[发明专利]基于深度学习与霍夫变换的视觉测量方法

说明书

基于深度学习与霍夫变换的视觉测量方法，包括以下步骤：利用双目相机拍摄监控画面，并采用左右目视频图像；针对采集的视频图像，客户端保存拍摄的监控画面并上传至服务器；服务器利用R‑FCN算法定位，并对视频图像进行预处理；客户端是否需要标定图像位置，若选择是则进入客户端更新图像位置信息；若选择否则进入与之前标定位置进行对比，并发出警报；视觉测量过程是否停止。通过R‑FCN目标检测算法实现，并对采集的图像进行校正处理，接着采用直方图均衡化对校正图像进行增强处理，通过霍夫变换完成对视频图像分割处理，提升图像可见性及外界干扰因素的影响；深度学习检测提升了目标检测的精度和鲁棒性。

技术领域

本发明属于计算机视觉技术领域，特别是涉及到基于深度学习与霍夫变换的视觉测量方法。

背景技术

近年来，深度学习技术的出现革新了目标检测的模式，提升了目标检测的精度和鲁棒性。基于深度学习的目标检测模型，由于深度神经网络能够自主学习不同层级的特征，相比于传统手工设计特征，学习的特征更丰富，特征表达能力更强。

目前，基于深度学习的目标检测方法主要分为两类：基于区域候选模型和基于回归模型。基于区域候选的深度学习目标检测模型建立在区域候选上，首先对检测区域提取候选区域，为后续特征提取和分类做准备；基于回归深度学习目标检测模型则采用回归的思想，预先按照一定方式划定默认框，从而建立起预测框、默认框的关系以进行训练，其中基于全卷积神经网络(Region-based Fully Convolutional Networks，R-FCN)算法兼顾运算速度和检测精度，网络结构实现较为简单，满足实际软件工程环境性能要求。

发明内容

本发明要解决的技术问题在于提供一种基于深度学习与霍夫变换的视觉测量方法，该方法针对现有技术中存在的问题和不足，采用深度学习和霍夫变换技术，通过R-FCN目标检测算法可以准确的视觉测量，为实现本目的发明提供了基于深度学习和霍夫变换的视觉测量方法。

为了解决上述技术问题，本发明通过以下方式来实现：

基于深度学习与霍夫变换的视觉测量方法，具体包括以下步骤：

S1、利用双目相机拍摄监控画面，并采用左右目视频图像；

S2、针对步骤S1中采集的视频图像，客户端保存拍摄的监控画面并上传至服务器；

S3、服务器利用R-FCN算法定位，并对视频图像进行预处理；

S4、客户端是否需要标定图像位置，若选择是则进入客户端更新图像位置信息；若选择否则进入与之前标定位置进行对比，并发出警报；

S5、视觉测量过程是否停止，如选择是则进入结束；若选择否则进入步骤S2。

进一步的，步骤S3中的所述视频图像进行预处理的具体过程为：

S31、运用Bouguet图像校正算法进行视频图像校正处理：

S32：运用直方图均衡化图像增强算法对步骤S31获得的校正图像进行视频图像增强处理；

S33：运用霍夫变换算法对步骤S32获得的增强图像进行视频图像分割处理，依据Canny边缘检测算法进行边缘检测，将获得的边缘图像进行直线霍夫变换，从图像笛卡尔坐标系统转换到图像极坐标霍夫系统；

使用霍夫变换，实现从图像空间到参数空间的映射关系，将图像空间内具有一定关系的像元进行聚类，寻找把这些像元用某一解析形式联系起来的参数空间累计对应点。在极坐标系下所有直线都满足于方程

ρcos(θ-θ₀)＝ρ₀