基于稀疏变换学习的工件视觉跟踪方法研究

发布时间：2020-05-31 06:05

【摘要】：视频运动目标的跟踪研究是人工智能的研究范畴,而工件运动视频的跟踪是工厂企业自动化运行中实行监控的必要手段。目前研究者针对不同的跟踪环境提出了很多跟踪算法,这些算法的提出推动着跟踪技术的发展。但是如何在较差的环境中有效的对光照、遮挡、姿态变化的工件进行跟踪仍需要进一步研究。本文在工件视觉跟踪前对工件进行去噪和分割,针对去噪、分割和跟踪过程中存在的某些不足进行改进,论文的主要研究内容和创新点如下:(1)针对视觉测量中给光好坏会直接影响工件检测精度和效率的问题,提出了一种基于联合稀疏变换学习对不同光源下工件图像去噪的方法。该方法首先从噪声图像中提取噪声图像块,通过稀疏编码和稀疏变换更新交替运算对噪声图像块进行内部聚类变换学习;然后计算每个噪声图像块中聚类信号的稀疏水平,并选择最小稀疏水平作为该去噪块的稀疏水平;最后对去噪块进行聚类并用最后一次迭代去噪块的均值估计去噪图像。实验结果表明,提出的方法对不同光源下工件图像的去噪效果和计算速度均优于其他算法,具有较好的去噪性能。(2)针对工件图像分割中存在分割效果较差的问题,提出了一种基于HSV颜色空间k-means聚类的工件分割方法。该方法将工件图像的RGB颜色空间转换到HSV颜色空间;再在HSV颜色空间对各通道的像素进行k-means聚类,将颜色相近的像素点聚集为同一类达到工件图像分割的效果。实验结果表明,提出的方法对彩色工件图像的分割效果优于传统分割方法。(3)针对工件跟踪过程中存在姿态变化、遮挡等问题,提出了一种基于联合反稀疏模型和时空上下文的跟踪方法。该方法首先用粒子滤波对工件视频帧进行采样得到候选目标,然后将此候选目标用时空上下文进行筛选和优化得到新的候选目标作为字典;最后用反稀疏模型计算稀疏系数,最佳稀疏系数对应的候选目标即为跟踪结果。实验结果表明,提出的方法有较好的跟踪性能。图19幅,表7个,参考文献67篇。
【图文】：

传统算法,图像分割,工件,颜色空间

西安工程大学硕士学位论文响，因此在分割过程中将工件图像进行去反光处理，再对图像进行分割。对比传统算法分割后的图像，文中提出了一种新的方法，先将彩色图像的 RGB 颜色空间转换到HSV 颜色空间和 YCbCr 颜色空间，在对目标的像素点进行 k-means 聚类的分割方法。实验结果如下：(1) 不规则工件的分割效果图：从图 3-5 可以看出用传统算法分割后的工件图像比原图中的工件宽一些，这是由于此类方法分割时将工件的阴影部分也当做目标进行误分割。其中在边缘算子(Canny算子)分割算法中图像的中间有分割的线条，这是由于工件图像反光的原因，在去反光后图像的反光部分和原图像之间的像素差异形成的。从图 3-6 的(a)图和(c)图可以看出，将 RGB 颜色空间转换到 HSV 颜色空间时，HSV 颜色空间中保留了工件目标的边缘信息，而将其转换到 YCbCr 颜色空间时，在 YCbCr 空间中工件目标的边缘模糊，细节信息丢失。故对图(a)和图(c)进行 k-means 聚类方法分割所得的图像如图(b)和图(d)，图(b)分割后工件的边缘信息较差，而图(d)的工件分割效果相对较好。

彩色空间,图像分割,工件,颜色空间

从图 3-5 可以看出用传统算法分割后的工件图像比原图中的工件宽一些，这是由于此类方法分割时将工件的阴影部分也当做目标进行误分割。其中在边缘算子(Canny算子)分割算法中图像的中间有分割的线条，这是由于工件图像反光的原因，在去反光后图像的反光部分和原图像之间的像素差异形成的。从图 3-6 的(a)图和(c)图可以看出，，将 RGB 颜色空间转换到 HSV 颜色空间时，HSV 颜色空间中保留了工件目标的边缘信息，而将其转换到 YCbCr 颜色空间时，在 YCbCr 空间中工件目标的边缘模糊，细节信息丢失。故对图(a)和图(c)进行 k-means 聚类方法分割所得的图像如图(b)和图(d)，图(b)分割后工件的边缘信息较差，而图(d)的工件分割效果相对较好。彩色原图 Canny 算子分割迭代阈值分割遗传神经网络分割图 3-5 传统算法的不规则工件图像分割结果图
【学位授予单位】：西安工程大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：TP391.41;TH186

【相似文献】