卷烟机人机交互辅助系统的制作方法

本发明涉及交互领域，具体涉及卷烟机人机交互辅助系统。

背景技术：

卷烟机是用卷烟纸将烟丝卷成卷烟的机器。现有技术中，卷烟机一般通过plc来进行控制，操作人员通过人机交互装置输入控制指令，plc通过调用所述控制指令对应的控制程序来对卷烟机进行控制。交互装置一般包括显示屏和输入按键，但是，却缺少相应的身份认证装置，使得工厂中的任何人都可以轻易对卷烟机进行控制，使得卷烟机的安全运行得不到保障。

技术实现要素：

针对上述问题，本发明提供了卷烟机人机交互辅助系统，以解决上述问题。

本申请提供了卷烟机人机交互辅助系统，其包括拍摄模块、识别模块和控制模块，所述拍摄模块用于获取卷烟机操作人员的脸部图像，并传输至识别模块；

所述识别模块用于根据所述脸部图像判断所述操作人员是否具有操作卷烟机的权限，并将判断结果发送至控制模块；

所述控制模块根据所述判断结果对卷烟机的人机交互装置进行控制。

优选的，所述人机交互装置包括显示屏、输入按键、信号传输线路和plc控制装置，所述显示屏用于显示预先设定的人机交互界面；所述输入按键用于操作人员输入控制指令；所述信号传输线路用于将所述控制指令传输至plc控制装置。

优选的，控制人机交互装置接受所述操作人员输入的控制指令，包括：

控制模块控制信号传输线路与plc控制装置接通，从而将控制指令传输至plc控制装置，实现控制人机交互装置接受所述操作人员输入的控制指令。

优选的，控制模块控制人机交互装置拒绝所述操作人员输入的控制指令，包括：

控制模块控制信号传输线路与plc控制装置断开，使得控制指令无法传输至plc控制装置，实现控制人机交互装置拒绝所述操作人员输入的控制指令。

本发明的有益效果为：

本发明通过对操作卷烟机的操作人员的身份进行识别，避免了不具备操作权限的人员对卷烟机进行操作，对卷烟机的安全运行进行了有力的保障。

附图说明

利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。

图1，为本发明卷烟机人机交互辅助系统的一种示例性实施例图。

具体实施方式

结合以下实施例对本发明作进一步描述。

参见图1，本发明提供了卷烟机人机交互辅助系统，其包括拍摄模块1、识别模块2和控制模块3，所述拍摄模块1用于获取卷烟机操作人员的脸部图像，并传输至识别模块2；

所述识别模块2用于根据所述脸部图像判断所述操作人员是否具有操作卷烟机的权限，并将判断结果发送至控制模块3；

所述控制模块3根据所述判断结果对卷烟机的人机交互装置进行控制。

在一种实施例中，所述拍摄模块1包括摄像机和人体热释电红外传感器，所述人体热释电红外传感器用于监测是否有操作人员接近摄像机，若是，则控制摄像机进行拍摄，获取操作人员的脸部图像。

在一种实施例中，根据所述脸部图像判断所述操作人员是否具有操作卷烟机的权限，包括：

将所述脸部图像中包含的特征信息与预存的特征信息进行匹配，若匹配成功，则判断结果为所述操作人员具有操作卷烟机的权限，否则，判断结果为述操作人员不具有操作卷烟机的权限。

在一种实施例中，所述预存的特征信息包括具有操作卷烟机的权限的所有人员的脸部特征信息。

在一种实施例中，根据所述判断结果对卷烟机的人机交互装置进行控制，包括：

若判断结果为所述操作人员具有操作卷烟机的权限，则控制模块3控制人机交互装置接受所述操作人员输入的控制指令，否则，控制模块3控制人机交互装置拒绝所述操作人员输入的控制指令。

在一种实施例中，所述人机交互装置包括显示屏、输入按键、信号传输线路和plc控制装置，所述显示屏用于显示预先设定的人机交互界面；所述输入按键用于操作人员输入控制指令；所述信号传输线路用于将所述控制指令传输至plc控制装置。

在一种实施例中，控制人机交互装置接受所述操作人员输入的控制指令，包括：

控制模块3控制信号传输线路与plc控制装置接通，从而将控制指令传输至plc控制装置，实现控制人机交互装置接受所述操作人员输入的控制指令。

在一种实施例中，控制模块3控制人机交互装置拒绝所述操作人员输入的控制指令，包括：

控制模块3控制信号传输线路与plc控制装置断开，使得控制指令无法传输至plc控制装置，实现控制人机交互装置拒绝所述操作人员输入的控制指令。

在一种实施例中，所述识别模块2包括图像分割单元、图像降噪单元、特征提取单元和特征匹配单元，所述图像分割单元用于对所述脸部图像进行分割处理，获得包含前景部分的第一图像；

所述图像降噪单元用于对所述第一图像进行降噪处理，获得第二图像；

所述特征提取单元用于提取所述第二图像的特征信息，并传输至特征匹配单元；

所述特征匹配单元用于将所述第二图像中包含的特征信息与预存的特征信息进行匹配。

在一种实施例中，对所述脸部图像进行分割处理，获取只包含人脸像素点的第一图像，包括：

对所述脸部图像进行超像素分割处理，将所述脸部图像划分为多个区域；

获取多个区域中处于脸部图像中的前景部分中央的中心区域；

以所述中心区域为生长点，对超像素分割处理获得的多个区域使用区域生长算法进行处理，确定脸部图像中的前景部分；

将脸部图像中前景部分所包含的像素点作为第一图像。

通过先将脸部图像进行超像素分割处理，得到多个区域，这样，再进行区域生长处理，相较于传统的针对像素点来进行区域生长而言，无疑能够极大地降低运算量，有利于快速得到第一图像。另外，申请人创造性地利用了超像素分割处理得到的每个区域中的像素点互相之间相似度很高的特点，将同一个区域的像素点看成是一个整体来进行区域生长，无疑能够极大地提高区域生长的准确性。而且由于第一图像比脸部图像少了不必要的背景区域，有利于为后续的特征信息提取提供高质量的图像，同时减少了特征信息提取的计算量。

在一种实施例中，所述脸部图像进行超像素分割处理，包括：

使用slic超像素分割算法对所述脸部图像进行分割处理。

在一种实施例中，获取多个区域中处于脸部图像中的前景部分中央的中心区域，包括：

以处于区域的中心的像素点的坐标作为该区域的坐标，区域中所有像素点的灰度值的平均值作为该区域的灰度值，脸部图像的中心像素点作为初始前景中心像素点，

使用迭代的方式进行计算处于脸部图像中的前景部分中央的中心区域,

计算每个区域与前景中心像素点之间的关联度：

式中，k表示迭代次数，correlk(n,fcck)表示第n个区域与前景中心像素点fcck之间的关联度，dodk(n)表示第n个区域与脸部图像中的剩余所有区域的区别度，distk(n,fcck)表示第n个区域和前景中心像素点fcck之间的欧式距离，α和β表示预设的控制参数，分别用于控制distk(n,fcck)和gk(n,fcck)的重要程度，gk(n,fcck)表示第n个区域和前景中心像素点fcck之间的灰度值的差的绝对值，

式中，non表示对脸部图像进行超像素分割处理获得的多个区域中，除了第n个区域之外的所有其它区域组成的集合non中的元素的总数，i表示non中的第i个区域，gra(n)和gra(i)分别表示脸部图像中第n个区域和non中的第i个区域的平均梯度幅值，g(n)和g(i)分别表示脸部图像中第n个区域和non中的第i个区域的灰度值，dist(n,i)表示脸部图像中第n个区域和non中的第i个区域之间的欧氏距离，c1和c2为设定的权重系数；区域的平均梯度幅值指的是该区域中所有像素点的梯度幅值的平均值；

分别计算所有区域在水平方向和竖直方向与前景中心像素点的关联度：

式中，correlk,sp表示所有区域在水平方向与前景中心像素点的关联度，correlk,sz表示所有区域在竖直方向与前景中心像素点的关联度，not表示对脸部图像进行超像素分割处理获得的区域的总数，correlk(n,fcck)表示第n个区域与前景中心像素点fcck之间的关联度，coorsp,n和分别表示脸部图像中第n个区域和前景中心像素点fcck的横坐标，coorsz,n和分别表示脸部图像中第n个区域和前景中心像素点fcck的纵坐标；

将前景中心像素点fcck的坐标记为通过correlk,sp和correlk,sz计算前景中心像素点的下一个坐标

式中，ψ表示预设的范围控制系数，用于控制坐标落入到脸部图像的坐标系中；

使用处的像素点作为下一轮迭代运算的前景中心像素点，再次进行上述迭代运算，直到第k次迭代运算得到的前景中心像素点的坐标与第k-1次迭代运算得到的前景中心像素点的坐标之间的欧式距离小于设定的欧式距离阈值；k表示总的迭代次数；

将第k次迭代运算得到的前景中心像素点所处的区域作为处于脸部图像中的前景部分中央的中心区域。

区域生长的难点在于确定生长点，有些文献也称为种子点，尤其是在计算机图像处理中，不可能通过人工指定生长点的方式来进行区域生长，这样子肯定会极大地影响处理速度，以及需要较高的人力成本。而本申请通过迭代计算的方式计算每个区域与前景中心像素点关联度，然后再通过所述关联度计算前景中心像素点的下一个坐标，直到迭代结果达到预设的收敛条件，从而得到最终的前景中心像素点的坐标，进而确定中心区域，将中心区域作为生长点来进行区域生长。准确而又高效地实现生长点的自动确定。进一步地，确定的生长点处于脸部图像的前景部分的中央，显然能够避免现有技术中存在的，由于生长点位置不合理导致区域生长提前结束这样的问题的发生。

在计算关联度时，考虑了区域与前景中心像素点之间在空间距离以及灰度上的差异，同时也考虑了当前计算区域与剩余区域之间的区别度，使得计算结果能够准确地表示区域与前景中心像素点之间的关联情况。而计算区别度时，除了灰度值和空间距离之外，更是考虑到了区块在平均梯度幅值上的差异，使得计算结果更能综合反映各个区块之间的区别度，使之作为计算关联度的重要参数，进一步提高关联度的准确性。

在一种实施例中，区域中心的像素点为距离区域的重心最近的像素点。

在一种实施例中，若图像的横向或纵向的像素点的数量为偶数，将距离图像中心最近的2个像素点的灰度均值作为图像中心像素点的灰度值，将所述2个像素点的坐标的均值作为图像中心像素点的坐标；若图像的横向和纵向的像素点的数量均为偶数，将距离图像中心最近的4个像素点的灰度均值作为图像中心像素点的灰度值，将所述4个像素点的坐标的均值作为图像中心像素点的坐标。

在一种实施例中，对超像素分割处理获得的多个区域使用区域生长算法进行处理，确定脸部图像中的前景部分，包括：

以区域中所有像素点的灰度值的平均值作为该区域的灰度值，

区域生长规则为：

对于作为生长点的区域s，将与其连接的区域存入集合sz，分别计算sz中的各个区域与区域s之间的相似指数，判断最小的相似指数是否小于设定的相似指数阈值，若是，则选取最小的相似指数所对应的sz中的区域作为下一个生长点；若否，则结束生长；

区域之间的相似指数通过如下方式进行计算：

式中，sim(s,z)表示区域s和sz中的区域z之间的相似指数，g(s)和g(z)表示s和z的灰度值，fc(s)和fc(z)表示s和z中的像素点的灰度值方差，和表示设定的相似指数权重参数。

在一种实施例中，对所述第一图像进行降噪处理，获得第二图像，包括：

对所述第一图像进行超像素分割处理，将所述第一图像划分为多个区域，对每个区域，分别进行如下降噪处理：

式中，g(a)表示降噪处理后的像素点a的灰度值，la表示a的b×b大小的邻域中的像素点的集合，v表示la中的像素点，lj(a)和lj(v)分别表示a和v的c×c大小的邻域，c<b，td(a)和td(v)分别表示a和v的梯度幅值，g(v)表示v的灰度值，xz表示对第一图像进行高斯滤波处理的高斯滤波系数，

将降噪处理后的得到的所有区域进行合并，得到第一降噪图像；

对第一图像进行小波分解，获得高频系数和低频系数；

对高频系数，进行如下阈值处理：

式中，highp表示高频系数，ahighp表示处理后的高频系数，thre表示处理阈值，gb表示对第一图像进行高斯滤波处理的高斯滤波标准差，sgn表示符号函数；

对低频系数，使用高斯滤波算法进行处理，获得处理后的低频系数alowp，

将highp和alowp进行重构，得到第二降噪图像；

使用第二降噪图像对第一降噪图像进行修正，修正规则为：

对于第一降噪图像和第二降噪图像中相对位置一样的像素点pone和ptwo，若pone和ptwo之间的灰度差的绝对值大于设定的绝对值阈值，则将ptwo的灰度值赋予pone，对第一降噪图像中所有的图像进行上述修正后，得到第二图像。

在降噪处理时，本发明结合空间域降噪和小波降噪，分别对第一图像进行空间域降噪和小波降噪，然后再将小波降噪的结果作为修正参照，对空间域降噪的结果进行修正，从而实现对第一图像的准确滤波。空间域降噪的优点在于复杂度低，缺点在于图像容易模糊，边缘细节得不到保留。而本申请通过小波降噪的结果进行修正的方式，大大地缓解了图像的模糊，同时尽可能地保留了图像的边缘细节。而在空间域滤波时，本申请针对传统的高斯滤波算法进行了改进，通过计算当前处理的像素点与其邻域中的像素点在邻域上的差异和在梯度幅值上的差异，来对当前处理的像素点进行空间域降噪，降噪效果得到优化，有效地降低了传统的空间域降噪算法容易出现虚影导致对比度降低的这种情况的出现概率，使得图像的对比度更高，细节保留更多。

最后应当说明的是，以上实施例仅用以说明本发明的技术方案，而非对本发明保护范围的限制，尽管参照较佳实施例对本发明作了详细地说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的实质和范围。

起点商标作为专业知识产权交易平台，可以帮助大家解决很多问题，如果大家想要了解更多知产交易信息请点击 【在线咨询】或添加微信 【19522093243】与客服一对一沟通，为大家解决相关问题。

此文章来源于网络,如有侵权,请联系删除