[發(fā)明專利]堆糧高度線的檢測(cè)方法和裝置

有效

• 申請(qǐng)?zhí)枺?/td>: 201410079819.1
• 申請(qǐng)日: 2014-03-05
• 公開（公告）號(hào): CN104899854B
• 公開（公告）日: 2018-01-16
• 發(fā)明（設(shè)計(jì)）人: 胡懋地;李其均
• 申請(qǐng)（專利權(quán)）人: 航天信息股份有限公司
• 主分類號(hào): G06T7/00
• 分類號(hào): G06T7/00;G06T7/90
• 代理公司: 北京工信聯(lián)合知識(shí)產(chǎn)權(quán)代理有限公司11266
• 代理人: 黃曉軍

技術(shù)領(lǐng)域

本發(fā)明涉及智能糧食倉(cāng)儲(chǔ)管理領(lǐng)域，尤其涉及一種堆糧高度線的檢測(cè)方法和裝置。

背景技術(shù)

糧食倉(cāng)儲(chǔ)管理的自動(dòng)化水平目前仍有待提升。堆糧高度測(cè)量、糧食出入倉(cāng)信息記錄等都依賴人工完成，阻礙了糧食物流組織化程度的發(fā)展。堆糧高度線，也稱存糧線，是堆糧高度測(cè)量和控制、糧食出入倉(cāng)檢測(cè)等的重要參考標(biāo)志線，其位置的檢測(cè)對(duì)糧倉(cāng)智能監(jiān)控和監(jiān)管有重要作用。

堆糧高度線有特定的顏色和形狀，一般為水平涂刷在墻壁上的固定寬度的深紅色長(zhǎng)條。但是，糧倉(cāng)環(huán)境中燈光昏暗且光源較多，導(dǎo)致堆糧高度線在圖像中的顏色變化較大，基于顏色空間建模的堆糧高度線的檢測(cè)結(jié)果的漏檢率和誤檢率都較高。另外，堆糧高度線常常緊鄰倉(cāng)頂、墻面和糧食的分界線、糧面走道板等，類似形狀的目標(biāo)較多。并且，糧面、走道板等相對(duì)位置不固定，屋頂高度離堆糧高度線沒有固定距離，所以堆糧高度線在水平邊緣特征上不具有唯一性。

顏色空間模型是對(duì)圖像中顏色進(jìn)行建模和分析的常用方法，基于膚色的人臉檢測(cè)就是顏色空間模型的典型應(yīng)用。Hough變換是一種可用于檢測(cè)直線、圓等特定形狀的模式識(shí)別方法。目前還沒有結(jié)合顏色空間模型和形狀對(duì)堆糧高度線進(jìn)行檢測(cè)的有效手段。

發(fā)明內(nèi)容

本發(fā)明的實(shí)施例提供了一種堆糧高度線的檢測(cè)方法和裝置，以實(shí)現(xiàn)結(jié)合顏色空間模型和形狀對(duì)堆糧高度線進(jìn)行有效的檢測(cè)。

本發(fā)明提供了如下方案：

一種堆糧高度線的檢測(cè)方法，包括：

通過攝像機(jī)采集堆糧高度線的訓(xùn)練圖像，基于所述訓(xùn)練圖像組成訓(xùn)練樣本集；

提取所述訓(xùn)練樣本集中的每幅訓(xùn)練圖像中的每個(gè)像素點(diǎn)的顏色空間特征，用EM算法訓(xùn)練所有的顏色空間特征得到混合高斯模型；

計(jì)算待檢圖像中的每個(gè)像素點(diǎn)的顏色空間特征相對(duì)于所述混合高斯模型的后驗(yàn)概率值，得到概率圖像；

根據(jù)所述待檢圖像的灰度圖像和所述概率圖像，通過Hough變換分別得到堆糧高度線上邊緣的備選集合和下邊緣的備選集合；

從所述堆糧高度線上邊緣的備選集合、下邊緣的備選集合配對(duì)得到待檢圖像中的堆糧高度線的位置。

所述的通過攝像機(jī)采集堆糧高度線的訓(xùn)練圖像，基于所述訓(xùn)練圖像組成訓(xùn)練樣本集，包括：

在不同時(shí)間段通過攝像機(jī)對(duì)需要檢測(cè)堆糧高度線的墻面進(jìn)行多次拍照，得到多個(gè)訓(xùn)練圖像，將所有訓(xùn)練圖像組成訓(xùn)練樣本集；

在每幅訓(xùn)練圖像中，選擇出堆糧高度線內(nèi)的若干個(gè)像素點(diǎn)，用泛洪填充算法找出每幅訓(xùn)練圖像中所選像素點(diǎn)的鄰近點(diǎn)，所述鄰近點(diǎn)與所選像素點(diǎn)的像素值之間的差值在指定數(shù)值范圍內(nèi)，將所述鄰近點(diǎn)和所選像素點(diǎn)一起加入到所述訓(xùn)練樣本集中。

所述的提取訓(xùn)練樣本集中的每幅訓(xùn)練圖像中的每個(gè)像素點(diǎn)的顏色空間特征，用EM算法訓(xùn)練所有的顏色空間特征得到混合高斯模型，包括：

對(duì)于訓(xùn)練樣本集中的每幅訓(xùn)練圖像中的任意一個(gè)像素點(diǎn)，設(shè)其RGB值分別為R,G,B，該像素點(diǎn)的顏色空間特征為對(duì)于訓(xùn)練樣本集中的每幅訓(xùn)練圖像中的每個(gè)像素點(diǎn)，分別提取其顏色空間特征；

以所有像素點(diǎn)的顏色空間特征作為訓(xùn)練數(shù)據(jù)，用最大期望算法EM算法訓(xùn)練所述訓(xùn)練數(shù)據(jù)得到一個(gè)混合高斯模型GMM，記為模型Θ

所述模型Θ包含M個(gè)分量，每個(gè)分量包含3種參數(shù)(w_i,μ_i,Σ_i)，i=1...M，w_i表示第i個(gè)分量的權(quán)值，μ_i表示第i個(gè)分量的均值，Σ_i表示第i個(gè)分量的方差。

所述的計(jì)算待檢圖像中的每個(gè)像素點(diǎn)的顏色空間特征相對(duì)于所述混合高斯模型的后驗(yàn)概率值，得到概率圖像，包括：

拍攝出堆糧高度線的待檢圖像，對(duì)所述待檢圖像中的每個(gè)像素點(diǎn)，提取該像素點(diǎn)的顏色空間特征x，計(jì)算所述顏色空間特征x相對(duì)于模型Θ的后驗(yàn)概率值為：

其中，g是高斯密度函數(shù)。

生成所述待檢圖像對(duì)應(yīng)的灰度圖像，該灰度圖像中的每個(gè)像素點(diǎn)的像素值為所述待檢圖像中的相同位置的像素點(diǎn)的所述后驗(yàn)概率值，對(duì)所述灰度圖像進(jìn)行腐蝕膨脹，得到概率圖像。

所述的根據(jù)所述待檢圖像的灰度圖像和所述概率圖像，通過Hough變換分別得到堆糧高度線上邊緣的備選集合和下邊緣的備選集合，包括：

用Canny邊緣檢測(cè)算法對(duì)所述待檢圖像對(duì)應(yīng)的灰度圖像進(jìn)行邊緣檢測(cè)，得到圖像C；