长度记为dM(i，j)。
[0092] 则最优的堆粮高度线上下边缘由下式确定。
[0093] (m,n) =argmini；j-a|dL(i,j) |+b|ds(i,j) |+c|dM(i,j)-w
[0094] 其中，最优的堆粮高度线的上边缘为上边缘备选集合中的第m个线段，最优的堆 粮高度线的下边缘为下边缘备选集合中的第n个线段，w为堆粮高度线的经验宽度（以图像 像素为单位)，a,b,c为权值，a,b,c,w的值根据经验确定。在m和n确定之后，将上边缘备 选集合中的第m个线段作为上边缘，将下边缘备选集合中的第n个线段作为下边缘，输出由 上边缘的左右端点和下边缘的左右端点围成的四边形区域，作为堆粮高度线在待检图像中 的位置。
[0095] 本领域技术人员应能理解，上述所举的根据上下边缘的备选集合确定最优的堆粮 高度线的上、下边缘仅为更好地说明本发明实施例的技术方案，而非对本发明实施例作出 的限定。任何根据上下边缘的备选集合来确定最优的堆粮高度线的上、下边缘的方法，均包 含在本发明实施例的范围内。
[0096] 实施例二
[0097] 该实施例提供的一种堆粮高度线的检测装置，其具体结构如图4所示，包括如下 的模块：
[0098]训练样本集构造模块41，用于通过摄像机采集堆粮高度线的训练图像，基于训练 图像组成训练样本集；
[0099] 混合高斯模型构造模块42,用于提取训练样本集中的每幅训练图像中的每个像素 点的颜色空间特征，以所有像素点的颜色空间特征作为训练数据，用EM算法训练上述训练 数据得到一个GMM，记为模型?。训练得到的GMM表示了像素点颜色空间特征的分布情况。
[0100] 概率图像获取模块43,用于计算待检图像中的每个像素点颜色空间特征相对于所 述混合高斯模型的后验概率值，得到概率图像；
[0101] 上、下边缘备选集合获取模块44,用于根据概率图像和待检图像的灰度图像，通过 Hough变换分别得到堆粮高度线上边缘的备选集合和下边缘的备选集合；
[0102] 堆粮高度线确定模块45,用于从堆粮高度线上边缘的备选集合、下边缘的备选集 合配对得到待检图像中的堆粮高度线的位置。
[0103] 进一步地，所述的训练样本集构造模块41，具体用于在不同时间段通过摄像机对 需要检测堆粮高度线的墙面进行多次拍照，得到多个训练图像，将所有训练图像组成训练 样本集；
[0104] 在每幅训练图像中，选择出堆粮高度线内的若干个像素点，用泛洪填充算法找出 每幅训练图像中所选像素点的邻近点，所述邻近点与所选像素点的像素值之间的差值在指 定数值范围内，将邻近点和所选点一起加入到所述训练样本集中。
[0105] 进一步地，混合高斯模型构造模块42,用于对于训练样本集中的每幅训练 图像中的任意一个像素点，设其RGB值分别为R，G，B，该像素点的颜色空间特征为
对于训练样本集中的每幅训练图像中的每个像素点，分 别提取其颜色空间特征；
[0106] 用最大期望算法分别训练所有像素点的颜色空间特征，根据训练结果构成GMM，记 为模型? ;
[0107] 上述模型?包含M个分量，M的值优选为10,每个分量包含3种参数（Wi，i!i，I：i)， i=l.. .M，Wi表不第i个分量的权值，iii表不第i个分量的均值，2i表不第i个分量的方 差。
[0108] 进一步地，所述概率图像获取模块43,用于拍摄出堆粮高度线的待检图像，对待检 图像中的每个像素点，提取该像素点的颜色空间特征X，计算所述颜色空间特征x相对于模 型?的后验概率值为：
[0110] 其中，g是高斯密度函数。
[0111] 生成所述待检图像对应的灰度图像，该灰度图像中的每个像素点的像素值为待检 图像中的相同位置的像素点的所述后验概率值，对所述灰度图像进行腐蚀膨胀，得到概率 图像。
[0112] 进一步地，所述的上、下边缘备选集合获取模块44,具体用于用Canny边缘检测算 法对所述待检图像对应的灰度图像进行边缘检测，得到图像C;
[0113] 用预先设定的Sobel算子对所述概率图像进行卷积，得到图像S，将图像S中负值 设为0后的图像作为图像S+ ;将图像S中正值设为0、负值取反后的图像作为图像S-，将图 像S+与图像C逐点相乘，得到图像H+，将图像S-与图像C逐点相乘，得到图像H-;
[0114] 对图像H+进行基于线段检测算法的Hough变换，将Hough变换后获得的线段记为 堆粮高度线上边缘的备选集合；对图像H-进行基于线段检测算法的Hough变换，将Hough 变换后获得的线段记为堆粮高度线下边缘的备选集合。
[0115] 进一步地，所述的堆粮高度线确定模块45,具体用于在堆粮高度线上边缘和下边 缘的备选集合中，将小于堆粮高度线长度的经验阈值L的线段去掉；
[0116] 将堆粮高度线的上边缘备选集合中的第i个线段和下边缘备选集合中的第j个线 段的长度之差记为dji,j),夹角记为ds(i,j),中点连线长度记为dM(i,j);
[0117] 则堆粮高度线的上下边缘由下式确定：
[0118] (m,n) =argmini；Ja|dL(i,j) |+b|ds(i,j) |+c|dM(i,j)-w
[0119] 其中，堆粮高度线的上边缘为上边缘备选集合中的第m个线段，堆粮高度线的下 边缘为下边缘备选集合中的第n个线段，w为堆粮高度线的经验宽度，a，b，c为设定的权值， 在m和n确定之后，将上边缘备选集合中的第m个线段作为堆粮高度线的上边缘，将下边缘 备选集合中的第n个线段作为堆粮高度线的下边缘，堆粮高度线的上边缘的左右端点和下 边缘的左右端点围成的四边形区域，作为堆粮高度线在所述待检图像中的位置。
[0120] 用本发明实施例的装置进行堆粮高度线检测的具体过程与前述方法实施例类似， 此处不再赘述。
[0121] 综上所述，本发明实施例通过结合颜色空间建模和Hough变换算法，融合堆粮高 度线的颜色信息和形状信息，提高了堆粮高度线的位置检测准确度。并且，使用了泛洪填充 算法辅助人工点选，提高了训练样本集的提取效率，为堆粮高度线的颜色空间模型训练提 供了更多有效的样本，使堆粮高度线的颜色空间模型的泛化能力更好。
[0122]本发明实施例还利用堆粮高度线的颜色分布和条状特性，对堆粮高度线的上下边 缘进行了有针对性的检测，降低了误检率。
[0123] 本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或 流程并不一定是实施本发明所必须的。
[0124] 通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可 借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质 上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品 可以存储在存储介质中，如R0M/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备 (可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例或者实施例的某些 部分所述的方法。
[0125] 本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部 分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或 系统实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法 实施例的部分说明即可。以上所描述的装置及系统实施例仅仅是示意性的，其中所述作为 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模块来实现本实施例方案的目的。本领域普通技术 人员在不付出创造性劳动的情况下，即可以理解并实施。
[0126] 以上所述，仅为本发明较佳的【具体实施方式】，但本发明的保护范围并不局限于此， 任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换， 都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围 为准。
【主权项】
1. 一种堆粮高度线的检测方法，其特征在于，包括： 通过摄像机采集堆粮高度线的训练图像，基于所述训练图像组成训练样本集； 提取所述训练样本集中的每幅训练图像中的每个像素点的颜色空间特征，用EM算法 训练所有的颜色空间特征得到混合高斯模型； 计算待检图像中的每个像素点的颜色空间特征相对于所述混合高斯模型的后验概率 值，得到概率图像； 根据所述待检图像的灰度图像和所述概率图像，通过Hough变换分别得到堆粮高度线 上边缘的备选集合和下边缘的备选集合； 从所述堆粮高度线上边缘的备选集合、下边缘的备选集合配对得到待检图像中的堆粮 高度线的位置。2. 根据权利要求1所述的堆粮高度线的检测方法，其特征在于，所述的通过摄像机采 集堆粮高度线的训练图像，基于所述训练图像组成训练样本集，包括： 在不同时间段通过摄像机对需要检测堆粮高度线的墙面进行