專利名稱：一種基于模糊算法的目標(biāo)監(jiān)視檢測(cè)方法及系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明屬于光電模具保護(hù)技術(shù)領(lǐng)域，涉及一種目標(biāo)監(jiān)視檢測(cè)方法，尤其涉及一種基于模糊算法的目標(biāo)監(jiān)視檢測(cè)方法；同時(shí)本發(fā)明還涉及一種基于模糊算法的目標(biāo)監(jiān)視檢測(cè)系統(tǒng)。
背景技術(shù)：
注塑模具作為注塑制品加工最重要的成型設(shè)備，其質(zhì)量?jī)?yōu)劣直接關(guān)系到制品質(zhì)量?jī)?yōu)劣。而且，由于模具在注塑加工企業(yè)生產(chǎn)成本中占據(jù)較大的比例，其使用壽命直接左右注塑制品成本。因此，提高注塑模具質(zhì)量，并通過光電技術(shù)維護(hù)和保養(yǎng)好，延長其使用周期，是注塑制品加工企業(yè)降本增效的重要課題。注塑制品加工企業(yè)由于產(chǎn)品品種多，模具更換較頻繁，在一個(gè)生產(chǎn)周期中，對(duì)注塑模具的維護(hù)與實(shí)時(shí)監(jiān)視非常重要，注塑機(jī)運(yùn)行時(shí)，每個(gè)周期內(nèi)昂貴的模具都可能因?yàn)闅埩艋蚧瑝K錯(cuò)位而有損壞的危險(xiǎn)，模具保護(hù)器可以防止這些情況發(fā)生。在光電自動(dòng)模具保護(hù)器中，對(duì)塑件和模腔目標(biāo)有效可靠的識(shí)別，是觸發(fā)保護(hù)裝置進(jìn)行保護(hù)性檢查的基本要求。注塑機(jī)在連續(xù)工作當(dāng)中，塑件和模腔總是交替出現(xiàn)，但是由于機(jī)器在長時(shí)間工作當(dāng)中，并非嚴(yán)格按照一定的周期運(yùn)行，而觸發(fā)保護(hù)裝置的方法不能采用定時(shí)觸發(fā)，而要根據(jù)具體的情況，相應(yīng)的目標(biāo)出現(xiàn)之后，再觸發(fā)保護(hù)檢查裝置進(jìn)行錯(cuò)誤性檢查。中國專利公開號(hào)為CN102152457A的專利揭示一種基于直方圖匹配的嵌入式塑料模具保護(hù)裝置，沒有涉及到目標(biāo)識(shí)別檢測(cè)，其他如中國專利公開號(hào)為CN2712620U、 CN201960720U的方案都是采用非光電圖像檢測(cè)方法進(jìn)行模具保護(hù)，可靠性差。

發(fā)明內(nèi)容
本發(fā)明所要解決的技術(shù)問題是提供一種基于模糊算法的目標(biāo)監(jiān)視檢測(cè)方法，可降低計(jì)算量，計(jì)算速度快，保證了實(shí)時(shí)檢測(cè)的要求；同時(shí)，采用模糊數(shù)學(xué)進(jìn)行統(tǒng)計(jì)參數(shù)的判決，提高了目標(biāo)識(shí)別檢測(cè)的可靠性，有效解決了速度和有效性之間的矛盾。此外，本發(fā)明還提供一種基于模糊算法的目標(biāo)監(jiān)視檢測(cè)系統(tǒng)，可降低計(jì)算量，計(jì)算速度快，保證了實(shí)時(shí)檢測(cè)的要求；同時(shí)，采用模糊數(shù)學(xué)進(jìn)行統(tǒng)計(jì)參數(shù)的判決，提高了目標(biāo)識(shí)別檢測(cè)的可靠性，有效解決了速度和有效性之間的矛盾。為解決上述技術(shù)問題，本發(fā)明采用如下技術(shù)方案一種基于模糊算法的目標(biāo)監(jiān)視檢測(cè)方法，所述方法用于檢測(cè)模具保護(hù)器塑件和模腔是否出現(xiàn)，包括如下步驟步驟1，抓取背景、塑件和模腔的數(shù)字圖像，按線性順序存儲(chǔ)；步驟2，獲取當(dāng)前幀的數(shù)字圖像，按線性順序存儲(chǔ)；步驟3，將當(dāng)前畫面分為若干小區(qū)域R0I，與背景、塑件和模腔的數(shù)字圖像分別在每一個(gè)ROI區(qū)域內(nèi)進(jìn)行差分，提取各種圖像間在ROI內(nèi)的差異；
步驟4，按ROI統(tǒng)計(jì)差異參數(shù)；統(tǒng)計(jì)之前，直接統(tǒng)計(jì)灰度值差異，或者在統(tǒng)計(jì)前進(jìn)行特征提取，建立特征矢量后，統(tǒng)計(jì)差異的特征矢量；步驟5，將各種統(tǒng)計(jì)參數(shù)進(jìn)行相似度和相異度比較，在正反兩個(gè)方向判斷各種背景、塑件、模腔三種目標(biāo)出現(xiàn)的可能性；在參數(shù)統(tǒng)計(jì)的時(shí)候，將背景也當(dāng)做要識(shí)別的一種目標(biāo)，符合背景的識(shí)別結(jié)果則判斷當(dāng)前圖像為背景；步驟6，目標(biāo)判斷步驟；包括a)如果背景特征的正向統(tǒng)計(jì)參數(shù)小于背景正向閾值Thol，同時(shí)，塑件和模腔的反向統(tǒng)計(jì)參數(shù)大于其各自的反向閾值The2和The3，則判斷當(dāng)前畫面為背景；b)反之，如果背景特征的反向統(tǒng)計(jì)參數(shù)大于背景反向閾值Thel，則判斷當(dāng)前畫面可能為塑件或模腔，轉(zhuǎn)到步驟c) ；c)如果塑件正向統(tǒng)計(jì)參數(shù)小于其正向閾值Tho2， 同時(shí)模腔的反向統(tǒng)計(jì)參數(shù)大于其反向閾值Tho3，則判斷當(dāng)前畫面為塑件，否則，則轉(zhuǎn)到步驟
d)；d)如果模腔的正向統(tǒng)計(jì)參數(shù)小于其正向閾值Tho3，同時(shí)塑件的反向統(tǒng)計(jì)參數(shù)大于其反向閾值Tho2，則判斷當(dāng)前畫面為模腔；步驟7，根據(jù)前一步對(duì)每個(gè)ROI的判斷結(jié)果，所有ROI內(nèi)的統(tǒng)計(jì)結(jié)果作為判斷依據(jù)， 當(dāng)所有ROI的判斷都有效時(shí)，則輸出結(jié)果；步驟8，閾值更新；當(dāng)所有ROI的判斷結(jié)果一致，表示該次判斷結(jié)果可靠性高，可作為閾值的更新依據(jù)，分別更新其對(duì)應(yīng)的正向或反向閾值；當(dāng)更新到設(shè)定的次數(shù)后，取正向和反向閾值的中值作為正向和反向統(tǒng)一的閾值。一種基于模糊算法的目標(biāo)監(jiān)視檢測(cè)方法，所述方法包括如下步驟步驟SI :獲取目標(biāo)圖像及背景圖像；步驟S2 :提取目標(biāo)圖像與背景圖像的差分特征參數(shù)；將當(dāng)前畫面分為若干小區(qū)域R0I，使用差分算法計(jì)算背景與塑件目標(biāo)、背景與模腔目標(biāo)在小區(qū)域ROI內(nèi)的圖像灰度差分；步驟S3 :檢測(cè)目標(biāo)相似度；根據(jù)步驟S2提取到的差分特征參數(shù)，統(tǒng)計(jì)各小區(qū)域 ROI內(nèi)的目標(biāo)出現(xiàn)參數(shù)數(shù)值，統(tǒng)計(jì)時(shí)，分別累積各自小區(qū)域ROI內(nèi)的目標(biāo)和非目標(biāo)特征參數(shù)；步驟S4 目標(biāo)判決步驟；由目標(biāo)的統(tǒng)計(jì)參數(shù)值，使用模糊判別法，進(jìn)行目標(biāo)未出現(xiàn)、目標(biāo)出現(xiàn)的決策可能性判斷。作為本發(fā)明的一種優(yōu)選方案，所述方法還包括目標(biāo)與背景分割步驟；根據(jù)目標(biāo)圖像的灰度值，將背景區(qū)域作為參考，從畫面中分割出目標(biāo)和非目標(biāo)圖像灰度級(jí)區(qū)域；判決閾值優(yōu)化步驟；根據(jù)統(tǒng)計(jì)結(jié)果，調(diào)整檢測(cè)間隔的上下判斷閾值，用上下間隔閾值的中值作為唯一判斷閾值標(biāo)準(zhǔn)，提高判斷結(jié)果的可靠性。作為本發(fā)明的一種優(yōu)選方案，所述步驟S2中，提取疑似目標(biāo)與非目標(biāo)區(qū)域的特征，特征提取算法使用灰度級(jí)累積，或者采用特征量提取并建立特征矢量，為后續(xù)對(duì)每一個(gè)子區(qū)域ROI內(nèi)進(jìn)行相對(duì)應(yīng)的目標(biāo)識(shí)別匹配準(zhǔn)備參數(shù)。作為本發(fā)明的一種優(yōu)選方案，所述步驟S2的差分算法中，執(zhí)行圖像差分算子之前，做漂移糾正，以消除由于相機(jī)或者目標(biāo)的微小移動(dòng)帶來的錯(cuò)誤。作為本發(fā)明的一種優(yōu)選方案，所述步驟S3中，分別統(tǒng)計(jì)當(dāng)前圖像與背景畫面、當(dāng)前圖像與塑件目標(biāo)、當(dāng)前圖像與模腔目標(biāo)的差分特征參數(shù)，并且是每個(gè)ROI內(nèi)部單獨(dú)進(jìn)行統(tǒng)計(jì)。作為本發(fā)明的一種優(yōu)選方案，所述步驟S4中，將當(dāng)前圖像與目標(biāo)圖像的差分特征作為正向判斷依據(jù)，而將當(dāng)前圖像與模腔目標(biāo)的差分特征參數(shù)作為反向判斷依據(jù)，分別使用正向判斷閾值和反向判斷閾值，并累積所有ROI判斷結(jié)果；同時(shí)，將多個(gè)ROI結(jié)果作為一個(gè)整體進(jìn)行判斷；所述步驟S4具體包括a)如果背景特征的正向統(tǒng)計(jì)參數(shù)小于背景正向閾值Thol，同時(shí)，塑件和模腔的反向統(tǒng)計(jì)參數(shù)大于其各自的反向閾值The2和The3，則判斷當(dāng)前畫面為背景；b)反之，如果背景特征的反向統(tǒng)計(jì)參數(shù)大于背景反向閾值Thel，則判斷當(dāng)前畫面可能為塑件或模腔，轉(zhuǎn)到步驟c)；c)如果塑件正向統(tǒng)計(jì)參數(shù)小于其正向閾值Tho2，同時(shí)模腔的反向統(tǒng)計(jì)參數(shù)大于其反向閾值Tho3，則判斷當(dāng)前畫面為塑件，否則，則轉(zhuǎn)到步驟d)；d)如果模腔的正向統(tǒng)計(jì)參數(shù)小于其正向閾值Tho3，同時(shí)塑件的反向統(tǒng)計(jì)參數(shù)大于其反向閾值Tho2，則判斷當(dāng)前畫面為模腔。一種基于模糊算法的目標(biāo)監(jiān)視檢測(cè)系統(tǒng)，所述系統(tǒng)包括圖像獲取模塊，用以獲取目標(biāo)圖像及背景圖像；差分特征提取模塊，用以提取目標(biāo)圖像與背景圖像的差分特征參數(shù)；將當(dāng)前畫面分為若干小區(qū)域R0I，使用差分算法計(jì)算背景與塑件目標(biāo)、背景與模腔目標(biāo)在小區(qū)域ROI內(nèi)的圖像灰度差分；目標(biāo)相似度檢測(cè)模塊，用以檢測(cè)目標(biāo)相似度；根據(jù)提取到的差分特征參數(shù)，統(tǒng)計(jì)各小區(qū)域ROI內(nèi)的目標(biāo)出現(xiàn)參數(shù)數(shù)值，統(tǒng)計(jì)時(shí)，分別累積各自小區(qū)域ROI內(nèi)的目標(biāo)和非目標(biāo)特征參數(shù)；目標(biāo)判決模塊，用以根據(jù)目標(biāo)的統(tǒng)計(jì)參數(shù)值使用模糊判別法進(jìn)行目標(biāo)未出現(xiàn)、目標(biāo)出現(xiàn)的決策可能性判斷。作為本發(fā)明的一種優(yōu)選方案，所述系統(tǒng)進(jìn)一步包括目標(biāo)與背景分割模塊，用以根據(jù)目標(biāo)圖像的灰度值，將背景區(qū)域作為參考，從畫面中分割出目標(biāo)和非目標(biāo)圖像灰度級(jí)區(qū)域；判決閾值優(yōu)化模塊，用以根據(jù)統(tǒng)計(jì)結(jié)果調(diào)整檢測(cè)間隔的上下判斷閾值，用上下間隔閾值的中值作為唯一判斷閾值標(biāo)準(zhǔn)，提高判斷結(jié)果的可靠性。作為本發(fā)明的一種優(yōu)選方案，所述目標(biāo)判決模塊將當(dāng)前圖像與目標(biāo)圖像的差分特征作為正向判斷依據(jù)，而將當(dāng)前圖像與模腔目標(biāo)的差分特征參數(shù)作為反向判斷依據(jù)，分別使用正向判斷閾值和反向判斷閾值，并累積所有ROI判斷結(jié)果；同時(shí)，將多個(gè)ROI結(jié)果作為一個(gè)整體進(jìn)行判斷；所述目標(biāo)判決模塊的判決過程具體包括a)如果背景特征的正向統(tǒng)計(jì)參數(shù)小于背景正向閾值Thol，同時(shí)，塑件和模腔的反向統(tǒng)計(jì)參數(shù)大于其各自的反向閾值The2和The3，則判斷當(dāng)前畫面為背景；b)反之，如果背景特征的反向統(tǒng)計(jì)參數(shù)大于背景反向閾值Thel，則判斷當(dāng)前畫面可能為塑件或模腔，轉(zhuǎn)到步驟c)；c)如果塑件正向統(tǒng)計(jì)參數(shù)小于其正向閾值Tho2，同時(shí)模腔的反向統(tǒng)計(jì)參數(shù)大于其反向閾值Tho3，則判斷當(dāng)前畫面為塑件，否則，則轉(zhuǎn)到步驟d)；d)如果模腔的正向統(tǒng)計(jì)參數(shù)小于其正向閾值Tho3，同時(shí)塑件的反向統(tǒng)計(jì)參數(shù)大于其反向閾值Tho2，則判斷當(dāng)前畫面為模腔。本發(fā)明提供了一種基于模糊算法的目標(biāo)監(jiān)視檢測(cè)系統(tǒng)，包括畫面差分和特征提取算子，在每個(gè)ROI內(nèi)單獨(dú)做目標(biāo)圖像的差分；在目標(biāo)的特征提取和統(tǒng)計(jì)時(shí)，目標(biāo)疑似性參數(shù)也在每個(gè)ROI內(nèi)單獨(dú)進(jìn)行；特征參數(shù)分類提取，分為背景、 塑件、模腔三種類型的特征參數(shù)，其差分和特征提取方式雖然相同，但是每次提取到的三類參數(shù)都會(huì)不同，提高了判斷的可靠性依據(jù)；正反向模糊判斷算子，在每個(gè)ROI分別在兩個(gè)方向上跟各自的閾值進(jìn)行判斷，每種參數(shù)出現(xiàn)是和否兩個(gè)判斷結(jié)果，各自的判斷結(jié)果相互獨(dú)立；聯(lián)合各類參數(shù)和所有ROI進(jìn)行綜合判斷，綜合判斷的結(jié)果大大提高了判斷可靠性；判斷閾值更新算子，對(duì)每個(gè)ROI和每種參數(shù)的兩個(gè)方向上的判斷閾值進(jìn)行更新， 簡(jiǎn)化判斷過程，同時(shí)不降低判斷準(zhǔn)確度。本發(fā)明提供的模具保護(hù)器塑件和模腔目標(biāo)出現(xiàn)的識(shí)別檢測(cè)系統(tǒng)，包括以下裝置I)目標(biāo)與背景畫面的存儲(chǔ)裝置，獲取背景與目標(biāo)圖像，進(jìn)行初步處理后，按線性順序存儲(chǔ)；2)差分特征提取算子，使用差分算法計(jì)算背景與塑件目標(biāo)、背景與模腔目標(biāo)的圖像灰度差分，提取疑似目標(biāo)與非目標(biāo)區(qū)域的特征檢測(cè)算子，特征提取算法可以使用灰度級(jí)累積，也可以采用特征量提取并建立特征矢量，為后續(xù)對(duì)每一個(gè)子區(qū)域ROI內(nèi)進(jìn)行相對(duì)應(yīng)的目標(biāo)識(shí)別匹配準(zhǔn)備參數(shù)；3)目標(biāo)相似度檢測(cè)裝置，根據(jù)前一步提取到的特征值，統(tǒng)計(jì)各ROI區(qū)域內(nèi)的目標(biāo)出現(xiàn)參數(shù)數(shù)值；4)目標(biāo)判決裝置，由目標(biāo)的統(tǒng)計(jì)參數(shù)值，使用模糊判別法，進(jìn)行目標(biāo)未出現(xiàn)、目標(biāo)出現(xiàn)的決策可能性判斷；5)輸出結(jié)果，所有ROI內(nèi)目標(biāo)出現(xiàn)判斷結(jié)果輸出，同時(shí)輸出統(tǒng)計(jì)參數(shù)供參考；6)統(tǒng)計(jì)參數(shù)在目標(biāo)出現(xiàn)與未出現(xiàn)之間有很大一個(gè)間隔，間隔越大則判斷結(jié)果越準(zhǔn)確，該發(fā)明方法可以結(jié)合自動(dòng)學(xué)習(xí)功能，自動(dòng)調(diào)整該檢測(cè)間隔的上下閾值，用上下間隔閾值的中間值作為唯一判斷標(biāo)準(zhǔn)，則判斷結(jié)果更加可靠。本發(fā)明的有益效果在于本發(fā)明提出的基于模糊算法的目標(biāo)監(jiān)視檢測(cè)方法及系統(tǒng)，根據(jù)注塑機(jī)的目標(biāo)運(yùn)動(dòng)特點(diǎn)，針對(duì)兩種目標(biāo)出現(xiàn)的差異性而設(shè)計(jì)的一套有效的目標(biāo)檢測(cè)方案，包括對(duì)背景的重建，目標(biāo)區(qū)域的建立，非目標(biāo)相似性和目標(biāo)相似性計(jì)算，再結(jié)合模糊檢測(cè)算法，有效地解決了目標(biāo)識(shí)別的不可靠性，做到100%的有效識(shí)別。本發(fā)明降低了計(jì)算量，計(jì)算速度快，保證了實(shí)時(shí)檢測(cè)的要求，同時(shí)，采用模糊數(shù)學(xué)進(jìn)行統(tǒng)計(jì)參數(shù)的判決，提高了目標(biāo)識(shí)別檢測(cè)的可靠性，有效解決了速度和有效性之間的矛盾。該算法在實(shí)際應(yīng)用中，表現(xiàn)良好，實(shí)用性很強(qiáng)。本發(fā)明對(duì)在圖像差分的時(shí)候，只對(duì)ROI內(nèi)的有效像素進(jìn)行差分運(yùn)算，運(yùn)算量大大降低。本發(fā)明在統(tǒng)計(jì)疑似目標(biāo)特征時(shí)，將三類不同的差分結(jié)果，即當(dāng)前圖像與背景畫面、 當(dāng)前圖像與塑件目標(biāo)、當(dāng)前圖像與模腔目標(biāo)的差分特征，分別進(jìn)行單獨(dú)，同時(shí)結(jié)合每個(gè)ROI區(qū)域，在ROI內(nèi)部進(jìn)行特征參數(shù)統(tǒng)計(jì)。本發(fā)明在進(jìn)行目標(biāo)判決時(shí)，分別采用正向和反向兩種判斷標(biāo)準(zhǔn)，結(jié)合正向和反向判斷結(jié)果，大大提高了判斷的可靠性。


圖I為本發(fā)明檢測(cè)相機(jī)的緩慢移動(dòng)方法的整個(gè)工作流程圖。圖2為本發(fā)明中所有設(shè)備之間邏輯構(gòu)成的框圖。圖3為目標(biāo)識(shí)別的模糊判斷原理圖。圖4為閉模目標(biāo)出現(xiàn)的特征數(shù)據(jù)流的判斷流程圖。
具體實(shí)施例方式下面結(jié)合附圖詳細(xì)說明本發(fā)明的優(yōu)選實(shí)施例。實(shí)施例一請(qǐng)參閱圖1，本發(fā)明揭示一種基于模糊算法的目標(biāo)監(jiān)視檢測(cè)方法，所述方法可用于檢測(cè)模具保護(hù)器塑件和模腔是否出現(xiàn)(當(dāng)然，本發(fā)明還可以用于其他領(lǐng)域)，包括如下步驟步驟SI獲取目標(biāo)圖像及背景圖像。進(jìn)行初步處理后，按線性順序存儲(chǔ)。步驟S2提取目標(biāo)圖像與背景圖像的差分特征參數(shù)；將當(dāng)前畫面分為若干小區(qū)域R0I，使用差分算法計(jì)算背景與塑件目標(biāo)、背景與模腔目標(biāo)在小區(qū)域ROI內(nèi)的圖像灰度差分。提取疑似目標(biāo)與非目標(biāo)區(qū)域的特征，特征提取算法使用灰度級(jí)累積，或者采用特征量提取并建立特征矢量，為后續(xù)對(duì)每一個(gè)子區(qū)域ROI內(nèi)進(jìn)行相對(duì)應(yīng)的目標(biāo)識(shí)別匹配準(zhǔn)備參數(shù)。步驟S3檢測(cè)目標(biāo)相似度；根據(jù)步驟S2提取到的差分特征參數(shù)，統(tǒng)計(jì)各小區(qū)域 ROI內(nèi)的目標(biāo)出現(xiàn)參數(shù)數(shù)值，統(tǒng)計(jì)時(shí)，分別累積各自小區(qū)域ROI內(nèi)的目標(biāo)和非目標(biāo)特征參數(shù)。步驟S4目標(biāo)判決步驟；由目標(biāo)的統(tǒng)計(jì)參數(shù)值，使用模糊判別法，進(jìn)行目標(biāo)未出現(xiàn)、目標(biāo)出現(xiàn)的決策可能性判斷。將當(dāng)前圖像與目標(biāo)圖像的差分特征作為正向判斷依據(jù)，而將當(dāng)前圖像與模腔目標(biāo)的差分特征參數(shù)作為反向判斷依據(jù)，分別使用正向判斷閾值和反向判斷閾值，并累積所有ROI判斷結(jié)果；同時(shí)，將多個(gè)ROI結(jié)果作為一個(gè)整體進(jìn)行判斷。判斷方法包括a)如果背景特征的正向統(tǒng)計(jì)參數(shù)小于背景正向閾值Tho(background),同時(shí),塑件和模腔的反向統(tǒng)計(jì)參數(shù)大于其各自的反向閾值The (product)和The (mode),則判斷當(dāng)前畫面為背景；b)反之，如果背景特征的反向統(tǒng)計(jì)參數(shù)大于背景反向閾值The (background),則判斷當(dāng)前畫面可能為塑件或模腔，轉(zhuǎn)到下面兩步進(jìn)一步判斷；c)如果塑件正向統(tǒng)計(jì)參數(shù)小于其正向閾值Tho(product),同時(shí)模腔的反向統(tǒng)計(jì)參數(shù)大于其反向閾值Tho (mode)，則判斷當(dāng)前畫面為塑件，否則，則轉(zhuǎn)到下一步；d)如果模腔的正向統(tǒng)計(jì)參數(shù)小于其正向閾值Tho(mode),同時(shí)塑件的反向統(tǒng)計(jì)參數(shù)大于其反向閾值Tho(PiOduct)，則判斷當(dāng)前畫面為模腔。步驟S5輸出結(jié)果，所有ROI內(nèi)目標(biāo)出現(xiàn)判斷結(jié)果輸出，同時(shí)輸出統(tǒng)計(jì)參數(shù)供參考。步驟S6統(tǒng)計(jì)參數(shù)在目標(biāo)出現(xiàn)與未出現(xiàn)之間有很大一個(gè)間隔，間隔越大則判斷結(jié)果越準(zhǔn)確，該發(fā)明方法可以結(jié)合自動(dòng)學(xué)習(xí)功能，自動(dòng)調(diào)整該檢測(cè)間隔的上下閾值，用上下間隔閾值的中間值作為唯一判斷標(biāo)準(zhǔn)，則判斷結(jié)果更加可靠。請(qǐng)參閱圖2，本發(fā)明還揭示一種基于模糊算法的目標(biāo)監(jiān)視檢測(cè)系統(tǒng)，所述系統(tǒng)包括圖像獲取模塊100、差分特征提取模塊200、目標(biāo)相似度檢測(cè)模塊300、目標(biāo)判決模塊 400、目標(biāo)與背景分割模塊(即結(jié)果輸入分割模塊)500、判決閾值優(yōu)化模塊(即閾值更新模塊)600。圖像獲取模塊100用以獲取目標(biāo)圖像及背景圖像。進(jìn)行初步處理后，按線性順序存儲(chǔ)。差分特征提取模塊200用以提取目標(biāo)圖像與背景圖像的差分特征參數(shù)。將當(dāng)前畫面分為若干小區(qū)域R0I，使用差分算法計(jì)算背景與塑件目標(biāo)、背景與模腔目標(biāo)的圖像灰度差分，提取疑似目標(biāo)與非目標(biāo)區(qū)域的特征檢測(cè)算子，特征提取算法可以使用灰度級(jí)累積，也可以采用特征量提取并建立特征矢量，為后續(xù)對(duì)每一個(gè)子區(qū)域ROI內(nèi)進(jìn)行相對(duì)應(yīng)的目標(biāo)識(shí)別匹配準(zhǔn)備參數(shù)。執(zhí)行圖像差分算子之前，可以先做漂移糾正，以消除由于相機(jī)或者目標(biāo)的微小移動(dòng)帶來的錯(cuò)誤。目標(biāo)相似度檢測(cè)模塊300用以檢測(cè)目標(biāo)相似度；根據(jù)提取到的差分特征參數(shù)，統(tǒng)計(jì)各小區(qū)域ROI內(nèi)的目標(biāo)出現(xiàn)參數(shù)數(shù)值，統(tǒng)計(jì)時(shí)，分別累積各自小區(qū)域ROI內(nèi)的目標(biāo)和非目標(biāo)特征參數(shù)。本實(shí)施例中，分別統(tǒng)計(jì)當(dāng)前圖像與背景畫面、當(dāng)前圖像與塑件目標(biāo)、當(dāng)前圖像與模腔目標(biāo)的差分特征參數(shù)，并且是每個(gè)ROI內(nèi)部單獨(dú)進(jìn)行統(tǒng)計(jì)。目標(biāo)判決模塊400用以根據(jù)目標(biāo)的統(tǒng)計(jì)參數(shù)值使用模糊判別法進(jìn)行目標(biāo)未出現(xiàn)、 目標(biāo)出現(xiàn)的決策可能性判斷。目標(biāo)與背景分割模塊(即結(jié)果輸入分割模塊)500用以根據(jù)目標(biāo)圖像的灰度值，將背景區(qū)域作為參考，從畫面中分割出目標(biāo)和非目標(biāo)圖像灰度級(jí)區(qū)域。判決閾值優(yōu)化模塊(即閾值更新模塊)600用以根據(jù)統(tǒng)計(jì)結(jié)果調(diào)整檢測(cè)間隔的上下判斷閾值，用上下間隔閾值的中值作為唯一判斷閾值標(biāo)準(zhǔn)，提高判斷結(jié)果的可靠性。所述目標(biāo)判決模塊將當(dāng)前圖像與目標(biāo)圖像的差分特征作為正向判斷依據(jù)，而將當(dāng)前圖像與模腔目標(biāo)的差分特征參數(shù)作為反向判斷依據(jù)，分別使用正向判斷閾值和反向判斷閾值，并累積所有ROI判斷結(jié)果；同時(shí)，雖然多個(gè)ROI的目標(biāo)出現(xiàn)率是單獨(dú)計(jì)算的，但是無論塑件還是模腔，都是整個(gè)出現(xiàn)在畫面中的，所以在判斷目標(biāo)的時(shí)候，將多個(gè)ROI結(jié)果作為一個(gè)整體進(jìn)行判斷。所述目標(biāo)判決模塊的判決過程具體包括a)如果背景特征的正向統(tǒng)計(jì)參數(shù)小于背景正向閾值Thol，同時(shí)，塑件和模腔的反向統(tǒng)計(jì)參數(shù)大于其各自的反向閾值The2和The3，則判斷當(dāng)前畫面為背景；b)反之，如果背景特征的反向統(tǒng)計(jì)參數(shù)大于背景反向閾值Thel，則判斷當(dāng)前畫面可能為塑件或模腔，轉(zhuǎn)到步驟c)；c)如果塑件正向統(tǒng)計(jì)參數(shù)小于其正向閾值Tho2，同時(shí)模腔的反向統(tǒng)計(jì)參數(shù)大于其反向閾值Tho3，則判斷當(dāng)前畫面為塑件，否則，則轉(zhuǎn)到步驟d)；d)如果模腔的正向統(tǒng)計(jì)參數(shù)小于其正向閾值Tho3，同時(shí)塑件的反向統(tǒng)計(jì)參數(shù)大于其反向閾值Tho2，則判斷當(dāng)前畫面為模腔。實(shí)施例二模具保護(hù)系統(tǒng)首先要抓拍合模、塑件、模腔三張標(biāo)準(zhǔn)圖像作為識(shí)別的基準(zhǔn)模板，基準(zhǔn)模板圖像存在預(yù)設(shè)的目錄下，系統(tǒng)每次啟動(dòng)的時(shí)候，讀入內(nèi)存，轉(zhuǎn)換成二維數(shù)據(jù)并根據(jù) CPU位數(shù)做4/8對(duì)齊。在模具保護(hù)系統(tǒng)檢測(cè)工作的間隙，每次抓圖都要進(jìn)行目標(biāo)識(shí)別檢測(cè)， 包括以下步驟第一步驟，目標(biāo)與背景畫面的差分提取特征參數(shù)，使用差分算法計(jì)算背景與塑件目標(biāo)、背景與模腔目標(biāo)的圖像灰度差分，提取疑似目標(biāo)與非目標(biāo)區(qū)域的特征檢測(cè)算子，特征提取算法可以使用灰度級(jí)累積，也可以采用特征量提取并建立特征矢量，為后續(xù)對(duì)每一個(gè)子區(qū)域ROI內(nèi)進(jìn)行相對(duì)應(yīng)的目標(biāo)識(shí)別匹配準(zhǔn)備參數(shù)。該步驟的主要算子為圖像差分算子；執(zhí)行圖像差分算子之前，可以做漂移糾正，以消除由于相機(jī)或者目標(biāo)的微小移動(dòng)帶來的錯(cuò)誤；第二步驟，目標(biāo)相似度檢測(cè)裝置，根據(jù)前一步提取到的特征值，統(tǒng)計(jì)各ROI區(qū)域內(nèi)的目標(biāo)出現(xiàn)參數(shù)數(shù)值，統(tǒng)計(jì)的時(shí)候，分別累積各自ROI內(nèi)的目標(biāo)和非目標(biāo)特征參數(shù)。該步驟的主要算子模塊為目標(biāo)的相似度統(tǒng)計(jì)相似度統(tǒng)計(jì)時(shí)，要分別統(tǒng)計(jì)當(dāng)前圖像與背景畫面、當(dāng)前圖像與塑件目標(biāo)、當(dāng)前圖像與模腔目標(biāo)的差分特征參數(shù)，并且是每個(gè)ROI內(nèi)部單獨(dú)進(jìn)行統(tǒng)計(jì)；統(tǒng)計(jì)的結(jié)果是不斷修正目標(biāo)的上下兩個(gè)閾值，當(dāng)每個(gè)目標(biāo)的上下閾值穩(wěn)定后，可計(jì)算閾值中值，作為最終的判斷基準(zhǔn)，如圖3所示。圖3中的正向和反向閾值之間有一個(gè)間隔，間隔越大，表明目標(biāo)檢測(cè)的結(jié)果越可靠，采用閾值中值進(jìn)行判斷帶來的錯(cuò)誤概率越低。判決閾值算子優(yōu)化根據(jù)統(tǒng)計(jì)結(jié)果，調(diào)整檢測(cè)間隔的上下判斷閾值，用上下閾值的中值作為新的單一閾值。在這一步中，作為判斷基準(zhǔn)的閾值，由于使用了間隔閾值的中值作為唯一判斷閾值標(biāo)準(zhǔn)，簡(jiǎn)化了判斷流程，同時(shí)提高判斷結(jié)果的可靠性。第三步驟，目標(biāo)判決裝置，由目標(biāo)的統(tǒng)計(jì)參數(shù)值，使用模糊判別法，進(jìn)行目標(biāo)未出現(xiàn)、目標(biāo)出現(xiàn)的決策可能性判斷。目標(biāo)與背景分割算子根據(jù)目標(biāo)圖像的灰度值，將背景區(qū)域作為參考，從畫面中分割出目標(biāo)和非目標(biāo)圖像灰度級(jí)區(qū)域。目標(biāo)判決裝置將當(dāng)前圖像與目標(biāo)圖像的差分特征作為正向判斷依據(jù)，而將當(dāng)前圖像與模腔目標(biāo)的差分特征參數(shù)作為反向判斷依據(jù)，分別使用正向判斷閾值和反向判斷閾值，并累積所有ROI判斷結(jié)果。如圖4所示，當(dāng)閉模目標(biāo)出現(xiàn)時(shí)，所統(tǒng)計(jì)的特征值，進(jìn)行模糊判斷時(shí)，只有閉模目標(biāo)判斷為真，其余目標(biāo)判斷為非。正式這種多目標(biāo)聯(lián)合進(jìn)行是非判斷， 才大大提高了判斷的可靠性。當(dāng)塑件目標(biāo)或模腔目標(biāo)出現(xiàn)時(shí)，也只有相應(yīng)的目標(biāo)判斷為真， 其余目標(biāo)判別器為非，其特征數(shù)據(jù)流程和圖4類似。在目標(biāo)出現(xiàn)判斷中，雖然多個(gè)ROI的目標(biāo)出現(xiàn)率是單獨(dú)計(jì)算的，但是無論塑件還是模腔，都是整個(gè)出現(xiàn)在畫面中的，所以在判斷目標(biāo)的時(shí)候，將多個(gè)ROI結(jié)果作為一個(gè)整體進(jìn)行判斷。實(shí)施例三請(qǐng)參閱圖1，本發(fā)明提供的模具保護(hù)器塑件和模腔目標(biāo)出現(xiàn)的識(shí)別檢測(cè)方法，具體可細(xì)分為以下幾步
步驟1，抓取背景、塑件和模腔的數(shù)字圖像。步驟2，獲取當(dāng)前幀數(shù)字圖像。步驟3，將當(dāng)前畫面按ROI小區(qū)域，與背景、塑件和模腔的數(shù)字圖像分別在每一個(gè) ROI區(qū)域內(nèi)進(jìn)行差分，提取各種圖像間在ROI內(nèi)的差異。步驟4，按ROI統(tǒng)計(jì)差異參數(shù)，統(tǒng)計(jì)之前，可以直接統(tǒng)計(jì)灰度值差異。也可以在統(tǒng)計(jì)前進(jìn)行特征提取，建立特征矢量后，統(tǒng)計(jì)差異的特征矢量。不同的統(tǒng)計(jì)參數(shù)，只是后期的參數(shù)比較有所差異，計(jì)算流程不變。步驟5，將各種統(tǒng)計(jì)參數(shù)進(jìn)行相似度和相異度比較，在正反兩個(gè)方向判斷各種背景、塑件、模腔三種目標(biāo)出現(xiàn)的可能性。為了簡(jiǎn)化算法和提高可靠性，在參數(shù)統(tǒng)計(jì)的時(shí)候，將背景也當(dāng)做要識(shí)別的一種目標(biāo)，符合背景的識(shí)別結(jié)果則判斷當(dāng)前圖像為背景。步驟6，判斷方法a)如果背景特征的正向統(tǒng)計(jì)參數(shù)小于背景正向閾值 Tho (background),同時(shí),塑件和模腔的反向統(tǒng)計(jì)參數(shù)大于其各自的反向閾值The (product) 和The (mode)，則判斷當(dāng)前畫面為背景；b)反之，如果背景特征的反向統(tǒng)計(jì)參數(shù)大于背景反向閾值The (background),則判斷當(dāng)前畫面可能為塑件或模腔,轉(zhuǎn)到下面兩步進(jìn)一步判斷；c)如果塑件正向統(tǒng)計(jì)參數(shù)小于其正向閾值Tho (product),同時(shí)模腔的反向統(tǒng)計(jì)參數(shù)大于其反向閾值Tho (mode)，則判斷當(dāng)前畫面為塑件，否則，則轉(zhuǎn)到下一步；d)如果模腔的正向統(tǒng)計(jì)參數(shù)小于其正向閾值Tho(mode)，同時(shí)塑件的反向統(tǒng)計(jì)參數(shù)大于其反向閾值 Tho (product),則判斷當(dāng)前畫面為模腔；步驟7，根據(jù)前一步對(duì)每個(gè)ROI的判斷結(jié)果，所有ROI內(nèi)的統(tǒng)計(jì)結(jié)果作為判斷依據(jù)， 當(dāng)所有ROI的判斷都有效時(shí)，則輸出結(jié)果。步驟8，閾值更新。當(dāng)所有ROI的判斷結(jié)果一致，表示該次判斷結(jié)果可靠性很高，可以作為閾值的更新依據(jù)，分別更新其對(duì)應(yīng)的正向或反向閾值。當(dāng)更新到一定的次數(shù)后，取正向和反向閾值的中值作為正向和反向統(tǒng)一的閾值。實(shí)施例四由于光電模具保護(hù)器是基于C/C++語言開發(fā)，整個(gè)移動(dòng)檢測(cè)方法的所有軟件模塊都具有很強(qiáng)的可移植性，因此，本發(fā)明可以駐留在商用PC、工控機(jī)、嵌入式系統(tǒng)中獨(dú)立運(yùn)行。 該算法模塊是一個(gè)獨(dú)立的模塊，可以應(yīng)用在其他需要進(jìn)行靜態(tài)目標(biāo)檢測(cè)的場(chǎng)合。同時(shí)，算法所依托的硬件實(shí)體不限，即便是FPGA等，也可以通過簡(jiǎn)單的改寫就能運(yùn)行。本發(fā)明在實(shí)施的時(shí)候，可建立三個(gè)函數(shù)來實(shí)現(xiàn)目標(biāo)判斷I)圖像差分與特征統(tǒng)計(jì)函數(shù)tFeature*ImageDiffAccu(BYTE*pSorce, BYTE*pRef，RECT rRoi)，該函數(shù)的輸出tFeature為特征參數(shù)結(jié)構(gòu)體指針，該結(jié)構(gòu)體可根據(jù)特征檢測(cè)矢量的算法定義，如果只是采用灰度級(jí)差異進(jìn)行統(tǒng)計(jì)，則tFeature可以等同于 long型數(shù)據(jù)；輸入?yún)?shù)l，BYTE*pSorCe為當(dāng)前圖像的數(shù)據(jù)指針；2，BYTE*pRef為背景、塑件或模腔圖像的數(shù)據(jù)指針，3，RECT rRoi為計(jì)算參數(shù)的子區(qū)域ROI參數(shù)。該函數(shù)實(shí)現(xiàn)圖像在某一 ROI內(nèi)的差分和特征統(tǒng)計(jì)。2)某一 ROI 內(nèi)的目標(biāo)類型可能性判斷:t0bject*0bjectJudge (tFeature*ptf, intiType),該函數(shù)的輸出tObject為特征參數(shù)比較結(jié)果的結(jié)構(gòu)體指針，該結(jié)構(gòu)體可根據(jù)特征檢測(cè)矢量的算法定義，如果只是采用灰度級(jí)差異進(jìn)行統(tǒng)計(jì)，則tObject可以等同于long 型數(shù)據(jù)；輸入?yún)?shù)1，tFeature*ptf為ROI的特征統(tǒng)計(jì)參數(shù)結(jié)構(gòu)體；輸入?yún)?shù)2int iType為目標(biāo)類型，分別為背景、塑件和模腔三種，函數(shù)內(nèi)部根據(jù)不同類型的目標(biāo)，調(diào)用不同的閾值進(jìn)行判斷。3)最終目標(biāo)的綜合性判斷int ResultPut (tObject&pobjl, tObject&pobj2, tOb ject&pob j3)，該函數(shù)根據(jù)上述目標(biāo)的可能性統(tǒng)計(jì)判斷結(jié)果，進(jìn)行綜合性判斷，最后輸出判斷結(jié)果。該函數(shù)的輸出為目標(biāo)類型，O :背景，I :塑件，2 :模腔，-I :判斷失??；輸入?yún)?shù)1， tOb ject&pob jl, tOb ject&pob j2, tOb ject&pob j3則分別為三種不同類型目標(biāo)的可能性參數(shù)，當(dāng)畫面中有多個(gè)ROI時(shí)，該參數(shù)為數(shù)組類型。檢測(cè)中的第一大步調(diào)用函數(shù)ImageDiffAccu，進(jìn)行目標(biāo)與背景畫面的差分提取特征參數(shù)，使用差分算法計(jì)算背景與塑件目標(biāo)、背景與模腔目標(biāo)的圖像灰度差分，提取疑似目標(biāo)與非目標(biāo)區(qū)域的特征檢測(cè)算子，特征提取算法可以使用灰度級(jí)累積，也可以采用特征量提取并建立特征矢量，為后續(xù)對(duì)每一個(gè)子區(qū)域ROI內(nèi)進(jìn)行相對(duì)應(yīng)的目標(biāo)識(shí)別匹配準(zhǔn)備參數(shù)；第二步驟則調(diào)用Objectjudge，目標(biāo)相似度檢測(cè)裝置，根據(jù)前一步提取到的特征值，統(tǒng)計(jì)各ROI區(qū)域內(nèi)的目標(biāo)出現(xiàn)參數(shù)數(shù)值，統(tǒng)計(jì)的時(shí)候，分別累積各自ROI內(nèi)的目標(biāo)和非目標(biāo)特征參數(shù)。第三步驟，目標(biāo)判決裝置使用函數(shù)ResultPut，由目標(biāo)的統(tǒng)計(jì)參數(shù)值，使用模糊判別法，進(jìn)行目標(biāo)未出現(xiàn)、目標(biāo)出現(xiàn)的決策可能性判斷這里本發(fā)明的描述和應(yīng)用是說明性的，并非想將本發(fā)明的范圍限制在上述實(shí)施例中。這里所披露的實(shí)施例的變形和改變是可能的，對(duì)于那些本領(lǐng)域的普通技術(shù)人員來說實(shí)施例的替換和等效的各種部件是公知的。本領(lǐng)域技術(shù)人員應(yīng)該清楚的是，在不脫離本發(fā)明的精神或本質(zhì)特征的情況下，本發(fā)明可以以其它形式、結(jié)構(gòu)、布置、比例，以及用其它組件、 材料和部件來實(shí)現(xiàn)。在不脫離本發(fā)明范圍和精神的情況下，可以對(duì)這里所披露的實(shí)施例進(jìn)行其它變形和改變。
權(quán)利要求
1.一種基于模糊算法的目標(biāo)監(jiān)視檢測(cè)方法，其特征在于，所述方法用于檢測(cè)模具保護(hù)器塑件和模腔是否出現(xiàn)，包括如下步驟步驟1，抓取背景、塑件和模腔的數(shù)字圖像，按線性順序存儲(chǔ)；步驟2，獲取當(dāng)前幀的數(shù)字圖像，按線性順序存儲(chǔ)；步驟3，將當(dāng)前畫面分為若干小區(qū)域R0I，與背景、塑件和模腔的數(shù)字圖像分別在每一個(gè)ROI區(qū)域內(nèi)進(jìn)行差分，提取各種圖像間在ROI內(nèi)的差異；步驟4，按ROI統(tǒng)計(jì)差異參數(shù)；統(tǒng)計(jì)之前，直接統(tǒng)計(jì)灰度值差異，或者在統(tǒng)計(jì)前進(jìn)行特征提取，建立特征矢量后，統(tǒng)計(jì)差異的特征矢量；步驟5，將各種統(tǒng)計(jì)參數(shù)進(jìn)行相似度和相異度比較，在正反兩個(gè)方向判斷各種背景、塑件、模腔三種目標(biāo)出現(xiàn)的可能性；在參數(shù)統(tǒng)計(jì)的時(shí)候，將背景也當(dāng)做要識(shí)別的一種目標(biāo)，符合背景的識(shí)別結(jié)果則判斷當(dāng)前圖像為背景；步驟6，目標(biāo)判斷步驟；包括a)如果背景特征的正向統(tǒng)計(jì)參數(shù)小于背景正向閾值 Tho I，同時(shí)，塑件和模腔的反向統(tǒng)計(jì)參數(shù)大于其各自的反向閾值The2和The3，則判斷當(dāng)前畫面為背景；b)反之，如果背景特征的反向統(tǒng)計(jì)參數(shù)大于背景反向閾值Thel，則判斷當(dāng)前畫面可能為塑件或模腔，轉(zhuǎn)到步驟c) ；c)如果塑件正向統(tǒng)計(jì)參數(shù)小于其正向閾值Tho2，同時(shí)模腔的反向統(tǒng)計(jì)參數(shù)大于其反向閾值Tho3，則判斷當(dāng)前畫面為塑件，否則，則轉(zhuǎn)到步驟 d) ；d)如果模腔的正向統(tǒng)計(jì)參數(shù)小于其正向閾值Tho3，同時(shí)塑件的反向統(tǒng)計(jì)參數(shù)大于其反向閾值Tho2，則判斷當(dāng)前畫面為模腔；步驟7，根據(jù)前一步對(duì)每個(gè)ROI的判斷結(jié)果，所有ROI內(nèi)的統(tǒng)計(jì)結(jié)果作為判斷依據(jù)，當(dāng)所有ROI的判斷都有效時(shí)，則輸出結(jié)果；步驟8，閾值更新；當(dāng)所有ROI的判斷結(jié)果一致，表示該次判斷結(jié)果可靠性高，可作為閾值的更新依據(jù)，分別更新其對(duì)應(yīng)的正向或反向閾值；當(dāng)更新到設(shè)定的次數(shù)后，取正向和反向閾值的中值作為正向和反向統(tǒng)一的閾值。
2.一種基于模糊算法的目標(biāo)監(jiān)視檢測(cè)方法，其特征在于，所述方法包括如下步驟步驟SI :獲取目標(biāo)圖像及背景圖像；步驟S2 :提取目標(biāo)圖像與背景圖像的差分特征參數(shù)；將當(dāng)前畫面分為若干小區(qū)域R0I， 使用差分算法計(jì)算背景與塑件目標(biāo)、背景與模腔目標(biāo)在小區(qū)域ROI內(nèi)的圖像灰度差分； 步驟S3 :檢測(cè)目標(biāo)相似度；根據(jù)步驟S2提取到的差分特征參數(shù)，統(tǒng)計(jì)各小區(qū)域ROI內(nèi)的目標(biāo)出現(xiàn)參數(shù)數(shù)值，統(tǒng)計(jì)時(shí)，分別累積各自小區(qū)域ROI內(nèi)的目標(biāo)和非目標(biāo)特征參數(shù)；步驟S4 目標(biāo)判決步驟；由目標(biāo)的統(tǒng)計(jì)參數(shù)值，使用模糊判別法，進(jìn)行目標(biāo)未出現(xiàn)、目標(biāo)出現(xiàn)的決策可能性判斷。
3.根據(jù)權(quán)利要求2所述的基于模糊算法的目標(biāo)監(jiān)視檢測(cè)方法，其特征在于所述方法還包括目標(biāo)與背景分割步驟；根據(jù)目標(biāo)圖像的灰度值，將背景區(qū)域作為參考，從畫面中分割出目標(biāo)和非目標(biāo)圖像灰度級(jí)區(qū)域；判決閾值優(yōu)化步驟；根據(jù)統(tǒng)計(jì)結(jié)果，調(diào)整檢測(cè)間隔的上下判斷閾值，用上下間隔閾值的中值作為唯一判斷閾值標(biāo)準(zhǔn)，提高判斷結(jié)果的可靠性。
4.根據(jù)權(quán)利要求2所述的基于模糊算法的目標(biāo)監(jiān)視檢測(cè)方法，其特征在于所述步驟S2中，提取疑似目標(biāo)與非目標(biāo)區(qū)域的特征，特征提取算法使用灰度級(jí)累積，或者采用特征量提取并建立特征矢量，為后續(xù)對(duì)每一個(gè)子區(qū)域ROI內(nèi)進(jìn)行相對(duì)應(yīng)的目標(biāo)識(shí)別匹配準(zhǔn)備參數(shù)。
5.根據(jù)權(quán)利要求2所述的基于模糊算法的目標(biāo)監(jiān)視檢測(cè)方法，其特征在于所述步驟S2的差分算法中，執(zhí)行圖像差分算子之前，做漂移糾正，以消除由于相機(jī)或者目標(biāo)的微小移動(dòng)帶來的錯(cuò)誤。
6.根據(jù)權(quán)利要求2所述的基于模糊算法的目標(biāo)監(jiān)視檢測(cè)方法，其特征在于所述步驟S3中，分別統(tǒng)計(jì)當(dāng)前圖像與背景畫面、當(dāng)前圖像與塑件目標(biāo)、當(dāng)前圖像與模腔目標(biāo)的差分特征參數(shù)，并且是每個(gè)ROI內(nèi)部單獨(dú)進(jìn)行統(tǒng)計(jì)。
7.根據(jù)權(quán)利要求2所述的基于模糊算法的目標(biāo)監(jiān)視檢測(cè)方法，其特征在于所述步驟S4中，將當(dāng)前圖像與目標(biāo)圖像的差分特征作為正向判斷依據(jù)，而將當(dāng)前圖像與模腔目標(biāo)的差分特征參數(shù)作為反向判斷依據(jù)，分別使用正向判斷閾值和反向判斷閾值， 并累積所有ROI判斷結(jié)果；同時(shí)，將多個(gè)ROI結(jié)果作為一個(gè)整體進(jìn)行判斷；所述步驟S4具體包括a)如果背景特征的正向統(tǒng)計(jì)參數(shù)小于背景正向閾值Thol，同時(shí)，塑件和模腔的反向統(tǒng)計(jì)參數(shù)大于其各自的反向閾值The2和The3，則判斷當(dāng)前畫面為背景；b)反之，如果背景特征的反向統(tǒng)計(jì)參數(shù)大于背景反向閾值Thel，則判斷當(dāng)前畫面可能為塑件或模腔，轉(zhuǎn)到步驟c);c)如果塑件正向統(tǒng)計(jì)參數(shù)小于其正向閾值Tho2，同時(shí)模腔的反向統(tǒng)計(jì)參數(shù)大于其反向閾值Tho3，則判斷當(dāng)前畫面為塑件，否則，則轉(zhuǎn)到步驟d)；d)如果模腔的正向統(tǒng)計(jì)參數(shù)小于其正向閾值Tho3，同時(shí)塑件的反向統(tǒng)計(jì)參數(shù)大于其反向閾值Tho2，則判斷當(dāng)前畫面為模腔。
8.一種基于模糊算法的目標(biāo)監(jiān)視檢測(cè)系統(tǒng)，其特征在于，所述系統(tǒng)包括圖像獲取模塊，用以獲取目標(biāo)圖像及背景圖像；差分特征提取模塊，用以提取目標(biāo)圖像與背景圖像的差分特征參數(shù)；將當(dāng)前畫面分為若干小區(qū)域R0I，使用差分算法計(jì)算背景與塑件目標(biāo)、背景與模腔目標(biāo)在小區(qū)域ROI內(nèi)的圖像灰度差分；目標(biāo)相似度檢測(cè)模塊，用以檢測(cè)目標(biāo)相似度；根據(jù)提取到的差分特征參數(shù)，統(tǒng)計(jì)各小區(qū)域ROI內(nèi)的目標(biāo)出現(xiàn)參數(shù)數(shù)值，統(tǒng)計(jì)時(shí)，分別累積各自小區(qū)域ROI內(nèi)的目標(biāo)和非目標(biāo)特征參數(shù)；目標(biāo)判決模塊，用以根據(jù)目標(biāo)的統(tǒng)計(jì)參數(shù)值使用模糊判別法進(jìn)行目標(biāo)未出現(xiàn)、目標(biāo)出現(xiàn)的決策可能性判斷。
9.根據(jù)權(quán)利要求8所述的基于模糊算法的目標(biāo)監(jiān)視檢測(cè)系統(tǒng)，其特征在于所述系統(tǒng)進(jìn)一步包括目標(biāo)與背景分割模塊，用以根據(jù)目標(biāo)圖像的灰度值，將背景區(qū)域作為參考，從畫面中分割出目標(biāo)和非目標(biāo)圖像灰度級(jí)區(qū)域；判決閾值優(yōu)化模塊，用以根據(jù)統(tǒng)計(jì)結(jié)果調(diào)整檢測(cè)間隔的上下判斷閾值，用上下間隔閾值的中值作為唯一判斷閾值標(biāo)準(zhǔn)，提高判斷結(jié)果的可靠性。
10.根據(jù)權(quán)利要求8所述的基于模糊算法的目標(biāo)監(jiān)視檢測(cè)系統(tǒng)，其特征在于所述目標(biāo)判決模塊將當(dāng)前圖像與目標(biāo)圖像的差分特征作為正向判斷依據(jù)，而將當(dāng)前圖像與模腔目標(biāo)的差分特征參數(shù)作為反向判斷依據(jù)，分別使用正向判斷閾值和反向判斷閾值，并累積所有ROI判斷結(jié)果；同時(shí)，將多個(gè)ROI結(jié)果作為一個(gè)整體進(jìn)行判斷；所述目標(biāo)判決模塊的判決過程具體包括a)如果背景特征的正向統(tǒng)計(jì)參數(shù)小于背景正向閾值Thol，同時(shí)，塑件和模腔的反向統(tǒng)計(jì)參數(shù)大于其各自的反向閾值The2和The3，則判斷當(dāng)前畫面為背景；b)反之，如果背景特征的反向統(tǒng)計(jì)參數(shù)大于背景反向閾值Thel，則判斷當(dāng)前畫面可能為塑件或模腔，轉(zhuǎn)到步驟c);c)如果塑件正向統(tǒng)計(jì)參數(shù)小于其正向閾值Tho2，同時(shí)模腔的反向統(tǒng)計(jì)參數(shù)大于其反向閾值Tho3，則判斷當(dāng)前畫面為塑件，否則，則轉(zhuǎn)到步驟d)；d)如果模腔的正向統(tǒng)計(jì)參數(shù)小于其正向閾值Tho3，同時(shí)塑件的反向統(tǒng)計(jì)參數(shù)大于其反向閾值Tho2，則判斷當(dāng)前畫面為模腔。
全文摘要
本發(fā)明揭示了一種基于模糊算法的目標(biāo)監(jiān)視檢測(cè)方法及系統(tǒng)，所述方法包括獲取目標(biāo)圖像及背景圖像；提取目標(biāo)圖像與背景圖像的差分特征參數(shù)；將當(dāng)前畫面分為若干小區(qū)域ROI，使用差分算法計(jì)算背景與塑件目標(biāo)、背景與模腔目標(biāo)在小區(qū)域ROI內(nèi)的圖像灰度差分；檢測(cè)目標(biāo)相似度；根據(jù)提取到的差分特征參數(shù)，統(tǒng)計(jì)各小區(qū)域ROI內(nèi)的目標(biāo)出現(xiàn)參數(shù)數(shù)值，統(tǒng)計(jì)時(shí)，分別累積各自小區(qū)域ROI內(nèi)的目標(biāo)和非目標(biāo)特征參數(shù)；目標(biāo)判決步驟；由目標(biāo)的統(tǒng)計(jì)參數(shù)值，進(jìn)行目標(biāo)未出現(xiàn)、目標(biāo)出現(xiàn)的決策可能性判斷。本發(fā)明降低了計(jì)算量，計(jì)算速度快，保證了實(shí)時(shí)檢測(cè)的要求，同時(shí)，采用模糊數(shù)學(xué)進(jìn)行統(tǒng)計(jì)參數(shù)的判決，提高了目標(biāo)識(shí)別檢測(cè)的可靠性，有效解決了速度和有效性之間的矛盾。
文檔編號(hào)B29C45/76GK102601950SQ201210012839
公開日2012年7月25日 申請(qǐng)日期2012年1月16日 優(yōu)先權(quán)日2012年1月16日
發(fā)明者游旭新 申請(qǐng)人:上海智覺光電科技有限公司