本发明属于图像处理和模式识别技术领域，更具体地，涉及一种用于多个指针式仪表识别的定位方法。
背景技术
随着工业自动化、图像处理和模式识别技术的发展，对广泛应用于电力、石油、化工等行业的各类指针式仪表，需要进行机器人智能巡检，以代替人工巡检，提高巡检效率，降低人工巡检的危险和巡检成本。
对于指针式仪表的定位，现有的方法一般有2种：(1)假定仪表为圆形仪表，通过霍夫算法，进行圆检测，定位待识别图像中指针式仪表的位置；(2)检测指针式仪表的特征点与模板图像的特征点，通过匹配对应的特征点定位指针式仪表的位置。
指针式仪表的定位方法(1)要求指针式仪表为圆形仪表，指针式仪表的周围环境中必须没有其他圆形的物体；要求拍摄仪表的相机固定，这在实际应用中会受到限制，且霍夫变换圆形检测方法时间复杂度高，实时性不强，当图像中存在多个指针式仪表时，算法耗时长；此外，还要求指针式仪表的视角偏转幅度不能过大，否则无法检测到。方法(2)要求指针式仪表的周围环境没有其他外部的物体，而且仪表必须在输入图片中占主体位置，否则无法检测到；同时，仪表还必须要有稳定的特征点，否则无法从仪表区域提取出特征点，导致定位失败。
因此，现有的指针式仪表定位方法存在适应性不好，实时性不强，指针式仪表定位准确率不高的技术问题。
技术实现要素：
针对现有技术的以上缺陷或改进需求，本发明提供了一种用于多个指针式仪表识别的定位方法，由此解决现有的指针式仪表定位方法存在适应性不好，实时性不强，指针式仪表定位准确率不高的技术问题。
为实现上述目的，本发明提供了一种用于多个指针式仪表识别的定位方法，包括：
(1)获取输入图像的lark特征图和模板图像的lark特征图，对降维后的输入图像的lark特征图进行缩放，得到多个尺度下的输入图像的lark特征图；
(2)将降维后的模板图像的lark特征图作为滑动窗口，利用滑动窗口在多个尺度下的输入图像的lark特征图中滑动，每次滑动后计算滑动窗口与滑动窗口内的输入图像的lark特征图的余弦相似度，多次滑动后得到每个尺度下的输入图像的lark特征图的余弦相似度；
(3)将多个余弦相似度变换为多个rm相似度，利用多个rm相似度构成每个尺度下的输入图像的相似图，对每个尺度下的输入图像的相似图进行仪表检测，若相似图中的最大rm相似度大于阈值，则选择相似图中rm相似度最高的前m％在输入图像中对应的区域作为初步的指针式仪表候选区域，然后使用非极大值抑制算法排除掉初步的指针式仪表候选区域中的多余重叠区域，得到最终的指针式仪表候选区域；
(4)提取最终的指针式仪表候选区域图像和模板图像的特征点，进行匹配，得到输入图像中指针式仪表区域的精确定位。
进一步地，步骤(1)包括：
(1-1)获取输入图像的lark特征构成输入图像的lark特征图，获取模板图像的lark特征构成模板图像的lark特征图，利用pca算法降低输入图像的lark特征图和模板图像的lark特征图的维度；
(1-2)对降维后的输入图像的lark特征图进行缩放，得到多个尺度下的输入图像的lark特征图。
进一步地，降维后的输入图像的lark特征图与降维后的模板图像的lark特征图的维度一致。
进一步地，降维时维度降低1维-4维。
进一步地，m的取值范围为0.1-2。
进一步地，阈值为0.4-0.6。
进一步地，步骤(2)还包括：
使用傅里叶变换加速计算滑动窗口与滑动窗口内的输入图像的lark特征图的余弦相似度中的卷积操作。
进一步地，步骤(4)包括：
(4-1)采用akaze算法提取最终的指针式仪表候选区域图像和模板图像的特征点，进行匹配，得到多个匹配点，然后使用基于网格运动统计的方法排除多个匹配点中的错误匹配点，得到剩余匹配点；
(4-2)利用剩余匹配点完成图像配准，得到输入图像中指针式仪表区域的精确定位。
进一步地，步骤(4-2)包括：
使用ransac方法处理剩余匹配点，得到单应性矩阵；通过单应性矩阵完成图像配准，得到输入图像中指针式仪表区域的精确定位。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，能够取得下列有益效果：
(1)本发明方法可以实现电力、化工、石油等行业的智能巡检系统中指针式仪表的准确定位，而且可以用于输入图像中存在多个指针式仪表的情况，方法适应性好，实时性强，准确率高，为后续的指针式仪表读数识别提供了高精度的定位。
(2)本发明针对指针式仪表定位问题，使用对不同光照以及有噪声情况下都具有稳定性的lark特征，运用pca算法，突出仪表的边缘特征，提高仪表定位准确度。同时，通过对输入图像在不同尺度的lark特征图，进行多尺度检测，可以有效防止漏检，也适用于存在多个指针式仪表的情况。
(3)本发明采用滑动窗口方法，对指针式仪表输入图像进行检测，可用于图像中存在多个指针式仪表时的情况，并且针对滑动窗口匹配慢的问题，运用傅里叶变换加速卷积操作，提高了仪表定位速度。
(4)本发明通过图像配准，可以有效解决由于指针式仪表输入图像的视角偏转造成的定位误差问题，采用网格运动统计方法排除错误匹配点，结合使用ransac方法处理剩余匹配点，提高了指针式仪表区域定位的配准精度，为后续的指针式仪表读数识别提供了高精度的定位。
附图说明
图1是本发明实施例提供的一种用于多个指针式仪表识别的定位方法的流程图；
图2是本发明实施例1提供的待识别定位的指针式仪表的输入图像；
图3是本发明实施例1提供的指针式仪表的模板图像；
图4(a)是本发明实施例1提供的待识别指针式仪表输入图像使用pca算法降维后的lark特征图；
图4(b)是本发明实施例1提供的模板图像使用pca算法降维后的lark特征图；
图5(a)是本发明实施例1提供的余弦相似度示意图；
图5(b)是本发明实施例1提供的rm相似度示意图；
图6是本发明实施例1提供的没有经过非极大值抑制算法的示意图；
图7是本发明实施例1提供的经过非极大值抑制算法后的示意图；
图8是本发明实施例1提供的配准前没有排除错误匹配点的示意图；
图9是本发明实施例1提供的配准后排除了错误匹配点的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明提供了一种用于多个指针式仪表识别的定位方法，包括：
(1)获取输入图像的lark(locallyadaptiveregressionkernels，局部自适应回归核)特征构成输入图像的lark特征图，获取模板图像的lark特征构成模板图像的lark特征图，利用pca(principalcomponentanalysis，主成分分析)算法降低输入图像的lark特征图和模板图像的lark特征图的维度；对降维后的输入图像的lark特征图进行缩放，得到多个尺度下的输入图像的lark特征图。降维后的输入图像的lark特征图与降维后的模板图像的lark特征图的维度一致。
(2)将降维后的模板图像的lark特征图作为滑动窗口，利用滑动窗口在多个尺度下的输入图像的lark特征图中滑动，每次滑动后计算滑动窗口与滑动窗口内的输入图像的lark特征图的余弦相似度，多次滑动后得到每个尺度下的输入图像的lark特征图的多个余弦相似度；使用傅里叶变换加速计算滑动窗口与滑动窗口内的输入图像的lark特征图的余弦相似度中的卷积操作。
(3)将多个余弦相似度变换为多个rm相似度，利用多个rm相似度构成每个尺度下的输入图像的相似图，对每个尺度下的输入图像的相似图进行仪表检测，若相似图中的最大rm相似度大于阈值，则选择相似图中rm(resemblancemap)相似度最高的前m％在输入图像中对应的区域，作为初步的指针式仪表候选区域；在初步的指针式仪表候选区域中使用非极大值抑制(nonmaximumsuppression，nms)算法进行多个指针式仪表检测，排除掉指针式仪表候选区域中的多余重叠区域，得到每个指针式仪表相似度值最大的区域，即最终的指针式仪表候选区域。
(4)采用akaze算法提取最终的指针式仪表候选区域图像和模板图像的特征点，进行匹配，得到多个匹配点，然后使用基于网格运动统计的方法排除多个匹配点中的错误匹配点，得到剩余匹配点；使用ransac(randomsampleconsensus，随机抽样一致性)方法处理剩余匹配点，得到单应性矩阵；通过单应性矩阵完成图像配准，实现输入图像中指针式仪表区域的精确定位。
进一步地，降维时维度降低1维-4维，优选地，降维时维度降低2维，此时可以更好的突出仪表的边缘特征。
进一步地，m的取值范围为0.1-2，优选地，m为1，如果m设置过低可能存在漏检，如果设置过高可能产生误检，m为1时检测效果最好。
进一步地，阈值为0.4-0.6，优选地，阈值为0.5，使得后续得到的指针式仪表候选区域更准确。
实施例1
对于如图2所示的待识别定位的指针式仪表的输入图像和图3所示的指针式仪表的模板图像，经过以下几个步骤实现多个指针式仪表的精确定位：
步骤(1)：提取输入图像和模板图像的lark特征，得到输入图像和模板图像的lark特征图，并使用pca算法降低lark特征图的维度，得到图4(a)所示的输入图像使用pca算法降维后的lark特征图和图4(b)所示的模板图像使用pca算法降维后的lark特征图；突出仪表的边缘特征。然后对输入图像降维后的lark特征图进行缩放，缩放比例大小范围为0.6～1.5，间隔为0.1，由此得到输入图像的10张不同尺度的降维后的lark特征图。
步骤(2)：采用滑动窗口方法，将模板图像降维后的lark特征图像作为滑动窗口分别在输入图像的10张不同尺度的降维后的lark特征图中滑动，每次滑动后计算滑动窗口与滑动窗口内的输入图像的lark特征图的余弦相似度，多次滑动后得到每个尺度下的输入图像的lark特征图的多个余弦相似度，如图5(a)所示；使用傅里叶变换加速计算滑动窗口与滑动窗口内的输入图像的lark特征图的余弦相似度中的卷积操作。
步骤(3)：对余弦相似度ρi进行变换，如公式(1)所示：
之后可得到输入图像在不同尺度下的10张rm相似图，相比余弦相似度ρi，采用f(ρi)作为rm相似度，可以将背景和前景更加有效地区分，如图5(b)所示，可以很明显地看出使用rm相似度，极值更为明显，这样前景与背景的区分就相差得很大。
对每一张rm相似图进行判断，若至少存在一张相似图中的最大相似度值大于设定阈值0.5，则确认输入图像中存在指针式仪表区域。对于存在最大相似度值大于设定阈值的相似图，则选择这些相似图中相似度值最高的前1％所对应的原始输入图像中的区域，作为初步的指针式仪表候选区域。在本实例1中，一般地会得到20～30个初步的指针式仪表候选区域。
由于输入图像中，可能存在多个指针式仪表区域，并且每个指针式仪表区域经过前面的步骤后，会存在多个重叠的候选区域，然后使用非极大值抑制(nonmaximumsuppression，nms)算法，进行多个指针式仪表检测，搜索局部极大值，抑制非极大值元素，就会排除掉指针式仪表候选区域中的多余重叠区域。之后，就可以得到每个指针式仪表相似度值最大的区域，即最终的指针式仪表候选区域。
图6中密集的多个候选框是没有经过非极大值抑制算法的候选框，图7中的方框区域为经过非极大值抑制算法后，相似度值最大的区域，即最终的指针式仪表候选区域，也是配准前的指针式仪表定位区域。
步骤(4)：采用akaze算法提取最终的指针式仪表候选区域图像和模板图像的特征点，进行匹配，得到多个匹配点。一般地，匹配结果会存在错误匹配点，如图8所示。然后使用基于网格运动统计的方法排除错误匹配点，如图9所示。
接着，使用ransac方法处理剩余匹配点，得到单应性矩阵。通过单应性矩阵对图像进行变换，完成图像配准，实现指针式仪表区域的精确定位，从而为后续的指针式仪表读数识别提供了高精度的定位。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。