一种新型仪表定位检测方法技术

本发明专利技术公开了一种新型仪表定位检测方法，包括，获取模块、特征匹配模块，所述获取模块用于获取仪表周围环境实时全景照片，所述特征匹配模块通过superpoint特征匹配网络计算仿射变换矩阵用以将获取的全景照片与模板照片之间匹配并采样特征关键点。本发明专利技术通过联合使用深度匹配网络的关键点信息和使用相关滤波器核函数寻找最优设备位置区域，可有效降低传统模板匹配法和深度特征匹配网络方法在背景单调的设备全景图像和复杂背景全景图定位偏移和失败的问题，同时通过采样方法，保证时效性，降低在实时巡检过程中的抖动，聚焦等图片模糊影响。影响。影响。

【技术实现步骤摘要】
一种新型仪表定位检测方法


[0001]本专利技术涉及图像识别计算设备领域，具体为一种新型仪表定位检测方法。

技术介绍

[0002]在现有机器人巡检系统中，需要在全景图像中找到设备区域，根据定位到的设备区域，用高倍率视角拍摄清晰的设备图片，用于可见光图像识别。如果定位设备区域失败，将无法进行后续的表计识别计算。因此，全景图设备的定位方法具有重要意义；
[0003]传统方法中，常用的传统模板匹配法(包括SIFT/SURF等)在实用过程中鲁棒性较差，受环境/光照的变化影响较大。在实时巡检过程中的抖动，聚焦等图片模糊影响较大。同时在背景单调的设备全景图像中，计算得到的匹配关键点较少，计算出来的仿射变换矩阵误差较大。另一方面使用深度特征匹配网络方法时，计算得到的关键点信息较多。由于全景图在较复杂背景时的关键点计算量较大，有一定的延时；同时，全景图越复杂的背景信息，使用匹配到的背景关键点信息计算的仿射矩阵，和全景图中的前景设备位置信息有偏差。原因在于，一点微小的位置和角度误差，造成远处的背景位置信息偏移和近景的设备位置信息偏移有误差，即前后景深位置误差。

技术实现思路

[0004]本专利技术提供一种新型仪表定位检测方法，通过联合使用深度匹配网络的关键点信息和使用相关滤波器核函数寻找最优设备位置区域，可有效降低定位偏移和失败的问题，同时通过采样方法，保证时效性；
[0005]为解决上述技术问题，本专利技术提供以下的技术方案：
[0006]本专利技术提供了一种新型仪表定位检测方法，包括，/>[0007]获取模块、特征匹配模块，所述获取模块用于获取仪表周围环境实时全景照片，所述特征匹配模块通过superpoint特征匹配网络计算仿射变换矩阵用以将获取的全景照片与模板照片之间匹配并采样特征关键点，
[0008]当所述特征关键点大于数量阈值时，当前所述特征匹配模块得到的特征关键点匹配正确，使用RANSAC方法找到全景照片的匹配仿射变换矩阵，从而得到设备目标位置点，再以设备目标位置点为中心选取固定方框通过匹配仿射变换矩阵得到设备目标位置点与模板照片中心点的偏移量；
[0009]当所述特征关键点小于数量阈值时，不进行全景照片的匹配仿射变换矩阵，使用模板全景图求解高斯响应区域，并通过滤波响应核函数求解全景图中的设备目标位置点与所述高斯响应区域之间的偏移量。
[0010]可选的，假定(x0，y0)为全景照片中的设备目标位置：
[0011]g(x，y)为目标高斯响应定义：
[0012][0013]Hanning窗函数计算如下所示：
[0014]0.5*[1
‑
cos(2*π*i/(size
‑
1))][0015]从而得到：
[0016][0017]其中f(x，y)是输入图片Hanning窗衰减计算后的计算得到的特征矩阵，ω(x，y)是响应核函数G(u，v)；相关卷积运算得到目标高斯响应g(x，y)；其中F(u，v)，G(u，v)是f(x，y)，g(x，y)的频域信号；
[0018][0019]求解的输出相应如下所示，其中H(u，v)，Z(u，v)，分别为输出相应频域信号和检测图片的频域信号；
[0020][0021]为了快速检测使用了高维求解φ(v
i
)和核函数κ(v
i
，z
i
)，其中v
i
是训练模板图片特征图值，Z
i
是待检测图片特征图值：
[0022][0023][0024]求解的输出响应为
[0025][0026]可选的，所述高斯响应区域计算包括以下步骤：
[0027]第一步、生成高斯复频域信号G(u，v)，初始化模板图片高斯匹配相关矩阵，α参数计算
[0028]第二步、计算模板图片特征矩阵和检测图片特征矩阵的高斯匹配相关矩阵
[0029]第三步、计算结果频域响应其傅里叶反变换得到结果响应的最大位置即为检测图片的匹配定位坐标。
[0030]可选的，通过增加扩大/减少待检测候选区域，用于提高定位检测的稳定性，使用三个不同尺度待检测候选区域梯度特征计算对应的高斯响应核函数，多尺度衰减权重叠加，计算最后的定位设备。
[0031]可选的，所述特征矩阵包括hog梯度特征，所述hog梯度特征包括以下计算步骤：
[0032]S1：灰度化，将输入的RGB三通道图像转化为单通道图像；
[0033]S2：采用gamma/γ校正法对输入图像进行颜色空间的标准化，校正公式为：
[0034]I(x，y)＝I(x，y)
γ
[0035]其中γ＝1/2，通过Gamma压缩处理，可以降低光照变化以及局部图像阴影的影响；
[0036]S3：计算图像梯度，包括每个像素点的梯度值和梯度方向，xx方向和yy方向的卷积核分别为：
[0037]G
x
＝[
‑
1，0，1]G
y
＝[1，0，
‑
1]T
[0038]得到I(x，y)水平方向梯度G
x
，G
y
(水平向右为正方向)，垂直方向梯度G(x，y)(垂直向上为正方向)，每个像素点的梯度G(x，y)和梯度方向α(x，y)
[0039]S4：构建9维HOG特征向量
[0040]将图像所示分成若干个cell，每个cell为4*4个像素，采用9个维度的直方图来统计这个像素的梯度信息，也就是将cell的梯度方向360度分成9个方向块，就是该cell对应的9维特征向量。
[0041]可选的，所述设备目标位置点为中心选取固定方框设定为size，所述size＝192*padding。
[0042]可选的，所述Hanning窗函数其中size是设备区域的固定方框选区，使用全景图计算时size是全景图片。
[0043]本专利技术有益效果
[0044]本专利技术通过联合使用深度匹配网络的关键点信息和使用相关滤波器核函数寻找最优设备位置区域，可有效降低传统模板匹配法和深度特征匹配网络方法在背景单调的设备全景图像和复杂背景全景图定位偏移和失败的问题，同时通过采样方法，保证时效性，降低在实时巡检过程中的抖动，聚焦等图片模糊影响。
附图说明
[0045]图1为本专利技术cell对应的9维特征向量结构示意图。
[0046]图2为本专利技术全景照片与模板照片关键点匹配连线图。
[0047]图3为本专利技术高斯响应区域与设备位置点定位示意图。
具体实施方式
[0048]下面将结合本专利技术的实施例中的附图，对本专利技术的实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术保护的范围。
[0049]实施例
[0050]本本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种新型仪表定位检测方法，其特征在于，包括，获取模块、特征匹配模块，所述获取模块用于获取仪表周围环境实时全景照片，所述特征匹配模块通过superpoint特征匹配网络计算仿射变换矩阵用以将获取的全景照片与模板照片之间匹配并采样特征关键点，当所述特征关键点大于数量阈值时，当前所述特征匹配模块得到的特征关键点匹配正确，使用RANSAC方法找到全景照片的匹配仿射变换矩阵，从而得到设备目标位置点，再以设备目标位置点为中心选取固定方框通过匹配仿射变换矩阵得到设备目标位置点与模板照片中心点的偏移量；当所述特征关键点小于数量阈值时，不进行全景照片的匹配仿射变换矩阵，使用模板全景图求解高斯响应区域，并通过滤波响应核函数求解全景图中的设备目标位置点与所述高斯响应区域之间的偏移量。2.根据权利要求1所述的一种新型仪表定位检测方法，其特征在于，假定(x0,y0)为全景照片中的设备目标位置：g(x，y)为目标高斯响应定义：Hanning窗函数计算如下所示：0.5*[1
‑
cos(2*π*i/(size
‑
1))]从而得到：其中f(x，y)是输入图片Hanning窗衰减计算后的计算得到的特征矩阵，ω(x，y)是响应核函数G(u，v)；相关卷积运算得到目标高斯响应g(x，y)；其中F(u，v)，G(u，v)是f(x，y)，g(x，y)的频域信号；求解的输出相应如下所示，其中H(u，v)，Z(u，v)，分别为输出相应频域信号和检测图片的频域信号；为了快速检测使用了高维求解φ(v
i
)和核函数κ(v
i
，z
i
)，其中v
i
是训练模板图片特征图值，z
i
是待检测图片特征图值：是待检测图片特征图值：求解的输出响应为
3.根据权利要求1所述的一种新型仪表定位检测方法，其特征在于，所述高斯响应区域计算包括以下步骤：第一步、生成高斯复频域信号G(u，v)，初始化模板图片高斯匹配相关矩阵，α参数计算第二步、计...

【专利技术属性】
技术研发人员：于洪洲，蔡孙增，卢华兵，
申请(专利权)人：上海利淘豪斯机器人有限公司，
类型：发明
国别省市：