CN113076945A - 一种基于改进ransac的摄像直读抄表仪异常点剔除方法 - Google Patents
一种基于改进ransac的摄像直读抄表仪异常点剔除方法 Download PDFInfo
- Publication number
- CN113076945A CN113076945A CN202110285939.7A CN202110285939A CN113076945A CN 113076945 A CN113076945 A CN 113076945A CN 202110285939 A CN202110285939 A CN 202110285939A CN 113076945 A CN113076945 A CN 113076945A
- Authority
- CN
- China
- Prior art keywords
- points
- thr
- digital
- distance
- reading
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 88
- 230000002159 abnormal effect Effects 0.000 title claims abstract description 81
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 30
- 230000009191 jumping Effects 0.000 claims abstract description 26
- 238000004458 analytical method Methods 0.000 claims description 12
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000008030 elimination Effects 0.000 description 9
- 238000003379 elimination reaction Methods 0.000 description 9
- 238000012805 post-processing Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 7
- 238000005070 sampling Methods 0.000 description 7
- 238000004088 simulation Methods 0.000 description 6
- 230000007547 defect Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 238000007781 pre-processing Methods 0.000 description 4
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 238000009826 distribution Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 239000011295 pitch Substances 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/757—Matching configurations of points or features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/02—Recognising information on displays, dials, clocks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V30/00—Character recognition; Recognising digital ink; Document-oriented image-based pattern recognition
- G06V30/10—Character recognition
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及仪器智能抄表领域,特别是涉及一种基于改进RANSAC的摄像直读抄表仪异常点剔除方法;包括如下步骤:步骤1:输入数字点集S和算法参数,并生成数字对索引表P和候补索引表P’;所述的数字点集S为前端图像识别所获得的所有数字点及其坐标,包括5~8位正常数字以及误识别的若干位异常数字;步骤2:查找P中是否包含剩余待选数字对;若是,则按序选择一组数字对,求两点连线斜率绝对值|k|及间距g,并顺序执行;若否,则跳转步骤6;步骤3:判断是否满足|k|>kThr或g>gThr;若不满足,则顺序执行;否则删除P中该数字对,并跳转步骤2;可提高摄像直读抄表仪的应用普适性;可提高异常点剔除准确率及稳定性,可提高运行速度及稳定性。
Description
技术领域
本发明涉及仪器智能抄表领域,特别是涉及一种基于改进RANSAC的摄像直读抄表仪异常点剔除方法。
背景技术
近年来,随着国家城镇化的日益推进,人民对水、电、气的需求量逐渐变大,使得抄表计费的工作量越来越大,人力抄表计数越来越难以满足能源部门对抄表速度和准确度的需求。摄像直读抄表仪的出现极大地降低了人工抄表的工作强度及运营成本,在提高数据获取的实时性、准确性与可靠性同时,也能完成对仪表的智能化管理。摄像直读抄表仪在不改变原有仪表结构的基础上通过外置摄像头拍照来采集数据,然后将采集的图片进行前端处理得出当前表计的读数。但是由于表盘上往往存在生产批号、指标参数、度量单位、刻度数字等区别于正常读数窗口的数字,它们常会被摄像直读抄表仪错误识别,甚至表盘上的污渍也可能被错误识别。这些被错误识别的异常数字混入正常数字内,若不能准确剔除将造成读数错误。
目前摄像直读抄表仪的异常数字剔除方法主要有前处理和后处理两种,其中前处理需要事先知道数字表的位数,并框出读数窗口在图像中的位置和形状,从而在源头上防止异常数字的误识别;后处理主要是采用直线拟合的方法,将位于正常数字直线之外的异常数字点剔除。一般来说,前处理方法具有安装条件苛刻、限制条件较多且不能适配所有常规数字表等不足,故其应用场景有限;而后处理方法能弥补前处理方法的不足,使得摄像直读抄表仪的应用普适性更强。常规的后处理方法主要有两种:一种是基于最小二乘(LS)的方法,其原理是将所有数字点进行直线拟合,然后剔除距离该直线较远的异常数字点。该方法原理简单,运行速度快,但对异常点比例敏感,因此仅能处理异常点比例很少(≤30%)的情形,当异常点比例变大时其准确率急剧下降;另一种是基于RANSAC的方法,其原理是采用随机采样迭代的手段,尽可能找出由局内点(正常数字)连线构成的直线,然后剔除距离该直线较远的异常数字点。该方法对异常点比例的适应性远高于LS方法,但随着异常点个数的增加,所需的平均迭代次数迅速增加,运行速度迅速降低,常不能满足实时性需求。与此同时,上述两种方法均不能剔除和正常数字处于同一直线的异常数字点,当出现共线情形时,上述两种方法亦会失效。
基于上述情况,迫切需要开发一种改进的异常点剔除后处理方法,同时提高摄像直读抄表仪的应用普适性、异常点剔除准确率和运行速度,以满足工业生产的实际需求。
发明内容
本发明提供一种基于改进RANSAC的摄像直读抄表仪异常点剔除方法,用于解决常规后处理算法在剔除大量异常点时出现的运行速度和准确率较低的问题。
为实现上述目的,本发明提供了如下的技术方案:一种基于改进RANSAC的摄像直读抄表仪异常点剔除方法,包括如下步骤:
步骤1:输入数字点集S和算法参数,并生成数字对索引表P和候补索引表P’;所述的数字点集S为前端图像识别所获得的所有数字点及其坐标,包括5~8位正常数字以及误识别的若干位异常数字;
步骤2:查找P中是否包含剩余待选数字对;若是,则按序选择一组数字对,求两点连线斜率绝对值|k|及间距g,并顺序执行;若否,则跳转步骤6;
步骤3:判断是否满足|k|>kThr或g>gThr;若不满足,则顺序执行;否则删除P中该数字对,并跳转步骤2;
步骤4:判断是否满足g∈[gOpmin,gOpmax];若满足,则顺序执行;否则将该数字对补充至P’,并跳转步骤2;
步骤5:将该数字对直线拟合,求所有点到该直线的距离di,统计满足di<dThr的元素数量:若大于等于5,则跳转步骤8;否则删除P中该数字对,并跳转步骤2;
步骤6:查找P’中是否包含剩余待选数字对;若是,则按序选择一组数字对,并顺序执行;否则流程异常结束,判断S中并未包含全部的正常数字;
步骤7:将该数字对直线拟合,求所有点到该直线的距离di,统计满足di<dThr的元素数量:若大于等于5,则顺序执行;否则删除P’中该数字对,并跳转步骤6;
步骤8:删除步骤5或步骤7中di≥dThr对应的所有点,并求剩余点从左到右两两间距gi;
步骤10:判断该滑窗右侧是否有剩余点:若有,则滑窗向右偏移一位,并跳转步骤9;否则流程异常结束,判断S中并未包含全部的正常数字;
步骤11:判断是否满足滑窗间距数≤6且右侧有剩余点;若满足,则计算右侧邻点与滑窗最右侧点的距离gright,并顺序执行;否则跳转步骤13;
步骤13:输出当前滑窗构成的数字点集S’,S’中的数字点即为剔除了异常数字点后的全体正常数字点;流程至此正常结束。
作为优选,所述步骤1中的算法参数如下所示:
1)kThr:数字对连线斜率绝对值阈值;该数值根据实际摄像直读抄表仪允许的读数窗口倾斜角而定,取值大于最大倾斜角对应的斜率绝对值;
2)gThr:数字对间距阈值;该数值根据实际摄像直读抄表仪服务的所有表盘的读数窗口首尾数字间距而定,取值大于该间距最大值;
3)gOpmin:数字对最优间距下限阈值;取0.3gThr~0.4gThr;
4)gOpmax:数字对最优间距上限阈值;取0.7gThr~0.8gThr;
5)dThr:正常点距拟合直线距离阈值;该数值根据实际摄像直读抄表仪对正常数字的坐标评估偏离该数字框中心点的距离误差而定,假设该误差为±Δd,则dThr取1Δd~2Δd;
6)gThrmin:相邻数字间距下限阈值;该数值根据实际摄像直读抄表仪服务的所有表盘的读数窗口相邻数字最小间距而定,取值小于该间距;
7)gThrmax:相邻数字间距上限阈值;该数值根据实际摄像直读抄表仪服务的所有表盘的读数窗口相邻数字最大间距而定,通常取值略大于该间距;
8)σThr:滑窗间距标准差阈值;该数值根据实际摄像直读抄表仪对正常数字的坐标评估偏离该数字框中心点的距离误差而定,假设该误差为±Δd,则σThr通常取1Δd~1.5Δd。
作为优选,所述步骤1中的索引表P是指数字点集S的所有双数字组合对应的数字对索引,若S中有N个数字,则P中的数字对索引数量为所述的候补索引表P’初始为空表,将被算法用以存储间距小于阈值但不属于最优间距的数字对索引。
本发明有益效果:真实的数字表盘上往往附有生产批号、指标参数、度量单位、刻度数字等区别于正常读数窗口的数字,它们常会被摄像直读抄表仪错误识别,甚至表盘上的污渍也可能被错误识别。这些被错误识别的异常数字混入正常数字内,若不能准确剔除将造成读数错误。鉴于常规处理方法存在的弊端,本发明基于业界较常用的RANSAC算法进行改进,发明目的有以下三点:
1)可提高摄像直读抄表仪的应用普适性。本发明适用于市面上常见的5~8位数字表识别,不必预先获知数字表位数和读数窗口所处位置及倾斜角精确值。本发明的算法参数依照前端图像识别的指标以及全体数字表读数窗口的共性指标而设计,而不依赖于当前数字表的个性指标,一旦设计合理后便可应用于各种数字表,普适性强;
2)可提高异常点剔除准确率及稳定性。本发明对异常点剔除的准确率及稳定性参照基于传统RANSAC的方法,有明显的提升。尤其对于异常点比例高的情形(~80%),其仿真准确率仍超过90%,实际工况下的准确率几乎为100%,可信赖程度高;
3)可提高运行速度及稳定性。本发明适用于实时性要求高的实际工况,参照基于传统RANSAC的方法,异常点比例较低的情形(≤40%)两者运行速度相当,异常点比例较高的情形(≥60%)本发明方法运行速度降低不剧烈,稳定性高。实际上,对于任何异常点比例,仿真显示本方明方法的运行速度近似于传统LS方法的一半,完全可以满足工业场合的应用需求。
附图说明
图1为本发明方法的处理流程图;
图2为matlab仿真环境下传统LS方法、传统RANSAC方法与本发明方法对不同比例异常点的一帧典型处理结果展示;
图2a异常点比例约为40%;
图2b异常点比例约为60%;
图2c异常点比例约为80%。
图3为本发明方法对实施例的处理过程图;
图3a为摄像直读抄表仪拍摄的5位数字水表照片;
图3b为上述照片经过前端图像识别处理后所获得的所有数字点的坐标分布图;
其中,“o”表示正常数字,“x”表示异常数字;
图3c为实施例中相关数字点和直线标注示意。
具体实施方式
以下结合附图对本发明的优选实施例进行说明,应当理解,此处所描述的优选实施例仅用于说明和解释本发明,并不用于限定本发明。
与本发明最相似的现有技术为基于传统RANSAC的异常点剔除后处理方法。该方法的原理是:将所有识别的数字点作为样本集,在样本集中随机选取数字对并连线,统计距离该直线小于一定阈值的数字点数量并重复此过程,直到该数量不小于一个定值为止,组成该数量的所有数字点即为正常数字。例如,对于处理5~8位数字表的摄像直读抄表仪,常将该定值设置为5;距离阈值则根据前端图像识别对正常数字的坐标评估偏离该数字框中心点的距离误差而合理设计。
仿真及实测均表明,在经历若干次迭代后,现有技术方法多能找出由正常数字构成的数字对,满足迭代结束条件而退出,从而准确剔除异常点。并且,在异常点比例不是很高(≤50%),且正常数字所处直线附近无异常数字点时,该方法的平均迭代次数可控(≤20次),运行速度较快,而且准确率较高(≥98%),可基本满足实际需求。
现有基于RANSAC的异常点剔除后处理方法缺点为,运行速度和准确率仍不够稳定,尤其当异常点比例超过50%后,其运行速度和准确率均下降严重,具体说明如下:
1)运行速度仍不够稳定。传统RANSAC方法的核心思想在于随机迭代,且每次迭代均需要大量计算,包括求直线方程和所有点到该直线距离并统计,因此迭代次数的增加对于运行速度的影响是显而易见的。影响迭代次数的唯一因素为迭代成功率,明显地,当盲选的数字对均为正常数字且间距较大时,成功率最高(间距小时,尤其是相邻数字,常因坐标误差使得连线距实际直线偏差大,成功率不高)。当异常点比例升高时,迭代成功率迅速下降,平均迭代次数迅速增加。不失一般性,假设数字表为6位水表,且设定数字对为间隔两位或以上正常数字时成功率为100%,其余均为0%,则异常点比例分别为30%(3个)、50%(6个)、70%(14个)时的迭代成功率分别为:
由此可见,异常点比例严重影响迭代成功率,最终使得运行速度很不稳定,实时性难以保障;
2)准确率仍不够稳定。尤其当异常点比例超过50%后,准确率下降明显。造成准确率下降严重的原因有两个:一是异常点比例高时,正常数字所处直线附近有异常数字点的概率增加,现有技术不能剔除;二是现有技术不加过滤地对所有盲选数字对进行迭代,迭代成功时的准确率本身难以保障(例如,本身斜率或间距不满足正常数字对情形时,可能恰好存在5点共线,被误判为迭代成功),这同样在异常点比例高时尤为明显。
总而言之,现有基于RANSAC的异常点剔除后处理方法的运行速度和准确率仍不够稳定,在不同异常点分布情况下的算法鲁棒性较差,在条件不理想、环境多变且有高精度要求的实际工况中使用有着明显的局限性。
针对摄像直读抄表仪的后处理算法中涉及的异常点剔除问题,本发明基于业界较常用的RANSAC算法进行改进,主要改进以下两点:
1)将RANSAC算法中随机采样迭代分析过程改进为,随机采样后先根据距离和斜率判断采样数字对的可信度,然后分情况执行:可信度高的直接进行迭代分析;可信度中等的进入候补队列,当可信度高的分析完毕且无正确结果时再行迭代分析;可信度低的直接舍弃。此处改进的效果有两点:一是由于高可信度采样数字对的迭代成功率显著增加,故可以大大降低平均迭代次数,加之可信度的计算开销远小于做一次迭代分析,因此可以很大程度提高算法运行速度;二是由于高可信度采样数字对在迭代成功时的准确率也高于纯随机采样数字对(异常数字多时尤为明显),故可以在宏观上提高算法的准确率;
2)在完成RANSAC算法异常点剔除后,补充设计了自适应滑窗分析的方法,进一步剔除位于正常点同一直线两端的异常点,并自适应地保留5~8位正常点。这解决了传统RANSAC算法不能发现位于同一直线异常点的问题,使得摄像直读抄表仪可以普适地应用于市面上常规的5~8位表盘,且不必事先获知具体的表盘位数。
为更精确地说明本发明的技术效果,使用matlab进行蒙特卡洛仿真。具体地,设计摄像直读抄表仪的性能指标为:允许的读数窗口倾斜角为[-15°,15°],对正常数字的坐标评估偏离该数字框中心点的距离误差Δd为±3像素,服务的所有表盘的读数窗口首尾数字间距最大值为150像素,相邻数字间距为16~24像素,并对该仿真环境下的算法参数设计如下:
1)kThr:倾斜角范围[-15°,15°]决定斜率绝对值最大值为0.27,故取kThr=0.30;
2)gThr:服务的所有表盘的读数窗口首尾数字间距最大值为150像素,故取gThr=155;
3)gOpmin:取gOpmin=0.35×gThr=54;
4)gOpmax:取gOpmax=0.75×gThr=116;
5)dThr:Δd为3,故取dThr=1.5×Δd=4.5;
6)gThrmin:相邻数字间距最小值为16像素,故取gThrmin=15;
7)gThrmax:相邻数字间距最大值为24像素,故取gThrmax=25;
8)σThr:Δd为3,故取σThr=1.2×Δd=3.6。
具体的撒点方式为:正常数字点位数5~8位随机,间距选择16~24像素之间随机一个数值,连线倾斜角选择-15°~15°之间随机一个数值,各点坐标距离中心点偏差±3像素以内且方向随机。异常数字点在图像全域(256×256像素)随机分布,且保证与正常数字点的最近距离不少于30像素(符合多数数字表真实情况)。异常点比例分为40%、60%、80%三组,每组仿真1000帧图像,并分别采用传统LS方法、传统RANSAC方法和本发明方法进行异常点剔除,统计准确率、平均迭代次数和运行总耗时(三组仿真各一帧典型处理结果展示如图2所示)。统计结果如下表所示:
表1三种方法进行matlab蒙特卡洛仿真结果统计表(1000帧)
如上表,传统LS方法的优势在于运行速度快,但不能处理异常点比例较多的情形,其准确率随异常点比例升高而迅速降低。这是由于LS方法在直线拟合时未对异常点做特殊处理,当异常点比例高时拟合的直线可能偏离正常点连线很远,因此造成异常点剔除失败。传统RANSAC方法对于异常点比例的适应性远高于传统LS方法,但随着异常点比例升高,盲选选中理想的数字对(均为正常数字,且间距较远)的概率大幅下降,造成平均迭代次数急剧升高,运行时耗大幅增加。本发明基于传统RANSAC方法进行改进,创新性地提出对盲选数字对预先进行可信度评判,采取高可信度先迭代、中可信度后迭代、低可信度直接丢弃的方案,极大地提高了迭代成功率及成功时的准确率,降低平均迭代次数,大幅缩短了运行时耗。与此同时,本发明提出在完成一轮异常点剔除后,补充进行自适应滑窗分析,进一步剔除位于正常点同一直线两端的异常点,并自适应地保留5~8位正常点,这使得算法准确率进一步提升,超过传统RANSAC方法。
本发明的基于改进RANSAC的摄像直读抄表仪异常点剔除方法,包括如下步骤:
步骤1:输入数字点集S和算法参数,并生成数字对索引表P和候补索引表P’;所述的数字点集S为前端图像识别所获得的所有数字点及其坐标,包括5~8位正常数字以及误识别的若干位异常数字;
步骤2:查找P中是否包含剩余待选数字对;若是,则按序选择一组数字对,求两点连线斜率绝对值|k|及间距g,并顺序执行;若否,则跳转步骤6;
步骤3:判断是否满足|k|>kThr或g>gThr;若不满足,则顺序执行;否则删除P中该数字对,并跳转步骤2;
步骤4:判断是否满足g∈[gOpmin,gOpmax];若满足,则顺序执行;否则将该数字对补充至P’,并跳转步骤2;
步骤5:将该数字对直线拟合,求所有点到该直线的距离di,统计满足di<dThr的元素数量:若大于等于5,则跳转步骤8;否则删除P中该数字对,并跳转步骤2;
步骤6:查找P’中是否包含剩余待选数字对;若是,则按序选择一组数字对,并顺序执行;否则流程异常结束,判断S中并未包含全部的正常数字;
步骤7:将该数字对直线拟合,求所有点到该直线的距离di,统计满足di<dThr的元素数量:若大于等于5,则顺序执行;否则删除P’中该数字对,并跳转步骤6;
步骤8:删除步骤5或步骤7中di≥dThr对应的所有点,并求剩余点从左到右两两间距gi;
步骤10:判断该滑窗右侧是否有剩余点:若有,则滑窗向右偏移一位,并跳转步骤9;否则流程异常结束,判断S中并未包含全部的正常数字;
步骤11:判断是否满足滑窗间距数≤6且右侧有剩余点;若满足,则计算右侧邻点与滑窗最右侧点的距离gright,并顺序执行;否则跳转步骤13;
步骤13:输出当前滑窗构成的数字点集S’,S’中的数字点即为剔除了异常数字点后的全体正常数字点;流程至此正常结束。
以下结合实施例对本发明方法作进一步说明:
将本发明方法应用于摄像直读抄表仪,并设计摄像直读抄表仪的性能指标为:允许的读数窗口倾斜角为[-20°,20°],对正常数字的坐标评估偏离该数字框中心点的距离误差Δd为±4像素,服务的所有表盘的读数窗口首尾数字间距最大值为150像素,相邻数字间距为16~24像素,并对该实施例下的算法参数设计如下:
1)kThr:倾斜角范围[-20°,20°]决定斜率绝对值最大值为0.36,故取kThr=0.40;
2)gThr:服务的所有表盘的读数窗口首尾数字间距最大值为150像素,故取gThr=155;
3)gOpmin:取gOpmin=0.35×gThr=54;
4)gOpmax:取gOpmax=0.75×gThr=116;
5)dThr:Δd为4,故取dThr=1.5×Δd=6;
6)gThrmin:相邻数字间距最小值为16像素,故取gThrmin=15;
7)gThrmax:相邻数字间距最大值为24像素,故取gThrmax=25;
8)σThr:Δd为4,故取σThr=1.2×Δd=4.8。
图3a展示了摄像直读抄表仪拍摄的一帧5位数字水表照片,图3b展示了前端图像识别所获得的所有数字点及其坐标,其中”o”表示正常数字,”x”表示异常数字。下面描述本发明方法在本实施例中的实际处理过程(相关数字点和直线标注如图3c所示):
2)按序选择P中数字对,求两点连线斜率绝对值|k|及间距g,判断是否满足|k|>0.40或g>155,若满足则重复此过程;
3)本实施例首先选择的不满足2)中条件的两点为A1(110,208)和A2(131,203),但此两点间距g=21.6,不位于最优间距[54,116],故属于中可信度数字对而置于P’中,暂不执行迭代,返回步骤2);
4)本实施例其次选择的不满足2)中条件的两点为B1(123,113)和B2(208,106),且此两点间距g=85.3,位于最优间距[54,116],故进行迭代:拟合直线如图3c中红线,并求所有点到该直线距离di,统计满足di<6的元素数量为3,不满足大于等于5的条件,故算法否定B1和B2为正常数字对的假设,并返回步骤2);
5)本实施例再次选择的不满足2)中条件的两点为A2(131,203)和A5(190,183),且此两点间距g=62.3,位于最优间距[54,116],故进行迭代:拟合直线如图3c中蓝线,并求所有点到该直线距离di,统计满足di<6的元素数量为7(A1/A2/A3/A4/A5/B3/B4),满足大于等于5的条件,故算法认定A2和A5为正常数字对,进行异常点剔除后剩余A1/A2/A3/A4/A5/B3/B4计7个点;
6)进行四间距滑窗分析,初始滑窗构成为B3/A1/A2/A3/A4计5个点,其间距从左到右分别为33.1,21.6,21.2,20.6,均值为24.1,标准差σ为6.0,不满足位于[15,25]且σ<4.8的条件,故算法否定B3/A1/A2/A3/A4构成正常数字排列,需进行滑窗偏移。新滑窗构成为A1/A2/A3/A4/A5计5个点,其间距从左到右分别为21.6,21.2,20.6,20.6,均值为21.0,标准差σ为0.5,满足位于[15,25]且σ<4.8的条件,故算法认定A1/A2/A3/A4/A5构成正常数字排列;
7)此时滑窗间距数为4且右侧有剩余点(B4),计算A5(190,183)和B4(244,172)的间距gright为55.1,不位于[21.0-4.8,21.0+4.8],故算法否定B4为正常数字点。最终算法认定构成当前滑窗的A1/A2/A3/A4/A5为最终的正常数字,其余数字均为异常数字,予以剔除。
本发明方法在本实施例中的实际处理过程至此结束。本实施例共进行2次迭代和若干次数字对可信度判定,算法计算量很小,运行速度快。在完成纵向异常数字剔除后尚存在B3和B4两个异常点,使用自适应滑窗分析的方法得以准确剔除。值得指出的是,本实施例列举了一例异常数字较多的案例,异常数字比例高达72.2%,远高于通常情况下的摄像直读抄表仪前端图像识别结果中异常数字的比例。由此可以推论,本发明方法对于实际摄像直读抄表仪的异常数字剔除准确率几乎为100%,且运行速度快,完全可以满足工业场合的应用需求。
以上所述仅为本发明具体实现形式的举例,应当指出,本发明的保护范围不仅仅限于本实施例所陈述的具体形式,在本发明构思的原理下所能想到的等同技术手段或若干改进技术,也属于本发明的保护范围。
Claims (3)
1.一种基于改进RANSAC的摄像直读抄表仪异常点剔除方法,其特征在于:包括如下步骤:
步骤1:输入数字点集S和算法参数,并生成数字对索引表P和候补索引表P’;所述的数字点集S为前端图像识别所获得的所有数字点及其坐标,包括5~8位正常数字以及误识别的若干位异常数字;
步骤2:查找P中是否包含剩余待选数字对;若是,则按序选择一组数字对,求两点连线斜率绝对值|k|及间距g,并顺序执行;若否,则跳转步骤6;
步骤3:判断是否满足|k|>kThr或g>gThr;若不满足,则顺序执行;否则删除P中该数字对,并跳转步骤2;
步骤4:判断是否满足g∈[gOpmin,gOpmax];若满足,则顺序执行;否则将该数字对补充至P’,并跳转步骤2;
步骤5:将该数字对直线拟合,求所有点到该直线的距离di,统计满足di<dThr的元素数量:若大于等于5,则跳转步骤8;否则删除P中该数字对,并跳转步骤2;
步骤6:查找P’中是否包含剩余待选数字对;若是,则按序选择一组数字对,并顺序执行;否则流程异常结束,判断S中并未包含全部的正常数字;
步骤7:将该数字对直线拟合,求所有点到该直线的距离di,统计满足di<dThr的元素数量:若大于等于5,则顺序执行;否则删除P’中该数字对,并跳转步骤6;
步骤8:删除步骤5或步骤7中di≥dThr对应的所有点,并求剩余点从左到右两两间距gi;
步骤10:判断该滑窗右侧是否有剩余点:若有,则滑窗向右偏移一位,并跳转步骤9;否则流程异常结束,判断S中并未包含全部的正常数字;
步骤11:判断是否满足滑窗间距数≤6且右侧有剩余点;若满足,则计算右侧邻点与滑窗最右侧点的距离gright,并顺序执行;否则跳转步骤13;
步骤13:输出当前滑窗构成的数字点集S’,S’中的数字点即为剔除了异常数字点后的全体正常数字点;流程至此正常结束。
2.根据权利要求1所述的基于改进RANSAC的摄像直读抄表仪异常点剔除方法,其特征在于:所述步骤1中的算法参数如下所示:
1)kThr:数字对连线斜率绝对值阈值;该数值根据实际摄像直读抄表仪允许的读数窗口倾斜角而定,取值大于最大倾斜角对应的斜率绝对值;
2)gThr:数字对间距阈值;该数值根据实际摄像直读抄表仪服务的所有表盘的读数窗口首尾数字间距而定,取值大于该间距最大值;
3)gOpmin:数字对最优间距下限阈值;取0.3gThr~0.4gThr;
4)gOpmax:数字对最优间距上限阈值;取0.7gThr~0.8gThr;
5)dThr:正常点距拟合直线距离阈值;该数值根据实际摄像直读抄表仪对正常数字的坐标评估偏离该数字框中心点的距离误差而定,假设该误差为±Δd,则dThr取1Δd~2Δd;
6)gThrmin:相邻数字间距下限阈值;该数值根据实际摄像直读抄表仪服务的所有表盘的读数窗口相邻数字最小间距而定,取值小于该间距;
7)gThrmax:相邻数字间距上限阈值;该数值根据实际摄像直读抄表仪服务的所有表盘的读数窗口相邻数字最大间距而定,通常取值略大于该间距;
8)σThr:滑窗间距标准差阈值;该数值根据实际摄像直读抄表仪对正常数字的坐标评估偏离该数字框中心点的距离误差而定,假设该误差为±Δd,则σThr通常取1Δd~1.5Δd。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110285939.7A CN113076945B (zh) | 2021-03-17 | 2021-03-17 | 一种基于改进ransac的摄像直读抄表仪异常点剔除方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110285939.7A CN113076945B (zh) | 2021-03-17 | 2021-03-17 | 一种基于改进ransac的摄像直读抄表仪异常点剔除方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113076945A true CN113076945A (zh) | 2021-07-06 |
CN113076945B CN113076945B (zh) | 2024-05-14 |
Family
ID=76612941
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110285939.7A Active CN113076945B (zh) | 2021-03-17 | 2021-03-17 | 一种基于改进ransac的摄像直读抄表仪异常点剔除方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113076945B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103337064A (zh) * | 2013-04-28 | 2013-10-02 | 四川大学 | 图像立体匹配中的一种误匹配点剔除方法 |
WO2018018788A1 (zh) * | 2016-07-29 | 2018-02-01 | 深圳友讯达科技股份有限公司 | 一种基于图像识别的计量表抄表装置及其方法 |
CN108124487A (zh) * | 2017-12-22 | 2018-06-05 | 深圳前海达闼云端智能科技有限公司 | 云端抄表方法及装置 |
CN108549894A (zh) * | 2018-04-03 | 2018-09-18 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习算法的船舶水尺图像自动读数方法 |
CN110458230A (zh) * | 2019-08-12 | 2019-11-15 | 江苏方天电力技术有限公司 | 一种基于多判据融合的配变用采数据异常甄别方法 |
CN112257803A (zh) * | 2020-10-30 | 2021-01-22 | 青岛东软载波科技股份有限公司 | 一种台区故障智能分析方法和*** |
-
2021
- 2021-03-17 CN CN202110285939.7A patent/CN113076945B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103337064A (zh) * | 2013-04-28 | 2013-10-02 | 四川大学 | 图像立体匹配中的一种误匹配点剔除方法 |
WO2018018788A1 (zh) * | 2016-07-29 | 2018-02-01 | 深圳友讯达科技股份有限公司 | 一种基于图像识别的计量表抄表装置及其方法 |
CN108124487A (zh) * | 2017-12-22 | 2018-06-05 | 深圳前海达闼云端智能科技有限公司 | 云端抄表方法及装置 |
CN108549894A (zh) * | 2018-04-03 | 2018-09-18 | 哈尔滨哈船智控科技有限责任公司 | 一种基于深度学习算法的船舶水尺图像自动读数方法 |
CN110458230A (zh) * | 2019-08-12 | 2019-11-15 | 江苏方天电力技术有限公司 | 一种基于多判据融合的配变用采数据异常甄别方法 |
CN112257803A (zh) * | 2020-10-30 | 2021-01-22 | 青岛东软载波科技股份有限公司 | 一种台区故障智能分析方法和*** |
Also Published As
Publication number | Publication date |
---|---|
CN113076945B (zh) | 2024-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11900634B2 (en) | Method for adaptively detecting chessboard sub-pixel level corner points | |
US10311322B2 (en) | Character information recognition method based on image processing | |
CN111950330A (zh) | 一种基于目标检测的指针式仪表示数检测方法 | |
CN102075785B (zh) | 一种atm机广角摄像机镜头畸变校正方法 | |
CN109325510B (zh) | 一种基于网格统计的图像特征点匹配方法 | |
CN111784093B (zh) | 一种基于电力大数据分析的企业复工辅助判断方法 | |
CN109190625A (zh) | 一种大角度透视变形的集装箱箱号识别方法 | |
CN107193782A (zh) | 一种基于多项式拟和的野值剔除方法 | |
CN115496893A (zh) | 一种指针式水表读数识别方法 | |
CN116612123A (zh) | 一种花生油加工质量视觉检测方法 | |
CN117218124A (zh) | 一种铜铝转接表面加工质量检测方法 | |
CN108537778B (zh) | 一种用于柔性基板的改进随机圆孔检测方法 | |
CN113076945A (zh) | 一种基于改进ransac的摄像直读抄表仪异常点剔除方法 | |
CN117592501A (zh) | Dpm码的边缘拟合方法、装置、存储介质及计算机设备 | |
CN116823820A (zh) | 一种铝碳质整体塞棒轮廓弯曲检测方法 | |
CN112101468B (zh) | 一种在序列组合中判定异常序列的方法 | |
CN113936003B (zh) | 一种门窗制造质量检测方法 | |
CN109145258A (zh) | 基于非线性拟合的威布尔分布参数置信区间估计方法 | |
CN106814608B (zh) | 基于后验概率分布的预测控制自适应滤波算法 | |
CN110349169B (zh) | 一种直线测量方法 | |
CN106778915A (zh) | 一种面向多摄像机的目标匹配方法 | |
CN106777913A (zh) | 一种近似熵和样本熵共同最优参数m、r确定的新方法 | |
CN108898632B (zh) | 一种仪表指针的旋转角度确定方法及装置 | |
CN105894000A (zh) | 基于ransac的激光网格标记图像特征提取 | |
CN113658264B (zh) | 基于距离信息的单幅图像相机焦距估计方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |