CN102567093A - 一种应用于视觉泊位自动引导系统的泊位机型识别方法 - Google Patents
一种应用于视觉泊位自动引导系统的泊位机型识别方法 Download PDFInfo
- Publication number
- CN102567093A CN102567093A CN2011104295643A CN201110429564A CN102567093A CN 102567093 A CN102567093 A CN 102567093A CN 2011104295643 A CN2011104295643 A CN 2011104295643A CN 201110429564 A CN201110429564 A CN 201110429564A CN 102567093 A CN102567093 A CN 102567093A
- Authority
- CN
- China
- Prior art keywords
- berth
- type
- aircraft
- vision
- induction systems
- Prior art date
- Legal status (The legal status 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 status listed.)
- Pending
Links
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种应用于视觉泊位自动引导系统的泊位机型识别方法,该视觉泊位自动引导系统包括机型图像数据检测单元和计算机处理系统,所述计算机处理系统内存储有机型数据库,计算机处理系统实时接收机型图像检测单元获取的待泊位的滑行飞机的光学图像信息;基于飞机泊位过程的特点选取识别机型的特征部位;基于自适应权重形态学对上述特征部位的光学图像信息进行边缘检测,以提取该特征部位的特征值;根据特征部位的特征值和机型数据库,采用人工神经网络BP算法对飞机机型进行分类识别,确定待泊位飞机的机型。
Description
技术领域
本发明涉及民航机场视觉泊位自动引导系统,尤其是一种应用于视觉泊位自动引导系统的泊位机型识别方法。
背景技术
现代民航机场运输十分繁忙,民航机场数字化建设是时代发展的需求,而视觉泊位自动引导系统则是民航机场数字化建设的重要内容。视觉泊位自动引导系统是指飞机进入停泊区后将其自动引导至指定廊桥对接位置的系统,一般都采用激光、摄像、电感应圈等方法来引导飞机泊位,主要是通过对滑行中的飞机进行实时测量和拍摄,将测得的飞机外形数据如:飞机机头轮廓、翼展轮廓、垂直尾翼轮廓、发动机轮廓及其尺寸与预先存储在泊位系统中的各种机型的飞机的外形数据进行比较匹配,从而最终确定滑行过来的飞机机型,以防止飞机泊位错误并满足特殊飞机使用特定泊位的要求。
现有技术中对飞机机型的识别有两种方案,一种方案是灰度特征识别方法,该方法通过图像中目标的灰度特征识别机型,但因为飞机目标本身并没有明显的共同灰度特征,且不同型号的飞机形状、尺寸、灰度差异很大,所以通过灰度方法很难得到飞机的完整的、准确的外形,识别率低,难以进行机型的判别。
另一种方案是神经网络识别方法,该方法通过不变矩(或边界矩)、傅里叶描述子或几何不变量等特征对飞机目标机型进行识别并分类,但这类方法的不足在于:均为轮廓的全局特征,实质上都是基于可以得到完整且准确的目标轮廓的假设,当轮廓不完整或不准确时难以准确判定目标。在实际图像中,由于遮挡、噪声和较低图像质量的影响,准确提取目标的闭合轮廓往往比较困难,提取到的轮廓一般有残缺或多余,而边界矩或傅里叶描述子对噪声敏感,几何不变量对抗噪声性能较差,造成识别率不高。
发明内容
本发明要解决的技术问题是:提供一种识别率高、识别速度快的应用于民航机场视觉泊位自动引导系统的泊位机型识别方法。
为了解决上述技术问题,本发明所采用的技术方案是:
一种应用于视觉泊位自动引导系统的泊位机型识别方法,该视觉泊位自动引导系统包括机型图像数据检测单元和计算机处理系统,所述计算机处理系统内存储有机型数据库,包括以下步骤:
计算机处理系统实时接收机型图像检测单元获取的待泊位的滑行飞机的光学图像信息;
基于飞机泊位过程的特点选取识别机型的特征部位;
基于自适应权重形态学对上述特征部位的光学图像信息进行边缘检测,以提取该特征部位的特征值;
根据特征部位的特征值和机型数据库,采用人工神经网络BP算法对飞机机型进行分类识别,确定待泊位飞机的机型。
进一步作为优选的实施方式,所述特征部位包括飞机的发动机、舱门、起落架和机翼中的一种或者任意组合。
进一步,所述机型数据库存储有根据各种机型飞机的特征部位的特征值建立的飞机机型数据模型。
进一步作为优选的实施方式,所述人工神经网络采用三层神经网络;所述机型图像数据检测单元为红外或者可见光光电成像器。
本发明的有益效果是:本发明泊位机型识别方法可以根据选取的特征部位进行图像识别,采用自适应权重形态学提取特征部位的特征值,并将提取的特征值输入由人工神经网络BP算法建立的分类器,以对飞机机型进行识别,该方法不仅减小了输入数据量,提高了飞机机型识别的速度,而且克服了现有技术中图像抗噪性能差、识别率不高的缺陷,提高了鲁棒性和飞机机型识别的准确率。
附图说明
下面结合附图对本发明的具体实施方式作进一步说明:
图1是本发明泊位机型识别方法的步骤流程图。
具体实施方式
本发明泊位机型识别方法采用自适应权重形态学与神经网络结合方法,在飞机泊位前较小的区域范围内利用自适应权重形态学与神经网络结合的方法,根据飞机运动过程中目标尺寸变化与特征退化的特点,基于多特征融合图像处理算法实现飞机机型识别,提高了搜索的速度和可靠性。本方案先通过自适应权重形态学提取ROI区域中泊位飞机的特征部位的特征值,如发动机数目及位置、起落架组数、舱门的位置等,然后利用高阶反馈神经网络进行机型识别。
参照图1,一种应用于视觉泊位自动引导系统的泊位机型识别方法,该视觉泊位自动引导系统包括机型图像数据检测单元和计算机处理系统,所述计算机处理系统内存储有机型数据库,包括以下步骤:
计算机处理系统实时接收机型图像检测单元获取的待泊位的滑行飞机的光学图像信息;
基于飞机泊位过程的特点选取识别机型的特征部位;
基于自适应权重形态学对上述特征部位的光学图像信息进行边缘检测,以提取该特征部位的特征值;
根据特征部位的特征值和机型数据库,采用人工神经网络BP算法对飞机机型进行分类识别,确定待泊位飞机的机型。
进一步作为优选的实施方式,所述特征部位包括飞机的发动机、舱门、起落架和机翼中的一种或者任意组合,视觉泊位自动引导系统只需对该部分进行图像识别,本发明根据飞机泊位过程的特点,利用自适应权重形态学提取飞机在平移、旋转情况下特征部位的特征值以进行机型识别。自适应权重形态学在同一尺度下对多个结构元素分别进行边缘检测,并得到该尺度下的边缘图像,利用形态学结构元素“探针”原理,在腐蚀过程中,根据结构元素可填入次数,以及不同尺度结构元素的抗噪性能,来确定加权值的大小,然后对不同尺度下的边缘图像进行加权求和,再经二值化、去噪处理,最后得到自适应权重的多刻度形态学边缘检测算法检测的边缘图像。
自适应权重腐蚀(WER)和膨胀(WDI)定义如下:
其中B是结构元素,X为原始图像。其他运算如权重开运算(WOP)和闭运算(WCL)均为自适应权重腐蚀和膨胀的级联形式,具体运算公式如下:WOP(X)=WDI(WER(X)) 和WCL(X)=WER(WDI(X))。而权重开-闭运算(WOPCL)和闭-开运算(WCLOP)分别描述如下:WOPCL(X)=WCL(WOP(X)) 和WCLOP(X)=WOP(WCL(X))。结构元素B有标准化权重因子并且因子的值采用这种方式计算:权重边缘方向点的值是1,最远点的权重值是按照权重因子ω>1进行赋值,这样导致边缘点的影响很重要而减少相邻点的影响。其余的权重值基于Δω=(ω-1)/d增长来计算, 其中d是边缘方向点和距离边缘方向点的最远点的距离。在水平和垂直方向,权重按照Δω增长, 每一步都从边缘方向点开始。例如,对于大小为3×3的结构元素B来说,假如水平方向的边缘ω1=3,那么B就为B1, 其中Δω=2, 假如ω2=3,则B就为B2,其中Δω=1。
进一步,所述机型数据库存储有根据各种机型飞机的特征部位的特征值建立的飞机机型数据模型,通过训练样本对人工神经网络进行训练,建立飞机特征部位的特征值与飞机机型对应的数据模型。本发明采用高阶反馈神经网络建立分类器,优选的,采用三层网络的人工神经网络,包括输入层、隐层和输出层。输入层个神经元负责接收并传递飞机特征部分的特征值;中间层负责信息的处理和变换;输出层负责向外界输出信息处理结构,即匹配的飞机机型数据,以便视觉自动引导系统为待泊位飞机选择合适的接驳位。人工神经网络BP(Back Propagation)算法工作时,信息从输入层经隐层流向输出层(信息正向传播),若现行输出与期望相同,则训练结束;否则,误差反向进入网络(误差反向传播)。将输出与期望的误差按照原连接通路反向计算,修正各层权值和阈值,逐次向输入层传播。信息正向传播与误差反向传播反复交替,网络得到了记忆训练,当网络的全局误差小于给定的误差值后学习终止,即可得到收敛的网络和相应稳定的权值。在本发明实施例中,BP算法采用三层的神经网络,采用logsigmoid传输函数,225500输入像素,在隐层有10个结构元,输出神经元有15类。在进行前向多层神经网络学习时,不断调整隐层节点数,隐层节点数为10时,学习的迭代次数量少,网络收敛。
所述机型图像数据检测单元为红外或者可见光光电成像器。
以上是对本发明的较佳实施进行了具体说明,但本发明创造并不限于所述实施例,熟悉本领域的技术人员在不违背本发明精神的前提下还可以作出种种的等同变形或替换,这些等同的变形或替换均包含在本申请权利要求所限定的范围内。
Claims (5)
1.一种应用于视觉泊位自动引导系统的泊位机型识别方法,该视觉泊位自动引导系统包括机型图像数据检测单元和计算机处理系统,所述计算机处理系统内存储有机型数据库,其特征在于,包括以下步骤:
计算机处理系统实时接收机型图像检测单元获取的待泊位的滑行飞机的光学图像信息;
基于飞机泊位过程的特点选取识别机型的特征部位;
基于自适应权重形态学对上述特征部位的光学图像信息进行边缘检测,以提取该特征部位的特征值;
根据特征部位的特征值和机型数据库,采用人工神经网络BP算法对飞机机型进行分类识别,确定待泊位飞机的机型。
2.根据权利要求1所述的一种应用于视觉泊位自动引导系统的泊位机型识别方法,其特征在于:所述特征部位包括飞机的发动机、舱门、起落架和机翼中的一种或者任意组合。
3.根据权利要求1所述的一种应用于视觉泊位自动引导系统的泊位机型识别方法,其特征在于:所述机型数据库存储有根据各种机型飞机的特征部位的特征值建立的飞机机型数据模型。
4.根据权利要求1所述的一种应用于视觉泊位自动引导系统的泊位机型识别方法,其特征在于:所述人工神经网络采用三层神经网络。
5.根据权利要求1所述的一种应用于视觉泊位自动引导系统的泊位机型识别方法,其特征在于:所述机型图像数据检测单元为红外或者可见光光电成像器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104295643A CN102567093A (zh) | 2011-12-20 | 2011-12-20 | 一种应用于视觉泊位自动引导系统的泊位机型识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2011104295643A CN102567093A (zh) | 2011-12-20 | 2011-12-20 | 一种应用于视觉泊位自动引导系统的泊位机型识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN102567093A true CN102567093A (zh) | 2012-07-11 |
Family
ID=46412586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2011104295643A Pending CN102567093A (zh) | 2011-12-20 | 2011-12-20 | 一种应用于视觉泊位自动引导系统的泊位机型识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN102567093A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104615987A (zh) * | 2015-02-02 | 2015-05-13 | 北京航空航天大学 | 一种基于误差反传神经网络的飞机残骸智能识别方法及系统 |
CN104966045A (zh) * | 2015-04-02 | 2015-10-07 | 北京天睿空间科技有限公司 | 一种基于视频的飞机进出泊位自动检测方法 |
CN105302151A (zh) * | 2014-08-01 | 2016-02-03 | 深圳中集天达空港设备有限公司 | 一种飞机入坞引导和机型识别的系统及方法 |
CN105335751A (zh) * | 2014-08-01 | 2016-02-17 | 深圳中集天达空港设备有限公司 | 一种基于视觉图像的泊位飞机前轮定位方法 |
CN108352121A (zh) * | 2015-04-10 | 2018-07-31 | Adb赛福格瑞典有限公司 | 飞行器识别 |
CN115599125A (zh) * | 2022-12-14 | 2023-01-13 | 电子科技大学(Cn) | 一种基于边缘计算的助航灯光控制策略选择方法 |
CN117522281A (zh) * | 2024-01-05 | 2024-02-06 | 山东通广电子股份有限公司 | 一种基于视觉识别的工器具出入库管理方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1664877A (zh) * | 2005-03-07 | 2005-09-07 | 张积洪 | 飞机泊位机型自动识别与指示系统 |
CN101765019A (zh) * | 2008-12-25 | 2010-06-30 | 北京大学 | 一种用于运动模糊和光照变化图像的立体匹配方法 |
CN101882303A (zh) * | 2010-06-03 | 2010-11-10 | 董永平 | 一种自适应滤波器实现多波段图像自动分割的方法 |
CN201639715U (zh) * | 2010-04-22 | 2010-11-17 | 上海蚕路网络科技有限公司 | 一种飞机起降安全视频跟踪系统 |
CN101909206A (zh) * | 2010-08-02 | 2010-12-08 | 复旦大学 | 基于视频的智能飞行器追踪系统 |
CN102014281A (zh) * | 2009-09-04 | 2011-04-13 | 夏普株式会社 | 具有非线性运动场平滑的运动估计的方法和系统 |
CN102254224A (zh) * | 2011-07-06 | 2011-11-23 | 无锡泛太科技有限公司 | 一种基于粗糙集神经网络的图像识别的物联网电动汽车充电桩系统 |
-
2011
- 2011-12-20 CN CN2011104295643A patent/CN102567093A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1664877A (zh) * | 2005-03-07 | 2005-09-07 | 张积洪 | 飞机泊位机型自动识别与指示系统 |
CN101765019A (zh) * | 2008-12-25 | 2010-06-30 | 北京大学 | 一种用于运动模糊和光照变化图像的立体匹配方法 |
CN102014281A (zh) * | 2009-09-04 | 2011-04-13 | 夏普株式会社 | 具有非线性运动场平滑的运动估计的方法和系统 |
CN201639715U (zh) * | 2010-04-22 | 2010-11-17 | 上海蚕路网络科技有限公司 | 一种飞机起降安全视频跟踪系统 |
CN101882303A (zh) * | 2010-06-03 | 2010-11-10 | 董永平 | 一种自适应滤波器实现多波段图像自动分割的方法 |
CN101909206A (zh) * | 2010-08-02 | 2010-12-08 | 复旦大学 | 基于视频的智能飞行器追踪系统 |
CN102254224A (zh) * | 2011-07-06 | 2011-11-23 | 无锡泛太科技有限公司 | 一种基于粗糙集神经网络的图像识别的物联网电动汽车充电桩系统 |
Cited By (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105302151B (zh) * | 2014-08-01 | 2018-07-13 | 深圳中集天达空港设备有限公司 | 一种飞机入坞引导和机型识别的系统及方法 |
CN105335751B (zh) * | 2014-08-01 | 2018-10-12 | 深圳中集天达空港设备有限公司 | 一种基于视觉图像的泊位飞机前轮定位方法 |
CN105302151A (zh) * | 2014-08-01 | 2016-02-03 | 深圳中集天达空港设备有限公司 | 一种飞机入坞引导和机型识别的系统及方法 |
CN105335751A (zh) * | 2014-08-01 | 2016-02-17 | 深圳中集天达空港设备有限公司 | 一种基于视觉图像的泊位飞机前轮定位方法 |
US10255520B2 (en) | 2014-08-01 | 2019-04-09 | Shenzhen Cimc-Tianda Airport Support Ltd. | System and method for aircraft docking guidance and aircraft type identification |
CN104615987B (zh) * | 2015-02-02 | 2017-12-26 | 北京航空航天大学 | 一种基于误差反传神经网络的飞机残骸智能识别方法及系统 |
CN104615987A (zh) * | 2015-02-02 | 2015-05-13 | 北京航空航天大学 | 一种基于误差反传神经网络的飞机残骸智能识别方法及系统 |
CN104966045A (zh) * | 2015-04-02 | 2015-10-07 | 北京天睿空间科技有限公司 | 一种基于视频的飞机进出泊位自动检测方法 |
CN104966045B (zh) * | 2015-04-02 | 2018-06-05 | 北京天睿空间科技有限公司 | 基于视频的飞机进出泊位自动检测方法 |
CN108352121A (zh) * | 2015-04-10 | 2018-07-31 | Adb赛福格瑞典有限公司 | 飞行器识别 |
CN108352121B (zh) * | 2015-04-10 | 2019-09-10 | Adb赛福格瑞典有限公司 | 飞行器识别方法和系统 |
CN115599125A (zh) * | 2022-12-14 | 2023-01-13 | 电子科技大学(Cn) | 一种基于边缘计算的助航灯光控制策略选择方法 |
CN115599125B (zh) * | 2022-12-14 | 2023-04-07 | 电子科技大学 | 一种基于边缘计算的助航灯光控制策略选择方法 |
CN117522281A (zh) * | 2024-01-05 | 2024-02-06 | 山东通广电子股份有限公司 | 一种基于视觉识别的工器具出入库管理方法及系统 |
CN117522281B (zh) * | 2024-01-05 | 2024-04-16 | 山东通广电子股份有限公司 | 一种基于视觉识别的工器具出入库管理方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN102567093A (zh) | 一种应用于视觉泊位自动引导系统的泊位机型识别方法 | |
CN109087510B (zh) | 交通监测方法及装置 | |
CN113269073B (zh) | 一种基于yolo v5算法的船舶多目标追踪方法 | |
CN107563372B (zh) | 一种基于深度学习ssd框架的车牌定位方法 | |
Cho et al. | Multiple feature aggregation using convolutional neural networks for SAR image-based automatic target recognition | |
WO2020151166A1 (zh) | 多目标跟踪方法、装置、计算机装置及可读存储介质 | |
CN103218831B (zh) | 一种基于轮廓约束的视频运动目标分类识别方法 | |
CN105373135B (zh) | 一种基于机器视觉的飞机入坞引导和机型识别的方法及系统 | |
CN110135296A (zh) | 基于卷积神经网络的机场跑道fod检测方法 | |
CN103383733B (zh) | 一种基于半机器学习的车道视频检测方法 | |
CN101980245B (zh) | 一种基于自适应模板匹配的客流统计方法 | |
CN111507371B (zh) | 自动评估对训练图像的标签可靠性的方法和装置 | |
CN109635666A (zh) | 一种基于深度学习的图像目标快速检测方法 | |
CN102819841B (zh) | 用于目标图像分割的全局阈值分割方法 | |
CN104615986A (zh) | 利用多检测器对场景变化的视频图像进行行人检测的方法 | |
CN108875754B (zh) | 一种基于多深度特征融合网络的车辆再识别方法 | |
CN106408030A (zh) | 基于中层语义属性和卷积神经网络的sar图像分类方法 | |
CN115797736B (zh) | 目标检测模型的训练和目标检测方法、装置、设备和介质 | |
CN108230313B (zh) | 基于部件自适应选择与判别模型的sar图像目标检测方法 | |
Jin et al. | Ellipse proposal and convolutional neural network discriminant for autonomous landing marker detection | |
CN110991516A (zh) | 一种基于风格迁移的侧扫声呐图像目标分类方法 | |
CN103679214A (zh) | 基于在线面积估计和多特征决策融合的车辆检测方法 | |
CN112395953A (zh) | 一种道面异物检测系统 | |
Zhigang et al. | Vehicle target detection based on R-FCN | |
WO2024152477A1 (zh) | 一种基于多尺度特征解耦的机场飞行区目标实时检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C12 | Rejection of a patent application after its publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20120711 |