收藏本站
《重庆大学》 2016年
加入收藏

基于图像配准与视觉显著性检测的指针仪表识别研究

张文杰  
【摘要】:指针仪表具有读数直观、结构简单、精度高、制造成本低、抗电磁干扰能力强、方便维护等优点,在生产实践中得到了广泛的应用。通常指针仪表没有数字通信接口,不能将测量信号转化为数字信号,需要依靠人工方式识别仪表示数。指针仪表示数识别是一项繁琐、枯燥、重复性高的工作。在一些需要大量识别指针仪表读数的场景,如电力系统、指针仪表检定等,获取仪表示数的准确与否很大程度上依赖操作员的责任心与视觉疲劳程度,在识别过程中容易出现失误与读数误差,若要及时发现失误则需要增加工作量,否则可能会造成严重的后果。传统的人工识别指针仪表读数方式,不但造成了人力资源的浪费,而且不能达到理想的识别效果。本文利用计算机视觉、图像处理与模式识别技术,实现变电站场景中仪表读数的自动、准确识别。本文以变电站中常见的指针仪表作为研究的落脚点,以Marr视觉理论为基本理论基础,重点研究指针仪表识别关键技术。具体而言,本文研究基于特征的图像配准技术,消除指针读数识别过程由于仪表图像变形造成的视觉测量误差;研究显著性检测技术,检测不同干扰下的仪表指针区域;研究指针仪表读数识别模型,提高识别仪表示数的准确性与稳定性。本文力求在研究方法和思路上有所突破与创新,主要研究内容可以概括为以下四个方面:(1)针对目前特征检测方法对于包含较大平坦区域的图像提取特征鲁棒性不高的问题,提出一种基于SURF的邻域梯度模糊增强的特征检测算法。基本思路:由于平坦区域图像梯度特征变化缓慢,提取的特征鲁棒性差;对于梯度变化较大的区域提出的特征鲁棒性较高。具体而言:首先,本文计算图像梯度特征,然后利用图像梯度直方图,基于图像的梯度信息将图像梯度分为多层,然后构造模糊函数在不同的梯度层次增强图像的梯度特征;其次,二值化梯度图像,确定梯度变化最剧烈的位置,使用形态学的膨胀操作与闭操作提取具有较大梯度变化的区域,并在这些区域提取SURF特征。实验结果表明本文方法提取的图像特征可以在有较大平坦区域的仪表图像上有较高的配准率;同时本文也在公开的图像数据集上验证了算法,提出的特征检测方法有较高配准率,可以减少误匹配对图像配准参数的影响。(2)针对基于特征的图像配准方法得到的配准参数不精确、图像配准效果不佳问题,提出一种基于低秩分解的图像配准参数优化模型。具体而言:本文依据计算配准参数最小的特征点对数量,计算几何转换参数矩阵,然后依据几何变换参数矩阵构造低秩模型,获取优化的几何变换参数矩阵,并估计内点(准确匹配的特征点对);最后,使用一种简单的迭代策略计算最优的几何变换参数。实验结果表明本文的图像配准方法可以得到令人满意的配准性能(RRMS和EID),能较好消除图像几何形变。(3)针对目前显著性区域检测不能较好抑制背景区域干扰,不能一致的、鲁棒的突出显著性区域问题,本文提出一种基于吸收马尔科夫链与多特征的显著性区域检测方法。本文构造基于吸收马尔科夫链的显著性检测模型,基于多特征(对比度、空间位置关系、背景先验性等)检测显著区域。具体而言:首先,构造函数计算每个节点在吸收马尔科夫链上的吸收概率;其次,利用图像对比度与空间关系构造先验显著性模型,该模型可以提供先验的前景显著性节点,然后依据节点吸收概率计算每个节点基于显著节点的显著性;再次,本文利用背景先验性,提供先验背景节点,进而计算每个节点基于背景节点的显著性;最后,本文通过余弦相似性测度融合节点的两类显著性,得到最终的显著图。本文在3个公开的图像数据集上(MSRA-B,iCoSeg,SED)测试提出的显著性检测方法,实验结果表明本文提出的显著性检测方法较11种公开的显著性检测方法有更好的鲁棒性,更有效。同时也验证了本文显著性检测算法检测指针区域的性能,实验表明,提出的显著性检测方法可以鲁棒地检测不同类型仪表的指针区域。(4)针对目前指针仪表读数识别模型存在识别精度不高、稳定性差的问题,本文提出一种基于指针区域特征的仪表读数识别方法。其基本思想:依据指针区域在水平方向与垂直方向上的投影特征设计指针读数识别方法。具体而言,首先利用显著性区域检测方法提取仪表图像指针区域;然后依次旋转仪表指针图像,统计旋转不同角度时仪表指针图像在纵轴上的投影最大值,计算指针至平行于横轴需要旋转的角度,并判断指针旋转至平行于横轴时指针顶部区域与底部区域在横轴上的投影最大值在仪表图像中位置,获取指针与横轴的夹角;最后使用最小二乘法拟合指针夹角与指针刻度之间的对应关系计算仪表读数。结果表明:在固定视点情况下,本文读数识别算法的识别精度较高与稳定性较强;云台摄像头获取的图像存在几何形变,经本文提出的图像配准技术校正图像后,识别的仪表读数精度较高,能够满足实际需求。
【关键词】:指针仪表 仪表读数识别 特征检测 图像配准 显著性检测
【学位授予单位】:重庆大学
【学位级别】:博士
【学位授予年份】:2016
【分类号】:TP391.41
【目录】:
  • 中文摘要3-5
  • 英文摘要5-11
  • 1 绪论11-27
  • 1.1 研究背景与意义11-13
  • 1.2 指针仪表读数识别系统概述13-20
  • 1.2.1 指针仪表读数识别基本理论框架13-14
  • 1.2.2 指针仪表读数准则14
  • 1.2.3 指针仪表读数识别系统14-17
  • 1.2.4 仪表指针区域特征检测与视觉显著性检测17-20
  • 1.3 面临的主要困难20-23
  • 1.4 课题来源23
  • 1.5 本文主要研究内容与结构安排23-27
  • 1.5.1 主要的研究内容23-24
  • 1.5.2 本文的结构安排24-27
  • 2 相关技术研究现状27-53
  • 2.1 引言27
  • 2.2 基于特征的图像配准关键技术27-45
  • 2.2.1 图像配准的理论基础28-31
  • 2.2.2 图像配准参数模型基础与约束31-34
  • 2.2.3 图像特征提取34-42
  • 2.2.4 特征匹配42-43
  • 2.2.5 图像配准参数优化模型43-45
  • 2.3 视觉显著性区域检测45-49
  • 2.4 指针读数识别49-50
  • 2.4.1 距离法49-50
  • 2.4.2 角度法50
  • 2.5 本章小结50-53
  • 3 基于SURF的邻域梯度模糊增强的图像特征检测53-71
  • 3.1 引言53
  • 3.2 相关研究工作53-54
  • 3.3 邻域梯度增强54-58
  • 3.3.1 邻域加权与模糊增强55-57
  • 3.3.2 邻域加权的多层次模糊增强57-58
  • 3.4 特征提取58-59
  • 3.5 数据集与评估准则59-61
  • 3.5.1 图像数据集59-61
  • 3.5.2 评估准测61
  • 3.6 实验结果与分析61-67
  • 3.6.1 邻域梯度模糊增强算法性能评估61-63
  • 3.6.2 特征性能评估63-67
  • 3.7 本章小结67-71
  • 4 基于特征与低秩分解的图像配准参数优化模型71-83
  • 4.1 引言71
  • 4.2 相关研究工作71-73
  • 4.3 基于低秩分解的图像配准73-77
  • 4.4 实验结果与分析77-82
  • 4.4.1 评价指标77-78
  • 4.4.2 实验对比与分析78-82
  • 4.5 本章小结82-83
  • 5 基于多特征与吸收马尔科夫链的图像显著性区域检测83-101
  • 5.1 引言83
  • 5.2 相关研究工作83-86
  • 5.3 吸收马尔科链基础86-87
  • 5.4 图模型表示87-88
  • 5.5 显著性检测模型88-92
  • 5.5.1 基于前景显著节点的显著性检测88-90
  • 5.5.2 基于背景先验性的显著性检测90-91
  • 5.5.3 余弦相似性测度显著图91-92
  • 5.6 实验结果与分析92-98
  • 5.6.1 测试数据集92
  • 5.6.2 评价指标92-93
  • 5.6.3 实验性能对比与分析93-98
  • 5.7 本章小结98-101
  • 6 基于显著性区域检测的指针仪表读数识别101-123
  • 6.1 引言101
  • 6.2 相关研究工作101-104
  • 6.3 计算指针夹角与读数识别104-108
  • 6.3.1 计算指针夹角105-107
  • 6.3.2 仪表读数识别107-108
  • 6.4 实验结果与分析108-119
  • 6.4.1 指针区域检测108-109
  • 6.4.2 基于固定视点的指针读数识别109-116
  • 6.4.3 基于云台的指针读数识别116-119
  • 6.5 误差分析119-122
  • 6.5.1 图像采集误差119-120
  • 6.5.2 读数识别算法误差120-122
  • 6.6 本章小结122-123
  • 7 总结与展望123-127
  • 7.1 主要工作与贡献123-125
  • 7.2 未来研究工作125-127
  • 致谢127-129
  • 参考文献129-139
  • 附录139-140
  • A. 作者在攻读学位期间发表的论文目录139-140
  • B. 作者在攻读博士学位期间参加的科研项目140
  • C. 作者在攻读博士学位期间获得的部分荣誉140

中国知网广告投放
 快捷付款方式  订购知网充值卡  订购热线  帮助中心
  • 400-819-9993
  • 010-62791813
  • 010-62985026