CN105654507B - 一种基于图像动态特征跟踪的车辆外廓尺寸测量方法 - Google Patents
一种基于图像动态特征跟踪的车辆外廓尺寸测量方法 Download PDFInfo
- Publication number
- CN105654507B CN105654507B CN201510991226.7A CN201510991226A CN105654507B CN 105654507 B CN105654507 B CN 105654507B CN 201510991226 A CN201510991226 A CN 201510991226A CN 105654507 B CN105654507 B CN 105654507B
- Authority
- CN
- China
- Prior art keywords
- image
- point
- vehicle
- characteristic point
- pixel
- 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.)
- Active
Links
Classifications
-
- 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
- G06T2207/10016—Video; Image sequence
-
- 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
- G06T2207/30248—Vehicle exterior or interior
- G06T2207/30252—Vehicle exterior; Vicinity of vehicle
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种基于图像动态特征跟踪的车辆外廓尺寸测量方法及系统,所述方法包含:步骤100)采集图像信息,获取车辆检测过程的图像;步骤101)基于车辆检测过程的图像获取相邻帧图像的特征点;步骤102)对特征点进行匹配,针对匹配的图像进行拼接,获取车辆整体图像,基于车辆的整体图像计算像素尺寸进而获得车辆实际外廓尺寸。上述步骤101)具体包含:步骤101‑1)在采集的图像中通过分割车辆前景与背景得到车头和车尾所在图像;以车头和车尾图像分别作为起始帧和结束帧,进而获取车辆测量中的图像序列;步骤101‑2)对图像帧遍历获得候选特征点,通过判断邻域灰度值与候选特征点灰度值的差别进而得到特征点。
Description
技术领域
本发明属于图像测量领域,主要涉及动态运行的车辆的外廓尺寸测量。
背景技术
近年来,随着对车辆安全运营方面的重视,车辆外廓尺寸测量的相关产品与装置不断优化,目前出现了图像、激光等方式的检测装置。目前传统的图像检测方式通常采用图像拼接或整体图像分析的方式来计算车辆外廓尺寸,但是很多装置的检测质量受到光线、车辆速度等因素的影响,存在一定的误差。为了实现对车辆外廓信息的准确检测,需要进行图像处理算法的优化,使检测装置可以满足不同环境条件、不同车型的测量。
发明内容
本发明的目的在于,为了克服上述问题,本发明提供了一种基于图像动态特征跟踪的车辆外廓尺寸测量方法及系统。
为了实现上述目的,本发明提供一种基于图像动态特征跟踪的车辆外廓尺寸测量方法,所述方法包含:步骤100)采集图像信息,获取车辆检测过程的图像;步骤 101)基于车辆检测过程的图像获取相邻帧图像的特征点;步骤102)对特征点进行匹配,针对匹配的图像进行拼接,获取车辆整体图像,基于车辆的整体图像计算像素尺寸进而获得车辆实际外廓尺寸。
可选的,上述步骤101)具体包含:步骤101-1)在采集的图像中通过分割车辆前景与背景得到车头和车尾所在图像;以车头和车尾图像分别作为起始帧和结束帧,进而获取车辆测量中的图像序列;步骤101-2)对图像帧遍历获得候选特征点,通过判断邻域灰度值与候选特征点灰度值的差别进而得到特征点。
上述步骤101-2)具体为:
首先,将每一帧图像中的所有元素作为候选特征点;然后,根据候选特征点进一步选择特征点,选择的具体原则为:设定第一阈值与第二阈值,当任意一个候选特征点p周围邻域的一圈像素点的数量大于第一阈值且候选特征点p周围邻域的一圈像素点与候选特征点p的灰度值的差别大于第二阈值时,则选取该候选特征点p 作为特征点,用公式表示为:
其中,I(xx)为候选特征点p的邻域圆周上任意一点的灰度,I(p)为候选节点p点的灰度,εd为设定的第二差阈值;如果N大于设定的第一阈值,则候选节点p点为一个特征点。
上述步骤102)具体包含:
步骤102-1)筛选特征点进行匹配,再对匹配结果进行如下判断:
1)对成功匹配的特征点进行进一步判断,删除背景中错误匹配的特征点和与车辆运动方向偏差大于设定的第三阈值的特征点;
2)将相邻两帧图像中满足步骤1)的判断标准的特征点进行均值计算,获取亚像素精度的匹配均值;
步骤102-2)将步骤102-1)中得到的相邻两帧图像的匹配均值作为两帧图像的相对拼接坐标;
步骤102-3)将相对拼接坐标之和作为车辆的像素尺寸;根据像素尺寸和实际尺寸的比例值,获得车辆的真实尺寸。
上述步骤102-1)具体为:
将找到的特征点采用筛选二进制特征描述算子进行匹配,且匹配的具体过程为:
步骤102-1-1),选用像素中心的一个二值特征描述算子作为比较对象,具体为:
采用如下的二进制描述算子间的相关性系数计算公式得到相关性系数最低的随机点对,将随机点对作为关键点:
其中,X,Y为测量相关性的两个向量,n为向量的维数,Xi为向量的元素;i 为向量维数的索引号;
建立关键点的测试矩阵T,将测试矩阵T中的每个特征点与其邻域的像素组合方式的数量为M:
M=((l-t+1)2)2
其中,l为定义的关键点的邻域宽度,t为替代特征点和邻域像素点的邻域块的宽度;
步骤102-1-2),对于测试集矩阵T的列向量计算均值,并重新排序,按照设定的第四阈值选取若干个相关性系数最低的特征点;
步骤102-1-3),对两帧图像中的经过步骤101-1-2)筛选后的特征点进行匹配操作,其中应当将筛选距离比例满足要求并且一一映射的特征点进行匹配。
上述步骤102-1-1)进一步包含:
首先,获取特征点p的主方向,具体为:
通过矩计算得到特征点p主方向,表示如下:
其中,x轴的方向分量y轴的方向分量为0阶矩,M0t,M10为1阶矩,矩函数表示为:
其中,x和y为特征点p在图像上的像素坐标,k和l为矩的阶数;
其次,提取二进制特征描述算子,具体为:
采用优化的多尺度拓扑结构作为特征点p的二进制特征描述算子,所述的优化的多尺度拓扑结构为:若干个面积不同且有重叠的圆,且距离中心的特征点p越近的采样点的采样半径越小,反之距离特征点p越远的采样点采样半径越大;
所述二进制特征描述子表示如下:
其中,pa为采样点和特征点p组成的点对,N表示期望的二进制编码长度;
其中,为采样点对pa中前一个采样点的像素值,为采样点对pa中后一个采样点的像素值。
此外,本发明还提供了一种基于图像动态特征跟踪的车辆外廓尺寸测量系统,所述系统包含:采集模块,用于采集图像信息,获取车辆检测过程的图像;特征点提取模块,用于基于车辆检测过程的图像获取相邻帧图像的特征点;处理模块,用于对特征点进行匹配,针对匹配的图像进行拼接,获取车辆整体图像,基于车辆的整体图像计算像素尺寸进而获得车辆实际外廓尺寸。
上述特征点提取模块进一步包含:
第一获取子模块,用于在采集的图像中通过分割车辆前景与背景得到车头和车尾所在图像;以车头车尾图像作为起始帧和结束帧,获取车辆测量中的图像序列;
第二获取子模块,用于对图像帧遍历获得候选特征点,通过判断邻域灰度值与候选特征点灰度值差别满足阈值的像素个数得到特征点。
上述第二获取子模块进一步包含:
候选特征点选取子模块,用于将每一帧图像中的所有元素作为候选特征点;
特征点选择子模块,用于根据候选特征点进一步选择特征点,选择的具体原则为:设定第一阈值与第二阈值,当任意一个候选特征点p周围邻域的一圈像素点的数量大于第一阈值且候选特征点p周围邻域的一圈像素点与候选特征点p的灰度值的差别大于第二阈值时,则选取该候选特征点p作为特征点,用公式表示为:
其中,I(x)为候选特征点p的邻域圆周上任意一点的灰度,I(p)为候选节点p点的灰度,εd为设定的第二差阈值;如果N大于设定的第一阈值,则候选节点p点为一个特征点。
上述处理模块进一步包含:
匹配处理子模块,用于筛选特征点进行匹配,再对匹配结果进行如下判断:
1)对成功匹配的特征点进行进一步判断,删除背景中错误匹配的特征点和与车辆运动方向偏差较大的特征点;
2)相邻两帧图像满足判断标准的特征点进行均值计算,获取亚像素精度的匹配均值;
拼接子模块,用于将匹配处理子模块中得到的相邻两帧图像的匹配均值即为两帧图像的相对拼接坐标;
计算处理子模块,用于将相对拼接坐标之和作为车辆的像素尺寸;根据像素尺寸和实际尺寸的比例值,获得车辆的真实尺寸。
总之,本发明通过对图像快速采集结果中随机动态特征识别,实现对车辆运动状态的分析,并得出车辆运动过程中的瞬时速度,同时根据车辆运动时间与车体全长之间的关系,实现车辆瞬时速度在时域的积分,从而得出车辆的有效长度,通过本算法消除车辆检测过程中的光线、车速等外界因素干扰,同时比传统的图像拼接算法具有更高的效率和准确率,从而提高车辆检测过程的准确率。
本发明为针对传统车辆外廓检测装置的优化与改进,目标是为了消除环境干扰、人为操作干扰等方面的影响,通过本算法的验证,可以有效提高车辆图像的拼接效率,同时剔除干扰图像的影响,并消除非匀速运动产生的误差,从检测的效率和准确率方面都有了很大的改进。
附图说明
图1为图像动态特征跟踪方法实施例的示意图;
图2是本发明提供的基于图像动态特征跟踪的车辆外廓尺寸测量方法的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步详细介绍。
本发明提供一种基于图像动态特征跟踪的车辆外廓尺寸测量方法,所述方法包含:步骤100)采集图像信息,获取车辆检测过程的图像;步骤101)基于车辆检测过程的图像获取相邻帧图像的特征点;步骤102)对特征点进行匹配,针对匹配的图像进行拼接,获取车辆整体图像,基于车辆的整体图像计算像素尺寸进而获得车辆实际外廓尺寸。
可选的,上述步骤101)具体包含:步骤101-1)在采集的图像中通过分割车辆前景与背景得到车头和车尾所在图像;以车头和车尾图像分别作为起始帧和结束帧,进而获取车辆测量中的图像序列;步骤101-2)对图像帧遍历获得候选特征点,通过判断邻域灰度值与候选特征点灰度值的差别进而得到特征点。
上述步骤101-2)具体为:
首先,将每一帧图像中的所有元素作为候选特征点;然后,根据候选特征点进一步选择特征点,选择的具体原则为:设定第一阈值与第二阈值,当任意一个候选特征点p周围邻域的一圈像素点的数量大于第一阈值且候选特征点p周围邻域的一圈像素点与候选特征点p的灰度值的差别大于第二阈值时,则选取该候选特征点p 作为特征点,用公式表示为:
其中,I(x)为候选特征点p的邻域圆周上任意一点的灰度,I(p)为候选节点p点的灰度,εd为设定的第二差阈值;如果N大于设定的第一阈值,则候选节点p点为一个特征点。
上述步骤102)具体包含:
步骤102-1)筛选特征点进行匹配,再对匹配结果进行如下判断:
1)对成功匹配的特征点进行进一步判断,删除背景中错误匹配的特征点和与车辆运动方向偏差大于设定的第三阈值的特征点;
2)将相邻两帧图像中满足步骤1)的判断标准的特征点进行均值计算,获取亚像素精度的匹配均值;
步骤102-2)将步骤102-1)中得到的相邻两帧图像的匹配均值作为两帧图像的相对拼接坐标;
步骤102-3)将相对拼接坐标之和作为车辆的像素尺寸;根据像素尺寸和实际尺寸的比例值,获得车辆的真实尺寸。
上述步骤102-1)具体为:
将找到的特征点采用筛选二进制特征描述算子进行匹配,且匹配的具体过程为:
步骤102-1-1),选用像素中心的一个二值特征描述算子作为比较对象,具体为:
采用如下的二进制描述算子间的相关性系数计算公式得到相关性系数最低的随机点对,将随机点对作为关键点:
其中,X,Y为测量相关性的两个向量,n为向量的维数,Xi为向量的元素;i 为向量维数的索引号;
建立关键点的测试矩阵T,将测试矩阵T中的每个特征点与其邻域的像素组合方式的数量为M:
M=((l-t+1)2)2
其中,l为定义的关键点的邻域宽度,t为替代特征点和邻域像素点的邻域块的宽度;
步骤102-1-2),对于测试集矩阵T的列向量计算均值,并重新排序,按照设定的第四阈值选取若干个相关性系数最低的特征点;
步骤102-1-3),对两帧图像中的经过步骤101-1-2)筛选后的特征点进行匹配操作,其中应当将筛选距离比例满足要求并且一一映射的特征点进行匹配。
上述步骤102-1-1)进一步包含:
首先,获取特征点p的主方向,具体为:
通过矩计算得到特征点p主方向,表示如下:
其中,x轴的方向分量y轴的方向分量为0阶矩,M01,M10为1阶矩,矩函数表示为:
其中,x和y为特征点p在图像上的像素坐标,k和l为矩的阶数;
其次,提取二进制特征描述算子,具体为:
采用优化的多尺度拓扑结构作为特征点p的二进制特征描述算子,所述的优化的多尺度拓扑结构为:若干个面积不同且有重叠的圆,且距离中心的特征点p越近的采样点的采样半径越小,反之距离特征点p越远的采样点采样半径越大;
所述二进制特征描述子表示如下:
其中,pa为采样点和特征点p组成的点对,N表示期望的二进制编码长度;
其中,为采样点对pa中前一个采样点的像素值,为采样点对pa中后一个采样点的像素值。
此外,本发明还提供了一种基于图像动态特征跟踪的车辆外廓尺寸测量系统,所述系统包含:采集模块,用于采集图像信息,获取车辆检测过程的图像;特征点提取模块,用于基于车辆检测过程的图像获取相邻帧图像的特征点;处理模块,用于对特征点进行匹配,针对匹配的图像进行拼接,获取车辆整体图像,基于车辆的整体图像计算像素尺寸进而获得车辆实际外廓尺寸。
上述特征点提取模块进一步包含:
第一获取子模块,用于在采集的图像中通过分割车辆前景与背景得到车头和车尾所在图像;以车头车尾图像作为起始帧和结束帧,获取车辆测量中的图像序列;
第二获取子模块,用于对图像帧遍历获得候选特征点,通过判断邻域灰度值与候选特征点灰度值差别满足阈值的像素个数得到特征点。
上述第二获取子模块进一步包含:
候选特征点选取子模块,用于将每一帧图像中的所有元素作为候选特征点;
特征点选择子模块,用于根据候选特征点进一步选择特征点,选择的具体原则为:设定第一阈值与第二阈值,当任意一个候选特征点p周围邻域的一圈像素点的数量大于第一阈值且候选特征点p周围邻域的一圈像素点与候选特征点p的灰度值的差别大于第二阈值时,则选取该候选特征点p作为特征点,用公式表示为:
其中,I(x)为候选特征点p的邻域圆周上任意一点的灰度,I(p)为候选节点p点的灰度,εd为设定的第二差阈值;如果N大于设定的第一阈值,则候选节点p点为一个特征点。
上述处理模块进一步包含:
匹配处理子模块,用于筛选特征点进行匹配,再对匹配结果进行如下判断:
1)对成功匹配的特征点进行进一步判断,删除背景中错误匹配的特征点和与车辆运动方向偏差较大的特征点;
2)相邻两帧图像满足判断标准的特征点进行均值计算,获取亚像素精度的匹配均值;
拼接子模块,用于将匹配处理子模块中得到的相邻两帧图像的匹配均值即为两帧图像的相对拼接坐标;
计算处理子模块,用于将相对拼接坐标之和作为车辆的像素尺寸;根据像素尺寸和实际尺寸的比例值,获得车辆的真实尺寸。
实施例
本发明主要针对动态运行的车辆图像序列进行特征分析与处理,以实现车辆在通过检测装置之后的图像拼接。本算法通过对图像中随机特征的提取与定位,实现目标点的定位,为了实现图像处理的精度,可以设置多个动态特征,并进行维护,通过相邻图像间图像特征的差异匹配与分析,获取两个状态之间车辆的运行位移和速度,通过对车辆通过全过程的特征跟踪与分析,获取车辆完成的运动状态信息,然后通过空间坐标关系计算出车辆外廓尺寸。本算法的实现主要分为两个阶段:
1)动态特征识别与跟踪
对于车辆图像的样本,需要结合图像的灰度信息、特征区域信息,动态确定目标特征,为提高检测精度,需要在车辆运动方向的维度进行多个特征的选取与定位,随着车辆的运动,部分特征会随之消失,系统会根据特征的识别结果实时选取新特征,以保证系统检测过程的延续性,通过多特征的定位与匹配,可以有效获取车辆运动状态信息,为车辆外廓尺寸的测量提供数据基础。同时本方法可以消除灯光、拖影等因素的影响。
图像特征的识别与匹配采用灰度分析与形状特征分析相结合的方法,通过灰度区域分析进行目标定位,同时以形状特征作为二次验证与确认,可以提高图像特征分析过程在光照、目标角度等方面的适应性。
2)图像序列特征差异分析
图像采集设备采用固定频率对动态通过的车辆进行拍照,在图像特征定位之后,相邻图像样本间的特征差异会成为车辆尺寸计算的数据基础,如在前后两帧图像中,某特征的相对位置发生了微小的变化,则通过像素间差异和间隔时间,可以获取车辆运动的位移。本算法可以消除车辆运行速度的影响,如非匀速通过的车辆也可以准确获取其瞬时速度,并在其有效通过时域内进行积分计算,从而得出车辆的实际尺寸。
在帧n中,特征1的定位点像素与帧“n+1”中的定位点像素之间的差异为x,两帧之间的间隔时间为t,则通过时间与像素差可以获取车辆在本时间段的运动差异,同时通过图像特征的定位与分析,可以对车辆运行状态和位移进行验证,以保证过程计算的准确性。
图1为图像动态特征跟踪方法实施例的流程图。
图2为本发明提供的基于图像动态特征跟踪的车辆外廓尺寸测量方法的流程示意图,该方法具备包含如下步骤:
步骤一:获取车辆图像序列
1)获取车辆测量的视频图像,通过分割车辆前景与背景得到车头、车尾所在图像。
2)以车头车尾图像作为起始帧和结束帧,获取车辆测量中的图像序列。
步骤二:获取相邻帧图像特征点
对图像帧遍历获得候选特征点,通过判断邻域灰度值与候选特征点灰度值差别满足阈值的像素个数得到特征点
步骤三:筛选特征点进行匹配
1)对于图像帧中的大量的二值特征描述算子,本算法采用贪婪穷举法得到相关性较低的随机点对,可以得到300k*M的元素均为0或1的矩阵。对于该矩阵的列向量计算均值,并重新排序,按照给定的阈值选取一定数量的相关性最小的特征点。
2)对两帧图像的点进行匹配,筛选距离比例满足要求并且一一映射的特征点进行匹配。
步骤四:对匹配进行判断
1)对成功匹配的特征点进行进一步判断,删除背景中错误匹配的特征点和与车辆运动方向偏差较大的特征点。
2)相邻两帧图像满足判断标准的特征点进行均值计算,获取亚像素精度的匹配均值步骤五:得到拼接坐标
上一步骤中相邻两帧图像的匹配均值即为两帧图像的相对拼接坐标
步骤六:获取车辆外廓尺寸。
1)步骤一中的图像序列中每一组相邻帧间的相对拼接坐标之和即为车辆的像素尺寸
2)根据标定的像素尺寸和实际尺寸的比例值,可以获得车辆的真实尺寸。
图2中的其他组坐标为其他相邻帧图像匹配获得的坐标,两两拼接获得整体拼接图像),图2中所述模板匹配为:传统的灰度拼接方法,绝对误差和方法。
最后所应说明的是,以上实施例仅用以说明本发明的技术方案而非限制。尽管参照实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,对本发明的技术方案进行修改或者等同替换,都不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于图像动态特征跟踪的车辆外廓尺寸测量方法,所述方法包含:
步骤100)采集图像信息,获取车辆检测过程的图像;
步骤101)基于车辆检测过程的图像获取相邻帧图像的特征点;
步骤102)对特征点进行匹配,针对匹配的图像进行拼接,获取车辆整体图像,基于车辆的整体图像计算像素尺寸进而获得车辆实际外廓尺寸;
所述步骤102)具体包含:
步骤102-1)筛选特征点进行匹配,再对匹配结果进行如下判断:
1)对成功匹配的特征点进行进一步判断,删除背景中错误匹配的特征点和与车辆运动方向偏差大于设定的第三阈值的特征点;
2)将相邻两帧图像中满足步骤1)的判断标准的特征点进行均值计算,获取亚像素精度的匹配均值;
步骤102-2)将步骤102-1)中得到的相邻两帧图像的匹配均值作为两帧图像的相对拼接坐标;
步骤102-3)将相对拼接坐标之和作为车辆的像素尺寸;根据像素尺寸和实际尺寸的比例值,获得车辆的真实尺寸。
2.根据权利要求1所述的基于图像动态特征跟踪的车辆外廓尺寸测量方法,其特征在于,所述步骤101)具体包含:步骤101-1)在采集的图像中通过分割车辆前景与背景得到车头和车尾所在图像;
以车头和车尾图像分别作为起始帧和结束帧,进而获取车辆测量中的图像序列;
步骤101-2)对图像帧遍历获得候选特征点,通过判断邻域灰度值与候选特征点灰度值的差别进而得到特征点。
3.根据权利要求2所述的基于图像动态特征跟踪的车辆外廓尺寸测量方法,其特征在于,所述步骤101-2)具体为:
首先,将每一帧图像中的所有元素作为候选特征点;
然后,根据候选特征点进一步选择特征点,选择的具体原则为:设定第一阈值与第二阈值,当任意一个候选特征点p周围邻域的一圈像素点的数量大于第一阈值且候选特征点p周围邻域的一圈像素点与候选特征点p的灰度值的差别大于第二阈值时,则选取该候选特征点p作为特征点。
4.根据权利要求1所述的基于图像动态特征跟踪的车辆外廓尺寸测量方法,其特征在于,所述步骤102-1)具体为:
将找到的特征点采用筛选二进制特征描述算子进行匹配,且匹配的具体过程为:
步骤102-1-1),选用像素中心的一个二值特征描述算子作为比较对象,具体为:
采用如下的二进制描述算子间的相关性系数计算公式得到相关性系数最低的随机点对,将随机点对作为关键点:
其中,X,Y为测量相关性的两个向量,n为向量的维数,Xi,Yi为两个向量的元素;i为向量维数的索引号;
建立关键点的测试矩阵T,将测试矩阵T中的每个特征点与其邻域的像素组合方式的数量为M:
M=((l-t+1)2)2
其中,l为定义的关键点的邻域宽度,t为替代特征点和邻域像素点的邻域块的宽度;
步骤102-1-2),对于测试集矩阵T的列向量计算均值,并重新排序,按照设定的第四阈值选取若干个相关性系数最低的特征点;
步骤102-1-3),对两帧图像中的经过步骤102-1-2)筛选后的特征点进行匹配操作,其中应当将距离比例满足要求并且一一映射的特征点进行匹配。
5.根据权利要求4所述的基于图像动态特征跟踪的车辆外廓尺寸测量方法,其特征在于,所述步骤102-1-1)进一步包含:
首先,获取特征点p的主方向,具体为:
通过矩计算得到特征点p主方向,表示如下:
其中,x轴的方向分量y轴的方向分量M00为0阶矩,M01,M10为1阶矩,矩函数表示为:
其中,x和y为特征点p在图像上的像素坐标,k和l为矩的阶数;
其次,提取二进制特征描述算子,具体为:
采用优化的多尺度拓扑结构作为特征点p的二进制特征描述算子,所述的优化的多尺度拓扑结构为:若干个面积不同且有重叠的圆,且距离中心的特征点p越近的采样点的采样半径越小,反之距离特征点p越远的采样点采样半径越大;
所述二进制特征描述子表示如下:
其中,pa为采样点和特征点p组成的点对,N表示期望的二进制编码长度;
其中,为采样点对pa中前一个采样点的像素值,为采样点对pa中后一个采样点的像素值。
6.一种基于图像动态特征跟踪的车辆外廓尺寸测量系统,其特征在于,所述系统包含:
采集模块,用于采集图像信息,获取车辆检测过程的图像;
特征点提取模块,用于基于车辆检测过程的图像获取相邻帧图像的特征点;
处理模块,用于对特征点进行匹配,针对匹配的图像进行拼接,获取车辆整体图像,基于车辆的整体图像计算像素尺寸进而获得车辆实际外廓尺寸;
所述处理模块进一步包含:
匹配处理子模块,用于筛选特征点进行匹配,再对匹配结果进行如下判断:
1)对成功匹配的特征点进行进一步判断,删除背景中错误匹配的特征点和与车辆运动方向偏差较大的特征点;
2)相邻两帧图像满足判断标准的特征点进行均值计算,获取亚像素精度的匹配均值;
拼接子模块,用于将匹配处理子模块中得到的相邻两帧图像的匹配均值即为两帧图像的相对拼接坐标;
计算处理子模块,用于将相对拼接坐标之和作为车辆的像素尺寸;根据像素尺寸和实际尺寸的比例值,获得车辆的真实尺寸。
7.根据权利要求6所述的基于图像动态特征跟踪的车辆外廓尺寸测量系统,其特征在于,所述特征点提取模块进一步包含:
第一获取子模块,用于在采集的图像中通过分割车辆前景与背景得到车头和车尾所在图像;以车头车尾图像作为起始帧和结束帧,获取车辆测量中的图像序列;
第二获取子模块,用于对图像帧遍历获得候选特征点,通过判断邻域灰度值与候选特征点灰度值差别满足阈值的像素个数得到特征点。
8.根据权利要求7所述的基于图像动态特征跟踪的车辆外廓尺寸测量系统,其特征在于,所述第二获取子模块进一步包含:
候选特征点选取子模块,用于将每一帧图像中的所有元素作为候选特征点;
特征点选择子模块,用于根据候选特征点进一步选择特征点,选择的具体原则为:设定第一阈值与第二阈值,当任意一个候选特征点p周围邻域的一圈像素点的数量大于第一阈值且候选特征点p周围邻域的一圈像素点与候选特征点p的灰度值的差别大于第二阈值时,则选取该候选特征点p作为特征点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510991226.7A CN105654507B (zh) | 2015-12-24 | 2015-12-24 | 一种基于图像动态特征跟踪的车辆外廓尺寸测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510991226.7A CN105654507B (zh) | 2015-12-24 | 2015-12-24 | 一种基于图像动态特征跟踪的车辆外廓尺寸测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105654507A CN105654507A (zh) | 2016-06-08 |
CN105654507B true CN105654507B (zh) | 2018-10-02 |
Family
ID=56476743
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510991226.7A Active CN105654507B (zh) | 2015-12-24 | 2015-12-24 | 一种基于图像动态特征跟踪的车辆外廓尺寸测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105654507B (zh) |
Families Citing this family (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106778541B (zh) * | 2016-11-28 | 2019-08-13 | 华中科技大学 | 一种基于视觉的多层梁中外梁孔的识别与定位方法 |
CN107292929A (zh) * | 2017-05-08 | 2017-10-24 | 深圳市唯内德软件开发有限公司 | 低功耗特征点图像定位方法及装置 |
CN108550143A (zh) * | 2018-04-03 | 2018-09-18 | 长安大学 | 一种基于rgb-d相机的车辆长宽高尺寸的测量方法 |
CN109191502B (zh) * | 2018-08-14 | 2021-08-24 | 南京工业大学 | 一种自动识别弹壳痕迹的方法 |
CN110021045A (zh) * | 2019-04-17 | 2019-07-16 | 桂林理工大学 | 设备定位方法、装置、定位系统及电子设备 |
CN110349174B (zh) * | 2019-06-28 | 2023-04-25 | 佛山科学技术学院 | 一种滑轨多参数测量方法以及测量装置 |
CN110287936B (zh) * | 2019-07-02 | 2021-08-10 | 北京字节跳动网络技术有限公司 | 图像检测方法、装置、设备及存储介质 |
CN110332895B (zh) * | 2019-07-11 | 2021-07-02 | 广东工业大学 | 一种长方体包裹长宽信息检测的方法、系统及设备 |
CN111798466A (zh) * | 2020-07-01 | 2020-10-20 | 中国海洋石油集团有限公司 | 基于视觉定位的钻井支持平台动能实时测量方法和系统 |
CN111862623A (zh) * | 2020-07-27 | 2020-10-30 | 上海福赛特智能科技有限公司 | 一种车辆侧面图拼接装置和方法 |
CN112162107A (zh) * | 2020-10-10 | 2021-01-01 | 广西信路威科技发展有限公司 | 一种基于拼接图像的车辆行驶速度测量方法及系统 |
CN113076883B (zh) * | 2021-04-08 | 2022-05-06 | 西南石油大学 | 一种基于图像特征识别的井喷气体流速测量方法 |
CN113065531B (zh) * | 2021-05-13 | 2024-05-14 | 上海海事大学 | 一种面向高速公路服务区三维拼接视频的车辆识别方法 |
CN113838089B (zh) * | 2021-09-20 | 2023-12-15 | 哈尔滨工程大学 | 一种基于特征匹配算法的气泡轨迹跟踪方法 |
CN115578441B (zh) * | 2022-08-30 | 2023-07-28 | 感知信息科技(浙江)有限责任公司 | 基于深度学习的车辆侧面图像拼接和车辆尺寸测量方法 |
CN116639067A (zh) * | 2022-12-29 | 2023-08-25 | 摩斯智联科技有限公司 | 车辆清洗智能判断系统 |
CN117372967B (zh) * | 2023-12-06 | 2024-03-26 | 广东申创光电科技有限公司 | 基于物联网智慧路灯的远程监控方法、装置、设备及介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202204485U (zh) * | 2011-08-09 | 2012-04-25 | 何晓昀 | 一种车辆轮廓尺寸参数全自动测量系统 |
CN103453836A (zh) * | 2013-09-03 | 2013-12-18 | 天津大学 | 基于机器视觉及激光光幕车辆外轮廓尺寸测量系统与方法 |
CN104236478A (zh) * | 2014-09-19 | 2014-12-24 | 山东交通学院 | 一种基于视觉的车辆外廓尺寸自动测量系统及方法 |
CN104567700A (zh) * | 2014-12-24 | 2015-04-29 | 北京航天测控技术有限公司 | 一种车辆尺寸的在线测量装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR100459476B1 (ko) * | 2002-04-04 | 2004-12-03 | 엘지산전 주식회사 | 차량의 대기 길이 측정 장치 및 방법 |
-
2015
- 2015-12-24 CN CN201510991226.7A patent/CN105654507B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN202204485U (zh) * | 2011-08-09 | 2012-04-25 | 何晓昀 | 一种车辆轮廓尺寸参数全自动测量系统 |
CN103453836A (zh) * | 2013-09-03 | 2013-12-18 | 天津大学 | 基于机器视觉及激光光幕车辆外轮廓尺寸测量系统与方法 |
CN104236478A (zh) * | 2014-09-19 | 2014-12-24 | 山东交通学院 | 一种基于视觉的车辆外廓尺寸自动测量系统及方法 |
CN104567700A (zh) * | 2014-12-24 | 2015-04-29 | 北京航天测控技术有限公司 | 一种车辆尺寸的在线测量装置 |
Also Published As
Publication number | Publication date |
---|---|
CN105654507A (zh) | 2016-06-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105654507B (zh) | 一种基于图像动态特征跟踪的车辆外廓尺寸测量方法 | |
CN103345755B (zh) | 一种基于Harris算子的棋盘格角点亚像素提取方法 | |
CN110163889A (zh) | 目标跟踪方法、目标跟踪装置、目标跟踪设备 | |
CN106651942A (zh) | 基于特征点的三维旋转运动检测与旋转轴定位方法 | |
CN104599286B (zh) | 一种基于光流的特征跟踪方法及装置 | |
CN101383899A (zh) | 一种空基平台悬停视频稳像方法 | |
CN107532885A (zh) | 光图案中的强度变化用于体积中的物体的深度绘制 | |
CN101826157B (zh) | 一种地面静止目标实时识别跟踪方法 | |
CN112798811B (zh) | 速度测量方法、装置和设备 | |
CN102722886A (zh) | 一种基于三维标定和特征点匹配的视频测速方法 | |
CN106489062B (zh) | 用于测量移动平台的位移的系统和方法 | |
CN107589069B (zh) | 一种物体碰撞恢复系数的非接触式测量方法 | |
CN108960115A (zh) | 基于角点的多方向文本检测方法 | |
CN112001973B (zh) | 基于数字散斑相关的快速三维人头测量方法 | |
CN108305277A (zh) | 一种基于直线段的异源图像匹配方法 | |
CN103136760B (zh) | 一种基于fast与daisy的多传感器图像匹配方法 | |
CN111507204A (zh) | 倒计时信号灯的检测方法、装置、电子设备及存储介质 | |
CN109060290A (zh) | 基于视频和亚像素技术对风洞密度场进行测量的方法 | |
CN109974618A (zh) | 多传感器视觉测量系统的全局标定方法 | |
CN106529548A (zh) | 亚像素级的多尺度Harris角点检测算法 | |
Meng et al. | Defocused calibration for large field-of-view binocular cameras | |
Wang et al. | Accurate detection and localization of curved checkerboard-like marker based on quadratic form | |
CN111582270A (zh) | 基于高精度的桥梁区域视觉靶标特征点的识别追踪方法 | |
CN114663473A (zh) | 基于多视角信息融合的人员目标定位与追踪方法及系统 | |
JP2007127478A (ja) | 追跡対象物速度検出装置および追跡対象物速度検出方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |