[发明专利]光条中心提取方法、终端设备及存储介质

权利要求书

1.一种光条中心提取方法，其特征在于，包括：

获取包含光条的原始图像；

提取所述原始图像中每行的最大灰度值或每列的最大灰度值，根据所述最大灰度值确定光条中心初始坐标；

根据预设模型计算所述原始图像中所述光条中心初始坐标的偏移量；

根据所述偏移量和所述光条中心初始坐标计算所述原始图像中光条中心实际坐标；

在所述根据预设的模型计算所述原始图像中所述光条中心初始坐标的偏移量之前，所述光条中心提取方法还包括：

获取所述预设模型；

所述获取所述预设模型，包括：

为所述预设模型的各个参数设置初始值；

获取用于训练所述预设模型的样本；每个所述样本的输入包括任一测试光条中每个光条截面像素的灰度值，每个所述样本的输出包括相应测试光条对应的光条中心实际坐标；

根据所述样本对所述预设模型进行训练，直至训练后预设模型的输出误差小于预设的误差阈值，或者，直至训练次数达到预设的最大训练次数；

保存训练结束时对应的预设模型。

2.如权利要求1所述的光条中心提取方法，其特征在于，所述获取用于训练所述预设模型的样本，包括：

提取包括任一测试光条的测试图像中每行的最大灰度值或每列的最大灰度值，根据所述最大灰度值确定所述任一测试光条对应的光条中心初始坐标；

将所述任一测试光条对应的光条中心初始坐标，或者所述任一测试光条中每个光条截面像素的灰度值作为所述任一测试光条对应的样本的输入；

根据Steger算法提取所述任一测试光条对应的光条中心实际坐标；

将所述任一测试光条对应的光条中心实际坐标，作为所述任一测试光条对应的样本的输出。

3.如权利要求2所述的光条中心提取方法，其特征在于，在所述根据Steger算法提取所述任一测试光条对应的光条中心实际坐标之后，所述获取用于训练所述预设模型的样本，还包括：

根据移动最小二乘算法对根据Steger算法提取得到的所述任一测试光条对应的光条中心实际坐标进行优化；

相应的，所述将所述任一测试光条对应的光条中心实际坐标作为所述任一测试光条对应的样本的输出为：

将优化后的所述任一测试光条对应的光条中心实际坐标，作为所述任一测试光条对应的样本的输出。

4.如权利要求1所述的光条中心提取方法，其特征在于，所述样本的输入还包括包含相应测试光条的测试图像；

在所述获取用于训练所述预设模型的样本之后，以及所述根据所述样本对所述预设模型进行训练之前，所述获取所述预设模型还包括：

根据所述测试图像中每行的最大灰度值和每行的最小灰度值，对所述测试图像进行初始化；

或者，根据所述测试图像中每列的最大灰度值和每列的最小灰度值，对所述测试图像进行初始化。

5.如权利要求1至4中任一项所述的光条中心提取方法，其特征在于，所述预设模型为BP神经网络模型。

6.一种终端设备，其特征在于，包括：

输入单元，用于获取包含光条的原始图像，并提取所述原始图像中每行的最大灰度值或每列的最大灰度值，根据所述最大灰度值确定光条中心初始坐标；

计算单元，用于根据预设模型计算所述原始图像中所述光条中心初始坐标的偏移量，并根据所述偏移量和所述光条中心初始坐标计算所述原始图像中光条中心实际坐标；

所述输入单元还用于：获取所述预设模型；

所述输入单元具体用于：为所述预设模型的各个参数设置初始值；

获取用于训练所述预设模型的样本；每个所述样本的输入包括任一测试光条中每个光条截面像素的灰度值，每个所述样本的输出包括相应测试光条对应的光条中心实际坐标；

根据所述样本对所述预设模型进行训练，直至训练后预设模型的输出误差小于预设的误差阈值，或者，直至训练次数达到预设的最大训练次数；

保存训练结束时对应的预设模型。