[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

说明书

本发明公开了一种基于图像处理的多光轴云台灯控制方法，包括加载数据集，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。本发明用于实现实时地调整并保持两个光轴的平行一致性，使两个灯筒的光斑尽量重合，提高光照集中程度，从而提升用户体验。

技术领域

本发明涉及云台灯控制技术领域，尤其涉及一种基于图像处理的多光轴云台灯控制方法、电子设备及计算机可读存储介质。

背景技术

参考图1-图4，其展示了一种现有的多光轴云台灯，该多光轴云台灯具有一个横滚轴和由该横滚轴控制的两个俯仰轴，这两个俯仰轴是独立的（即互不干扰），并且各自控制一个灯筒，两个俯仰轴的独立运行虽然给云台灯带来了较大的灵活性，但现实应用时，存在多种因素导致两个光轴的灯筒难以保持控制一致性。

例如，参考图1和图2，两个光轴的灯筒由于各自俯仰轴的非线性控制偏差，每个imu姿态解算的数据不同等，会导致两个灯筒的光轴不平行；又例如，参考图3，云台灯横滚轴长时间会产生温漂，导致横滚轴回中时无法与水平面平行，严重影响imu的姿态解算；又例如，由于这种多光轴云台灯通常安装在无人机上使用，无人机的振动也会影响到每个灯筒的控制，这也是导致两个灯筒的光轴难以保持平行的重要因。

由于以上种种因素，导致两个光轴的灯筒很难保持平行照射，两个灯筒的光斑重合度低甚至是不重合，导致光照的集中程度低，不利于提高用户体验。

发明内容

为了克服现有技术的不足，本发明的目的在于提供一种基于图像处理的多光轴云台灯控制方法、电子设备及计算机可读存储介质，用于实现实时地调整并保持两个光轴的平行一致性，使两个灯筒的光斑尽量重合，提高光照集中程度，从而提升用户体验。

本发明的基于图像处理的多光轴云台灯控制方法采用如下技术方案实现：

一种基于图像处理的多光轴云台灯控制方法，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，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。

进一步地，所述对卷积神经网络架构进行训练具体包括：