[发明专利]一种应用于课堂违纪抓取的球形定位系统的实现方法

摘要

本发明公开了一种应用于课堂违纪抓取的球形定位系统的实现方法，本发明是滑块移动端与摄像头的结合，摄像头搭载滑块移动端可以采集多图像使用拉普拉斯金字塔图像融合算法，采集完整的人脸图像，输入卷积网络中进行识别,最后与数据库中的学生信息进行对比，完成自动签到；本系统采用可移动的多方位视频监控，配合滑块使摄像头运动，可以捕捉到教室中的个个角落。通过对多个方位的进行视频信息融合。可以更好的得到明显的人脸特征，进而帮助我们更好的进行人脸识别。

主权项

1.一种应用于课堂违纪抓取的球形定位系统的实现方法，其特征在于，该方法具体包括以下步骤：步骤一、以原始彩色图像作为输入，将图像进行灰度化，防止曝光过度的影响；具体公式如式(1)Gray＝0.072169B+0.715160G+0.212671R    (1)步骤二、采用自适应权值滤波进行去噪处理在进行对图像的去噪处理前，对图像进行噪声检测，计算图像中某点的相对领域差分统计值来确定噪声点，并且来确定该点在滤波中分配的权重系数；领域绝对值差分法公式(2)、(3)如下：b(i,j)＝{p(x+i,y+i)：‑1＜＝i,j＞＝1,i∪j≠0}    (2)其中p(x,y)表示图像中第x行y列的像素点，b(i,j)表示第x+i行y+j列的像素点,i与j是x与y上的偏移量，表示p(x,y)与b(i,j)差值的绝对值；p(x,y)为P点；利用领域绝对值差分法计算出P点周围的差值对里面的元素进行排序，找出最小的四个数记为ROOM；使用公式(4)进行噪声检测：其中er代表设置的阈值，Q(p(x,y))表示标记的噪点，f(x,y)表示噪点标记的图片；利用公式(4)找到图像的噪点；对图像的滤波系数的确定采用权重系数计算公式(5)：其中，Ui,j表示为噪点的权重系数；计算出噪点的权重系数，采用归一化公式(6)对系数进行归一化处理；其中Ki,j表示为进行完归一化后的权重系数；最后利用公式(7)把噪点与归一化后的权重系数做点乘，得到滤波处理后的图片；其中，z(x,y)表示处理后的图片；步骤三、将步骤二处理后的图片采用拉普拉斯金字塔融合进行图像信息融合；首先将步骤二处理后的图像作为最底层图像T0，即高斯金字塔的第0层，利用高斯核对其进行卷积，然后对卷积后的图像进行下采样，去除偶数行和列得到上一层图像T1，将此图像作为输入，重复卷积和下采样操作得到更上一层图像，反复迭代多次，形成一个金字塔形的图像数据结构，即高斯金字塔；高斯金字塔的构建过程为：假设高斯金字塔的第L层图像为TL：式(8)中N为高斯金字塔顶层层号，R1和C1分别为高斯金字塔第l层的行数和列数V(m，n)是一个二维可分离的窗口函数；由T0，T1...TN，就构成了一个高斯金字塔，其中T0为高斯金字塔的底层，TN为金字塔的顶层；由此可见高斯金字塔的当前层图像就是对其前一层图像首先进行高斯低通滤波，然后再进行隔行和隔列的降2采样而生成的；前一层图像大小依次为当前层图像大小的4倍；用高斯金字塔的每一层图像减去其上一层图像上采样并高斯卷积之后的预测图像，得到一系列的差值图像即为LP分解图像；将T_L内插方法得到放大图像使的尺寸与T_L‑1的尺寸相同，即放大算子Expand:表示为：该式(10)实现两个步骤：在奇数行和列插入0，然后使用下采样中的高斯核进行滤波处理，得到和L‑1层一样大小的图像；令：式(12)中N为拉普拉斯金字塔顶层的层号LPl是拉普拉斯金字塔分解的第L层图像；由LP0，LP1....LPN构成的金字塔即为拉普拉斯金字塔；它的每一层LP0图像是高斯金字塔本层T0图像与其高一层图像T1经内插放大后图像T1*的差；设LA1和LB1分别为步骤二处理后的图像A,B经过拉普拉斯金字塔分解后得到的第l层图像，融合后的结果为LF1；当l＝N时，LAN和LBN分别为图像A，B经过拉普拉斯金字塔分解后得到的顶层图像；对于顶层图像的融合，首先计算以其各个像素为中心的区域大小为M*N的区域平均梯度，公式如下：其中M、N取奇数且M>＝3、N>＝3；其中，ΔIx与ΔIy分别为像素f(x,y)在x与y方向上的一阶差分，定义如下：因此对于顶层图像中的每一个像素LAN(i,j)和LBN(i,j)都得到与之相对应的区域平均梯度TA(i,j)和TB(i,j)；顶层图像的融合结果为：在得到金字塔各个层次的融合图像LF1、LF2...LFN后；通过重构，得到最终的融合图像；步骤四、将进行完信息融合的图片输入卷积神经网络中进行检测识别；CNN网络包含卷积层、下采样层、全连接层三个部分；卷积层通过与滤波器做卷积得到特征图，公式如下：xi,j表示图像的第i行第j列元素；wm,n表示第m行第n列权重，用wb表示滤波器的偏置项；用ai,j表示特征图的第i行第j列元素；用f表示激活函数；对于下采样层也叫池化层，接受从卷积层输入的N个特征图，对应输出N个特征图；通过与滤波器做卷积得到特征图；公式如下：ai,j＝max(xi,j)*wm,n+wb    (17)在全连接层中，采用变权重误差代价函数，权重变化率根据前面的自适应参数给定；公式如下：其中，tk表示的是样本对应的第K维；yk表示样本对应的网络输出层的第K个输出。