一种基于图像特征的特种车辆仪表类型识别与标定方法技术

一种基于图像特征的特种车辆仪表类型识别与标定方法。本发明专利技术属于图像处理、模式识别领域。首先对每种类型的特种车辆仪表，采集一些特种车辆仪表图像，经过人工判断，把有代表性的图像留下当作训练样本；针对每个训练样本，通过图像预处理方法对图像质量进行归一化；然后提取出仪表图像的圆盘，根据圆盘半径对仪表图像进行大小归一化；归一化后分别对特种车辆仪表图像提取颜色特征和Gabor纹理特征；最后针对所有的训练样本，分别以颜色特征和Gabor纹理特征为向量为每种类型建立模型；每种类型的仪表的训练样本库的特征模型建立好后，对于采集到的实时图像，同样经过图像预处理进行图像质量归一化，对这两种特征与各个类型的仪表训练样本的特征模板分别进行模式匹配，用最近邻法则得到仪表分类结果。

【技术实现步骤摘要】

本专利技术属于图像处理、模式识别领域，主要针对的是各种不同类型的特种车辆仪表的图像，对特种车辆仪表的类型进行自动识别，并结合各类型仪表事先的标定，给出指针固定点和仪表刻度的位置。
技术介绍
自动检测技术在特种车辆仪表的生产中有着广泛的应用，比如说特种车辆仪表需要进行自动检测时。长期以来，特种车辆仪表的校准与测量普遍采用人工读取方法。人工检测虽然准确，但是有很大的不方便之处。进行仪表检定的员工需要进行人工查看指针读数、与标准源数字数据比对、计算误差、保存结果，在指针快速转动的时候会存在人为的操作误差和人的视觉误差，并且检定效率会很低。因此自动仪表的检定是非常需要的。指针式仪表的非接触式自动检测技术可以通过图像处理技术实现，也就是利用图像传感器来模拟人目艮，对指针式仪表进行图像采集，然后将采集的视频数据传输到计算机中的智能系统中。再利用计算机对采集到的仪表图像进行分析和识别，最后得到仪表指针所指向的结果。以往针对指针式仪表的研究中，主要是针对仪表的自动识别，并且主要是针对工业仪表进行研究而比，如文献I (常发亮，许有才，乔谊正，无人值守表针实时视觉自动识别与分析方法，电子测量与仪器学报，2006. 4，20 (2) : 35-38.)，文献2(孙琳，王永东，指针式仪表自动检定图像识别技术，现代电子技术[J]，2011.Vol. 34(8) :101-104.)等等。针对特种车辆仪表识别的研究非常的少，对特种车辆仪表类型的自动识别更少。特种车辆仪表比工业仪表有很大的不同，首先特种车辆仪表指针固定点往往不是仪表圆盘的中心点，其次很大特种车辆仪表的刻度往往不均匀，也就给指针固定点和仪表刻度的自动识别带来了很大的困难。如果能针对特定仪表类型建模，那么就可以自动识别输入的仪表图像的仪表类型，根据对该类型事先的标定，便可以得到指针固定点的位置、刻度的分布等仪表自动识别的必须信息，从而有利于特种车辆仪表的自动读数。
技术实现思路
本专利技术的目的，是针对的是各种不同类型的特种车辆仪表的图像，对特种车辆仪表的类型进行自动识别，并结合各类型仪表事先的标定，给出指针固定点和仪表刻度的位置。本专利技术的技术方案是基于图像特征的对特种车辆仪表类型进行识别与建模。提取特征的算法主要综合了两种图像特征，其中一个是颜色特征，另外一个是Gabor纹理特征，将这两种特征综合，然后用模板匹配的方法对特种车辆仪表类型进行分类和识别。首先对每种类型的特种车辆仪表，采集一些特种车辆仪表图像，经过人工判断，把有代表性的图像留下当作训练样本。针对每个训练样本，通过图像增强等图像预处理方法对图像质量进行归一化；然后提取出仪表图像的圆盘，根据圆盘半径对仪表图像进行大小归一化；归一化后分别对特种车辆仪表图像提取颜色特征和Gabor纹理特征。最后针对所有的训练样本，分别以颜色特征和Gabor纹理特征为向量为每种类型建立模型。其具体流程如图2所不。每种类型的仪表的训练样本库的特征模型建立好后，对于采集到的实时图像，同样经过图像预处理进行图像质量归一化，提取仪表圆盘进行仪表大小归一化，归一化后分别提取颜色特征和Gabor纹理特征，对这两种特征与各个类型的仪表训练样本的特征模板分别进行模式匹配，对于小类型的特种车辆仪表用最近邻法则得到仪表分类结果。其具体流程如附图说明图1所示。本专利技术的主要研究内容有(I)仪表图像归一化包括图像质量归一化、仪表图像大小归一化；(2)特征提取包括颜色特征提取、Gabor纹理特征提取；(3)特征建模与模式匹配；(4)根据特定的仪表类型的标定，通过仪表类型获取仪表指针固定点、刻度信息。1、仪表图像归一化特种车辆仪表图像的归一化其主要目的是减少同一种仪表类型内不同样本之间的变异，即增强类内聚合度。典型的特种车辆仪表的类内变异包括下面几种仪表表盘的光照、仪表的图像质量、仪表表盘大小，等等。针对这些类内变异，首先要对仪表图像质量进行归一化，这方面主要依靠预处理尽量减少各种图像的噪声环境差异和光照环境差异。然后要对仪表图像进行大小归一化，这方面主要依赖于仪表圆盘和半径的提取。因此特种车辆仪表图像的归一化包括了几个步骤，按先后顺序依次是 仪表图像增强和除去噪声， 仪表圆盘提取， 根据圆盘的大小对仪表大小的线性归一化对特种车辆仪表图像进行预处理，简单的说就是为了使得测试的图像与模板图像的图像质量差别最小。预处理可以解决图像因为光线或者拍摄角度等原因造成的仪表图像模糊、歪斜或缺损异常情况。这里采取了通过中值滤波去随机噪声、通过颜色拉伸增强仪表图像的对比度。在中值滤波中又以自适应中值滤波在去除噪声和保存细节两方面效果最好，我们采用结合了均值滤波和自适应中值滤波两者优点的改进型自适应中值滤波算法。并使用带修正的自适应邻域平均法消除图像干扰和噪音。为了将仪表的彩色图像进行拉升。我们先获取彩色图像对应的灰度图像，并统计仪表图像中的灰度最小值gl，灰度最大值g2，将其拉升到(0，255)的灰度空间，使得灰度图像更加清晰。我们这里采用一种改进的灰度拉升方法，考虑到灰度最小值gl，灰度最大值g2所对应的像素灰度值个数很少的时候对整体图像改进作用不大。我们要求gl和g2对应的灰度值像素总个数被设置成需要大于某个值。Sgl为总像素大于n(比如n=10)的最小灰度，g2为总像素大于n(比如n=10)的最大灰度。对于任意像素点,其灰度值为gray (x, y)，拉升后对应的灰度值为GRAY (x, y)，则有本文档来自技高网...

【技术保护点】
一种基于图像特征的特种车辆仪表类型识别与标定方法，其特征在于，所述方法如下：首先对每种类型的特种车辆仪表，采集一些特种车辆仪表图像，经过人工判断，把有代表性的图像留下当作训练样本；针对每个训练样本，通过图像预处理方法对图像质量进行归一化；然后提取出仪表图像的圆盘，根据圆盘半径对仪表图像进行大小归一化；归一化后分别对特种车辆仪表图像提取颜色特征和Gabor纹理特征；最后针对所有的训练样本，分别以颜色特征和Gabor纹理特征为向量为每种类型建立模型；每种类型的仪表的训练样本库的特征模型建立好后，对于采集到的实时图像，同样经过图像预处理进行图像质量归一化，提取仪表圆盘进行仪表大小归一化，归一化后分别提取颜色特征和Gabor纹理特征，对这两种特征与各个类型的仪表训练样本的特征模板分别进行模式匹配，用最近邻法则得到仪表分类结果。

【技术特征摘要】
1.一种基于图像特征的特种车辆仪表类型识别与标定方法，其特征在于，所述方法如下首先对每种类型的特种车辆仪表，采集一些特种车辆仪表图像，经过人工判断，把有代表性的图像留下当作训练样本；针对每个训练样本，通过图像预处理方法对图像质量进行归一化；然后提取出仪表图像的圆盘，根据圆盘半径对仪表图像进行大小归一化；归一化后分别对特种车辆仪表图像提取颜色特征和Gabor纹理特征；最后针对所有的训练样本， 分别以颜色特征和Gabor纹理特征为向量为每种类型建立模型；每种类型的仪表的训练样本库的特征模型建立好后，对于采集到的实时图像，同样经过图像预处理进行图像质量归一化，提取仪表圆盘进行仪表大小归一化，归一化后分别提取颜色特征和Gabor纹理特征，对这两种特征与各个类型的仪表训练样本的特征模板分别进行模式匹配，用最近邻法则得到仪表分类结果。2.根据权利要求1所述的方法，其特征在于，所述仪表图像归一化具体如下首先对特种车辆仪表图像进行预处理，通过中值滤波去随机噪声、通过颜色拉伸增强仪表图像的对比度；其中中值滤波采用结合均值滤波和自适应中值滤波两者优点的改进型自适应中值滤波算法；并使用带修正的自适应邻域平均法消除图像干扰和噪音；其中，通过颜色拉伸增强仪表图像的对比度先获取彩色图像对应的灰度图像，并统计仪表图像中的灰度最小值gl，灰度最大值g2，将其拉升到(0，255)的灰度空间，使得灰度图像更加清晰；设gl为总像素大于η (比如n=10)的最小灰度，g2为总像素大于...

【专利技术属性】
技术研发人员：张伏龙，白真龙，王涛，郭迎春，张华，李广峰，赵玉林，张昌俊，
申请(专利权)人：中国人民解放军六三九六三部队，北京科技大学，
类型：发明
国别省市：