[发明专利]基于颜色-边缘融合特征生长的抗高光干扰工程测量标志提取方法

权利要求书

1.基于颜色-边缘融合特征生长的抗高光干扰工程测量标志提取方法，其特征在于，包括如下步骤：

步骤S1，在目标物指定位置布设已知几何尺寸信息和指定颜色的测量标志；

步骤S2，训练深度学习目标物识别模型，对需处理的图像进行目标检测及定位，提取ROI区域；

步骤S3，结合测量标志的颜色信息，对于提取的ROI区域进行基于颜色特征的目标提取分割，按照Canny边缘检测算法对目标提取分割的图像进行边缘检测，并进行图像去噪，且选择去噪后的边缘轮廓内部像素点作为初始种子点；

步骤S4，通过判断相同光源条件下同一物体的相同材质部分表现出的相邻像素属性是否连续来实现相似区域生长，以初始种子点为起点，以8邻域最大梯度值小于某一阈值T为判别条件，向其领域像素点生长，重复判别直至所有候选种子点均生长结束为止，即可从图像中分割得到测量标志区域；生长规则如下：当max{d₁,d₂,d₃…d₈}＜T时，该像素点被纳入生长区域；其中，为种子像素点的R、G、B分量，R(i),G(i),B(i)为种子像素点的8邻域任一像素点的R、G、B分量，T为预设阈值；

步骤S5，对区域生长分割完成之后的图像进一步提取测量标志的几何信息、边缘信息及特征信息。

2.根据权利要求1所述的基于颜色-边缘融合特征生长的抗高光干扰工程测量标志提取方法，其特征在于：所述测量标志的形状为圆环形、矩形或三角形。

3.根据权利要求1所述的基于颜色-边缘融合特征生长的抗高光干扰工程测量标志提取方法，其特征在于：所述深度学习目标物识别模型为YOLO-tiny模型，具体训练过程为；

(1)利用yolo_mark软件对目标影像进行目标标注，生成包含标注信息的txt文件，然后转换为YOLO-tiny模型训练所需数据格式，由目标影像和目标类别与位置信息构成训练所需数据集；

(2)利用深度学习框架darknet搭建YOLO-tiny神经网络模型；

(3)将数据集输入YOLO-tiny模型进行训练，得到对应的权重文件，基于OpenCv机器视觉库载入训练得到的模型文件即可对目标物进行识别。

4.根据权利要求1所述的基于颜色-边缘融合特征生长的抗高光干扰工程测量标志提取方法，其特征在于：利用训练得到的目标识别模型对采集的影像进行目标检测，得到目标检测的验证框的中心像素点C，宽width，高height；为保证目标物的完整提取，提取原始影像中以C点为中心，λwidth和λheight为边长矩形范围内的影像为目标ROI区域。

5.根据权利要求1所述的基于颜色-边缘融合特征生长的抗高光干扰工程测量标志提取方法，其特征在于：步骤S3的具体实现方式如下；

将步骤S2得到的ROI区域影像由RGB颜色空间转化为HSV颜色空间，解除图像中颜色和灰度级信息的联系，基于测量标志的颜色参数进行基于颜色特征的目标提取分割；对提取之后的影像进行Canny算子边缘检测，计算各个轮廓的面积A(i)，若轮廓面积A(i)小于某一固定阈值Te，则擦除该轮廓区域，实现图像去噪，选择去噪后的每个边缘轮廓内部的一个内部像素点作为初始种子点。