CN104166836A - 一种基于多特征建模的分块多尺度工程车识别方法及系统 - Google Patents
一种基于多特征建模的分块多尺度工程车识别方法及系统 Download PDFInfo
- Publication number
- CN104166836A CN104166836A CN201410191630.1A CN201410191630A CN104166836A CN 104166836 A CN104166836 A CN 104166836A CN 201410191630 A CN201410191630 A CN 201410191630A CN 104166836 A CN104166836 A CN 104166836A
- Authority
- CN
- China
- Prior art keywords
- target image
- sample characteristics
- feature
- sample
- engineering truck
- 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
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于多特征建模的分块多尺度工程车辆识别方法,包括:样本库建立步骤;建立存储所述至少两组样本的样本库;样本图片分区步骤;将每组所述样本中每张工程车辆图片划分成车头、车身、轮胎、履带、机械臂等区域;样本特征提取步骤;分别从工程车辆图片上提取相应的样本特征;样本特征模型建立步骤;利用同一个样本特征集中的特征建立对应的样本特征模型;目标图像识别步骤;将目标图像进行缩放在多个尺度下将特征与各个样本特征模型比对,以判断目标图像是否能够与其中任意一个样本特征模型匹配,若是,则判断目标图像中包含有工程车辆。本发明可以在复杂场景下对目标图像进行识别,以判断目标图像中的图像是否包含有工程车辆,精度和准确性高。本发明提供了一种对应的系统。
Description
技术领域
本发明涉及视频监控技术领域,尤其涉及一种基于多特征建模的分块多尺度工程车识别方法及系统。
背景技术
国土监察管理工作的重心就是严厉打击违法侵占行为,切实保障储备土地安全。由于受到巡查周期、地域位置差异的影响,在一些违法用地高发区或偏远地区,通常是以动态巡查和年(季度)发现违法行为,存在着发现时间滞后、造成事实违法、治理难度大等一系列复杂问题。
建立智能视频监控系统就是解除发现滞后的困扰,实现由被动执法向主动防范的战略转变。通过文献调研和实际工地走访调研,我们发现在所有的违法建筑过程中,都需要有工程车辆辆的参与完成,因此做好工程车辆辆的检测和识别对及时预警潜在的违法侵占土地有着重要的意义。
根据实际项目的应用情况,一个摄像头需要监控巨大的区域,且监控的背景也是极具复杂。在工地搭建后,工程车辆辆出现在摄像机的近端和远端时,在成像平面上呈现出的形态大小有着很大的差异,由于分辨率的不同即使同一工程车辆所表现出来的特征也会有很大的差异。因此用单一的描述符去描述工程车辆辆很难满足检测的精度和准确性。另外,由于监控环境大部分都为远离城市的偏远郊区,在实际场景中出现工程车辆经常被一些杂草所遮挡,因此,增大了检测识别难度,降低了检测的精度和准确性。
发明内容
本发明旨在至少解决背景技术中存在的技术问题之一。
为此,本发明的一个目的在于提供一种基于多特征建模的分块多尺度工程车识别方法,该方法可以在复杂场景下对图像采集设备采集的目标图像进行识别,以判断目标图像中的图像是否包含有工程车辆,精度和准确性高。
本发明的另一个目的在于提供一种基于多特征建模的分块多尺度工程车识别系统。
为实现上述目的,本发明第一方面实施例的方法,包括:
样本库建立步骤,获取预先通过图像采集设备在距离工程车辆不同采集距离时采集的至少两组样本,并建立存储所述至少两组样本的样本库;每组样本包含复数张工程车辆图片,且同一组中的所述工程车辆图片为相同采集距离下采集的,不同组中的所述工程车辆图片为不同采集距离下采集的;
样本图片分区步骤,将每组所述样本中每张工程车辆图片划按照车辆结构分成多个区域;
样本特征提取步骤,分别从每组样本中所述工程车辆图片上的对应区域提取相应的样本特征,来自同一组所述样本的所有样本特征组成一个样本特征集;
样本特征模型建立步骤,利用同一个所述样本特征集中的特征建立对应的样本特征模型,每个所述样本特征集对应一个样本特征模型;
目标图像识别步骤,将所述目标图像进行缩放并在多个尺度下与各个所述样本特征模型比对,以判断所述目标图像是否能够与其中任意一个所述样本特征模型匹配,若是,则判断所述目标图像中图像包含有工程车辆。
优选地,所述样本特征模型建立步骤包括:
特征分选步骤,选取同一个所述样本特征集中的特征,并剔除区分度小的非稳定特征,保留具有最大鉴别力的稳定特征;
模型创建步骤,利用所述稳定特征建立样本特征模型。
优选地,所述目标图像识别步骤包括:
目标图像获取步骤,获取图像采集设备实时采集的目标图像;
目标图像多尺度处理步骤,对所述目标图像进行多尺度多方向几何变换;
目标图像分区步骤,将所述目标图像按照目标物体的结构划分成多个区域;
目标图像特征集提取步骤,提取所述目标图像对应区域中对应的目标图像特征,并形成目标图像特征集;
比对判决步骤,将所述目标图像特征集中的目标图像特征与所述样本库中的各个所述样本特征模型进行比对,以判断所述目标图像是否能够与其中 任意一个所述样本特征模型匹配,若是,则判断所述目标图像中包含有工程车辆。
优选地,所述比对判决步骤包括:
比对步骤,将所述目标图像特征集中的每个目标图像特征与各个样本特征模型进行比对;
匹配度计算步骤,根据所述目标图像特征与各个样本特征模型的比对情况,计算所述目标图像与各个样本特征模型的匹配度,每个所样本特征模型与所述目标图像匹配均产生一匹配度;
匹配确认步骤,判断是否有一个匹配度大于所述判定阀值,若是,则判断所述目标图像中图像包含有工程车辆。
优选地,所述样本特征包括工程车辆的全局轮廓、局部纹理信息、平坦区域及颜色信息。
优选地,所述目标图像特征包括目标物体的全局轮廓、局部纹理信息、平坦区域及颜色信息。
为实现上述目的,本发明第二方面实施例的系统,包括:
样本库建立模块,用于获取预先通过图像采集设备在距离工程车辆不同采集距离时采集的至少两组样本,并建立存储所述至少两组样本的样本库;每组样本包含复数张工程车辆图片,且同一组中的所述工程车辆图片为相同采集距离下采集的,不同组中的所述工程车辆图片为不同采集距离下采集的;
样本图片分区模块,用于将每组所述样本中每张工程车辆图片划按照车辆结构分成多个区域;
样本特征提取模块,用于分别从每组样本中所述工程车辆图片上的对应区域提取相应的样本特征,来自同一组所述样本的所有样本特征组成一个样本特征集;
样本特征模型建立模块,用于利用同一个所述样本特征集中的特征建立对应的样本特征模型,每个所述样本特征集对应一个样本特征模型;
目标图像识别模块,用于将所述目标图像进行缩放并在多个尺度下与各个所述样本特征模型比对,以判断所述目标图像是否能够与其中任意一个所述样本特征模型匹配,若是,则判断所述目标图像中包含有工程车辆。
优选地,所述样本特征模型建立模块包括:
特征分选模块,用于选取同一个所述样本特征集中的特征,并剔除区分度小的非稳定特征,保留具有最大鉴别力的稳定特征;
模型创建模块,用于利用所述稳定特征建立样本特征模型。
优选地,所述目标图像识别模块包括:
目标图像获取模块,用于获取图像采集设备实时采集的目标图像;
目标图像多尺度处理模块,用于对所述目标图像进行多尺度多方向几何变换;
目标图像分区模块,用于将所述目标图像按照目标物体的结构划分成多个区域;
目标图像特征集提取模块,用于提取所述目标图像对应区域中对应的目标图像特征,并形成目标图像特征集;
比对判决模块,用于将所述目标图像特征集中的目标图像特征与所述样本库中的各个所述样本特征模型进行比对,以判断所述目标图像是否能够与其中任意一个所述样本特征模型匹配,若是,则判断所述目标图像中包含有工程车辆。
优选地,所述比对判决模块包括:
比对模块,用于将所述目标图像特征集中的每个目标图像特征与各个样本特征模型进行比对;
匹配度计算模块,用于根据所述目标图像特征与各个样本特征模型的比对情况,计算所述目标图像与各个样本特征模型的匹配度,每个所样本特征模型与所述目标图像匹配均产生一匹配度;
匹配确认模块,用于判断是否有一个匹配度大于所述判定阀值,若是,则判断所述目标图像中包含有工程车辆。
本发明提供的基于多特征建模的分块多尺度工程车识别方法及系统,根据图像采集设备与工程车辆远近距离不同,建立了至少两个样本特征模型,再将目标图像进行缩放并在多个尺度下将特征与各个样本特征模型匹配,目标图像只要能够与其中任意一个样本特征模型匹配成功,则判断所述目标图像中包含有工程车辆,如此,可以有效的应对目标车辆距离图像采集设备远近带来的成像大小不均而造成识别困难,识别的精度和准确性较低等问题,此外,样本特征建模中,采用样本图片分区后再提取各个区的相应特征,再 利用提取的特征进行建模方式,可以有效应对复杂场景下,工程车辆的轮子被杂草淹没或者工地上尘土飞扬造成的部分遮挡情况以使样本特征模型描述不准确等问题。
附图说明
图1是本发明一个实施例的识别方法的流程图;
图2是本发明一个具体实施例的识别方法的流程图;
图3是图2中步骤S210的流程图
图4是本发明一个实施例的识别系统的结构示意图;
图5是图4中比对判决模块的具体结构示意图;
本发明目的的实现、功能特点及优点将结合实施例,参照附图做进一步说明。
具体实施方式
以下将结合附图及具体实施例详细说明本发明的技术方案,以便更清楚、直观地理解本发明的发明实质。
参照图1所示,本发明实施例提供了一种基于多特征建模的分块多尺度工程车识别方法,包括以下步骤:
S101、样本库建立步骤,获取预先通过图像采集设备在距离工程车辆不同采集距离时采集的至少两组样本,并建立存储所述至少两组样本的样本库;每组样本包含复数张工程车辆图片,且同一组中的所述工程车辆图片为相同采集距离下采集的,不同组中的所述工程车辆图片为不同采集距离下采集的。
具体的,图像采集设备可以为安装于建筑工地上作为监控的摄像机,通过该摄像机预先采集上述的至少两组样本,每一组样本用于建立一个对应的样本特征模型。
作为优选地,样本为三组,分别为近端样本、中间距离样本及远端样本,近端样本包含有工程车辆距离摄像机较近(即拉出车位于近端)时,通过摄像机拍摄的第一组工程车辆图片,远端样本包含有工程车辆距离摄像机较远(即工程车辆处于远端)时,通过摄像机拍摄第二组工程车辆图片,而中间距离样本包含有工程车辆距离摄像机不远不近(即工程车辆处于近端和远端 之间)时,通过摄像机拍摄的第三组工程车辆图片。
本发明的实施例中,之所以选择不同采集距离下的至少两组样本,是因包含有工程车辆距离摄像机的距离不同时,采集的样本图片上的图像上呈现出来的特征有较大的差距,利用单一的传统的模板放大或输入图像放大不能满足检测精度和准确度。
S102、样本图片分区步骤,将每组所述样本中每张工程车辆图片划按照车辆结构分成多个区域。
可以理解的是,多个区域具体可以为车头、车身、轮胎、履带、机械臂等区域。
本发明的实施例中,之所以对样本图片进行分区,是因为在复杂的实际情况下,建筑工地现场可能会出现杂草等遮挡物遮挡了工程车辆造成采集的工程车辆图片局部不完整或者工地灰尘造成工程车辆局部不清晰或不完整,以提高识别精度。
S103、样本特征提取步骤,分别从每组样本中所述工程车辆图片上的对应区域提取相应的样本特征,来自同一组所述样本的所有样本特征组成一个样本特征集。
作为优选地,所述样本特征包括工程车辆的全局轮廓、局部纹理信息、平坦区域及颜色信息。即分别从整体轮廓、局部纹理、平坦区域、颜色信息四个角度来描述工程车辆,这种描述方式的优势在于可以有效应对复杂场景下,工程车辆的轮子被杂草淹没或者工地上尘土飞扬造成的部分遮挡情况。
S104、样本特征模型建立步骤,利用同一个所述样本特征集中的特征建立对应的样本特征模型,每个所述样本特征集对应一个样本特征模型;
当采集的样本为近端样本、中间距离样本及远端样本三组时,则对应建立的样本特征模型对应为近端样本特征模型、中间距离样本特征模型及远端样本特征模型。
S105、目标图像识别步骤,将所述目标图像进行缩放并在多个尺度下与各个所述样本特征模型比对,以判断所述目标图像是否能够与其中任意一个所述样本特征模型匹配,若是,则判断所述目标图像中图像包含有工程车辆。
本发明实施例提供的基于多特征建模的分块多尺度工程车识别方法,根据图像采集设备与工程车辆远近距离不同,建立了至少两个样本特征模型, 再将目标图像进行缩放并在多个尺度下将特征与各个样本特征模型匹配,目标图像只要能够与其中任意一个样本特征模型匹配成功,则判断所述目标图像中图像包含有工程车辆,如此,可以有效的应对目标车辆距离图像采集设备远近带来的成像大小不均而造成识别困难,识别的精度和准确性较低等问题,此外,样本特征建模中,采用样本图片分区后再提取各个区的相应特征,再利用提取的特征进行建模方式,可以有效应对复杂场景下,工程车辆的轮子被杂草淹没或者工地上尘土飞扬造成的部分遮挡情况以使样本特征模型描述不准确等问题。
参照图2所示,本发明一个具体实施例中,基于多特征建模的分块多尺度工程车识别方法,包括以下步骤:
S201、样本库建立步骤,获取预先通过图像采集设备在距离工程车辆不同采集距离时采集的至少两组样本,并建立存储所述至少两组样本的样本库;每组样本包含复数张工程车辆图片,且同一组中的所述工程车辆图片为相同采集距离下采集的,不同组中的所述工程车辆图片为不同采集距离下采集的。
具体的,图像采集设备可以为安装于建筑工地上作为监控的摄像机,通过该摄像机预先采集上述的至少两组样本,每一组样本用于建立一个对应的样本特征模型。
作为优选地,样本为三组,分别为近端样本、中间距离样本及远端样本,近端样本包含有工程车辆距离摄像机较近(即拉出车位于近端)时,通过摄像机拍摄的第一组工程车辆图片,远端样本包含有工程车辆距离摄像机较远(即工程车辆处于远端)时,通过摄像机拍摄第二组工程车辆图片,而中间距离样本包含有工程车辆距离摄像机不远不近(即工程车辆处于近端和远端之间)时,通过摄像机拍摄的第三组工程车辆图片。
本实施例中,之所以选择不同采集距离下的至少两组样本,是因包含有工程车辆距离摄像机的距离不同时,采集的样本图片上的图像上呈现出来的特征有较大的差距,利用单一的传统的模板放大或输入图像放大不能满足检测精度和准确度。
S202、样本图片分区步骤,将每组所述样本中每张工程车辆图片划按照车辆结构分成多个区域。
可以理解的是,多个区域具体可以为车头、车身、轮胎、履带、机械臂 等区域。
本实施例中,之所以对样本图片进行分区,是因为在复杂的实际情况下,建筑工地现场可能会出现杂草等遮挡物遮挡了工程车辆造成采集的工程车辆图片局部不完整或者工地灰尘造成工程车辆局部不清晰或不完整等,采用分区方式,有利于提取的特征更加准确。
S203、样本特征提取步骤,分别从每组样本中所述工程车辆图片上的对应区域提取相应的样本特征,来自同一组所述样本的所有样本特征组成一个样本特征集。
作为优选地,所述样本特征包括工程车辆的全局轮廓、局部纹理信息、平坦区域及颜色信息。即分别从整体轮廓、局部纹理、平坦区域、颜色信息四个角度来描述工程车辆,这种描述方式的优势在于从多个角度描述可以提高识别的精度。
S204、选取同一个所述样本特征集中的特征,并剔除区分度小的非稳定特征,保留具有最大鉴别力的稳定特征。
由于同一组样本中具有多张工程车辆图片,每张工程车辆图片均被分成了车头、车身、轮胎、履带、机械臂等区域,所以,对应于样本模型建立时,同一区域可以从任意一张图片上对应的位置选择对应的特征。
又由于每一组样本中的工程车辆图片时随机拍摄的,所以,某些工程车辆图片上的特征可能区分度比较小,这种特征被称为非稳定特征,而对于工程车辆图片上具有最大鉴别力的特征,则被称为稳定特征,如果选择非稳定的特征建立样本特征模型,则描述的工程车辆准确性较低,因此,在提取特征时,若从某个工程车辆图片上提取的某个特征为非稳定特征,则剔除该特征,再从其他的工程车辆图片上对应的位置提取对应的特征,直到提取的该特征为稳定特征。
需要说明的是,所述的“稳定特征”和“非稳定特征”为相对概念,因此,稳定可视区域和非稳可视区域均可能存储非稳定的特征。
S205、模型创建步骤;利用所述稳定特征建立样本特征模型,对应的每一组样本经过样本图片分区、样本特征提取、特征分选,模型创建后,形成一个样本特征模型。
需要说明的是,步骤S204、S205不分时序先后,可以是先进行特征分选, 再进行模型创建,也可以是在创建模型的过程中,边分选边建模型。
S206、目标图像获取步骤,获取图像采集设备实时采集的目标图像。
S207、目标图像多尺度处理步骤,对所述目标图像进行多尺度多方向几何变换。
本实施例中,之所以要对目标图像进行多尺度处理,是因为即使目标图像是在远端、近端或中间距离位置,但是远端也有相对的远近,只要目标图像和建立的样本特征模型的远端不同,就可能识别不到,因此,需要对输入的目标图像做多尺度处理,以解决目标图像与样本特征模型不是大小刚刚好的匹配的问题。
S208、目标图像分区步骤,将所述目标图像按照目标物体的结构划分成多个区域。
可以理解的是,多个区域具体可以为车头、车身、轮胎、履带、机械臂等区域。
该步骤采用与样本图片分区相同的方法,对目标图像进行分区。同样的,本实施例中,之所以对目标图像进行分区,是因为在复杂的实际情况下,建筑工地现场可能会出现杂草等遮挡物遮挡了工程车辆造成采集的工程车辆图片局部不完整或者工地灰尘造成工程车辆局部不清晰或不完整等,采用分区方式,有利于提取更加准确的特征。
S209、目标图像特征集提取步骤,提取所述目标图像对应区域中对应的目标图像特征,并形成目标图像特征集。
作为优选地,所述目标图像特征包括目标物体的全局轮廓、局部纹理信息、平坦区域及颜色信息。即分别从整体轮廓、局部纹理、平坦区域、颜色信息四个角度来描述目标图像中的物体,这种描述方式的优势在于从多个角度描述可以提高识别的精度。
S210、比对判决步骤,将所述目标图像特征集中的目标图像特征与所述样本库中的各个所述样本特征模型进行比对,以判断所述目标图像是否能够与其中任意一个所述样本特征模型匹配,若是,则判断所述目标图像中包含有工程车辆。
由于目标图像可以是在近端、远端或中间距离任一情况下拍摄的,所以,需要将目标图像与各个样本特征模型进行匹配,只要目标图像进行缩放在多 尺度下与其中任意一个样本特征模型匹配,就说明该目标图像中包含有工程车辆,同时,说明该目标图像拍摄的位置与该样本特征模型对应的样本图片的采集位置相接近。
参照图3所示,具体的,在本发明的一个优选实施例中,所述比对判决步骤S210具体包括以下步骤:
S2101、比对步骤,将所述目标图像特征集中的每个目标图像特征与各个样本特征模型进行比对。
S2102、匹配度计算步骤,根据所述目标图像特征与各个样本特征模型的比对情况,计算所述目标图像与各个样本特征模型的匹配度,每个所样本特征模型与所述目标图像匹配均产生一匹配度。
S2103、匹配确认步骤,判断是否有一个匹配度大于所述判定阀值,若是,则判断所述目标图像中图像包含有工程车辆。
本实施例提供的基于多特征建模的分块多尺度工程车识别方法,根据图像采集设备与工程车辆远近距离不同,建立了至少两个样本特征模型,再将目标图像进行缩放在多尺度下与各个样本特征进行匹配,目标图像只要能够与其中任意一个样本特征模型匹配成功,则判断所述目标图像中图像包含有工程车辆,如此,可以有效的应对目标车辆距离图像采集设备远近带来的成像大小不均而造成识别困难,识别的精度和准确性较低等问题,此外,样本特征建模中,采用样本图片分区后再提取各个区的相应特征,再利用提取的特征进行建模方式,可以有效应对复杂场景下,工程车辆的轮子被杂草淹没或者工地上尘土飞扬造成的部分遮挡情况以使样本特征模型描述不准确等问题。
参照图4所示,本发明的实施例提供了系统,包括样本库建立模块31、样本图片分区模块32、样本特征提取模块33、样本特征模型建立模块34及目标图像识别模块35,其中,
样本库建立模块31,用于获取预先通过图像采集设备在距离工程车辆不同采集距离时采集的至少两组样本,并建立存储所述至少两组样本的样本库;每组样本包含复数张工程车辆图片,且同一组中的所述工程车辆图片为相同采集距离下采集的,不同组中的所述工程车辆图片为不同采集距离下采集的。
样本图片分区模块32,用于将每组所述样本中每张工程车辆图片划按照 车辆结构分成多个区域。
样本特征提取模块33,用于分别从每组样本中所述工程车辆图片上的对应区域提取相应的样本特征,来自同一组所述样本的所有样本特征组成一个样本特征集。
样本特征模型建立模块34,用于利用同一个所述样本特征集中的特征建立对应的样本特征模型,每个所述样本特征集对应一个样本特征模型。
目标图像识别模块35,用于将所述目标图像进行缩放并在多个尺度下与各个所述样本特征模型比对,以判断所述目标图像是否能够与其中任意一个所述样本特征模型匹配,若是,则判断所述目标图像中包含有工程车辆。
在本发明的一个具体实施例中,所述样本特征模型建立模块34具体包括特征分选模块341及模型创建模块342,其中,
特征分选模块341,用于选取同一个所述样本特征集中的特征,并剔除区分度小的非稳定特征,保留具有最大鉴别力的稳定特征;
模型创建模块342,用于利用所述稳定特征建立样本特征模型。
在本发明的一个优选实施例中,目标图像识别模块35包括目标图像获取模块351、目标图像多尺度处理模块352、目标图像分区模块353、目标图像特征集提取模块354及比对判决模块355,其中,
目标图像获取模块351,用于获取图像采集设备实时采集的目标图像。
目标图像多尺度处理模块352,用于对所述目标图像进行多尺度多方向几何变换。
目标图像分区模块353,用于将所述目标图像按照目标物体的结构划分成多个区域。
目标图像特征集提取模块354,用于提取所述目标图像对应区域中对应的目标图像特征,并形成目标图像特征集。
比对判决模块355,用于将所述目标图像特征集中的目标图像特征与所述样本库中的各个所述样本特征模型进行比对,以判断所述目标图像是否能够与其中任意一个所述样本特征模型匹配,若是,则判断所述目标图像中包含有工程车辆。
参照图5所示,具体的,所述比对判决模块355包括比对模块3551、匹配度计算模块3552及匹配确认模块3553,其中,
比对模块3551,用于将所述目标图像特征集中的每个目标图像特征与各个样本特征模型进行比对。
匹配度计算模块3552,用于根据所述目标图像特征与各个样本特征模型的比对情况,计算所述目标图像与各个样本特征模型的匹配度,每个所样本特征模型与所述目标图像匹配均产生一匹配度。
匹配确认模块3553,用于判断是否有一个匹配度大于所述判定阀值,若是,则判断所述目标图像中包含有工程车辆。
上述识别系统识别过程参照图1至图3所示及上述两个实施例所述,在此不再赘述。
根据本发明提供的基于多特征建模的分块多尺度工程车识别系统,根据图像采集设备与工程车辆远近距离不同,建立了至少两个样本特征模型,再将目标图像进行缩放在多尺度下与各个样本特征进行匹配,目标图像只要能够与其中任意一个样本特征模型匹配成功,则判断所述目标图像中图像包含有工程车辆,如此,可以有效的应对目标车辆距离图像采集设备远近带来的成像大小不均而造成识别困难,识别的精度和准确性较低等问题,此外,样本特征建模中,采用样本图片分区后再提取各个区的相应特征,再利用提取的特征进行建模方式,可以有效应对复杂场景下,工程车辆的轮子被杂草淹没或者工地上尘土飞扬造成的部分遮挡情况以使样本特征模型描述不准确等问题。
以上所述仅为本发明的优选实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种基于多特征建模的分块多尺度工程车识别方法,其特征在于,包括:
样本库建立步骤,获取预先通过图像采集设备在距离工程车辆不同采集距离时采集的至少两组样本,并建立存储所述至少两组样本的样本库;每组样本包含复数张工程车辆图片,且同一组中的所述工程车辆图片为相同采集距离下采集的,不同组中的所述工程车辆图片为不同采集距离下采集的;
样本图片分区步骤,将每组所述样本中每张工程车辆图片划按照车辆结构分成多个区域;
样本特征提取步骤,分别从每组样本中所述工程车辆图片上的对应区域提取相应的样本特征,来自同一组所述样本的所有样本特征组成一个样本特征集;
样本特征模型建立步骤,利用同一个所述样本特征集中的特征建立对应的样本特征模型,每个所述样本特征集对应一个样本特征模型;
目标图像识别步骤,将所述目标图像进行缩放并在多个尺度下与各个所述样本特征模型比对,以判断所述目标图像是否能够与其中任意一个所述样本特征模型匹配,若是,则判断所述目标图像中图像包含有工程车辆。
2.根据权利要求1所述的基于多特征建模的分块多尺度工程车识别方法,其特征在于:所述样本特征模型建立步骤包括:
特征分选步骤,选取同一个所述样本特征集中的特征,并剔除区分度小的非稳定特征,保留具有最大鉴别力的稳定特征;
模型创建步骤,利用所述稳定特征建立样本特征模型。
3.根据权利要求1所述的基于多特征建模的分块多尺度工程车识别方法,其特征在于,所述目标图像识别步骤包括:
目标图像获取步骤,获取图像采集设备实时采集的目标图像;
目标图像多尺度处理步骤,对所述目标图像进行多尺度多方向几何变换;
目标图像分区步骤,将所述目标图像按照目标物体的结构划分成多个区域;
目标图像特征集提取步骤,提取所述目标图像对应区域中对应的目标图像特征,并形成目标图像特征集;
比对判决步骤,将所述目标图像特征集中的目标图像特征与所述样本库中的各个所述样本特征模型进行比对,以判断所述目标图像是否能够与其中任意一个所述样本特征模型匹配,若是,则判断所述目标图像中包含有工程车辆。
4.根据权利要求3所述的基于多特征建模的分块多尺度工程车识别方法,其特征在于,所述比对判决步骤包括:
比对步骤,将所述目标图像特征集中的每个目标图像特征与各个样本特征模型进行比对;
匹配度计算步骤,根据所述目标图像特征与各个样本特征模型的比对情况,计算所述目标图像与各个样本特征模型的匹配度,每个所样本特征模型与所述目标图像匹配均产生一匹配度;
匹配确认步骤,判断是否有一个匹配度大于所述判定阀值,若是,则判断所述目标图像中图像包含有工程车辆。
5.根据权利要求1所述的基于多特征建模的分块多尺度工程车识别方法,其特征在于:所述样本特征包括工程车辆的全局轮廓、局部纹理信息、平坦区域及颜色信息。
6.根据权利要求3所述的基于多特征建模的分块多尺度工程车识别方法,其特征在于:所述目标图像特征包括目标物体的全局轮廓、局部纹理信息、平坦区域及颜色信息。
7.一种基于多特征建模的分块多尺度工程车识别系统,其特征在于,包括:
样本库建立模块,用于获取预先通过图像采集设备在距离工程车辆不同采集距离时采集的至少两组样本,并建立存储所述至少两组样本的样本库;每组样本包含复数张工程车辆图片,且同一组中的所述工程车辆图片为相同采集距离下采集的,不同组中的所述工程车辆图片为不同采集距离下采集的;
样本图片分区模块,用于将每组所述样本中每张工程车辆图片划按照车辆结构分成多个区域;
样本特征提取模块,用于分别从每组样本中所述工程车辆图片上的对应区域提取相应的样本特征,来自同一组所述样本的所有样本特征组成一个样本特征集;
样本特征模型建立模块,用于利用同一个所述样本特征集中的特征建立对应的样本特征模型,每个所述样本特征集对应一个样本特征模型;
目标图像识别模块,用于将所述目标图像进行缩放并在多个尺度下与各个所述样本特征模型比对,以判断所述目标图像是否能够与其中任意一个所述样本特征模型匹配,若是,则判断所述目标图像中包含有工程车辆。
8.根据权利要求7所述的基于多特征建模的分块多尺度工程车识别系统,其特征在于:所述样本特征模型建立模块包括:
特征分选模块,用于选取同一个所述样本特征集中的特征,并剔除区分度小的非稳定特征,保留具有最大鉴别力的稳定特征;
模型创建模块,用于利用所述稳定特征建立样本特征模型。
9.根据权利要求7所述的基于多特征建模的分块多尺度工程车识别系统,其特征在于,所述目标图像识别模块包括:
目标图像获取模块,用于获取图像采集设备实时采集的目标图像;
目标图像多尺度处理模块,用于对所述目标图像进行多尺度多方向几何变换;
目标图像分区模块,用于将所述目标图像按照目标物体的结构划分成多个区域;
目标图像特征集提取模块,用于提取所述目标图像对应区域中对应的目标图像特征,并形成目标图像特征集;
比对判决模块,用于将所述目标图像特征集中的目标图像特征与所述样本库中的各个所述样本特征模型进行比对,以判断所述目标图像是否能够与其中任意一个所述样本特征模型匹配,若是,则判断所述目标图像中包含有工程车辆。
10.根据权利要求9所述的基于多特征建模的分块多尺度工程车识别系统,其特征在于,所述比对判决模块包括:
比对模块,用于将所述目标图像特征集中的每个目标图像特征与各个样本特征模型进行比对;
匹配度计算模块,用于根据所述目标图像特征与各个样本特征模型的比对情况,计算所述目标图像与各个样本特征模型的匹配度,每个所样本特征模型与所述目标图像匹配均产生一匹配度;
匹配确认模块,用于判断是否有一个匹配度大于所述判定阀值,若是,则判断所述目标图像中包含有工程车辆。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410191630.1A CN104166836B (zh) | 2014-05-08 | 2014-05-08 | 一种基于多特征建模的分块多尺度工程车识别方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410191630.1A CN104166836B (zh) | 2014-05-08 | 2014-05-08 | 一种基于多特征建模的分块多尺度工程车识别方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104166836A true CN104166836A (zh) | 2014-11-26 |
CN104166836B CN104166836B (zh) | 2017-07-14 |
Family
ID=51910641
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410191630.1A Expired - Fee Related CN104166836B (zh) | 2014-05-08 | 2014-05-08 | 一种基于多特征建模的分块多尺度工程车识别方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104166836B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778444A (zh) * | 2015-03-10 | 2015-07-15 | 公安部交通管理科学研究所 | 道路场景下车辆图像的表观特征分析方法 |
CN107742277A (zh) * | 2017-10-11 | 2018-02-27 | 上海电力学院 | 基于分块策略的mps模拟方法 |
CN111310736A (zh) * | 2020-03-26 | 2020-06-19 | 上海同岩土木工程科技股份有限公司 | 一种保护区内车辆卸载堆土的快速识别方法 |
CN111402337A (zh) * | 2020-04-03 | 2020-07-10 | 中联重科股份有限公司 | 工程机械臂架类设备的姿态识别方法、装置及该工程机械 |
CN115481511A (zh) * | 2022-09-30 | 2022-12-16 | 北京科技大学 | 基于ffd的离心叶轮多工况局部构型气动优化方法及装置 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102810158B (zh) * | 2011-05-31 | 2015-02-04 | 中国科学院电子学研究所 | 一种基于多尺度语义模型的高分辨率遥感目标提取方法 |
CN103544216B (zh) * | 2013-09-23 | 2017-06-06 | Tcl集团股份有限公司 | 一种结合图像内容和关键字的信息推荐方法及系统 |
-
2014
- 2014-05-08 CN CN201410191630.1A patent/CN104166836B/zh not_active Expired - Fee Related
Non-Patent Citations (1)
Title |
---|
邵宇 等: "智能监控中的工程车辆识别算法", 《小型微型计算机系统》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104778444A (zh) * | 2015-03-10 | 2015-07-15 | 公安部交通管理科学研究所 | 道路场景下车辆图像的表观特征分析方法 |
CN107742277A (zh) * | 2017-10-11 | 2018-02-27 | 上海电力学院 | 基于分块策略的mps模拟方法 |
CN111310736A (zh) * | 2020-03-26 | 2020-06-19 | 上海同岩土木工程科技股份有限公司 | 一种保护区内车辆卸载堆土的快速识别方法 |
CN111402337A (zh) * | 2020-04-03 | 2020-07-10 | 中联重科股份有限公司 | 工程机械臂架类设备的姿态识别方法、装置及该工程机械 |
CN115481511A (zh) * | 2022-09-30 | 2022-12-16 | 北京科技大学 | 基于ffd的离心叶轮多工况局部构型气动优化方法及装置 |
CN115481511B (zh) * | 2022-09-30 | 2023-08-29 | 北京科技大学 | 基于ffd的离心叶轮多工况局部构型气动优化方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN104166836B (zh) | 2017-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103366374B (zh) | 基于图像匹配的消防通道障碍物检测方法 | |
CN103761748B (zh) | 异常行为检测方法和装置 | |
CN102811343B (zh) | 一种基于行为识别的智能视频监控系统 | |
CN107993488A (zh) | 一种基于鱼眼相机的车位识别方法、系统及介质 | |
CN103123722B (zh) | 道路对象检测方法和系统 | |
CN105551064B (zh) | 一种基于图像特征估计堆料体积变化率的方法 | |
CN104166836A (zh) | 一种基于多特征建模的分块多尺度工程车识别方法及系统 | |
CN108416985B (zh) | 一种基于图像识别的地质灾害监测预警系统及预警方法 | |
US20130243343A1 (en) | Method and device for people group detection | |
CN102496232B (zh) | 一种输电设施监控方法及系统 | |
CN103826102A (zh) | 一种运动目标的识别方法、装置 | |
CN104303193A (zh) | 基于聚类的目标分类 | |
CN109448326B (zh) | 一种基于快速图像识别的地质灾害智能群防监测系统 | |
CN104392224A (zh) | 一种公路路面裂纹检测方法 | |
KR101788225B1 (ko) | 건설현장 맞춤형 이미지 분석기술을 활용한 중장비/근로자 인식 및 추적 방법 및 시스템 | |
CN102346153A (zh) | 一种隧道病害的检测方法 | |
CN105719283A (zh) | 一种基于Hessian矩阵多尺度滤波的路面裂缝图像检测方法 | |
CN106991370A (zh) | 基于颜色和深度的行人检索方法 | |
McKinnon et al. | Automatic identification of large fragments in a pile of broken rock using a time-of-flight camera | |
CN102065275A (zh) | 智能视频监控系统中多目标跟踪方法 | |
CN106991418A (zh) | 飞虫检测方法、装置及终端 | |
CN112270253A (zh) | 一种高空抛物的检测方法及装置 | |
CN104102909A (zh) | 基于多重视觉信息的车辆特征定位及匹配方法 | |
Arachchige et al. | Automatic processing of mobile laser scanner point clouds for building facade detection | |
CN111213154A (zh) | 一种车道线检测方法、设备、移动平台及存储介质 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170714 |
|
CF01 | Termination of patent right due to non-payment of annual fee |