【技术实现步骤摘要】
基于机器视觉的非智能水表识读方法
本专利技术涉及计算机图像处理技术,具体涉及尺度不变特征转换、目标定位、自适应阈值二值化、图像矫正、中值滤波、连通域去噪,以及字符分割与识别方法应用于非智能水表识读系统。
技术介绍
水是生命之源,是人们在生活中最不能缺少的重要物质。水资源是有限的且需要收费,供水公司为了统计每一户的用水量,在每户的进水设备上都安装了水表,用来统计用水量并根据用水量来收费。水表抄表是用水计量收费的前提,也是住户了解自身用水需求的途径。随着现代计算机技术的飞速发展,计算机技术的进步为人们的衣食住行提供了非常大的便捷,人类生活已经逐渐的迈向了自动化以及智能化。人类的生活离不开水,每家每户都有水表来记录家庭的每月用水量,我国现阶段大多数用的还是非智能水表,自来水公司每个月都需要派遣大量人力去到小区的家家户户去抄水表,这无疑是一项巨大的工程,依靠这种传统的人工方式去抄水表和收费,存在着诸多的弊端。我国目前使用量最多的还是传统的机械式水表,若全部更换智能水表,需要的成本较高。出于经济成本以及可操作性等因素的考虑,在不改变原来非智能水表结构的基础上,智能化的抄表方式显得愈发重要。为了节省人力物力,也减少改造成本,现提出一种通过对拍照获得的图片进行处理,进而对示数区域定位并识读的方法。这种方式的好处在于不必强制性改变水表的结构,用户只需要通过手机等拍照设备定期对水表表盘拍照并上传,水表公司就能通过用户上传的照片获得该用户的水表读数。利用计算机视觉以及数字图像处理技术来对获取的水表图像进行一定的处理,然后识别其中的读数,并将获得的数据存储起来,是一种非常快速、 ...
【技术保护点】
1.基于机器视觉的非智能水表识读方法,其特征在于:对用户输入的图片和模板图片获取关键点;对关键点进行匹配,通过两幅图像的匹配点,确定特征区域的位置,即确定模板图片在用户上传的水表图片的位置;截取特征区域图片,通过该部分的直方图特点矫正特征区域图片,获得矫正角度,根据矫正角度矫正水表图片;对矫正后的水表图片再次寻找特征区域的位置,从而确定水表的示数区域;截取水表示数区域图片,对其进行二值化,去噪等处理后分割字符;对分割后的数字字符进行识别,最后按顺序输出,获得水表示数。
【技术特征摘要】
1.基于机器视觉的非智能水表识读方法,其特征在于:对用户输入的图片和模板图片获取关键点;对关键点进行匹配,通过两幅图像的匹配点,确定特征区域的位置,即确定模板图片在用户上传的水表图片的位置;截取特征区域图片,通过该部分的直方图特点矫正特征区域图片,获得矫正角度,根据矫正角度矫正水表图片;对矫正后的水表图片再次寻找特征区域的位置,从而确定水表的示数区域;截取水表示数区域图片,对其进行二值化,去噪等处理后分割字符;对分割后的数字字符进行识别,最后按顺序输出,获得水表示数。2.根据权利要求1所述的基于机器视觉的非智能水表识读方法,其特征在于:对用户输入的图片和模板图片获取关键点,作为后续特征区域定位的基础。3.根据权利要求1所述的基于机器视觉的非智能水表识读方法,其特征在于:通过前面获取的关键点,匹配水表图片与模板图片上的关键点,通过两幅图上能够匹配的匹配点确定特征区域的位置。4.根据权利要求1所述的基于机器视觉的非智能水表识读方法,其特征在于:截取特征区域图片并二值化,通过该部分的直方图特点矫正特征区域图片,从而获得矫正角度,通过矫正角度计算出转换矩阵,进而对水表图片进行矫正。5.根据权利要求1所述的基于机器视觉的非智能水表识读方法,其特征在于:对矫正后的水表图片再次寻找特征区域的位置,对矫正前特征区域关键点的位置通过转换矩阵的计算,获得矫正后特征区域关键点位置,确定新的特征区域,进而确定水表的示数区域。6.根据权利要求1所述的基于机器视觉的非智能水表识读方法,其特征在于:截取水表示数区域图片,采用自适应阈值对其进行二值化,并对其进行中值滤波和连通域去噪处理后根据该二值图像的垂直投影特点分割数字字符。7.根据权利要求1所述的基于机器视觉的非智能水表识读方法,其特征在于:对分割后的数字字符通过模板匹配算法进行识别,最后按顺序输出,获得水表示数。8.根据权利要求1所述的基于机器视觉的非智能水表识读方法,其特征在于:该方法的步骤如下,S1读取用户上传的图片,利用基于尺度不变特征转换算法检测模板图片和待匹配图片的关键点,提取特征向量;S1.1尺度空间极值点检测;S1.1.1构建图像金字塔;尺度空间唯一可行的核就是高斯函数;因此,被定义为一幅图像尺度空间函数的L(x,y,σ)是由尺度可变的高斯函数G(x,y,σ)和输入图像I(x,y)的卷积产生:L(x,y,σ)=G(x,y,σ)*I(x,y)其中*为G(x,y,σ)与I(x,y)之间的卷积运算,x,y分别表示图像的横纵坐标,σ是尺度空间坐标;图像的金字塔模型是指,将原始图像不断降阶采样,得到一系列大小不一的图像,由大到小,从下到上构成的塔状模型;原图像为金子塔的第一层,每次降采样所得到的新图像为金字塔的一层,每个金字塔共n层;金字塔的层数根据图像的原始大小和塔顶图像的大小共同决定,其计算公式如下:n=log2{min(M,N)}-t,t∈[0,log2{min(M,N)})其中M,N为原图像的大小,t为塔顶图像的最小维数的对数值;S1.1.2构造高斯差分尺度空间(DOG);为了在尺度空间中检测稳定的关键点,构造高斯差分尺度空间D(x,y,σ):D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)=L(x,y,kσ)-L(x,y,σ)其中k为两相邻尺度空间倍数的常数,L(x,y,σ)表示由一个高斯滤波器与原图像卷积而生成的图像,I(x,y)表示原图像;S1.1.3为了探测到D(x,y,σ)的局部最大值和最小值,每个样本点都要和该样本点当前图像的8个近邻以及上下尺度上的各9个近邻相比较,只有在样本点比所有近邻大或者小时才会被选择;S1.2特征点的精确定位;离散空间的极值点并不是真正的极值点,利用已知的离散空间点插值得到的连续空间极值点的方法叫做子像素插值;利用DOG函数在尺度空间的Taylor展开式或拟合函数为:其中x=(x,y,σ)T;S1.3关键点方向分配;使用图像梯度的方法求取局部结构的稳定方向;对于在DOG金字塔中检测出的关键点点,采集其所在高斯金字塔图像3σ邻域窗口内像素的梯度和方向分布特征;梯度...
【专利技术属性】
技术研发人员:雷飞,熊志美,安长红,
申请(专利权)人:北京工业大学,
类型:发明
国别省市:北京,11
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。