否存在目標儀表，最后輸出檢測結(jié)果。
【文檔編號】G06K9/62GK105975979SQ201610261821
【公開日】2016年9月28日
【申請日】2016年4月22日
【發(fā)明人】熊蓉, 方立, 王軍南
【申請人】浙江大學