CN103810498B - 施工场景中挖掘机的监测方法和系统 - Google Patents

Abstract

一种施工场景中挖掘机的监测方法和系统，其中方法包括：提取训练图像集的HOG特征和Gabor特征并进行训练得到基于HOG特征和Gabor特征相结合的挖掘机检测模型，其中，所述训练图像集包括多张挖掘机图片组成的挖掘机正样本和多张不包括挖掘机的施工场景图组成的挖掘机负样本；获取待检测施工场景图，并获取所述待检测施工场景图中的HOG特征和Gabor特征；将所述待检测施工场景图的HOG特征和Gabor特征输入挖掘机检测模型，当挖掘机检测模型输出值大于预设值时，显示所述待检测施工场景图中存在挖掘机。通过本发明方案提高了检测挖掘机效率，提高了检测精度。

Description

施工场景中挖掘机的监测方法和系统

技术领域

本发明涉及检测技术领域，特别是涉及一种施工场景中挖掘机的监测方法和系统。

背景技术

在很多变电站以及其他一些重要的电力场所，需要对地下浅层的电缆以及相关的电力设施进行保护。如果监控中发现有挖掘机等在关键区域施工，立即报警。由于监控无法监控到地下的电缆，但是可以对关键区域的施工行为进行检测。问题可以简单转化为对关键区域的挖掘机检测，一旦发现有挖掘机，立即报警。

传统技术中采用摄像头监控的方法监控视频中是否存在挖掘机，由于重要的电力场所很多，需要耗费大量的人力物力，监测效率低。

发明内容

基于此，有必要针对挖掘机监测效率低、成本高的问题，提供一种施工场景中挖掘机的监测方法和系统。

一种施工场景中挖掘机的监测方法，包括：

提取训练图像集的HOG特征和Gabor特征并进行训练得到基于HOG特征和Gabor特征相结合的挖掘机检测模型，其中，所述训练图像集包括多张挖掘机图片组成的挖掘机正样本和多张不包括挖掘机的施工场景图组成的挖掘机负样本；

获取待检测施工场景图，并获取所述待检测施工场景图中的HOG特征和Gabor特征；

将所述待检测施工场景图的HOG特征和Gabor特征输入挖掘机检测模型，当挖掘机检测模型输出值大于预设值时，显示所述待检测施工场景图中存在挖掘机。

一种施工场景中挖掘机的监测系统，包括：

检测模型创建模块，用于提取训练图像集的HOG特征和Gabor特征并进行训练得到基于HOG特征和Gabor特征相结合的挖掘机检测模型，其中，所述训练图像集包括多张挖掘机图片组成的挖掘机正样本和多张不包括挖掘机的施工场景图组成的挖掘机负样本；

获取模块，用于获取待检测施工场景图，并获取所述待检测施工场景图中的HOG特征和Gabor特征；

监测模块，用于将所述待检测施工场景图的HOG特征和Gabor特征输入挖掘机检测模型，当挖掘机检测模型输出值大于预设值时，显示所述待检测施工场景图中存在挖掘机。

上述施工场景中挖掘机的监测方法和系统，通过检测施工场景图中是否存在挖掘机的方法实现施工场景中挖掘机的监测。具体通过提取待检测施工场景图的HOG特征和Gabor特征后，将提取的HOG特征和Gabor特征与预先建立的基于HOG特征和Gabor特征相结合的挖掘机检测模型进行匹配，通过基于HOG特征和Gabor特征相结合的挖掘机检测模型判断图片中是否含有挖掘机。由于HOG特征是在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，同时Gabor特征对图像的边缘敏感，能够提供良好的方形选择和尺度选择，而且对光照变化不敏感，对光照变化有良好的适应性。因此，将HOG特征和Gabor特征相结合，提高了检测精度，同时采用检测模型的形式检测挖掘机，提高了监测效率，从而保护施工场地低下浅层电缆以及相关的电力设施。

附图说明

图1为本发明施工场景中挖掘机的监测方法实施例的流程示意图；

图2为本发明施工场景中挖掘机的监测方法具体运用实例的流程示意图；

图3为本发明施工场景中挖掘机的监测方法具体运用实例中检测挖掘机的流程示意图；

图4为本发明施工场景中挖掘机的监测系统实施例的结构示意图。

具体实施方式

以下针对本发明施工场景中挖掘机的监测方法和系统的各实施例进行详细的描述。

如图1所示，为本发明施工场景中挖掘机的监测方法实施例的流程示意图，包括：

步骤S101：提取训练图像集的HOG（Histograms of Oriented Gradients，梯度方向直方图）特征和Gabor特征（加博特征，可以通过Gabor滤波器提取）并进行训练得到基于HOG特征和Gabor特征相结合的挖掘机检测模型，其中，训练图像集包括多张挖掘机图片组成的挖掘机正样本和多张不包括挖掘机的施工场景图组成的挖掘机负样本；

训练图像集由挖掘机正样本和挖掘机负样本组成。挖掘机正样本由多张挖掘机图片组成，挖掘机负样本由多张不包括挖掘机的施工场景图组成。挖掘机图片可以是在实地采集，获取不同种类挖掘机不同角度的图片。挖掘机可以分为五关节，具有复杂的机械自由度。因此需要多方位、多角度采集挖掘机图片。作为另一种实现方式，可以根据挖掘机制作挖掘机玩具模型。然后采用多种尺度、多比例采样方法，使得挖掘机造型多样化，比如可以采集1000-3000个图片进行训练。通常情况，在平视的角度下，挖掘机以下三个角度出现在视野中居多，分别是左侧面、正面、右侧面。因此作为其中一种实现方式可以只采集挖掘机这三个面的图片，每个角度都采集，并且每一个面都需要单独训练。负样本的采集可以从施工场景视频流或图片中收集，只要不包含挖掘机即可。

获取（也可叫做提取）训练图像集的HOG特征和Gabor特征，将HOG特征和Gabor特征组合在一起，也就是将HOG特征向量和Gabor特征向量即2个向量组合在一起作为一个最终的特征向量。根据结合的两种特征向量建立挖掘机检测模型，挖掘机检测模型是一种数学模型，可以根据支持向量机SVM（Support Vector Machine）进行训练。

在其中一个实施例中，步骤S101，包括：

获取多个挖掘机不同面不同角度的挖掘机图片，创建挖掘机正样本，采集多张不包括挖掘机的施工场景图，创建挖掘机负样本；

分别获取挖掘机正样本和挖掘机负样本的HOG特征和Gabor特征；

通过支持向量机对挖掘机正样本的HOG特征和Gabor特征、挖掘机负样本的HOG特征和Gabor特征按照正样本中挖掘机图片的各个面进行分类训练，各个面分别建立挖掘机检测模型。

挖掘机一个面有多种角度，同时将同一挖掘机同一面不同角度、不同类型挖掘机同一面划分为一类，建立挖掘机检测模型。最终可以得到每个面的挖掘机检测模型。提取正负样本的HOG特征和Gabor特征后，通过支持向量机SVM（Support Vector Machine）对提取的挖掘机正样本和挖掘机负样本的HOG特征和Gabor特征进行训练。具体的，可以利用Libsvm的库函数编写训练程序train.exe，进行SVM训练，得到基于HOG特征和Gabor特征相结合的挖掘机检测模型。同时，进行LibSVM训练后，可以采用LibSVM库函数编写的predict程序进行测试样本的检测，测试精度和误报率。

进一步地，创建挖掘机正样本和挖掘机负样本后，还包括：将挖掘机正样本和挖掘机负样本归一化成相同大小的图片。比如，收集挖掘机正样本和挖掘机负样本后，将所有的正样本和负样本都采用归一化成240x240大小，然后提取正负样本的HOG特征和Gabor特征。这样通过统一正负样本图片的大小方便后续建立检测模型和对挖掘机实现检测。

步骤S102：获取待检测施工场景图，并获取待检测施工场景图中的HOG特征和Gabor特征；

可以从监控施工场地的摄像视频流中采集待检测施工场景图。获取待检测施工场景图后，提取待检测的待检测施工场景图的梯度方向直方图HOG特征和Gabor特征，将HOG特征和Gabor特征组合在一起，也就是将HOG特征向量和Gabor特征向量即2个向量组合在一起作为一个最终的特征向量。

步骤S103：将待检测施工场景图的HOG特征和Gabor特征输入挖掘机检测模型，当挖掘机检测模型输出值大于预设值时，显示待检测施工场景图中存在挖掘机。

提取待检测施工场景图的HOG特征和Gabor特征后，将提取的HOG特征和Gabor特征与预先建立的基于HOG特征和Gabor特征相结合的挖掘机检测模型进行匹配，通过基于HOG特征和Gabor特征相结合的挖掘机检测模型判断图片中是否含有挖掘机。进行匹配的时候，往往将待检测施工场景图的HOG特征和Gabor特征输入挖掘机检测模型，当模型函数值大于0时，一般判断该待测施工场景图中国存在挖掘机。当然，发现待检测施工场景图中存在挖掘机后，可以对该施工场景进行报警，以便提示工作人员控制挖掘机，达到保护地下电缆或其他店里设备的目的。

由于HOG特征是在图像的局部方格单元上操作，所以它对图像几何的和光学的形变都能保持很好的不变性，同时Gabor特征对图像的边缘敏感，能够提供良好的方形选择和尺度选择，而且对光照变化不敏感，对光照变化有良好的适应性。因此，将HOG特征和Gabor特征相结合，提高了检测精度。同时无需考虑颜色特征，能检测任意颜色的挖掘机。同时，由于将待测图片与模型进行匹配，大大提高了监测效率，节省了人力物力，大大降低了监控成本。

在其中一个实施例中，步骤S102和步骤S103包括：

A1：对待检测施工场景图按照预设比例进行尺度缩放，并通过固定窗口遍历缩放后的图片；

优选的，可以采用gamma归一化（gamma moralization）对图片进行尺度缩放，比如通过gamma归一化将图片缩小为240x240大小。为了减少光照因素的影响，首先需要将整个图像进行gamma归一化（gamma moralization），在图像的纹理强度中，局部的表层曝光贡献的比重比较大，所以这种压缩处理能够有效地降低图像局部阴影和光照的变化。

优选的，对图片进行尺度缩放后，通过预先设定固定窗口滑动遍历缩放后的图片。以便确保缩放后的图片都有被检测到。

A2：获取固定窗口内图像的HOG特征和Gabor特征；固定窗口是指设置了固定大小的一个图像范围，即固定长和宽。目的是为了获取同样大小的图像。

A3：将固定窗口内图像的HOG特征和Gabor特征输入挖掘机检测模型，当挖掘机检测模型输出值大于预设值时，显示待检测施工场景图中存在挖掘机。如果存在，则可以停止。如果不存在，则需要继续遍历。具体的可以是，如果当前固定窗口含有挖掘机，则停止遍历，否则，通过固定窗口继续进行滑动遍历。

本实施例是通过先将待测图片进行尺度缩放，对缩放后的每一张图都进行检测，从而可以提高检测精度。

优选的，步骤A3之后还包括：判断图片缩放是否达到金字塔的层数，若是则结束检测，否则执行步骤A1。

优选的，判断缩放后的图片是否遍历完成，若遍历完成，则判断图片缩放是否达到金字塔的层数，若是则结束检测，否则执行步骤A1。图片金字塔的层数表示图像缩小的层数，从原始图像开始，每次缩小一点，图像只能缩小到接近固定窗口的大小，不能比固定窗口小。比如，训练样本是240x240的分辨率，而实际图像是480x480的图像，假设缩放倍数是2的话，从240x240缩放到480x480只需要缩放一次就完成了，所以金字塔的层数就是2（也就是有240x240和480x480这2层图像）。

在其中一个实施例中，显示待检测施工场景图中存在挖掘机步骤之后，还包括步骤：存储待检测施工场景图中挖掘机的位置，并报警提示存在挖掘机。可以通过施工场景中挖掘机的监测方式检测车挖掘机的具体位置，并实时进行报警，防止电缆或其他设备受到损坏。

上述各实施例可以自由组合，本方案举其中一种实施例进行说明。如图2所示，包括：

步骤S201：收集挖掘机正样本；

步骤S202：收集挖掘机负样本；

步骤S203：提取挖掘机正样本的HOG特征和Gabor特征；

步骤S204：提取挖掘机负样本的HOG特征和Gabor特征；

步骤S205：通过支持向量机SVM对提取的挖掘机正样本和挖掘机负样本的HOG特征和Gabor特征进行训练；

步骤S206：建立基于HOG特征和Gabor特征相结合的挖掘机检测模型。

步骤S207：从监控施工场地的摄像视频流中采集待检测施工场景图，并获取待检测施工场景图中的HOG特征和Gabor特征；

步骤S208：通过基于HOG特征和Gabor特征相结合的挖掘机检测模型判断待检测的图片中是否含有挖掘机；

步骤S209：显示待检测施工场景图中存在挖掘机时，存储待检测施工场景图中挖掘机的位置，并报警提示存在挖掘机。

为了进一步描述实施例中的提取待检测的图片的梯度方向直方图HOG特征和Gabor特征，将提取的待检测的图片的梯度方向直方图HOG特征和Gabor特征与基于HOG特征和Gabor特征相结合的挖掘机检测模型进行匹配，通过基于HOG特征和Gabor特征相结合的挖掘机检测模型判断待检测的图片中是否含有挖掘机，本发明实施例结合图3，对判断图片中是否含有挖掘机做以下更为详细的描述，具体包括以下步骤：

步骤S301、对图片进行尺度缩放。

可以采用gamma归一化（gamma moralization）对图片进行尺度缩放，比如通过gamma归一化将图片缩小为240x240大小。为了减少光照因素的影响，首先需要将整个图像进行gamma归一化（gamma moralization），在图像的纹理强度中，局部的表层曝光贡献的比重比较大，所以这种压缩处理能够有效地降低图像局部阴影和光照的变化。

步骤S302、通过固定窗口遍历缩放后的图片。

比如，对图片进行尺度缩放后，通过预先设定固定窗口滑动遍历缩放后的图片。

步骤S303、提取固定窗口内图像的梯度方向直方图HOG特征和Gabor特征。

提取固定窗口对应的图片的梯度方向直方图HOG特征和Gabor特征。

步骤S304、将提取的固定窗口内图像的梯度方向直方图HOG特征和Gabor特征与基于HOG特征和Gabor特征相结合的挖掘机检测模型进行匹配。

具体的，提取固定窗口对应的图片的梯度方向直方图HOG特征和Gabor特征后，然后将提取的梯度方向直方图HOG特征和Gabor特征与基于HOG特征和Gabor特征相结合的挖掘机检测模型进行匹配。

步骤S305、通过基于HOG特征和Gabor特征相结合的挖掘机检测模型判断固定窗口中是否含有挖掘机，如果是则执行步骤S307，否则的话执行步骤S306。

具体的，如果当前固定窗口含有挖掘机则，存储图片中挖掘机的位置信息，否则的话，通过固定窗口继续进行滑动遍历。

步骤S306、判断缩放后的图片是否遍历完成，若是进入步骤S308，若否返回步骤S302。

步骤S307、存储图片中挖掘机的位置信息。当然也可以进行其他操作，比如报警，显示等。

当检测到窗口中含有挖掘机，则存储图片中挖掘机的位置信息。同时可以报警提醒该场地有挖掘机。

步骤S308、判断图片缩放是否达到金字塔的层数，若是则结束检测，否则执行步骤S301。

根据上述施工场景中挖掘机的监测方法，本发明还提供一种施工场景中挖掘机的监测系统，如图2所示，为本发明施工场景中挖掘机的监测系统实施例的结构示意图，包括：

检测模型创建模块210，用于提取训练图像集的HOG特征和Gabor特征并进行训练得到基于HOG特征和Gabor特征相结合的挖掘机检测模型，其中，训练图像集包括多张挖掘机图片组成的挖掘机正样本和多张不包括挖掘机的施工场景图组成的挖掘机负样本；

获取模块220，用于获取待检测施工场景图，并获取待检测施工场景图中的HOG特征和Gabor特征；

监测模块230，用于将待检测施工场景图的HOG特征和Gabor特征输入挖掘机检测模型，当挖掘机检测模型输出值大于预设值时，显示待检测施工场景图中存在挖掘机。

在其中一个实施例中，检测模型创建模块，包括：

正负样本创建模块，用于获取多个挖掘机不同面不同角度的挖掘机图片，创建挖掘机正样本，采集多张不包括挖掘机的施工场景图，创建挖掘机负样本；

特征获取模块，用于分别获取挖掘机正样本和挖掘机负样本的HOG特征和Gabor特征；

子检测模型创建模块，用于通过支持向量机对挖掘机正样本的HOG特征和Gabor特征、挖掘机负样本的HOG特征和Gabor特征按照正样本中挖掘机图片的各个面进行分类训练，各个面分别建立挖掘机检测模型。

在其中一个实施例中，还包括：

归一化模块，用于将挖掘机正样本和挖掘机负样本归一化成相同大小的图片。

在其中一个实施例中，还包括缩放模块，用于对待检测施工场景图按照预设比例进行尺度缩放，并通过固定窗口遍历缩放后的图片；

特征获取模块，用于获取固定窗口内图像的HOG特征和Gabor特征；

监测模块，用于将固定窗口内图像的HOG特征和Gabor特征输入挖掘机检测模型，当挖掘机检测模型输出值大于预设值时，显示待检测施工场景图中存在挖掘机。

在其中一个实施例中，还包括：

存储模块，用于当待检测施工场景图中存在挖掘机时，存储待检测施工场景图中挖掘机的位置；

报警模块，用于当待检测施工场景图中存在挖掘机时，报警提示存在挖掘机。

本发明的施工场景中挖掘机的监测系统与本发明的施工场景中挖掘机的监测方法是一一对应的，上述施工场景中挖掘机的监测方法实施例中的相关技术特征及其技术效果均适用于施工场景中挖掘机的监测系统实施例中，在此不再赘述。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (6)

1.一种施工场景中挖掘机的监测方法，其特征在于，包括：

提取训练图像集的HOG特征和Gabor特征并进行训练得到基于HOG特征和Gabor特征相结合的挖掘机检测模型，其中，所述训练图像集包括多张挖掘机图片组成的挖掘机正样本和多张不包括挖掘机的施工场景图组成的挖掘机负样本；

获取待检测施工场景图，并获取所述待检测施工场景图中的HOG特征和Gabor特征；

将所述待检测施工场景图的HOG特征和Gabor特征输入挖掘机检测模型，当挖掘机检测模型输出值大于预设值时，显示所述待检测施工场景图中存在挖掘机；

所述获取待检测施工场景图，并获取所述待检测施工场景图中的HOG特征和Gabor特征；将所述待检测施工场景图的HOG特征和Gabor特征输入挖掘机检测模型，当挖掘机检测模型输出值大于预设值时，显示所述待检测施工场景图中存在挖掘机步骤，包括：

对所述待检测施工场景图按照预设比例进行尺度缩放，并通过固定窗口遍历缩放后的图片；

获取固定窗口内图像的HOG特征和Gabor特征；

将所述固定窗口内图像的HOG特征和Gabor特征输入挖掘机检测模型，当挖掘机检测模型输出值大于预设值时，显示所述待检测施工场景图中存在挖掘机；

还包括：

将所述固定窗口内图像的HOG特征和Gabor特征输入挖掘机检测模型，当挖掘机检测模型输出值小于或等于预设值时，判断缩放后的图片是否遍历完成，若是则判断图片缩放是否达到金字塔的层数，否则继续通过固定窗口遍历缩放后的图片；

所述判断图片缩放是否达到金字塔的层数的步骤之后还包括：根据所述判断结果，若是则结束检测，否则继续对所述待检测施工场景图按照预设比例进行尺度缩放，并通过固定窗口遍历缩放后的图片；

所述提取训练图像集的HOG特征和Gabor特征并进行训练得到基于HOG特征和Gabor特征相结合的挖掘机检测模型的步骤包括：利用Libsvm的库函数编写训练程序，进行SVM训练，得到基于HOG特征和Gabor特征相结合的挖掘机检测模型；

所述利用Libsvm的库函数编写训练程序，进行SVM训练，得到基于HOG特征和Gabor特征相结合的挖掘机检测模型之后，还包括步骤：采用Libsvm库函数编写程序进行测试样本的检测，测试精度和误报率；

所述显示待检测施工场景图中存在挖掘机步骤之后，还包括步骤：

存储待检测施工场景图中挖掘机的位置，并报警提示存在挖掘机。

2.根据权利要求1所述的施工场景中挖掘机的监测方法，其特征在于，所述提取训练图像集的HOG特征和Gabor特征并进行训练得到基于HOG特征和Gabor特征相结合的挖掘机检测模型步骤，包括：

获取多个挖掘机不同面不同角度的挖掘机图片，创建挖掘机正样本，采集多张不包括挖掘机的施工场景图，创建挖掘机负样本；

分别获取所述挖掘机正样本和挖掘机负样本的HOG特征和Gabor特征；

通过支持向量机对所述挖掘机正样本的HOG特征和Gabor特征、挖掘机负样本的HOG特征和Gabor特征按照正样本中挖掘机图片的各个面进行分类训练，各个面分别建立挖掘机检测模型。

3.根据权利要求2所述的施工场景中挖掘机的监测方法，其特征在于，创建挖掘机正样本和挖掘机负样本后，还包括：

将所述挖掘机正样本和挖掘机负样本归一化成相同大小的图片。

4.一种施工场景中挖掘机的监测系统，其特征在于，包括：

检测模型创建模块，用于提取训练图像集的HOG特征和Gabor特征并进行训练得到基于HOG特征和Gabor特征相结合的挖掘机检测模型，其中，所述训练图像集包括多张挖掘机图片组成的挖掘机正样本和多张不包括挖掘机的施工场景图组成的挖掘机负样本；

获取模块，用于获取待检测施工场景图，并获取所述待检测施工场景图中的HOG特征和Gabor特征；

监测模块，用于将所述待检测施工场景图的HOG特征和Gabor特征输入挖掘机检测模型，当挖掘机检测模型输出值大于预设值时，显示所述待检测施工场景图中存在挖掘机；

还包括缩放模块，用于对所述待检测施工场景图按照预设比例进行尺度缩放，并通过固定窗口遍历缩放后的图片；

特征获取模块，用于获取固定窗口内图像的HOG特征和Gabor特征；

所述监测模块，用于将所述固定窗口内图像的HOG特征和Gabor特征输入挖掘机检测模型，当挖掘机检测模型输出值大于预设值时，显示所述待检测施工场景图中存在挖掘机；

所述施工场景中挖掘机的监测系统，还用于将所述固定窗口内图像的HOG特征和Gabor特征输入挖掘机检测模型，当挖掘机检测模型输出值小于或等于预设值时，判断缩放后的图片是否遍历完成，若是则判断图片缩放是否达到金字塔的层数，否则继续通过固定窗口遍历缩放后的图片；

所述施工场景中挖掘机的监测系统，还用于当所述图片缩放达到金字塔的层数时，结束检测，否则继续对所述待检测施工场景图按照预设比例进行尺度缩放，并通过固定窗口遍历缩放后的图片；

所述检测模型创建模块，还用于利用Libsvm的库函数编写训练程序，进行SVM训练，得到基于HOG特征和Gabor特征相结合的挖掘机检测模型；

所述施工场景中挖掘机的监测系统，还用于采用Libsvm库函数编写程序进行测试样本的检测，测试精度和误报率；

还包括：

存储模块，用于当所述待检测施工场景图中存在挖掘机时，存储待检测施工场景图中挖掘机的位置；

报警模块，用于当所述待检测施工场景图中存在挖掘机时，报警提示存在挖掘机。

5.根据权利要求4所述的施工场景中挖掘机的监测系统，其特征在于，所述检测模型创建模块，包括：

正负样本创建模块，用于获取多个挖掘机不同面不同角度的挖掘机图片，创建挖掘机正样本，采集多张不包括挖掘机的施工场景图，创建挖掘机负样本；

所述特征获取模块，用于分别获取所述挖掘机正样本和挖掘机负样本的HOG特征和Gabor特征；

子检测模型创建模块，用于通过支持向量机对所述挖掘机正样本的HOG特征和Gabor特征、挖掘机负样本的HOG特征和Gabor特征按照正样本中挖掘机图片的各个面进行分类训练，各个面分别建立挖掘机检测模型。

6.根据权利要求5所述的施工场景中挖掘机的监测系统，其特征在于，还包括：

归一化模块，用于将所述挖掘机正样本和挖掘机负样本归一化成相同大小的图片。