CN105588440A - 烧结机台车位置检测方法及装置 - Google Patents

Abstract

本发明涉及原料烧结领域，尤其涉及一种烧结机台车位置的定位方法与装置。一种烧结机台车位置检测方法，任选一台台车作为首台车，以首台车为起始序号，制作台车序列表；选取任意台车位置作为测量点，采集位于该台车位置的台车图像；对台车图像进行处理后与台车特征模板和首台车标记模板进行匹配，通过首台车所在的位置得到所有台车位置。一种烧结机台车位置检测装置，设备支架设置在台车轨道的侧边，图像采集装置和光强照度检测装置的采像区域与辅助照明装置的照明区域相配合，所述首台车标记安装在任意一台位于台车轨道上的台车侧壁上。本发明无需人工识别，确保烧结机运行中台车位置的检测准确，提供一种了通用的烧结机台车位置检测技术和装置。

Description

烧结机台车位置检测方法及装置

技术领域

本发明涉及原料烧结领域，尤其涉及一种烧结机台车位置的定位方法与装置。

背景技术

烧结机台车使用在炼铁行业的原料烧结系统中，一台烧结机有很多台相同的台车首尾相连组成链形，在烧结机台车运行轨道上作椭圆形的闭循环运行。烧结机台车逐台从烧结机机头装载烧结用混合料点火后沿上部运行轨道向机尾运行，烧结用混合料在台车向前运行过程中进行原料的烧结，烧结机台车到机尾后沿运行轨道的圆周倾翻，依次将烧结成品倾倒到下一工序的设备上，倾倒完烧结成品的空台车继续沿下部运行轨道依次返回到烧结机机头，沿机头运行轨道的圆周翻转到机头上部运行轨道，返回上部运行轨道后的空台车再逐台进行烧结原料的装载，依次不间断循环进行炼铁原料的烧结生产。

烧结机台车长期处于高温、高负荷、倾翻倒料等连续运行的生产状况下，经常会造成台车损坏和故障，因此在烧结机上安装有系列台车在线状态检测装置，检测运行中各台台车的状态。在进行烧结机台车运行状态在线检测时，需要对烧结机众多台车分别确定它们当前的运行位置，以确定当前的状态检测数据属于那个台车。如果烧结机台车当前的实际运行位置检测错误，那么台车运行在线检测的数据就势必会张冠李戴，造成台车运行在线检测记录数据的混乱。同时在烧结机运行开、停机过程以及维护工作过程中，也需要对烧结机的台车位置进行控制，如果烧结机台车当前的实际运行位置检测错误，就会造成烧结机的台车位置控制错误，将影响烧结机的生产效率和维修效率。为了使烧结机台车运行在线检测数据正确，以及在烧结机开、停机过程和维护过程中的台车位置控制准确，烧结机台车运行位置的正确检测与计算就显得尤其重要。

在现有烧结机台车运行位置的检测计算技术中，为了识别不同的台车，每台台车上都有一个各自的编号，并且有一个台车排序表。台车排序表上根据烧结机台车链的运行方向，标明了各编号台车在循环台车链中的前后顺序。现有的烧结机台车运行位置的检测计算方法主要是采用人工检测计算的方法。在目标位置依靠人工观察台车链中当前台车的编号，再人工在台车排序表中查找到该编号台车与目标台车相隔的台车数量，并用台车长度*该台车与目标台车间的相隔台车数量,计算出两者之间的相隔距离,然后用计算得到的距离除以当前烧结机的运行速度，计算出目标台车到目标位置所需要的时间，最后确定目标台车到达目标位置的具体时间。

这种监控方法需要对运行中烧结机台车的实时位置依靠人工观察方法进行监视，人工监视费工费时，且不够准确，由于烧结机运行中根据工艺需要运行速度是可变的，以及由于烧结机运行速度检测的精度问题，经常造成目标台车位置计算的误差，有时甚至会产生很大的误差，在实际应用中时常因为引入运算的烧结机运行速度误差，而最终产生很大的台车位置计算偏差，影响台车位置判断控制的准确性。而且，这种依靠人工观察计算的方法具有一定滞后性，无法在烧结机台车在线状态检测装置场合应用，所以现有技术的烧结机台车在线状态检测装置，只能检测运行中台车有无故障，而无法准确定位是那一台台车有故障。因此现在检测到台车有故障后，只能再用人工观察的方法去进行查找。

发明内容

本发明所要解决的技术问题是提供一种烧结机台车位置检测方法及装置简历台车序列表后，利用视频监测特殊标记识别出首台车位置，然后根据通过的台车数量推算出其他台车位置；无需人工识别，确保烧结机运行中台车位置的检测准确。为各类烧结机台车在线运行故障检测装置以及烧结机台车实时运行位置控制等应用需要，提供一种通用的烧结机台车位置检测技术和装置。

本发明是这样实现的：一种烧结机台车位置检测方法，首先建立台车特征模板和首台车标记模板，并给予每台台车一个独立的编号，然后包括以下步骤：

步骤一、任选一台台车作为首台车，在首台车上设置一个首台车标记；

步骤二、以首台车为起始序号，顺着台车运行方向顺序给所有台车序号，并制作台车序列表，使台车序号与台车编号一一对应；

步骤三、选取任意台车位置作为测量点，采集位于该台车位置的台车图像；

步骤四、对台车图像进行处理后与台车特征模板和首台车标记模板进行匹配；当每次匹配到台车特征模板时，台车位置计数器+1；当每次匹配到首台车标记模板时，台车位置计数器数值重置；

台车位置计数器的数值即为首台车所在的位置与测量点的间隔台车数，其他台车位置通过首台车所在的位置结合台车序列表进行换算得到。

所述步骤四中对台车侧壁图像进行处理的具体步骤为，

S1：图像识别运算控制器将图像采集装置送来的台车图像从RGB三通道的彩色图像转换为灰度单通道图像；

S2：图像识别运算控制器利用像素的空间关系对灰度单通道图像进行高斯滤波处理；

S3：图像识别运算控制器对滤波后的图像进行灰度直方图均衡化处理，并使用全局阈值的算法完成图像的二值化。

所述步骤四中将图像与台车特征模板进行匹配，具体以台车的特征轮廓为特征点进行匹配，在设定判定阈值后，

具体操作步骤如下：

(1)通过连续变换尺度参数，在不同尺度下计算图像的边缘值，并且获取台车特征点p,p(x,y)为p点在图像上的坐标值，在尺度为t时；

图像的尺度空间L(x,y，t)可表示为：L(x,y,t)＝g*f(x,y)，

其中，为高斯核函数；当t＝0时g为单位脉冲函数，f(x,y)为源图像本身，L为L(x,y，t)平滑后的图像，随着t的增大，L损失了越来越多的细节，在尺度t下，大部分小于的图像细节被丢弃了；

在尺度σ下，图像上p＝(x,y)点的Hessian矩阵定义为：

$H(p,\mathrm{\σ})=\left[\begin{array}{cc}\mathrm{Lxx}(p,\mathrm{\σ})& \mathrm{Lxy}(p,\mathrm{\σ})\\ \mathrm{Lxy}(p,\mathrm{\σ})& \mathrm{Lyy}(p,\mathrm{\σ})\end{array}\right]$ 其中Lxx(p,σ)表示与图像L在p处的卷积；Lxy(p,σ)表示与图像L在p处的卷积；Lyy(p,σ)表示与图像L在p处的卷积；

将图像的灰度值看作二维曲面z＝f(x,y)，当p点的Hessian矩阵为正定时改点为曲面z的局部极小值，当p点的Hessian矩阵为负定时该点为曲面z的局部极大值，当p点的Hessian矩阵具有异号的特征值时为鞍点；

图像识别运算控制器选取同时在图像空间和尺度空间上搜索Hessian矩阵行列式的局部极大值位置，作为台车的特征点及其所在尺度；

(2)生成台车特征向量

根据上一步获取的不同尺度内的特征点，以特征点邻域内梯度分布作为描述特征点的特征向量；旋转图像与其主方向对齐，分别计算以该特征点为中心的4*4*4子区域的Haar小波响应v＝(Σdx,Σdy,|Σdx|,|Σdy|)^t共得到128个数据，最后将其排成一列并归一化作为该特征点的特征向量；

(3)台车特征匹配模型构建和使用

第i个特征点的特征向量在每一维上都近似符合高斯分布；假设各维特征之间相互独立，目标图像上的N个特征点的特征向量集合

将中的特征向量作为核密度估计的采样点，通过下式期望值最大化得到参数θ： $\mathrm{\θ}=\underset{\mathrm{\θ}}{\arg \max }\left(L(D,\mathrm{\θ})\right)$

当L(D,θ)大于判定阈值时判定为台车。

所述台车的特征轮廓选自台车侧壁的直线边缘、每台台车的两侧竖线、台车底部的边线或台车轮毂的圆形边。

一种烧结机台车位置检测装置，包括设备支架、图像采集装置、辅助照明装置、光强照度检测装置和首台车标记，所述设备支架设置在台车轨道的侧边，所述图像采集装置、辅助照明装置和光强照度检测装置固定安装在设备支架上，所述图像采集装置和光强照度检测装置的采像区域与辅助照明装置的照明区域相配合，所述首台车标记安装在任意一台位于台车轨道上的台车侧壁上。

所述的首台车标记为圆形标记。

本发明烧结机台车位置检测方法及装置简历台车序列表后，利用视频监测特殊标记识别出首台车位置，然后根据通过的台车数量推算出其他台车位置；无需人工识别，确保烧结机运行中台车位置的检测准确。为各类烧结机台车在线运行故障检测装置以及烧结机台车实时运行位置控制等应用需要，提供一种通用的烧结机台车位置检测技术和装置。

附图说明

图1为本发明中烧结机台车位置检测装置的安装位置示意图；

图2为本发明中烧结机台车位置检测装置的主视示意图；

图3为本发明实施例中台车特征模板选用的特征示意图。

图中：1设备支架、2图像采集装置、3辅助照明装置、4光强照度检测装置、5首台车标记、6台车轨道、7倒“人”字型特征。

具体实施方式

下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明表述的内容之后，本领域技术人员可以对本发明作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。

实施例1

一种烧结机台车位置检测方法，首先建立台车特征模板和首台车标记模板，并给予每台台车一个独立的编号，然后包括以下步骤：

步骤一、任选一台台车作为首台车，在首台车上设置一个首台车标记；

步骤二、以首台车为起始序号，顺着台车运行方向顺序给所有台车序号，并制作台车序列表，使台车序号与台车编号一一对应；

步骤三、选取任意台车位置作为测量点，采集位于该台车位置的台车图像；在采集图像时考虑到识别的需要，尽量保持该台车位置的照度稳定性；烧结机运行时，台车链中的台车按顺序依次经过安装在现场的台车图像采集装置，台车图像采集装置将采集到的台车链图像连续不间断的送到图像识别运算控制器中，根据台车的最快运行速度确定图像采集帧率，以满足图像识别运算控制器对台车链图像识别的要求；

步骤四、对台车图像进行处理后与台车特征模板和首台车标记模板进行匹配；当每次匹配到台车特征模板时，台车位置计数器+1；当每次匹配到首台车标记模板时，台车位置计数器数值重置；

台车位置计数器的数值即为首台车所在的位置与测量点的间隔台车数，其他台车位置通过首台车所在的位置结合台车序列表进行换算得到，在本实施例中，当台车数量总计为148时，具体换算过程如下：

检测到首台车标志，确认首台车及初始化过程。装置初次投入运行检测时，需要有一个台车位置初始化过程，在烧结机运行过程中台车链中的台车依次经过台车图像采像装置，根据前面首节台车检测与识别方法，当首节台车运行经过台车图像采像装置时被检测程序识别到，程序确定当前在采像装置位置的台车排序为“1”，台车位置初始化完成；

台车位置初始化完成后，控制程序开始对经过采像装置位置的台车开始计数，根据前面台车检测与识别方法，每当程序检测到有符合台车特征模板的图像经过这个位置时，程序对原有的计数值进行加“1”的计数运算。烧结机运行过程中首台车后面的台车依次经过这个位置，台车排序号逐渐增大，直到检测到最后一台台车，台车计数148，紧接着首台车再次运行经过这个位置，程序检测识别到首台车，程序完成一个台车序号检测周期，此时对原有的计数值进行置“1”，开始新一轮周期台车序号的计数运算；

台车在烧结机台车环形轨道上做循环运行，烧结机台车环形轨道上分布有148个台车位置，148台台车每个台车占据一个台车位置，采像装置位置处的台车位置为“1”，按台车运行方向从1到148依次在烧结机环形运行轨道上排列。计算首台车的实时所处的台车位置，程序当前的台车计数值就等于首台车的实时所处台车位置。

根据台车排序计算某排序号台车实时所处的烧结机台车位置。程序计算得到首台车的实时所处台车位置后，程序可以通过如下计算得到任意排序号台车的实时所处台车位置，考虑到计算方便在本实施例中，对台车位置同样给予编号，以测量点为1台车位置，后续沿台车运行方向，每隔一个台车长度台车位置编号+1；

台车位置A为

J-(pn-1)＝A_z；A_z>0；A_z＝A；A_z≤0；A_z+x＝A；

式中：A＝台车位置；J＝台车位置计数器的计数值；pn＝台车的台车序号；A_z＝中间计算结果；x＝烧结机上的总台车数；

计算举例(1)：若此时台车计数J＝50，要知道排序号pn为“8”的台车当前位置，根据算式：J-(pn-1)＝A_z；50-(8-1)＝43；A_z>0；A_z＝A；43>0；43＝43；此时排序号为“8”的台车处于43台车位置。计算举例(2)：若此时台车计数J＝30，要知道排序号pn为“142”的台车当前位置，根据算式：J-(pn-1)＝A_z；30-(142-1)＝-111；A_z≤0；A_z+x＝A；-111<0；-111+148＝37；此时排序号为“142”的台车处于37台车位置。

根据事先输入的台车排序表，已知该台车序号即可获得该台车编号，已知该台车编号也即可获得该台车序号，即可得到台车链上任意台车实时所处的烧结机台车位置，从而实现对台车链上任意台车在烧结机任意位置的实时控制。

在本发明中，所述步骤四中对台车侧壁图像进行处理的具体步骤为，

S1：图像识别运算控制器将图像采集装置送来的台车图像从RGB三通道的彩色图像转换为灰度单通道图像；

S2：图像识别运算控制器利用像素的空间关系对灰度单通道图像进行高斯滤波处理；

S3：图像识别运算控制器对滤波后的图像进行灰度直方图均衡化处理，并使用全局阈值的算法完成图像的二值化。

所述步骤四中将图像与台车特征模板进行匹配，具体以台车的特征轮廓为特征点进行匹配，在设定判定阈值后，

具体操作步骤如下：

(1)通过连续变换尺度参数，在不同尺度下计算图像的边缘值，并且获取台车特征点p,p(x,y)为p点在图像上的坐标值，在尺度为t时；

图像的尺度空间L(x,y，t)可表示为：L(x,y,t)＝g*f(x,y)，

其中，为高斯核函数；当t＝0时g为单位脉冲函数，f(x,y)为源图像本身，L为L(x,y，t)平滑后的图像，随着t的增大，L损失了越来越多的细节，在尺度t下，大部分小于的图像细节被丢弃了；

在尺度σ下，图像上p＝(x,y)点的Hessian矩阵定义为：

$H(p,\mathrm{\&sigma;})=\left[\begin{array}{cc}\mathrm{Lxx}(p,\mathrm{\&sigma;})& \mathrm{Lxy}(p,\mathrm{\&sigma;})\\ \mathrm{Lxy}(p,\mathrm{\&sigma;})& \mathrm{Lyy}(p,\mathrm{\&sigma;})\end{array}\right]$ 其中Lxx(p,σ)表示与图像L在p处的卷积；Lxy(p,σ)表示与图像L在p处的卷积；Lyy(p,σ)表示与图像L在p处的卷积；

将图像的灰度值看作二维曲面z＝f(x,y)，当p点的Hessian矩阵为正定时改点为曲面z的局部极小值，当p点的Hessian矩阵为负定时该点为曲面z的局部极大值，当p点的Hessian矩阵具有异号的特征值时为鞍点；

图像识别运算控制器选取同时在图像空间和尺度空间上搜索Hessian矩阵行列式的局部极大值位置，作为台车的特征点及其所在尺度；

(2)生成台车特征向量

根据上一步获取的不同尺度内的特征点，以特征点邻域内梯度分布作为描述特征点的特征向量；旋转图像与其主方向对齐，分别计算以该特征点为中心的4*4*4子区域的Haar小波响应v＝(Σdx,Σdy,|Σdx|,|Σdy|)^t共得到128个数据，最后将其排成一列并归一化作为该特征点的特征向量；

(3)台车特征匹配模型构建和使用

第i个特征点的特征向量在每一维上都近似符合高斯分布；假设各维特征之间相互独立，目标图像上的N个特征点的特征向量集合

将中的特征向量作为核密度估计的采样点，通过下式期望值最大化得到参数θ： $\mathrm{\&theta;}=\underset{\mathrm{\&theta;}}{\arg \max }\left(L(D,\mathrm{\&theta;})\right)$

当L(D,θ)大于判定阈值时判定为台车。

所述台车的特征轮廓选自台车侧壁的直线边缘、每台台车的两侧竖线、台车底部的边线或台车轮毂的圆形边。

如图1、2所示，一种烧结机台车位置检测装置，包括设备支架1、图像采集装置2、辅助照明装置3、光强照度检测装置4和首台车标记5，所述设备支架1设置在台车轨道6的侧边，垂直烧结机台车运行方向的任意合适位置，安装一个设备支架1；所述图像采集装置2、辅助照明装置3和光强照度检测装置4固定安装在设备支架1上，使图像采集装置2可以拍摄到运行中的台车，所述图像采集装置2和光强照度检测装置4的采像区域与辅助照明装置3的照明区域相配合，使被摄画面达到一定的照度；所述首台车标记5安装在任意一台位于台车轨道6上的台车侧壁上，辅助照明装置3和光强照度检测装置4由控制器控制连接，控制器根据光强照度检测装置4检测到的数据，调节辅助照明装置3的发光亮度，使得测量点的亮度始终恒定在所需要的数值，图像识别运算控制器可以安装在附近或其它任意合适的场合，图像采集装置2采集到的图像数据通过视频电缆连接到图像识别运算控制器的视频输入端，将拍摄到的台车图像送入图像识别运算控制器，由图像识别运算控制器进行处理分析，得到各个台车当前所处在的位置；

在本发明技术的具体应用中，图像采集装置2可以采用任意形式满足图像采集要求的摄像机，辅助照明装置3可以采用任意形式合适的照明光源，如LED灯、日光灯、卤素灯等。图像识别运算控制器是一个带微处理器的控制设备，其除了必要的图像信号输入以及其它用于烧结机控制的输入、输出信号外，还连接有一个可供各种控制参数设置和图像、数据显示的人机接口。

在本实施例中，考虑到图形识别的简化性，在本实施例中，所述的首台车标记5为圆形标记，进行首台车标记识别时，主要是根据圆弧等图像对其中的圆心坐标和半径等特征参数进行求解；首先将图像全局边缘特征像素点进行连接，然后将图像空间的边缘点转换到参数空间中，在参数空间中对所有点元素进行描述以及对应累加值进行累计统计，根据累加值的统计结果确定属于圆的可信程度，并且求解圆的半径和圆心位置。首台车的具体检测计算方法如下：

a.已知圆的一般方程为：(x_r-a)^2+(y_r-b)^2＝r^2，其中，(a,b)为圆心的坐标值，x_r,y_r为圆轮廓的坐标值，r为圆的半径。把X-Y平面上的圆转换到a-b-r参数空间，则图像空间中过(x_r,y_r)点圆对应参数空间中将图像空间的边缘点转换到参数空间中；

b.在a-b-r参数空间中，对所有元素进行描述以及对应累加值进行累计统计，根据累加值的统计结果确定属于圆的可信程度；

c.以圆心的坐标值(a,b)为阈值，计算的局部最大值与阈值相比较，数值越接近阈值，越符合我们所筛选的圆形，以及即使稍有残缺的圆形也能作为候选，不会遗失；

d.去除同心圆。在一定范围内，若有多个圆出现，以投票值最大且半径最大为标准进行筛选；

e.根据投票值进行排序，获取最大值的圆为候选，并计算该候选圆的半径和圆心位置并判定；

f.若圆的可信程度大于阈值时，该圆为首台车标记

台车图像特征点的选择是台车识别的关键点，决定了台车计数的准确率，也是后续进行扩展控制的基础；烧结机台车是全天候工作的，因此现场光照度势必会发生一定的变化，以及现场每台台车的外观也不可能完全相同，有时因台车新旧，设备制造批次等不同，台车与台车之间存在较大的差异。这些都给台车识别带来了一定的困难；为了保证识别的鲁棒性及可重复性，根据台车识别的应用需求，用一系列特征向量表示局部特征的颜色、纹理等内容。在本实施例中，如图3所示，在台车特征匹配模型构建和使用时，选择台车上部车厢左右两侧竖直线边缘与底部的倒“人”字型特征7作为台车识别的特征依据，针对预处理后的灰度图像，台车特征匹配模型构建和使用操作步骤如下：

a.连续更新变换尺度空间参数，计算图像在连续尺度空间下的边缘值。

b.合并领域内边缘的梯度是45度和90度的点，这些像素特征点对应的是台车中竖直直线和斜线所包含的点集。

c.根据台车的先验位置知识，筛选保留符合空间关系条件的特征点。

d.将最终获取的特征点归一化处理生成台车的特征向量。

e.利用多个不同时间段获取的台车样本，通过期望值最大化估计，计算获得台车匹配模型中的所需参数，从而生成符合实际现场环境使用的匹配模型。

Claims (6)

1.一种烧结机台车位置检测方法，其特征是，首先建立台车特征模板和首台车标记模板，并给予每台台车一个独立的编号，然后包括以下步骤：

步骤一、任选一台台车作为首台车，在首台车上设置一个首台车标记；

步骤二、以首台车为起始序号，顺着台车运行方向顺序给所有台车序号，并制作台车序列表，使台车序号与台车编号一一对应；

步骤三、选取任意台车位置作为测量点，采集位于该台车位置的台车图像；

步骤四、对台车图像进行处理后与台车特征模板和首台车标记模板进行匹配，当每次匹配到台车特征模板时，台车位置计数器+1；当每次匹配到首台车标记模板时，台车位置计数器数值重置；

台车位置计数器的数值即为首台车所在的位置与测量点的间隔台车数，其他台车位置通过首台车所在的位置结合台车序列表进行换算得到。

2.如权利要求1所述的烧结机台车位置检测方法，其特征是：所述步骤四中对台车侧壁图像进行处理的具体步骤为，

S1：图像识别运算控制器将图像采集装置送来的台车图像从RGB三通道的彩色图像转换为灰度单通道图像；

S2：图像识别运算控制器利用像素的空间关系对灰度单通道图像进行高斯滤波处理；

S3：图像识别运算控制器对滤波后的图像进行灰度直方图均衡化处理，并使用全局阈值的算法完成图像的二值化。

3.如权利要求1所述的烧结机台车位置检测方法，其特征是：所述步骤四中将图像与台车特征模板进行匹配，具体以台车的特征轮廓为特征点进行匹配，在设定判定阈值后

具体操作步骤如下：

(1)通过连续变换尺度参数，在不同尺度下计算图像的边缘值，并且获取台车特征点p,p(x,y)为p点在图像上的坐标值，在尺度为t时；

图像的尺度空间L(x,y，t)可表示为：L(x,y,t)＝g*f(x,y)，

其中，为高斯核函数；当t＝0时g为单位脉冲函数，f(x,y)为源图像本身，L为L(x,y，t)平滑后的图像，随着t的增大，L损失了越来越多的细节，在尺度t下，大部分小于的图像细节被丢弃了；

在尺度σ下，图像上p＝(x,y)点的Hessian矩阵定义为：

$H(p,\mathrm{\&sigma;})=\left[\begin{array}{cc}\mathrm{Lxx}(p,\mathrm{\&sigma;})& \mathrm{Lxy}(p,\mathrm{\&sigma;})\\ \mathrm{Lxy}(p,\mathrm{\&sigma;})& \mathrm{Lyy}(p,\mathrm{\&sigma;})\end{array}\right]$ 其中Lxx(p,σ)表示与图像L在p处的卷积；Lxy(p,σ)表示与图像L在p处的卷积；Lyy(p,σ)表示与图像L在p处的卷积；

将图像的灰度值看作二维曲面z＝f(x,y)，当p点的Hessian矩阵为正定时改点为曲面z的局部极小值，当p点的Hessian矩阵为负定时该点为曲面z的局部极大值，当p点的Hessian矩阵具有异号的特征值时为鞍点；

图像识别运算控制器选取同时在图像空间和尺度空间上搜索Hessian矩阵行列式的局部极大值位置，作为台车的特征点及其所在尺度；

(2)生成台车特征向量

根据上一步获取的不同尺度内的特征点，以特征点邻域内梯度分布作为描述特征点的特征向量；旋转图像与其主方向对齐，分别计算以该特征点为中心的4*4*4子区域的Haar小波响应v＝(Σdx,Σdy,|Σdx|,|Σdy|)^t共得到128个数据，最后将其排成一列并归一化作为该特征点的特征向量；

(3)台车特征匹配模型构建和使用

第i个特征点的特征向量在每一维上都近似符合高斯分布；假设各维特征之间相互独立，目标图像上的N个特征点的特征向量集合

将中的特征向量作为核密度估计的采样点，通过下式期望值最大化得到参数θ：

$\mathrm{\&theta;}=\underset{\mathrm{\&theta;}}{\arg \max }\left(L(D,\mathrm{\&theta;})\right)$

当L(D,θ)大于判定阈值时判定为台车。

4.如权利要求3所述的烧结机台车位置检测方法，其特征是：所述台车的特征轮廓选自台车侧壁的直线边缘、每台台车的两侧竖线、台车底部的边线或台车轮毂的圆形边。

5.一种烧结机台车位置检测装置，其特征是：包括设备支架(1)、图像采集装置(2)、辅助照明装置(3)、光强照度检测装置(4)和首台车标记(5)，所述设备支架(1)设置在台车轨道(6)的侧边，所述图像采集装置(2)、辅助照明装置(3)和光强照度检测装置(4)固定安装在设备支架(1)上，所述图像采集装置(2)和光强照度检测装置(4)的采像区域与辅助照明装置(3)的照明区域相配合，所述首台车标记(5)安装在任意一台位于台车轨道(6)上的台车侧壁上。

6.权利要求5所述的烧结机台车位置检测装置，其特征是：所述的首台车标记(5)为圆形标记。