[发明专利]一种基于机器视觉和深度学习的防打保龄的方法和系统

权利要求书

1.一种基于机器视觉和深度学习的防打保龄的方法，其特征在于，包括如下步骤：

利用设置在大梁和小车上的摄像头采集得到RGB图像；

将得到的RGB图像通过矩形分割方法提取ROI区域，并通过高斯滤波进行图像降噪，通过改进的尺度不变特征变换算法进行图像的特征提取；

将得到的图像特征输入训练好的改进的boosting分类模型中，判定是否出现防打保龄；

当判定结果为出现防打保龄，则触发当前呗位的保护。

2.根据权利要求1所述的一种基于机器视觉和深度学习的防打保龄的方法，其特征在于，将得到的RGB图像通过矩形分割方法提取ROI区域，具体包括：

在待处理的RGB图像选取两个点；

以这两个点为一条对角线，确定出一个矩形区域。

3.根据权利要求1所述的一种基于机器视觉和深度学习的防打保龄的方法，其特征在于，通过改进的尺度不变特征变换算法进行图像的特征提取，具体为：

建立图像的高斯差分金字塔，构建出高斯差分尺度空间，并通过改变滤波器模板尺寸获取不同尺度的图像；

寻找局部极值点，并通过计算Hessian矩阵和积分图像进行局部极值点的检测，确定特征点；

根据特征点领域的像素梯度分布情况求出特征点的稳定方向。

4.根据权利要求1所述的一种基于机器视觉和深度学习的防打保龄的方法，其特征在于，通过改进的尺度不变特征变换算法进行图像的特征提取，其中提取的特征具体包括：

当前呗位集装箱的位置、高度、偏转角度和隔壁呗位集装箱的位置、高度信息，当前呗位集装箱边界框和隔壁呗位集装箱的边界框，以及吊具位置、长度。

5.根据权利要求1所述的一种基于机器视觉和深度学习的防打保龄的方法，其特征在于，改进的boosting分类模型，具体为：

由至少两个的基分类器组成Bagging分类器，并由至少两个Bagging分类器以串行方式排列组成Boosting分类器，所述基分类器包括：随机森林、支持向量机、决策树、朴素贝叶斯，随机梯度下降。

6.一种基于机器视觉和深度学习的防打保龄的系统，其特征在于，包括如下：

获取图像单元：利用设置在大梁和小车上的摄像头采集得到RGB图像；

图像预处理和特征提取单元：将得到的RGB图像通过矩形分割方法提取ROI区域，并通过高斯滤波进行图像降噪，通过改进的尺度不变特征变换算法进行图像的特征提取；

判定单元：将得到的图像特征输入训练好的改进的boosting分类模型中，判定是否出现防打保龄；

执行单元：当判定结果为出现防打保龄，则触发当前呗位的保护。

7.根据权利要求6所述的一种基于机器视觉和深度学习的防打保龄的系统，其特征在于，图像预处理和特征提取单元，将得到的RGB图像通过矩形分割方法提取ROI区域，具体包括：

在待处理的RGB图像选取两个点；

以这两个点为一条对角线，确定出一个矩形区域。

8.根据权利要求6所述的一种基于机器视觉和深度学习的防打保龄的系统，其特征在于，图像预处理和特征提取单元，通过改进的尺度不变特征变换算法进行图像的特征提取，具体为：

建立图像的高斯差分金字塔，构建出高斯差分尺度空间，并通过改变滤波器模板尺寸获取不同尺度的图像；

寻找局部极值点，并通过计算Hessian矩阵和积分图像进行局部极值点的检测，确定特征点；

根据特征点领域的像素梯度分布情况求出特征点的稳定方向。

9.根据权利要求6所述的一种基于机器视觉和深度学习的防打保龄的系统，其特征在于，图像预处理和特征提取单元，通过改进的尺度不变特征变换算法进行图像的特征提取，其中提取的特征具体包括：

当前呗位集装箱的位置、高度、偏转角度和隔壁呗位集装箱的位置、高度信息，当前呗位集装箱边界框和隔壁呗位集装箱的边界框，以及吊具位置、长度。

10.根据权利要求6所述的一种基于机器视觉和深度学习的防打保龄的系统，其特征在于，判定单元中，改进的boosting分类模型，具体为：

由至少两个的基分类器组成Bagging分类器，并由至少两个Bagging分类器以串行方式排列组成Boosting分类器，所述基分类器包括：随机森林、支持向量机、决策树、朴素贝叶斯和随机梯度下降。