CN104299002B - 一种基于监控系统的塔吊图像检测方法 - Google Patents
一种基于监控系统的塔吊图像检测方法 Download PDFInfo
- Publication number
- CN104299002B CN104299002B CN201410536224.4A CN201410536224A CN104299002B CN 104299002 B CN104299002 B CN 104299002B CN 201410536224 A CN201410536224 A CN 201410536224A CN 104299002 B CN104299002 B CN 104299002B
- Authority
- CN
- China
- Prior art keywords
- tower crane
- image
- region
- white
- suspicious
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012544 monitoring process Methods 0.000 title claims abstract description 34
- 238000001514 detection method Methods 0.000 claims abstract description 74
- 230000001186 cumulative effect Effects 0.000 claims description 15
- PXFBZOLANLWPMH-UHFFFAOYSA-N 16-Epiaffinine Natural products C1C(C2=CC=CC=C2N2)=C2C(=O)CC2C(=CC)CN(C)C1C2CO PXFBZOLANLWPMH-UHFFFAOYSA-N 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 230000008569 process Effects 0.000 description 6
- 238000005516 engineering process Methods 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000003595 spectral effect Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000000844 transformation Methods 0.000 description 2
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000004069 differentiation Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000003709 image segmentation Methods 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 238000010422 painting Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000006641 stabilisation Effects 0.000 description 1
- 238000011105 stabilization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Physics & Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于监控系统的塔吊图像检测方法。针对监控端间隔时间传回的各个单幅图像，用塔吊对象快速检测模型筛选出所有可能包含有塔吊对象的可疑塔吊图像区域并进行判断；建立变形“Γ”字检测模型进行第一次匹配和判断；建立小碎片几何规则度检测模型，进行第二次匹配和判断；建立小碎片边缘一致性检测模型，进行第三次匹配和判断，完成检测。本发明实现基于单幅图像的塔吊检测，能整合到现有的视频塔吊监控系统中，能有效帮助实现监控的自动化，适合在高压电网监控、建筑工监控等应用中使用。
Description
技术领域
本发明涉及一种图像检测方法，尤其是涉及一种基于监控系统的塔吊图像检测方法。
背景技术
随着近年来建筑行业塔吊的大量使用，由于塔吊违规超限作业和塔吊群干涉碰撞或塔吊碰触工地周边的电力设施等引发的各类塔吊运行安全事故频繁发生，造成了巨大的生命财产损失。安全事故的经验教训表明，必须对塔吊使用过程和行为及时进行有效的监管才能切实控制设备运行过程中的危险因素和安全隐患，预防和减少塔吊安全生产事故发生。
为满足塔吊安全作业监控和管理需要，当前很多企业和科研机构都研发出了相应的监控系统，其中一部分系统利用传感技术来感知塔吊的自身情况，然后将数据发送至远程监控中心，在中心进行处理，如共友科技发展有限公司研制的GBST-100塔机安全监控系统。有的系统利用视频实现对塔吊的监控，这类监控系统利用有线或无线的方式将监控视频传输至远程监控服务器，然后由人工对各个监控视频窗口进行监控。
总的来说，当前的塔吊监控技术，要么是人工观看监控视频来判断塔吊是否会威胁到周边的安全，或者是用传感器测量诸如力矩、重量等参数，然后判断塔吊自身的安全性，还很少有通过视频或图像自动识别出塔吊，并给出预警信号的系统。
由于视频监控系统相对于各类传感器，安装方便、稳定，价格低廉，因此受到很多用户的喜爱，考虑到当前无线传输大量应用以及传输速度相对较慢，传输费用相对较高的情况，最好的情况是能够从监控端每隔一段时间传回少量图片，从图片中分析判断是否存在塔吊，以及塔吊是否危及诸如电缆等重要设施的情况。
当前的视频塔吊监控系统都需要人工进行内容监视。要实现监控自动化，关键是要从单幅图像中检测出塔吊对象，然后才能实现跟踪或其它的一些操作，最终实现监控的自动化，而当前缺少有从图像中检测出塔吊对象的方法。
发明内容
为了解决背景技术中存在的问题，本发明的目的是提供一种基于监控系统的塔吊图像检测方法，解决了基于单幅图像的塔吊检测问题，为全自动的塔吊远程视频监控系统的构建解决了最大难题。
本发明采用的技术方案包括以下步骤：
1)针对监控端间隔时间传回的各个单幅图像，用塔吊对象快速检测模型筛选出所有可能包含有塔吊对象的可疑塔吊图像区域：若可疑塔吊图像区域的数量为0，则方法结束；若存在可疑塔吊图像区域，则进行以下步骤2)；
2)建立变形“Γ”字检测模型，对筛选出的每一个可疑塔吊图像区域进行第一次匹配：若匹配不成功，则该可疑塔吊图像区域包含的可疑塔吊对象为非塔吊对象，方法结束；若匹配成功，则进行以下步骤3)；
3)建立小碎片几何规则度检测模型，进行第二次匹配：若匹配不成功，则该可疑塔吊图像区域包含的可疑塔吊对象为非塔吊对象，方法结束；若匹配成功，则进行以下步骤4)；
4)建立小碎片边缘一致性检测模型，进行第三次匹配：若匹配不成功，则该可疑塔吊图像区域包含的可疑塔吊对象为非塔吊对象，方法结束；若匹配成功，则该可疑塔吊图像区域包含的可疑塔吊对象为塔吊对象，完成检测。
所述步骤1)的塔吊对象快速检测模型具体采用以下方式匹配：将单幅图像平均分成N′N的小块，在HIS颜色空间上计算各个小块色调值的水平梯度Gh和垂直梯度Gv，然后利用积分图方法统计每个小块内水平梯度Gh和垂直梯度Gv各自的累加和，得到水平梯度累加和Sum_Gh与垂直梯度累加和Sum_Gv，合并所有在空间上相邻且水平梯度累加和Sum_Gh大于水平梯度阈值ThSum_Gh、垂直梯度累加和Sum_Gv大于垂直梯度阈值ThSum_Gv的小块；如果某一合并后的区域的面积Area_merg_reg大于合并区域面积阈值ThArea_merg_reg时，则匹配成功，该合并后的区域为可疑塔吊图像区域，所在的该幅图像为可疑塔吊图像，则匹配不成功，该合并后的区域不是可疑塔吊图像区域。
所述步骤2)的变形“Γ”字检测模型具体采用以下方式匹配：对于各个筛选后得到的可疑塔吊图像区域，计算得到其最小塔吊矩形区域图像Sus_reg；对“Γ”字形图像中的“Γ”字形图案进行不同尺寸的仿射变换，得到一组“Γ”字形图像的模板图像，然后缩放最小塔吊矩形区域图像Sus_reg至模板图像的大小，再与各个模板图像进行匹配：
如果最小塔吊矩形区域图像Sus_reg与某一个模板图像相匹配的像素个数达到“Γ”字检测阈值ThG时，则匹配成功；如果没有任何一个模板图像能使最小塔吊矩形区域图像Sus_reg中的像素匹配个数达到“Γ”字检测阈值ThG，则匹配不成功。
所述步骤3)中的小碎片群几何规则度检测模型具体采用以下方式匹配：
3.1)对于可疑塔吊图像区域的最小塔吊矩形区域图像Sus_reg，进行色调标注，将不属于塔吊颜色的图像区域标注为白色；
3.2)计算得到所有白色区域的总面积Area_white_reg，并将各个白色区域按照其面积大小排序，去除面积最大的10％的区域和面积最小的10％的区域，然后计算剩余80％的白色区域的总面积Area_white_left、平均周长Avg_perim_left以及标准差Stv_white_left；
3.3)计算塔吊颜色区域比例若塔吊颜色区域比例Rtower大于塔吊颜色区域阈值Thtower且剩余80％的白色区域的标准差Stv_white_left小于标准差阈值Thstv_white_left，则匹配成功，否则匹配不成功。
所述步骤4)中的小碎片群边缘一致性检测模型具体采用以下方式匹配：
4.1)对于可疑塔吊图像区域的最小塔吊矩形区域图像Sus_reg，进行色调标注，将不属于塔吊颜色的图像区域标注为白色；
4.2)计算得到所有白色区域的总面积Area_white_reg，并将各个白色区域按照其面积大小排序，去除面积最大的10％的区域和面积最小的10％的区域，得到剩余80％的白色区域；
4.3)对剩余80％的白色区域进行细化，计算得到细化后的白色区域中白色像素个数Num_white_thin；
4.4)对细化后的白色像素进行直线检测，如果在同一直线方向连续的白色像素个数超过剩余80％的白色区域的平均周长Avg_perim_left/4，则认为这些连续像素构成一条直线，计算得到直线总数Num_line：若Num_line大于小碎片群边缘一致性阈值Thcons_edge，则匹配成功，否则匹配不成功。
所述的“Γ”字形图像的背景为白色，图像中间为黑色填充的“Γ”字形图案。
本发明具有的有益效果是：
本发明实现基于单幅图像的塔吊检测，能从监控端每隔一段时间传回少量图像中分析判断是否存在塔吊，以及塔吊是否危及诸如电缆等重要设施的情况。
本发明整合到现有的视频塔吊监控系统中能有效帮助实现监控的自动化。
本方法对图像中塔吊的检出率超过95％，误检率在7％以下，适合在高压电网监控、建筑工监控等应用中使用。
附图说明
图1是本发明的塔吊检测方法的流程图。
图2是塔吊对象快速检测模型的匹配流程图。
图3是变形“Γ”字检测模型的匹配流程图。
图4是“Γ”字图像仿射变换模板。
图5是小碎片群几何规则度检测模型匹配流程图。
图6是小碎片群边缘一致性检测模型匹配流程图。
具体实施方式
以下结合附图和实施案例对本发明作进一步详细描述。
如图1所示，本发明包括以下步骤：
1)针对监控端间隔时间传回的各个单幅图像，用塔吊对象快速检测模型筛选出所有可能包含有塔吊对象的可疑塔吊图像区域：若可疑塔吊图像区域的数量为0，则方法结束；若存在可疑塔吊图像区域，则进行以下步骤2)；
2)建立变形“Γ”字检测模型，对筛选出的每一个可疑塔吊图像区域进行第一次匹配：若匹配不成功，则该可疑塔吊图像区域包含的可疑塔吊对象为非塔吊对象，方法结束；若匹配成功，则进行以下步骤3)；
3)对于步骤2)匹配成功后的每一个可疑塔吊图像区域，建立小碎片几何规则度检测模型，进行第二次匹配：若匹配不成功，则该可疑塔吊图像区域包含的可疑塔吊对象为非塔吊对象，方法结束；若匹配成功，则进行以下步骤4)；
4)对于步骤3)匹配成功后的每一个可疑塔吊图像区域，建立小碎片边缘一致性检测模型，进行第三次匹配：若匹配不成功，则该可疑塔吊图像区域包含的可疑塔吊对象为非塔吊对象，方法结束；若匹配成功，则该可疑塔吊图像区域包含的可疑塔吊对象为塔吊对象，完成检测。
如图2所示，步骤1)的塔吊对象快速检测模型具体采用以下方式匹配：
将单幅图像平均分成N′N的小块，在HIS颜色空间上计算各个小块色调值的水平梯度Gh和垂直梯度Gv，然后利用积分图方法统计每个小块内水平梯度Gh和垂直梯度Gv各自的累加和，得到水平梯度累加和Sum_Gh与垂直梯度累加和Sum_Gv，合并所有在空间上相邻且水平梯度累加和Sum_Gh大于水平梯度阈值ThSum_Gh、垂直梯度累加和Sum_Gv大于垂直梯度阈值ThSum_Gv的小块；如果某一合并后的区域的面积Area_merg_reg大于合并区域面积阈值ThArea_merg_reg时，则匹配成功，该合并后的区域为可疑塔吊图像区域，所在的该幅图像为可疑塔吊图像，则匹配不成功，该合并后的区域不是可疑塔吊图像区域。
如图3所示，步骤2)的变形“Γ”字检测模型具体采用以下方式匹配：
对于各个筛选后得到的可疑塔吊图像区域，计算得到其最小塔吊矩形区域图像Sus_reg；对“Γ”字形图像中的“Γ”字形图案进行不同仿射的任意变换，得到一组“Γ”字形图像的模板图像，如图4所示，包括“Γ”字两边尺寸变换和两边之间的夹角变换，Γ”字形图像的背景为白色，图像中间为黑色填充的“Γ”字形图案。
然后缩放最小塔吊矩形区域图像Sus_reg至模板图像的大小，再将最小塔吊矩形区域图像Sus_reg与各个模板图像进行匹配：如果最小塔吊矩形区域图像Sus_reg与某一个模板图像相匹配的像素个数达到“Γ”字检测阈值ThG时，则认为变形“Γ”字模型匹配成功；如果没有任何一个模板图像能使最小塔吊矩形区域图像Sus_reg中的像素匹配个数达到“Γ”字检测阈值ThG，则匹配不成功。
如图5所示，步骤3)中的小碎片群几何规则度检测模型具体采用以下方式匹配：
3.1)对于可疑塔吊图像区域的最小塔吊矩形区域图像Sus_reg，进行色调标注，将不属于塔吊颜色的图像区域标注为白色；
3.2)计算得到所有白色区域的总面积Area_white_reg，并将各个白色区域按照其面积大小排序，去除面积最大的10％的区域和面积最小的10％的区域，然后计算剩余80％的白色区域的总面积Area_white_left、平均周长Avg_perim_left以及标准差Stv_white_left；
3.3)计算塔吊颜色区域比例若塔吊颜色区域比例Rtower大于塔吊颜色区域阈值Thtower且剩余80％的白色区域的标准差Stv_white_left小于标准差阈值Thstv_white_left，则认为小碎片群几何规则度匹配成功，否则匹配不成功。
如图6所示，步骤4)中的小碎片群边缘一致性检测模型具体采用以下方式匹配：
4.1)对于可疑塔吊图像区域的最小塔吊矩形区域图像Sus_reg，进行色调标注，将不属于塔吊颜色的图像区域标注为白色；
4.2)计算得到所有白色区域的总面积Area_white_reg，并将各个白色区域按照其面积大小排序，去除面积最大的10％的区域和面积最小的10％的区域，得到剩余80％的白色区域；
4.3)对剩余80％的白色区域进行细化，计算得到细化后的白色区域中白色像素个数Num_white_thin；
4.4)对细化后的白色像素进行直线检测，如果在同一直线方向连续的白色像素个数超过剩余80％的白色区域的平均周长Avg_perim_left/4，则认为这些连续像素构成一条直线，细化后的白色像素构成多条直线，计算得到直线总数Num_line：若Num_line大于小碎片群边缘一致性阈值Thcons_edge，则认为小碎片边缘一致性匹配成功，否则匹配不成功。
本发明首先对获得的单幅图像利用塔吊对象快速检测模型排除非塔吊图像，对于可疑塔吊图像分割出塔吊存在的可疑区域，再利用小碎片的几何规则性和边缘颜色一致性进行第一次过滤，然后通过变形的“Γ”字模型进行整体形状过滤，最后给出判定结果，实现检测过程。
如图1所示，本发明方法原理和过程如下：
1、塔吊对象快速检测模型
塔吊对象快速检测模型用于快速检测图像中是否存在可疑塔吊区域，直接排除不存在可疑塔吊的图像，对于可能存在塔吊的图像送入后续的检测流程。
塔吊对象快速检测模型实现步骤如下：
a)首先将图像分成N′N的小块，对每个小块在HIS颜色空间上计算色调值的水平梯度Gh和垂直梯度Gv。由于色调分量H可能存在奇异点，设计基于直方图统计特征的色调分量H平移方法，如公式1所示。
H'＝H+Dh (1)
式中，Dh为色调修正值，Dh根据直方图统计特征获得，可为正值或负值，H'为调整后的颜色分量。
b)在色调图H'上，令水平梯度Gh＝{Gh(x,y)|1￡x￡M,1￡y￡N}表示由原图像得到水平梯度图像，垂直梯度Gv＝{Gv(x,y)|1￡x￡M,1￡y￡N}表示由原图像得到垂直梯度图像，水平梯度积分图和垂直梯度积分图可分别由公式2和3表示，其中，(x,y)表示像素的横坐标和纵坐标，x<M，y<N，(x',y')表示除像素点(x,y)以外的任意一点，积分图上的任意一点(x',y')表示从梯度图像坐标原点到(x,y)之间矩形区域内的梯度值总和。
式中，Ghii(x,y)表示水平梯度积分图上任一点的值，Gvii(x,y)表示垂直梯度积分图上任一点的值。
c)然后利用积分图方法统计每个小块内Gh、Gv的累加和Sum_Gh与Sum_Gv，设第K个小块的积分图如公式4和5所示。
Sum_Gh＝Ghii(x2,y2)+Ghii(x1,y1)-Ghii(x1,y2)-Ghii(x2,y1) (4)
Sum_Gv＝Gvii(x2,y2)+Gvii(x1,y1)-Gvii(x1,y2)-Gvii(x2,y1) (5)
d)合并所有在空间上相邻且Sum_Gh>ThSum_Gh，Sum_Gv>ThSum_Gv的小块，ThSum_Gh为水平梯度阈值，ThSum_Gv为垂直梯度阈值。当合并得到的区域Area_merg_reg大于合并区域面积阈值ThArea_merg_reg时，就确定该区域为可疑塔吊区域，即该图像通过塔吊对象快速检测，快速检测模型QM如式6所示。
2、变形“Γ”字检测模型
变形“Γ”字检测模型的实现步骤如下：
a)是在可疑塔吊图像中分割出可疑塔吊区域，得到最小塔吊矩形区域图像Sus_reg。
b)对“Γ”字图像进行各种仿射变换，得到m个模板，然后将Sus_reg缩放至模板大小，并用全部模板与其进行匹配，当与某一个模板匹配的像素个数达到“Γ”字检测阈值ThG时，则认为变形“Γ”字模型匹配成功。变形“Γ”字检测模型GCH由公式7得出，其中Num_match(i)表示第i个模板匹配的像素个数。
3、小碎片群几何规则度检测模型
小碎片群几何规则度检测模型的实现步骤如下：
a)根据公式8在可疑塔吊区域内检测塔吊颜色，将不属于塔吊颜色的像素标注为白色，其余部分标注为黑色。
其中公式8中Th_adp为颜色分割自适应阈值。
b)计算白色区域的总面积Area_white_reg，将白色区域按照其面积大小排序，去除面积最大的10％的区域和面积最小的10％的区域，统计剩余80％的白色区域的总面积Area_white_left和平均周长Avg_perim_left，统计剩余80％的白色区域的标准差Stv_white_left，根据公式9获得塔吊颜色区域比例Rtower：
c)小碎片群几何规则度检测模型由公式10得出：
即Rtower大于塔吊颜色区域阈值Thtower且Stv_white_left小于标准差阈值Thstv_white_left，则认为小碎片群几何规则度检测成功。
4、小碎片群边缘一致性检测模型
小碎片群边缘一致性检测模型的实现步骤如下：
a)对剩余80％的白色区域进行细化，统计细化后的白色像素个数Num_white_thin。
b)对细化后剩余的白色像素进行直线检测，若在同一直线方向的连续像素个数超过Avg_perim_left/4，则认为这些连续像素构成一条直线。
c)统计直线总数Num_line，若Num_line大于小碎片群边缘一致性阈值Thcons_edge，则认为小碎片边缘一致性匹配成功。小碎片群边缘一致性检测模型可由公式11描述：
本发明的实施例如下：
本发明方法对2500幅图像样本进行检测，其中包括450幅塔吊图像样本，2050幅正常图像样本。塔吊图像样本包含现场拍摄图像220幅，塔吊模型拍摄图像130幅，互联网下载塔吊图像100幅。正常图像样本包含建筑工地图像、电力塔架图像、各类工程车图像、人物图像、风景图像、动物图像等。其检测服务器配置如下：DELL R710机架服务器；双CPU，单CPU四核(5500处理器系列)；4G内存、300G*4SAS硬盘；Windows操作系统。
如图1所示，检测流程首先从图像输入开始，图像预处理过程先对输入图像进行尺寸判别，后对图像作归一化处理(归一化图像尺寸为长640像素或宽480像素，且保持原图的长和宽的比例)。然后进入塔吊图像匹配流程。
如图2所示，塔吊对象快速检测模型将图像分成80′80的小块，将图像从RGB颜色空间转换到HIS颜色空间，计算色调H的水平梯度Gh和垂直梯度Gv，然后利用积分图方法统计每个小块内Gh、Gv的累加和Sum_Gh与Sum_Gv。合并所有在空间上相邻且Sum_Gh大于水平梯度阈值且Sum_Gv大于垂直梯度阈值的小块，当合并得到的区域面积大于合并区域面积阈值时，就确定该区域为可疑塔吊区域，该图像为可疑塔吊图像，否则该图像为非塔吊图像。实验中水平梯度阈值Sum_Gh、垂直梯度阈值Sum_Gv取值分别为28和25，合并区域面积阈值ThArea_merg_reg，ThArea_merg_reg取值为25600(像素点)。
如图3所示，变形“Γ”字检测模型，是在可疑塔吊图像中分割出可疑塔吊区域，得到最小塔吊矩形区域图像，并对“Γ”字图像进行各种仿射变换，得到一组模板，如图4所示，然后将最小塔吊矩形区域图像缩放至模板大小，并用全部模板与其进行匹配，当与某一个模板匹配的像素个数达到“Γ”字检测阈值时，“Γ”字检测阈值取值为6720(像素点)，则认为变形“Γ”字模型匹配成功，该图像为可疑塔吊图像，否则该图像为非塔吊图像。
如图5所示，小碎片群几何规则度检测模型在可疑塔吊区域内检测，对可疑塔吊区域基于色调进行标注，将不属于塔吊颜色的区域标注为白色，统计白色区域像素个数，计算各白色区域的面积、白色区域的总面积以及白色区域面积的标准差；然后将白色区域按照其面积大小排序，去除面积最大的10％(可能远远超过10％)的区域和面积最小的10％的区域，统计剩余白色区域的总面积、平均周长和面积的标准差；根据白色区域总面积和剩余白色区域总面积的比值获得塔吊颜色区域比例，若该比例小于塔吊颜色区域阈值，塔吊颜色区域阈值取值为0.09，则认为白色区域即小碎片群几何规则度无规律，与塔吊形态不符合，图像判定为非塔吊图像；若塔吊颜色区域比例大于或等于塔吊颜色区域阈值，则计算剩余白色区域的面积标准差是否小于标准差阈值，若小于，则认为小碎片群几何规则度匹配成功，进入下一步检测，否则图像判定为非塔吊图像。
如图6所示，小碎片群边缘一致性检测模型对剩余80％的白色区域进行细化，对细化后剩余的白色像素进行直线检测，然后统计直线总数，若直线总数大于小碎片群边缘一致性阈值，小碎片群边缘一致性阈值取值为15，则认为小碎片边缘一致性匹配成功，该图像判定为塔吊图像，否则该图像判定为非塔吊图像。
本实施例最终图像检测的结果如表1所示。
表1
由此可看出，本发明方法能实现通过视频监控系统得到从监控端每隔一段时间传回的少量图像中分析判断是否存在塔吊对象，这对于高压电力塔架预警等应用具有重要的意义，具有显著的技术效果。
Claims (2)
1.一种基于监控系统的塔吊图像检测方法，其特征在于包括以下步骤：
1)针对监控端间隔时间传回的各个单幅图像，用塔吊对象快速检测模型筛选出所有可能包含有塔吊对象的可疑塔吊图像区域：若可疑塔吊图像区域的数量为0，则方法结束；若存在可疑塔吊图像区域，则进行以下步骤2)；
2)建立变形“Γ”字检测模型，对筛选出的每一个可疑塔吊图像区域进行第一次匹配：若匹配不成功，则该可疑塔吊图像区域包含的可疑塔吊对象为非塔吊对象，方法结束；若匹配成功，则进行以下步骤3)；
3)建立小碎片几何规则度检测模型，进行第二次匹配：若匹配不成功，则该可疑塔吊图像区域包含的可疑塔吊对象为非塔吊对象，方法结束；若匹配成功，则进行以下步骤4)；
4)建立小碎片边缘一致性检测模型，进行第三次匹配：若匹配不成功，则该可疑塔吊图像区域包含的可疑塔吊对象为非塔吊对象，方法结束；若匹配成功，则该可疑塔吊图像区域包含的可疑塔吊对象为塔吊对象，完成检测；
所述步骤1)的塔吊对象快速检测模型具体采用以下方式匹配：将单幅图像平均分成N×N的小块，在HIS颜色空间上计算各个小块色调值的水平梯度Gh和垂直梯度Gv，然后利用积分图方法统计每个小块内水平梯度Gh和垂直梯度Gv各自的累加和，得到水平梯度累加和Sum_Gh与垂直梯度累加和Sum_Gv，合并所有在空间上相邻且水平梯度累加和Sum_Gh大于水平梯度阈值ThSum_Gh、垂直梯度累加和Sum_Gv大于垂直梯度阈值ThSum_Gv的小块；如果某一合并后的区域的面积Area_merg_reg大于合并区域面积阈值ThArea_merg_reg时，则匹配成功，该合并后的区域为可疑塔吊图像区域，所在的该幅图像为可疑塔吊图像，则匹配不成功，该合并后的区域不是可疑塔吊图像区域；
所述步骤2)的变形“Γ”字检测模型具体采用以下方式匹配：对于各个筛选后得到的可疑塔吊图像区域，计算得到其最小塔吊矩形区域图像Sus_reg；对“Γ”字形图像中的“Γ”字形图案进行不同尺寸的仿射变换，得到一组“Γ”字形图像的模板图像，然后缩放最小塔吊矩形区域图像Sus_reg至模板图像的大小，再与各个模板图像进行匹配：如果最小塔吊矩形区域图像Sus_reg与某一个模板图像相匹配的像素个数达到“Γ”字检测阈值ThΓ时，则匹配成功；如果没有任何一个模板图像能使最小塔吊矩形区域图像Sus_reg中的像素匹配个数达到“Γ”字检测阈值ThΓ，则匹配不成功；
所述步骤3)中的小碎片群几何规则度检测模型具体采用以下方式匹配：
3.1)对于可疑塔吊图像区域的最小塔吊矩形区域图像Sus_reg，进行色调标注，将不属于塔吊颜色的图像区域标注为白色；
3.2)计算得到所有白色区域的总面积Area_white_reg，并将各个白色区域按照其面积大小排序，去除面积最大的10％的区域和面积最小的10％的区域，然后计算剩余80％的白色区域的总面积Area_white_left、平均周长Avg_perim_left以及标准差Stv_white_left；
3.3)计算塔吊颜色区域比例若塔吊颜色区域比例Rtower大于塔吊颜色区域阈值Thtower且剩余80％的白色区域的标准差Stv_white_left小于标准差阈值Thstv_white_left，则匹配成功，否则匹配不成功；
所述步骤4)中的小碎片群边缘一致性检测模型具体采用以下方式匹配：
4.1)对于可疑塔吊图像区域的最小塔吊矩形区域图像Sus_reg，进行色调标注，将不属于塔吊颜色的图像区域标注为白色；
4.2)计算得到所有白色区域的总面积Area_white_reg，并将各个白色区域按照其面积大小排序，去除面积最大的10％的区域和面积最小的10％的区域，得到剩余80％的白色区域；
4.3)对剩余80％的白色区域进行细化，计算得到细化后的白色区域中白色像素个数Num_white_thin；
4.4)对细化后的白色像素进行直线检测，如果在同一直线方向连续的白色像素个数超过剩余80％的白色区域的平均周长Avg_perim_left/4，则认为这些连续像素构成一条直线，计算得到直线总数Num_line：若Num_line大于小碎片群边缘一致性阈值Thcons_edge，则匹配成功，否则匹配不成功。
2.根据权利要求1所述的一种基于监控系统的塔吊图像检测方法，其特征在于：所述的“Γ”字形图像的背景为白色，图像中间为黑色填充的“Γ”字形图案。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410536224.4A CN104299002B (zh) | 2014-10-11 | 2014-10-11 | 一种基于监控系统的塔吊图像检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410536224.4A CN104299002B (zh) | 2014-10-11 | 2014-10-11 | 一种基于监控系统的塔吊图像检测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104299002A CN104299002A (zh) | 2015-01-21 |
| CN104299002B true CN104299002B (zh) | 2017-06-23 |
Family
ID=52318723
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410536224.4A Expired - Fee Related CN104299002B (zh) | 2014-10-11 | 2014-10-11 | 一种基于监控系统的塔吊图像检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104299002B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108805220A (zh) * | 2018-07-25 | 2018-11-13 | 广东奥普特科技股份有限公司 | 一种基于梯度积分的快速模板匹配算法 |
| CN110956180B (zh) * | 2019-07-04 | 2021-04-13 | 中联重科股份有限公司 | 配重重量的检测方法与系统、获取方法与系统及起重机 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102583181A (zh) * | 2012-03-02 | 2012-07-18 | 中联重科股份有限公司 | 塔机监测预警方法、系统及塔机 |
| CN103033253A (zh) * | 2012-12-10 | 2013-04-10 | 太原科技大学 | 一种塔式起重机结构的非接触振动检测方法 |
| CN103413131A (zh) * | 2013-01-24 | 2013-11-27 | 中国科学院遥感与数字地球研究所 | 基于光谱及几何特征的塔吊识别方法 |
| EP2674383A2 (en) * | 2012-06-15 | 2013-12-18 | LC&T Builder (1971) Pte Ltd | System and method for identifying and tracking 3d location of precast components |
-
2014
- 2014-10-11 CN CN201410536224.4A patent/CN104299002B/zh not_active Expired - Fee Related
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102583181A (zh) * | 2012-03-02 | 2012-07-18 | 中联重科股份有限公司 | 塔机监测预警方法、系统及塔机 |
| EP2674383A2 (en) * | 2012-06-15 | 2013-12-18 | LC&T Builder (1971) Pte Ltd | System and method for identifying and tracking 3d location of precast components |
| CN103033253A (zh) * | 2012-12-10 | 2013-04-10 | 太原科技大学 | 一种塔式起重机结构的非接触振动检测方法 |
| CN103413131A (zh) * | 2013-01-24 | 2013-11-27 | 中国科学院遥感与数字地球研究所 | 基于光谱及几何特征的塔吊识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| "detecting tower cranes in images";Haiming Yin;《Applied Mechanics & Materials》;20131015;全文 * |
| "Dtecting Tower Crane with Multi-Features";Haiming Yin;《Applied Mechanics & Materials》;20140108;全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN104299002A (zh) | 2015-01-21 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| 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 | |
| CN109506628A (zh) | 一种基于深度学习的卡车环境下目标物测距方法 | |
| CN111539938B (zh) | 一种轧带钢带头曲度检测方法、系统、介质及电子终端 | |
| CN104463204B (zh) | 目标数量统计方法 | |
| CN103577875A (zh) | 一种基于fast的计算机辅助cad人数统计方法 | |
| CN109242796A (zh) | 文字图像处理方法、装置、电子设备和计算机存储介质 | |
| CN111738336A (zh) | 基于多尺度特征融合的图像检测方法 | |
| CN114331796A (zh) | 屏幕水印显示方法、装置、电子设备及存储介质 | |
| CN113960075A (zh) | 一种安检设备及物品尺寸确定方法、存储介质、设备 | |
| CN104299002B (zh) | 一种基于监控系统的塔吊图像检测方法 | |
| CN116993970A (zh) | 基于yolov5的油气管道挖掘机占压检测方法及系统 | |
| CN115019254A (zh) | 一种输电区域异物入侵检测方法、装置、终端及存储介质 | |
| WO2020245889A1 (ja) | 点検装置、制御方法、及びプログラム | |
| CN112017213B (zh) | 一种目标对象的位置更新方法及系统 | |
| CN104331708B (zh) | 一种人行横道线自动检测分析方法及系统 | |
| CN117854402A (zh) | 显示屏的异常显示检测方法、装置、终端设备 | |
| CN106886764B (zh) | 一种基于深度学习的恐慌度计算方法和装置 | |
| CN112418086A (zh) | 一种规则框校正方法、装置、电子设备及存储介质 | |
| CN117078584A (zh) | 基于多区域关注机制的巷道破损检测与安全评级方法 | |
| CN113792671B (zh) | 人脸合成图像的检测方法、装置、电子设备及介质 | |
| CN115797279A (zh) | 基建现场的异常分析方法、装置、电子设备及存储介质 | |
| Tzou et al. | Detect safety net on the construction site based on YOLO-v4 | |
| CN113420616B (zh) | 一种人脸识别方法、装置、设备及介质 | |
| CN114979567B (zh) | 一种应用于视频智能监控的物体与区域交互方法及系统 | |
| CN115147461B (zh) | 一种灾害实时预警方法、系统及设备 |
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: 20170623 |