CN100547603C - 一种地面建筑物识别定位方法 - Google Patents

一种地面建筑物识别定位方法 Download PDF

Info

Publication number
CN100547603C
CN100547603C CN 200710052928 CN200710052928A CN100547603C CN 100547603 C CN100547603 C CN 100547603C CN 200710052928 CN200710052928 CN 200710052928 CN 200710052928 A CN200710052928 A CN 200710052928A CN 100547603 C CN100547603 C CN 100547603C
Authority
CN
China
Prior art keywords
interest
region
feature
image
building
Prior art date
Application number
CN 200710052928
Other languages
English (en)
Other versions
CN101114337A (zh
Inventor
张天序
杨效余
鹰 路
Original Assignee
华中科技大学
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 华中科技大学 filed Critical 华中科技大学
Priority to CN 200710052928 priority Critical patent/CN100547603C/zh
Publication of CN101114337A publication Critical patent/CN101114337A/zh
Application granted granted Critical
Publication of CN100547603C publication Critical patent/CN100547603C/zh

Links

Abstract

一种地面建筑物识别定位方法,属于成像自动目标识别领域,目的在于解决从不同视点、不同尺度、不同高度对地面建筑物识别定位的问题,用于前视识别地面建筑物。本发明预先构建地面建筑物标准特征库,顺序包括:图像增强步骤,背景抑制处理步骤,灰度级合并步骤,反馈分割步骤,竖条特征检测步骤和二次特征匹配步骤。本发明针对地面建筑物的特点,利用数学形态学提取图像的结构信息,在此基础上进一步提取特征量与标准特征库匹配,并考虑待识别建筑物的纹理和场景信息,对前视地面建筑物进行识别定位。识别精度高,可靠性好,适用于城市规划、监督、飞行器地标导航、避撞等领域对不同视点、不同尺度、不同高度的前视地面建筑物进行识别。

Description

一种地面建筑物识别定位方法

技术领域

本发明属于成像自动目标识别领域,具体涉及一种地面建筑物识别 定位方法,用于飞行器前视识别地面建筑物。

背景技术

建筑物作为人造目标的重要基元,其识别可用于城市规划、监督、 飞行器导航、避撞等领域。地面背景复杂,各种建筑物的大小、形状各 不相同,运动平台载荷成像高度和成像角度可变,所以地面建筑物的识 别定位是一项困难的任务。

目前常用的目标检测识别的方法可分为两类, 一种是由下而上的数 据驱动型,另一种是由上而下的假设检验驱动型。前者不管目标的属性 如何,先对原始输入图像进行一般性的分割、标记和特征提取等低层处 理,然后将每个带标记的已分割区域的特征矢量与目标类型相匹配并做 出检测识别判断。后者需要先根据目标的模型,对图像中可能存在的特 征提出假设,之后根据假设对感兴趣区有目的进行分割、标记、特征提 取,在此基础上再对目标模型做精匹配来检测识别目标。

汪哲慎,李翠华在"基于改进Hough变换的建筑目标搜索与识别", 中国图像图形学报,Vol.10 No.4 Apr 2005中提出了采用竖直线对建筑 物进行检测,利用改进的Hough变换算法,记录离散参数值,縮小检测 角度的范围;用欧氏距离进行近似,以节省存储量和运算量,增强检测 抗噪声的鲁棒性。但在该方法中,由于初步检测结果竖直线多为不连续 的线段,因此需要对结果进行优化、合并处理。在背景复杂的情况下, 会产生大量不连续的线段,使得优化、合并的计算量显著增加,从而无化检测的 方法。该方法的核心在于以线为基本的处理单位,对线进行多层次的感 知组合过程。最后经过严格最佳匹配过程对建筑物进行拟合与识别,并 进行变化检测。该方法的局限性主要在于只能对正多边形建筑目标进行 识别。对于非正多边形的情况中要求边界参数己知,而这种情况在实际 应用中并不多见。李朝锋,王士同在"基于形态学Top-Hat算子和知识 处理的目标识别方法",微电子学与计算机,2005年第22巻第12期中提 出了利用开Top-Hat运算,闭Top-Hat运算,以及形态滤波等方法来进 行目标识别。该方法对复杂背景的SPOT卫星遥感图像上似圆状目标识别 取得了良好的效果。但是由于Top-Hat运算会使得计算量随着目标尺寸 的增大而显著增大,而且只能用于下视,因此该方法不适于前视地面建 筑物识别的情况。上述文献均没有考虑对不同视点、不同尺度、不同高 度的地面建筑物进行识别。

发明内容

本发明提供一种地面建筑物识别定位方法,目的在于解决从不同视 点、不同尺度、不同高度对地面建筑物识别定位的问题,用于前视识别 地面建筑物。

本发明的一种地面建筑物识别定位方法,预先构建标准特征库:从 不同视点、不同尺度地面建筑物形状特征视图,场景特征视图和地面建 筑物纹理特征视图三类特征视图中提取特征量;以下步骤为:

(1) 图像增强步骤,对原始输入图像进行直方图均衡化;

(2) 背景抑制处理步骤,对直方图均衡化图像进行形态学增强和形

态学背景抑制;(3) 灰度级合并步骤,对背景抑制处理后的图像进行灰度级合并, 减少图像的灰度级;

(4) 反馈分割步骤,将灰度级合并后的图像进行门限分割,得到二 值图像,对该二值图像各感兴趣区域依次进行特征提取与匹配、感兴趣 区域与其近邻感兴趣区域的关系特征匹配、多个感兴趣区域之间关系匹 配、感兴趣区域对应区域纹理特征匹配和感兴趣区域的近邻感兴趣区域 对应区域纹理特征匹配,每次匹配后均需要进行感兴趣区域数量判断;

(5) 竖条特征检测步骤,用原始输入图像的平均灰度值作为阈值, 将原始输入图像转化为二值图像,使用线模板对该二值图像进行检测, 输出线条图像,计算线条图像中各竖条长度,根据标准特征库中高度特 征量对各竖条进行匹配,筛选出符合条件的竖条;

(6) 二次特征匹配步骤,综合考虑反馈分割步骤和竖条特征检测歩 骤的结果,判断在步骤(4)中保留下来的各感兴趣区域在步骤(5)竖

条特征检测中对应的区域有无竖条特征,如果存在这些特征则减小该感 兴趣区域总误差,否则总误差不变,再根据总误差对各感兴趣区域进行 匹配,如果匹配成功保留该感兴趣区域并返回到原始输入图像,对其建

筑物进行定位。

所述的一种地面建筑物识别定位方法,所述预先构建标准特征库可

以顺序包括下述过程:

(1)计算各个特征量:

(1. 1)待识别地面建筑物在场景视图中高度与其成像距离的乘积 Kh、待识别地面建筑物在场景视图中宽度与其成像距离的乘积K一待识

别地面建筑物的面积因子《;

, / = 1,2,3,...

&《,(,『xD, / = 1,2,3,..-, , "1,2,3,…

式中,不同视点、不同尺度下待识别建筑物在场景视图中的高度h,, 宽度w,,面积s,,成像距离A;

(1.2)不同视点、不同尺度下建筑物成像的高度特征量/力、宽度特 征量^、周长特征量c,、面积特征量s,和形状因子巧;

a. 3)不同视点、不同尺度下的形态学增强结构元素和形态学背景 抑制结构元素-,

形态学增强结构元素为不同视点、不同尺度下高宽为1像素xn像素 的矩形,n为3〜7的自然数;

形态学背景抑制结构元素为不同视点、不同尺度下宽度特征量^和 高度特征量//,所构成的矩形;

(1.4)不同视点、不同尺度下待识别地面建筑物与周围建筑物关系

a:,、待识别地面建筑物之间关系A,、待识别地面建筑物内部纹理特征z;、 待识别地面建筑物周围场景纹理特征i;;

,其中/z,为待识别地面建筑物/在场景视图中高度,z^,为待

识别地面建筑物/的周围建筑物在场景视图中高度;

待识别地面建筑物个数大于1时,A.4(;c'-x》2+d)2 , 其中(Xi,y,)为待识别地面建筑物/在场景视图中重心坐标,(Xj,力)为 待识别地面建筑物/在场景视图中重心坐标,纵向距离加权值p取2〜5, 横向距离加权值《取1〜3;某待识别地面建筑物与近邻各待识别地面建 筑物之间最小距离为该待识别地面建筑物的最小距离; 若待识别地面建筑物以水平纹理特征为主,则T为:

<formula>formula see original document page 10</formula>若待识别地面建筑物以竖直纹理特征为主,则t;为:i; :e(/""i)-/(x,力)其中a,为待识别地面建筑物/在场景视图中高度,w,为待识别地面建筑物/在场景视图中宽度;待识别地面建筑物个数大于1时,考虑z;,若待识别地面建筑物的周围建筑物以水平纹理特征为主,则7:,,为:x m^力若待识别地面建筑物周围建筑物以竖直纹理特征为主,则A" =-^-,其中&为"寺识别地面建筑物的周围建筑物在场景视图中高度,气,为z-待识别地面建筑物周围建筑物在场景视图中宽度;(2)将所述各类特征值存入数据库中,得到不同视点、不同尺度下 地面建筑物的标准特征库;所述视点由成像高度、成像距离和成像点的 方位角确定,所述尺度由成像距离确定。所述的地面建筑物识别定位方法,所述背景抑制处理步骤可以顺序 包括下述过程:(1) 形态学增强,选择不同视点不同尺度下高宽为1像素XN像素 的矩形作为形态学增强结构元素,对直方图均衡化图像进行闭运算,减 少待识别建筑物内部纹理信息,增强图像对比度,N为3〜7的自然数;(2) 形态学背景抑制,选择不同视点不同尺度下标准特征库中宽度 特征量和高度特征量所构成的矩形作为形态学背景抑制结构元素,对形态学增强后的图像进行开运算,滤除与待识别建筑物形状明显不同的建 筑物或背景,使得图像灰度级别减少。所述的地面建筑物识别定位方法,其特征在于:所述灰度级合并步 骤,对背景抑制处理后的图像进行直方图统计,根据阈值对每个灰度值 出现的次数进行判断,次数小于阈值的灰度值与最近邻次数大于等于阈 值的灰度值进行合并,所述阈值为200〜500的整数。所述的一种地面建筑物识别定位方法,所述反馈分割步骤可以顺序 包括下述过程:(1) 门限分割,将灰度级合并后的图像,将其灰度级作为门限,进行 灰度级门限分割,转为二值图像;(2) 特征提取与匹配,标记二值图像中每块区域,计算各标记区域的特征量:面积、重心、周长、高度、宽度和形状因子,根据标准特征库 中各个特征量,对二值图像中每块标记区域的各特征量进行比较,计算 各特征量的误差以及总误差,总误差即各特征量的误差总和,若某感兴 趣区域的各特征量的误差以及总误差都在指定范围内,则该感兴趣区域 匹配成功,保留匹配成功的感兴趣区域,否则舍弃;(3)感兴趣区域数量判断,判断保留的感兴趣区域个数是否不小于待识别建筑物个数,是则转下一步,否则再判断所有灰度级是否分割完, 当所有灰度级没有分割完则按从大到小的顺序修改灰度级门限,转过程 (1),若所有灰度级分割完则认为该图像不包含待识别建筑物。(4)感兴趣区域与其近邻感兴趣区域的关系特征匹配,计算各感兴趣 区域与其近邻感兴趣区域的关系特征K.-々H;其中//;为/感兴趣区域高度,/4为/感兴趣区域的近邻感兴趣区域高值进行比较,若误差在指定 范围内,则匹配成功,保留该感兴趣区域,否则舍弃;(5) 感兴趣区域数量判断,判断保留的感兴趣区域个数是否不小于待 识别建筑物个数,是则转下一步,否则再判断所有灰度级是否分割完, 当所有灰度级没有分割完则按从大到小的顺序修改灰度级门限,转过程 (1),若所有灰度级分割完则认为该图像不包含待识别建筑物。(6) 多个感兴趣区域之间关系匹配,判断待识别建筑物个数是否大于 1,否则转过程(8),是则分别计算出过程(4)保留的各感兴趣区域间距离:其中(《,^、 (z,y》分别为感兴趣区域/、感兴趣区域y的重心坐标,纵向距离加权值p取2〜5,横向距离加权值^取1〜3;某感兴趣区域与 近邻各感兴趣区域之间最小距离为该感兴趣区域的最小距离,各感兴趣 区域的最小距离与标准特征库里相应值进行比较,若误差在指定范围内, 则匹配成功,保留该感兴趣区域,否则舍弃;(7) 感兴趣区域数量判断,判断保留的感兴趣区域个数是否不小于待识别建筑物个数,是则转下一步,否则再判断所有灰度级是否分割完, 当所有灰度级没有分割完则按从大到小的顺序修改灰度级门限,转过程 (1),若所有灰度级分割完则认为该图像不包含待识别建筑物。(8) 感兴趣区域对应区域纹理特征匹配,在原始输入图像中找到过程 (6)保留的感兴趣区域的对应区域,计算各个对应区域的纹理特征,与标 准特征库相应纹理特征进行比较,若误差在指定范围内,则匹配成功, 保留该感兴趣区域,否则舍弃;(9) 感兴趣区域数量判断,判断保留的感兴趣区域个数是否不小于待 识别建筑物个数,是则转下一步,否则再判断所有灰度级是否分割完, 当所有灰度级没有分割完则按从大到小的顺序修改灰度级门限,转过程 (1),若所有灰度级分割完则认为该图像不包含待识别建筑物。(10) 感兴趣区域的近邻感兴趣区域对应区域纹理特征匹配,判断待识 别建筑物个数是否大于l,否则转二次特征匹配步骤,是则在原始输入图 像中找到过程(8)保留的感兴趣区域的近邻感兴趣区域对应区域,分别 计算各个对应区域的纹理特征,与标准特征库相应纹理特征进行比较, 若误差在指定范围内,则匹配成功,保留该感兴趣区域,否则舍弃;(11) 感兴趣区域数量判断,判断保留的感兴趣区域个数是否不小于待 识别建筑物个数,是则转二次特征匹配步骤,否则再判断所有灰度级是 否分割完,当所有灰度级没有分割完则按从大到小的顺序修改灰度级门 限,转过程(l),若所有灰度级分割完则认为该图像不包含待识别建筑物。所述的一种地面建筑物识别定位方法,所述竖条特征检测步骤可以 顺序包括下述过程:(l)线检测,用原始输入图像的平均灰度值作为阈值,将原始输入图 像转化为二值图像,使用一个垂直线模板和一个水平线模板分别对二值 图像进行检测,得到线条图像,将两个方向的线条图像合并为结果线条 图像;其中垂直线模板为:_1 2 -1-1 2 -l-1 2 -l其中水平线模板为:-l -1 -12 2 2-l -l -1(2)竖条长度筛选,在结果线条图像中计算每个竖条的长度,与标 准特征库中高度特征量进行比较,若竖条长度小于标准特征库中高度特征量则舍去,筛选出符合条件的竖条。所述的一种地面建筑物识别定位方法,所述二次特征匹配歩骤可以 顺序包括下述过程:(1) 在反馈分割步骤中保留下来的各感兴趣区域在竖条特征检测步 骤中对应的区域是否有竖条特征,若存在这些特征,则按预设的权重值 减小该区域的总误差值,若不存在,则总误差值保持不变;(2) 判断某感兴趣区域的总误差值是否小于指定门限,是则将该感 兴趣区域确定为待识别建筑物区域,否则舍弃;(3) 定位步骤,将该待识别建筑物区域对应到原始输入图像上相应区域,标记区域重心,完成对目标的定位。本发明通过预先构建待识别建筑物标准特征库,针对地面建筑物的 特点,利用数学形态学提取图像的结构信息,在此基础上进一步提取特 征量与标准特征库匹配,并考虑待识别建筑物的纹理和场景信息,对前 视地面建筑物进行识别定位。已经在直升机上成功用于具有复杂背景的 前视地面建筑物识别定位,识别精度高,可靠性好,适用于对不同视点、 不同尺度、不同高度的前视地面建筑物进行识别。附图说明图1为直升机前视三维地面建筑物识别定位示意图,其中直升机1,视点2,视场角3,成像高度4,离目标水平距离5; 图2为本发明总体流程示意图; 图3为反馈分割流程示意图;图4不同视点、不同尺度的电信楼形状特征视图;图5电信楼场景特征视图,其中(A)为在飞行为东偏北45°方向成像距离6km成像高度lkm的场景特征视图;(B)为在飞行为东偏北45。 方向成像距离6km成像高度2km的场景特征视图;(C)为在飞行为东偏 北45°方向成像距离10km成像高度lkm的场景特征视图;(D)为在飞行 为东偏北45°方向成像距离10km成像高度2km的场景特征视图;图6电信楼纹理特征视图,其中(A)为在飞行为东偏北45°方向 成像距离6km成像高度lkm的纹理特征视图;(B)为在飞行为东偏北45 °方向成像距离6km成像高度2km的纹理特征视图;(C)为在飞行为东 偏北45°方向成像距离10km成像高度lkm的纹理特征视图;(D)为在飞 行为东偏北45°方向成像距离10km成像高度2km的纹理特征视图;图7电信楼在飞行为东偏北45°方向成像距离6km成像高度lkm下所成图像;图8为图7的形态学增强图像;图9为图8的形态学背景抑制图像;图10对图9灰度级合并后经第一次门限分割后的二值图像;图11对图9灰度级合并后经第二次门限分割后的二值图像;图12对图9灰度级合并后经第三次门限分割后的二值图像;图13为图7转化的二值图像;图14对图13线模板检测的结果线条图像;图15对图14竖条筛选结果图像;图16电信楼目标定位图像。具体实施方式直升机前视三维地面建筑物识别定位示意图如图1所示,下面参考 图2以前视电信楼为例来说明本发明的步骤:(l)预先构建标准特征库,从不同视点、不同尺度电信楼形状特征视 图,场景特征视图和纹理特征视图三类特征视图中提取特征量,电信楼形状特征视图如图4所示,电信楼场景特征视图如图5所示,电信楼纹 理特征视图如图6所示。构建在飞行为东偏北45°方向成像距离6km成像高度lkm下电信楼 地面建筑物标准特征库(l.l)计算各个特征量:① K,'、 Kw、 K,;电信楼在场景视图中高度与其成像距离的乘积&=^; ,/ = 1,...,10 ,计算得K,,二550;电信楼在场景视图中宽度与其成像距离的乘积a:w=Z:,1,-w,xD, / = 1,...,10,计算得K^144;电信楼的面积因子&=^;, &,=V"xW,), ,' = 1,..,10,计算得《二0. 79 式中,不同视点、不同尺度下电信楼在场景视图中的高度h,、宽度w,, 面积Si ,成像距离D,;② 在飞行为东偏北45。方向成像距离6km成像高度lkm下电信楼成像 的高度特征量//,、宽度特征量^、周长特征量q、面积特征量S,和形状式中,成像距离",为6km计算得//1=91像素,%=24像素,C,230像素,S,1725像素,巧=2.44③ 在飞行为东偏北45。方向成像距离6km成像高度lkm下的形态学增 强结构元素和形态学背景抑制结构元素;形态学增强结构元素选择高宽为1像素X5像素的矩形; 形态学背景抑制结构元素一般选择宽度特征量^和高度特征量A所 构成的矩形,由于电信楼底部有侧楼,顶部呈三角形,考虑电信楼目标 不被滤去,取电信楼高度特征量、宽度特征量的0.6倍所构成的矩形作 为形态学背景抑制结构元素,即形态学背景抑制结构元素为55像素X】.4©在飞行为东偏北45°方向成像距离6km成像高度lkm下《、Z^、 7;、乙;电信楼周围没有其它建筑物,所以电信楼与周围建筑物关系尺,=0, 由于电信楼是惟一待识别目标,所以不用考虑待识别地面建筑物之间距离A和待识别地面建筑物周围场景纹理特征7;,,由内部纹理特征公式计算得7;=7. 8(1.2)将所述各类特征值存入数据库中,得到在飞行为东偏北45"方 向成像距离6km成像高度lkm下电信楼的标准特征库。(2) 图像增强步骤,对原始输入图像进行直方图均衡化,用于增强动 态范围偏小的图像反差,增加像素灰度值的动态范围,从而得到增强图 像整体对比度的效果,其原始输入图像如图7所示。(3) 背景抑制处理步骤,顺序包括下述过程:(3. l)形态学增强,选择大小为1像素X5像素的矩形作为形态学增 强结构元素对直方图均衡化图像进行闭运算,减少待识别建筑物内部纹 理信息,增强图像对比度。经形态学增强后结果如图8所示。(3. 2)形态学背景抑制,选用大小为55像素X14像素的矩形形态学 结构元素对图8进行开运算。以滤除与电信楼形状和尺度明显不同的建 筑物或背景,使得图像灰度级别减少,其结果如图9所示。(4) 灰度级合并步骤,对背景抑制处理后的图像进行直方图统计,根 据阈值对每个灰度值出现的次数进行判断,次数小于阈值的灰度值与最 近邻的次数大于等于阈值的灰度值进行合并,这里阈值取300。(5) 反馈分割步骤(5. 1)门限分割步骤,对灰度级合并后的图像,将其灰度级作为门限, 进行灰度级门限分割,转为二值图像。第一次分割的结果如图io所示, 第二次分割的结果如图11所示,第三次分割的结果如图12所示。(5.2)特征提取步骤,标记二值图像中每块区域,计算各标记区域的 特征量:面积、重心、周长、高度、宽度和形状因子。第一次分割结果中有一个感兴趣区域,面积S;^308像素,重心坐标(X,,Y,)二 (239像素, 12像素)(其中X,表示纵坐标,Y,表示横坐标,以下类同),周长C;二80像素,高度h;二33像素,宽度w;40像素,形状因子f;U8 。第二次分割结果中有两个感兴趣区域,面积S^474像素,S;:692像素,重心坐标 (X,,Y,产(165像素,158像素),(X2,Y2产(239像素,14像素),周长c;二170 像素,C; 二l 12像素,高度H; =81像素,H'2 =34像素,宽度W; =8像素,W2' =23 像素,形状因子F/二4.95, F2'=1.39 。第三次分割结果中有六个感兴趣区 域,面积S^1343像素,S;二153像素,S;二1038像素,S;二93像素,S'5=180像 素,S^140像素,重心坐标(X,,Y,)二(160像素,154像素),02,《)=(180像 素,57像素),(X3,Y3"(237像素,15像素),(X4,Y4)二(239像氣38像素), (X5,Y5) = (239像素,311像素),(X6,Y6) = (240像素,53像素),周长C;二186 像素,C^104像素,C;二150像素,C'^64像素,C;二68像素,C;二62像 素,高度H;二86像素,H^51像素,H^40像素,H^31像素,H'5=30像 素,H;二28像素,宽度W;49像素,W^3像素,W;=31像素,\¥4'=3像 素,W;二6像素,W:二5像素,形状因子F,'二2.43, F2'=5.65, F;二1.43, F4'=3. 68, F5'=2. 13, F6'=2. 30 。(5. 3)特征匹配步骤,根据标准特征库中各个特征量对各感兴趣区域 进行特征匹配,如果某感兴趣区域匹配成功则保留该区域作为下一步分 类的感兴趣区域。第一次和第二次分割后所提取各特征量与标准特征库 中各个特征量匹配,没有保留感兴趣区域,第三次分割后所提取各特征 量与标准特征库中各个特征量匹配,发现第一块区域匹配成功,记录下该 区域作为下一步分类的感兴趣区域。(5.4)感兴趣区域数量判断,第一次和第二次分割中保留的感兴趣区 域个数小于待识别建筑物个数,修改灰度级门限转下次门限分割,第三数,转下一步。(5. 5)感兴趣区域与其近邻感兴趣区域的关系特征匹配,对于(5.3)所保留的第三次分割第一个感兴趣区域,计算该感兴趣区域与其近邻感 兴趣区域的关系特征AT,',计算得《=0,与特征库中相应值匹配,匹配成 功,保留该感兴趣区域。(5. 6)感兴趣区域数量判断,第三次分割中保留的感兴趣区域个数不小于待识别建筑物个数,转下一步。(5. 7)多个感兴趣区域之间关系匹配,电信楼是惟一待识别建筑物, 所以不考虑多个感兴趣区域之间关系。(5.8)感兴趣区域对应区域纹理特征匹配,根据第三次分割图像中第 一个感兴趣区域对应到在原始输入图像中的相应区域,再根据电信楼纹 理特征确定水平纹理类型,按下式计算纹理特征。凡+f^义0《Z 2 (/(x + l,力-/(x,力)其中//。为感兴趣区域对应在原始输入图像区域中高度,『。为电信楼在原始输入图像中宽度,计算得7=7.81,与特征库中相应值匹配,匹配成功,保留该区域。(5.9)感兴趣区域数量判断,第三次分割中保留的感兴趣区域个数不 小于待识别建筑物个数,转下一步。(5. 10)电信楼是惟一待识别建筑物,所以不考虑感兴趣区域的近邻 感兴趣区域对应区域纹理特征匹配,转二次特征匹配步骤。 (6)竖条特征检测步骤(6. l)线检测,用原始输入图像的平均灰度值作为阈值,将原始输入 图像转化为二值图像,该二值图像如图13所示,使用一个垂直线模板和 一个水平线模板分别对图13的二值图像进行检测,得到线条图像,将两 个方向的线条图像合并为结果线条图像,如图14所示;:_1 2 _1-l 2 -1-l 2 -l其中水平线模板为:_1 -l -12 2 2-l -1 _1(6.2)竖条长度筛选,在图14中计算每个竖条的长度,由于电信楼 底部有侧楼,顶部呈三角形,所以取标准特征库中高度特征量一半作为 门限进行比较,若竖条长度小于该门限则舍去,筛选出符合条件的竖条, 竖条高度筛选结果如图15所示。(7) 二次特征匹配步骤(7. 1)反馈分割中保留下来的一个感兴趣区域在竖条特征检测中 对应的区域有竖条特征,所以按预设的权重值减小总误差值。(7. 2)该感兴趣区域的总误差值小于指定门限,将该感兴趣区域 确定为电信楼的区域。(7. 3)定位步骤,把确定为电信楼的感兴趣区域,对应到原始输 入图像上相应区域,标记区域重心,完成对目标的定位,定位图像如图 16所示。

Claims (6)

1.一种地面建筑物识别定位方法,预先构建标准特征库:从不同视点、不同尺度地面建筑物形状特征视图,场景特征视图和地面建筑物纹理特征视图三类特征视图中提取特征量;构建标准特征库以后的步骤为: (1)图像增强步骤,对原始输入图像进行直方图均衡化; (2)背景抑制处理步骤,对直方图均衡化图像进行形态学增强和形态学背景抑制; (3)灰度级合并步骤,对背景抑制处理后的图像进行灰度级合并,减少图像的灰度级; (4)反馈分割步骤,将灰度级合并后的图像进行门限分割,得到二值图像,对该二值图像各感兴趣区域依次进行特征提取与匹配、感兴趣区域与其近邻感兴趣区域的关系特征匹配、多个感兴趣区域之间关系匹配、感兴趣区域对应区域纹理特征匹配和感兴趣区域的近邻感兴趣区域对应区域纹理特征匹配,每次匹配后均需要进行感兴趣区域数量判断; (5)竖条特征检测步骤,用原始输入图像的平均灰度值作为阈值,将原始输入图像转化为二值图像,使用线模板对该二值图像进行检测,输出线条图像,计算线条图像中各竖条长度,根据标准特征库中高度特征量对各竖条进行匹配,筛选出符合条件的竖条; (6)二次特征匹配步骤,综合考虑反馈分割步骤和竖条特征检测步骤的结果,判断在步骤(4)中保留下来的各感兴趣区域在步骤(5)竖条特征检测中对应的区域有无竖条特征,如果存在竖条特征则减小该感兴趣区域总误差,否则总误差不变,再根据总误差对各感兴趣区域进行匹配,如果匹配成功保留该感兴趣区域并返回到原始输入图像,对其建筑物进行定位。
2. 如权利要求1所述的地面建筑物识别定位方法,其特征在于,所 述背景抑制处理步骤顺序包括下述过程:(1) 形态学增强,'选择不同视点不同尺度下高宽比为1像素XN像 素的矩形作为形态学增强结构元素,对直方图均衡化图像进行闭运算, 减少待识别建筑物内部纹理信息,增强图像对比度,N为3〜7的自然数;(2) 形态学背景抑制,选择不同视点不同尺度下标准特征库中宽度 特征量和高度特征量所构成的矩形作为形态学背景抑制结构元素,对形 态学增强后的图像进行.开运算,滤除与待识别建筑物形状明显不同的建 筑物或背景,使得图像灰度级别减少。
3. 如权利要求1所述的地面建筑物识别定位方法,其特征在于:所 述灰度级合并步骤,对背景抑制处理后的图像进行直方图统计,根据阈 值对每个灰度值出现的次数进行判断,次数小于阈值的灰度值与最近邻次数大于等于阈值的灰度值进行合并,所述阈值为200〜500的整数。
4. 如权利要求1所述的一种地面建筑物识别定位方法,其特征在于,'所述反裙'分割步骤顺序包括下述过程:(1) 门限分割,将灰度级合并后的图像,将其灰度级作为门限,进行灰度级门限分割,转为二值图像;(2) 特征提取与匹配,标记二值图像中每块区域,计算各标记区域的 特征量:面积、重心、周长、高度、宽度和形状因子,根据标准特征库中各个特征量,对二值图像中每块标记区域的各特征量进行比较,计算 各特征量的误差以及总误差,总误差即各特征量的误差总和,若某感兴 趣区域的各特征量的误差以及总误差都在指定范围内,则该感兴趣区域匹配成功,保留匹配成功的感兴趣区域,否则舍弃;(3)感兴趣区域数量判断,判断保留的感兴趣区域个数是否不小于待 识别建筑物个数,是则转下一步,否则再判断所有灰度级是否分割完, 当所有灰度级没有分割完则按从大到小的顺序修改灰度级门限,转过程 (1),若所有灰度级分割完则认为该图像不包含待识别建筑物;(4) 感兴趣区域与其近邻感兴趣区域的关系特征匹配,计算各感兴趣区域与其近邻感兴趣区域的关系特征iC :<formula>formula see original document page 4</formula>其中《为!•感兴趣区域高度,为z感兴趣区域的近邻感兴趣区域高 度,将各感兴趣区域与其近邻感兴趣区域的关系特征《与标准特征库里 待识别地面建筑物与周围建筑物关系尺,值进行比较,若误差在指定范围内,则匹配成功,保留该感兴趣区域,否则舍弃;(5) 感兴趣区域数量判断,判断保留的感兴趣区域个数是否不小于待 识别建筑物个数,是则转下一步,否则再判断所有灰度级是否分割完, 当所有灰度级没有分割完则按从大到小的顺序修改灰度级门限,转过程 (1),若所有灰度级分割完则认为该图像不包含待识别建筑物;(6) 多个感兴趣区域之间关系匹配,判f待识别建筑物个数是否大于 1,否则转过程(8),是则分别计算出过程(4)保留的各感兴趣区域间距离:<formula>formula see original document page 4</formula>其中(z,,i:)、 (AA)分别为感兴趣区域/、感兴趣区域/的重心坐标,纵向距离加权值P取2〜5,横向距离加权值《取1〜3;某感兴趣区域与 近邻各感兴趣区域之间最小距离为该感兴趣区域的最小距离,各感兴趣 区域的f小距离与标准特征库里待识别地面建筑物之间关系进行比较,' 若误差在指定范围内,则匹配成功,保留该感兴趣区域,否则舍弃;(7) 感兴趣区域数量判断,判断保留的感兴趣区域个数是否不小于待 识别建筑物个数,是则转下一步,否则再判断所有灰度级是否分割完,当所有灰度级没有分割完则按从大到小的顺序修改灰度级门限,转过程 (1),若所有灰度级分割完则认为该图像不包含待识别建筑物;(8) 感兴趣区域对应区域纹理特征匹配,在原始输入图像中找到过程 (6)保留自勺感兴趣区域的对应区域,计算各个对应区域的纹理特征,与标准特征库相应纹理特征进行比较,若误差在指定范围内,则匹配成功,保留该感兴趣区域,否则舍弃;(9) 感兴趣区域数量判断,判断保留的感兴趣区域个数是否不小于待 识别建筑物个数,是则转下一步,否则再判断所有灰度级是否分割完, 当所有灰度级没有分割完则按从大到小的顺序修改灰度级门限,转过程 (1),若所有灰度级分割完则认为该图像不包含待识别建筑物;(10) 感兴趣区域的近邻感兴趣区域对应区域纹理特征匹配,判断待识 别建筑物个数是否大于l,否则转二次特征匹配步骤,是则在原始输入图 像中找到过程(8)保留的感兴趣区域的近邻感兴趣区域对应区域,分别 计算各个对应区域的纹理特征,与标准特征库相应纹理特征进行比较, 若误差在指定范围内,则匹配成功,保留该感兴趣区域,否则舍弃;(11) 感兴趣区域数量判断,判断保留的感兴趣区域个数是否不小于待 识别建筑物个数,是则转二次特征匹配步骤,否则再判断所有灰度级是 否分割完,当所有灰度级没有分割完则按从大到小的顺序修改灰度级门 限,转过程(l),若所有灰度级分割完则认为该图像不包含待识别建筑物。
5.如权利要求1所述的一种地面建筑物识别定位方法,其特征在于, 所述竖条特征检测步骤顺序包括下述过程:(l)线检测,用原始输入图像的平均灰度值作为阈值,将原始输入图 像转化为二值图像,使用一个垂直线模板和一个水平线模板分别对二值 图像进行检测,得到线条图像,将两个方向的线条图像合并为结果线条图像; '其中垂直线模板为:<table>table see original document page 6</column></row> <table>其中水平线模板为:<table>table see original document page 6</column></row> <table>(2)竖条长度筛选,在结果线条图像中计算每个竖条的长度,与标 准特征库中高度特征量进行比较,若竖条长度小于标准特征库中高度特 征量则舍去,筛选出符合条件的竖条。
6.如权利要求1所述的一种地面建筑物识别定位方法,其特征在于,所述二次特征匹配步骤顺序包括下述过程:(1) 判断在反馈分割步骤中保留下来的各感兴趣区域在竖条特征检 测步骤中对应的区域是否存在竖条特征,若存在竖条特征,则按预设的 权重值减小该区域的总误差值,若不存在,则总误差值保持不变;(2) 判断某感兴趣区域的总误差值是否小于指定门限,是则将该感 兴趣区域确定为待识别建筑物区域,否则舍弃; .(3) 定位步骤,将该待识别建筑物区域对应到原始输入图像上相应 区域,标记区域重心,完成对目标的定位。
CN 200710052928 2007-08-08 2007-08-08 一种地面建筑物识别定位方法 CN100547603C (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN 200710052928 CN100547603C (zh) 2007-08-08 2007-08-08 一种地面建筑物识别定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN 200710052928 CN100547603C (zh) 2007-08-08 2007-08-08 一种地面建筑物识别定位方法

Publications (2)

Publication Number Publication Date
CN101114337A CN101114337A (zh) 2008-01-30
CN100547603C true CN100547603C (zh) 2009-10-07

Family

ID=39022670

Family Applications (1)

Application Number Title Priority Date Filing Date
CN 200710052928 CN100547603C (zh) 2007-08-08 2007-08-08 一种地面建筑物识别定位方法

Country Status (1)

Country Link
CN (1) CN100547603C (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150248592A1 (en) * 2012-09-21 2015-09-03 Zte Corporation Method and device for identifying target object in image

Families Citing this family (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101532841B (zh) * 2008-12-30 2010-09-08 华中科技大学 基于地标捕获跟踪的飞行器导航定位方法
CN101726297B (zh) 2009-12-18 2011-11-30 华中科技大学 一种用于前视导航制导的平面地标选择和参考图制备方法
CN101846513B (zh) * 2010-06-17 2011-11-30 中国人民解放军信息工程大学 标志图像识别及中心坐标提取方法
CN103714541B (zh) * 2013-12-24 2015-07-08 华中科技大学 一种利用山体轮廓区域约束识别定位建筑物的方法
CN107680135B (zh) * 2017-11-16 2019-07-23 珊口(上海)智能科技有限公司 定位方法、系统及所适用的机器人

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1123940A (zh) 1994-04-29 1996-06-05 国际商业机器公司 产品识别系统
CN1945602A (zh) 2006-07-07 2007-04-11 华中科技大学 一种基于人工神经网络的特征选择方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN1123940A (zh) 1994-04-29 1996-06-05 国际商业机器公司 产品识别系统
CN1945602A (zh) 2006-07-07 2007-04-11 华中科技大学 一种基于人工神经网络的特征选择方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
基于不变矩的前视红外图像机场目标识别. 张天序,曹杨,刘进,李勐.华中科技大学学报(自然科学版),第35卷第1期. 2007

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150248592A1 (en) * 2012-09-21 2015-09-03 Zte Corporation Method and device for identifying target object in image

Also Published As

Publication number Publication date
CN101114337A (zh) 2008-01-30

Similar Documents

Publication Publication Date Title
Wang et al. A region based stereo matching algorithm using cooperative optimization
CN102142153B (zh) 基于图像的三维模型的重建模方法
CN100502463C (zh) 一种交通流信息视频检测中的特征采集方法
Kong et al. General road detection from a single image
Ying et al. Beamlet transform‐based technique for pavement crack detection and classification
Yang et al. Hierarchical extraction of urban objects from mobile laser scanning data
CN101110101A (zh) 识别图像的方法及设备
CN1897015A (zh) 基于机器视觉的车辆检测和跟踪方法及系统
CN101673403A (zh) 复杂干扰场景下的目标跟踪方法
CN101620732A (zh) 道路行驶线的视觉检测方法
CN101729872B (zh) 一种基于视频监控图像自动判别道路交通状态的方法
Deschaud et al. A fast and accurate plane detection algorithm for large noisy point clouds using filtered normals and voxel growing
Huang et al. A depth extraction method based on motion and geometry for 2D to 3D conversion
CN104392212B (zh) 一种基于视觉的道路信息检测及前方车辆识别方法
CN105354568A (zh) 基于卷积神经网络的车标识别方法
CN101029824A (zh) 基于车辆特征的车辆定位方法和装置
Vosselman Point cloud segmentation for urban scene classification
CN101697007A (zh) 一种基于雷达图像的飞鸟目标识别与跟踪方法
CN101807352A (zh) 一种模糊模式识别的车位检测方法
Zhao et al. Rectilinear parsing of architecture in urban environment
CN103500338B (zh) 基于车载激光扫描点云的道路斑马线自动提取方法
CN102810250B (zh) 基于视频的多车型交通信息检测方法
CN103150559B (zh) 基于Kinect三维深度图像的头部识别与跟踪方法
CN102044069B (zh) 一种白细胞图像分割方法
CN103390164A (zh) 基于深度图像的对象检测方法及其实现装置

Legal Events

Date Code Title Description
C06 Publication
C10 Entry into substantive examination
C14 Grant of patent or utility model
CF01