CN114693954A - 一种煤矿井下光斑特征提取方法及*** - Google Patents
一种煤矿井下光斑特征提取方法及*** Download PDFInfo
- Publication number
- CN114693954A CN114693954A CN202210351039.2A CN202210351039A CN114693954A CN 114693954 A CN114693954 A CN 114693954A CN 202210351039 A CN202210351039 A CN 202210351039A CN 114693954 A CN114693954 A CN 114693954A
- Authority
- CN
- China
- Prior art keywords
- light spot
- screening
- original image
- combinations
- image
- 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
- 239000003245 coal Substances 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title abstract description 15
- 238000012216 screening Methods 0.000 claims abstract description 50
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 238000012545 processing Methods 0.000 claims abstract description 13
- 238000001514 detection method Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 2
- 238000005192 partition Methods 0.000 claims 1
- 239000000428 dust Substances 0.000 abstract description 6
- 238000005286 illumination Methods 0.000 abstract description 6
- 230000005641 tunneling Effects 0.000 description 8
- 206010063385 Intellectualisation Diseases 0.000 description 3
- 238000000926 separation method Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种煤矿井下光斑特征提取方法及***,属于光斑特征提取技术领域。先获取激光指向仪原始图像。然后对原始图像进行阈值处理,得到N个光斑特征轮廓。最后根据光斑的形状特征确定划分个数以及筛选条件,并根据划分个数将N个光斑特征轮廓进行随机划分,得到K个组合,根据筛选条件对K个组合进行筛选,得到激光指向仪的光斑特征,进而能够在煤矿井下高粉尘、低照度、背景复杂的工况下,快速、稳定、可靠的提取光斑特征。
Description
技术领域
本发明涉及光斑特征提取技术领域,特别是涉及一种煤矿井下光斑特征提取方法及***。
背景技术
煤矿掘进工作面智能化是实现煤矿智能化的基础,而掘进装备的位姿检测与控制技术是实现煤矿掘进工作面智能化、无人化的前提。机器视觉采用图像传感作为信息的获取手段,以图像作为信息的载体,通过对获取的图像进行预处理、特征提取,并建立测量模型以解算掘进装备位姿,实现掘进装备定向掘进及定形截割。
现有煤矿井下机器视觉位姿检测技术主要以三个激光指向仪光斑特征作为图像特征,以进行掘进装备位姿解算。因此,针对煤矿井下高粉尘、低照度、背景复杂的工况,实现激光指向仪光斑特征的快速、稳定、可靠提取显得十分重要。
发明内容
本发明的目的是提供一种煤矿井下光斑特征提取方法及***,能够在煤矿井下高粉尘、低照度、背景复杂的工况下,快速、稳定、可靠的提取光斑特征。
为实现上述目的,本发明提供了如下方案:
一种煤矿井下光斑特征提取方法,所述提取方法包括:
获取激光指向仪原始图像;
对所述原始图像进行阈值处理,得到N个光斑特征轮廓;
根据光斑的形状特征确定划分个数以及筛选条件;
根据所述划分个数将N个光斑特征轮廓进行随机划分,得到K个组合;每一组合均包括所述划分个数个光斑特征轮廓;
根据所述筛选条件对K个组合进行筛选,得到光斑特征。
一种煤矿井下光斑特征提取***,所述提取***包括:
原始图像获取模块,用于获取激光指向仪原始图像;
阈值处理模块,用于对所述原始图像进行阈值处理,得到N个光斑特征轮廓;
参数确定模块,用于根据光斑的形状特征确定划分个数以及筛选条件;
划分模块,用于根据所述划分个数将N个光斑特征轮廓进行随机划分,得到K个组合;每一组合均包括所述划分个数个光斑特征轮廓;
提取模块,用于根据所述筛选条件对K个组合进行筛选,得到光斑特征。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明用于提供一种煤矿井下光斑特征提取方法及***,先获取激光指向仪原始图像。然后对原始图像进行阈值处理,得到N个光斑特征轮廓。最后根据光斑的形状特征确定划分个数以及筛选条件,并根据划分个数将N个光斑特征轮廓进行随机划分,得到K个组合,根据筛选条件对K个组合进行筛选,得到激光指向仪的光斑特征,进而能够在煤矿井下高粉尘、低照度、背景复杂的工况下,快速、稳定、可靠的提取光斑特征。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例1所提供的提取方法的方法流程图;
图2为本发明实施例1所提供的提取方法的提取原理图;
图3为本发明实施例1所提供的三角形形状特征的示意图;
图4为本发明实施例2所提供的提取***的***框图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种煤矿井下光斑特征提取方法及***,能够在煤矿井下高粉尘、低照度、背景复杂的工况下,快速、稳定、可靠的提取光斑特征。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
实施例1:
本实施例用于提供一种煤矿井下光斑特征提取方法,如图1和图2所示,所述提取方法包括:
S1:获取激光指向仪原始图像;
具体的,可通过摄像头获取激光指向仪原始图像f(x,y),原始图像如图2所示。
作为一种可选的实施方式,在S2之前,本实施例的提取方法还包括:对原始图像f(x,y)进行畸变矫正,得到矫正图像g(x,y),再对矫正图像g(x,y)进行高斯滤波,得到滤波输出图像k(x,y),并以滤波输出图像作为新的原始图像,执行S2。矫正图像和滤波输出图像如图2所示。
S2:对所述原始图像进行阈值处理,得到N个光斑特征轮廓;
本实施例所指的阈值处理包括:特征分离(取反操作)和特征检测(HSV操作)。具体的,S2可以包括:
(1)特征分离:对原始图像进行取反,得到取反后图像;
煤矿井下光斑特性表现为白色,背景特性表现为黑色,且黑色占比大于白色,故对于原始图像中的每一个像素点,将像素点的像素值进行取反,得到取反后图像。对像素点的像素值进行取反是指:像素值0变为255,1变为254,…,254变为1,255变为0,即令像素点的像素值和像素点的取反后的像素值的和为255。取反后,光斑特性表现为黑色,背景特性表现为白色。
(2)特征检测:利用六角锥体模型HSV中黑色的HSV值,在取反后图像中进行黑色轮廓检测,得到N个光斑特征轮廓,其中,N≥3。
更为具体的,当以滤波输出图像作为新的原始图像时,则S2为对滤波图像k(x,y)进行阈值处理,得到N个光斑特征轮廓,可以包括:
(1)特征分离:
煤矿井下光斑特性表现为白色,背景特性表现为黑色,且黑色占比大于白色,故对滤波图像k(x,y)进行取反操作,即将滤波图像k(x,y)的每一像素点的像素值由0变为255,由1变为254,…,由254变为1,由255变为0。取反后,光斑特性表现为黑色,背景特性表现为白色。取反后图像如图2所示。
(2)特征检测
在取反后图像中,利用六角锥体模型HSV中黑色的HSV值检测黑色轮廓,即得N(N≥3)个光斑特征轮廓,具体的,将取反后图像转换到六角锥体模型HSV颜色空间内,再根据黑色的HSV值确定黑色的像素点,从而检测得到黑色轮廓,黑色轮廓即为光斑特征轮廓。黑色的HSV值依据Opencv决定,举例而言,在六角锥体模型HSV中黑色的HSV值表示为:Hmin=0;Smin=0;Vmin=0;Hmax=180;Smax=255;Vmax=466。特征检测后的图像如图2所示。
S3:根据光斑的形状特征确定划分个数以及筛选条件;
S4:根据所述划分个数将N个光斑特征轮廓进行随机划分,得到K个组合;每一组合均包括所述划分个数个光斑特征轮廓;
S5:根据所述筛选条件对K个组合进行筛选,得到光斑特征。
本实施例在利用S2得到N个光斑特征轮廓后,采用基于形状特征的光斑特征提取方法来提取光斑特征。光斑的形状特征可为三角形或者其他形状,每一种形状的处理方法都是相同的,均利用其形状特征进行光斑特征提取。在此,本实施例假定三个激光指向仪形成的特征为三角形,因此此时需要利用三角形特性进行识别。以下,本实施例以光斑的形状特征为三角形为例,对光斑特征提取过程进行进一步的介绍:
当光斑的形状特征为三角形时,则S3可以包括:
(1)以光斑的形状特征所包括的顶点个数作为划分个数,三角形包括三个顶点,故划分个数为3。
(2)根据光斑的形状特征确定筛选条件,三角形对应的筛选条件包括边长特性、坐标特性和倾角特性。
如图3所示,以三角形底边的左侧顶点为起始点,逆时针定义三角形的三个顶点分别为A、B、C,三个顶点的对边长度分别为a,b,c,顶点A的坐标为(x1,y1),顶点B的坐标为(x2,y2),顶点C的坐标为(x3,y3)。图3中,A、B、C表示3个光斑特征轮廓分别对应的光斑,由实线绘制的三角形为3个光斑组成的三角形,左侧的由虚线绘制的三角形为3个光斑组成的三角形向左倾斜角度为θ时的左偏摆极限位置,右侧的由虚线绘制的三角形为3个光斑组成的三角形向右倾斜角度为θ时的右偏摆极限位置。则筛选条件包括:①边长特性为:0.8≤a/b≤1.2,②坐标特性为:x1<x3<x2,③倾角特性为:-θ<arctan((y2-y1)/(x2-x1))。
基于上述确定的划分个数和筛选条件,本实施例的光斑特征提取过程可以包括:
(1)特征分组:
S4即为特征分组过程,S4可以包括:将N个光斑特征轮廓进行随机划分,每3个光斑特征轮廓为一组,得到K个组合,即以N个光斑特征轮廓中随机3个为一组,分为K个组合,具体的,可采用排列组合中组合的方式进行随机划分,即
(2)特征识别
S5即为特征识别过程,S5可以包括:
(2.1)根据筛选条件对K个组合进行筛选,确定满足筛选条件的组合,即从K组光斑特征轮廓中筛选同时满足边长特性、坐标特性和倾角特性的M组光斑特征轮廓。
(2.2)判断满足筛选条件的组合的个数是否大于1,即判断M是否大于1;
(2.3)若否,即M=1,则该满足筛选条件的组合中的光斑即为所需的三个激光指向仪光斑特征;
(2.4)若是,即M>1,则根据所有满足筛选条件的组合的C点坐标确定光斑特征。
对于M组满足筛选条件的组合,通过组合中C点坐标(x3,y3)在背景中的位置进行再次筛选,若形状特征位于图像右上角,则继续筛选M个组合中x3最大的组合,其包括的光斑即为所需的三个激光指向仪光斑特征;若形状特征位于图像左上角,则继续筛选M个组合中x3最小的组合,其包括的光斑即为所需的三个激光指向仪光斑特征;若形状特征位于图像右下角,则继续筛选M个组合中x3最大且y3最大的组合,其包括的光斑即为所需的三个激光指向仪光斑特征;若形状特征位于图像左下角,则继续筛选M个组合中x3最小且y3最大的组合,其包括的光斑即为所需的三个激光指向仪光斑特征。
在得到三个激光指向仪光斑特征后,以该光斑特征作为位姿解算输入数据,即可完成掘进装备的位姿解算过程。
本实施例将取反和HSV结合使用,使图像二值化实现无阈值分割,并基于待检测目标形状及其形状特征进行特征识别,从而针对煤矿井下高粉尘、低照度、背景复杂的工况,实现了光斑特征的快速、稳定、可靠提取。
实施例2:
本实施例用于提供一种煤矿井下光斑特征提取***,如图4所示,所述提取***包括:
原始图像获取模块M1,用于获取激光指向仪原始图像;
阈值处理模块M2,用于对所述原始图像进行阈值处理,得到N个光斑特征轮廓;
参数确定模块M3,用于根据光斑的形状特征确定划分个数以及筛选条件;
划分模块M4,用于根据所述划分个数将N个光斑特征轮廓进行随机划分,得到K个组合;每一组合均包括所述划分个数个光斑特征轮廓;
提取模块M5,用于根据所述筛选条件对K个组合进行筛选,得到光斑特征。
本说明书中每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的***而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种煤矿井下光斑特征提取方法,其特征在于,所述提取方法包括:
获取激光指向仪原始图像;
对所述原始图像进行阈值处理,得到N个光斑特征轮廓;
根据光斑的形状特征确定划分个数以及筛选条件;
根据所述划分个数将N个光斑特征轮廓进行随机划分,得到K个组合;每一组合均包括所述划分个数个光斑特征轮廓;
根据所述筛选条件对K个组合进行筛选,得到光斑特征。
2.根据权利要求1所述的提取方法,其特征在于,在对所述原始图像进行阈值处理之前,所述提取方法还包括:
对所述原始图像进行畸变矫正,得到矫正图像;
对所述矫正图像进行高斯滤波,得到滤波输出图像,并以所述滤波输出图像作为新的原始图像。
3.根据权利要求1所述的提取方法,其特征在于,所述对所述原始图像进行阈值处理,得到N个光斑特征轮廓具体包括:
对所述原始图像进行取反,得到取反后图像;
利用六角锥体模型中黑色的HSV值在所述取反后图像中进行黑色轮廓检测,得到N个光斑特征轮廓。
4.根据权利要求3所述的提取方法,其特征在于,所述对所述原始图像进行取反,得到取反后图像具体包括:
对于所述原始图像中的每一个像素点,将所述像素点的像素值进行取反,得到取反后图像;所述像素点的像素值和所述像素点的取反后的像素值的和为255。
5.根据权利要求1所述的提取方法,其特征在于,所述光斑的形状特征为三角形。
6.根据权利要求5所述的提取方法,其特征在于,所述根据光斑的形状特征确定划分个数以及筛选条件具体包括:
以所述光斑的形状特征所包括的顶点个数作为划分个数,所述划分个数为3;
根据所述光斑的形状特征确定筛选条件,所述筛选条件包括边长特性、坐标特性和倾角特性。
7.根据权利要求6所述的提取方法,其特征在于,所述根据所述划分个数将N个光斑特征轮廓进行随机划分,得到K个组合具体包括:
将N个光斑特征轮廓进行随机划分,每3个光斑特征轮廓为一组,得到K个组合。
8.根据权利要求6所述的提取方法,其特征在于,以所述三角形底边的左侧顶点为起始点,逆时针定义所述三角形的三个顶点分别为A、B、C,三个顶点的对边长度分别为a,b,c,顶点A的坐标为(x1,y1),顶点B的坐标为(x2,y2),顶点C的坐标为(x3,y3);
则所述边长特性为:0.8≤a/b≤1.2;
所述坐标特性为:x1<x3<x2;
所述倾角特性为:-θ<arctan((y2-y1)/(x2-x1))。
9.根据权利要求8所述的提取方法,其特征在于,所述根据所述筛选条件对K个组合进行筛选,得到光斑特征具体包括:
根据所述筛选条件对K个组合进行筛选,确定满足所述筛选条件的组合;
判断满足所述筛选条件的组合的个数是否大于1;
若否,则满足所述筛选条件的组合即为光斑特征;
若是,则根据所有满足所述筛选条件的组合的C点坐标确定光斑特征。
10.一种煤矿井下光斑特征提取***,其特征在于,所述提取***包括:
原始图像获取模块,用于获取激光指向仪原始图像;
阈值处理模块,用于对所述原始图像进行阈值处理,得到N个光斑特征轮廓;
参数确定模块,用于根据光斑的形状特征确定划分个数以及筛选条件;
划分模块,用于根据所述划分个数将N个光斑特征轮廓进行随机划分,得到K个组合;每一组合均包括所述划分个数个光斑特征轮廓;
提取模块,用于根据所述筛选条件对K个组合进行筛选,得到光斑特征。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210351039.2A CN114693954B (zh) | 2022-04-02 | 一种煤矿井下光斑特征提取方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210351039.2A CN114693954B (zh) | 2022-04-02 | 一种煤矿井下光斑特征提取方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114693954A true CN114693954A (zh) | 2022-07-01 |
CN114693954B CN114693954B (zh) | 2024-07-09 |
Family
ID=
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108665459A (zh) * | 2018-05-22 | 2018-10-16 | 释码融和(上海)信息科技有限公司 | 一种图像模糊检测方法、计算设备及可读存储介质 |
WO2019012887A1 (ja) * | 2017-07-14 | 2019-01-17 | 大日本印刷株式会社 | 図形パターンの形状補正装置および形状補正方法 |
CN113469960A (zh) * | 2021-06-22 | 2021-10-01 | 珠海市亿点科技有限公司 | 基于人工智能的水面稳定检测方法、装置及设备 |
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019012887A1 (ja) * | 2017-07-14 | 2019-01-17 | 大日本印刷株式会社 | 図形パターンの形状補正装置および形状補正方法 |
CN108665459A (zh) * | 2018-05-22 | 2018-10-16 | 释码融和(上海)信息科技有限公司 | 一种图像模糊检测方法、计算设备及可读存储介质 |
CN113469960A (zh) * | 2021-06-22 | 2021-10-01 | 珠海市亿点科技有限公司 | 基于人工智能的水面稳定检测方法、装置及设备 |
Non-Patent Citations (1)
Title |
---|
杨文娟,等: "基于三激光束标靶的煤矿井下长距离视觉定位方法", 《煤炭学报》, vol. 47, no. 2, 28 February 2022 (2022-02-28), pages 986 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105260693B (zh) | 一种激光二维码定位方法 | |
CN106960208B (zh) | 一种仪表液晶数字自动切分和识别的方法及*** | |
CN107705288B (zh) | 伪目标运动强干扰下的危险气体泄漏红外视频检测方法 | |
CN109859226B (zh) | 一种图形分割的棋盘格角点亚像素的检测方法 | |
CN109726717B (zh) | 一种车辆综合信息检测*** | |
CN108921120B (zh) | 一种适应广泛零售场景下的香烟识别方法 | |
CN108133216B (zh) | 基于机器视觉的可实现小数点读取的数码管读数识别方法 | |
CN109858325B (zh) | 一种表格检测方法和装置 | |
JPH0877334A (ja) | 顔画像の特徴点自動抽出方法 | |
CN102999886A (zh) | 图像边缘检测器及标尺光栅栅线精度检测*** | |
CN111259891B (zh) | 一种自然场景下身份证识别方法、装置、设备和介质 | |
CN104463138A (zh) | 基于视觉结构属性的文本定位方法及*** | |
CN104966047A (zh) | 一种车牌识别的方法及装置 | |
CN106875430B (zh) | 动态背景下基于固定形态的单一运动目标追踪方法和装置 | |
CN111354047A (zh) | 一种基于计算机视觉的摄像模组定位方法及*** | |
CN108256518B (zh) | 文字区域检测方法及装置 | |
CN112364834A (zh) | 一种基于深度学习和图像处理的表格识别的还原方法 | |
CN111666811A (zh) | 一种提取交通场景图像中交通标志牌区域方法及*** | |
CN109271882B (zh) | 一种区分颜色的手写体汉字提取方法 | |
CN111429437B (zh) | 面向目标检测的图像无参考清晰度质量检测方法 | |
CN112418210B (zh) | 一种杆塔巡检信息智能分类方法 | |
CN112580516A (zh) | 一种道路场景识别方法、装置、设备及存储介质 | |
CN114693954A (zh) | 一种煤矿井下光斑特征提取方法及*** | |
CN111241916A (zh) | 一种交通标志识别模型的建立方法 | |
CN114693954B (zh) | 一种煤矿井下光斑特征提取方法及*** |
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 |