CN104899854B - 堆粮高度线的检测方法和装置 - Google Patents
堆粮高度线的检测方法和装置 Download PDFInfo
- Publication number
- CN104899854B CN104899854B CN201410079819.1A CN201410079819A CN104899854B CN 104899854 B CN104899854 B CN 104899854B CN 201410079819 A CN201410079819 A CN 201410079819A CN 104899854 B CN104899854 B CN 104899854B
- Authority
- CN
- China
- Prior art keywords
- image
- heap grain
- altitude line
- training
- line
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Abstract
本发明提供了一种堆粮高度线的检测方法和装置。该方法包括：通过摄像机采集堆粮高度线的训练图像，基于训练图像组成训练样本集；提取训练样本集中每幅训练图像中每个像素点的颜色空间特征，用EM算法训练所有的颜色空间特征得到混合高斯模型；计算待检图像中每个像素点颜色空间特征相对于混合高斯模型的后验概率值，得到概率图像；根据概率图像和待检图像的灰度图像，通过Hough变换分别得到堆粮高度线上、下边缘的备选集合；从堆粮高度线上边缘的备选集合、下边缘的备选集合配对得到待检图像中的堆粮高度线的位置。本发明通过结合颜色空间建模和Hough变换算法，融合堆粮高度线的颜色信息和形状信息，提高了堆粮高度线的位置检测准确度。
Description
技术领域
本发明涉及智能粮食仓储管理领域，尤其涉及一种堆粮高度线的检测方法和装置。
背景技术
粮食仓储管理的自动化水平目前仍有待提升。堆粮高度测量、粮食出入仓信息记录等都依赖人工完成，阻碍了粮食物流组织化程度的发展。堆粮高度线，也称存粮线，是堆粮高度测量和控制、粮食出入仓检测等的重要参考标志线，其位置的检测对粮仓智能监控和监管有重要作用。
堆粮高度线有特定的颜色和形状，一般为水平涂刷在墙壁上的固定宽度的深红色长条。但是，粮仓环境中灯光昏暗且光源较多，导致堆粮高度线在图像中的颜色变化较大，基于颜色空间建模的堆粮高度线的检测结果的漏检率和误检率都较高。另外，堆粮高度线常常紧邻仓顶、墙面和粮食的分界线、粮面走道板等，类似形状的目标较多。并且，粮面、走道板等相对位置不固定，屋顶高度离堆粮高度线没有固定距离，所以堆粮高度线在水平边缘特征上不具有唯一性。
颜色空间模型是对图像中颜色进行建模和分析的常用方法，基于肤色的人脸检测就是颜色空间模型的典型应用。Hough变换是一种可用于检测直线、圆等特定形状的模式识别方法。目前还没有结合颜色空间模型和形状对堆粮高度线进行检测的有效手段。
发明内容
本发明的实施例提供了一种堆粮高度线的检测方法和装置，以实现结合颜色空间模型和形状对堆粮高度线进行有效的检测。
本发明提供了如下方案：
一种堆粮高度线的检测方法，包括：
通过摄像机采集堆粮高度线的训练图像，基于所述训练图像组成训练样本集；
提取所述训练样本集中的每幅训练图像中的每个像素点的颜色空间特征，用EM算法训练所有的颜色空间特征得到混合高斯模型；
计算待检图像中的每个像素点的颜色空间特征相对于所述混合高斯模型的后验概率值，得到概率图像；
根据所述待检图像的灰度图像和所述概率图像，通过Hough变换分别得到堆粮高度线上边缘的备选集合和下边缘的备选集合；
从所述堆粮高度线上边缘的备选集合、下边缘的备选集合配对得到待检图像中的堆粮高度线的位置。
所述的通过摄像机采集堆粮高度线的训练图像，基于所述训练图像组成训练样本集，包括：
在不同时间段通过摄像机对需要检测堆粮高度线的墙面进行多次拍照，得到多个训练图像，将所有训练图像组成训练样本集；
在每幅训练图像中，选择出堆粮高度线内的若干个像素点，用泛洪填充算法找出每幅训练图像中所选像素点的邻近点，所述邻近点与所选像素点的像素值之间的差值在指定数值范围内，将所述邻近点和所选像素点一起加入到所述训练样本集中。
所述的提取训练样本集中的每幅训练图像中的每个像素点的颜色空间特征，用EM算法训练所有的颜色空间特征得到混合高斯模型，包括：
对于训练样本集中的每幅训练图像中的任意一个像素点，设其RGB值分别为R,G,B，该像素点的颜色空间特征为对于训练样本集中的每幅训练图像中的每个像素点，分别提取其颜色空间特征；
以所有像素点的颜色空间特征作为训练数据，用最大期望算法EM算法训练所述训练数据得到一个混合高斯模型GMM，记为模型Θ
所述模型Θ包含M个分量，每个分量包含3种参数(wi,μi,Σi)，i=1...M，wi表示第i个分量的权值，μi表示第i个分量的均值，Σi表示第i个分量的方差。
所述的计算待检图像中的每个像素点的颜色空间特征相对于所述混合高斯模型的后验概率值，得到概率图像，包括：
拍摄出堆粮高度线的待检图像，对所述待检图像中的每个像素点，提取该像素点的颜色空间特征x，计算所述颜色空间特征x相对于模型Θ的后验概率值为：
其中，g是高斯密度函数。
生成所述待检图像对应的灰度图像，该灰度图像中的每个像素点的像素值为所述待检图像中的相同位置的像素点的所述后验概率值，对所述灰度图像进行腐蚀膨胀，得到概率图像。
所述的根据所述待检图像的灰度图像和所述概率图像，通过Hough变换分别得到堆粮高度线上边缘的备选集合和下边缘的备选集合，包括：
用Canny边缘检测算法对所述待检图像对应的灰度图像进行边缘检测，得到图像C；
用预先设定的索贝尔Sobel算子对所述概率图像进行卷积，得到图像S，将图像S中负值设为0后的图像作为图像S+；将图像S中正值设为0、负值取反后的图像作为图像S-，将图像S+与图像C逐点相乘，得到图像H+，将图像S-与图像C逐点相乘，得到图像H-；
对图像H+进行基于线段检测算法的Hough变换，将Hough变换后获得的线段记为堆粮高度线上边缘的备选集合；对图像H-进行基于线段检测算法的Hough变换，将Hough变换后获得的线段记为堆粮高度线下边缘的备选集合。
所述的从堆粮高度线上边缘的备选集合、下边缘的备选集合配对得到待检图像中的堆粮高度线的位置，包括：
在堆粮高度线上边缘和下边缘的备选集合中，将小于堆粮高度线长度的经验阈值L的线段去掉；
将堆粮高度线的上边缘备选集合中的第i个线段和下边缘备选集合中的第j个线段的长度之差记为dL(i,j)，夹角记为dS(i,j)，中点连线长度记为dM(i,j)；
则堆粮高度线的上下边缘由下式确定：
(m,n)＝argmini,ja|dL(i,j)|+b|dS(i,j)|+c|dM(i,j)-w|
其中，堆粮高度线的上边缘为所述上边缘备选集合中的第m个线段，堆粮高度线的下边缘为所述下边缘备选集合中的第n个线段，w为堆粮高度线的经验宽度，a,b,c为设定的权值，在m和n确定之后，将所述上边缘备选集合中的第m个线段作为堆粮高度线的上边缘，将所述下边缘备选集合中的第n个线段作为堆粮高度线的下边缘，堆粮高度线的上边缘的左右端点和下边缘的左右端点围成的四边形区域，作为堆粮高度线在所述待检图像中的位置。
一种堆粮高度线的检测装置，包括：
训练样本集构造模块，用于通过摄像机采集堆粮高度线的训练图像，基于所述训练图像组成训练样本集；
混合高斯模型构造模块，用于提取所述训练样本集中的每幅训练图像中的每个像素点的颜色空间特征，用EM算法训练所有的颜色空间特征得到混合高斯模型；
概率图像获取模块，用于计算待检图像中的每个像素点的颜色空间特征相对于所述混合高斯模型的后验概率值，得到所述概率图像；
上、下边缘备选集合获取模块，用于根据所述待检图像的灰度图像和所述概率图像，通过Hough变换分别得到堆粮高度线上边缘的备选集合和下边缘的备选集合；
堆粮高度线确定模块，用于从所述堆粮高度线上边缘的备选集合、下边缘的备选集合配对得到待检图像中的堆粮高度线的位置。
所述的训练样本集构造模块，具体用于在不同时间段通过摄像机对需要检测堆粮高度线的墙面进行多次拍照，得到多个训练图像，将所有训练图像组成训练样本集；
在每幅训练图像中，选择出堆粮高度线内的若干个像素点，用泛洪填充算法找出每幅训练图像中所选像素点的邻近点，所述邻近点与所选像素点的像素值之间的差值在指定数值范围内，将所述邻近点和所选像素点一起加入到所述训练样本集中。
混合高斯模型构造模块，用于对于训练样本集中的每幅训练图像中的任意一个像素点，设其RGB值分别为R,G,B，该像素点的颜色空间特征为对于训练样本集中的每幅训练图像中的每个像素点，分别提取其颜色空间特征；
以所有像素点的颜色空间特征作为训练数据，用最大期望算法EM算法训练所述训练数据得到一个混合高斯模型GMM，记为模型Θ；
所述模型Θ包含M个分量，每个分量包含3种参数(wi,μi,Σi)，i=1...M，wi表示第i个分量的权值，μi表示第i个分量的均值，Σi表示第i个分量的方差。
概率图像获取模块，用于拍摄出堆粮高度线的待检图像，对待检图像中的每个像素点，提取该像素点的颜色空间特征x，计算所述颜色空间特征x相对于模型Θ的后验概率值为：
其中，g是高斯密度函数。
生成所述待检图像对应的灰度图像，该灰度图像中的每个像素点的像素值为待检图像中的相同位置的像素点的所述后验概率值，对所述灰度图像进行腐蚀膨胀，得到概率图像。
所述的上、下边缘备选集合获取模块，具体用于用Canny边缘检测算法对所述待检图像对应的灰度图像进行边缘检测，得到图像C；
用预先设定的索贝尔Sobel算子对所述概率图像进行卷积，得到图像S，将图像S中负值设为0后的图像作为图像S+；将图像S中正值设为0、负值取反后的图像作为图像S-，将图像S+与图像C逐点相乘，得到图像H+，将图像S-与图像C逐点相乘，得到图像H-；
对图像H+进行基于线段检测算法的Hough变换，将Hough变换后获得的线段记为堆粮高度线上边缘的备选集合；对图像H-进行基于线段检测算法的Hough变换，将Hough变换后获得的线段记为堆粮高度线下边缘的备选集合。
所述的堆粮高度线确定模块，具体用于在堆粮高度线上边缘和下边缘的备选集合中，将小于堆粮高度线长度的经验阈值L的线段去掉；
将堆粮高度线的上边缘备选集合中的第i个线段和下边缘备选集合中的第j个线段的长度之差记为dL(i,j)，夹角记为dS(i,j)，中点连线长度记为dM(i,j)；
则堆粮高度线的上下边缘由下式确定：
(m,n)＝argmini,ja|dL(i,j)|+b|dS(i,j)|+c|dM(i,j)-w|
其中，堆粮高度线的上边缘为所述上边缘备选集合中的第m个线段，堆粮高度线的下边缘为所述下边缘备选集合中的第n个线段，w为堆粮高度线的经验宽度，a,b,c为设定的权值，在m和n确定之后，将上边缘备选集合中的第m个线段作为堆粮高度线的上边缘，将下边缘备选集合中的第n个线段作为堆粮高度线的下边缘，堆粮高度线的上边缘的左右端点和下边缘的左右端点围成的四边形区域，作为堆粮高度线在所述待检图像中的位置。
由上述本发明的实施例提供的技术方案可以看出，本发明实施例通过结合颜色空间建模和Hough变换算法，融合堆粮高度线的颜色信息和形状信息，提高了堆粮高度线的位置检测准确度。并且，使用了泛洪填充算法辅助人工点选，提高了训练样本集的提取效率，为堆粮高度线的颜色空间模型训练提供了更多有效的样本，使堆粮高度线的颜色空间模型的泛化能力更好。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例一提供的一种摄像机对设置堆粮高度线的墙面进行拍照的示意图；
图2为本发明实施例一提供的一种堆粮高度线的检测方法的处理流程图；
图3为本发明实施例一提供的一种Sobel算子的示意图；
图4为本发明实施例二提供的一种堆粮高度线的检测装置的具体结构图，包括训练样本集构造模块41，混合高斯模型构造模块42，概率图像获取模块43，上、下边缘备选集合获取模块44，堆粮高度线确定模块45。
具体实施方式
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
实施例一
本发明实施例通过对堆粮高度线所在的颜色空间进行建模，并利用边缘检测算法找出堆粮高度线的上下边缘，可以准确地检测出堆粮高度线的位置。
本发明实施例在需要检测的堆粮高度线的墙面对侧顶部安装一台摄像机，该摄像机优选采用畸变较小的远心镜头。该实施例提供的一种摄像机对设置堆粮高度线的墙面进行拍照的示意图如图1所示，摄像机安装时使堆粮高度线在图像中尽可能水平，使摄像机的光轴尽可能垂直于需要检测的堆粮高度线的墙面，使摄像机尽可能少的拍摄到其他墙面。
该实施例提供的一种堆粮高度线的检测方法的处理流程如图2所示，包括如下的处理步骤：
步骤S210、通过摄像机采集堆粮高度线的训练图像，基于训练图像组成训练样本集。
本发明实施例需要首先通过摄像机采集超过一个自然日的堆粮高度线的训练图像，将该训练图像作为训练模块的输入图像。在训练模块执行完毕后，即可采用检测模块在实时采集到的视频图像中检测出堆粮高度线。
随机选取上述摄像机在不同时间采集的多幅训练图像，优选100帧，作为训练图像，将所有训练图像组成训练样本集。
在训练图像选取时，尽可能使采集条件覆盖光照和阴影的各种变化情况。上述摄像机在拍摄训练图像时，对堆粮高度线的具体高度没有要求。
在每幅训练图像中，人工点选出堆粮高度线内的若干个像素点，优选10个像素点。在每次点选后，用泛洪填充算法找出该幅训练图像中与所选点具有相似像素值的邻近点，将邻近点和所选点一起加入训练样本集。所述邻近点与所选像素点的像素值之间的差值在指定数值范围内，该指定数值范围根据训练图像的拍摄光照和阴影等因素确定。
步骤S220、提取训练样本集中的每幅训练图像中的每个像素点的颜色空间特征，以所有像素点的颜色空间特征作为训练数据，用EM（Expectation-maximizationalgorithm，最大期望算法）算法训练得到一个GMM（Gaussian Mixture Model，混合高斯模型）。
对于训练样本集中的每幅训练图像中的任意一个像素点，设其RGB值分别为R,G,B，该像素点的颜色空间特征为对于训练样本集中的每幅训练图像中的每个像素点，分别提取其颜色空间特征。
以所有像素点的颜色空间特征作为训练数据，用EM（Expectation-maximizationalgorithm，最大期望算法）算法训练上述训练数据得到一个GMM，记为模型Θ。训练得到的GMM表示了像素点颜色空间特征的分布情况。
上述模型Θ包含M个分量，M的值优选为10，每个分量包含3种参数(wi,μi,Σi)，i=1...M，wi表示第i个分量的权值，μi表示第i个分量的均值，Σi表示第i个分量的方差。
上述GMM表示根据所有的训练图像综合出来的堆粮高度线的颜色空间模型，代表了堆粮高度线在训练图像中的颜色分别特征。
步骤S230、计算待检图像中的每个像素点颜色空间特征相对于混合高斯模型的后验概率值，得到概率图像。
用摄像机拍摄出堆粮高度线的待检图像，对待检图像中的每个像素点，提取该像素点的颜色空间特征x，颜色空间特征x相对于模型Θ的后验概率值为：
其中，g是高斯密度函数。
本领域技术人员应能理解上述后验概率值的计算方法仅为举例，其他现有的或今后可能出现的后验概率值的计算方法如可适用于本发明实施例，也应包含在本发明保护范围以内，并在此以引用方式包含于此。
生成上述待检图像对应的灰度图像，该灰度图像中的每个像素点的像素值为待检图像中的相同位置的像素点的上述后验概率值。然后对该灰度图像进行腐蚀膨胀，得到概率图像。上述概率图像表示了待检图像和堆粮高度线的颜色空间模型的颜色匹配程度。
步骤S240、根据概率图像和待检图像的灰度图像，通过Hough变换得到堆粮高度线上、下边缘的备选集合。
用Canny边缘检测算法对上述待检图像对应的灰度图像进行边缘检测，得到图像C。
用图3所示的Sobel（索贝尔）算子对概率图像进行卷积，得到图像S。将图像S中负值设为0后的图像作为图像S+；将图像S中正值设为0，负值取反后的图像作为图像S-。将图像S+与图像C逐点相乘，得到图像H+，将图像S-与图像C逐点相乘，得到图像H-。
对图像H+进行基于线段检测算法的Hough变换，将Hough变换中获得的线段记为堆粮高度线上边缘的备选集合。对图像H-进行基于线段检测算法的Hough变换，将Hough变换中获得的线段记为堆粮高度线下边缘的备选集合。
步骤S250、从堆粮高度线上边缘的备选集合、下边缘的备选集合配对得到待检图像中的堆粮高度线的位置。
在堆粮高度线上下边缘的备选集合中，找出小于堆粮高度线长度（以图像像素为单位）的经验阈值L的线段，将这些线段从所在备选集合中去掉，经验阈值L的值根据经验确定。
计算上下边缘备选集合中每对线段的长度差值、斜率差值和中点连线长度，然后根据这3个值选出最优的上下边缘的配对方式。具体配对方法如下，将上边缘备选集合中的第i个线段和下边缘备选集合中的第j个线段的长度之差记为dL(i,j)，夹角记为dS(i,j)，中点连线长度记为dM(i,j)。
则最优的堆粮高度线上下边缘由下式确定。
(m,n)＝argmini,ja|dL(i,j)|+b|dS(i,j)|+c|dM(i,j)-w|
其中，最优的堆粮高度线的上边缘为上边缘备选集合中的第m个线段，最优的堆粮高度线的下边缘为下边缘备选集合中的第n个线段，w为堆粮高度线的经验宽度（以图像像素为单位），a,b,c为权值，a,b,c,w的值根据经验确定。在m和n确定之后，将上边缘备选集合中的第m个线段作为上边缘，将下边缘备选集合中的第n个线段作为下边缘，输出由上边缘的左右端点和下边缘的左右端点围成的四边形区域，作为堆粮高度线在待检图像中的位置。
本领域技术人员应能理解，上述所举的根据上下边缘的备选集合确定最优的堆粮高度线的上、下边缘仅为更好地说明本发明实施例的技术方案，而非对本发明实施例作出的限定。任何根据上下边缘的备选集合来确定最优的堆粮高度线的上、下边缘的方法，均包含在本发明实施例的范围内。
实施例二
该实施例提供的一种堆粮高度线的检测装置，其具体结构如图4所示，包括如下的模块：
训练样本集构造模块41，用于通过摄像机采集堆粮高度线的训练图像，基于训练图像组成训练样本集；
混合高斯模型构造模块42，用于提取训练样本集中的每幅训练图像中的每个像素点的颜色空间特征，以所有像素点的颜色空间特征作为训练数据，用EM算法训练上述训练数据得到一个GMM，记为模型Θ。训练得到的GMM表示了像素点颜色空间特征的分布情况。
概率图像获取模块43，用于计算待检图像中的每个像素点颜色空间特征相对于所述混合高斯模型的后验概率值，得到概率图像；
上、下边缘备选集合获取模块44，用于根据概率图像和待检图像的灰度图像，通过Hough变换分别得到堆粮高度线上边缘的备选集合和下边缘的备选集合；
堆粮高度线确定模块45，用于从堆粮高度线上边缘的备选集合、下边缘的备选集合配对得到待检图像中的堆粮高度线的位置。
进一步地，所述的训练样本集构造模块41，具体用于在不同时间段通过摄像机对需要检测堆粮高度线的墙面进行多次拍照，得到多个训练图像，将所有训练图像组成训练样本集；
在每幅训练图像中，选择出堆粮高度线内的若干个像素点，用泛洪填充算法找出每幅训练图像中所选像素点的邻近点，所述邻近点与所选像素点的像素值之间的差值在指定数值范围内，将邻近点和所选点一起加入到所述训练样本集中。
进一步地，混合高斯模型构造模块42，用于对于训练样本集中的每幅训练图像中的任意一个像素点，设其RGB值分别为R,G,B，该像素点的颜色空间特征为对于训练样本集中的每幅训练图像中的每个像素点，分别提取其颜色空间特征；
用最大期望算法分别训练所有像素点的颜色空间特征，根据训练结果构成GMM，记为模型Θ；
上述模型Θ包含M个分量，M的值优选为10，每个分量包含3种参数(wi,μi,Σi)，i=1...M，wi表示第i个分量的权值，μi表示第i个分量的均值，Σi表示第i个分量的方差。
进一步地，所述概率图像获取模块43，用于拍摄出堆粮高度线的待检图像，对待检图像中的每个像素点，提取该像素点的颜色空间特征x，计算所述颜色空间特征x相对于模型Θ的后验概率值为：
其中，g是高斯密度函数。
生成所述待检图像对应的灰度图像，该灰度图像中的每个像素点的像素值为待检图像中的相同位置的像素点的所述后验概率值，对所述灰度图像进行腐蚀膨胀，得到概率图像。
进一步地，所述的上、下边缘备选集合获取模块44，具体用于用Canny边缘检测算法对所述待检图像对应的灰度图像进行边缘检测，得到图像C；
用预先设定的Sobel算子对所述概率图像进行卷积，得到图像S，将图像S中负值设为0后的图像作为图像S+；将图像S中正值设为0、负值取反后的图像作为图像S-，将图像S+与图像C逐点相乘，得到图像H+，将图像S-与图像C逐点相乘，得到图像H-；
对图像H+进行基于线段检测算法的Hough变换，将Hough变换后获得的线段记为堆粮高度线上边缘的备选集合；对图像H-进行基于线段检测算法的Hough变换，将Hough变换后获得的线段记为堆粮高度线下边缘的备选集合。
进一步地，所述的堆粮高度线确定模块45，具体用于在堆粮高度线上边缘和下边缘的备选集合中，将小于堆粮高度线长度的经验阈值L的线段去掉；
将堆粮高度线的上边缘备选集合中的第i个线段和下边缘备选集合中的第j个线段的长度之差记为dL(i,j)，夹角记为dS(i,j)，中点连线长度记为dM(i,j)；
则堆粮高度线的上下边缘由下式确定：
(m,n)＝argmini,ja|dL(i,j)|+b|dS(i,j)|+c|dM(i,j)-w|
其中，堆粮高度线的上边缘为上边缘备选集合中的第m个线段，堆粮高度线的下边缘为下边缘备选集合中的第n个线段，w为堆粮高度线的经验宽度，a,b,c为设定的权值，在m和n确定之后，将上边缘备选集合中的第m个线段作为堆粮高度线的上边缘，将下边缘备选集合中的第n个线段作为堆粮高度线的下边缘，堆粮高度线的上边缘的左右端点和下边缘的左右端点围成的四边形区域，作为堆粮高度线在所述待检图像中的位置。
用本发明实施例的装置进行堆粮高度线检测的具体过程与前述方法实施例类似，此处不再赘述。
综上所述，本发明实施例通过结合颜色空间建模和Hough变换算法，融合堆粮高度线的颜色信息和形状信息，提高了堆粮高度线的位置检测准确度。并且，使用了泛洪填充算法辅助人工点选，提高了训练样本集的提取效率，为堆粮高度线的颜色空间模型训练提供了更多有效的样本，使堆粮高度线的颜色空间模型的泛化能力更好。
本发明实施例还利用堆粮高度线的颜色分布和条状特性，对堆粮高度线的上下边缘进行了有针对性的检测，降低了误检率。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (12)
1.一种堆粮高度线的检测方法，其特征在于，包括：
通过摄像机采集堆粮高度线的训练图像，基于所述训练图像组成训练样本集；
提取所述训练样本集中的每幅训练图像中的每个像素点的颜色空间特征，用EM算法训练所有的颜色空间特征得到混合高斯模型；
计算待检图像中的每个像素点的颜色空间特征相对于所述混合高斯模型的后验概率值，得到概率图像；
根据所述待检图像的灰度图像和所述概率图像，通过Hough变换分别得到堆粮高度线上边缘的备选集合和下边缘的备选集合；
从所述堆粮高度线上边缘的备选集合、下边缘的备选集合配对得到待检图像中的堆粮高度线的位置。
2.根据权利要求1所述的堆粮高度线的检测方法，其特征在于，所述的通过摄像机采集堆粮高度线的训练图像，基于所述训练图像组成训练样本集，包括：
在不同时间段通过摄像机对需要检测堆粮高度线的墙面进行多次拍照，得到多个训练图像，将所有训练图像组成训练样本集；
在每幅训练图像中，选择出堆粮高度线内的若干个像素点，用泛洪填充算法找出每幅训练图像中所选像素点的邻近点，所述邻近点与所选像素点的像素值之间的差值在指定数值范围内，将所述邻近点和所选像素点一起加入到所述训练样本集中。
3.根据权利要求1所述的堆粮高度线的检测方法，其特征在于，所述的提取训练样本集中的每幅训练图像中的每个像素点的颜色空间特征，用EM算法训练所有的颜色空间特征得到混合高斯模型，包括：
对于训练样本集中的每幅训练图像中的任意一个像素点，设其RGB值分别为R,G,B，该像素点的颜色空间特征为对于训练样本集中的每幅训练图像中的每个像素点，分别提取其颜色空间特征；
以训练图像所有像素点的颜色空间特征作为训练数据，用EM算法训练所述训练数据得到一个混合高斯模型，记为模型Θ
所述模型Θ包含M个分量，每个分量包含3种参数(wi,μi,Σi)，i＝1...M，wi表示第i个分量的权值，μi表示第i个分量的均值，Σi表示第i个分量的方差。
4.根据权利要求3所述的堆粮高度线的检测方法，其特征在于，所述的计算待检图像中的每个像素点的颜色空间特征相对于所述混合高斯模型的后验概率值，得到概率图像，包括：
拍摄出堆粮高度线的待检图像，对所述待检图像中的每个像素点，提取该像素点的颜色空间特征x，计算所述颜色空间特征x相对于模型Θ的后验概率值为：
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>|</mo>
<mi>&Theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>|</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mo>&Sigma;</mo>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中，g是高斯密度函数；
生成所述待检图像对应的灰度图像，该灰度图像中的每个像素点的像素值为所述待检图像中的相同位置的像素点的所述后验概率值，对所述灰度图像进行腐蚀膨胀，得到概率图像。
5.根据权利要求4所述的堆粮高度线的检测方法，其特征在于，所述的根据所述待检图像的灰度图像和所述概率图像，通过Hough变换分别得到堆粮高度线上边缘的备选集合和下边缘的备选集合，包括：
用Canny边缘检测算法对所述待检图像对应的灰度图像进行边缘检测，得到图像C；
用预先设定的索贝尔Sobel算子对所述概率图像进行卷积，得到图像S，将图像S中负值设为0后的图像作为图像S+；将图像S中正值设为0、负值取反后的图像作为图像S-，将图像S+与图像C逐点相乘，得到图像H+，将图像S-与图像C逐点相乘，得到图像H-；
对图像H+进行基于线段检测算法的Hough变换，将Hough变换后获得的线段记为堆粮高度线上边缘的备选集合；对图像H-进行基于线段检测算法的Hough变换，将Hough变换后获得的线段记为堆粮高度线下边缘的备选集合。
6.根据权利要求5所述的堆粮高度线的检测方法，其特征在于，所述的从堆粮高度线上边缘的备选集合、下边缘的备选集合配对得到待检图像中的堆粮高度线的位置，包括：
在堆粮高度线上边缘和下边缘的备选集合中，将小于堆粮高度线长度的经验阈值L的线段去掉；
将堆粮高度线的上边缘备选集合中的第i个线段和下边缘备选集合中的第j个线段的长度之差记为dL(i,j)，夹角记为dS(i,j)，中点连线长度记为dM(i,j)；
则堆粮高度线的上下边缘由下式确定：
(m,n)＝argmini,ja|dL(i,j)|+b|dS(i,j)|+c|dM(i,j)-w|
其中，堆粮高度线的上边缘为所述上边缘备选集合中的第m个线段，堆粮高度线的下边缘为所述下边缘备选集合中的第n个线段，w为堆粮高度线的经验宽度，a,b,c为设定的权值，在m和n确定之后，将所述上边缘备选集合中的第m个线段作为堆粮高度线的上边缘，将所述下边缘备选集合中的第n个线段作为堆粮高度线的下边缘，堆粮高度线的上边缘的左右端点和下边缘的左右端点围成的四边形区域，作为堆粮高度线在所述待检图像中的位置。
7.一种堆粮高度线的检测装置，其特征在于，包括：
训练样本集构造模块，用于通过摄像机采集堆粮高度线的训练图像，基于所述训练图像组成训练样本集；
混合高斯模型构造模块，用于提取所述训练样本集中的每幅训练图像中的每个像素点的颜色空间特征，用EM算法训练所有的颜色空间特征得到混合高斯模型；
概率图像获取模块，用于计算待检图像中的每个像素点的颜色空间特征相对于所述混合高斯模型的后验概率值，得到所述概率图像；
上、下边缘备选集合获取模块，用于根据所述待检图像的灰度图像和所述概率图像，通过Hough变换分别得到堆粮高度线上边缘的备选集合和下边缘的备选集合；
堆粮高度线确定模块，用于从所述堆粮高度线上边缘的备选集合、下边缘的备选集合配对得到待检图像中的堆粮高度线的位置。
8.根据权利要求7所述的堆粮高度线的检测装置，其特征在于：
所述的训练样本集构造模块，具体用于在不同时间段通过摄像机对需要检测堆粮高度线的墙面进行多次拍照，得到多个训练图像，将所有训练图像组成训练样本集；
在每幅训练图像中，选择出堆粮高度线内的若干个像素点，用泛洪填充算法找出每幅训练图像中所选像素点的邻近点，所述邻近点与所选像素点的像素值之间的差值在指定数值范围内，将所述邻近点和所选像素点一起加入到所述训练样本集中。
9.根据权利要求8所述的堆粮高度线的检测装置，其特征在于：
混合高斯模型构造模块，用于对于训练样本集中的每幅训练图像中的任意一个像素点，设其RGB值分别为R,G,B，该像素点的颜色空间特征为对于训练样本集中的每幅训练图像中的每个像素点，分别提取其颜色空间特征；
以训练图像所有像素点的颜色空间特征作为训练数据，用EM算法训练所述训练数据得到一个混合高斯模型，记为模型Θ；
所述模型Θ包含M个分量，每个分量包含3种参数(wi,μi,Σi)，i＝1...M，wi表示第i个分量的权值，μi表示第i个分量的均值，Σi表示第i个分量的方差。
10.根据权利要求9所述的堆粮高度线的检测装置，其特征在于：
概率图像获取模块，用于拍摄出堆粮高度线的待检图像，对待检图像中的每个像素点，提取该像素点的颜色空间特征x，计算所述颜色空间特征x相对于模型Θ的后验概率值为：
<mrow>
<mi>p</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>|</mo>
<mi>&Theta;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>w</mi>
<mi>i</mi>
</msub>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>|</mo>
<msub>
<mi>&mu;</mi>
<mi>i</mi>
</msub>
<mo>,</mo>
<msub>
<mi>&Sigma;</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
</mrow>
其中，g是高斯密度函数；
生成所述待检图像对应的灰度图像，该灰度图像中的每个像素点的像素值为待检图像中的相同位置的像素点的所述后验概率值，对所述灰度图像进行腐蚀膨胀，得到概率图像。
11.根据权利要求10所述的堆粮高度线的检测装置，其特征在于：
所述的上、下边缘备选集合获取模块，具体用于用Canny边缘检测算法对所述待检图像对应的灰度图像进行边缘检测，得到图像C；
用预先设定的索贝尔Sobel算子对所述概率图像进行卷积，得到图像S，将图像S中负值设为0后的图像作为图像S+；将图像S中正值设为0、负值取反后的图像作为图像S-，将图像S+与图像C逐点相乘，得到图像H+，将图像S-与图像C逐点相乘，得到图像H-；
对图像H+进行基于线段检测算法的Hough变换，将Hough变换后获得的线段记为堆粮高度线上边缘的备选集合；对图像H-进行基于线段检测算法的Hough变换，将Hough变换后获得的线段记为堆粮高度线下边缘的备选集合。
12.根据权利要求11所述的堆粮高度线的检测装置，其特征在于：
所述的堆粮高度线确定模块，具体用于在堆粮高度线上边缘和下边缘的备选集合中，将小于堆粮高度线长度的经验阈值L的线段去掉；
将堆粮高度线的上边缘备选集合中的第i个线段和下边缘备选集合中的第j个线段的长度之差记为dL(i,j)，夹角记为dS(i,j)，中点连线长度记为dM(i,j)；
则堆粮高度线的上下边缘由下式确定：
(m,n)＝argmini,ja|dL(i,j)|+b|dS(i,j)|+c|dM(i,j)-w|
其中，堆粮高度线的上边缘为所述上边缘备选集合中的第m个线段，堆粮高度线的下边缘为所述下边缘备选集合中的第n个线段，w为堆粮高度线的经验宽度，a,b,c为设定的权值，在m和n确定之后，将上边缘备选集合中的第m个线段作为堆粮高度线的上边缘，将下边缘备选集合中的第n个线段作为堆粮高度线的下边缘，堆粮高度线的上边缘的左右端点和下边缘的左右端点围成的四边形区域，作为堆粮高度线在所述待检图像中的位置。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410079819.1A CN104899854B (zh) | 2014-03-05 | 2014-03-05 | 堆粮高度线的检测方法和装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410079819.1A CN104899854B (zh) | 2014-03-05 | 2014-03-05 | 堆粮高度线的检测方法和装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104899854A CN104899854A (zh) | 2015-09-09 |
| CN104899854B true CN104899854B (zh) | 2018-01-16 |
Family
ID=54032502
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410079819.1A Active CN104899854B (zh) | 2014-03-05 | 2014-03-05 | 堆粮高度线的检测方法和装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104899854B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| FR3067474B1 (fr) * | 2017-06-09 | 2021-11-19 | Inria Inst Nat Rech Informatique & Automatique | Dispositif informatique pour l'aide a la conduite |
| CN109472261B (zh) * | 2018-06-15 | 2020-09-18 | 河南工业大学 | 一种基于计算机视觉的粮仓储粮数量变化自动监测方法 |
| CN111435544B (zh) * | 2019-01-14 | 2021-11-05 | 珠海格力电器股份有限公司 | 图片处理方法和装置 |
| CN112734826B (zh) * | 2020-12-29 | 2022-05-31 | 华信咨询设计研究院有限公司 | 基于深度学习与lsd直线检测算法的粮食数量估算方法 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103175852A (zh) * | 2011-12-20 | 2013-06-26 | 航天信息股份有限公司 | 一种仓储粮食水分含量在线检测装置及其方法 |
| CN103364109A (zh) * | 2013-07-19 | 2013-10-23 | 深圳市粮食集团有限公司 | 一种用于采集粮食温度的温度采集系统及方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012163889A (ja) * | 2011-02-09 | 2012-08-30 | Canon Inc | 画像形成装置及び画像形成方法 |
-
2014
- 2014-03-05 CN CN201410079819.1A patent/CN104899854B/zh active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103175852A (zh) * | 2011-12-20 | 2013-06-26 | 航天信息股份有限公司 | 一种仓储粮食水分含量在线检测装置及其方法 |
| CN103364109A (zh) * | 2013-07-19 | 2013-10-23 | 深圳市粮食集团有限公司 | 一种用于采集粮食温度的温度采集系统及方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104899854A (zh) | 2015-09-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109886130B (zh) | 目标对象的确定方法、装置、存储介质和处理器 | |
| CN106960195B (zh) | 一种基于深度学习的人群计数方法及装置 | |
| CN107566781B (zh) | 视频监控方法和视频监控设备 | |
| CN108288027A (zh) | 一种图像质量的检测方法、装置及设备 | |
| KR101167567B1 (ko) | 어류 모니터링을 위한 영상감시장치 및 방법 | |
| CN104899854B (zh) | 堆粮高度线的检测方法和装置 | |
| CN111738995B (zh) | 一种基于rgbd图像的目标检测方法、装置及计算机设备 | |
| CN111091109B (zh) | 基于人脸图像进行年龄和性别预测的方法、系统和设备 | |
| CN109446959B (zh) | 目标区域的划分方法及装置、药物的喷洒控制方法 | |
| US10796141B1 (en) | Systems and methods for capturing and processing images of animals for species identification | |
| CN110570435B (zh) | 用于对车辆损伤图像进行损伤分割的方法及装置 | |
| CN110807496A (zh) | 一种密集目标检测方法 | |
| CN105163110A (zh) | 摄像头清洁度的检测方法、检测系统及拍摄终端 | |
| CN110008947A (zh) | 一种基于卷积神经网络的粮仓粮食数量监测方法及装置 | |
| CN111753805A (zh) | 安全帽佩戴检测方法和装置 | |
| CN109740721A (zh) | 麦穗计数方法及装置 | |
| CN111008561A (zh) | 一种牲畜的数量确定方法、终端及计算机存储介质 | |
| CN114511820A (zh) | 货架商品检测方法、装置、计算机设备及存储介质 | |
| CN110084275A (zh) | 一种训练样本的选取方法及装置 | |
| CN114402362A (zh) | 鱼计数系统、鱼计数方法以及程序 | |
| CN109816720B (zh) | 道路中心检测方法、机载设备及存储介质 | |
| WO2021051382A1 (zh) | 白平衡处理方法和设备、可移动平台、相机 | |
| CN109684953A (zh) | 基于目标检测和粒子滤波算法进行猪只跟踪的方法及装置 | |
| CN104809438B (zh) | 一种检测电子眼的方法和设备 | |
| CN110110750A (zh) | 一种原始图片的分类方法及装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |