一种基于局部近邻嵌入核函数的仪表定位方法及使用载体技术

本发明专利技术涉及一种基于局部近邻嵌入核函数的仪表定位方法及其使用载体，包括以下步骤：1)定义一个核函数，初步提取图像特征；2)降维并提取图像显著特征；3)相似性度量；4)显著性检验；5)通过非极大值抑制方法，将相似性小于某一阈值的区域排除，保留最大相似区域，最终得到仪表定位结果。本发明专利技术采用局部近邻嵌入核函数算法，先初步提取图像特征，再运用邻域保持嵌入算法(NPE)算法降维提取其显著特征，划分显著特征区域，再结合矩阵余弦相似性、显著性检验及非极大值抑制方法实现仪表定位，既可以确保匹配的准确度，又可以提高定位速度。

【技术实现步骤摘要】
【专利摘要】本专利技术涉及一种基于局部近邻嵌入核函数的仪表定位方法及其使用载体，包括以下步骤：1)定义一个核函数，初步提取图像特征；2)降维并提取图像显著特征；3)相似性度量；4)显著性检验；5)通过非极大值抑制方法，将相似性小于某一阈值的区域排除，保留最大相似区域，最终得到仪表定位结果。本专利技术采用局部近邻嵌入核函数算法，先初步提取图像特征，再运用邻域保持嵌入算法(NPE)算法降维提取其显著特征，划分显著特征区域，再结合矩阵余弦相似性、显著性检验及非极大值抑制方法实现仪表定位，既可以确保匹配的准确度，又可以提高定位速度。【专利说明】-种基于局部近邻嵌入核函数的仪表定位方法及其使用载体
本专利技术属于一种仪表定位方法技术范畴，尤其是属于一种基于局部近邻嵌入核函 数的仪表定位方法，并确立了该方法的使用载体。
技术介绍
近年来，对图像中目标的定位技术，已经广泛应用于军事、智能交通、工业监控等 领域。在智能交通领域，通过对各种电子监控设备采集到的车辆图像信息中的车牌进行定 位，来监控违章车辆，运一举措大大提高了执法效率。在工业监控领域，随着工业化进程的 不断发展，越来越多的仪器仪表需要定期检查与维修。利用图像检测技术对仪表进行自动 定位，可W大大节省人工捜寻仪表的时间，并且为机器人及视觉采集设备在一些人工无法 到达的环境下对仪表的巡检及维修提供可能。 图像定位作为计算机视觉的重要研究内容，具体过程如下：将待定位目标转化为 图像信息，将其传输到图像处理系统，通过分析像素、亮度等信息提取图像特征，并经过相 似性比对，实现目标的定位功能。现有的图像检测方法种类繁多，几种经典方法在具体的问 题中发挥着各自的作用。如基于神经网络的图像检测方法，基于支持向量机的图像检测方 法，W及基于自适应增强算法和子空间学习方法的图像检测算法等。 人工神经网络(Artificial化ural化twork,ANN)是通过模仿大脑的神经网络结 构和功能建立的一种信息处理系统。利用神经网络检测目标的简单方法是将图像中待定位 目标区域的每个像素值当作输入，得到是或者非的两种输出结果，运种方法的计算复杂度 过高。因此，有学者又进一步提出利用卷积神经网络的方法实现图像的定位。 支持向量机（Suppo;rt Vector Machine,SVM)是一种基于统计学习理论的机器学 习方法，根据结构风险最小化原理为不同类别的样本数据寻找一个最优分类面。其主要方 法是:在训练集中，根据已有的预定义特征点提取感兴趣目标与非感兴趣目标之间差别最 大的几个局部区域，在图像定位过程中，运用多个线性SVM分别对各个目标特征区域进行检 测，再用一个线性SVM进一步检测筛选出的部分是否符合目标对象的几何结构。 自适应增强算法(Adaptive Boosting,AdaBoost)是一种迭代算法，其思想是针对 同一个训练集，训练得到一些不同的弱分类器，然后将运些弱分类器融合，形成一个较强的 分类器。AdaBoost算法根据弱分类器对样本分类的正确率自适应地调整每个样本的权值， 但它存在着忽视了弱分类器之间相关性的问题，因此有学者针对传统AdaBoost算法的运一 缺点进行了改进，有效提高了算法的学习精度。 子空间学习方法是将目标图像中高维的数据映射到低维子空间，在有限的空间区 域内提取显著特征，比较训练样本和测试样本之间的距离。基于子空间学习的图像检测算 法能够降低样本维度，排除样本的冗余信息，有效地减小计算复杂度。[000引然而，针对仪表定位运一特殊问题，有关学者进一步从特征改进的层面提出许多 新颖而有效的算法，如基于加强稳健特征（Speeded Up Robust Features,SURF)的一种仪 表定位方法，该算法先对目标图像中待测区域进行预处理，再运用SURF算法对待测图像和 数据库中的仪表设备模板图片分别进行特征点检测，并求其描述子，通过随机采样一致性 (Random Sample Consensus,RANSAC)对检测到的特征点作精确配准，最后根据运一配准结 果来判定设备和仪表在待测区域的位置坐标。除此之外，在处理图像匹配问题时，另一种经 典算法即尺度不变特征变换算法（Scale Invariant Feature Transform,SIFT)也被广泛 应用，该算法通过计算不变特征向量的距离来确定候选匹配点对，从而对图像进行匹配，但 它的每个特征点用128维向量表示，要处理的数据量很大，运样就会出现无法精确控制、运 算速度慢、配准点精度不高等问题。针对SIFT算法存在的局限性，相关研究人员还提出一种 基于局部显著特征的快速图像配准方法，运一方法是在SIFT基础上进行改进的，可W极大 地减少特征点提取，加快算法运算速度。然而运些经典方法很容易出现因特征点数量少而 匹配失败的情况，因此该专利技术提出采用局部近邻嵌入核函数算法来解决仪表自动定位问 题。
技术实现思路
仪表定位的目的是减少工作量，快速准确地判断仪表的位置。目前一些经典的图 像定位、匹配方法存在着特征点提取不当的问题，如经典的SIFT算法，特征点选取过多，运 样会导致处理的数据量过大，而特征点数量减少又会导致匹配失败。本专利技术的目的在于克 服现有图像匹配方法因选取特征点数量不当造成的定位不准确的问题，着重研究了仪表的 定位问题，提出一种基于局部近邻嵌入核函数的仪表定位方法，并确立了其使用载体，最终 解决了现有技术缺陷。 本专利技术采用如下技术方案实现。 -种基于局部近邻嵌入核函数的仪表定位方法，本专利技术特征在于，包括W下步骤： 1)定义一个核函数，初步提取图像特征;2)降维并提取图像显著特征，即运用邻域保持嵌入 算法提取其显著特征;3)相似性度量，即采用矩阵余弦相似性作为判决准则，比较特征矩阵 之间的相似性;4)显著性检验，即对目标图像进行显著性检验找到所有可能相似的对象，并 进行标注，划分出显著特征区域;5)通过非极大值抑制方法，将相似性小于某一阔值的区域 排除，保留最大相似区域，最终得到仪表定位结果。 本专利技术步骤1还包括W下步骤，1)首先计算图像局部特征，定义如下核函数表达 式： = |χι，χ2_??是空间坐标，P2是局部窗（PXP)中像素点的数目，取其大小为（7X 7);Ηι为转向矩阵，其表达式为Η. = e IR0X。h是一个全局平滑参数;矩阵。是通过计 算每个像素点的梯度向量G得到的协方差矩阵，计算公式为： 其中，矩阵V和S是梯度向量G通过奇异值分解(Singular Value Decomposition, SVD)得到的，系iιΚ是半径为P的圆形区域均值滤波器参数，α是灵敏度参数；选用高斯函数作为核函数Κ( ·)，得到如下描述子：[001 引 2)对查询图像Q和目标图像Τ分别运用上述核计算得到描述子Wq和Wt:[002^ 其中，和分别是构成矩阵Wq和Wt的列向量，勺计算过程为：其中，m2是图像子块Τι的大小，共分成η个mXm大小的片段。 本专利技术所述的矩阵Wq后续进行降维并提取显著特征，采用邻域保持嵌入算法 (Nei曲borhood Preserving Embedding,NPE)对Wq降维;在进行数据降维之前，先将矩阵Wq 中的每个向量划分成N个子块，每个子块包含一个特征向量本文档来自技高网...

【技术保护点】
一种基于局部近邻嵌入核函数的仪表定位方法，其特征在于，包括以下步骤：1)定义一个核函数，初步提取图像特征；2)降维并提取图像显著特征，即运用邻域保持嵌入算法提取其显著特征；3)相似性度量，即采用矩阵余弦相似性作为判决准则，比较特征矩阵之间的相似性；4)显著性检验，即对目标图像进行显著性检验找到所有可能相似的对象，并进行标注，划分出显著特征区域；5)通过非极大值抑制方法，将相似性小于某一阈值的区域排除，保留最大相似区域，最终得到仪表定位结果。

【技术特征摘要】

【专利技术属性】
技术研发人员：陶大鹏，杜烨宇，贺康建，
申请(专利权)人：云南大学，
类型：发明
国别省市：云南;53