[發(fā)明專利]一種基于視覺特征的數(shù)控車床

在審

• 申請(qǐng)?zhí)枺?/td>: 201610045945.4
• 申請(qǐng)日: 2016-01-22
• 公開（公告）號(hào): CN105718897A
• 公開（公告）日: 2016-06-29
• 發(fā)明（設(shè)計(jì)）人: 張健敏
• 申請(qǐng)（專利權(quán)）人: 張健敏
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00;B23B25/04;G06K9/54;G06K9/62
• 代理公司: 北京高航知識(shí)產(chǎn)權(quán)代理有限公司 11530
• 代理人: 丁艷俠

1.一種基于視覺特征的數(shù)控車床，包括數(shù)控車床和安裝在數(shù)控車床上的監(jiān)測(cè)裝置，監(jiān) 測(cè)裝置用于對(duì)數(shù)控車床附近的活動(dòng)進(jìn)行視頻圖像監(jiān)測(cè)，其特征是，監(jiān)測(cè)裝置包括預(yù)處理模 塊、檢測(cè)跟蹤模塊、識(shí)別輸出模塊；

(1)預(yù)處理模塊，用于對(duì)接收到的圖像進(jìn)行預(yù)處理，具體包括圖像轉(zhuǎn)化子模塊、圖像濾 波子模塊和圖像增強(qiáng)子模塊：

圖像轉(zhuǎn)化子模塊，用于將彩色圖像轉(zhuǎn)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(lán)強(qiáng)度值，H(x，y)代表坐標(biāo) (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(duì)灰度圖像進(jìn)行濾波：

采用維納濾波來進(jìn)行一級(jí)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(quán)值， i＝1，2，3，4；J(x，y)為經(jīng)濾波后的圖像；

圖像增強(qiáng)子模塊：

當(dāng)|128-m|>|ω-50|3]]>時(shí)，L(x,y)=255×(H(x,y)255)ψ(x,y),]]>其中，L(x，y)為增強(qiáng)后的灰 度值；ψ(x，y)是包含有局部信息的伽馬校正系數(shù)，此時(shí)α是范圍為 0到1的可變參數(shù)，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(jīng)過不同尺度ω_i的模板，得到的圖像J_i將會(huì)包含不同范圍的鄰 域信息；

當(dāng)|128-m|≤|ω-50|3]]>且ω＞50時(shí)，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(shí)m＝min(m_H，m_L)，在α值已知的情況下， 計(jì)算出256個(gè)ψ校正系數(shù)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(jù)ψ(x，y)＝ψ_α(M_svlm(x，y))快速獲得圖像中每個(gè)像素的伽馬校正系數(shù)ψ(x， y)；為模板修正系數(shù)；

(2)檢測(cè)跟蹤模塊，具體包括構(gòu)建子模塊、丟失判別子模塊和更新子模塊：

構(gòu)建子模塊，用于視覺字典的構(gòu)建：

在初始幀獲取跟蹤目標(biāo)的位置和尺度，在其周圍選取正負(fù)樣本訓(xùn)練跟蹤器，將跟蹤結(jié) 果作為訓(xùn)練集X＝{x₁，x₂，......x_N}^T；并對(duì)訓(xùn)練集中的每幅目標(biāo)圖像提取128維的SIFT特征 其中S_t表示訓(xùn)練集中第t幅目標(biāo)圖像中SIFT特征的個(gè)數(shù)；跟蹤N幀以后，通過聚類 算法將這些特征劃分為K個(gè)簇，每個(gè)簇的中心構(gòu)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(gòu)建好以后，每幅訓(xùn)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(xiàn)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(xùn)練圖像X_t中的每一個(gè)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(duì)所有特征投影完畢后，統(tǒng)計(jì)每個(gè)特征單詞的出現(xiàn)頻率，并歸一 化得到訓(xùn)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(biāo)的丟失與否：

當(dāng)新一幀圖像到來時(shí)，從K個(gè)直方圖柱中隨機(jī)選取Z＜K個(gè)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(gè)數(shù)最多為個(gè)；計(jì)算候選目標(biāo)區(qū)域和訓(xùn)練 集中某個(gè)目標(biāo)區(qū)域?qū)?yīng)子直方圖的相似性Φ_{t_z}，其中t＝1， 2，...，N，z＝1，2，...，N_s，然后計(jì)算總體相似性Φ_t＝1-∏_z(1-Φ_{t_z})；候選目標(biāo)區(qū)域與目標(biāo) 的相似性用Φ＝max{Φ_t，t}表示，則目標(biāo)丟失判斷式為：u=sign(Φ)=1Φ≥gs0Φ<gs,]]>其中 gs為人為設(shè)定的判失閥值；當(dāng)u＝1時(shí)目標(biāo)被穩(wěn)定跟蹤，當(dāng)u＝0時(shí)，目標(biāo)丟失；當(dāng)目標(biāo)丟失時(shí)， 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(dāng)前幀目標(biāo)中某個(gè)SITF特征點(diǎn)的位置坐標(biāo)和前一個(gè)幀目標(biāo)中對(duì)應(yīng)匹配特征點(diǎn) 的位置坐標(biāo)，兩者均為已知量；s為尺度系數(shù)，θ為旋轉(zhuǎn)系數(shù)，e和f代表了平移系數(shù)， μ1=1-|T-T0|1000T0T≥T01+|T-T0|1000T0T<T0]]>為溫度旋轉(zhuǎn)修正系數(shù)，μ2=1-|T-T0|1000T0T≥T01+|T-T0|1000T0T<T0]]>為溫度 平移修正系數(shù)，μ₁和μ₂用于修正因?yàn)榄h(huán)境溫度偏差造成的圖像旋轉(zhuǎn)和平移誤差，T₀為人為設(shè) 定的標(biāo)準(zhǔn)溫度，設(shè)為20度，T為由溫度傳感器實(shí)時(shí)監(jiān)測(cè)得到的溫度值；采用Ransac估計(jì)算法 求取仿射變換模型的參數(shù)，最后在新的尺度s和旋轉(zhuǎn)系數(shù)θ下采集正負(fù)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(biāo)位置以后，根據(jù)仿射變換參數(shù)的計(jì)算結(jié)果，收集所有滿足結(jié)果參 數(shù)的SIFT特征點(diǎn)經(jīng)過F＝3幀以后，獲得新的特征點(diǎn)集其中S_t-F代表了從F 幀圖像中得到的總特征點(diǎn)數(shù)；利用下式對(duì)新舊特征點(diǎn)重新進(jìn)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(duì)目標(biāo)丟失的判斷貢 獻(xiàn)越多，取

(3)識(shí)別輸出模塊，用于圖像的識(shí)別和輸出：在待識(shí)別的圖像序列中利用跟蹤算法獲取 目標(biāo)區(qū)域，將目標(biāo)區(qū)域映射到已知訓(xùn)練數(shù)據(jù)形成的子空間，計(jì)算子空間中目標(biāo)區(qū)域與訓(xùn)練 數(shù)據(jù)之間的距離，獲得相似性度量，判定目標(biāo)類別，并輸出識(shí)別結(jié)果。

2.根據(jù)權(quán)利要求1所述的一種基于視覺特征的數(shù)控車床，其特征是，采用維納濾波來進(jìn) 行一級(jí)濾除后，此時(shí)圖像信息還包含有殘余的噪音，采用以下的二級(jí)濾波器進(jìn)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(jīng)過濾波后的圖像；P_g(x+i，y+j)代表尺度為m×n的函數(shù)，且P_g(x+i，y+ j)＝q×exp(-(x²+y²)/ω)，其中q是將函數(shù)歸一化的系數(shù)，即：∫∫q×exp(-(x²+y²)/ω)dxdy ＝1。