一种基于合成滤波器的仪表图像定位方法与流程

本发明属于计算机图像处理领域，涉及一种仪表图像定位方法，具体地，涉及一种基于合成滤波器的仪表图像定位方法。

背景技术：

电力巡检机器人在进行仪表图像设备识别过程中，首先需要在全景图像中定位到设备区域，再根据定位到的设备区域进行相机变倍操作以获取清晰的仪表设备图像，便于图像识别。若全景图像中设备定位失败，则后续所有操作均将无效，因而，设计一种准确高效的全景图仪表图像定位方法具有重要的现实意义。

仪表图像定位方法主要包括模板匹配法，特征点匹配法等等。模板匹配法根据标定的仪表设备模板图像，利用某些相似度评价函数计算待匹配图像与模板图像的相似度，相似度越高则说明是仪表区域的可能性越高，通常情况下，模板匹配法可以准确定位仪表设备区域，但当光线变化或者背景复杂时，模板匹配法往往会给出多个峰值，无法准确定位目标位置；特征点匹配法首先检测仪表设备图像与全景图像中所有特征点，再进行两两匹配并进行匹配验证，最终得到匹配的目标位置，在光线变化较大、背景复杂的情况下，特征点匹配法依然可以取得很好的效果，但当仪表设备本身不存在特征点或者特征点比较稀疏时，该方法就会失效，而且特征点匹配法通常计算量较大。

技术实现要素：

为解决现有技术存在的问题，本发明提供一种高效准确的仪表设备图像定位方法，该方法对不同仪表设备、不同环境变化及不同背景条件，均可准确获取仪表设备在全景图像中的位置。

本发明提供的基于合成滤波器的仪表图像定位方法，包括以下步骤；

仪表设备模型训练：

定义二维高斯响应函数其中，p(x0,y0)为仪表设备在全景图f(x,y)中的中心坐标，σ为高斯响应半径，0≤x≤m-1,0≤y≤n-1，m,n分别为图像的宽度与高度。二维高斯响应函数g(x,y)的离散傅里叶变换可以表示为

其中exp是以自然常数e为底的指数函数，j为虚数单位，x＝0,1,…,m-1,y＝0,1,…,n-1；u＝0,1,…,m-1,v＝0,1,…,n-1；u、v为非负整数；定义卷积核h(x,y)，使得成立

则其中f,h分别为f、h的二维傅里叶变换，为二维逆傅里叶变换操作，“·”为二维矩阵元素点乘操作；

用相关操作替换卷积操作，则g(u,v)＝f(u,v)·h^*(u,v)，其中*为矩阵的共轭操作，由此合成滤波器定义为h^*(u,v)即为仪表设备图像的训练模型参数；

仪表设备定位：

对于待定位的全景图fe，其对应的二维高斯响应表示为ge(u,v)＝fe(u,v)·h^*(u,v)；将频率域ge(u,v)变换到空间域ge(x,y)，ge(x,y)最大值对应的坐标点即为仪表设备在全景图fe的中心位置。

为了获取更加准确的模型参数，在仪表设备模型训练步骤中，通常将不同图像训练得到的训练模型参数进行平均操作，具体为，设训练图片序列为fi(1≤i≤l)，其中l为图片数，即样本总数，图片fi对应的仪表设备中心坐标为pi(x0,y0)(1≤i≤l)，对应的二维高斯响应为gi(1≤i≤l)，则平均合成滤波器定义为

在仪表设备定位步骤中，利用平均合成滤波器得到全景图fe的二维高斯响应，即

为了增加平均合成滤波器的鲁棒性，使其更加稳定，通常增加一正则系数ε，即，平均合成滤波器表示为正则系数的作用是避免分母为0导致数值计算不稳定。

为了减少在傅里叶变换过程中的图像边界效应，在仪表设备模型训练前，需对全景图f(x,y)进行加余弦窗处理，即f(x,y)←f(x,y)·w(x,y)，其中，

为了减少光线等因素干扰，需对原始全景图像进行一些预处理，即，fe(x,y)←log(fe(x,y)+1)，其中为图像的均值。在仪表设备模型训练步骤中，也需要对全景图f(x,y)进行预处理即，f(x,y)←log(f(x,y)+1)，f(x,y)←f(x,y)-μf，其中μf为图像的均值。

仪表设备模型训练需要大量全景图，本发明利用巡检机器人自带的相机抓拍全景图，进行仪表设备图像标定，具体为，利用相机抓拍不同时间段含仪表设备的全景图，获取仪表设备在全景图像中的中心坐标，其中，相机的光心在全景图像中的坐标与全景图像中心坐标重合，并且，仪表设备在全景图像中的中心坐标与图像中心坐标重合。

本发明具有以下有益效果：(1)基于平均合成精确滤波器的仪表图像定位方法可以更加准确、高效的定位到仪表设备在图像中位置；(2)能够克服光线变化、背景复杂等环境因素干扰，实现仪表设备稳定而准确的定位；(3)可以大大增强巡检机器人仪表设备识别率。

附图说明

图1全景图仪表设备标定示意图；

图2全景图定位结果图；

图3全景图定位响应图。

具体实施方式

下面将结合附图阐述本发明的最优实施例：

以某变电站中某指针型仪表设备为例，基于平均合成滤波器的仪表图像定位方法，按以下步骤进行：

1)仪表设备图像标定：事先对标定相机光心进行矫准，确保相机光心在图像中的坐标与图像中心坐标重合。巡检机器人在巡检任务过程中，通过调整云台参数，使得仪表设备的中心坐标移动至图像中心，再进行相机变倍使得目标清晰，细节可见。在整个变倍过程中，只需获取仪表设备图像的中心坐标，因而在仪表设备图像标定过程中只需标定仪表设备图像的中心坐标，而无需仪表的尺寸信息。

仪表设备图像标定就是收集不同时间段巡检机器人抓拍的全景图，并获取设备在图像中的中心坐标，如图1所示。

2)仪表设备模型训练：全景图f(x,y)(0≤x≤m-1,0≤y≤n-1)，其中m,n分别为图像的宽度与高度，全景图中仪表设备在图像中的中心坐标为p(x0,y0)，即步骤1)中的标定的中心坐标。定义二维高斯响应函数g(x,y)(0≤x≤m-1,0≤y≤n-1)，

σ代表高斯响应半径，值越大，响应半径越大，对噪声的容忍度越高，σ的值依据经验选取，本领域技术人员知道通过试验的方式获取合适的值，本实施例中选取σ＝2，二维高斯响应函数g(x,y)在中心坐标p(x0,y0)处的函数值达到最大值1，在远离p(x0,y0)处的函数值接近于0；二维高斯响应函数g(x,y)的离散傅里叶变换可以表示为

其中exp是以自然常数e为底的指数函数，j为虚数单位，x＝0,1,…,m-1,y＝0,1,…,n-1；u＝0,1,…,m-1,v＝0,1,…,n-1；u、v为非负整数。定义卷积核h(x,y)(0≤x≤m-1,0≤y≤n-1)，使得成立其中为二维卷积操作符。我们期望全景图f(x,y)通过卷积核h(x,y)操作后输出一个二维高斯响应，该响应在仪表设备的中心坐标点达到最高值，远离中心点的响应接近于0。根据二维卷积定理，成立其中f,h分别为f与h的二维傅里叶变换，为二维逆傅里叶变换操作，·为二维矩阵元素点乘操作。

用相关操作替换卷积操作，则成立g(u,v)＝f(u,v)·h^*(u,v)，其中g为g的二维傅里叶变换，*为矩阵的共轭操作，据此，合成滤波器可定义为

h^*(u,v)即为该仪表设备图像的训练模型参数。

在本实施例中，为了减少在傅里叶变换过程中的图像边界效应，在仪表设备模型训练前，需对全景图进行加余弦窗处理，即

f(x,y)←f(x,y)·w(x,y)，

其中，

在本实施例中，为了减少光线等因素干扰，需对全景图像f(x,y)进行一些预处理，即，

f(x,y)←log(f(x,y)+1)，

f(x,y)←f(x,y)-μf，

其中μf为图像的均值。

在实际情况中，为了获取更加准确的模型参数，通常将不同图像训练得到的模型参数进行平均操作，具体地，设训练图片序列为fi(1≤i≤l)，其中l为图片数，本实施例选取l＝8，即样本总数为8，图片fi对应的仪表设备中心坐标为pi(x0,y0)(1≤i≤l)，对应的二维高斯响应为gi(1≤i≤l)，则平均合成滤波器定义为

为了增加平均合成滤波器的鲁棒性，使其更加稳定，通常增加一正则系数ε，即成立

正则系数的作用是避免分母为0导致数值计算不稳定，本领域技术人员知道根据需要进行选取，通过试验选取合适的值，本实施例选取ε＝0.1。

3)仪表设备定位：在得到仪表设备图像的训练模型参数后，对于待定位的全景图fe，其对应的二维响应可表示为

在本实施例中，为了减少光线等因素干扰，需对原始全景图像fe进行一些预处理，即，

fe(x,y)←log(fe(x,y)+1)，

其中为图像的均值。

再将ge(u,v)变换到空间域ge(x,y)，

ge(x,y)最大值对应的坐标点即为仪表设备在全景图fe的中心位置，全景图定位结果如图2所示，对应的响应如图3所示。仪表设备定位完成后，即可对仪表设备上的数值进行读取。