CN111832634B - 异物检测方法、系统、终端设备及存储介质 - Google Patents

异物检测方法、系统、终端设备及存储介质 Download PDF

Info

Publication number
CN111832634B
CN111832634B CN202010595875.6A CN202010595875A CN111832634B CN 111832634 B CN111832634 B CN 111832634B CN 202010595875 A CN202010595875 A CN 202010595875A CN 111832634 B CN111832634 B CN 111832634B
Authority
CN
China
Prior art keywords
image
detected
sample
distance
feature
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
Application number
CN202010595875.6A
Other languages
English (en)
Other versions
CN111832634A (zh
Inventor
郭奎
庞建新
熊友军
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Ubtech Robotics Corp
Original Assignee
Ubtech Robotics Corp
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Ubtech Robotics Corp filed Critical Ubtech Robotics Corp
Priority to CN202010595875.6A priority Critical patent/CN111832634B/zh
Publication of CN111832634A publication Critical patent/CN111832634A/zh
Application granted granted Critical
Publication of CN111832634B publication Critical patent/CN111832634B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
    • G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
    • G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Data Mining & Analysis (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computing Systems (AREA)
  • Databases & Information Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本申请提供了一种异物检测方法、系统、终端设备及存储介质，该方法包括：获取样本图像和待检测图像中的角点特征，得到样本特征点和待检测特征点；对样本特征点和待检测特征点进行配对，得到特征点对，对特征点对进行随机透视变换，得到变换图像；根据变换图像中特征点的空间距离获取变换图像中的优选图像；根据优选图像的透视变换策略对样本图像进行透视变换得到样本透视图像；将待检测图像与样本透视图像进行图像特征比对得到特征比对值，若特征比对值大于比对阈值，则判定待检测图像中存在异物。本申请通过对样本图像进行透视变换的设计，以达到对待检测图像与样本图像之间图像对齐的效果，提高了后续图像特征比对的准确性和异物检索的准确率。

Description

异物检测方法、系统、终端设备及存储介质
技术领域
本申请属于图像处理领域，尤其涉及一种异物检测方法、系统、终端设备及存储介质。
背景技术
在人工智能领域，常常需要室内活动的机器人自主对封闭环境进行巡检，查找安全隐患，并及时上报。在机器人执行此类任务时，通常依靠运动传感器和各种探测器等进行导航，再通过控制摄像头进行拍照，以分析巡检图像相对于样本图像之间是否存在异物，并根据分析结果判断是否需要上报用户或启动警报系统。
现有技术中，移动机器人在巡检时，导航存在一定的误差，使得巡检图像和样本图像之间存在偏差，进而导致巡检图像与样本图像之间的异物检测准确率低下，降低了用户的使用体验。
发明内容
本申请实施例提供了一种异物检测方法、系统、终端设备及存储介质，旨在解决现有的移动机器人巡检过程中，由于巡检图像和样本图像之间存在偏差所导致的异物检测准确率低下的问题。
第一方面，本申请实施例提供了一种异物检测方法，所述方法包括：
获取样本图像和待检测图像，并分别获取所述样本图像和所述待检测图像中的角点特征，得到样本特征点和待检测特征点；
对所述样本特征点和所述待检测特征点进行配对，得到特征点对，并对所述特征点对进行随机透视变换，得到变换图像；
计算所述变换图像中每个所述特征点对的空间距离，并根据所述空间距离获取所述变换图像中的优选图像；
获取所述优选图像的透视变换策略，并根据所述透视变换策略对所述样本图像进行透视变换，得到样本透视图像；
将所述待检测图像与所述样本透视图像进行图像特征比对，得到特征比对值，若所述特征比对值大于比对阈值，则判定所述待检测图像中存在异物。
本申请实施例与现有技术相比存在的有益效果是：通过对样本图像进行透视变换的设计，以达到对待检测图像(巡检图像)与样本图像之间图像对齐的效果，提高了后续图像特征比对的准确性，进而提高了异物检索的准确率，并通过将待检测图像与对齐后的样本透视图像进行图像特征比对的设计，以判断待检测图像中是否存在异物。
进一步地，所述对所述样本特征点和所述待检测特征点进行配对，得到特征点对，包括：
提取所述样本特征点和所述待检测特征点的纹理特征，得到样本描述子和待检测描述子；
根据所述样本描述子与所述待检测描述子之间的距离对所述样本特征点和所述待检测特征点进行配对，得到特征点对。
进一步地，所述根据所述样本描述子与所述待检测描述子之间的距离对所述样本特征点和所述待检测特征点进行配对，包括：
分别计算所述样本描述子与每个所述待检测描述子之间的间隔距离；
将最小所述间隔距离对应的所述待检测特征点与所述样本描述子对应的所述样本特征点进行配对，得到所述特征点对。
进一步地，所述根据所述空间距离获取所述变换图像中的优选图像，包括：
判断所述空间距离是否小于距离阈值；
若判断到所述空间距离小于所述距离阈值，则对所述空间距离对应的所述特征点对进行标记；
获取每个所述变换图像中所述特征点对被标记的数量，并获取被标记数量最多的所述变换图像，得到所述优选图像。
进一步地，所述将所述待检测图像与所述样本透视图像进行图像特征比对，得到特征比对值，包括：
分别对所述待检测图像与所述样本透视图像进行图像分割，得到待检测分割图像和样本分割图像；
提取每个所述待检测分割图像和所述样本分割图像中的图像特征，得到待检测图像特征和样本图像特征；
根据欧式距离公式计算所述待检测图像特征与对应样本图像特征之间的距离，得到特征距离，并计算所有所述特征距离之间的和，得到所述特征比对值。
进一步地，所述根据欧式距离公式计算所述待检测图像特征与对应样本图像特征之间的距离，得到特征距离的步骤之后，所述方法还包括：
判断所述特征距离是否大于预设距离；
若判断到所述特征距离大于所述预设距离，则对所述特征距离对应的所述待检测分割图像进行标记；
获取所述待检测图像中所述待检测分割图像被标记的次数，得到标记次数值，并判断所述标记次数值是否大于第一预设次数值；
若判断到所述标记次数值大于所述第一预设次数值，则判定所述待检测图像中存在异物。
进一步地，所述方法还包括：
判断所述待检测图像中预设区域范围内的所述待检测分割图像被标记的次数是否大于第二预设次数值；
若判断到所述预设区域范围内的所述待检测分割图像被标记的次数大于所述第二预设次数值，则针对所述预设区域发出异物提示。
第二方面，本申请实施例提供了一种异物检测系统，包括：
角点特征获取模块，用于获取样本图像和待检测图像，并分别获取所述样本图像和所述待检测图像中的角点特征，得到样本特征点和待检测特征点；
特征点配对模块，用于对所述样本特征点和所述待检测特征点进行配对，得到特征点对，并对所述特征点对进行随机透视变换，得到变换图像；
空间距离计算模块，用于计算所述变换图像中每个所述特征点对的空间距离，并根据所述空间距离获取所述变换图像中的优选图像；
透视变换模块，用于获取所述优选图像的的透视变换策略，并根据所述透视变换策略对所述样本图像进行透视变换，得到样本透视图像；
图像比对模块，用于将所述待检测图像与所述样本透视图像进行图像特征比对，得到特征比对值，若所述特征比对值大于比对阈值，则判定所述待检测图像中存在异物。
第三方面，本申请实施例提供了一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如上述的方法。
第四方面，本申请实施例提供了一种存储介质，所述存储介质存储有计算机程序，所述计算机程序被处理器执行时实现如上述的方法。
第五方面，本申请实施例提供了一种计算机程序产品，当计算机程序产品在终端设备上运行时，使得终端设备执行上述第一方面中任一项所述的异物检测方法。
可以理解的是，上述第二方面至第五方面的有益效果可以参见上述第一方面中的相关描述，在此不再赘述。
附图说明
为了更清楚地说明本申请实施例中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍。
图1是本申请第一实施例提供的异物检测方法的流程图；
图2是本申请第二实施例提供的异物检测方法的流程图；
图3是本申请第三实施例提供的异物检测方法的流程图；
图4是本申请第四实施例提供的异物检测系统的结构示意图；
图5是本申请第五实施例提供的终端设备的结构示意图。
具体实施方式
以下描述中，为了说明而不是为了限定，提出了诸如特定系统结构、技术之类的具体细节，以便透彻理解本申请实施例。然而，本领域的技术人员应当清楚，在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中，省略对众所周知的系统、装置、电路以及方法的详细说明，以免不必要的细节妨碍本申请的描述。
应当理解，当在本申请说明书和所附权利要求书中使用时，术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解，在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样，术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地，短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外，在本申请说明书和所附权利要求书的描述中，术语“第一”、“第二”、“第三”等仅用于区分描述，而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此，在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例，而是意味着“一个或多个但不是所有的实施例”，除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”，除非是以其他方式另外特别强调。
实施例一
请参阅图1，是本申请第一实施例提供的异物检测方法的流程图，包括步骤：
步骤S10，获取样本图像和待检测图像，并分别获取所述样本图像和所述待检测图像中的角点特征，得到样本特征点和待检测特征点；
其中，该样本图像为机器人巡检过程中针对各个预设巡检点的预先拍摄的无异物图像，该样本图像用于作为机器人巡检过程中拍摄得到的待检测图像的参照图像，通过进行图像比对，以判断该待检测图像是否存在异物。
优选的，当获取待待检测图像时，通过获取该待检测图像中的地点标识、环境标识或设备标识的方式，以进行对应样本图像的获取，该地点标识可以为对应预设巡检拍摄点的地理位置坐标、预设巡检拍摄点的环境图像特征、预设巡检拍摄点内的设备特征等，进而有效的提高了后续待检测图像与对应样本图像之间异物检测的准确性。
具体的，该角点特征为局部窗口在图像中沿各方向移动，均会产生明显变化的特征点，也是图像局部曲率突变的特征点，该步骤中，可以采用Harris角点检测或CSS角点检测的方式进行该样本图像和待检测图像中角点特征的获取，以对应的得到样本特征点和待检测特征点。
步骤S20，对所述样本特征点和所述待检测特征点进行配对，得到特征点对，并对所述特征点对进行随机透视变换，得到变换图像；
其中，通过对所述样本特征点和所述待检测特征点进行配对的设计，以使对该样本图像和待检测图像上的特征点进行位置关系的对应。
具体的，该透视变换(Perspective Transformation)是指利用透视中心、像点、目标点三点共线的条件，按透视旋转定律使承影面(透视面)绕迹线(透视轴)旋转某一角度，破坏原有的投影光线束，仍能保持承影面上投影几何图形不变的变换，该步骤中，通过对该特征点进行随机的透视变换，以得到多张变换图像。
步骤S30，计算所述变换图像中每个所述特征点对的空间距离，并根据所述空间距离获取所述变换图像中的优选图像；
其中，通过计算每个变换图像中每个特征点对内的特征点与对应待检测特征点之间的距离值，以得到该空间距离。
具体的，本实施例中，在所有变换图像中获取该优选图像的方式可以为：根据计算得到的空间距离，将空间距离最小的特征点对对应的变换图像设置为该优选图像；根据计算得到的空间距离，将空间距离小于指定值次数最多的变换图像设置为该优选图像，该指定值可以根据需求进行设置。
步骤S40，获取所述优选图像的透视变换策略，并根据所述透视变换策略对所述样本图像进行透视变换，得到样本透视图像；
其中，该透视变换策略为对应特征点对变换为该优选图像所采用的透视变换方式，并根据获取到的所述透视变换策略对所述样本图像进行透视变换，以达到对待检测图像与样本图像之间图像对齐的效果。
即当机器人巡检过程中，由于导航误差使得待检测图像与样本图像之间存在偏差时，通过根据所述透视变换策略对所述样本图像进行透视变换，以使对该样本图像进行图像校正，使得变换后得到的样本透视图像能与该待检测图像进行图像对齐，提高了后续异物检测的准确率。
步骤S50，将所述待检测图像与所述样本透视图像进行图像特征比对，得到特征比对值；
其中，该图像特征为方向梯度直方图特征(Histogram of Oriented Gradient,HOG)、LBP特征(Local Binary Pattern，局部二值模式)、SIFT特征或Haar-like特征等，通过将待检测图像与样本透视图像上相同位置的图像特征进行比对，以得到该特征比对值，该特征比对值为该该待检测图像与样本透视图像之间的图像特征差异，当该特征比对值越大时，则判定该待检测图像与样本透视图像之间的差异越大，待检测图像中出现异物的概率越大，可以理解的，当该特征比对值越小时，则判定该待检测图像与样本透视图像之间的差异越小，即该待检测图像与样本透视图像之间越相近，待检测图像中出现异物的概率越小。
步骤S60，判断所述特征比对值是否大于比对阈值；
其中，该比对阈值可以根据需求进行参数值的设置。
若所述特征比对值小于或等于该比对阈值，则判定该待检测图像中未存在异物。
若所述特征比对值大于比对阈值，执行步骤S70；
步骤S70，判定所述待检测图像中存在异物。
本实施例中，通过对样本图像进行透视变换的设计，以达到对待检测图像(巡检图像)与样本图像之间图像对齐的效果，提高了后续图像特征比对的准确性，进而提高了异物检索的准确率，并通过将待检测图像与对齐后的样本透视图像进行图像特征比对的设计，以判断待检测图像中是否存在异物。
实施例二
请参阅图2，是本申请第二实施例提供的异物检测方法的流程图，包括步骤：
步骤S11，获取样本图像和待检测图像，并分别获取样本图像和待检测图像中的角点特征，得到样本特征点和待检测特征点；
其中，通过在样本图像和待检测图像上从各个方向上移动特征窗口，如果判断到窗口内区域的灰度发生了较大的变化，则判定在特征窗口内遇到了角点，此时，对特征窗口内的特征点进行获取，以得到该样本图像和待检测图像上的样本特征点和待检测特征点。
步骤S21，提取样本特征点和待检测特征点的纹理特征，得到样本描述子和待检测描述子；
其中，基本的描述子(LBP算子)是定义在一个3*3邻域内，将中心像素的灰度值作为阈值，依次用邻域内的剩余8个像素灰度值与阈值进行比较。如果某个邻域像素的灰度值大于阈值，则在相应的位置标记为1；否则，相应位置标记为0，通过比较，便可得到一个8位二进制数，将其转换为对应十进制数，并用该十进制数来代替中心像素的灰度值，以得到当前像素的LBP编码，因此，该步骤中，通过分别对该样本特征点和待检测特征点内的像素进行编码，以得到对应样本描述子和待检测描述子。
步骤S31，根据样本描述子与待检测描述子之间的距离对样本特征点和待检测特征点进行配对，得到特征点对；
其中，分别获取每个样本描述子与待检测描述子位置坐标，并基于该位置坐标查询样本描述子与待检测描述子之间距离最近的描述子，根据查询结果将查询到的样本描述子和待检测描述子进行配对，得到该特征点对。
步骤S41，对特征点对进行随机透视变换，得到变换图像，并计算变换图像中每个特征点对的空间距离；
具体的，该步骤中，通过在特征点对中随机抽取预设个数的点对，通过抽取到的点对图像坐标，以得到一个透视变换，然后随机10000次，得到10000个透视变换，然后将所有特征点对基于该10000个透视变换分别进行透视变换，以得到多个变换图像，优选的，该预设个数为4个。
步骤S51，判断空间距离是否小于距离阈值；
其中，该距离阈值可以根据需求进行设置。
若判断到所述空间距离大于或等于所述距离阈值，则对该空间距离对应的特征点对不进行标记。
若判断到所述空间距离小于所述距离阈值，执行步骤S61，
步骤S61，对空间距离对应的特征点对进行标记，获取每个变换图像中特征点对被标记的数量，并获取被标记数量最多的变换图像，得到优选图像；
其中，可以采用标亮标记、编码标记或凸显标记的方式对该特征点对进行标记，有效的方便了对被标记的特征点对的识别，优选的，该步骤中，标记数量最多的变换图像所达到的透视变换效果最准确性，因此，将该标记数量最多的变换图像设置为优选图像。
步骤S71，获取优选图像的透视变换策略，并根据透视变换策略对样本图像进行透视变换，得到样本透视图像；
步骤S81，将待检测图像与样本透视图像进行图像特征比对，得到特征比对值；
步骤S91，判断特征比对值是否大于比对阈值；
若所述特征比对值大于比对阈值，执行步骤S101；
步骤S101，判定待检测图像中存在异物。
本实施例中，通过对样本图像进行透视变换的设计，以达到对待检测图像与样本图像之间图像对齐的效果，提高了后续图像特征比对的准确性，进而提高了异物检索的准确率，并通过将待检测图像与对齐后的样本透视图像进行图像特征比对的设计，以判断待检测图像中是否存在异物。
实施例三
请参阅图3，是本申请第三实施例提供的异物检测方法的流程图，包括步骤：
步骤S12，获取样本图像和待检测图像，并分别获取样本图像和待检测图像中的角点特征，得到样本特征点和待检测特征点；
步骤S22，对样本特征点和待检测特征点进行配对，得到特征点对，并对特征点对进行随机透视变换，得到变换图像；
步骤S32，计算变换图像中每个特征点对的空间距离，并根据空间距离获取所述变换图像中的优选图像；
步骤S42，获取优选图像的透视变换策略，并根据透视变换策略对样本图像进行透视变换，得到样本透视图像；
步骤S52，分别对待检测图像与样本透视图像进行图像分割，得到待检测分割图像和样本分割图像；
其中，可以根据预设分割区域的大小对该待检测图像与样本透视图像进行图像分割，该预设分割区域的形状和大小均可以根据需求进行设置，本实施例该，该预设分割区域为矩形，分割得到的待检测分割图像和样本分割图像均为100个。
步骤S62，提取每个待检测分割图像和样本分割图像中的图像特征，得到待检测图像特征和样本图像特征；
其中，该图像特征为方向梯度直方图特征(Histogram of Oriented Gradient,HOG)、LBP特征(Local Binary Pattern，局部二值模式)、SIFT特征或Haar-like特征等。
步骤S72，根据欧式距离公式计算待检测图像特征与对应样本图像特征之间的距离，得到特征距离；
其中，设待检测图像特征与样本图像特征均有n个元素(n个像素点)，用n个元素值(x1，x2，...，xn)组成该待检测图像特征与样本图像特征的特征组(像素点矩阵中所有的像素点)，特征组形成了n维空间，特征组中的特征码(每一个像素点)构成了每一维的数值，就是x1(第一个像素点)对应一维，x2(第二个像素点)对应二维...xn(第n个像素点)对应n维。在n维空间下，两个图像矩阵各形成了一个点，利用欧式距离公式计算这两个点之间的距离，以得到该特征距离，该特征距离越小，则对应的待检测图像特征与样本图像特征越相似，反之，该特征距离越大，则对应的待检测图像特征与样本图像特征越不相似。
步骤S82，判断特征距离是否大于预设距离；
其中，该预设距离的值可以根据需求进行设置。
若判断到所述特征距离大于所述预设距离，执行步骤S92；
步骤S92，对特征距离对应的待检测分割图像进行标记，并获取待检测图像中待检测分割图像被标记的次数，得到标记次数值；
其中，可以采用标亮标记、编码标记或凸显标记的方式对该待检测分割图像进行标记，有效的方便了对被标记的待检测分割图像的识别，当该待检测图像中待检测分割图像被标记的次数越大时，则判定该待检测图像与样本透视图像越不相同，即待检测图像中出现异物的概率越大。
步骤S102，判断标记次数值是否大于第一预设次数值；
其中，该第一预设次数值可以根据需求进行设置。
若判断到所述标记次数值小于或等于所述第一预设次数值时，则判定该待检测图像与样本透视图像、样本图像相同，即该待检测图像中未出现异物。
若判断到所述标记次数值大于所述第一预设次数值，执行步骤S112；
步骤S112，判定待检测图像中存在异物。
优选的，本实施例中，所述方法还包括：
判断所述待检测图像中预设区域范围内的所述待检测分割图像被标记的次数是否大于第二预设次数值；
若判断到所述预设区域范围内的所述待检测分割图像被标记的次数大于所述第二预设次数值，则针对所述预设区域发出异物提示；
其中，当判断到所述预设区域范围内的所述待检测分割图像被标记的次数大于所述第二预设次数值，则判定该预设区域范围内出现了异物，因此，通过针对该预设区域发出异物提示，有效的方便了工作人员对该待检测图像中异物的查看，提高了异物检测效率和精准度。
本实施例中，通过对样本图像进行透视变换的设计，以达到对待检测图像与样本图像之间图像对齐的效果，提高了后续图像特征比对的准确性，进而提高了异物检索的准确率，并通过将待检测图像与对齐后的样本透视图像进行图像特征比对的设计，以判断待检测图像中是否存在异物。
实施例四
对应于上文实施例所述的异物检测方法，图4示出了本申请第四实施例提供的异物检测系统100的结构示意图，为了便于说明，仅示出了与本申请实施例相关的部分。
参照图4，该系统包括：角点特征获取模块10、特征点配对模块11、空间距离计算模块12、透视变换模块13和图像比对模块14，其中：
角点特征获取模块10，用于获取样本图像和待检测图像，并分别获取所述样本图像和所述待检测图像中的角点特征，得到样本特征点和待检测特征点。
特征点配对模块11，用于对所述样本特征点和所述待检测特征点进行配对，得到特征点对，并对所述特征点对进行随机透视变换，得到变换图像。
其中，所述特征点配对模块11还用于：提取所述样本特征点和所述待检测特征点的纹理特征，得到样本描述子和待检测描述子；
根据所述样本描述子与所述待检测描述子之间的距离对所述样本特征点和所述待检测特征点进行配对，得到特征点对。
优选的，所述特征点配对模块11还用于：分别计算所述样本描述子与每个所述待检测描述子之间的间隔距离；
将最小所述间隔距离对应的所述待检测特征点与所述样本描述子对应的所述样本特征点进行配对，得到所述特征点对。
空间距离计算模块12，用于计算所述变换图像中每个所述特征点对的空间距离，并根据所述空间距离获取所述变换图像中的优选图像。
其中，所述空间距离计算模块12还用于：判断所述空间距离是否小于距离阈值；
若判断到所述空间距离小于所述距离阈值，则对所述空间距离对应的所述特征点对进行标记；
获取每个所述变换图像中所述特征点对被标记的数量，并获取被标记数量最多的所述变换图像，得到所述优选图像。
透视变换模块13，用于获取所述优选图像的的透视变换策略，并根据所述透视变换策略对所述样本图像进行透视变换，得到样本透视图像。
图像比对模块14，用于将所述待检测图像与所述样本透视图像进行图像特征比对，得到特征比对值，若所述特征比对值大于比对阈值，则判定所述待检测图像中存在异物。
其中，所述图像比对模块14还用于：分别对所述待检测图像与所述样本透视图像进行图像分割，得到待检测分割图像和样本分割图像；
提取每个所述待检测分割图像和所述样本分割图像中的图像特征，得到待检测图像特征和样本图像特征；
根据欧式距离公式计算所述待检测图像特征与对应样本图像特征之间的距离，得到特征距离，并计算所有所述特征距离之间的和，得到所述特征比对值。
优选的，所述图像比对模块14还用于：判断所述特征距离是否大于预设距离；
若判断到所述特征距离大于所述预设距离，则对所述特征距离对应的所述待检测分割图像进行标记；
获取所述待检测图像中所述待检测分割图像被标记的次数，得到标记次数值，并判断所述标记次数值是否大于第一预设次数值；
若判断到所述标记次数值大于所述第一预设次数值，则判定所述待检测图像中存在异物。
更进一步的，所述图像比对模块14还用于：判断所述待检测图像中预设区域范围内的所述待检测分割图像被标记的次数是否大于第二预设次数值；
若判断到所述预设区域范围内的所述待检测分割图像被标记的次数大于所述第二预设次数值，则针对所述预设区域发出异物提示。
本实施例中，通过对样本图像进行透视变换的设计，以达到对待检测图像与样本图像之间图像对齐的效果，提高了后续图像特征比对的准确性，进而提高了异物检索的准确率，并通过将待检测图像与对齐后的样本透视图像进行图像特征比对的设计，以判断待检测图像中是否存在异物。
需要说明的是，上述装置/模块之间的信息交互、执行过程等内容，由于与本申请方法实施例基于同一构思，其具体功能及带来的技术效果，具体可参见方法实施例部分，此处不再赘述。
图5为本申请第五实施例提供的终端设备2的结构示意图。如图5所示，该实施例的终端设备2包括：至少一个处理器20(图5中仅示出一个处理器)、存储器21以及存储在所述存储器21中并可在所述至少一个处理器20上运行的计算机程序22，所述处理器20执行所述计算机程序22时实现上述任意各个方法实施例中的步骤。
所述终端设备2可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。该终端设备可包括，但不仅限于，处理器20、存储器21。本领域技术人员可以理解，图5仅仅是终端设备2的举例，并不构成对终端设备2的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如还可以包括输入输出设备、网络接入设备等。
所称处理器20可以是中央处理单元(Central Processing Unit，CPU)，该处理器20还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现场可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器21在一些实施例中可以是所述终端设备2的内部存储单元，例如终端设备2的硬盘或内存。所述存储器21在另一些实施例中也可以是所述终端设备2的外部存储设备，例如所述终端设备2上配备的插接式硬盘，智能存储卡(Smart Media Card,SMC)，安全数字(Secure Digital,SD)卡，闪存卡(Flash Card)等。进一步地，所述存储器21还可以既包括所述终端设备2的内部存储单元也包括外部存储设备。所述存储器21用于存储操作系统、应用程序、引导装载程序(BootLoader)、数据以及其他程序等，例如所述计算机程序的程序代码等。所述存储器21还可以用于暂时地存储已经输出或者将要输出的数据。
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中，上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。另外，各功能单元、模块的具体名称也只是为了便于相互区分，并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
本申请实施例还提供了一种网络设备，该网络设备包括：至少一个处理器、存储器以及存储在所述存储器中并可在所述至少一个处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述任意各个方法实施例中的步骤。
本申请实施例还提供了一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现可实现上述各个方法实施例中的步骤。
本申请实施例提供了一种计算机程序产品，当计算机程序产品在移动终端上运行时，使得移动终端执行时实现可实现上述各个方法实施例中的步骤。
所述集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本申请实现上述实施例方法中的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括：能够将计算机程序代码携带到拍照装置/终端设备的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。在某些司法管辖区，根据立法和专利实践，计算机可读介质不可以是电载波信号和电信信号。
在上述实施例中，对各个实施例的描述都各有侧重，某个实施例中没有详述或记载的部分，可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元及算法步骤，能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中，应该理解到，所揭露的装置/网络设备和方法，可以通过其它的方式实现。例如，以上所描述的装置/网络设备实施例仅仅是示意性的，例如，所述模块或单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口，装置或单元的间接耦合或通讯连接，可以是电性，机械或其它的形式。
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单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案，而非对其限制；尽管参照前述实施例对本申请进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围，均应包含在本申请的保护范围之内。

Claims (10)

1.一种异物检测方法，其特征在于，所述方法包括：
获取样本图像和待检测图像，并分别获取所述样本图像和所述待检测图像中的角点特征，得到样本特征点和待检测特征点；
对所述样本特征点和所述待检测特征点进行配对，得到特征点对，并对所述特征点对进行随机透视变换，得到变换图像；
计算所述变换图像中每个所述特征点对的空间距离，并根据所述空间距离获取所述变换图像中的优选图像；
获取所述优选图像的透视变换策略，并根据所述透视变换策略对所述样本图像进行透视变换，得到样本透视图像；
将所述待检测图像与所述样本透视图像进行图像特征比对，得到特征比对值，若所述特征比对值大于比对阈值，则判定所述待检测图像中存在异物。
2.如权利要求1所述的异物检测方法，其特征在于，所述对所述样本特征点和所述待检测特征点进行配对，得到特征点对，包括：
提取所述样本特征点和所述待检测特征点的纹理特征，得到样本描述子和待检测描述子；
根据所述样本描述子与所述待检测描述子之间的距离对所述样本特征点和所述待检测特征点进行配对，得到特征点对。
3.如权利要求2所述的异物检测方法，其特征在于，所述根据所述样本描述子与所述待检测描述子之间的距离对所述样本特征点和所述待检测特征点进行配对，包括：
分别计算所述样本描述子与每个所述待检测描述子之间的间隔距离；
将最小所述间隔距离对应的所述待检测特征点与所述样本描述子对应的所述样本特征点进行配对，得到所述特征点对。
4.如权利要求1所述的异物检测方法，其特征在于，所述根据所述空间距离获取所述变换图像中的优选图像，包括：
判断所述空间距离是否小于距离阈值；
若判断到所述空间距离小于所述距离阈值，则对所述空间距离对应的所述特征点对进行标记；
获取每个所述变换图像中所述特征点对被标记的数量，并获取被标记数量最多的所述变换图像，得到所述优选图像。
5.如权利要求1所述的异物检测方法，其特征在于，所述将所述待检测图像与所述样本透视图像进行图像特征比对，得到特征比对值，包括：
分别对所述待检测图像与所述样本透视图像进行图像分割，得到待检测分割图像和样本分割图像；
提取每个所述待检测分割图像和所述样本分割图像中的图像特征，得到待检测图像特征和样本图像特征；
根据欧式距离公式计算所述待检测图像特征与对应样本图像特征之间的距离，得到特征距离，并计算所有所述特征距离之间的和，得到所述特征比对值。
6.如权利要求5所述的异物检测方法，其特征在于，所述根据欧式距离公式计算所述待检测图像特征与对应样本图像特征之间的距离，得到特征距离的步骤之后，所述方法还包括：
判断所述特征距离是否大于预设距离；
若判断到所述特征距离大于所述预设距离，则对所述特征距离对应的所述待检测分割图像进行标记；
获取所述待检测图像中所述待检测分割图像被标记的次数，得到标记次数值，并判断所述标记次数值是否大于第一预设次数值；
若判断到所述标记次数值大于所述第一预设次数值，则判定所述待检测图像中存在异物。
7.如权利要求6所述的异物检测方法，其特征在于，所述方法还包括：
判断所述待检测图像中预设区域范围内的所述待检测分割图像被标记的次数是否大于第二预设次数值；
若判断到所述预设区域范围内的所述待检测分割图像被标记的次数大于所述第二预设次数值，则针对所述预设区域发出异物提示。
8.一种异物检测系统，其特征在于，包括：
角点特征获取模块，用于获取样本图像和待检测图像，并分别获取所述样本图像和所述待检测图像中的角点特征，得到样本特征点和待检测特征点；
特征点配对模块，用于对所述样本特征点和所述待检测特征点进行配对，得到特征点对，并对所述特征点对进行随机透视变换，得到变换图像；
空间距离计算模块，用于计算所述变换图像中每个所述特征点对的空间距离，并根据所述空间距离获取所述变换图像中的优选图像；
透视变换模块，用于获取所述优选图像的的透视变换策略，并根据所述透视变换策略对所述样本图像进行透视变换，得到样本透视图像；
图像比对模块，用于将所述待检测图像与所述样本透视图像进行图像特征比对，得到特征比对值，若所述特征比对值大于比对阈值，则判定所述待检测图像中存在异物。
9.一种终端设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述的方法。
10.一种存储介质，所述存储介质存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的方法。
CN202010595875.6A 2020-06-28 2020-06-28 异物检测方法、系统、终端设备及存储介质 Active CN111832634B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010595875.6A CN111832634B (zh) 2020-06-28 2020-06-28 异物检测方法、系统、终端设备及存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010595875.6A CN111832634B (zh) 2020-06-28 2020-06-28 异物检测方法、系统、终端设备及存储介质

Publications (2)

Publication Number Publication Date
CN111832634A CN111832634A (zh) 2020-10-27
CN111832634B true CN111832634B (zh) 2023-09-08

Family

ID=72899292

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010595875.6A Active CN111832634B (zh) 2020-06-28 2020-06-28 异物检测方法、系统、终端设备及存储介质

Country Status (1)

Country Link
CN (1) CN111832634B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113033578B (zh) * 2021-03-30 2023-05-16 上海星定方信息科技有限公司 基于多尺度特征匹配的图像校准方法、系统、终端及介质
CN116468729B (zh) * 2023-06-20 2023-09-12 南昌江铃华翔汽车零部件有限公司 一种汽车底盘异物检测方法、系统及计算机

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108021852A (zh) * 2016-11-04 2018-05-11 株式会社理光 一种人数统计方法、人数统计系统及电子设备
CN109214288A (zh) * 2018-08-02 2019-01-15 广州市鑫广飞信息科技有限公司 基于多旋翼无人机航拍视频的帧间场景匹配方法及装置

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108021852A (zh) * 2016-11-04 2018-05-11 株式会社理光 一种人数统计方法、人数统计系统及电子设备
CN109214288A (zh) * 2018-08-02 2019-01-15 广州市鑫广飞信息科技有限公司 基于多旋翼无人机航拍视频的帧间场景匹配方法及装置

Also Published As

Publication number Publication date
CN111832634A (zh) 2020-10-27

Similar Documents

Publication Publication Date Title
CN109543489B (zh) 基于二维码的定位方法、装置和存储介质
CN109784250B (zh) 自动引导小车的定位方法和装置
CN111832634B (zh) 异物检测方法、系统、终端设备及存储介质
CN108573471B (zh) 图像处理装置、图像处理方法以及记录介质
CN109828250B (zh) 一种雷达标定方法、标定装置及终端设备
CN109461133B (zh) 桥梁螺栓脱落检测方法及终端设备
CN112686950B (zh) 位姿估计方法、装置、终端设备及计算机可读存储介质
CN112927306B (zh) 拍摄装置的标定方法、装置及终端设备
CN115063454B (zh) 多目标跟踪匹配方法、装置、终端及存储介质
CN112967347B (zh) 位姿标定方法、装置、机器人及计算机可读存储介质
CN109815763A (zh) 二维码的检测方法、装置和存储介质
CN112215304A (zh) 一种用于地理影像拼接的灰度影像匹配方法及装置
CN108629219B (zh) 一种识别一维码的方法及装置
CN112200004B (zh) 图像检测模型的训练方法、装置及终端设备
CN115063760A (zh) 车辆可行驶区域检测方法、装置、设备及存储介质
Ren et al. SAR image matching method based on improved SIFT for navigation system
CN113223033A (zh) 基于图像融合的家禽体温检测方法、设备以及介质
CN108917768B (zh) 无人机定位导航方法和系统
Ziomek et al. Evaluation of interest point detectors in presence of noise
CN116542998B (zh) 用于光刻薄膜电感的轮廓检测方法、装置、设备及介质
CN117115275B (zh) 畸变参数的确定方法、装置和计算机设备
CN111951211B (zh) 一种目标检测方法、装置及计算机可读存储介质
CN112711965B (zh) 一种绘本识别方法、装置及设备
CN114267038B (zh) 铭牌的类型识别方法、装置、存储介质及设备
CN117333686A (zh) 目标定位方法、装置、设备及介质

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant