CN107369162A - 一种绝缘子候选目标区域的生成方法及系统 - Google Patents
一种绝缘子候选目标区域的生成方法及系统 Download PDFInfo
- Publication number
- CN107369162A CN107369162A CN201710598299.9A CN201710598299A CN107369162A CN 107369162 A CN107369162 A CN 107369162A CN 201710598299 A CN201710598299 A CN 201710598299A CN 107369162 A CN107369162 A CN 107369162A
- Authority
- CN
- China
- Prior art keywords
- curvature
- angle point
- space angle
- image
- scale space
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20112—Image segmentation details
- G06T2207/20164—Salient point detection; Corner detection
Landscapes
- Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种绝缘子候选目标区域的生成方法及系统。该方法包括:获取待检测图像;对所述待检测图像进行预处理,去除干扰信息,得到处理后的第一图像;提取所述第一图像中的图像边缘,得到轮廓曲线;确定所述轮廓曲线的曲率尺度空间角点;确定所述曲率尺度空间角点的位置坐标;根据K‑means聚类法和所述曲率尺度空间角点的位置坐标,确定位于绝缘子上的曲率尺度空间角点,记为目标曲率尺度空间角点;在所述目标曲率尺度空间角点处画封闭图形,得到处理后的第二图像;将所述第二图像输入到Edge Boxes的打分系统中,Edge Boxes的打分系统输出绝缘子的候选目标区域。本发明提供的一种绝缘子候选目标区域的生成方法及系统具有效率高且准确度高的特点。
Description
技术领域
本发明涉及图像处理与分析领域,特别是涉及一种绝缘子候选目标区域的生成方法及系统。
背景技术
保障输电线路的可靠性是智能电网建设的重要内容,而绝缘子是输电线路中极其重要且大量存在的部件,起到电气绝缘及机械支撑作用,同时又是故障多发元件。通过计算机视觉的手段对获取的输电线路巡检图像进行处理,实现图像中绝缘子的自动检测,并在此基础上完成绝缘子的状态监测和故障诊断,对保障输电线路的安全具有重要意义。
在目标检测任务中,分类器复杂性的增加在一定程度上能带来检测效果的提升,但随之而来的计算复杂度的问题亦不容忽视。高质量候选目标区域的生成能很好地解决两者之间的冲突。候选目标区域的生成是目标检测的基础,其在待检测图像中通过一定策略生成一定数量的候选框,能为后续的特征提取、目标检测提供建议,减少检测时间,提高检测质量。
目前较流行、效果较好的目标检测方法,均依赖于候选目标区域的生成来进行目标的检测或定位。Multiple-Scale Sliding Window是最开始被广泛应用的候选目标区域生成方法,该方法需要对图像做不同尺度的缩放,然后用固定大小的滑动窗口以等距步长在整幅图像上滑动,并对每一个滑动窗口做目标检测。由于多尺度滑动窗口法会对整幅图像都做滑动搜索处理,其最大优点就是漏检率低,不会漏掉任何一个目标可能出现的位置,每张图片会生成104~105个候选窗口。但是,巨大的搜索空间和时间消耗,使得检测效率受到很大影响。与Sliding Window的检测策略不同,Selective Search综合了蛮力搜索和图像分割的方法,通过图像分割得到若干原始区域,然后使用基于颜色、纹理、大小等特征的多种合并策略将这些区域合并,得到一个层次化的区域结构,这些结构就包含着可能需要的物体。与传统的单一策略相比,Selective Search提供了多种策略,大幅度降低了搜索空间,得到了更加优异的识别效果。该方法提出至今,被广泛应用于包括R-CNN和Fast R-CNN在内的当今先进的目标检测方法中。但是,利用Selective Search在一幅图像中最终产生2000个左右的候选目标区域,这对于提高后续特征提取的速度仍是一个亟需解决的难题。
Edge Boxes在候选目标区域的研究上另辟蹊径,提出仅利用图像边缘就能实现高精度候选目标区域的快速生成。Edge Boxes利用图像中丰富的边缘信息,确定候选框内的轮廓个数和与候选框边缘重叠的轮廓个数,并基于此对候选框进行评分,根据得分的高低顺序确定目标区域的大小、长宽比、位置等信息。通过该方法能有效降低候选区域的生成数量,并且计算速度和生成精度较Selective Search都有了很大程度的提高(Edge Boxes(边缘框),是一种利用图像边缘来快速生成高精度候选目标区域的方法。Edge Boxes方法认为,如果一个框内有很多被完全包含在内的轮廓,那么目标有很大可能就在这个框中。EdgeBoxes中最关键的部分为Edge Boxes打分系统,它利用图像中丰富的边缘信息,确定候选框内完全包含的轮廓个数和与候选框边缘重叠的轮廓个数,以此做为Edge Boxes打分系统的打分依据。利用原图获得边缘后,框内完全包含的轮廓个数和与候选框边缘重叠的轮廓个数越多,对该框的评分就越高,根据得分的高低输出最终的候选目标区域)。
然而,Edge Boxes方法中对目标形状、大小等参数的假设并不适合于绝缘子目标,在目标区域生成阶段有可能发生目标的遗漏或者产生过多的干扰目标,进而影响后续的特征提取步骤。因此,必须对Edge Boxes进行改进,研究一种更适合绝缘子的候选目标区域生成方法。
发明内容
本发明的目的是提供一种效率高且准确度高的绝缘子候选目标区域的生成方法及系统。
为实现上述目的,本发明提供了如下方案:
一种绝缘子候选目标区域的生成方法,所述方法包括:
获取待检测图像;
对所述待检测图像进行预处理,去除干扰信息,得到处理后的第一图像;
提取所述第一图像中的图像边缘,得到轮廓曲线;
确定所述轮廓曲线的曲率尺度空间角点;
确定所述曲率尺度空间角点的位置坐标;
根据K-means聚类法和所述曲率尺度空间角点的位置坐标,确定位于绝缘子上的曲率尺度空间角点,记为目标曲率尺度空间角点;
在所述目标曲率尺度空间角点处画封闭图形,得到处理后的第二图像;
将所述第二图像输入到Edge Boxes的打分系统中,通过Edge Boxes的打分系统输出绝缘子的候选目标区域。
可选的,所述对所述待检测图像进行预处理,去除干扰信息,得到处理后的第一图像,具体包括:
对所述待检测图像进行灰度化处理和阈值分割处理,得到二值化图像;
对所述二值化图像进行形态学滤波,得到滤波后的图像,所述形态学滤波包括形态学腐蚀运算和形态学膨胀运算;
去除滤波后的图像上面积小于第一设定阈值的区域,得到处理后的第一图像。
可选的,所述确定所述轮廓曲线的曲率尺度空间角点,具体包括:
将所述轮廓曲线由在直角坐标系下的表示形式转换为在尺度σ下以弧长μ为参数的函数形式Γ(μ,σ);
在高尺度σhigh下计算所述轮廓曲线上每一个像素点的曲率;
确定局部曲率最大的像素点,记为候选角点;
判断所述候选角点的曲率是否大于第二设定阈值;
如果是,则将所述候选角点标记为曲率尺度空间角点。
可选的,所述根据K-means聚类法和所述曲率尺度空间角点的位置坐标,确定位于绝缘子上的曲率尺度空间角点,记为目标曲率尺度空间角点,具体包括:
将所述曲率尺度空间角点的位置坐标作为所述K-means聚类法的输入量,将分类数设置为两类,所述K-means聚类法将所述曲率尺度空间角点分为两类,并输出每类所述曲率尺度空间角点的质心位置坐标;
判断在各类曲率尺度空间角点中,横坐标值最小的曲率尺度空间角点和横坐标值最大的曲率尺度空间角点到类内质心的水平距离之差是否小于设定值,或者判断在各类曲率尺度空间角点中,纵坐标值最小的曲率尺度空间角点和纵坐标值最大的曲率尺度空间角点到类内质心的垂直距离之差是否小于设定值;
如果是,则所述类内的所述曲率尺度空间角点为所述绝缘子上的曲率尺度空间角点,记为目标曲率尺度空间角点。
可选的,所述在所述目标曲率尺度空间角点处画封闭图形,得到处理后的第二图像,具体包括:
以所述目标曲率尺度空间角点为圆心,画多个圆,得到处理后的第二图像。
可选的,所述确定所述曲率尺度空间角点的位置坐标,具体包括:
确定所述曲率尺度空间角点在直角坐标系中的位置坐标。
可选的,所述将所述第二图像输入到Edge Boxes的打分系统中,通过Edge Boxes的打分系统输出绝缘子的候选目标区域,具体包括:
将处理后的第二图像做为Edge Boxes打分系统的输入,根据候选框内完全包含的轮廓个数和与候选框重叠的轮廓个数对候选框打分,框内完全包含的轮廓个数和与候选框重叠的轮廓个数越多,对该框的评分就越高,根据得分输出最终的绝缘子候选目标区域。
本发明还提供了一种绝缘子候选目标区域的生成系统,所述系统包括:
待检测图像获取单元,用于获取待检测图像;
预处理单元,用于对所述待检测图像进行预处理,去除干扰信息,得到处理后的第一图像;
边缘提取单元,用于提取所述第一图像中的图像边缘,得到轮廓曲线;
曲率尺度空间角点确定单元,用于确定所述轮廓曲线的曲率尺度空间角点;
位置确定单元,用于确定所述曲率尺度空间角点的位置坐标;
目标曲率尺度空间角点确定单元,用于根据K-means聚类法和所述曲率尺度空间角点的位置坐标,确定位于绝缘子上的曲率尺度空间角点,记为目标曲率尺度空间角点;
处理单元,用于在所述目标曲率尺度空间角点处画封闭图形,得到处理后的第二图像;
候选目标区域生成单元,用于将所述第二图像输入到Edge Boxes的打分系统中,Edge Boxes的打分系统输出绝缘子的候选目标区域。
可选的,所述预处理单元,具体包括:
二值化图像确定子单元,用于对所述待检测图像进行灰度化处理和阈值分割处理,得到二值化图像;
滤波子单元,用于对所述二值化图像进行形态学滤波,得到滤波后的图像,所述形态学滤波包括形态学腐蚀运算和形态学膨胀运算;
面积去除子单元,用于去除滤波后的图像上面积小于设定阈值的区域,得到处理后的第一图像。
可选的,
所述曲率尺度空间角点确定单元,具体包括:
形式转化子单元,用于将所述轮廓曲线由在直角坐标系下的表示形式转换为在尺度σ下以弧长μ为参数的函数形式Γ(μ,σ);
曲率计算子单元,用于在高尺度σhigh下计算所述轮廓曲线上每一个像素点的曲率;
候选角点确定子单元,用于确定局部曲率最大的像素点,记为候选角点;
曲率判断子单元,用于判断所述候选角点的曲率是否大于设定阈值;
曲率尺度空间角点确定子单元,用于当所述候选角点的曲率大于设定阈值时,将所述候选角点标记为曲率尺度空间角点;
所述位置确定单元,具体包括:
位置确定子单元,用于确定所述曲率尺度空间角点在直角坐标系中的位置坐标;
所述目标曲率尺度空间角点确定单元,具体包括:
聚类分析子单元,用于将所述曲率尺度空间角点的位置坐标作为所述K-means聚类法的输入量,将分类数设置为两类,所述K-means聚类法将所述曲率尺度空间角点分为两类,并输出每类所述曲率尺度空间角点的质心位置坐标;
坐标判断子单元,用于判断在各类曲率尺度空间角点中,横坐标值最小的曲率尺度空间角点和横坐标值最大的曲率尺度空间角点到类内质心的水平距离之差是否小于设定值,或者判断在各类曲率尺度空间角点中,纵坐标值最小的曲率尺度空间角点和纵坐标值最大的曲率尺度空间角点到类内质心的垂直距离之差是否小于设定值;
目标曲率尺度空间角点确定子单元,用于当在类内的曲率尺度空间角点中,横坐标值最小的曲率尺度空间角点和横坐标值最大的曲率尺度空间角点到类内质心的水平距离之差小于设定值,或者,纵坐标值最小的曲率尺度空间角点和纵坐标值最大的曲率尺度空间角点到类内质心的垂直距离之差小于设定值时,确定所述类内的所述曲率尺度空间角点为所述绝缘子上的曲率尺度空间角点,记为目标曲率尺度空间角点。
所述处理单元,具体包括:
处理子单元,用于以所述目标曲率尺度空间角点为圆心,画多个圆,得到处理后的第二图像;
所述候选目标区域生成单元,具体包括:
候选目标区域生成子单元,用于将处理后的第二图像做为Edge Boxes打分系统的输入,根据候选框内完全包含的轮廓个数和与候选框重叠的轮廓个数对候选框打分,框内完全包含的轮廓个数和与候选框重叠的轮廓个数越多,对该框的评分就越高,根据得分输出最终的绝缘子候选目标区域。
根据本发明提供的具体实施例,本发明公开了以下技术效果:本发明提供的绝缘子候选目标区域的生成方法及系统,通过提取待检测图像中的轮廓曲线以及轮廓曲线上的曲率尺度空间角点,并采用K-means聚类法确定位于绝缘子上的曲率尺度空间角点,通过在绝缘子上的曲率尺度空间角点处画封闭的图形,增加该区域在Edge Boxes的打分系统中的得分,进而,增加了该区域被选为绝缘子候选目标区域的概率,提高了检测的准确性,同时,本发明提供的绝缘子候选目标区域的生成方法及系统相较于现有技术中绝缘子候选目标区域的生成方法,由于只需对轮廓曲线上的一些点以及边缘信息进行运算处理,具有计算量小、复杂度低的特点。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例绝缘子候选目标区域的生成方法的流程框图;
图2为本发明实施例绝缘子串上的曲率尺度空间角点的提取结果图;
图3为本发明实施例K-means聚类后得到的疑似绝缘子类的结果图;
图4为本发明实施例在绝缘子类上画圆后的结果图;
图5为本发明实施例候选目标区域结果生成图;
图6为本发明实施例绝缘子候选目标区域的生成系统的结构示意图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明的目的是提供一种效率高且准确度高的绝缘子候选目标区域的生成方法及系统。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
图1为本发明实施例绝缘子候选目标区域的生成方法的流程示意图,如图1所示,本发明提供的绝缘子候选目标区域的生成方法的具体步骤如下:
步骤101:获取待检测图像;该待检测图像可以为输电线路巡检图像;
步骤102:对所述待检测图像进行预处理,去除干扰信息,得到处理后的第一图像;
步骤103:提取所述第一图像中的图像边缘,得到轮廓曲线;
步骤104:确定所述轮廓曲线的的曲率尺度空间角点;
步骤105:确定所述曲率尺度空间角点的位置坐标;
步骤106:根据K-means聚类法和所述曲率尺度空间角点的位置坐标,确定位于绝缘子上的曲率尺度空间角点,记为目标曲率尺度空间角点;
步骤107:在所述目标曲率尺度空间角点处画封闭图形,得到处理后的第二图像;
步骤108:将所述第二图像输入到Edge Boxes的打分系统中,Edge Boxes的打分系统输出绝缘子的候选目标区域;Edge Boxes利用图像中丰富的边缘信息,确定候选框内完全包含的轮廓个数和与候选框边缘重叠的轮廓个数,并基于此对候选框进行评分,根据得分的高低顺序确定目标区域的大小、长宽比、位置等信息。通过该方法能有效降低候选区域的生成数量,并且计算速度和生成精度较Selective Search都有了很大程度的提高。
其中,步骤102具体包括:
对所述待检测图像进行灰度化处理和阈值分割处理,得到二值化图像,可以实现前景和背景的分离;
对所述二值化图像进行形态学滤波,得到滤波后的图像,所述形态学滤波包括形态学腐蚀运算和形态学膨胀运算;先对二值化图像进行形态学腐蚀运算,在纤细点处分离物体,去除极小面积的噪声;再进行形态学膨胀运算,填补物体内部空洞,平滑较大物体的边界。两次形态学运算可以去除大部分噪声点,在目标总体面积变化很小的同时,使目标边缘变得平滑;
去除滤波后的图像上面积小于第一设定阈值的区域,得到处理后的第一图像;由于图像在形态学滤波后仍存在的一些残留小区域,采用设定阈值的方法,去除区域面积小于第一设定阈值的区域,可以有效排除杂质目标的干扰。
步骤104具体包括:
将所述轮廓曲线由在直角坐标系下的表示形式转换为在尺度σ下以弧长μ为参数的函数形式Γ(μ,σ);
在高尺度σhigh下计算所述轮廓曲线上每一个像素点的曲率;
确定局部曲率最大的像素点,记为候选角点;
判断所述候选角点的曲率是否大于第二设定阈值;第二阈值依经验设置;
如果是,则将所述候选角点标记为曲率尺度空间角点。获取曲率尺度空间角点在直角坐标系中的坐标,在低尺度σlow下,根据所得曲率尺度空间角点在直角坐标系中的坐标,在原图像中显示出所述曲率尺度空间角点。
通过此方法提取到的曲率尺度空间角点大量、均匀地分布在绝缘子伞盘边缘与连接处,而在其他部件如杆塔、导线、巡检人员处的分布并无明显规律,可以作为区分绝缘子和非绝缘子的重要依据。
步骤105具体包括:
确定所述曲率尺度空间角点在直角坐标系中的位置坐标。
步骤106具体包括:
将所述曲率尺度空间角点的位置坐标(曲率尺度空间角点在直角坐标系中的位置坐标)作为所述K-means聚类法的输入量,将分类数设置为两类,所述K-means聚类法将所述曲率尺度空间角点分为两类,并输出每类所述曲率尺度空间角点的质心位置坐标;
判断在各类曲率尺度空间角点中,横坐标值最小的曲率尺度空间角点和横坐标值最大的曲率尺度空间角点到类内质心的水平距离之差是否小于设定值,或者判断在各类曲率尺度空间角点中,纵坐标值最小的曲率尺度空间角点和纵坐标值最大的曲率尺度空间角点到类内质心的垂直距离之差是否小于设定值;
如果是,则所述类内的所述曲率尺度空间角点为所述绝缘子上的曲率尺度空间角点,记为目标曲率尺度空间角点。
步骤107具体包括:以所述目标曲率尺度空间角点为圆心,画多个圆,得到处理后的第二图像。
步骤108具体包括:
将处理后的第二图像做为Edge Boxes打分系统的输入,根据候选框内完全包含的轮廓个数和与候选框重叠的轮廓个数对候选框打分,框内完全包含的轮廓个数和与候选框重叠的轮廓个数越多,对该框的评分就越高,根据得分输出最终的绝缘子候选目标区域。
本发明提供的绝缘子候选目标区域的生成方法通过提取待测图像中的轮廓曲线以及轮廓曲线上的曲率尺度空间角点,并采用K-means聚类法确定位于绝缘子上的曲率尺度空间角点,通过在绝缘子上的曲率尺度空间角点处画封闭的图形,增加该区域在EdgeBoxes的打分系统中的得分,进而,增加了该区域被选为绝缘子候选目标区域的概率,提高了检测的准确性,同时,本发明提供的绝缘子候选目标区域的生成方法及系统相较于现有技术中绝缘子候选目标区域的生成方法,由于只需对轮廓曲线上的一些点以及边缘信息进行运算处理,具有计算量小、复杂度低的特点。
作为本发明的又一实施例,绝缘子候选目标区域的生成方法如下:
分离前景与背景:对绝缘子巡检图像进行灰度化及阈值分割,原图像变成二值图像,可以实现前景和背景的分离。
形态学滤波:采用形态学滤波方法,先对二值化后的绝缘子图像进行形态学腐蚀运算,在纤细点处分离物体,去除极小面积的噪声;再进行形态学膨胀运算,填补物体内部空洞,平滑较大物体的边界。两次形态学运算可以去除大部分噪声点,在目标总体面积变化很小的同时,使目标边缘变得平滑。
去除冗余小面积:由于图像在形态学滤波后仍存在的一些残留小区域,采用设定阈值的方法,去除区域面积小于设定值的区域,可以有效排除杂质目标的干扰。
提取曲率尺度空间角点(CSS点):提取经过上述处理后的图像中的边缘,生成边缘图像。从边缘图像中提取轮廓曲线,将该轮廓曲线由在直角坐标系下的表示形式转换为在尺度σ下以弧长μ为参数的函数形式Γ(μ,σ)。在高尺度σhigh下计算轮廓曲线上每一个像素点的曲率k(μ,σhigh),找出局部曲率最大值点,记为候选角点。如果某一个候选角点的曲率值大于第一设定阈值,同时该角点曲率值约为相邻局部曲率最小点处的曲率值的2倍,则记该点为曲率尺度空间角点。第一设定阈值的初始值依经验设置,在初始阈值附近多次实验,依据实验结果确定最终阈值。获得曲率尺度空间角点在直角坐标系中的坐标后,在低尺度σlow下,根据所得曲率尺度空间角点在直角坐标系中的坐标,在原图像中显示出所述曲率尺度空间角点。同时,所得曲率尺度空间角点的坐标也将用于后续K-means聚类过程中。
通过此方法提取到的曲率尺度空间点大量、均匀地分布在绝缘子伞盘边缘与连接处,而在其他部件如杆塔、导线、巡检人员处的分布并无明显规律,可以作为区分绝缘子和非绝缘子的重要依据。
K-means聚类分析:采用K-means聚类方法,设置两个输入量:坐标矩阵和聚类数。输入量之一为提取出的曲率尺度空间角点的坐标组成的坐标矩阵;输入量之二为聚类数,设置为2。设置两个输出量:参与聚类的曲率尺度空间角点的类别标号和聚类后两类的质心坐标。输出量之一为曲率尺度空间角点的坐标矩阵经聚类后得到的每一类曲率尺度空间角点的类别标号(类别1或类别2),其个数对应提取出的曲率尺度空间角点的个数;输出量之二为聚类后每一类的质心的坐标(两组坐标值)。获得两类各自质心的坐标后,在每一类中,根据类内每一个曲率尺度空间角点的坐标值,找到横坐标值最小的曲率尺度空间角点和横坐标值最大的曲率尺度空间角点,如果这两个曲率尺度空间角点到类内质心的水平距离(即两两横坐标的差值)近似相等,则认为该类为疑似绝缘子类。采用这一策略可以找出属于绝缘子类目标上的曲率尺度空间点,记为目标曲率尺度空间角点。
在疑似绝缘子类目标上画圆:以按规则确定的分布在疑似绝缘子类目标曲率尺度空间角点为圆心,画若干个小半径的圆,可以增加疑似绝缘子类处的闭合轮廓数,以提高绝缘子处的候选框得分。
打分获得绝缘子候选目标区域:经过上述处理后,将包含若干圆的输电线路巡检图像重新输入到Edge Boxes打分系统中。此时,由于绝缘子处闭合轮廓个数大量增加,可以使包含绝缘子的候选框得分提高,最终输出更多包含绝缘子的候选目标区域,减少目标遗漏和干扰区域的产生。
例如,输入的绝缘子巡检图像经过图像预处理后,提取图像的Canny边缘图像,从所述边缘图像中提取轮廓曲线。在高尺度σhigh=3下计算图像轮廓上每一个像素点的曲率k(μ,σhigh),把局部曲率最大点作为候选角点。如果某一个候选角点的曲率值大于预设阈值K=1.5,并且大约是相邻局部曲率最小点处的曲率值的2倍,则记该点为曲率尺度空间角点。在低尺度σlow=1下,准确定位所述曲率尺度空间角点。曲率尺度空间角点(CSS角点)的提取结果如图2所示。对提取出的曲率尺度空间角点进行K-means聚类,聚类数k=2。在每一类中,找到横坐标最小的点A和横坐标最大的点B,如果这两个点到质心O的水平距离d近似相等,则认为该类为疑似绝缘子类。K-means聚类结果如图3所示。以分布在疑似绝缘子类上的曲率尺度空间点为圆心,取半径r=7画圆。画圆结果如图4所示。接下来,利用基于EdgeBoxes的方法生成绝缘子候选目标区域。图5为本发明实施例候选目标区域结果生成图,如图5所示,其中,图5(a)、(b)是在原图上生成的候选目标区域建议框,图5(c)、(d)是输出的绝缘子候选目标区域。
本发明将绝缘子的先验知识与Edge Boxes相结合。首先对待检测图像进行图像预处理,提取边缘图,然后在边缘图上提取曲率尺度空间点并对其进行K-means聚类,按照规则找到疑似绝缘子类目标,以分布在疑似绝缘子类目标上的曲率尺度空间点为圆心画圆,重新利用Edge Boxes打分,从而获得包含绝缘子的候选目标区域。解决了Edge Boxes方法中生成的候选目标区域不适合绝缘子,目标遗漏多、干扰区域多的问题。
图6为本发明实施例绝缘子候选目标区域的生成系统的结构示意图,如图6所述,本发明提供的绝缘子候选目标区域的生成系统包括:
待检测图像获取单元601,用于获取待检测图像;
预处理单元602,用于对所述待检测图像进行预处理,去除干扰信息,得到处理后的第一图像;
边缘提取单元603,用于提取所述第一图像中的图像边缘,得到轮廓曲线;
曲率尺度空间角点确定单元604,用于确定所述轮廓曲线的曲率尺度空间角点;
位置确定单元605,用于确定所述曲率尺度空间角点的位置坐标;
目标曲率尺度空间角点确定单元606,用于根据K-means聚类法和所述曲率尺度空间角点的位置坐标,确定位于绝缘子上的曲率尺度空间角点,记为目标曲率尺度空间角点;
处理单元607,用于在所述目标曲率尺度空间角点处画封闭图形,得到处理后的第二图像;
候选目标区域生成单元608,用于将所述第二图像输入到Edge Boxes的打分系统中,Edge Boxes的打分系统输出绝缘子的候选目标区域。
其中,所述预处理单元602,具体包括:
二值化图像确定子单元,用于对所述待检测图像进行灰度化处理和阈值分割处理,得到二值化图像;
滤波子单元,用于对所述二值化图像进行形态学滤波,得到滤波后的图像,所述形态学滤波包括形态学腐蚀运算和形态学膨胀运算;
面积去除子单元,用于去除滤波后的图像上面积小于设定阈值的区域,得到处理后的第一图像。
所述曲率尺度空间角点确定单元604,具体包括:
形式转化子单元,用于将所述轮廓曲线由在直角坐标系下的表示形式转换为在尺度σ下以弧长μ为参数的函数形式Γ(μ,σ);
曲率计算子单元,用于在高尺度σhigh下计算所述轮廓曲线上每一个像素点的曲率;
候选角点确定子单元,用于确定局部曲率最大的像素点,记为候选角点;
曲率判断子单元,用于判断所述候选角点的曲率是否大于设定阈值;
曲率尺度空间角点确定子单元,用于当所述候选角点的曲率大于设定阈值时,将所述候选角点标记为曲率尺度空间角点;
所述位置确定单元605,具体包括:
位置确定子单元,用于确定所述曲率尺度空间角点在直角坐标系中的位置坐标。
目标曲率尺度空间角点确定单元606,具体包括:
聚类分析子单元,用于将所述曲率尺度空间角点的位置坐标作为所述K-means聚类法的输入量,将分类数设置为两类,所述K-means聚类法将所述曲率尺度空间角点分为两类,并输出每类所述曲率尺度空间角点的质心位置坐标;
坐标判断子单元,用于判断在各类曲率尺度空间角点中,横坐标值最小的曲率尺度空间角点和横坐标值最大的曲率尺度空间角点到类内质心的水平距离之差是否小于设定值,或者判断在各类曲率尺度空间角点中,纵坐标值最小的曲率尺度空间角点和纵坐标值最大的曲率尺度空间角点到类内质心的垂直距离之差是否小于设定值;
目标曲率尺度空间角点确定子单元,用于当在类内的曲率尺度空间角点中,横坐标值最小的曲率尺度空间角点和横坐标值最大的曲率尺度空间角点到类内质心的水平距离之差小于设定值,或者,纵坐标值最小的曲率尺度空间角点和纵坐标值最大的曲率尺度空间角点到类内质心的垂直距离之差小于设定值时,确定所述类内的所述曲率尺度空间角点为所述绝缘子上的曲率尺度空间角点,记为目标曲率尺度空间角点。
所述处理单元607,具体包括:
处理子单元,用于以所述目标曲率尺度空间角点为圆心,画多个圆,得到处理后的第二图像。
所述候选目标区域生成单元608,具体包括:
候选目标区域生成子单元,用于将处理后的第二图像做为Edge Boxes打分系统的输入,根据候选框内完全包含的轮廓个数和与候选框重叠的轮廓个数对候选框打分,框内完全包含的轮廓个数和与候选框重叠的轮廓个数越多,对该框的评分就越高,根据得分输出最终的绝缘子候选目标区域。
本发明提供的绝缘子候选目标区域的生成系统通过提取待测图像中的轮廓曲线以及轮廓曲线上的曲率尺度空间角点,并采用K-means聚类法确定位于绝缘子上的曲率尺度空间角点,通过在绝缘子上的曲率尺度空间角点处画封闭的图形,增加该区域在EdgeBoxes的打分系统中的得分,进而,增加了该区域被选为绝缘子候选目标区域的概率,提高了检测的准确性,同时,本发明提供的绝缘子候选目标区域的生成方法及系统相较于现有技术中绝缘子候选目标区域的生成方法,由于只需对轮廓曲线上的一些点以及边缘信息进行运算处理,具有计算量小、复杂度低的特点。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (10)
1.一种绝缘子候选目标区域的生成方法,其特征在于,所述方法包括:
获取待检测图像;
对所述待检测图像进行预处理,去除干扰信息,得到处理后的第一图像;
提取所述第一图像中的图像边缘,得到轮廓曲线;
确定所述轮廓曲线的曲率尺度空间角点;
确定所述曲率尺度空间角点的位置坐标;
根据K-means聚类法和所述曲率尺度空间角点的位置坐标,确定位于绝缘子上的曲率尺度空间角点,记为目标曲率尺度空间角点;
在所述目标曲率尺度空间角点处画封闭图形,得到处理后的第二图像;
将所述第二图像输入到Edge Boxes的打分系统中,通过Edge Boxes的打分系统输出绝缘子的候选目标区域。
2.根据权利要求1所述的绝缘子候选目标区域的生成方法,其特征在于,所述对所述待检测图像进行预处理,去除干扰信息,得到处理后的第一图像,具体包括:
对所述待检测图像进行灰度化处理和阈值分割处理,得到二值化图像;
对所述二值化图像进行形态学滤波,得到滤波后的图像,所述形态学滤波包括形态学腐蚀运算和形态学膨胀运算;
去除滤波后的图像上面积小于第一设定阈值的区域,得到处理后的第一图像。
3.根据权利要求1所述的绝缘子候选目标区域的生成方法,其特征在于,所述确定所述轮廓曲线的曲率尺度空间角点,具体包括:
将所述轮廓曲线由在直角坐标系下的表示形式转换为在尺度σ下以弧长μ为参数的函数形式Γ(μ,σ);
在高尺度σhigh下计算所述轮廓曲线上每一个像素点的曲率;
确定局部曲率最大的像素点,记为候选角点;
判断所述候选角点的曲率是否大于第二设定阈值;
如果是,则将所述候选角点标记为曲率尺度空间角点。
4.根据权利要求1所述的绝缘子候选目标区域的生成方法,其特征在于,所述根据K-means聚类法和所述曲率尺度空间角点的位置坐标,确定位于绝缘子上的曲率尺度空间角点,记为目标曲率尺度空间角点,具体包括:
将所述曲率尺度空间角点的位置坐标作为所述K-means聚类法的输入量,将分类数设置为两类,所述K-means聚类法将所述曲率尺度空间角点分为两类,并输出每类所述曲率尺度空间角点的质心位置坐标;
判断在各类曲率尺度空间角点中,横坐标值最小的曲率尺度空间角点和横坐标值最大的曲率尺度空间角点到类内质心的水平距离之差是否小于设定值,或者判断在各类曲率尺度空间角点中,纵坐标值最小的曲率尺度空间角点和纵坐标值最大的曲率尺度空间角点到类内质心的垂直距离之差是否小于设定值;
如果是,则所述类内的所述曲率尺度空间角点为所述绝缘子上的曲率尺度空间角点,记为目标曲率尺度空间角点。
5.根据权利要求1所述的绝缘子候选目标区域的生成方法,其特征在于,所述在所述目标曲率尺度空间角点处画封闭图形,得到处理后的第二图像,具体包括:
以所述目标曲率尺度空间角点为圆心,画多个圆,得到处理后的第二图像。
6.根据权利要求1所述的绝缘子候选目标区域的生成方法,其特征在于,所述确定所述曲率尺度空间角点的位置坐标,具体包括:
确定所述曲率尺度空间角点在直角坐标系中的位置坐标。
7.根据权利要求1所述的绝缘子候选目标区域的生成方法,其特征在于,所述将所述第二图像输入到Edge Boxes的打分系统中,通过Edge Boxes的打分系统输出绝缘子的候选目标区域,具体包括:
将处理后的第二图像做为Edge Boxes打分系统的输入,根据候选框内完全包含的轮廓个数和与候选框重叠的轮廓个数对候选框打分,框内完全包含的轮廓个数和与候选框重叠的轮廓个数越多,对该框的评分就越高,根据得分输出最终的绝缘子候选目标区域。
8.一种绝缘子候选目标区域的生成系统,其特征在于,所述系统包括:
待检测图像获取单元,用于获取待检测图像;
预处理单元,用于对所述待检测图像进行预处理,去除干扰信息,得到处理后的第一图像;
边缘提取单元,用于提取所述第一图像中的图像边缘,得到轮廓曲线;
曲率尺度空间角点确定单元,用于确定所述轮廓曲线的曲率尺度空间角点;
位置确定单元,用于确定所述曲率尺度空间角点的位置坐标;
目标曲率尺度空间角点确定单元,用于根据K-means聚类法和所述曲率尺度空间角点的位置坐标,确定位于绝缘子上的曲率尺度空间角点,记为目标曲率尺度空间角点;
处理单元,用于在所述目标曲率尺度空间角点处画封闭图形,得到处理后的第二图像;
候选目标区域生成单元,用于将所述第二图像输入到Edge Boxes的打分系统中,EdgeBoxes的打分系统输出绝缘子的候选目标区域。
9.根据权利要求8所述的绝缘子候选目标区域的生成系统,其特征在于,所述预处理单元,具体包括:
二值化图像确定子单元,用于对所述待检测图像进行灰度化处理和阈值分割处理,得到二值化图像;
滤波子单元,用于对所述二值化图像进行形态学滤波,得到滤波后的图像,所述形态学滤波包括形态学腐蚀运算和形态学膨胀运算;
面积去除子单元,用于去除滤波后的图像上面积小于设定阈值的区域,得到处理后的第一图像。
10.根据权利要求8所述的绝缘子候选目标区域的生成系统,其特征在于,
所述曲率尺度空间角点确定单元,具体包括:
形式转化子单元,用于将所述轮廓曲线由在直角坐标系下的表示形式转换为在尺度σ下以弧长μ为参数的函数形式Γ(μ,σ);
曲率计算子单元,用于在高尺度σhigh下计算所述轮廓曲线上每一个像素点的曲率;
候选角点确定子单元,用于确定局部曲率最大的像素点,记为候选角点;
曲率判断子单元,用于判断所述候选角点的曲率是否大于设定阈值;
曲率尺度空间角点确定子单元,用于当所述候选角点的曲率大于设定阈值时,将所述候选角点标记为曲率尺度空间角点;
所述位置确定单元,具体包括:
位置确定子单元,用于确定所述曲率尺度空间角点在直角坐标系中的位置坐标;
所述目标曲率尺度空间角点确定单元,具体包括:
聚类分析子单元,用于将所述曲率尺度空间角点的位置坐标作为所述K-means聚类法的输入量,将分类数设置为两类,所述K-means聚类法将所述曲率尺度空间角点分为两类,并输出每类所述曲率尺度空间角点的质心位置坐标;
坐标判断子单元,用于判断在各类曲率尺度空间角点中,横坐标值最小的曲率尺度空间角点和横坐标值最大的曲率尺度空间角点到类内质心的水平距离之差是否小于设定值,或者判断在各类曲率尺度空间角点中,纵坐标值最小的曲率尺度空间角点和纵坐标值最大的曲率尺度空间角点到类内质心的垂直距离之差是否小于设定值;
目标曲率尺度空间角点确定子单元,用于当在类内的曲率尺度空间角点中,横坐标值最小的曲率尺度空间角点和横坐标值最大的曲率尺度空间角点到类内质心的水平距离之差小于设定值,或者,纵坐标值最小的曲率尺度空间角点和纵坐标值最大的曲率尺度空间角点到类内质心的垂直距离之差小于设定值时,确定所述类内的所述曲率尺度空间角点为所述绝缘子上的曲率尺度空间角点,记为目标曲率尺度空间角点。
所述处理单元,具体包括:
处理子单元,用于以所述目标曲率尺度空间角点为圆心,画多个圆,得到处理后的第二图像;
所述候选目标区域生成单元,具体包括:
候选目标区域生成子单元,用于将处理后的第二图像做为Edge Boxes打分系统的输入,根据候选框内完全包含的轮廓个数和与候选框重叠的轮廓个数对候选框打分,框内完全包含的轮廓个数和与候选框重叠的轮廓个数越多,对该框的评分就越高,根据得分输出最终的绝缘子候选目标区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710598299.9A CN107369162B (zh) | 2017-07-21 | 2017-07-21 | 一种绝缘子候选目标区域的生成方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710598299.9A CN107369162B (zh) | 2017-07-21 | 2017-07-21 | 一种绝缘子候选目标区域的生成方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107369162A true CN107369162A (zh) | 2017-11-21 |
CN107369162B CN107369162B (zh) | 2020-07-10 |
Family
ID=60308061
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710598299.9A Active CN107369162B (zh) | 2017-07-21 | 2017-07-21 | 一种绝缘子候选目标区域的生成方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107369162B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492306A (zh) * | 2018-03-07 | 2018-09-04 | 鞍钢集团矿业有限公司 | 一种基于图像轮廓的x型角点提取方法 |
CN109993168A (zh) * | 2019-04-09 | 2019-07-09 | 成都鹏业软件股份有限公司 | 智能巡检方法 |
CN112084419A (zh) * | 2020-07-29 | 2020-12-15 | 浙江工业大学 | 一种基于属性网络嵌入和无参聚类的哔哩哔哩用户社团发现方法 |
CN114333097A (zh) * | 2021-12-16 | 2022-04-12 | 上海海神机器人科技有限公司 | 一种联动式摄像安防警示系统及监控方法 |
Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070045665A1 (en) * | 2005-08-29 | 2007-03-01 | Byung-Jun Park | CMOS image sensor of preventing optical crosstalk and method of manufacturing the same |
US20070200110A1 (en) * | 2005-12-13 | 2007-08-30 | Versatilis Llc | Methods of Making Semiconductor-Based Electronic Devices on a Wire and Articles that can be Made Thereby |
US20090039754A1 (en) * | 2003-12-05 | 2009-02-12 | Zhidan L. Tolt | Low voltage electron source with self aligned gate apertures, fabrication method thereof, and devices using the electron source |
CN102520286A (zh) * | 2011-12-15 | 2012-06-27 | 国网电力科学研究院 | 基于高光谱的复合绝缘子运行状态分类方法 |
CN102565595A (zh) * | 2012-01-29 | 2012-07-11 | 华北电力大学 | 复合绝缘子伞裙老化的判断方法 |
CN102928517A (zh) * | 2012-11-15 | 2013-02-13 | 河北省电力公司电力科学研究院 | 一种基于小波分解阈值去噪的瓷绝缘子振动声学检测数据降噪的方法 |
CN103136531A (zh) * | 2013-03-26 | 2013-06-05 | 华北电力大学(保定) | 一种绝缘子串红外图像自动识别方法 |
CN103488988A (zh) * | 2013-09-06 | 2014-01-01 | 广东电网公司电力科学研究院 | 基于无人机巡线可见光影像的电力设备中绝缘子的提取方法 |
CN105069461A (zh) * | 2015-07-24 | 2015-11-18 | 华北电力大学(保定) | 基于图像特征点共线与等距约束的绝缘子串自动定位方法 |
CN105261011A (zh) * | 2015-09-22 | 2016-01-20 | 武汉大学 | 一种无人机巡检航拍复杂背景影像中绝缘子的提取方法 |
CN105930803A (zh) * | 2016-04-22 | 2016-09-07 | 北京智芯原动科技有限公司 | 一种基于Edge Boxes的前车检测方法及装置 |
CN105976368A (zh) * | 2016-04-28 | 2016-09-28 | 华北电力大学(保定) | 一种绝缘子定位方法 |
CN106056575A (zh) * | 2016-05-05 | 2016-10-26 | 南京大学 | 一种基于似物性推荐算法的图像匹配方法 |
CN106096607A (zh) * | 2016-06-12 | 2016-11-09 | 湘潭大学 | 一种车牌识别方法 |
CN106157323A (zh) * | 2016-08-30 | 2016-11-23 | 西安工程大学 | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 |
CN106780438A (zh) * | 2016-11-11 | 2017-05-31 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
-
2017
- 2017-07-21 CN CN201710598299.9A patent/CN107369162B/zh active Active
Patent Citations (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090039754A1 (en) * | 2003-12-05 | 2009-02-12 | Zhidan L. Tolt | Low voltage electron source with self aligned gate apertures, fabrication method thereof, and devices using the electron source |
US20070045665A1 (en) * | 2005-08-29 | 2007-03-01 | Byung-Jun Park | CMOS image sensor of preventing optical crosstalk and method of manufacturing the same |
US20070200110A1 (en) * | 2005-12-13 | 2007-08-30 | Versatilis Llc | Methods of Making Semiconductor-Based Electronic Devices on a Wire and Articles that can be Made Thereby |
CN102520286A (zh) * | 2011-12-15 | 2012-06-27 | 国网电力科学研究院 | 基于高光谱的复合绝缘子运行状态分类方法 |
CN102565595A (zh) * | 2012-01-29 | 2012-07-11 | 华北电力大学 | 复合绝缘子伞裙老化的判断方法 |
CN102928517A (zh) * | 2012-11-15 | 2013-02-13 | 河北省电力公司电力科学研究院 | 一种基于小波分解阈值去噪的瓷绝缘子振动声学检测数据降噪的方法 |
CN103136531A (zh) * | 2013-03-26 | 2013-06-05 | 华北电力大学(保定) | 一种绝缘子串红外图像自动识别方法 |
CN103488988A (zh) * | 2013-09-06 | 2014-01-01 | 广东电网公司电力科学研究院 | 基于无人机巡线可见光影像的电力设备中绝缘子的提取方法 |
CN105069461A (zh) * | 2015-07-24 | 2015-11-18 | 华北电力大学(保定) | 基于图像特征点共线与等距约束的绝缘子串自动定位方法 |
CN105261011A (zh) * | 2015-09-22 | 2016-01-20 | 武汉大学 | 一种无人机巡检航拍复杂背景影像中绝缘子的提取方法 |
CN105930803A (zh) * | 2016-04-22 | 2016-09-07 | 北京智芯原动科技有限公司 | 一种基于Edge Boxes的前车检测方法及装置 |
CN105976368A (zh) * | 2016-04-28 | 2016-09-28 | 华北电力大学(保定) | 一种绝缘子定位方法 |
CN106056575A (zh) * | 2016-05-05 | 2016-10-26 | 南京大学 | 一种基于似物性推荐算法的图像匹配方法 |
CN106096607A (zh) * | 2016-06-12 | 2016-11-09 | 湘潭大学 | 一种车牌识别方法 |
CN106157323A (zh) * | 2016-08-30 | 2016-11-23 | 西安工程大学 | 一种动态分块阈值和块搜索结合的绝缘子分割提取方法 |
CN106780438A (zh) * | 2016-11-11 | 2017-05-31 | 广东电网有限责任公司清远供电局 | 基于图像处理的绝缘子缺陷检测方法及系统 |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108492306A (zh) * | 2018-03-07 | 2018-09-04 | 鞍钢集团矿业有限公司 | 一种基于图像轮廓的x型角点提取方法 |
CN109993168A (zh) * | 2019-04-09 | 2019-07-09 | 成都鹏业软件股份有限公司 | 智能巡检方法 |
CN112084419A (zh) * | 2020-07-29 | 2020-12-15 | 浙江工业大学 | 一种基于属性网络嵌入和无参聚类的哔哩哔哩用户社团发现方法 |
CN112084419B (zh) * | 2020-07-29 | 2023-07-28 | 浙江工业大学 | 一种基于属性网络嵌入和无参聚类的哔哩哔哩用户社团发现方法 |
CN114333097A (zh) * | 2021-12-16 | 2022-04-12 | 上海海神机器人科技有限公司 | 一种联动式摄像安防警示系统及监控方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107369162B (zh) | 2020-07-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105046197B (zh) | 基于聚类的多模板行人检测方法 | |
CN108121991B (zh) | 一种基于边缘候选区域提取的深度学习舰船目标检测方法 | |
CN108090423B (zh) | 一种基于热力图和关键点回归的深度车牌检测方法 | |
CN109145872B (zh) | 一种基于CFAR与Fast-RCNN融合的SAR图像舰船目标检测方法 | |
CN103824066B (zh) | 一种基于视频流的车牌识别方法 | |
CN107369162A (zh) | 一种绝缘子候选目标区域的生成方法及系统 | |
CN102609686B (zh) | 一种行人检测方法 | |
CN105160317B (zh) | 一种基于区域分块行人性别识别方法 | |
CN109389180A (zh) | 一款基于深度学习的电力设备图像识别方法及巡查机器人 | |
CN105844621A (zh) | 一种印刷品质量检测方法 | |
CN103605953A (zh) | 基于滑窗搜索的车辆兴趣目标检测方法 | |
CN106529532A (zh) | 一种基于积分特征通道与灰度投影的车牌识别系统 | |
CN103310194A (zh) | 视频中基于头顶像素点梯度方向的行人头肩部检测方法 | |
CN103268489A (zh) | 基于滑窗搜索的机动车号牌识别方法 | |
CN104537342B (zh) | 一种结合山脊边界检测及霍夫变换的快速车道线检测方法 | |
CN109086772A (zh) | 一种扭曲粘连字符图片验证码的识别方法及系统 | |
CN103870834A (zh) | 基于分层分割的滑动窗搜索方法 | |
CN107330027A (zh) | 一种弱监督的深度台标检测方法 | |
CN109063630B (zh) | 一种基于可分离卷积技术和帧差补偿策略的快速车辆检测方法 | |
CN109102538A (zh) | 利用等值线数据提取槽脊特征点与槽脊特征线的方法、天气图分析方法 | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 | |
Chen et al. | Effective candidate component extraction for text localization in born-digital images by combining text contours and stroke interior regions | |
CN111597939B (zh) | 一种基于深度学习的高铁线路鸟窝缺陷检测方法 | |
CN102968618A (zh) | 一种融合BoF模型和谱聚类算法的静态手势识别方法 | |
CN106446832B (zh) | 一种基于视频的实时检测行人的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |