[发明专利]基于图像处理的多光轴云台灯控制方法、设备及存储介质

权利要求书

1.一种基于图像处理的多光轴云台灯控制方法，其特征在于，包括以下步骤：

加载数据集，对卷积神经网络架构进行训练；

采集实时图像，并将实时图像输入至训练好的卷积神经网络架构中，以识别出实时图像中两个光圈的中心位置坐标；

根据实时图像中两个光圈的中心位置坐标，计算两个光圈的中心距离，判断该距离是否为最小值，若否，则调整多光轴云台灯的俯仰轴的角度，并采集新的实时图像，直至实时图像中两个光圈的中心距离为最小值。

2.如权利要求1所述的多光轴云台灯控制方法，其特征在于，当实时图像中两个光圈的中心距离为最小值时，判断两个光圈中心的y坐标是否相等，若否，则调整多光轴云台灯的横滚轴的角度，并采集新的实时图像，直至实时图像中两个光圈中心的y坐标相等。

3.如权利要求1所述的多光轴云台灯控制方法，其特征在于，所述两个光圈的中心距离，指的是两个光圈的中心的欧式距离。

4.如权利要求1所述的多光轴云台灯控制方法，其特征在于，所述加载数据集具体包括：

所述数据集预先经过标注工具标注，并生成有对应的标签，所述标签包含有图像中两个光圈的中心位置坐标；

所述数据集和对应的标签预先划分为训练集、验证集和测试集；

加载数据集，使用数据增强以丰富数据集的特征信息，并将数据集的所有图像缩放为相同的尺寸大小。

5.如权利要求4所述的多光轴云台灯控制方法，其特征在于，当把数据集中的训练集加载进来后，使用聚类算法把锚框计算出来，得到9个不同大小和形状的锚框，用来作为回归的初始框的值。

6.如权利要求4所述的多光轴云台灯控制方法，其特征在于，所述对卷积神经网络架构进行训练具体包括：

当加载的数据集的图像进入神经网络架构后，会先进入到主干特征提取网络中进行初步特征提取，再进入到加强特征提取网络进行加强特征提取；特征提取完成后，将通过全连接层进行特征融合、关联操作。

7.如权利要求6所述的多光轴云台灯控制方法，其特征在于，所述初步特征提取所提取的特征包括光圈特征，所述光圈特征包括光圈的亮度和形状；所述加强特征提取所提取的特征包括环境特征。

8.一种电子设备，包括存储器、处理器以及存储在存储器上并且可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时，实现如权利要求1-7任一项所述的基于图像处理的多光轴云台灯控制方法。

9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时，实现如权利要求1-7任一项所述的基于图像处理的多光轴云台灯控制方法。