一种识别模拟指针式仪表读数的电力巡检方法和装置与流程

本发明属于指针仪表领域，更具体地，涉及一种识别模拟指针式仪表读数的电力巡检方法和装置。

背景技术：

鉴于模拟指针仪表具有优秀的抗电磁干扰能力，模拟指针仪表在电力系统中得到了广泛应用。对电力系统中模拟仪表的实时监控工作，其意义在于，及时发现某些参数超标，进而避免整个电力系统的安全隐患和巨大的经济利益损失。目前，主要的电力巡检手段是人工巡检，这种方式不仅效率低，出错率高，还需要很高的成本去培养和雇佣熟练的巡检工人。因此，研发能够自行定位待测模拟仪表并能读取仪表示数的装置成为了近20年来电力系统的一个主要研究课题。用自动巡检替代人工巡检，用计算机视觉的理论与技术替代人眼的读表过程，收获的是很高的工作效率，在降低读数出错率的同时，也削减了电力系统的人工开销，确保电力系统安全运行，并产生更大的经济利益。

电力巡检装置利用红外、声、光等不同类型的传感器，基于不同原理实现自主导航并定位，在固定位置拍摄仪表图片，再将仪表图片经过无线传输手段上传到后台，在后台中使用计算机视觉的理论与方法，完成读取示数工作，同样的，模拟仪表的示数识别方法也各有不同。

对于大多数刻度均匀的简单圆形仪表来讲，目前的普遍做法是，利用边缘/梯度/颜色信息、sift(scale-invariantfeaturetransform)特征匹配或hough圆检测来获取仪表位置，接下来使用hough线检测获取指针的角度，最后在整个仪表盘中利用指针和起始刻线的相对角度计算指针示数。

对于电力巡检中的复杂刻度模拟指针表的读数方法，主要存在三个局限：仪表定位方法始终缺少普适性；对存在视差情况下指针倾斜角度的校正不够严谨；仍然缺少高效可靠的方法来处理复杂刻度仪表的读数工作，如刻度不均匀分布的仪表。

以下两个专利内容可以充分说明现有技术存在的缺陷：

专利号为cn201410074686.9的专利公开了一种指针式仪表读数识别方法及装置。其主要思想是在hsv空间中通过颜色定位仪表表盘位置，再进一步执行读数识别过程。

该方法存在的问题是，在恶劣的天气条件下，较弱的光照可能导致拍摄的照片中缺失一部分的颜色信息，因此，这样的定位方式是不准确的，缺乏鲁棒性。同时，为了减小读数误差，这种方法要求图像获取设备垂直对准仪表表盘平面，为读数装置的安装设置了障碍。

专利号为cn201210043415.8的专利公开了一种用于移动机器人的类圆形指针仪表读数方法。其主要思想是利用canny算子提取边缘响应点，若边缘响应点个数大于某个阈值时，认为仪表存在于图中，并用一个椭圆去拟合这些点，得到仪表区域在图片中的位置。读数方法是用hough检测获取指针的角度，然后从数据库中获取该角度对应的示数。该方法存在的问题是，在不同的拍摄条件下，很难去拟合一个自适应阈值来适应大多数的情况，因此canny算子的边缘响应结果是很不稳定的。同时，这种方法并没有考虑到产生了视差的情况下，指针方向需要校正的问题，会引起较大的读数误差。

技术实现要素：

针对现有技术的缺陷，本发明的目的在于提供一种识别模拟指针式仪表读数的电力巡检方法和装置，旨在解决现有技术在模拟仪表定位、读数工作中由于精度不高、准确度低、适应性弱而导致难以识别复杂刻度仪表的问题。

为实现上述目的，一方面，本发明提供了一种识别模拟指针式仪表读数的电力巡检方法，具体步骤如下：

s1，从训练集中提取正负样本的hog特征向量xi，用yi∈{-1,1}标注训练样本的标签，分别表示负例背景和正例表盘；采用带松弛变量的线性svm进行训练获取svm分类模型。

s2，利用上述已获取的svm模型，训练测试集样品，将分类错误的样本添加进训练集重新训练，进一步优化svm模型。

s3，粗调云台：根据已记录的待测仪表空间信息，机器人到达待测仪表前方的固定位置，在相机的原始焦距下完成第一次取图d1。

s4，利用selectivesearch候选框策略选择待检测区域，在待检测区域中，根据训练集图片的尺寸选择一定的间隔，对产生的所有矩形窗图像进行hog特性提取，准备采用svm模型判决矩形窗图像。

s5，对上述产生的所有矩形窗图形进行svm模型判决，当svm预测值大于0，代表对应的矩形框为仪表；当svm预测值小于0，代表对应的矩形框为背景。

若被判决为仪表矩形框的个数存在多个，则进一步执行非极大值抑制与boundingbox回归过程，拟合出唯一的矩形框，用矩形框的中心坐标pc(xc,yc)来表征仪表在图像中的实际位置；

若所有的矩形框均被判决为背景，则转至s3，重新调整云台的位置，重复s4和s5，直到被判决为仪表的矩形框出现。

s6，微调云台：根据相机像素成像中心p(x,y)与s5检测出的仪表中心pc(xc,yc)，计算水平、竖直方向上，pc(xc,yc)相对于p(x,y)的偏移量。借助于变换系数t，第二次调整云台，使仪表实际中心pc(xc,yc)与相机的成像中心p(x,y)之间的偏移最小化；

s7，光学放大，自动对焦获取放大后刻度清晰地表盘图片d2；

s8，利用sift对仪表指针进行平面重建：

利用sift思想，分别对放大后的仪表图片d2和现有的正视角度下获取的标准仪表表盘平面图片d3计算关键点坐标及主方向。对所有关键点，依次旋转坐标轴至主方向上，计算sift描述子。在仪表图片d2和标准仪表表盘平面图片d3之间使用欧氏距离度量，设定欧氏距离的阈值，进行暴力匹配；使用ransac迭代算法，筛选出合理的最优匹配点对，取固定数量的匹配点对使用最小二乘法，拟合出放大后的仪表图片d2到标准仪表表盘平面图片d3的透视变换关系t1。

利用hough线检测原理定位指针在放大后仪表图片d2中的位置，并利用透视变换关系t1将仪表图片d2上的指针重建在标准仪表表盘平面图片d3上。

s9，在标准仪表图片d3上求取指针与中间刻度的交点作为指针的像素旋转中心，并对标准仪表图片d3进行极坐标变换与像素细化算法，将弧形刻度带化曲为直，提取出骨架，得到仪表图片d4，以便进一步读数；

s10，逐列统计仪表图片d4上的像素点数，按列像素点数区分不同类型的刻度线以及指针在图像d4中的位置，模拟人读取模拟仪表的方法，通过指针与相关刻度线的位置关系，计算得到最终读数结果，完成一次识别；

s11，重置相机的焦距，重复s3～s10，依次处理所有的待测仪表，直至识别全部待测仪表。

另一方面，本发明提供了一种识别模拟指针式仪表读数的电力巡检机器人，包括主动轮两个、伺服直流电机两个、铝合金保护外壳、可编程网络相机一台、相机轴向步进电机一台、相机径向步进电机一台、云台外壳、激光雷达一台、12v可充电锂电池一块、nvidia主控板一块、arm微控制核心板一块以及相关稳压模块。

优选地，车尾为通用接口区，包括：nvidia主控板的开机/重启按钮、网口若干、usb接口若干、rs232接口若干以及其他通用接口。

优选地，两个主动轮与两个伺服直流电机分别相连，依靠两个伺服电机之间产生的差速实现转弯；

优选地，两个伺服电机以及两个云台步进电机受arm微控制核心板控制，这需要依赖于nvidia主控板与arm微控制核心板的信息交互，通信方式为串口通信；

优选地，可编程网络相机、激光雷达、nvidia主控板与arm微控制核心板分别由12v可充电锂电池经过对应的稳压模块降压处理后提供稳定电压；

优选地，主控制器为nvidia主控板，执行所有主执行过程。nvidia主控板与可编程网络相机之间的通信方式为rj45网口通信；nvidia主控板与激光雷达之间的通信方式也是rj45网口通信；

可编程网络相机主要作用是获取用于识别的外界图像；

激光雷达为电力巡检机器人的导航提供硬件支持。

通过本发明所构思的以上技术方案，与现有技术相比，由于本发明采用hog-svm目标检测技术和sift平面指针重建方法，能够取得以下有益效果：

(1)本发明采用hog-svm目标检测技术，能够在巡检仪表读数时，快速分辨仪表区域和背景区域，准确定位图像中仪表的位置，有效的克服了仪表定位过程中抗干扰能力差的缺点。

(2)本发明利用sift对仪表指针进行平面重建，为拍摄过程仪表盘产生的视差进行了纠正，还提供了一套模拟指针仪表读数的技术方案，使读数结果更加精准，读数过程更加可靠、稳定，具有良好的鲁棒性。

附图说明

图1是本发明提供的识别仪表读数的电力巡检流程图；

图2是本发明提供的标定相机光心的模板；

图3是本发明提供的云台相机的成像模型；

图4是本发明提供的经视差校正后的标准仪表盘图片；

图5是本发明提供的仪表盘刻度线及指针的提取结果；

图6是本发明提供的极坐标变换过程的原理图示；

图7是本发明提供的巡检机器人的外观构造。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。

图1为本发明提供的基于hog-svm目标分类检测和sift平面指针重建的电力巡检机器人模拟仪表读数的识别方法，具体包括以下步骤：

s1，准备工作：(1)标定相机成像中心的像素位置p(x,y)；(2)选取并测量某一实物的实际长度h，在相机与待测仪表的距离不变和相机原始焦距不变的情况下，采集实物图片，根据实物在图片中的像素长度cnt与该实物实际的长度h，标定两者间的长度变换比例t。

s2，从训练集中提取正负样本的hog(histogramofgradient)特征向量xi，用yi∈{-1,1}标注训练样本的标签，分别表示负例背景和正例表盘；采用带松弛变量的线性svm(supportvectormachine)进行训练，初步获取svm分类模型。

s3，利用上述已获取的svm模型，验证测试集样本，将分类错误的样本添加进训练集重新训练，进一步优化svm模型。

s4，根据已记录的待测仪表空间信息，机器人利用导航技术到达待测仪表前方固定距离，在相机的原始焦距下完成第一次取图d1。

s5，利用selectivesearch候选框策略选择待检测区域，在待检测区域中，根据训练集图片的尺寸，选择一定的间隔，对产生的所有矩形窗图像进行hog特性提取，准备利用svm模型判决矩形窗图像。

s6，对上述产生的所有矩形窗图形进行svm模型判决，当svm预测值大于0，代表对应的矩形框为仪表；当svm预测值小于0，代表对应的矩形框为背景。

若被判决为仪表矩形框个数存在多个，则进一步执行非极大值抑制与boundingbox回归过程，拟合出唯一的矩形框，用矩形框中心pc(xc,yc)来表征仪表在图像中的实际位置；

若所有的矩形框均被判决为背景，则转至s4，重新调整云台的位置，重复s5和s6，直到被判决为仪表的矩形框出现。

s7，根据相机的成像中心像素位置p(x,y)与s5检测出的实际仪表的中心pc(xc,yc)，可算出在水平、竖直方向上，pc(xc,yc)相对于p(x,y)的偏移量。借助于变换系数t，第二次调整云台，使相机的成像中心像素位置p(x,y)与实际仪表的中心pc(xc,yc)之间的偏移最小化；

s8，对相机光学放大，自动对焦获取放大后刻度清晰的表盘图片d2；

s9，利用sift对仪表指针进行平面重建：

利用sift思想，分别对放大后的仪表图片d2和正视角度下的标准仪表平面图片d3计算关键点坐标及主方向，对所有关键点，依次旋转坐标轴至其主方向上，计算sift描述子。并在图片d2和d3之间，使用欧氏距离度量，设定阈值，进行暴力匹配；使用ransac迭代算法，筛选出合理的最优匹配点对，取固定数量的匹配点对，使用最小二乘法，拟合出放大后的仪表图片d2到标准仪表表盘平面图片d3的透视变换关系t1。

利用hough变换原理定位指针在放大后仪表图片d3中的位置，并利用透视变换关系t1将放大后的仪表图片d2上的指针重建在标准仪表表盘平面图片d3上。

s10，在标准仪表表盘图片d3上求取指针与中间刻度的交点作为指针的像素旋转中心，并对标准仪表表盘图片d3进行极坐标变换与像素细化算法，将弧形刻度带化曲为直，提取出骨架，得到仪表图片d4，以便进一步读数；

s11，逐列统计像素点数，按列像素点数区分不同类型的刻度线以及指针在图像d4中的位置，模拟人读取模拟仪表的方法，通过指针与相关刻度线的位置关系，计算得到最终读数结果，完成一次识别；

s12，重置相机的焦距，重复s5～s12，依次处理所有采集的待测仪表，直至识别全部待测仪表。

所述步骤s1中相机成像中心的像素位置p(x,y)的标定方法如下：

如图2所示，标定过程要求标定板与相机之间的距离不变且不改变相机的位置。

当标定模板在距离相机较近时，由于标定板背景为黑色，而中间的实心圆为白色，利用hough圆检测方法能够快速而准确地找到白色实心圆在图2中的圆心位置及半径，并且由针孔相机模型可以得知，相机的变倍中心恰位于相机的成像中心p(x,y)，故：

在相同的拍摄距离、不同的成像倍数下，假设某次检测过程检测出的白色实心圆圆心是图2中的p1(x1,y1)，半径为r1；另一次检测出的白色实心圆圆心是图2中的p2(x2,y2)，半径为r2，则存在下列关系：

由此可以求得p(x,y)的坐标。准确起见，将上述过程执行多次，采取求均值的方式，获得相机的最优成像中心像素坐标p(x,y)。

所述步骤s1中在保持相机与待测仪表间的距离不变和相机原始焦距不变的情况下，对相机中实物图片的像素长度到实物真实长度的变换比例t的标定方法如下：

根据已构建的含有所有待测仪表位置参数的二维矢量地图，将机器人的位置坐标记作c(xr,yr)。现已知某待测仪表在地图中的二维坐标r(x'r,yr'，)和设定的机器人与待测仪表之间的距离d。

先找到一根直立的、黑色的、大小适中的不反光材质的柱子，高为h。调整云台俯仰角，使整根柱子能完整的出现在拍摄的图像中。假设这根柱子在图像中的平均像素长度经过统计是cnt，则等式：h＝t*cnt客观成立。

而问题是导航过程存在定位误差，c(xr,yr)与r(x'r,y'r)两点之间的实际距离理论上会在d的正负某个范围内随机浮动。仿照标定成像中心的做法，若c(xr,yr)与r(x'r,y'r)两点之间的距离与d相差太大，则舍弃该次标定得到的变换系数t，反之则保留。最终，多次标定后求取平均值，认为t是客观真实值。

步骤s2所述训练集图片的hog特征获取方式如下：

(1)从相机现有的拍摄图库裁取m张包含完整仪表和n张只包含背景的图片，这m个正例和n个负例尺寸一致，在训练集中的比例大约为1:10，并用1和-1分别标记正例和负例，由此可以得到一个场景丰富的训练集；

(2)对所有固定大小的训练数据图像进行灰度化处理，并执行gamma校正，调整对比度；

(3)逐像素点求取在水平方向和竖直方向上的梯度；

(4)使用矩形hog描述块，进行hog特征提取。每个胞元为8﹡8个像素，而一个块由2﹡2个胞元组成，块在图片的横纵坐标上滑动的间隔均为8个像素；

(5)在每个胞元中，基于无向的直方图和像素的梯度方向，按九个区间对每个该胞元中的所有像素点进行直方图统计，胞元中每个像素点的幅值代表投票的权重；统计完一个块中所有胞元的梯度直方图后，每个胞元对应一个9维向量，按顺序依次展开；

(6)与块拥有相同尺寸的滑动窗，遍历整幅待提取hog特征的图像后，得到一个高维的向量，得到正负样本的hog特征向量。

上述训练集中的图像的灰度变换公式为：

gray＝ir*0.299+ig*0.587+ib*0.114

其中gray代表某个像素点的灰度值，ir、ig、ib分别代表彩色图像对应的像素点的三个通道的值。

gamma校正变换公式为：

pout＝(pin)^1/gamma

其中pout为某像素点在gamma校正后的值，pin为该像素点原值，gamma为校正系数，gamma常取0.5。

像素点(i,j)的梯度幅值m和梯度方向θ如下公式获得：

gx(i,j)＝i(i+1,j)-i(i-1,j)

gy(i,j)＝i(i,j+1)-i(i,j-1)

θ＝arctan(gy/gx)

其中gx(i,j)和gy(i,j)为像素点(i,j)水平方向与竖直方向的梯度，i(i,j)为点(i,j)对应的像素值。

步骤s2所述svm分类模型是通过使用训练集图片的hog特征向量训练得到的，具体获取方法如下：

(1)svm分类函数的形式为带松弛变量的，核函数为线性核的软svm分类函数f(x)；

(2)将k个训练集图像提取得到的多维hog特征向量作为svm的训练数据，记作ds＝{(x1,y1),...,(xl,yl)},yi∈{-1,1}.其中ds表示训练样本集，yi∈{-1,1}表示训练样本集中特征向量对应的标记；

(3)svm分类函数的核函数为线性核，选定替代损失函数并初始化相关参数，将求解最大间隔分类面的svm问题转化为拉格朗日对偶问题，借助karash-kuhn-tucker(kkt)条件，使用smo(sequentialminimaloptimization)算法迭代求解最优svm分类函数。

svm分类函数公式为：

ysv＝1

其中sgn是符号函数，b是分类函数的位移项，αi是分类面约束项的最优拉格朗日乘子向量α＝(α1,...,αk)的一个分量，它代表的是对某一个特定样本，约束是否有效。αi＝0时表示无效的约束；反之则表示有效的约束，同时对应(xsv,ysv)的样本，即支持向量(sv)。

带松弛变量的软支持向量机的一般描述为：

s.t.yi(ω^txi+b)≥1-εi，i＝1,2,3,...,k

其中c为松弛变量的惩罚因子，通常取0.01；εi为松弛变量，这里表示hinge替代损失函数：εhinge(z)＝max(0,1-z)；μi表示松弛变量的拉格朗日乘子。

带松弛变量，求解α的对偶问题描述如下：

0≤αi≤c,i＝0,1,2,...,k

其中为xi的转置，s.t.表示服从于约束。由于约束中采用了不等式约束，其kkt条件为：

求解α的smo算法，具体描述如下：

每一轮迭代过程任意选定两个约束项因子αi和αj，初始化其他参数(包括其他所有项的约束因子)，求解本轮的αi和αj。也就是说，每一轮迭代只更新两个参数，经过多轮迭代，去逼近最优svm划分超平面。

步骤s5所述的基于selectivesearch，提取仪表目标候选框的方法如下：

(1)在felzenszwalb连通域分割结果图像d1，初步提取一系列表征同类连通域的矩形框，所得矩形框对应图像区域的特点是：所有区域左上像素点与右下像素点具有相同的像素值；

(2)根据颜色、纹理、尺寸及空间交叠相似性合并多个框；

(3)上述合并后的矩形框可以一定程度地表征，若矩形框出现的像素块与周围背景在对比度和梯度上存在明显差异，通常认为这些矩形框内存在需要检测的待测仪表。

所述合并矩形框的过程中，相似性度量公式如下：

s(ri,rj)＝α1scolor(ri,rj)+α2stexture(ri,rj)+α3ssize(ri,rj)+α4sfill(ri,rj)

其中这些区域记作一个集合r＝{r1,…,rn}；scolor为颜色相似性、stexture为纹理相似性、ssize为尺寸相似性、sfill空间交叠相似性，s为综合相似性；α1、α2、α3和α4分别为颜色相似性、纹理相似性、尺寸相似性和空间交叠相似性的常量系数，表示各相似性的权重，且需满足α1+α2+α3+α4＝1。s(ri,rj)值越大，就代表ri和rj越相似。设定阈值ts，若s(ri,rj)＞ts，则合并；反之，则不合并。ts一般取0.5。

所述步骤s7中，第二次调整云台的依据如下：

(1)如图3，相机的成像中心坐标p(x,y)对应图3中成像平面坐标中心oi；目标检测过程检测出的仪表中心pc(xc,yc)对应图3中的pi，仪表中心像素pi相对于成像中心oi的水平偏置和竖直偏置分别对应图3中的xi和yi，进一步调整云台，使仪表中心pi与成像中心oi更接近；

经过第一次调整后，仪表中心pi与成像中心oi仍然存在明显偏差的原因是：这是机器人的定位误差、云台步进电机的定位误差以及进行计算时的舍入误差等一系列因素综合造成的；

(2)依据目标检测结果，分别计算仪表像素中心pi相对于成像中心像素坐标oi在两个方向上的偏差xi和yi，使用变换比例t分别将偏差xi和yi换算为真实仪表中心和相机成像中心之间的水平偏差δx和竖直偏差δy；

(3)基于图3的相机成像模型，计算云台在水平、竖直方向上需要调整的角度θh'和θv'。

(4)通过步进电机，使云台在水平和竖直方向转动θh'和θv'角度。完成第二次云台调整。

云台在水平、竖直方向上调整角度θh'和θv'的计算公式如下：

δx＝t·xi

δy＝t·yi

所述步骤s9，仪表图片d2与标准仪表盘平面d3进行sift匹配的方法如：

(1)分别对放大后的仪表图片d2和正视角度下的标准仪表表盘平面图片d3建立高斯尺度金字塔。金字塔由三个子八度(octave)组成，每个子八度包含6张原图在不同高斯尺度下的滤波图像，且子八度之间的尺寸关系为，上层为下层的长宽均为1/2的降采样；高斯金字塔中，从底层到顶层，高斯尺度参数是连续的；

(2)计算每个子八度层与层之间的高斯差分(dog)，构成高斯差分尺度空间；

(3)在高斯差分域中，一次遍历各个尺度下的所有像素点，若某一像素点在其8邻域、以及上下两个高斯差分层中对应的3﹡3区域中，是极值点，则认为该像素点是对应高斯尺度下的一个特征点。

(4)逐一遍历dog空间下的所有像素点，提取出所有特征点；并筛选掉一些局部曲率较低或梯度响应较弱的像素点；

(5)在以每个特征点为中心的一定大小的区域内，在对应的高斯尺度下，逐点计算所有像素点的梯度幅值及梯度方向，进行8区间的全向直方图统计，投票权重为对应像素点的梯度幅值；直方图中，票数最多的角度作为该特征点的主方向；

(6)对于某个特征点，将其对应的高斯尺度下的图像旋转到其主方向上，在以其为中心的16﹡16窗口的每个4﹡4种子点中，采用与(5)中类似的方法，计算带高斯加权的8区间的全向直方图；共形成一个128维的sift特征点描述向量；

(7)暴力匹配：依次计算仪表图片d2中所有特征点对应的描述子特征向量与标准仪表盘图片d3中所有特征点对应的描述子特征向量的欧氏距离，设定欧氏距离的阈值tsift1，若计算得到的欧氏距离小于tsift1，则认为图中对应的特征点匹配成功；反之，则匹配失败；

(8)ransac筛选：即randomsampleconsensus，它是根据一组包含异常数据的样本数据集，迭代计算出数据的数学模型参数，得到有效样本数据的算法。在单次迭代中，随机地从上述暴力匹配得到的匹配点集中抽取4对匹配点，计算一个单应性矩阵；利用该单应性矩阵计算在该数学模型下，将仪表图片d2上所有匹配点变换到标准仪表盘图片d3上，并计算仪表图片d2上匹配点与标准仪表盘图片d3上匹配点之间的欧氏距离。设定阈值tsift2，若真实匹配点与拟合匹配点的欧氏距离大于tsift2，则认为产生了误匹配，予以剔除；反之则保留。

高斯尺度空间的高斯滤波公式为：

l(x,y,σ)＝g(x,y,σ)*i(x,y)

其中i(x,y)表示待提取特征的图像中的单个像素灰度值，l(x,y,σ)表示高斯尺度空间下的像素点，g(x,y,σ)表示高斯核函数，σ为高斯尺度因子，当尺度因子值越大时，高斯滤波的结果图像越模糊。

高斯差分的数学形式为：

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为高斯尺度系数，表征高斯尺度的大小。

计算特征点主方向的过程中，邻域内像素点梯度幅值与梯度方向的计算公式为：

l(x,y,σ')＝g(x,y,σ')*i(x,y)

其中，某特征点所处的dog尺度为σ'，再以该特征点为中心，半径为3×1.5σ'的区域中，像素点l(x,y,σ')的幅值和幅角表示为m(x,y)和θ(x,y)。

在ransac过程中，每一次迭代对应的单应性变换矩阵tlr为：

其中a11到a33为单应性矩阵tlr的变换系数，且a33＝1，tlr自由度为8。

仪表图片与标准仪表盘图片的对应匹配点对可表示为：

其中[xlyl1]^t和[xryr1]^t分别为仪表图片与标准仪表盘图片中一对匹配点在各自坐标系中的齐次坐标。

所述步骤s10中，将弧形刻度带转化为直线刻度带的方法为：

图4提供了一种模拟指针表盘，该表盘具有不均匀分布的弧形刻度线。作为在sift指针重建过程中的标准仪表盘，在sift指针重建过程中若无严重的匹配错误，认为计算得到的指针旋转中心随机地分布在真实的旋转中心附近。基于以上思想，在不同的多个识别周期中采集多张相机原始焦距下拍摄的不同示数的表盘图片d2，经过指针在标准仪表盘d3的重建过程后，依次求出指针与刻度盘中间刻度的交点；对求出的多个旋转中心的横纵坐标依次求算术平均值，作为客观的指针像素旋转中心；

依据旋转中心，选择合适的尺度大小，将已重建指针的标准仪表盘图片d3上的像素点依次从欧拉坐标系变换到极坐标系上；

执行像素细化算法，提取出不同类型刻度和指针的骨架，方便进一步识别，如图5所示。

极坐标变换的数学公式为：

ρ＝(x-xa)·sinθ+(y-ya)·cosθ

其中，如图6所示，左图为标准仪表盘图片d3在x-y图像坐标系中的示意，pa(xa,ya)表示标准仪表盘图片d3的指针旋转中心，根据实际情况，当指针指向圆弧刻度带上的某根刻度线时，指针方向大致地与刻度线方向重合，零刻度线和最大量程刻度线对应的指针极限摆角为θ1和θ2；右图为以pa(xa,ya)为中心，左图变换到ρ-θ坐标系的结果示意，所有的刻度线和指针均大致地垂直于θ轴，且最小、最大刻度对应的θ值也大约就是θ1和θ2。

所述步骤s11，仪表刻度盘的读数方法如下：

(1)对已重建指针的仪表盘极坐标变换-细化结果，按列统计像素点，依据不同列累积的黑色像素点个数，提取出不同种类的刻度线和指针所在的位置；这其中，指针所在的列具有最多的像素累积数。

(2)如图5所示，总共有三种刻度。其中最长的是标识整刻度的刻度线，记作1型，对应的示数值为0.2；其次是略短的标识半整刻度的刻度线，记作2型，2型刻度线位于相邻两条1型刻度线之间，对应的示数值为0.1；最后是最短的单位刻度线，记作3型，对应的示数值为0.02。

(3)分情况进行识别，如图4和图5所示，在这个刻度分布比较复杂的仪表盘上，当示数大于1.0和示数小于1.0时，由于表盘的不均匀，读数方法是不一样的，需要分情况进行识别；同时，对于指针位于两根刻度线之间的情况，应根据指针的位置，以及相邻两个刻度线的位置，进行计算。仪表刻度盘示数的计算公式为：

c＝c1+c2

其中c为最终读数结果，c1和c2分别为粗读结果与精度结果；spnt为图5中指针所在列数，s1.0、s2.0和s5.0为图5中1.0刻度线、2.0刻度线和5.0刻度线对应的列数，a为当spnt≤s1.0时的粗读结果；o、p、q分别代表图5中第spnt列(指针所在位置)左边1型、2型、3型刻度线的条数，γ1、γ2、γ3分别对应等于0.2、0.1、0.02；γ'为精读部分的单位刻度值，spnt1为图5第spnt列(指针所在位置)左边最近的刻度线所在的列数，spnt2为图5第spnt列(指针所在位置)右边最近的刻度线所在的列数。

图7为本实施例提供的电力巡检机器人的结构图，如图7所示所述的识别仪表读数的巡检机器人，包括主动轮两个、伺服直流电机两个铝合金保护外壳、可编程网络相机一台、相机轴向步进电机一台、相机径向步进电机一台、云台外壳、激光雷达一台、12v可充电锂电池一块、nvidia主控板一块、arm微控制核心板一块以及相关稳压模块。

优选地，车尾为通用接口区，包括：nvidia主控板的开机/重启按钮、网口若干、usb接口若干、rs232接口若干以及其他通用接口。

优选地，两个主动轮1与两个伺服直流电机分别相连，依靠两个伺服电机之间产生的差速实现转弯；

优选地，两个伺服电机以及两个云台步进电机受arm微控制核心板控制，这需要依赖于nvidia主控板与arm微控制核心板的信息交互，通信方式为串口通信；

优选地，可编程网络相机、激光雷达、nvidia主控板与arm微控制核心板分别由12v可充电锂电池经过对应的稳压模块降压处理后提供稳定电压；

优选地，主控制器为nvidia主控板，执行所有主执行过程。nvidia主控板与可编程网络相机之间的通信方式为rj45网口通信；nvidia主控板与激光雷达之间的通信方式也是rj45网口通信；

可编程网络相机主要作用是获取用于识别的外界图像；

激光雷达为slam建图及导航提供硬件支持。

综上所述，本发明通过hog-svm目标检测技术，解决了普遍的模拟仪表定位方法容易受光照、背景干扰的缺点，并且目标检测的精度很高；通过sift平面指针重建方法，有效且准确地消除了倾斜拍摄角度下带来的视差，使读数结果更加准确；通过极坐标变换方法，结合像素细化算法，将弧形刻度变换为直线刻度。实现了刻度线不均匀分布的弧形刻度模拟仪表示数的精确读取。

本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。