[發明專利]一種局部和全局特征相結合的橋梁施工裝置

在審

• 申請號: 201610045943.5
• 申請日: 2016-01-22
• 公開（公告）號: CN105740865A
• 公開（公告）日: 2016-07-06
• 發明（設計）人: 張健敏
• 申請（專利權）人: 張健敏
• 主分類號: G06K9/46
• 分類號: G06K9/46;G06K9/62
• 代理公司: 北京高航知識產權代理有限公司 11530
• 代理人: 丁艷俠

1.一種局部和全局特征相結合的橋梁施工裝置，包括橋梁施工車和安裝在橋梁施工車上的監測裝置，監測裝置用于對橋梁施工車附近的活動進行視頻圖像監測，其特征是，監測裝置包括預處理模塊、檢測跟蹤模塊、識別輸出模塊；

(1)預處理模塊,用于對接收到的圖像進行預處理，具體包括圖像轉化子模塊、圖像濾波子模塊和圖像增強子模塊：

圖像轉化子模塊,用于將彩色圖像轉化為灰度圖像:

H(x,y)=max(R(x,y),G(x,y),B(x,y))+min(R(x,y),G(x,y)B,(x,y))2+2(max(R(x,y),G(x,y),B(x,y))-min(R(x,y),G(x,y),B(x,y)))]]>

其中，R(x,y)、G(x,y)、B(x,y)分別代表像素(x,y)處的紅綠藍強度值，H(x,y)代表坐標(x,y)處的像素灰度值；圖像大小為m×n；

圖像濾波子模塊，用于對灰度圖像進行濾波：

采用維納濾波來進行一級濾除后，定義svlm圖像，記為M_svlm(x,y)，具體定義公式為：M_svlm(x,y)＝a₁J₁(x,y)+a₂J₂(x,y)+a₃J₃(x,y)+a₄J₄(x,y)，其中a₁、a₂、a₃、a₄為可變權值，i＝1，2，3，4；J(x,y)為經濾波后的圖像；

圖像增強子模塊：

當|128-m|>|ω-50|3]]>時，L(x,y)=255×(H(x,y)255)Ψ(x,y),]]>其中，L(x,y)為增強后的灰度值；ψ(x,y)是包含有局部信息的伽馬校正系數，此時α是范圍為0到1的可變參數，ω為模板尺度大小參量，尺度越大則模板中包含的鄰域像素信息就越多，輸入圖像經過不同尺度ω_i的模板，得到的圖像J_i將會包含不同范圍的鄰域信息；

當|128-m|≤|ω-50|3]]>且ω＞50時，L(x,y)=255×(H(x,y)255)ψ(x,y)×(1-ω-50ω2),]]>其中ψ(x,y)＝ψ_α(M_svlm(x,y))，m_H是圖像中灰度值高于128的所有像素的均值，m_L是灰度值低于128的所有像素的均值，且此時m＝min(m_H，m_L)，在α值已知的情況下，計算出256個ψ校正系數作為查找表，記為其中i為索引值，利用M_svlm(x,y)的灰度值作為索引，根據ψ(x，y)＝ψ_α(M_svlm(x,y))快速獲得圖像中每個像素的伽馬校正系數ψ(x,y)；為模板修正系數；

(2)檢測跟蹤模塊，具體包括構建子模塊、丟失判別子模塊和更新子模塊：

構建子模塊，用于視覺字典的構建：

在初始幀獲取跟蹤目標的位置和尺度，在其周圍選取正負樣本訓練跟蹤器，將跟蹤結果作為訓練集X＝{x₁,x₂,……x_N}^T；并對訓練集中的每幅目標圖像提取128維的SIFT特征其中S_t表示訓練集中第t幅目標圖像中SIFT特征的個數；跟蹤N幀以后，通過聚類算法將這些特征劃分為K個簇，每個簇的中心構成特征單詞，記為能夠提取到的特征總量其中K＜＜F_N，且視覺字典構建好以后，每幅訓練圖像表示為特征包的形式，用于表示視覺字典中特征單詞出現的頻率，用直方圖h(x_t)表示，h(x_t)通過以下方式獲取：將一幅訓練圖像X_t中的每一個特征f_s^(t)向視覺字典投影，用投影距離最短的特征單詞表示該特征，對所有特征投影完畢后，統計每個特征單詞的出現頻率，并歸一化得到訓練圖像X_t的特征直方圖h(x_t)；

丟失判別子模塊，用于判別目標的丟失與否：

當新一幀圖像到來時，從K個直方圖柱中隨機選取Z<K個直方圖柱，且Z＝4，形成新的大小為Z的子直方圖h^(z)(x_t)，子直方圖的個數最多為個；計算候選目標區域和訓練集中某個目標區域對應子直方圖的相似性Ф_{t_z}，其中t＝1,2,…,N，z＝1,2,…,N_s，然后計算總體相似性Ф_t＝1-∏_z(1-Ф_{t_z})；候選目標區域與目標的相似性用Ф＝max{Ф_t，t}表示，則目標丟失判斷式為：u=sign(Φ)=1Φ≥gs0Φ<gs,]]>其中gs為人為設定的判失閥值；當u＝1時目標被穩定跟蹤，當u＝0時，目標丟失；當目標丟失時，定義仿射變換模型：xtyt=s.cos(μ1×θ)s.sin(μ1×θ)-s.sin(μ1×θ)s.cos(μ1×θ)xt-1yt-1+μ2ef,]]>其中(x_t，y_t)和(x_t-1,y_t-1)分別為當前幀目標中某個SITF特征點的位置坐標和前一個幀目標中對應匹配特征點的位置坐標，兩者均為已知量；s為尺度系數，θ為旋轉系數，e和f代表了平移系數，μ1=1-|T-T0|1000T0T≥T01+|T-T0|1000T0T<T0]]>為溫度旋轉修正系數，μ2=1-|T-T0|1000T0T≥T01+|T-T0|1000T0T<T0]]>為溫度平移修正系數，μ₁和μ₂用于修正因為環境溫度偏差造成的圖像旋轉和平移誤差，T₀為人為設定的標準溫度，設為20度，T為由溫度傳感器實時監測得到的溫度值；采用Ransac估計算法求取仿射變換模型的參數，最后在新的尺度s和旋轉系數θ下采集正負樣本，更新分類器；

更新子模塊，用于視覺字典的更新：

在每幀圖像獲得目標位置以后，根據仿射變換參數的計算結果，收集所有滿足結果參數的SIFT特征點經過F＝3幀以后，獲得新的特征點集其中S_t-F代表了從F幀圖像中得到的總特征點數；利用下式對新舊特征點重新進行K聚類：其中表示新的視覺字典，視覺字典的大小保持不變；是遺忘因子，表明了舊字典所占的比重，越小，新特征對目標丟失的判斷貢獻越多，取

(3)識別輸出模塊，用于圖像的識別和輸出：在待識別的圖像序列中利用跟蹤算法獲取目標區域，將目標區域映射到已知訓練數據形成的子空間，計算子空間中目標區域與訓練數據之間的距離，獲得相似性度量，判定目標類別，并輸出識別結果。

2.根據權利要求1所述的一種局部和全局特征相結合的橋梁施工裝置，其特征是，采用維納濾波來進行一級濾除后，此時圖像信息還包含有殘余的噪音，采用以下的二級濾波器進行二次濾波：

J(x,y)=Σi=-m/2m/2Σj=-n/2n/2H(x,y)Pg(x+i,y+j)]]>

其中，J(x,y)為經過濾波后的圖像；P_g(x+i,y+j)代表尺度為m×n的函數，且P_g(x+i,y+j)＝q×exp(-(x²+y²)/ω)，其中q是將函數歸一化的系數，即：∫∫q×exp(-(x²+y²)/ω)dxdy＝1。