第二章指针仪表识别之仪表倾斜校正

一颗小萌新

已于 2022-06-26 12:35:36 修改

阅读量2.9k

点赞数 1

分类专栏：仪表识别文章标签：计算机视觉人工智能 opencv

于 2022-06-25 11:53:47 首次发布

本文链接：https://blog.csdn.net/qq_41721951/article/details/125456928

版权

本文探讨了指针式仪表图像的倾斜和旋转校正问题，提出了基于SIFT、SURF特征和椭圆拟合的校正方法，并提出了一种新的基于YOLOv3深度学习的校正算法，包括透视变换和对称性特征的旋转校正，旨在提高仪表读数的准确性和效率。

摘要由CSDN通过智能技术生成

文章目录

经过仪表定位获取表盘区域后，接下来需要对表盘信息进行识别。在指针式仪表智能识别中，仪表读数的准确度很大程度上取决于相机的拍摄角度。当相机正对仪表拍摄时，采集的图像为端正的仪表图像，读数算法识别较为容易并且准确度更高。然而，由于变电站实际环境复杂，相机拍摄的角度各不相同，且仪表本身存在安装倾斜等原因，导致采集的图像中仪表往往有严重的倾斜和旋转情况。如图所示，相机拍摄时不是正视表盘，获得的图像中仪表倾斜，表盘刻度比例发生变化，如果直接对这类图像识别较为困难并且读数准确度较低。因此，有必要在仪表图像读数前对图像进行倾斜校正。
在这里插入图片描述
圆形指针式仪表图像倾斜校正中，因为待校正的仪表为圆形形状，具有高度对称性，难以从仪表上找到可以用于校正的参考点。目前，对于仪表图像的倾斜校正算法，大多数是基于形状为方形的仪表，根据表盘边界线找到透视变换点和倾斜角度，这类仪表的校正多采用传统的车牌或者其他方形设备的校正方法实现仪表的倾斜校正。对于圆形指针式仪表，其形状为圆形，没有明显的线条参考物，无法基于仪表的框架边界线条进行校正。部分研究者通过手工对仪表的表盘标记参考点，最后根据参考点的变化通过透视变换校正仪表。手工标记参考点的方式难以应用在实际环境中，对此，部分研究者通过模板图像和待校正的图像进行特征点匹配，通过匹配的点对使用透视变换校正仪表。其中，最常用的是基于SIFT和SURF特征点提取和匹配的方法。模板匹配方法可以实现较好的校正效果，但是对于不同类型的仪表图像都需要预先采集模板图像，并且图像在匹配过程中时效性较差。还有部分研究者通过图像处理技术提取仪表刻度线，根据刻度线拟合表盘椭圆，最后根据椭圆参数找到透视点实现仪表的倾斜校正。

1、基于SIFT特征的仪表倾斜校正方法（附源码）

# -*- encoding=utf-8 -*-
import cv2
import os
import numpy as np
import time

start = time.time()

MIN_MATCH_COUNT = 5
FLANN_INDEX_KDTREE = 0
# SIFT特征提取
detector = cv2.xfeatures2d.SIFT_create()

img1 = cv2.imread("../template/60.jpg")   # 模板图片
img = cv2.imread('../resize/14.jpg')  # 待矫正图片

demopoint, demoscript = detector.detectAndCompute(img1, None, useProvidedKeypoints=False)
imgpoint, imgscript = detector.detectAndCompute(img, None, useProvidedKeypoints=False)
index_params = dict(algorithm=FLANN_INDEX_KDTREE, tree=5)
search_params = dict(checks=50)
flann = cv2.FlannBasedMatcher(index_params, search_params)
matches = flann.knnMatch(demoscript, imgscript, k=2)
good = []
for m, n in matches:
    if m.distance < 0.7 * n.distance:
        good.append(m)

if len(good) > MIN_MATCH_COUNT:
    src_pts = np.float32([demopoint[m.queryIdx].pt for m in good]).reshape