CN103714541A - 一种利用山体轮廓区域约束识别定位建筑物的方法 - Google Patents

一种利用山体轮廓区域约束识别定位建筑物的方法 Download PDF

Info

Publication number
CN103714541A
CN103714541A CN201310722416.XA CN201310722416A CN103714541A CN 103714541 A CN103714541 A CN 103714541A CN 201310722416 A CN201310722416 A CN 201310722416A CN 103714541 A CN103714541 A CN 103714541A
Authority
CN
China
Prior art keywords
massif
interest
buildings
region
area
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.)
Granted
Application number
CN201310722416.XA
Other languages
English (en)
Other versions
CN103714541B (zh
Inventor
张天序
张力
彭凡
药珩
鲁岑
郑亚云
魏亚勋
肖聪
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Huazhong University of Science and Technology
Original Assignee
Huazhong University of Science and Technology
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 Huazhong University of Science and Technology filed Critical Huazhong University of Science and Technology
Priority to CN201310722416.XA priority Critical patent/CN103714541B/zh
Publication of CN103714541A publication Critical patent/CN103714541A/zh
Priority to PCT/CN2014/085715 priority patent/WO2015096507A1/zh
Priority to US14/714,232 priority patent/US9454692B2/en
Application granted granted Critical
Publication of CN103714541B publication Critical patent/CN103714541B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G06F18/23211—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with adaptive number of clusters
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/12—Edge-based segmentation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/10—Segmentation; Edge detection
    • G06T7/155—Segmentation; Edge detection involving morphological operators
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/20—Image preprocessing
    • G06V10/30—Noise filtering
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
    • G06V10/762—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using clustering, e.g. of similar faces in social networks
    • G06V10/763—Non-hierarchical techniques, e.g. based on statistics of modelling distributions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/13—Satellite images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/10—Terrestrial scenes
    • G06V20/176—Urban or other man-made structures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/35—Categorising the entire scene, e.g. birthday party or wedding scene
    • G06V20/38—Outdoor scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/60—Type of objects
    • G06V20/64—Three-dimensional objects
    • G06V20/647—Three-dimensional objects by matching two-dimensional images to three-dimensional objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10004—Still image; Photographic image
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10032—Satellite or aerial image; Remote sensing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20036—Morphological image processing
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30181—Earth observation
    • G06T2207/30184—Infrastructure
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30212—Military

Abstract

本发明公开了一种利用山体轮廓区域约束识别定位建筑物的方法，包括以下步骤：（1）获取实时图，对实时图像进行山体轮廓检测，并对检测到的山体轮廓线进行扩展，的到山体轮廓约束区；（2）在山体轮廓约束区内，对输入图像进行形态学增强与背景抑制处理；（3）在山体轮廓约束区内进行递推分割，将步骤（2）得到的图像转化为二值图；（4）根据步骤（3）的结果，在山体轮廓约束区内提取目标建筑所在的局部感兴趣区；（5）局部感兴趣区内直接识别定位目标建筑物。该方法定位快、虚警率低、可靠性高，为飞行器前视导航捕获与定位山体轮廓附近的建筑物提供了关键技术。

Description

一种利用山体轮廓区域约束识别定位建筑物的方法
技术领域
本发明属于成像自动目标识别技术领域，更具体地，涉及一种利用山体轮廓区域约束识别定位建筑物的方法。
背景技术
山地地区的建筑物是人工建筑的重要组成部分，在复杂的山峦起伏背景下的红外图像中，建筑物目标的实时检测定位是导航过程的关键技术，对其进行精确定位与识别可满足无人飞行器和有人飞行器在山地地区的自主精确导航、飞行器避撞等领域的应用需求。
任何飞行器在飞行前，在地面准备阶段都是要做航路规划的，这是一个基本的前提条件，然后才按照规定的航路导航飞行。在实际的飞行过程中，由于飞行器惯性导航定位的偏差，造成飞行航线的偏差，进而引起飞行器机载成像传感器光轴指向的偏差。因而目标图像可能并不在视场的中心，相对于中心可能偏左也可能偏右，可能偏上也可能偏下，导致真正的目标位置跟预计的导航位置可能有角偏差。如果只是借助于惯性导航装置来将飞行器导航到预定的目标位置，将会由于上述偏差的存在而变得异常困难。
可以通过光学传感器的前视成像目标识别来纠正导航偏差，但一般的前视目标识别导航方法都是直接识别目标来纠正实际飞行航路与规划航路的偏差，在目标建筑物光学成像特征不显著时，如被隐藏、被遮挡、建筑物相似模式较多、光学成像中建筑物局部对比度差等多种情况下，直接识别定位建筑物是不可能或不可靠的。在山体上的建筑，当飞行器从远处靠近时，建筑物是在山体轮廓线附近的，对建筑物进行直接识别会存在由于山体上的相似建筑导致的虚警，也会因为进行全图搜索而导致算法开销过大。
发明内容
针对现有技术的以上缺陷或改进需求，本发明提供了一种利用山体轮廓识别定位建筑物的方法，能有效解决动平台远距离条件下，处于山体轮廓区域的目标建筑物光学成像特征不显著时定位慢、准确率低和虚警率高的问题，定位块，准确率高，且虚警率低，为飞行器前视导航时捕获与定位建筑物提供关键技术。
为实现上述目的，本发明提供了一种利用山体轮廓区域约束识别定位建筑物的方法，其特征在于，包括以下步骤：（1）获取实时图，对实时图像进行山体轮廓检测，并对检测到的山体轮廓线进行扩展，的到山体轮廓约束区；（2）在山体轮廓约束区内，对输入图像进行形态学增强与背景抑制处理；（3）在山体轮廓约束区内进行递推分割，将步骤（2）得到的图像转化为二值图；（4）根据步骤（3）的结果，在山体轮廓约束区内提取目标建筑所在的局部感兴趣区；（5）局部感兴趣区内直接识别定位目标建筑物。
优选地，所述步骤（1）进一步包括以下步骤：（1-1）获取实时图，对实时图像进行基于最大类间方差法的二值分割；（1-2）对分割后的二值图像进行中值滤波后，再进行形态学膨胀、腐蚀操作；（1-3）对步骤（1-2）得到的图像进行边缘检测，得到山体轮廓；（1-4）将步骤（1-3）得到的山体轮廓上下浮动Δ个像素的区域作为山体轮廓约束区，其中，Δ为当前帧图像高度的1/20～1/10。
优选地，所述步骤（1-2）中，膨胀腐蚀算子为：
1
1 1 1
1
优选地，所述步骤（2）进一步包括以下步骤：（2-1）形态学增强：利用高宽比为1×7的结构元素对山体轮廓区域内的实时图进行形态学灰度闭运算，减少目标建筑物内部纹理信息，增强图像对比度；（2-2）形态学背景抑制：选用已经制备好的目标建筑物的形态学结构元素对形态学增强后的山体轮廓约束区内实时图进行形态学灰度开运算。
优选地，所述步骤（3）中的递推分割方法为：在山体轮廓区域内，对形态学背景抑制后的实时图进行灰度级统计，将其灰度级从高到低依次作为分割门限，进行灰度级递推分割，转换为二值图像，递推分割的次数为5次。
优选地，所述步骤（4）进一步包括以下步骤：
（4-1）提取局部感兴趣区，进一步包括以下步骤：
（4-1-1）根据真实场景中目标建筑物高度和宽度以及惯导参数，计算目标建筑物在成像器二维成像平面上的几何特征；
（4-1-2）在山体轮廓区域内，标记步骤（3）得到的图像中的白色区域，计算各标记区域的特征量，所述特征量包括：面积、形心、周长、高度、宽度和形状因子；
（4-2）验证局部感兴趣区，进一步包括以下步骤：
（4-2-1）检测线条特征：使用垂直线模板和水平线模板分别对图像进行检测，得到水平方向和垂直方向梯度图；
（4-2-2）验证线条特征：在山体轮廓区域内，首先对感兴趣区局部原始图像进行竖直线条验证，将目标建筑物成像高度的一半作为竖直线条长度阈值，对所得的各个感兴趣区域进行竖直线条验证，保留通过验证的感兴趣区域；再对感兴趣区局部原始图像进行水平线条验证，将目标建筑物成像宽度的一半为水平线条长度阈值，对所得的各个感兴趣区域进行水平线条验证，保留通过验证的感兴趣区域；若没有找到符合条件的感兴趣区域，则检测无结果输出。
优选地，所述步骤（5）中，将通过感兴趣区域验证的感兴趣区域的特征与目标建筑物基准特征进行匹配，提取感兴趣区域的局部对比度特征和竖直线条特征，统计竖直线条长度大于目标建筑物成像高度的0.8倍以上的竖直线条数，以及水平线条长度大于目标建筑物成像宽度的0.8倍以上的水平线条数，寻找局部对比度最大的感兴趣区作为最终的匹配结果。
总体而言，通过本发明所构思的以上技术方案与现有技术相比，具有以下有益效果：
1、由于采用了步骤（1）先对山体轮廓区域进行提取，再进行区域约束内的建筑物识别定位，有效解决了因为全图搜索相同模式过多而导致的虚警，提高了准确率，同时，该方法只需处理区域内的图像，减少了算法开销，缩短了运行时间，保障了实时性。
2.由于采用了步骤（4）的局部感兴趣区提取，再对感兴趣区内进行目标识别定位，通过步骤（1）到步骤（4）的时间序列上的递推过程，将约束区域逐渐缩小，不仅缩短了识别定位建筑物所需的时间，还提高了定位准确率。
附图说明
图1是本发明实施例的利用山体轮廓区域约束识别定位建筑物的方法流程图；
图2是第一帧实时图；
图3是实时图分割结果；
图4是图3经中值滤波后，膨胀腐蚀的结果；
图5是山体轮廓提取结果；
图6是山体轮廓约束区；
图7是实时图山体轮廓约束区内形态学增强与背景抑制处理结果；
图8是对图7进行第一次二值分割的结果；
图9是第一帧实时图识别定位结果。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
山顶附近的建筑物在很多地区十分常见，从远距离观测，山体与天空呈现出一条不明显的分界线，而且位于山顶附近的建筑物从远距离观测呈现出其位于山体轮廓附近，山体轮廓构成了目标建筑物周围的重要特征，利用山体轮廓与建筑物目标的空间约束关系进行建筑物检测定位，构成了本发明的核心内容。
本发明的山地地区建筑物识别定位方法由飞行器传感器测量数据，根据建筑物目标三维参考模型，制备出多视点多尺度目标结构元素，依据结构元素预测目标在该传感器参数下的模型特征。利用数学形态学对实时图像进行预处理，滤除与目标大小、形状不同的背景。再对预处理后的图像进行迭代分割,对分割后的图像进行感兴趣区特征提取，将提取的特征与模型特征匹配，保留最接近模型特征的感兴趣区。将保留的感兴趣区对应到原始图像相应区域进行线条特征验证和局部对比度验证识别定位目标。
如图1所示，本发明实施例的利用山体轮廓区域约束识别定位建筑物的方法包括以下步骤：
（1）获取实时图，对实时图像进行山体轮廓检测，并对检测到的山体轮廓线进行扩展，得到山体轮廓约束区。进一步包括如下步骤：
（1-1）图2为获取的第一帧实时图，对实时图进行基于最大类间方差法（OTSU）的二值分割，分割结果如图3所示。
（1-2）对分割后的二值图像进行中值滤波，剔除分割所带来的噪声，再进行形态学膨胀、腐蚀操作，以消除山体区域的边缘锯齿。膨胀腐蚀算子为：
1
1 1 1
1
形态学膨胀腐蚀结果如图4所示。
（1-3）对步骤（1-2）得到的图像进行边缘检测，取山体区域与天空区域的交界线，得到山体轮廓，如图5所示。
（1-4）将步骤（1-3）得到的山体轮廓上下浮动Δ个像素的区域作为山体轮廓约束区，其中，Δ为当前帧图像高度的1/20～1/10，山体轮廓约束区提取结果如图6所示。
（2）在山体轮廓约束区内，对输入图像进行形态学增强与背景抑制处理；
(2-1)形态学增强：利用高宽比为1×7的结构元素对原图进行形态学灰度闭运算，减少目标建筑物内部纹理信息，增强图像对比度。
（2-2）形态学背景抑制：选用已经制备好的目标建筑物的形态学结构元素对形态学增强后的山体轮廓约束区内实时图进行形态学灰度开运算。
具体地，在飞行高度1000m、成像距离7km的情况下，地面已制备好的形态学结构元素如表1所示，为高35像素×宽25像素的双色半圆区域。
表1形态学结构元素
其中，（a）的距离为2000米，俯仰角为16°，（b）的距离为3000米，俯仰角为16°，（c）的距离为4000米，俯仰角为16°，（d）的距离为5000米，俯仰角为14°，（e）的距离为6000米，俯仰角为12°，（f）的距离为7000米，俯仰角为14°。白色区域表示目标，黑色区域表示背景。将此结构元素乘以缩放比例因子εw和εh，其中，εw=0.8，εh=0.4。用此结构元素对实时图山体轮廓约束区进行形态学灰度开运算，滤除与目标建筑物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，处理结果如图7所示。
（3）在山体轮廓约束区内进行递推分割，将步骤（2）得到的图像转化为二值图。
递推分割具体为：对图7的形态学增强与背景抑制处理结果图进行灰度级统计，将其灰度级从高到低依次作为分割门限，进行灰度级递推分割，转换为二值图像，为了保证目标区域能够分割出来，设置递推分割次数为四次。对图7进行第一次二值分割的结果如图8所示。
（4）根据步骤（3）的结果，在山体轮廓约束区内提取目标建筑所在的局部感兴趣区。进一步包括如下步骤：
（4-1）提取局部感兴趣区特征。进一步包括如下步骤：
（4-1-1）计算目标建筑物基准特征。
根据真实场景中目标建筑物高度
Figure BDA0000445193830000072
和宽度Wt b以及惯导参数（飞行高度H，视场角
Figure BDA0000445193830000074
，进入角γ，α为方位角，θ为俯仰角）计算目标建筑物在成像器二维成像平面上的几何特征，包括成像高度
Figure BDA0000445193830000075
,宽度Wt m，周长Ct，面积St和形状因子Ft；计算公式如下：
Dist＝tan(θ×3.1415926/180)×H
Ht m＝2×atan((Ht b/2.0/Dist)×180/3.1415926)×ROW/φ
Figure BDA0000445193830000077
St＝Ht m×Wt m,Ct＝2×Ht m×Wt m，
Figure BDA0000445193830000071
Dist飞行器离目标建筑物的距离。
在本实施例中，目标建筑物实际高度
Figure BDA0000445193830000078
米和宽度Wt b=5米。经计算可得目标建筑物成像高度，Wt m=18，取εh，εw＝2，从而可以得到包含目标建筑物的局部感兴趣区。
（4-1-2）计算感兴趣区特征。
选取局部感兴趣区，局部感兴趣区的形心位置为(Xt,Yt)，高度
Figure BDA0000445193830000081
宽度ROI_W=Wt m×εw，
Figure BDA0000445193830000082
和Wt m分别为立体目标的成像高度和宽度，1.5≤εh,εw≤5。本实施例中，取εh＝εw＝2，
Figure BDA0000445193830000083
ROI_W=Wt m×2=36。
在山体轮廓约束区内，标记步骤（3）得到的图像中的白色区域，计算各标记区域的特征量，包括：面积S0i、形心(X0i,Y0i)、周长C0i、高度
Figure BDA0000445193830000084
i、宽度
Figure BDA0000445193830000085
m和形状因子F0i，i=1，2，3，…。
在飞行高度1000m、进入角度γ、成像距离7km的情况下，形态学背景抑制结果如图7所示。第一次分割结果中只有1个感兴趣区域，高度
Figure BDA0000445193830000086
，宽度
Figure BDA0000445193830000087
，周长C01=64，面积S01=284，形状因子F01=1.11，形心坐标（X1,Y1）=（84像素,282像素）。
（4-2）验证局部感兴趣区。
（4-2-1）检测线条特征。
将局部感兴趣区内原始局部图像转化为梯度图。具体地，可以使用一个垂直线模板和一个水平线模板分别对图像进行检测，得到水平方向和垂直方向梯度图。
其中垂直线模板为：
1 2 1
1 2 1
1 2 1
其中水平线模板为：
1 -1 1
2
1 -1 1
（4-2-2）验证线条特征。
在山体轮廓区域内，首先对感兴趣区局部原始图像进行竖直线条验证，将目标建筑物成像高度的一半作为竖直线条长度阈值，对所得的各个感兴趣区域进行竖直线条验证，保留通过验证的感兴趣区域；再对感兴趣区局部原始图像进行水平线条验证，设置目标建筑物成像宽度Wt m的一半为水平线条长度阈值，对所得的各个感兴趣区域进行水平线条验证，保留通过验证的感兴趣区域。若经过线条验证没有找到符合条件的感兴趣区域，则检测无结果输出。
（5）局部感兴趣区内直接识别定位目标建筑物。
将通过感兴趣区域验证的感兴趣区域的特征与目标建筑物特征进行匹配，提取感兴趣区域的局部对比度特征和竖直线条特征，统计竖直线条长度大于目标建筑物成像高度
Figure BDA0000445193830000092
的0.8倍以上的竖直线条数，以及水平线条长度大于目标建筑物成像宽度Wt m的0.8倍以上的水平线条数，寻找局部对比度最大的感兴趣区作为最终的匹配结果。
第一帧实时图识别定位结果如图9所示。
本发明通过预先计算目标建筑物基准特征，制备目标建筑物形态学结构元素，针对山地建筑物的特点，利用数学形态学滤波，在此基础上进一步提取特征量与基准特征匹配，并考虑目标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。
本领域的技术人员容易理解，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (7)

1.一种利用山体轮廓区域约束识别定位建筑物的方法，其特征在于，包括以下步骤：
（1）获取实时图，对实时图像进行山体轮廓检测，并对检测到的山体轮廓线进行扩展，的到山体轮廓约束区；
（2）在山体轮廓约束区内，对输入图像进行形态学增强与背景抑制处理；
（3）在山体轮廓约束区内进行递推分割，将步骤（2）得到的图像转化为二值图；
（4）根据步骤（3）的结果，在山体轮廓约束区内提取目标建筑所在的局部感兴趣区；
（5）局部感兴趣区内直接识别定位目标建筑物。
2.如权利要求1所述的利用山体轮廓区域约束识别定位建筑物的方法，其特征在于，所述步骤（1）进一步包括以下步骤：
（1-1）获取实时图，对实时图像进行基于最大类间方差法的二值分割；
（1-2）对分割后的二值图像进行中值滤波后，再进行形态学膨胀、腐蚀操作；
（1-3）对步骤（1-2）得到的图像进行边缘检测，得到山体轮廓；
（1-4）将步骤（1-3）得到的山体轮廓上下浮动Δ个像素的区域作为山体轮廓约束区，其中，Δ为当前帧图像高度的1/20～1/10。
3.如权利要求2所述的利用山体轮廓区域约束识别定位建筑物的方法，其特征在于，所述步骤（1-2）中，膨胀腐蚀算子为：
1 1 1 1 1
4.如权利要求1至3中任一项所述的利用山体轮廓区域约束识别定位建筑物的方法，其特征在于，所述步骤（2）进一步包括以下步骤：
（2-1）形态学增强：利用高宽比为1×7的结构元素对山体轮廓区域内的实时图进行形态学灰度闭运算，减少目标建筑物内部纹理信息，增强图像对比度；
（2-2）形态学背景抑制：选用已经制备好的目标建筑物的形态学结构元素对形态学增强后的山体轮廓约束区内实时图进行形态学灰度开运算。
5.如权利要求1所述的利用山体轮廓区域约束识别定位建筑物的方法，其特征在于，所述步骤（3）中的递推分割方法为：在山体轮廓区域内，对形态学背景抑制后的实时图进行灰度级统计，将其灰度级从高到低依次作为分割门限，进行灰度级递推分割，转换为二值图像，递推分割的次数为5次。
6.如权利要求1所述的利用山体轮廓区域约束识别定位建筑物的方法，其特征在于，所述步骤（4）进一步包括以下步骤：
（4-1）提取局部感兴趣区，进一步包括以下步骤：
（4-1-1）根据真实场景中目标建筑物高度和宽度以及惯导参数，计算目标建筑物在成像器二维成像平面上的几何特征；
（4-1-2）在山体轮廓区域内，标记步骤（3）得到的图像中的白色区域，计算各标记区域的特征量，所述特征量包括：面积、形心、周长、高度、宽度和形状因子；
（4-2）验证局部感兴趣区，进一步包括以下步骤：
（4-2-1）检测线条特征：使用垂直线模板和水平线模板分别对图像进行检测，得到水平方向和垂直方向梯度图；
（4-2-2）验证线条特征：在山体轮廓区域内，首先对感兴趣区局部原始图像进行竖直线条验证，将目标建筑物成像高度的一半作为竖直线条长度阈值，对所得的各个感兴趣区域进行竖直线条验证，保留通过验证的感兴趣区域；再对感兴趣区局部原始图像进行水平线条验证，将目标建筑物成像宽度的一半为水平线条长度阈值，对所得的各个感兴趣区域进行水平线条验证，保留通过验证的感兴趣区域；若没有找到符合条件的感兴趣区域，则检测无结果输出。
7.如权利要求1至6中任一项所述的利用山体轮廓区域约束识别定位建筑物的方法，其特征在于，所述步骤（5）中，将通过感兴趣区域验证的感兴趣区域的特征与目标建筑物基准特征进行匹配，提取感兴趣区域的局部对比度特征和竖直线条特征，统计竖直线条长度大于目标建筑物成像高度的0.8倍以上的竖直线条数，以及水平线条长度大于目标建筑物成像宽度的0.8倍以上的水平线条数，寻找局部对比度最大的感兴趣区作为最终的匹配结果。
CN201310722416.XA 2013-12-24 2013-12-24 一种利用山体轮廓区域约束识别定位建筑物的方法 Active CN103714541B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201310722416.XA CN103714541B (zh) 2013-12-24 2013-12-24 一种利用山体轮廓区域约束识别定位建筑物的方法
PCT/CN2014/085715 WO2015096507A1 (zh) 2013-12-24 2014-09-02 一种利用山体轮廓区域约束识别定位建筑物的方法
US14/714,232 US9454692B2 (en) 2013-12-24 2015-05-15 Method for identifying and positioning building using outline region restraint of mountain

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310722416.XA CN103714541B (zh) 2013-12-24 2013-12-24 一种利用山体轮廓区域约束识别定位建筑物的方法

Publications (2)

Publication Number Publication Date
CN103714541A true CN103714541A (zh) 2014-04-09
CN103714541B CN103714541B (zh) 2015-07-08

Family

ID=50407484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310722416.XA Active CN103714541B (zh) 2013-12-24 2013-12-24 一种利用山体轮廓区域约束识别定位建筑物的方法

Country Status (3)

Country Link
US (1) US9454692B2 (zh)
CN (1) CN103714541B (zh)
WO (1) WO2015096507A1 (zh)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015096507A1 (zh) * 2013-12-24 2015-07-02 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
CN105096264A (zh) * 2014-05-09 2015-11-25 联想（新加坡）私人有限公司 处理设备和处理方法
WO2016106960A1 (zh) * 2014-12-30 2016-07-07 华中科技大学 一种对地建筑群遥感图像频谱特性约束的去噪方法
CN108563859A (zh) * 2018-04-10 2018-09-21 中国电子科技集团公司第二十八研究所 一种用于单兵室内定位导航快速生成建筑模型的方法
CN108932467A (zh) * 2018-03-02 2018-12-04 于志国 跟踪区域图像分析平台
CN109902591A (zh) * 2018-03-13 2019-06-18 北京影谱科技股份有限公司 一种汽车搜索系统
CN111598851A (zh) * 2020-04-29 2020-08-28 苏州晟成光伏设备有限公司 一种基于形态学图像处理的太阳能电池破片检测方法
CN116681879A (zh) * 2023-08-03 2023-09-01 中国空气动力研究与发展中心高速空气动力研究所 一种光学图像边界层转捩位置的智能判读方法

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11170216B2 (en) * 2017-01-20 2021-11-09 Sony Network Communications Inc. Information processing apparatus, information processing method, program, and ground marker system
EP3540691B1 (en) * 2018-03-14 2021-05-26 Volvo Car Corporation Method of segmentation and annotation of images
CN109272489B (zh) * 2018-08-21 2022-03-29 西安电子科技大学 基于背景抑制与多尺度局部熵的红外弱小目标检测方法
CN109977954B (zh) * 2019-04-01 2023-05-30 上海电气集团股份有限公司 电动汽车充电接口的识别及定位方法及系统
CN110929598B (zh) * 2019-11-07 2023-04-18 西安电子科技大学 基于轮廓特征的无人机载sar图像匹配方法
CN111194015A (zh) * 2019-12-24 2020-05-22 华为技术有限公司 基于建筑物的室外定位方法、装置及移动设备
CN111709885B (zh) * 2020-04-29 2023-04-07 李武周 一种基于感兴趣区域和图像标记的红外弱小目标增强方法
CN112215851B (zh) * 2020-09-28 2022-06-21 武汉理工大学 一种道路网自动构建方法、存储介质及系统
WO2022261134A1 (en) * 2021-06-10 2022-12-15 Photogauge, Inc. System and method for digital-representation-based flight path planning for object imaging
CN115546421B (zh) * 2022-12-02 2023-03-24 中南大学 一种点线双域互增强建筑几何轮廓线重建方法
CN116740332B (zh) * 2023-06-01 2024-04-02 南京航空航天大学 基于区域检测的星上空间目标部件中心定位和测角方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101114337A (zh) * 2007-08-08 2008-01-30 华中科技大学 一种地面建筑物识别定位方法
CN101408942A (zh) * 2008-04-17 2009-04-15 浙江师范大学 一种复杂背景下的车牌定位方法
EP2169614B1 (en) * 2008-09-26 2012-08-01 Axis AB Video analytics

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5892554A (en) * 1995-11-28 1999-04-06 Princeton Video Image, Inc. System and method for inserting static and dynamic images into a live video broadcast
US7116823B2 (en) * 2002-07-10 2006-10-03 Northrop Grumman Corporation System and method for analyzing a contour of an image by applying a Sobel operator thereto
US20090089018A1 (en) * 2007-09-28 2009-04-02 Harris Corporation Geospatial modeling system providing building generation based upon user input on 3d model and related methods
CN101726255B (zh) * 2008-10-24 2011-05-04 中国科学院光电研究院 从三维激光点云数据中提取感兴趣建筑物的方法
US8803970B2 (en) * 2009-12-31 2014-08-12 Honeywell International Inc. Combined real-time data and live video system
CN102930540B (zh) * 2012-10-26 2015-06-10 中国地质大学（武汉） 城市建筑物轮廓检测的方法及系统
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

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101114337A (zh) * 2007-08-08 2008-01-30 华中科技大学 一种地面建筑物识别定位方法
CN101408942A (zh) * 2008-04-17 2009-04-15 浙江师范大学 一种复杂背景下的车牌定位方法
EP2169614B1 (en) * 2008-09-26 2012-08-01 Axis AB Video analytics

Cited By (13)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2015096507A1 (zh) * 2013-12-24 2015-07-02 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
CN105096264A (zh) * 2014-05-09 2015-11-25 联想（新加坡）私人有限公司 处理设备和处理方法
CN105096264B (zh) * 2014-05-09 2019-09-06 联想（新加坡）私人有限公司 处理设备和处理方法
WO2016106960A1 (zh) * 2014-12-30 2016-07-07 华中科技大学 一种对地建筑群遥感图像频谱特性约束的去噪方法
CN108932467A (zh) * 2018-03-02 2018-12-04 于志国 跟踪区域图像分析平台
CN109902591B (zh) * 2018-03-13 2023-10-27 北京影谱科技股份有限公司 一种汽车搜索系统
CN109902591A (zh) * 2018-03-13 2019-06-18 北京影谱科技股份有限公司 一种汽车搜索系统
CN108563859A (zh) * 2018-04-10 2018-09-21 中国电子科技集团公司第二十八研究所 一种用于单兵室内定位导航快速生成建筑模型的方法
CN108563859B (zh) * 2018-04-10 2022-03-15 中国电子科技集团公司第二十八研究所 一种用于单兵室内定位导航快速生成建筑模型的方法
CN111598851B (zh) * 2020-04-29 2023-09-19 苏州晟成光伏设备有限公司 一种基于形态学图像处理的太阳能电池破片检测方法
CN111598851A (zh) * 2020-04-29 2020-08-28 苏州晟成光伏设备有限公司 一种基于形态学图像处理的太阳能电池破片检测方法
CN116681879A (zh) * 2023-08-03 2023-09-01 中国空气动力研究与发展中心高速空气动力研究所 一种光学图像边界层转捩位置的智能判读方法
CN116681879B (zh) * 2023-08-03 2023-10-31 中国空气动力研究与发展中心高速空气动力研究所 一种光学图像边界层转捩位置的智能判读方法

Also Published As

Publication number Publication date
US20150248579A1 (en) 2015-09-03
WO2015096507A1 (zh) 2015-07-02
US9454692B2 (en) 2016-09-27
CN103714541B (zh) 2015-07-08

Similar Documents

Publication Publication Date Title
CN103714541B (zh) 一种利用山体轮廓区域约束识别定位建筑物的方法
CN109615611B (zh) 一种基于巡检影像的绝缘子自爆缺陷检测方法
Yokoyama et al. Detection and classification of pole-like objects from mobile laser scanning data of urban environments
CN101609504B (zh) 一种红外图像海面目标检测识别定位方法
Lari et al. An adaptive approach for the segmentation and extraction of planar and linear/cylindrical features from laser scanning data
US8340400B2 (en) Systems and methods for extracting planar features, matching the planar features, and estimating motion from the planar features
WO2016106955A1 (zh) 一种激光红外复合的地面建筑物识别及导航方法
US10521694B2 (en) 3D building extraction apparatus, method and system
Teo et al. Pole-like road object detection from mobile lidar system using a coarse-to-fine approach
CN107767400B (zh) 基于层次化显著性分析的遥感图像序列动目标检测方法
Cheng et al. Building boundary extraction from high resolution imagery and lidar data
CN101996401A (zh) 基于强度图像和深度图像的目标分析方法及设备
CN104899892A (zh) 一种快速的星图图像星点提取方法
EP2677462B1 (en) Method and apparatus for segmenting object area
Wang Automatic extraction of building outline from high resolution aerial imagery
CN106709432B (zh) 基于双目立体视觉的人头检测计数方法
CN107392953B (zh) 基于等高线的深度图像识别方法
CN109358315A (zh) 一种辅助目标间接定位方法及系统
Tuttas et al. Reconstruction of façades in point clouds from multi aspect oblique ALS
Omidalizarandi et al. Segmentation and classification of point clouds from dense aerial image matching
CN109784229B (zh) 一种地面建筑物数据融合的复合识别方法
Lee et al. Key point extraction from LiDAR data for 3D modeling
Getahun et al. A robust lane marking extraction algorithm for self-driving vehicles
CN107808160B (zh) 三维建筑物提取方法和装置
CN111445578B (zh) 一种地图三维道路特征识别方法和系统

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant