[发明专利]环形光源及利用环形光源照明基于刀具形状纹理重量的融合识别方法

权利要求书

1.一种环形光源，其特征在于：包括一个主光源（2）和一个背光源（3），主光源（2）由四个固定在底板（5）上的LED点光源（4）形成的同心圆发光带组成，底板（5）下表面设置反射层（10）；背光源（3）由支撑板（6）、漫反射板（7）、箱体（8）、光源（9）和反射层（10）组成；箱体（8）是上面开口的长方体，反射层（10）均匀地贴附在箱体（8）的内表面，LED点光源（4）间隔均匀地设置在箱体（8）的下底板上形成光源（9），漫反射板（7）位于支撑板（6）的下面并固定在箱体（8）的上面；背光源（3）的箱体（8）下底板上间隔均匀地设置LED点光源（4），在LED点光源（4）的上方设置反射层（10），采用支撑板（6）封盖固定箱体（8）；形状纹理信息采集相机（1）位于主光源（2）中心位置，背光源（3）位于形状纹理信息采集采集相机（1）的正下方；形状纹理信息采集相机（1）的下表面与主光源（2）的下表面在同一平面内，主光源（2）下表面与背光源（3）上表面之间放置刀具，确保形状纹理信息采集相机（1）的视场区域尺寸大于待识别刀具的尺寸；定位点（11）位于支撑板（6）的上表面正中央，形状纹理信息采集相机（1）的正下方，是一个与周围颜色对比度大的圆形区域，用于作为刀具放置位置的参考点。

2.根据权利要求1所述的环形光源，其特征在于：所述支撑板（6）的材料是毛玻璃。

3.一种利用权利要求1所述环形光源照明基于刀具形状纹理重量的融合识别方法，其特征在于包括以下步骤：

步骤1、形状信息提取；

设输入的图像为A，宽度为w，高度为h，pix_i,j代表图像中i行j列像素点的像素值；对输入的图像A灰值化，得到图像A₁；

对A₁进行大津阈值分割，得到二值化图像A₂；

步骤1.1：寻找刀具的主方向；

首先对图像A₁做灰值形态学边缘梯度运算：为灰值膨胀运算，Θ为灰值腐蚀运算；g表示结构元素；得到梯度图像A₃；然后确定刀具的大致方向；

步骤1.1.1:建立一个二维条码边缘方向数组:{value(di)|di∈(-π2+iπ16,-π2+(i+1)π16)}i=015;]]>每个d_i代表一个11.25°的区间；

步骤1.1.2:扫描二值化图像A₂，若pix_i,j＝255，求取此点在梯度图像A₃中的sobel梯度方向dre_i,j＝arctan(dy_i,j/dx_i,j)，其中：

dy_i,j＝(pix_i-1,j+1+2pix_i,j+1+pix_i+1,j+1)-(pix_i-1,j-1+2pix_i,j-1+pix_i+1,j-1)

dx_i,j＝(pix_i+1,j+1+2pix_i+1,j+pix_i+1,j-1)-(pix_i-1,j+1+2pix_i-1,j+pix_i-1,j-1)

若dre_i,j∈d_i，则value(d_i)加1，直至扫描完二值化图像A₂中全部像素点；

步骤1.1.3:遍历计算区间加权值：

valued＝0.3×value(d_i-1)+0.4×value(d_i)+0.3×value(d_i+1)

其中，d_i-1表示d_i逆时针方向上一个取值，d_i+1表示d_i顺时针方向下一个取值；设在区间d_i处加权值最大，记d_i中点值mainDre，刀具的大致主方向为mainDre；

步骤1.2：通过加邻域模板的霍夫变换精确确定刀具的主方向；

步骤1.2.1:对梯度图像A₃进行大津阈值分割，得到图像A₄；.

步骤1.2.2:定义一个缓存区buf，对图像A₄和buf中所有像素为255的像素做霍夫变换，得到ρ-θ坐标系下的霍夫变换域，其中ρ是极半径；θ是极角；

步骤1.2.3:给定一个阈值thrDre，置梯度方向范围之内的目标点为背景点；如果当前点的梯度方向与大致主方向mainDre的差的绝对值小于thrDre或π与当前点的梯度方向与大致主方向mainDre的差的绝对值的差的绝对值小于thrDre，把该点记为主方向的目标点；

步骤1.2.4:对上述所求得的主方向的目标点进行霍夫变换，然后遍历其霍夫域，找到其最大的霍夫点，该霍夫点的纵坐标就是maxA所求的主方向；

步骤1.3：寻找刀具的包络矩形；

步骤1.3.1:首先设主方向的直线方程为y＝tan(61°)x，然后遍历二值化图像A₂，当像素值为0时，计算该点与直线y＝tan(61°)x的距离D，找出最大的距离时的坐标pix_i,j，此时得到最大距离点的坐标tempX＝472，tempY＝299；包络矩形的第一条边的直线方程为y＝tan(61°)(x-472)+299；

步骤1.3.2:继续遍历二值化图像A₂，当像素值为0时，计算该点与直线y＝tan(61°)(x-472)+299的距离D₂，找出最大距离maxD₂时的坐标pix_i,j，此时记tempX2＝360，tempY2＝153；包络矩形与第一条边平行的边的直线方程为y＝1.80405×(x-360)+172；

步骤1.3.3:包络矩形在与刀具主方向垂直的两条边的斜率为k＝-0.55431，根据该斜率依照上述的方法找到与刀具主方向垂直的两条边分别为y＝-0.55431×(x-498)+383和y＝-0.55431×(x-360)+153；

步骤1.4：确定形状信息参数，包络矩形的长、宽以及矩形度；

步骤1.4.1:包络矩形长和宽的确定；找到包络矩形四条边所在的直线后，通过直线两两求交点的方法得出包络矩形的四个交点；分别求出四条边的长度，然后同向的两条边的长度求平均值就得出来包络矩形的长和宽，分别记为h1和w1；

步骤1.4.2：矩形度的确定；矩形的面积用sq表示，sq＝h1×w1；刀具的面积采用多边形面积公式计算；首先对图像A₁进行去噪处理，对于图像A₁中包络矩形外部的像素点的像素值置为220，得到图像A₅，然后对图像A₅进行直方图均衡，得到图像A₆，得到具有完整轮廓形状的刀具图像；对图像A₆进行边界追踪，然后从图像A₆左下方开始遍历找到第一个黑色像素点，作为边界追踪的起始点，记为startPot，然后扫描这个起始点的邻域，找到下个像素为0的点，以此类推，直到回到起始点为止，此时边界追踪结束，得到刀具的边缘图像A₇；

采用多边形的面积计算公式求得刀具的面积为其中(x_i,y_i)是刀具边缘上的点；

记矩形度为RecRatio，RecRatio＝SumA/sq；

步骤2、纹理信息提取；

步骤2.1：把图像A₁的中心平移到刀具的质心，得到图像A₈，然后逆时针旋转图像A₈，旋转角度为刀具的主方向角度，得到图像A₉，然后以刀具包络矩形扩展后的四条边裁剪图像A₉，去除刀具的背景，得到完整的无背景干扰刀具图像A₁₀；

步骤2.2：提取无背景干扰刀具图像A₁₀的纹理特征；

采用协方差矩阵来描述刀具的纹理特征，选取五个特征作为协方差矩阵的特征向量，分别是：

a.像素点到刀具质心的距离d；

b.像素点的灰度值P_(x,y)；

c.像素点的sobel梯度x方向G_x；

d.像素点的sobel梯度y方向G_y；

e.像素点的高斯——拉普拉斯算子G_l；

得到的特征向量为：h_k＝[d,P_(x,y),G_x,G_y,G_l]；

步骤2.3：构造协方差矩阵；

设无背景干扰刀具图像A₁₀的长和宽分别为M和N；特征向量的平均值为：

uR=Σi=1MNhi;]]>

协方差矩阵C_R为：

CR=1MNΣk=1MN(hk-uR)T(hk-uR);]]>

步骤3、基于DS证据理论的多信息融合识别；

步骤3.1：利用SQL建立刀具的数据库，数据库中存储每把刀具的形状特征、纹理特征和重量信息；

步骤3.2：把形状纹理信息采集相机（1）所获取刀具的形状特征和纹理特征与重力传感器所测量的刀具的重量信息与数据库中的特征进行对比：

对于长、宽、矩形度和重量信息，采用欧氏距离来描述测试刀具与数据库中的刀具的相似度；设测试样本的特征为a，数据库中刀具的相关特征为b，则测试刀具与数据库中刀具在该特征的相似度为：

m=1-|a-b|a+b;]]>

对于纹理特征，即灰度协方差矩阵，利用矩阵的距离公式来描述相似度；设测试刀具的协方差矩阵为，数据库中刀具的协方差矩阵为，则纹理特征的相似度表示为：

其中n为特征向量的维数，λ_i为下式的解：

det(λP-Q)＝0；

步骤3.3：构造识别框架和基本概率分配；

采用DS证据理论进行融合识别，识别框架为Θ＝{H₁,H₂,...H_N}，其中N为数据库中刀具的个数；

融合的五个特征分别为长、宽、矩形度、纹理特征和重量，其对应的五个信度分配函数分别为：m₁,m₂,m₃,m₄,m₅；

对于信度分配函数，根据每个特征对于数据库中每把刀具的相似度进行归一化，得到每个特征对于每把刀具的分配函数的值；

步骤3.4：根据证据理论的组合公式进行融合；

首先搜索数据库中刀具的形状纹理特征及重量信息，与形状纹理信息采集相机（1）所采集的信息进行比较求的相似度，对相似度归一化，对每个特征进行概率分配，然后进行多信息融合。