本發(fā)明屬于圖像處理技術領域，通過結構化隨機森林實現(xiàn)油瓶裝箱圖像的邊緣檢測，通過實現(xiàn)提環(huán)清點完成油瓶清點，為一種基于結構化隨機森林的油瓶裝箱清點方法。

背景技術：

油瓶裝箱自動化對于工作效率的需求不斷提升，傳統(tǒng)的人工提環(huán)檢測模式已經(jīng)不能滿足生產(chǎn)的需要?；跈C器視覺的油瓶提環(huán)裝箱檢測系統(tǒng)由于其客觀性、精確性、以及成本低等優(yōu)勢，很好地代替了繁瑣的傳統(tǒng)人工勞動力，大大提高了提環(huán)清點的效率。

邊緣檢測是油瓶裝箱清點系統(tǒng)中必不可少的重要環(huán)節(jié)，為后續(xù)的匹配過程提供裝箱圖片的真實邊緣圖像。由于油瓶裝箱圖片的復雜特征，傳統(tǒng)的邊緣檢測方法通常會產(chǎn)生無關的虛假邊緣，影響瓶蓋的圓擬合以及提環(huán)邊緣形狀的準確提取。油瓶裝箱清點系統(tǒng)中的邊緣檢測環(huán)節(jié)通?；赾anny算子、顯著性檢測和laplace算子來實現(xiàn)。顯著性檢測從一整幅圖像中找到最引人注目的局部，但當提環(huán)、油體顏色相近，瓶身紋路影響明顯時，無法檢出邊緣?；赾anny算子的方法和基于laplace算子的方法對噪聲敏感，無法排除非感興趣區(qū)域背景干擾，且參數(shù)需要手動設置，無法自適應地應對所有場景。

技術實現(xiàn)要素：

本發(fā)明要解決的問題是：現(xiàn)有裝箱清點系統(tǒng)依賴人眼觀察，效率低下；現(xiàn)有通過機械設備完成裝箱清點的方法耐用性不強，不滿足工業(yè)生產(chǎn)的長期耐用性要求；現(xiàn)有能夠快速進行裝箱清點的方法僅能應對簡單場景，對瓶身紋路、提環(huán)顏色、油體顏色等因素的造成的干擾效果較差?？偠灾?，現(xiàn)有方法難以做到高實時性和高正確率的兼容。

本發(fā)明的技術方案為：一種基于結構化隨機森林的油瓶裝箱清點方法，包括以下步驟：

1)讀入訓練樣本圖像，包括油瓶裝箱圖像以及其對應的真實邊緣圖像，通過步長為2的滑動窗口將樣本圖像分割成16*16的圖像塊，提取圖像塊特征，由油瓶裝箱圖像得到相樣本特征集x，由真實邊緣圖像得到真實邊緣標簽集y，樣本特征集x和真實邊緣標簽集y相對應；

2)簡化真實邊緣標簽集y，將標簽集y通過函數(shù)映射到可以直接計算歐式距離的空間z，具體為：邊緣標簽y組成標簽集y，令y(j)表示y中的第j個像素值，選取兩個位置j1和j2，若y(j1)＝y(tǒng)(j2)，則對應y的映射特征向量添加值為1的元素，否則添加值為0的元素，采樣y中所有的點對獲得維的二進制特征向量；為降低運算量，從32640維的二進制特征向量中隨機抽取m＝256維特征組成特征向量z，所有y對應的特征向量z組成特征空間z，實現(xiàn)標簽集y到特征空間z的映射；

3)訓練決策樹，訓練決策樹的過程就是對決策樹中各個節(jié)點進行訓練的過程，對決策樹中的任一節(jié)點q，訓練集為sq∈x×y，訓練的目標是找到當前節(jié)點分裂函數(shù)h(x,θq)的參數(shù)θq；x為樣本特征集x的特征數(shù)據(jù)，分裂函數(shù)選為二進制函數(shù)：

h(x,θq)∈{0,1}(1)

h(x,θq)比較x中第k維特征的值與參數(shù)閾值τ的關系，即θq＝{k,τ}，訓練θq的過程就是訓練τ和k的過程；

如果h(x,θq)＝0，則將當前樣本x和對應的標簽y放到?jīng)Q策樹左葉，否則將樣本x和對應的標簽y放到右葉；

為了得到參數(shù)θq，定義節(jié)點q分裂后信息增益：

其中，sq為當前節(jié)點q上需要處理的圖像塊特征總集合，為進入當前節(jié)點q左葉的特征集合，為進入當前節(jié)點q右葉的特征集合，從x的特征維度中隨機抽取l＝256個維度，遍歷所有{k,τ}組并計算對應的信息增益，當前節(jié)點參數(shù)θq選擇為使該節(jié)點信息增益最大化的那一組{k,τ}，信息增益的標準定義為：

這里的函數(shù)h(s)＝-∑ypylog(py)為香農(nóng)熵，py為邊緣標簽y在s出現(xiàn)的概率；為和中的任一特征；

對決策樹中每個節(jié)點進行上述訓練，得到各節(jié)點的分裂函數(shù)參數(shù)，當一個節(jié)點分裂后香農(nóng)熵為0，停止分裂，設置該節(jié)點為結果節(jié)點，結果節(jié)點的輸出為該節(jié)點數(shù)量占比最大的邊緣標簽，

4)重復t次步驟3),生成的t棵決策樹，聯(lián)合形成訓練好的油瓶提環(huán)檢測隨機森林模型；

5)根據(jù)訓練后的隨機森林模型,實現(xiàn)待測油瓶裝箱圖像的真實邊緣檢測，檢測時，生成的決策樹輸入為待測圖像塊的特征數(shù)據(jù)x，根據(jù)特征數(shù)據(jù)x最終分配到的結果節(jié)點，輸出邊緣標簽y，得到邊緣圖；

6)通過霍夫圓方法檢測出步驟5)得到的邊緣圖中油瓶瓶蓋可能存在的位置，分割出可能存在油瓶提環(huán)的待測圖像塊，計算預設好的提環(huán)標準模板圖像塊邊緣點集與待測圖像塊邊緣點集的hausdorff距離，篩選真實提環(huán)個數(shù)，實現(xiàn)提環(huán)清點，即完成油瓶數(shù)量的清點。

進一步的，步驟1)中特征集x和標簽集y的具體生成方法為：對訓練集圖像中一個16*16的塊，提取特征數(shù)據(jù)x(i,j,k)，k為特征通道數(shù)，i、j為像素點的位置，k為特征所在通道，同時將該圖像塊對應的真實邊緣圖記錄為為16*16的分割掩膜y，以步長2的滑動窗口在訓練集中所有圖像上滑動，生成的所有特征數(shù)據(jù)x(i,j,k)組成特征集x，所有的邊緣標簽y組成標簽集y。

其中，獲取特征數(shù)據(jù)x的通道包括：

a)rgb色彩空間中的三顏色通道圖像；

b)原始尺度和高斯濾波后圖像塊的梯度幅值圖，高斯濾波取卷積核尺寸5*5，標準差σ＝1；

c)梯度圖在四個方向：垂直、水平和方向的梯度分量圖；

特征通道總數(shù)k＝13，每個特征數(shù)據(jù)的維度是16*16*13＝3328；

增加特征描述x(i1,j1,k)-x(i2,j2,k)，i1、j1、i2、j2表示像素對的位置，對每個通道圖像進行三角濾波并降采樣到5*5，采樣所有的像素對并計算它們的像素差值，每個通道的特征數(shù)據(jù)將再增加維，最后特征數(shù)據(jù)一共是3328+300*13＝7228維。

作為優(yōu)選方式，步驟3)中，為了簡化信息增益的計算，在式(3)計算過程中，對已經(jīng)映射到z空間的y再做進一步的簡化，利用主成分分析法將z空間的標簽向量降到1維，此時標簽向量空間為離散的形式，便于信息增益的計算。

作為優(yōu)選，步驟4)中t∈[4,6],以保證實時性。

步驟5)中，在對整幅圖像進行檢測時，采用滑動窗口方法，每隔2個像素提取一個16*16的圖像塊，利用訓練后的決策樹獲得當前圖像塊的邊緣標簽y，由于圖像塊之間有重疊，因此對每個像素點，將有8*8*t＝64t個決策樹構成的決策森林，每棵樹的決策結果進行融合，最終，利用決策森林算法獲得的該像素點的分類結果就是64t個決策樹的平均。

具體的，步驟6)對于模板圖像塊中邊緣點集a＝{a1,a2,…,an},待測圖像塊邊緣點b＝{b1,b2,…,bn}，則集合a到集合b的hausdorff距離：

h(a,b)＝max(h(a,b),h(b,a))(4)

h(a,b)和h(b,a)分別代表a集合到b集合前向和后向hausdorff距離，其中h(a,b)小于閾值則匹配成功，待測圖像塊中存在提環(huán)，反之匹配失敗，統(tǒng)計匹配成功的圖像塊數(shù)量，得到提環(huán)個數(shù)。

本發(fā)明基于結構化隨機森林實現(xiàn)油瓶裝箱圖像的邊緣檢測，提出一種新的油瓶裝箱清點方法。本發(fā)明方法通過結構化隨機森林訓練油瓶裝箱圖像，自動生成各個決策樹模型，并將生成的模型應用于待檢測圖片，得到邊緣檢測圖像。最后利用hausdorff距離實現(xiàn)油瓶提環(huán)的模板匹配，統(tǒng)計邊緣圖中提環(huán)個數(shù)。由于本發(fā)明方法結合了訓練樣本的先驗知識，在提取單個像素點特征的同時結合圖像塊的上下文信息，因此能夠較好地排除瓶身紋路干擾，對不同顏色的提環(huán)、油體也有很好的自適性。實驗結果表明，本發(fā)明方法能有效地實現(xiàn)油瓶裝箱清點。

附圖說明

圖1為基于結構化隨機森林的油瓶裝箱清點方法流程圖。

圖2為白色提環(huán)油瓶裝箱圖片檢測樣例圖，(a)為原始圖像，(b)為譜殘差法檢測圖，(c)為laplace算子邊緣檢測圖，(d)為canny算子邊緣檢測圖，(e)為本發(fā)明邊緣檢測圖(f)為本發(fā)明檢測結果圖。

圖3為金色提環(huán)油瓶裝箱圖片檢測樣例圖，(a)為原始圖像，(b)為譜殘差法檢測圖，(c)為laplace算子邊緣檢測圖，(d)為canny算子邊緣檢測圖，(e)為本發(fā)明邊緣檢測圖(f)為本發(fā)明檢測結果圖。

具體實施方式

本發(fā)明公開了一種基于結構化隨機森林的油瓶裝箱清點方法，具體實施方式如下：

1、特征提取，提取圖像特征。

本發(fā)明針對油瓶提環(huán)圖像進行，讀入訓練樣本圖像，包括圖像本身以及其對應的真實邊緣圖，通過步長為2的滑動窗口將樣本圖像分割成16*16的圖像塊，采用這個數(shù)值能在計算速度和檢測精度之間取得良好的平衡，提取圖像塊特征，得到相對應的樣本特征集x和真實邊緣標簽集y。特征集x和標簽集y的具體生成方法為：對訓練集圖像中一個16*16的塊，提取特征數(shù)據(jù)x(i,j,k)，k為特征通道數(shù)，i、j為像素點的位置，k為特征所在通道，同時將該圖像塊對應的真實邊緣圖記錄為為16*16的分割掩膜y。以步長2的滑動窗口在訓練集中所有圖像上滑動，生成的所有特征數(shù)據(jù)x(i,j,k)組成了特征集x，所有的邊緣標簽y組成了標簽集y。獲取特征數(shù)據(jù)x的通道包括：

a)rgb色彩空間中的三顏色通道圖像

b)原始尺度和高斯濾波后(卷積核尺寸5*5，標準差σ＝1)圖像塊的梯度幅值圖

c)梯度圖在四個方向(垂直、水平、)上的梯度分量圖

因此特征通道總數(shù)k＝13。每個特征數(shù)據(jù)的維度是16*16*13＝3328。

由于以上特征僅展現(xiàn)了單個像素點的像素值信息，無法表達像素間的位置信息，因此再增加特征描述x(i1,j1,k)-x(i2,j2,k)，i1、j1、i2、j2表示像素對的位置，k表示像素對所在通道。對每個通道圖像進行三角濾波并降采樣到5*5，采樣所有的像素對并計算他們的像素差值，每個通道的特征數(shù)據(jù)將再增加維，最后特征數(shù)據(jù)一共是3328+300*13＝7228維。

2、空間映射，簡化真實邊緣標簽集y：

標簽空間y維度較大，需簡化該空間才能提高檢測的效率。因此，將標簽集y通過函數(shù)映射到可以直接計算歐式距離的空間z。映射過程為：令y(j)表示y中的第j個像素值，選取兩個位置j1和j2，若y(j1)＝y(tǒng)(j2)，則對應y的映射特征向量添加值為1的元素，否則添加值為0的元素，采樣所有的點對可獲得維的二進制特征向量。為降低運算量，從32640維的二進制特征向量中隨機抽取m＝256維特征組成特征向量z，所有y對應的特征向量z組成特征空間z，實現(xiàn)標簽集y到特征空間z的映射。隨機選擇的目的在于保證決策樹有充足的多樣性且可提高效率。

3、訓練決策樹

訓練決策樹的過程就是對決策樹中各個節(jié)點進行訓練的過程，即建立決策樹。對決策樹中的任一給定節(jié)點q，訓練集為sq∈x×y，訓練的目標是找到當前節(jié)點分裂函數(shù)h(x,θq)的參數(shù)θq。x為樣本特征集x的特征數(shù)據(jù)，分裂函數(shù)選為二進制函數(shù)：

h(x,θq)∈{0,1}(1)

如果h(x,θq)＝0則將當前樣本x和對應的標簽y放到左葉，否則將樣本x和對應的標簽y放到右葉。h(x,θq)的具體實現(xiàn)就是比較x中第k維特征的值與參數(shù)閾值τ的關系，即θq＝{k,τ}，為了訓練參數(shù)θq，定義節(jié)點q分裂后信息增益：

其中，sq為當前節(jié)點q上需要處理的特征總集合，為進入當前節(jié)點q左葉的特征樣本集合，為進入當前節(jié)點q右葉的特征樣本集合，從x的特征維度中隨機抽取l＝256個維度，遍歷所有{k,τ}組并計算對應的信息增益，當前節(jié)點參數(shù)θq選擇為使該節(jié)點信息增益最大化的那一組{k,τ}，信息增益的標準定義為：

這里的函數(shù)h(s)＝-∑ypylog(py)為香農(nóng)熵，py為邊緣標簽y在s出現(xiàn)的概率，計算時將s代入sq或即可；為和中的任一特征。

對決策樹中每個節(jié)點進行上述訓練，得到各節(jié)點的分裂函數(shù)參數(shù)，當一個節(jié)點分裂后香農(nóng)熵為0，停止分裂，設置該節(jié)點為結果節(jié)點，結果節(jié)點的輸出為該節(jié)點數(shù)量占比最大的邊緣標簽。

為了簡化信息增益的計算，對已經(jīng)映射到z空間的y再做進一步的簡化，利用主成分分析法將z空間的標簽向量降到1維，此時標簽向量空間為離散的形式，便于信息增益的計算。

4、生成隨機森林模型

重復t次步驟3,生成的t棵決策樹聯(lián)合形成訓練好的油瓶提環(huán)檢測隨機森林模型，作為優(yōu)選，t∈[4,6],以保證實時性。

5、集成隨機森林模型

以t＝4為例，即訓練4個決策樹。在對整幅圖像進行檢測時，采用滑動窗口方法，每隔2個像素提取一個16*16的圖像塊，利用訓練后的決策樹獲得當前圖像塊的邊緣標簽y，由于圖像塊之間有重疊，因此對每個像素點，將有8*8*4＝256個決策樹構成的決策森林，每棵樹的決策結果需要進行融合。最終，利用決策森林算法獲得的該像素點的分類結果就是256個決策樹的平均。

6、模板匹配，清點提環(huán)數(shù)量。

通過霍夫圓方法檢測提環(huán)邊緣圖中瓶蓋可能存在的位置，分割出可能存在提環(huán)的待測圖像塊。計算預先設好的提環(huán)標準模板圖像邊緣點集與待測圖像塊邊緣點集的hausdorff距離：

對于模板圖像塊中邊緣點集a＝{a1,a2,…,an},待測圖像塊邊緣點b＝{b1,b2,…,bn}，則集合a到集合b的hausdorff距離：

h(a,b)＝max(h(a,b),h(b,a))(8)

h(a,b)和h(b,a)分別代表a集合到b集合前向和后向hausdorff距離，其中h(a,b)小于閾值則匹配成功，待測圖像塊中存在提環(huán)，反之匹配失敗。統(tǒng)計匹配成功的圖像塊數(shù)量，得到提環(huán)個數(shù)。即完成對油瓶裝箱的清點。

圖2、3為本發(fā)明實施效果圖，待檢測圖像來源于某灌裝生產(chǎn)線上的油瓶裝箱圖像數(shù)據(jù)集。圖2(a)顯示了數(shù)據(jù)集中的白色提環(huán)油瓶裝箱圖像，圖2(b)、(c)、(d)，(e)分別為譜殘差法、laplace算子、canny算子、本發(fā)明檢測后的白色提環(huán)油瓶裝箱邊緣檢測圖，圖2(f)為本發(fā)明白色提環(huán)油瓶裝箱清點結果圖。圖3(a)顯示了數(shù)據(jù)集中的金色提環(huán)油瓶裝箱圖像，圖3(b)、(c)、(d)，(e)分別為譜殘差法、laplace算子、canny算子、本發(fā)明檢測后的金色提環(huán)油瓶裝箱邊緣檢測圖，圖3(f)為本發(fā)明金色提環(huán)油瓶裝箱清點結果圖。由圖2、圖3可見顯著性檢測當瓶身紋路影響明顯時，現(xiàn)有技術無法檢出提環(huán)，基于canny算子的方法和基于laplace算子的方法對噪聲敏感，無法排除瓶身紋路干擾，且參數(shù)需要手動設置，無法自適應地應對所有場景，例如canny算法會帶來偽邊緣，同時它的兩個參數(shù)需要人手動設置，不同顏色的提環(huán)，不同的打光條件下參數(shù)都不相同，實際檢測時這種算法并不實用。而本發(fā)明檢測結果準確，受瓶身紋路和油體顏色、提環(huán)顏色的影響較小，能夠準確檢測出與油瓶相關的邊緣，彌補以上三種傳統(tǒng)邊緣提取方法的不足。對整個數(shù)據(jù)集的測試統(tǒng)計表明，無漏檢、錯檢圖像，正確率達99％，且在vs平臺下平均每幅圖像處理時間僅需90ms以內(nèi)，本發(fā)明所提算法實現(xiàn)了既高正確率又高實時性的檢測。

本發(fā)明提供了一種基于結構化隨機森林的油瓶裝箱清點方法，具體實現(xiàn)該技術方案的方法和途徑很多，以上所述僅是本發(fā)明的優(yōu)選實施方案。應當指出，對于本技術領域的普通人員來說，在不脫離發(fā)明原理的前提下做出的任何同等替換和改進，都應視為本發(fā)明的保護范圍。另外，本實例中未明確的各組成部分均可用現(xiàn)有技術加以實現(xiàn)。