[发明专利]一种图像识别方法、系统、存储介质、设备、终端及应用

说明书

本发明属于图像识别技术领域，公开了一种图像识别方法、系统、存储介质、设备、终端及应用，采用Python和OpenCV开源库；结合先进的三目立体摄像机3D拍摄技术，自动提取连续尾矿坝坝坡变形信息；通过误差计算和与超像素SEEDS分割方法进行比较。与传统方法相比，本发明的方法可以有效解决复杂环境下的图像识别问题。使用三目立体相机截取了尾矿坝滑坡过程中20second，640second，1665second，2765second和4140second的图像，进行了误差计算。在X和Y方向上的平均识别误差显著降低，可用于尾矿坝破坏区域等复杂环境下的岩土目标的高精度识别。

技术领域

本发明属于图像识别技术领域，尤其涉及一种图像识别方法、系统、存储介质、设备、终端及应用。

背景技术

目前：随着尾矿坝的扩大和加高，暴雨和地下水位会引发尾矿坝的潜在变形和破坏，造成巨大的生命财产损失甚至环境问题。监测技术是控制尾矿坝故障风险的重要工具。近年来，滑坡监测研究的特点是边坡变形和位移，这与降雨和地下水位的特征有关。随着滑坡监测技术的不断发展，自动识别滑坡变形区域被广泛使用。Ardizzone使用机载激光雷达收集的高程数据来识别和绘制降雨造成的滑坡图像。Kurtz提出了一种基于在分割/分类区域的混合方法，该方法可以自动检测并绘制滑坡图。Mondini使用超高分辨率(VHR)的全色和高分辨(HR)的多光谱卫星地发图，并提出了一种用于半自动识别和绘制近期降雨引起的浅层滑坡的方法。Mwaniki使用图像增强功能来提高滑坡识别的准确性。在自动超像素识别领域，Xie提出了一种基于显着差异和空间距离的SAR图像超像素生成方法，该方法可以附着在目标轮廓上，并准确地反映出凹凸区域纹理细节的边界。Zhu提出了一种区域合并的方法，该方法通过构造新的能量函数显著提高了超像素分割的精度。为了识别小规模的滑坡，Hashiba可以通过使用超像素SLICO方法检查合适的面积大小来以更高的精度提取滑坡面积。Yang根据滑坡变形过程中图像超像素粗糙度的变化实现了小规模滑坡变形区域的识别。

通过上述分析，现有技术存在的问题及缺陷为：现有的大多数滑坡识别方法仅适用于具有简单的颜色和纹理特征的小区域，对复杂的山体滑坡无法准确识别，识别精度较低。在发明过程中发现，尾矿坝的内部机制比天然滑坡的内部机制更为复杂。由于尾矿坝中尾砂粒径的不均一及降雨和地表水的入渗导致破坏的区域众多且不规则，外界环境的颜色干扰同时也会造成识别精度降低。总之，目前没有一种有效的图像识别方法可以高精度的识别复杂的边坡破坏区域。

解决以上问题及缺陷的意义为：通过发明的方法可以有效的解决复杂边坡破坏区域识别精度较低的问题，利用多像素种子点与点云坐标相结合的区域生长分割方法可以确定破坏区域，更好的处理边界问题并进行合理的分割。该项发明可以有效地支持边坡变形视频的研究监视和特征提取工作。在工程地质领域，这项技术将在地质环境的监测方面起着重要作用。

发明内容

针对现有技术存在的问题，本发明提供了一种图像识别方法、系统、存储介质、设备、终端及应用。

本发明是这样实现的，一种图像识别方法，所述图像识别方法包括：

采用Python和OpenCV开源库；

结合先进的三目立体摄像机3D拍摄技术及区域生长分割方法，自动提取连续尾矿坝坝坡变形信息；

通过误差计算和与超像素SEEDS分割方法进行比较。

进一步，所述三目立体摄像机采用以下方法进行位置校准：相机的坐标系由C_k和C_d表示，其中k，d＝1，2，3，1，2，3分别代表左、中和右摄像机，并且摄像机的位置关系用以下公式表示：

C_k＝R_ckd C_d+t_ckd；