本发明专利技术提供一种基于ADABOOST+SVM改进分类算法的粮堆目标检测方法，涉及粮仓机器人视觉技术领域。本发明专利技术步骤如下：步骤1：建立粮堆的识别模型；步骤2：通过图像采集设备采集一组粮仓实际场景图片；步骤3：将彩色图像转换为灰度图，将灰度图与识别模型进行对比，并储存成功检测出的候选区域；步骤4：将候选区域按照相似度大小排列，选择出相似度最大的f个粮堆，对彩色图像进行二次判别，输出标注出框选区域的彩色图像；步骤5：通过彩色图像获得参数集，根据参数集计算出粮堆底部宽度，并储存粮堆的宽度、粮堆质心距相机的距离、粮堆质心与相机的夹角方位角。该方法实现了对粮堆的准确、快速地识别，同时也减少了人工平仓作业的成本。
Grain Storage Target Detection Method Based on ADABOST+SVM Improved Classification Algorithms
【技术实现步骤摘要】
基于ADABOOST+SVM改进分类算法的粮堆目标检测方法
本专利技术涉及粮仓机器人视觉
，尤其涉及一种基于ADABOOST+SVM改进分类算法的粮堆目标检测方法。
技术介绍
粮食储备关系到国家安全和社会稳定，粮食仓储技术创新和发展也格外备受关注。平整粮面作为粮食入仓即将进入常规储藏阶段的最后一个处理环节是至关重要的。粮面平整度直接关系到粮食储藏期间通风、熏蒸，粮温测控等储粮技术的实施效果，进而影响到粮食在储藏期的安全。然而，我国目前粮食仓储的平仓工作，大多还保留着纯人工作业，造成平仓速度慢、劳动强度大、平仓效率低下，不能满足平仓作业的需要，甚至会对人的生命安全带来严重威胁，随着工业技术的不断革新，机器人悄然走进了粮油仓储行业。现阶段粮仓机器人在巡仓、检仓、报仓等功能上有了很大的进步，但是在平仓作业上，现阶段的机器人还无法实现全自动自主工作的功能，需要人工去远程操控，这样费时费力并且平仓效果不太理想。自主平仓机器人在对粮仓进行翻平，首先要检测出粮堆所在的方位及距离。但由于粮仓内部光线不足、空间过大等原因，使得粮堆的检测变得困难。
技术实现思路
本专利技术要解决的技术问题是针对上述现有技术的不足，提供一种基于ADABOOST+SVM改进分类算法的粮堆目标检测方法，实现了对粮堆的准确、快速地识别，同时也减少了人工平仓作业的成本。为解决上述技术问题，本专利技术所采取的技术方案是：本专利技术提供一种基于ADABOOST+SVM改进分类算法的粮堆目标检测方法，包括以下步骤：步骤1：建立粮堆的识别模型；步骤2：通过图像采集设备采集一组粮仓实际场景图片；一组图片包括一张彩色图和一张深度图；步骤3：对采集的彩色图像转换为灰度图，将转换后的灰度图与步骤1中获得的识别模型进行对比，并储存成功检测出的候选区域；步骤3.1：将彩色图转换为灰度图，并提取图像的LBP特征；步骤3.2：将图像的LBP特征与模型进行对比，直到检测不出粮堆为止，将所有成功检测的候选区域都存储在迭代器中，形成集合P；成功检测的标准为：设定允许检测出的粮堆框选区面积大小范围为(a1，b1)至(a2，b2)，其中a1为最小范围的长度值，b1为最小范围的宽度值，a2为最大范围的长度值，b2为最大范围的宽度值，设定对比成功次数为n，每对比成功一次对候选区域进行尺寸缩小，缩小比例为ζ；步骤3.4：判断步骤3.2中的集合P是否为空集或集合中样本数量少于预设样本数量S，是则执行步骤3.5；否则执行步骤4；步骤3.5：将图像采集设备调整角度或位置，采集一组粮仓实际场景图片，包括一张彩色图和一张深度图；采集完成后执行步骤3.1。步骤4：将步骤3中获得的候选区域按照相似度大小排列，选择出相似度最大的f个粮堆，根据选择的f个粮堆对步骤1中的彩色图像按照判别条件进行二次判别，输出标注出框选区域的彩色图像，若判别失败则执行步骤3.5；所述判别条件为：设置位于图像中心处宽度像素范围为(w1，w2)、高度像素范围为(h1，h2)的粮堆框选区域，其中w1为粮堆框选区宽度的最小像素值，w2为粮堆框选区宽度的最大像素值，h1为粮堆框选区高度的最小像素值，h2为粮堆框选区高度的最大像素值；所述粮堆框选区域中的粮堆候选区必须完整且数量大于等于1；步骤5：通过步骤1中的彩色图和深度图获得参数集，根据参数集计算出粮堆底部宽度W，并储存粮堆的宽度W、粮堆质心距相机的距离Dc、粮堆质心与相机的夹角方位角θc；步骤5.1：首先将步骤1中的彩色图中的像素坐标点转换为深度图中的像素坐标点；再通过像素坐标系与世界坐标系之间的转换得到粮堆质心与摄像头的方位角θc和粮堆左下顶点与右下顶点之间的夹角θ；并提取出深度图像素坐标下的各个粮堆的质心坐标(x，y)、质心距相机距离Dc、左下顶点坐标(x1，y1)、左下顶点距相机距离Dl、右下顶点坐标(x2，y2)、右下顶点距相机距离Dr，将上述参数形成参数集；步骤5.2：根据左下顶点距相机距离Dl，右下顶点距相机距离Dr，左下顶点的与右下顶点之间的夹角θ，计算出粮堆底部宽度W，计算公式如下：式中：Dl表示粮堆左下顶点距相机距离；Dr表示粮堆右下顶点距相机距离；θ表示粮堆左下顶点与右下顶点之间的夹角；abs表示计算值取绝对值。所述步骤1的具体步骤如下：步骤1.1：数据集的处理；根据采集条件采集包括正反两例的数据集，其中正例为粮堆的图像；反例为除粮堆之外的图像；所述采集条件为正反例数据集制作要满足反例数量大于正例图像，其比例为：反例：正例>10；步骤1.2：建立粮堆的识别模型；模型的建立方法如下：选出每级SVM分类模型中共同分错的样本，将正例错分反例的样本个数记为Np-n，反例错分为正例的个数记为Nn-p，然后分别算出正例错分反例样本向量特征的聚类中心Cp-n和反例错分为正例样本向量特征的聚类中心Cn-p；随机提取框选区域的向量特征，根据欧氏距离公式计算离上述两类聚类中心的距离；权重优化公式分为下列两种情况，详情如下：情况一：划分为Cp-n类投票正例分类器权重优化公式为：投票反例分类器权重优化公式为：情况二：划分为Cn-p类投票正例分类器权重优化公式为：投票反例分类器权重优化公式为：式中：ηi表示投票正例分类器的权重；ηj表示投票反例分类器的权重；Np-n表示各级分类器共同将正例错分为反例的个数；Nn-p表示各级分类器共同将反例错分为正例的个数；N总表示样本总个数；N+表示分类器投票为正例的个数；N-表示分类器投票为反例的个数；所述步骤4的具体步骤如下：步骤4.1：迭代器中粮堆候选区按粮堆相似度大小降次排序进行存储，通过筛选，选择出相似度最大的f个粮堆候选区，其中f≤S；步骤4.2：根据选择的f个粮堆对步骤3.1中的彩色图像按照判别条件进行二次判别，若判别成功将排除粮堆框选区以外的粮堆候选区，输出标记粮堆框选区域的彩色图像；若判别失败则执行步骤3.5。采用上述技术方案所产生的有益效果在于：本专利技术提供的一种基于ADABOOST+SVM改进分类算法的粮堆目标检测方法；该方法填补了粮仓中对粮堆检测方法的空白，充分发挥了全自主平仓机器人的智能性和安全性的优势。该专利技术运用的粮堆检测的模型训练方法以及粮堆目标检测系统都具有开创性的尝试。相比于传统的人工或人工远程控制机器人平仓过程，具有独创性多、识别准确度高、可靠性强等特点，实现了对粮堆的准确、快速地识别，同时也减少了人工平仓作业的成本。附图说明图1为本专利技术实施例提供的粮堆目标检测方法的流程图；图2为本专利技术实施例提供的使用的ADABOOST+SVM改进分类算法原理图；图3为本专利技术实施例提供的粮堆二次判别的流程图；图4为本专利技术实施例提供的粮堆检测实验效果图；图5为本专利技术实施例提供的输出的标记粮堆框选区域的彩色图；图6为本专利技术实施例提供的粮堆宽度图。具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。如图1所示，本实施例的方法如下所述。本专利技术提供一种基于ADABOOST+SVM改进分类算法的粮堆目标检测方法，包括以下步骤：步骤1：建立粮堆的识别模型；步骤1.1：数据集的处理；根据采集条件采集包括正反两例的数据集；其中正例为粮堆的图像，由于自然粮堆的横纵比例有一定规本文档来自技高网...
【技术保护点】
1.一种基于ADABOOST+SVM改进分类算法的粮堆目标检测方法，其特征在于：包括以下步骤：步骤1：建立粮堆的识别模型；步骤2：通过图像采集设备采集一组粮仓实际场景图片；一组图片包括一张彩色图和一张深度图；步骤3：对采集的彩色图像转换为灰度图，将转换后的灰度图与步骤1中获得的识别模型进行对比，并储存成功检测出的候选区域；步骤3.1：将彩色图像转换为灰度图，并提取图像的LBP特征；步骤3.2：将图像的LBP特征与模型进行对比，直到检测不出粮堆为止，将所有成功检测的候选区域都存储在迭代器中，形成集合P；成功检测的标准为：设定允许检测出的粮堆框选区面积大小范围为(a1,b1)至(a2,b2)，其中a1为最小范围的长度值，b1为最小范围的宽度值，a2为最大范围的长度值，b2为最大范围的宽度值，设定对比成功次数为n，每对比成功一次对候选区域进行尺寸缩小，缩小比例为ζ；步骤3.4：判断步骤3.2中的集合P是否为空集或集合中样本数量少于预设样本数量S，是则执行步骤3.5；否则执行步骤4；步骤3.5：将图像采集设备调整角度或位置，采集一组粮仓实际场景图片，包括一张彩色图和一张深度图；采集完成后执行步骤3.1；步骤4：将步骤3中获得的候选区域按照相似度大小排列，选择出相似度最大的f个粮堆，根据选择的f个粮堆对步骤1中的彩色图像按照判别条件进行二次判别，输出标注出框选区域的彩色图像，若判别失败则执行步骤3.5；所述判别条件为：设置位于图像中心处宽度像素范围为(w1,w2)、高度像素范围为(h1,h2)的粮堆框选区域，其中w1为粮堆框选区宽度的最小像素值，w2为粮堆框选区宽度的最大像素值，h1为粮堆框选区高度的最小像素值，h2为粮堆框选区高度的最大像素值；所述粮堆框选区域中的粮堆候选区必须完整且数量大于等于1；步骤5：通过步骤1中的彩色图和深度图获得参数集，根据参数集计算出粮堆底部宽度W，并储存粮堆的宽度W、粮堆质心距相机的距离Dc、粮堆质心与相机的夹角方位角θc；步骤5.1：首先将步骤1中的彩色图中的像素坐标点转换为深度图中的像素坐标点；再通过像素坐标系与世界坐标系之间的转换得到粮堆质心与摄像头的方位角θc和粮堆左下顶点与右下顶点之间的夹角θ；并提取出深度图像素坐标下的各个粮堆的质心坐标(x，y)、质心距相机距离Dc、左下顶点坐标(x1，y1)、左下顶点距相机距离Dl、右下顶点坐标(x2，y2)、右下顶点距相机距离Dr，将上述参数形成参数集；步骤5.2：根据左下顶点距相机距离Dl，右下顶点距相机距离Dr，左下顶点的与右下顶点之间的夹角θ，计算出粮堆底部宽度W，计算公式如下：...
【技术特征摘要】
1.一种基于ADABOOST+SVM改进分类算法的粮堆目标检测方法，其特征在于：包括以下步骤：步骤1：建立粮堆的识别模型；步骤2：通过图像采集设备采集一组粮仓实际场景图片；一组图片包括一张彩色图和一张深度图；步骤3：对采集的彩色图像转换为灰度图，将转换后的灰度图与步骤1中获得的识别模型进行对比，并储存成功检测出的候选区域；步骤3.1：将彩色图像转换为灰度图，并提取图像的LBP特征；步骤3.2：将图像的LBP特征与模型进行对比，直到检测不出粮堆为止，将所有成功检测的候选区域都存储在迭代器中，形成集合P；成功检测的标准为：设定允许检测出的粮堆框选区面积大小范围为(a1,b1)至(a2,b2)，其中a1为最小范围的长度值，b1为最小范围的宽度值，a2为最大范围的长度值，b2为最大范围的宽度值，设定对比成功次数为n，每对比成功一次对候选区域进行尺寸缩小，缩小比例为ζ；步骤3.4：判断步骤3.2中的集合P是否为空集或集合中样本数量少于预设样本数量S，是则执行步骤3.5；否则执行步骤4；步骤3.5：将图像采集设备调整角度或位置，采集一组粮仓实际场景图片，包括一张彩色图和一张深度图；采集完成后执行步骤3.1；步骤4：将步骤3中获得的候选区域按照相似度大小排列，选择出相似度最大的f个粮堆，根据选择的f个粮堆对步骤1中的彩色图像按照判别条件进行二次判别，输出标注出框选区域的彩色图像，若判别失败则执行步骤3.5；所述判别条件为：设置位于图像中心处宽度像素范围为(w1,w2)、高度像素范围为(h1,h2)的粮堆框选区域，其中w1为粮堆框选区宽度的最小像素值，w2为粮堆框选区宽度的最大像素值，h1为粮堆框选区高度的最小像素值，h2为粮堆框选区高度的最大像素值；所述粮堆框选区域中的粮堆候选区必须完整且数量大于等于1；步骤5：通过步骤1中的彩色图和深度图获得参数集，根据参数集计算出粮堆底部宽度W，并储存粮堆的宽度W、粮堆质心距相机的距离Dc、粮堆质心与相机的夹角方位角θc；步骤5.1：首先将步骤1中的彩色图中的像素坐标点转换为深度图中的像素坐标点；再通过像素坐标系与世界坐标系之间的转换得到粮堆质心与摄像头的方位角θc和粮堆左下顶点与右下顶点之间的夹角θ；并提取出深度图像素坐标下的各个粮堆的质心坐标(x，y)、质心距相机距离Dc、左下顶点...
【专利技术属性】
技术研发人员：王骄，程云龙，
申请(专利权)人：东北大学，
类型：发明
国别省市：辽宁,21
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。