CN102601950B - 一种基于模糊算法的目标监视检测方法及系统 - Google Patents

Abstract

本发明揭示了一种基于模糊算法的目标监视检测方法及系统，所述方法包括：获取目标图像及背景图像；提取目标图像与背景图像的差分特征参数；将当前画面分为若干小区域ROI，使用差分算法计算背景与塑件目标、背景与模腔目标在小区域ROI内的图像灰度差分；检测目标相似度；根据提取到的差分特征参数，统计各小区域ROI内的目标出现参数数值，统计时，分别累积各自小区域ROI内的目标和非目标特征参数；目标判决步骤；由目标的统计参数值，进行目标未出现、目标出现的决策可能性判断。本发明降低了计算量，计算速度快，保证了实时检测的要求，同时，采用模糊数学进行统计参数的判决，提高了目标识别检测的可靠性，有效解决了速度和有效性之间的矛盾。

Description

一种基于模糊算法的目标监视检测方法及系统

技术领域

本发明属于光电模具保护技术领域，涉及一种目标监视检测方法，尤其涉及一种基于模糊算法的目标监视检测方法；同时本发明还涉及一种基于模糊算法的目标监视检测系统。

背景技术

注塑模具作为注塑制品加工最重要的成型设备，其质量优劣直接关系到制品质量优劣。而且，由于模具在注塑加工企业生产成本中占据较大的比例，其使用寿命直接左右注塑制品成本。因此，提高注塑模具质量，并通过光电技术维护和保养好，延长其使用周期，是注塑制品加工企业降本增效的重要课题。

注塑制品加工企业由于产品品种多，模具更换较频繁，在一个生产周期中，对注塑模具的维护与实时监视非常重要，注塑机运行时，每个周期内昂贵的模具都可能因为残留或滑块错位而有损坏的危险，模具保护器可以防止这些情况发生。

在光电自动模具保护器中，对塑件和模腔目标有效可靠的识别，是触发保护装置进行保护性检查的基本要求。注塑机在连续工作当中，塑件和模腔总是交替出现，但是由于机器在长时间工作当中，并非严格按照一定的周期运行，而触发保护装置的方法不能采用定时触发，而要根据具体的情况，相应的目标出现之后，再触发保护检查装置进行错误性检查。

中国专利公开号为CN102152457A的专利揭示一种基于直方图匹配的嵌入式塑料模具保护装置，没有涉及到目标识别检测，其他如中国专利公开号为CN2712620U、CN201960720U的方案都是采用非光电图像检测方法进行模具保护，可靠性差。

发明内容

本发明所要解决的技术问题是：提供一种基于模糊算法的目标监视检测方法，可降低计算量，计算速度快，保证了实时检测的要求；同时，采用模糊数学进行统计参数的判决，提高了目标识别检测的可靠性，有效解决了速度和有效性之间的矛盾。

此外，本发明还提供一种基于模糊算法的目标监视检测系统，可降低计算量，计算速度快，保证了实时检测的要求；同时，采用模糊数学进行统计参数的判决，提高了目标识别检测的可靠性，有效解决了速度和有效性之间的矛盾。

为解决上述技术问题，本发明采用如下技术方案：

一种基于模糊算法的目标监视检测方法，所述方法用于检测模具保护器塑件和模腔是否出现，包括如下步骤：

步骤1，抓取背景、塑件和模腔的数字图像，按线性顺序存储；

步骤2，获取当前帧的数字图像，按线性顺序存储；

步骤3，将当前画面分为若干小区域ROI，与背景、塑件和模腔的数字图像分别在每一个ROI区域内进行差分，提取各种图像间在ROI内的差异；

步骤4，按ROI统计差异参数；统计之前，直接统计灰度值差异，或者在统计前进行特征提取，建立特征矢量后，统计差异的特征矢量；

步骤5，将各种统计参数进行相似度和相异度比较，在正反两个方向判断各种背景、塑件、模腔三种目标出现的可能性；在参数统计的时候，将背景也当做要识别的一种目标，符合背景的识别结果则判断当前图像为背景；

步骤6，目标判断步骤；包括：a)如果背景特征的正向统计参数小于背景正向阈值Tho1，同时，塑件和模腔的反向统计参数大于其各自的反向阈值The2和The3，则判断当前画面为背景；b)反之，如果背景特征的反向统计参数大于背景反向阈值The1，则判断当前画面可能为塑件或模腔，转到步骤c)；c)如果塑件正向统计参数小于其正向阈值Tho2，同时模腔的反向统计参数大于其反向阈值Tho3，则判断当前画面为塑件，否则，则转到步骤d)；d)如果模腔的正向统计参数小于其正向阈值Tho3，同时塑件的反向统计参数大于其反向阈值Tho2，则判断当前画面为模腔；

步骤7，根据前一步对每个ROI的判断结果，所有ROI内的统计结果作为判断依据，当所有ROI的判断都有效时，则输出结果；

步骤8，阈值更新；当所有ROI的判断结果一致，表示该次判断结果可靠性高，可作为阈值的更新依据，分别更新其对应的正向或反向阈值；当更新到设定的次数后，取正向和反向阈值的中值作为正向和反向统一的阈值。

一种基于模糊算法的目标监视检测方法，所述方法包括如下步骤：

步骤S1：获取目标图像及背景图像；

步骤S2：提取目标图像与背景图像的差分特征参数；将当前画面分为若干小区域ROI，使用差分算法计算背景与塑件目标、背景与模腔目标在小区域ROI内的图像灰度差分；

步骤S3：检测目标相似度；根据步骤S2提取到的差分特征参数，统计各小区域ROI内的目标出现参数数值，统计时，分别累积各自小区域ROI内的目标和非目标特征参数；

步骤S4：目标判决步骤；由目标的统计参数值，使用模糊判别法，进行目标未出现、目标出现的决策可能性判断。

作为本发明的一种优选方案，所述方法还包括：

目标与背景分割步骤；根据目标图像的灰度值，将背景区域作为参考，从画面中分割出目标和非目标图像灰度级区域；

判决阈值优化步骤；根据统计结果，调整检测间隔的上下判断阈值，用上下间隔阈值的中值作为唯一判断阈值标准，提高判断结果的可靠性。

作为本发明的一种优选方案，所述步骤S2中，提取疑似目标与非目标区域的特征，特征提取算法使用灰度级累积，或者采用特征量提取并建立特征矢量，为后续对每一个子区域ROI内进行相对应的目标识别匹配准备参数。

作为本发明的一种优选方案，所述步骤S2的差分算法中，执行图像差分算子之前，做漂移纠正，以消除由于相机或者目标的微小移动带来的错误。

作为本发明的一种优选方案，所述步骤S3中，分别统计当前图像与背景画面、当前图像与塑件目标、当前图像与模腔目标的差分特征参数，并且是每个ROI内部单独进行统计。

作为本发明的一种优选方案，所述步骤S4中，将当前图像与目标图像的差分特征作为正向判断依据，而将当前图像与模腔目标的差分特征参数作为反向判断依据，分别使用正向判断阈值和反向判断阈值，并累积所有ROI判断结果；同时，将多个ROI结果作为一个整体进行判断；

所述步骤S4具体包括：

a)如果背景特征的正向统计参数小于背景正向阈值Tho1，同时，塑件和模腔的反向统计参数大于其各自的反向阈值The2和The3，则判断当前画面为背景；

b)反之，如果背景特征的反向统计参数大于背景反向阈值The1，则判断当前画面可能为塑件或模腔，转到步骤c)；

c)如果塑件正向统计参数小于其正向阈值Tho2，同时模腔的反向统计参数大于其反向阈值Tho3，则判断当前画面为塑件，否则，则转到步骤d)；

d)如果模腔的正向统计参数小于其正向阈值Tho3，同时塑件的反向统计参数大于其反向阈值Tho2，则判断当前画面为模腔。

一种基于模糊算法的目标监视检测系统，所述系统包括：

图像获取模块，用以获取目标图像及背景图像；

差分特征提取模块，用以提取目标图像与背景图像的差分特征参数；将当前画面分为若干小区域ROI，使用差分算法计算背景与塑件目标、背景与模腔目标在小区域ROI内的图像灰度差分；

目标相似度检测模块，用以检测目标相似度；根据提取到的差分特征参数，统计各小区域ROI内的目标出现参数数值，统计时，分别累积各自小区域ROI内的目标和非目标特征参数；

目标判决模块，用以根据目标的统计参数值使用模糊判别法进行目标未出现、目标出现的决策可能性判断。

作为本发明的一种优选方案，所述系统进一步包括：

目标与背景分割模块，用以根据目标图像的灰度值，将背景区域作为参考，从画面中分割出目标和非目标图像灰度级区域；

判决阈值优化模块，用以根据统计结果调整检测间隔的上下判断阈值，用上下间隔阈值的中值作为唯一判断阈值标准，提高判断结果的可靠性。

作为本发明的一种优选方案，所述目标判决模块将当前图像与目标图像的差分特征作为正向判断依据，而将当前图像与模腔目标的差分特征参数作为反向判断依据，分别使用正向判断阈值和反向判断阈值，并累积所有ROI判断结果；同时，将多个ROI结果作为一个整体进行判断；

所述目标判决模块的判决过程具体包括：

a)如果背景特征的正向统计参数小于背景正向阈值Tho1，同时，塑件和模腔的反向统计参数大于其各自的反向阈值The2和The3，则判断当前画面为背景；

b)反之，如果背景特征的反向统计参数大于背景反向阈值The1，则判断当前画面可能为塑件或模腔，转到步骤c)；

c)如果塑件正向统计参数小于其正向阈值Tho2，同时模腔的反向统计参数大于其反向阈值Tho3，则判断当前画面为塑件，否则，则转到步骤d)；

d)如果模腔的正向统计参数小于其正向阈值Tho3，同时塑件的反向统计参数大于其反向阈值Tho2，则判断当前画面为模腔。

本发明提供了一种基于模糊算法的目标监视检测系统，包括：

画面差分和特征提取算子，在每个ROI内单独做目标图像的差分；在目标的特征提取和统计时，目标疑似性参数也在每个ROI内单独进行；特征参数分类提取，分为背景、塑件、模腔三种类型的特征参数，其差分和特征提取方式虽然相同，但是每次提取到的三类参数都会不同，提高了判断的可靠性依据；

正反向模糊判断算子，在每个ROI分别在两个方向上跟各自的阈值进行判断，每种参数出现是和否两个判断结果，各自的判断结果相互独立；联合各类参数和所有ROI进行综合判断，综合判断的结果大大提高了判断可靠性；

判断阈值更新算子，对每个ROI和每种参数的两个方向上的判断阈值进行更新，简化判断过程，同时不降低判断准确度。

本发明提供的模具保护器塑件和模腔目标出现的识别检测系统，包括以下装置：

1)目标与背景画面的存储装置，获取背景与目标图像，进行初步处理后，按线性顺序存储；

2)差分特征提取算子，使用差分算法计算背景与塑件目标、背景与模腔目标的图像灰度差分，提取疑似目标与非目标区域的特征检测算子，特征提取算法可以使用灰度级累积，也可以采用特征量提取并建立特征矢量，为后续对每一个子区域ROI内进行相对应的目标识别匹配准备参数；

3)目标相似度检测装置，根据前一步提取到的特征值，统计各ROI区域内的目标出现参数数值；

4)目标判决装置，由目标的统计参数值，使用模糊判别法，进行目标未出现、目标出现的决策可能性判断；

5)输出结果，所有ROI内目标出现判断结果输出，同时输出统计参数供参考；

6)统计参数在目标出现与未出现之间有很大一个间隔，间隔越大则判断结果越准确，该发明方法可以结合自动学习功能，自动调整该检测间隔的上下阈值，用上下间隔阈值的中间值作为唯一判断标准，则判断结果更加可靠。

本发明的有益效果在于：本发明提出的基于模糊算法的目标监视检测方法及系统，根据注塑机的目标运动特点，针对两种目标出现的差异性而设计的一套有效的目标检测方案，包括对背景的重建，目标区域的建立，非目标相似性和目标相似性计算，再结合模糊检测算法，有效地解决了目标识别的不可靠性，做到100％的有效识别。

本发明降低了计算量，计算速度快，保证了实时检测的要求，同时，采用模糊数学进行统计参数的判决，提高了目标识别检测的可靠性，有效解决了速度和有效性之间的矛盾。该算法在实际应用中，表现良好，实用性很强。

本发明对在图像差分的时候，只对ROI内的有效像素进行差分运算，运算量大大降低。

本发明在统计疑似目标特征时，将三类不同的差分结果，即当前图像与背景画面、当前图像与塑件目标、当前图像与模腔目标的差分特征，分别进行单独，同时结合每个ROI区域，在ROI内部进行特征参数统计。

本发明在进行目标判决时，分别采用正向和反向两种判断标准，结合正向和反向判断结果，大大提高了判断的可靠性。

附图说明

图1为本发明检测相机的缓慢移动方法的整个工作流程图。

图2为本发明中所有设备之间逻辑构成的框图。

图3为目标识别的模糊判断原理图。

图4为闭模目标出现的特征数据流的判断流程图。

具体实施方式

下面结合附图详细说明本发明的优选实施例。

实施例一

请参阅图1，本发明揭示一种基于模糊算法的目标监视检测方法，所述方法可用于检测模具保护器塑件和模腔是否出现(当然，本发明还可以用于其他领域)，包括如下步骤：

【步骤S1】获取目标图像及背景图像。进行初步处理后，按线性顺序存储。

【步骤S2】提取目标图像与背景图像的差分特征参数；将当前画面分为若干小区域ROI，使用差分算法计算背景与塑件目标、背景与模腔目标在小区域ROI内的图像灰度差分。提取疑似目标与非目标区域的特征，特征提取算法使用灰度级累积，或者采用特征量提取并建立特征矢量，为后续对每一个子区域ROI内进行相对应的目标识别匹配准备参数。

【步骤S3】检测目标相似度；根据步骤S2提取到的差分特征参数，统计各小区域ROI内的目标出现参数数值，统计时，分别累积各自小区域ROI内的目标和非目标特征参数。

【步骤S4】目标判决步骤；由目标的统计参数值，使用模糊判别法，进行目标未出现、目标出现的决策可能性判断。将当前图像与目标图像的差分特征作为正向判断依据，而将当前图像与模腔目标的差分特征参数作为反向判断依据，分别使用正向判断阈值和反向判断阈值，并累积所有ROI判断结果；同时，将多个ROI结果作为一个整体进行判断。

判断方法包括：

a)如果背景特征的正向统计参数小于背景正向阈值Tho(background)，同时，塑件和模腔的反向统计参数大于其各自的反向阈值The(product)和The(mode)，则判断当前画面为背景；

b)反之，如果背景特征的反向统计参数大于背景反向阈值The(background)，则判断当前画面可能为塑件或模腔，转到下面两步进一步判断；

c)如果塑件正向统计参数小于其正向阈值Tho(product)，同时模腔的反向统计参数大于其反向阈值Tho(mode)，则判断当前画面为塑件，否则，则转到下一步；

d)如果模腔的正向统计参数小于其正向阈值Tho(mode)，同时塑件的反向统计参数大于其反向阈值Tho(product)，则判断当前画面为模腔。

【步骤S5】输出结果，所有ROI内目标出现判断结果输出，同时输出统计参数供参考。

【步骤S6】统计参数在目标出现与未出现之间有很大一个间隔，间隔越大则判断结果越准确，该发明方法可以结合自动学习功能，自动调整该检测间隔的上下阈值，用上下间隔阈值的中间值作为唯一判断标准，则判断结果更加可靠。

请参阅图2，本发明还揭示一种基于模糊算法的目标监视检测系统，所述系统包括：图像获取模块100、差分特征提取模块200、目标相似度检测模块300、目标判决模块400、目标与背景分割模块(即结果输入分割模块)500、判决阈值优化模块(即阈值更新模块)600。

图像获取模块100用以获取目标图像及背景图像。进行初步处理后，按线性顺序存储。

差分特征提取模块200用以提取目标图像与背景图像的差分特征参数。将当前画面分为若干小区域ROI，使用差分算法计算背景与塑件目标、背景与模腔目标的图像灰度差分，提取疑似目标与非目标区域的特征检测算子，特征提取算法可以使用灰度级累积，也可以采用特征量提取并建立特征矢量，为后续对每一个子区域ROI内进行相对应的目标识别匹配准备参数。执行图像差分算子之前，可以先做漂移纠正，以消除由于相机或者目标的微小移动带来的错误。

目标相似度检测模块300用以检测目标相似度；根据提取到的差分特征参数，统计各小区域ROI内的目标出现参数数值，统计时，分别累积各自小区域ROI内的目标和非目标特征参数。本实施例中，分别统计当前图像与背景画面、当前图像与塑件目标、当前图像与模腔目标的差分特征参数，并且是每个ROI内部单独进行统计。

目标判决模块400用以根据目标的统计参数值使用模糊判别法进行目标未出现、目标出现的决策可能性判断。

目标与背景分割模块(即结果输入分割模块)500用以根据目标图像的灰度值，将背景区域作为参考，从画面中分割出目标和非目标图像灰度级区域。

判决阈值优化模块(即阈值更新模块)600用以根据统计结果调整检测间隔的上下判断阈值，用上下间隔阈值的中值作为唯一判断阈值标准，提高判断结果的可靠性。

所述目标判决模块将当前图像与目标图像的差分特征作为正向判断依据，而将当前图像与模腔目标的差分特征参数作为反向判断依据，分别使用正向判断阈值和反向判断阈值，并累积所有ROI判断结果；同时，虽然多个ROI的目标出现率是单独计算的，但是无论塑件还是模腔，都是整个出现在画面中的，所以在判断目标的时候，将多个ROI结果作为一个整体进行判断。

所述目标判决模块的判决过程具体包括：

a)如果背景特征的正向统计参数小于背景正向阈值Tho1，同时，塑件和模腔的反向统计参数大于其各自的反向阈值The2和The3，则判断当前画面为背景；

b)反之，如果背景特征的反向统计参数大于背景反向阈值The1，则判断当前画面可能为塑件或模腔，转到步骤c)；

c)如果塑件正向统计参数小于其正向阈值Tho2，同时模腔的反向统计参数大于其反向阈值Tho3，则判断当前画面为塑件，否则，则转到步骤d)；

d)如果模腔的正向统计参数小于其正向阈值Tho3，同时塑件的反向统计参数大于其反向阈值Tho2，则判断当前画面为模腔。

实施例二

模具保护系统首先要抓拍合模、塑件、模腔三张标准图像作为识别的基准模板，基准模板图像存在预设的目录下，系统每次启动的时候，读入内存，转换成二维数据并根据CPU位数做4/8对齐。在模具保护系统检测工作的间隙，每次抓图都要进行目标识别检测，包括以下步骤：

第一步骤，目标与背景画面的差分提取特征参数，使用差分算法计算背景与塑件目标、背景与模腔目标的图像灰度差分，提取疑似目标与非目标区域的特征检测算子，特征提取算法可以使用灰度级累积，也可以采用特征量提取并建立特征矢量，为后续对每一个子区域ROI内进行相对应的目标识别匹配准备参数。

该步骤的主要算子为图像差分算子；执行图像差分算子之前，可以做漂移纠正，以消除由于相机或者目标的微小移动带来的错误；

第二步骤，目标相似度检测装置，根据前一步提取到的特征值，统计各ROI区域内的目标出现参数数值，统计的时候，分别累积各自ROI内的目标和非目标特征参数。该步骤的主要算子模块为：

【目标的相似度统计】相似度统计时，要分别统计当前图像与背景画面、当前图像与塑件目标、当前图像与模腔目标的差分特征参数，并且是每个ROI内部单独进行统计；统计的结果是不断修正目标的上下两个阈值，当每个目标的上下阈值稳定后，可计算阈值中值，作为最终的判断基准，如图3所示。图3中的正向和反向阈值之间有一个间隔，间隔越大，表明目标检测的结果越可靠，采用阈值中值进行判断带来的错误概率越低。

【判决阈值算子优化】根据统计结果，调整检测间隔的上下判断阈值，用上下阈值的中值作为新的单一阈值。在这一步中，作为判断基准的阈值，由于使用了间隔阈值的中值作为唯一判断阈值标准，简化了判断流程，同时提高判断结果的可靠性。

第三步骤，目标判决装置，由目标的统计参数值，使用模糊判别法，进行目标未出现、目标出现的决策可能性判断。

【目标与背景分割算子】根据目标图像的灰度值，将背景区域作为参考，从画面中分割出目标和非目标图像灰度级区域。

【目标判决装置】将当前图像与目标图像的差分特征作为正向判断依据，而将当前图像与模腔目标的差分特征参数作为反向判断依据，分别使用正向判断阈值和反向判断阈值，并累积所有ROI判断结果。如图4所示，当闭模目标出现时，所统计的特征值，进行模糊判断时，只有闭模目标判断为真，其余目标判断为非。正式这种多目标联合进行是非判断，才大大提高了判断的可靠性。当塑件目标或模腔目标出现时，也只有相应的目标判断为真，其余目标判别器为非，其特征数据流程和图4类似。

在目标出现判断中，虽然多个ROI的目标出现率是单独计算的，但是无论塑件还是模腔，都是整个出现在画面中的，所以在判断目标的时候，将多个ROI结果作为一个整体进行判断。

实施例三

请参阅图1，本发明提供的模具保护器塑件和模腔目标出现的识别检测方法，具体可细分为以下几步：

步骤1，抓取背景、塑件和模腔的数字图像。

步骤2，获取当前帧数字图像。

步骤3，将当前画面按ROI小区域，与背景、塑件和模腔的数字图像分别在每一个ROI区域内进行差分，提取各种图像间在ROI内的差异。

步骤4，按ROI统计差异参数，统计之前，可以直接统计灰度值差异。也可以在统计前进行特征提取，建立特征矢量后，统计差异的特征矢量。不同的统计参数，只是后期的参数比较有所差异，计算流程不变。

步骤5，将各种统计参数进行相似度和相异度比较，在正反两个方向判断各种背景、塑件、模腔三种目标出现的可能性。为了简化算法和提高可靠性，在参数统计的时候，将背景也当做要识别的一种目标，符合背景的识别结果则判断当前图像为背景。

步骤6，判断方法：a)如果背景特征的正向统计参数小于背景正向阈值Tho(background)，同时，塑件和模腔的反向统计参数大于其各自的反向阈值The(product)和The(mode)，则判断当前画面为背景；b)反之，如果背景特征的反向统计参数大于背景反向阈值The(background)，则判断当前画面可能为塑件或模腔，转到下面两步进一步判断；c)如果塑件正向统计参数小于其正向阈值Tho(product)，同时模腔的反向统计参数大于其反向阈值Tho(mode)，则判断当前画面为塑件，否则，则转到下一步；d)如果模腔的正向统计参数小于其正向阈值Tho(mode)，同时塑件的反向统计参数大于其反向阈值Tho(product)，则判断当前画面为模腔；

步骤7，根据前一步对每个ROI的判断结果，所有ROI内的统计结果作为判断依据，当所有ROI的判断都有效时，则输出结果。

步骤8，阈值更新。当所有ROI的判断结果一致，表示该次判断结果可靠性很高，可以作为阈值的更新依据，分别更新其对应的正向或反向阈值。当更新到一定的次数后，取正向和反向阈值的中值作为正向和反向统一的阈值。

实施例四

由于光电模具保护器是基于C/C++语言开发，整个移动检测方法的所有软件模块都具有很强的可移植性，因此，本发明可以驻留在商用PC、工控机、嵌入式系统中独立运行。该算法模块是一个独立的模块，可以应用在其他需要进行静态目标检测的场合。同时，算法所依托的硬件实体不限，即便是FPGA等，也可以通过简单的改写就能运行。

本发明在实施的时候，可建立三个函数来实现目标判断：

1)图像差分与特征统计函数：tFeature*ImageDiffAccu(BYTE*pSorce，BYTE*pRef，RECT rRoi)，该函数的输出tFeature为特征参数结构体指针，该结构体可根据特征检测矢量的算法定义，如果只是采用灰度级差异进行统计，则tFeature可以等同于long型数据；输入参数1，BYTE*pSorce为当前图像的数据指针；2，BYTE*pRef为背景、塑件或模腔图像的数据指针，3，RECT rRoi为计算参数的子区域ROI参数。该函数实现图像在某一ROI内的差分和特征统计。

2)某一ROI内的目标类型可能性判断：tObject*ObjectJudge(tFeature*ptf，intiType)，该函数的输出tObject为特征参数比较结果的结构体指针，该结构体可根据特征检测矢量的算法定义，如果只是采用灰度级差异进行统计，则tObject可以等同于long型数据；输入参数1，tFeature*ptf为ROI的特征统计参数结构体；输入参数2int iType为目标类型，分别为背景、塑件和模腔三种，函数内部根据不同类型的目标，调用不同的阈值进行判断。

3)最终目标的综合性判断：int ResultPut(tObject&pobj1，tObject&pobj2，tObject&pobj3)，该函数根据上述目标的可能性统计判断结果，进行综合性判断，最后输出判断结果。该函数的输出为目标类型，0：背景，1：塑件，2：模腔，-1：判断失败；输入参数1，tObject&pobj1，tObject&pobj2，tObject&pobj3则分别为三种不同类型目标的可能性参数，当画面中有多个ROI时，该参数为数组类型。

检测中的第一大步调用函数ImageDiffAccu，进行目标与背景画面的差分提取特征参数，使用差分算法计算背景与塑件目标、背景与模腔目标的图像灰度差分，提取疑似目标与非目标区域的特征检测算子，特征提取算法可以使用灰度级累积，也可以采用特征量提取并建立特征矢量，为后续对每一个子区域ROI内进行相对应的目标识别匹配准备参数；

第二步骤则调用ObjectJudge，目标相似度检测装置，根据前一步提取到的特征值，统计各ROI区域内的目标出现参数数值，统计的时候，分别累积各自ROI内的目标和非目标特征参数。

第三步骤，目标判决装置使用函数ResultPut，由目标的统计参数值，使用模糊判别法，进行目标未出现、目标出现的决策可能性判断

这里本发明的描述和应用是说明性的，并非想将本发明的范围限制在上述实施例中。这里所披露的实施例的变形和改变是可能的，对于那些本领域的普通技术人员来说实施例的替换和等效的各种部件是公知的。本领域技术人员应该清楚的是，在不脱离本发明的精神或本质特征的情况下，本发明可以以其它形式、结构、布置、比例，以及用其它组件、材料和部件来实现。在不脱离本发明范围和精神的情况下，可以对这里所披露的实施例进行其它变形和改变。

Claims (8)

1.一种基于模糊算法的目标监视检测方法，其特征在于，所述方法用于检测模具保护器塑件和模腔是否出现，包括如下步骤：

步骤1，抓取背景、塑件和模腔的数字图像，按线性顺序存储；

步骤2，获取当前帧的数字图像，按线性顺序存储；

步骤3，将当前画面分为若干小区域ROI，与背景、塑件和模腔的数字图像分别在每一个ROI区域内进行差分，提取各种图像间在ROI内的差异；

步骤4，按ROI统计差异参数；统计之前，直接统计灰度值差异，或者在统计前进行特征提取，建立特征矢量后，统计差异的特征矢量；

步骤5，将各种统计参数进行相似度和相异度比较，在正反两个方向判断各种背景、塑件、模腔三种目标出现的可能性；在参数统计的时候，将背景也当做要识别的一种目标，符合背景的识别结果则判断当前图像为背景；

步骤6，目标判断步骤；包括：a）如果背景特征的正向统计参数小于背景正向阈值Tho1，同时，塑件和模腔的反向统计参数大于其各自的反向阈值The2和The3，则判断当前画面为背景；b）反之，如果背景特征的反向统计参数大于背景反向阈值The1，则判断当前画面可能为塑件或模腔，转到步骤c）；c）如果塑件正向统计参数小于其正向阈值Tho2，同时模腔的反向统计参数大于其反向阈值Tho3，则判断当前画面为塑件，否则，则转到步骤d）；d）如果模腔的正向统计参数小于其正向阈值Tho3，同时塑件的反向统计参数大于其反向阈值Tho2，则判断当前画面为模腔；

步骤7，根据前一步对每个ROI的判断结果，所有ROI内的统计结果作为判断依据，当所有ROI的判断都有效时，则输出结果；

步骤8，阈值更新；当所有ROI的判断结果一致，表示该次判断结果可靠性高，可作为阈值的更新依据，分别更新其对应的正向或反向阈值；当更新到设定的次数后，取正向和反向阈值的中值作为正向和反向统一的阈值。

2.一种基于模糊算法的目标监视检测方法，其特征在于，所述方法包括如下步骤：

步骤S1：获取目标图像及背景图像；

步骤S2：提取目标图像与背景图像的差分特征参数；将当前画面分为若干小区域ROI，使用差分算法计算背景与塑件目标、背景与模腔目标在小区域ROI内的图像灰度差分；

步骤S3：检测目标相似度；根据步骤S2提取到的差分特征参数，统计各小区域ROI内的目标出现参数数值，统计时，分别累积各自小区域ROI内的目标和非目标特征参数；

步骤S4：目标判决步骤；由目标的统计参数值，使用模糊判别法，进行目标未出现、目标出现的决策可能性判断；将当前图像与目标图像的差分特征作为正向判断依据，而将当前图像与模腔目标的差分特征参数作为反向判断依据，分别使用正向判断阈值和反向判断阈值，并累积所有ROI判断结果；同时，将多个ROI结果作为一个整体进行判断；

所述步骤S4具体包括：

a）如果背景特征的正向统计参数小于背景正向阈值Tho1，同时，塑件和模腔的反向统计参数大于其各自的反向阈值The2和The3，则判断当前画面为背景；

b）反之，如果背景特征的反向统计参数大于背景反向阈值The1，则判断当前画面可能为塑件或模腔，转到步骤c）；

c）如果塑件正向统计参数小于其正向阈值Tho2，同时模腔的反向统计参数大于其反向阈值Tho3，则判断当前画面为塑件，否则，则转到步骤d）；

d）如果模腔的正向统计参数小于其正向阈值Tho3，同时塑件的反向统计参数大于其反向阈值Tho2，则判断当前画面为模腔。

3.根据权利要求2所述的基于模糊算法的目标监视检测方法，其特征在于：

所述方法还包括：

目标与背景分割步骤；根据目标图像的灰度值，将背景区域作为参考，从画面中分割出目标和非目标图像灰度级区域；

判决阈值优化步骤；根据统计结果，调整检测间隔的上下判断阈值，用上下间隔阈值的中值作为唯一判断阈值标准，提高判断结果的可靠性。

4.根据权利要求2所述的基于模糊算法的目标监视检测方法，其特征在于：

所述步骤S2中，提取疑似目标与非目标区域的特征，特征提取算法使用灰度级累积，或者采用特征量提取并建立特征矢量，为后续对每一个子区域ROI内进行相对应的目标识别匹配准备参数。

5.根据权利要求2所述的基于模糊算法的目标监视检测方法，其特征在于：

所述步骤S2的差分算法中，执行图像差分算子之前，做漂移纠正，以消除由于相机或者目标的微小移动带来的错误。

6.根据权利要求2所述的基于模糊算法的目标监视检测方法，其特征在于：

所述步骤S3中，分别统计当前图像与背景画面、当前图像与塑件目标、当前图像与模腔目标的差分特征参数，并且是每个ROI内部单独进行统计。

7.一种基于模糊算法的目标监视检测系统，其特征在于，所述系统包括：

图像获取模块，用以获取目标图像及背景图像；

差分特征提取模块，用以提取目标图像与背景图像的差分特征参数；将当前画面分为若干小区域ROI，使用差分算法计算背景与塑件目标、背景与模腔目标在小区域ROI内的图像灰度差分；

目标相似度检测模块，用以检测目标相似度；根据提取到的差分特征参数，统计各小区域ROI内的目标出现参数数值，统计时，分别累积各自小区域ROI内的目标和非目标特征参数；

目标判决模块，用以根据目标的统计参数值使用模糊判别法进行目标未出现、目标出现的决策可能性判断；所述目标判决模块将当前图像与目标图像的差分特征作为正向判断依据，而将当前图像与模腔目标的差分特征参数作为反向判断依据，分别使用正向判断阈值和反向判断阈值，并累积所有ROI判断结果；同时，将多个ROI结果作为一个整体进行判断；

所述目标判决模块的判决过程具体包括：

a）如果背景特征的正向统计参数小于背景正向阈值Tho1，同时，塑件和模腔的反向统计参数大于其各自的反向阈值The2和The3，则判断当前画面为背景；

b）反之，如果背景特征的反向统计参数大于背景反向阈值The1，则判断当前画面可能为塑件或模腔，转到步骤c）；

c）如果塑件正向统计参数小于其正向阈值Tho2，同时模腔的反向统计参数大于其反向阈值Tho3，则判断当前画面为塑件，否则，则转到步骤d）；

d）如果模腔的正向统计参数小于其正向阈值Tho3，同时塑件的反向统计参数大于其反向阈值Tho2，则判断当前画面为模腔。

8.根据权利要求7所述的基于模糊算法的目标监视检测系统，其特征在于：

所述系统进一步包括：

目标与背景分割模块，用以根据目标图像的灰度值，将背景区域作为参考，从画面中分割出目标和非目标图像灰度级区域；

判决阈值优化模块，用以根据统计结果调整检测间隔的上下判断阈值，用上下间隔阈值的中值作为唯一判断阈值标准，提高判断结果的可靠性。

Images