基于空间形状上下文特征的汽车零件识别方法
【技术领域】
[0001] 本发明属于汽车零件的识别领域，尤其涉及一种基于空间形状上下文特征的汽车 零件识别方法。
【背景技术】
[0002] 随着汽车行业的不断发展，汽车的种类以及汽车的零件种类也随之增加，对于汽 修工人来说，单凭人的大脑无法准确无误的记住所有汽车零件的型号，价格，适用范围等信 息，这就迫切的需要一种可穿戴设备来帮助汽修人员识别汽车零件。而智能眼镜的目标识 别算法是重中之重，正确的识别将会给汽修工人带来前所未有的便利，错误的识别则会对 汽修工人造成误导。现有的汽车零件识别算法一般都是基于二维图像的特征识别，二维的 图像特征对于遮挡情况无能为力，因为其不能提取到遮挡部位的特征信息。这就导致识别 不准确以及匹配错误的情况发生，给后期汽修工人的工作带来极大的困扰。
【发明内容】
[0003] 基于上述技术问题，本发明的解决方案为：一种基于空间形状上下文特征的汽车 零件识别方法，具有如下步骤：
[0004] S1.构建离线汽车零件特征库；
[0005] S2.将待识别汽车零件的特征在线提取，并与所述离线汽车零件特征库中的汽车 零件进行特征匹配与识别。
[0006] 进一步的，匹配与识别基于空间形状上下文特征，所述空间上下文特征是指提取 三维空间待识别汽车零件的特征点，将分割空间区域而形成的特征点的相对位置关系作为 该汽车零件的特征。
[0007] 进一步的，所述步骤S1.构建离线汽车零件特征库的具体方法为：
[0008] S1.1从汽车零件库中取出一个汽车零件，对其进行多角度拍摄，拍摄图像具有重 叠部分，拍摄结束后，图像数据传送至云服务器端进行下一步处理；
[0009] S1.2.提取采集的每幅汽车零件图像的SIFT特征点，与下一幅图像进行特征点匹 配，并用RANSAC去除误匹配点；
[0010] S1.3.根据S1.2所提取的特征点按照序列图像三维重建原理进行重建，以获得三 维点云，并将S1.2所提取的η个二维特征点对应到三维空间，形成三维空间特征点集P{ P1， Ρ2···ρη} 〇
[0011] SI.4.通过空间形状上下文特征提取算法，将汽车零件库里的每个部件的空间上 下文特征都提取出来并存储，作为特征库等待查询。
[0012] 进一步的，空间形状上下文特征提取算法的步骤如下：
[0013] SI .4.1.以当前特征点pk为球心，找到与球心的欧式距离最大的特征点Pd，将Pk与 Pd的欧式距离作为球的半径；
[0014] S1.4.2.将步骤S1.4.1所形成的球形区域做空间范围的平均分割，平均分割后球 形区域的子空间区域个数为t个；
[0015] S1.4.3.将球形区域的t个子空间区域确定排列顺序；
[0016] S1.4.4统计每一子空间区域特征点的个数，并将个各子空间区域特征点的个数按 各子空间区域的顺序排列；
[0017] s 1.4.5遍历η个特征点集合P中的下一点，直至所有点遍历完毕，开$成了η X t的特 征矩阵Fdb，将该特征矩阵存储。
[0018] 进一步的，将待识别汽车零件的特征在线提取的提取方法与构建离线汽车零件特 征库时对汽车零件的特征的提取方法一致。
[0019] 进一步的，与所述离线汽车零件特征库中的汽车零件进行特征匹配与识别的步骤 如下：
[0020] S2.1.对于待识别汽车零件的空间上下文特征矩阵Fcur与汽车零件库的当前特征 Fdbl，使用下述公式，得到空间上下文差别：
[0021]
[0022]得到(Jost圯阵，兵甲K衣不狩祉点的总个数，g(k)表示待识别汽车零件的空间上下 文特征矩阵中第k个特征点的空间上下文信息，而h(k)表示汽车零件库中当前对比配件特 征中第k个特征点的空间上下文信息，最终结果为矩阵Cost。
[0023] S2.2.对该矩阵进行最优匹配操作，使代价值最小，该代价值为cost。
[0024] S2.3.将所有汽车零件库中特征与待识别配件特征计算所得的cost进行排序，选 取最小值所对应的汽车零部件作为当前待检测配件的最匹配汽车零部件。
[0025] 进一步的，采用LAPJV算法对该矩阵进行最优匹配操作。
[0026] 进一步的，当前待检测配件的最匹配汽车零部件后，通过云端服务器将该汽车零 件的相关信息在显示终端显示给汽修人员。
[0027] 有益效果：
[0028] 1.本发明通过多角度图像采集，进行三维建模，避免了由于单一方向图像采集而 造成的图像形状特征提取不完全的情况。
[0029] 2.本发明采取三维坐标作为特征点坐标，并对特征点所确定的球形区域进行平均 区域划分，避免了因为使用对数划分造成的某些集中特征点因为区域面积过小而分开的情 况，提高了特征匹配的准确性。
[0030] 3.由于传统进行最优匹配的匈牙利算法耗时较长，本发明使用LAPJV算法替代匈 牙利算法，节省了算法运行的时间，提高了算法运行效率。
【附图说明】
[0031] 图1汽车配件离线特征提取流程图
[0032] 图2空间形状上下文空间区域分割示意图
[0033] 图3待识别汽车零件特征匹配流程图
【具体实施方式】
[0034] 实施例1
[0035] 基于空间形状上下文特征的汽车零件识别方法，其特征在于，具有如下步骤:SI. 构建离线汽车零件特征库;S2.将待识别汽车零件的特征在线提取，并与所述离线汽车零件 特征库中的汽车零件进行特征匹配与识别。
[0036] 实施例2
[0037] 具有与实施例1相同的技术方案，更为具体的是：匹配与识别基于空间形状上下文 特征，所述空间上下文特征是指提取三维空间待识别汽车零件的特征点，将分割空间区域 而形成的特征点的相对位置关系作为该汽车零件的特征。
[0038] 实施例3
[0039]具有与实施例1或2相同的技术方案，更为具体的是:所述步骤S1.构建离线汽车零 件特征库的具体方法为：
[0040] S1.1从汽车零件库中取出一个汽车零件，对其进行多角度拍摄，拍摄图像具有重 叠部分，拍摄结束后，图像数据传送至云服务器端进行下一步处理；
[0041 ] S1.2.提取采集的每幅汽车零件图像的SIFT特征点，与下一幅图像进行特征点匹 配，并用RANSAC去除误匹配点；
[0042] S1.3.根据S1.2所提取的特征点按照序列图像三维重建原理进行重建，以获得三 维点云，并将S1.2所提取的η个二维特征点对应到三维空间，形成三维空间特征点集P{P1， Ρ2···ρη} 〇
[0043] SI.4.通过空间形状上下文特征提取算法，将汽车零件库里的每个部件的空间上 下文特征都提取出来并存储，作为特征库等待查询。
[0044] 实施例4
[0045] 具有与实施例1或2或3相同的技术方案，更为具体的是:空间形状上下文特征提取 算法的步骤如下：
[0046] SI .4.1.以当前特征点pk为球心，找到与球心的欧式距离最大的特征点pd，将Pk与 Pd的欧式距离作为球的半径;这样就能将所有三维特征点包含在球内