CN107403127A - 一种基于图像orb特征的车辆卸货状态监测方法 - Google Patents
一种基于图像orb特征的车辆卸货状态监测方法 Download PDFInfo
- Publication number
- CN107403127A CN107403127A CN201610338472.7A CN201610338472A CN107403127A CN 107403127 A CN107403127 A CN 107403127A CN 201610338472 A CN201610338472 A CN 201610338472A CN 107403127 A CN107403127 A CN 107403127A
- Authority
- CN
- China
- Prior art keywords
- image
- similarity
- orb
- vehicle
- unloading
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 23
- 238000000034 method Methods 0.000 title claims abstract description 22
- 238000005286 illumination Methods 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 125000004122 cyclic group Chemical group 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 4
- 238000009416 shuttering Methods 0.000 claims description 4
- 230000000717 retained effect Effects 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 230000007306 turnover Effects 0.000 claims 1
- 238000011524 similarity measure Methods 0.000 abstract description 5
- 238000000605 extraction Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004925 denaturation Methods 0.000 description 1
- 230000036425 denaturation Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002994 raw material Substances 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
- G06V20/47—Detecting features for summarising video content
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
- Traffic Control Systems (AREA)
Abstract
本发明具体涉及一种基于图像ORB特征的车辆卸货状态监测方法,包括以下步骤:获取当前图像Io并根据卸货标志区域截图,灰度化,得到当前图像I,分别提取当前图像I与目标图像G的ORB特征点来进行特征匹配,利用相似度计算公式计算两幅图像在卸货区域的相似度来判断当前图像Io是否为车辆卸货图片。目标图像G来自不同光照条件下车辆卸货的模板图像集合B,使得当前图像I能够与相似或相同光照条件下的模板图片进行对比,排除了光照变化对相似度计算的干扰;相似度的计算只针对卸货标志区域,排除了卸货标志区域以外的其他区域对相似度计算的干扰,使得对车辆卸货状态的判断快速而准确。
Description
技术领域
本发明属于图像处理技术领域及图像监控领域,具体涉及一种基于图像ORB特征的车辆卸货状态监测方法。
背景技术
银行为企业提供贷款会承担较大的风险,如果贷款者没有还清贷款前就宣告破产,无法从事任何商业经营,导致没有能力继续偿还银行贷款,这样一来银行即使按照合约办事,最终可能也无法拿回经济损失。最终贷款只能长久滞贷。因此为了降低风险,银行需要随时监控掌握企业的经营状况以评估企业的经济能力。正常经营的企业肯定会定期或不定期的采购原材料,原材料采购回来肯定需要进行卸货,那么通过对车辆卸货频率的统计就可从很大程度上反应企业的生产经营状况。
要进行车辆卸货频率的统计,首先需要对车辆卸货状态进行检测,判断出车辆是否正在卸货。现有技术中,对车辆卸货状态的检测要么在现场通过人眼判断,要么就通过观看监控视频来判断,工作人员需要进行大量的重复性劳动,而且不能做到24小时监控,效率低下,人力成本高,视频传输成本高。
ORB算法是Ethan Rublee在ICCV2011上提出的一种用于视觉信息的ORB特征点检测与描述算法。现有技术中为获得ORB特征的尺度不变性需要构建高斯金字塔,然后利用FAST算子对每一层图像进行特征点检测,之后利用BRIEF描述子对特征点进行二值特征描述—n位二进制比特串,由于BRIEF描述子不具有旋转不变性,还需要用通过贪婪穷举算法来提高BRIEF描述子的旋转不变性。现有技术中的ORB算法的计算过程较为复杂,计算速度较慢,不适用于实时性较高的在线场合。
发明内容
本发明的目的是提供一种基于图像ORB特征的车辆卸货状态监测方法,通过图片来检测车辆的卸货状态,实现24小时自动监测,降低人力成本和视频传输成本。
为实现上述发明目的,本发明所采用的技术方案是:一种基于图像ORB特征的车辆卸货状态监测方法,包括以下步骤:
步骤101:获取当前图像Io,图像灰度化,得到当前图像I。
步骤102:提取当前图像I的ORB特征点。
步骤103:计算当前图像I与模板图像集合B中的模板图像的相似度,其中模板图像集合B截取自M天内不同光照条件下车辆正在卸货的场景图片,所述模板图像为灰度化后的场景图片上所截取的卸货标志区域;包括以下步骤:
步骤1031:记模板图像集合B的大小为N,N≥0;设置循环变量F,初始化循环变量F=N;
步骤1032:判断F是否大于0,若否,则结束程序;若是,则进行以下步骤:
步骤1033:获取模板图像集合B中的第F张模板图像作为目标图像G;然后将F值减1;
步骤1034:提取目标图像G的ORB特征点,与当前图像I的ORB特征点进行特征匹配;
步骤1035:分别统计目标图像G的ORB特征点数,以及匹配的特征点数;
步骤1036:计算当前图像I与目标图像G的相似度similarity,相似度计算公式如下:
步骤104:根据相似度进行车辆卸货状态判断:
若相似度similarity>阈值,则判断为相似,表明车辆正在卸货,为当前图像Io设置卸货标识preUnload=1;
若similarity≤阈值,则判断为不相似,表明车辆未在卸货,为当当前图像Io设置卸货标识preUnload=0,并回到步骤1032。
优选的,步骤101中根据卸货标志区域对当前图像Io进行截图后,再进行灰度化,得到当前图像I。
优选的,在步骤103中若当前图像Io的卸货标识preUnload=1,则继续进行如下步骤:
步骤301:检测上一张卸货图像的卸货标识preUnload是否等于1;若否,则将卸货次数加1,结束程序;若是,则进行以下步骤:
步骤302:计算当前图像Io与上一张卸货图像的相似度similarity;
步骤303:根据计算得到的相似度similarity的值进行判断:
若similarity≤阈值,表明当前图像Io与上一张卸货图像不相似,两张图像为不同车辆的卸货图像,将卸货次数加1,结束程序;
若similarity>阈值,表明当前图像Io与上一张卸货图像相似,两张图像均为同一车辆的卸货图像,结束程序。
本发明具有以下有益效果:由于模板图像集合B截取自M天内不同光照条件下车辆正在卸货的场景图片,使得当前图像I能够与相似或相同光照条件下的模板图像进行对比,排除了光照变化对相似度计算的干扰;并且,模板图像是卸货标志所在区域的截图,不仅能够降低提取目标图片G的ORB特征点所需的计算量,而且使得相似度的计算只针对卸货标志区域,排除了卸货标志区域以外的其他区域对相似度计算的干扰,使得对车辆卸货状态的判断快速而准确。当前图像I是根据卸货标志区域对当前图像Io进行截图得到,这样能够减少提取当前图像I的ORB特征点时的计算量,并且能够进一步提高卸货状态判断的准确性。还通过判断卸货标识preUnload=1的当前图像Io与卸货标识preUnload=1的上一张卸货图像是否相似来确认是否为同一辆车的卸货图像,从而能够准确的统计车辆卸货的次数。
附图说明
图1为检测车辆卸货状态的流程图;
图2为进一步检测是否为同一卸货车辆并进行卸货次数统计的流程图;
图3为生成不同光照条件下车辆正在卸货的模板图像集合B的流程图。
具体实施方式
如图1所示的,一种基于图像ORB特征的车辆卸货状态监测方法,包括以下步骤:
步骤101:通过摄像头获取当前图像Io,根据卸货标志区域对当前图像Io进行截图后,再进行灰度化,得到当前图像I,该步骤中由于当前图像I是根据卸货标志区域对当前图像Io进行截图得到,这样能够减少提取当前图像I的ORB特征点时的计算量,并且能够进一步提高卸货状态判断的准确性。不过,由于模板图像是卸货标志区域的截图,即使不对当前图像Io进行截图,依然能够判断出车辆卸货状态,只是计算量较大一些,精确度稍差一些,但是仍然落在本发明的保护范围内。
步骤102:提取当前图像I的ORB特征点。
步骤103:计算当前图像I与模板图像集合B中的模板图像的相似度,其中模板图像集合B截取自M天内不同光照条件下车辆正在卸货的场景图片,所述模板图像为灰度化后的场景图片上所截取的卸货标志区域;包括以下步骤:
步骤1031:记模板图像集合B的大小为N,N≥0;设置循环变量F,初始化循环变量F=N;
步骤1032:判断F是否大于0,若否,则结束程序;若是,则进行以下步骤:
步骤1033:获取模板图像集合B中的第F张模板图像作为目标图像G;然后将F值减1;
步骤1034:提取目标图像G的ORB特征点,与当前图像I的ORB特征点进行特征匹配;
步骤1035:分别统计目标图像G的ORB特征点数,以及匹配的特征点数;
步骤1036:计算当前图像I与目标图像G的相似度similarity,相似度计算公式如下:
步骤104:根据相似度进行车辆卸货状态判断:
若相似度similarity>0.2,则判断为相似,表明车辆正在卸货,为当前图像Io设置卸货标识preUnload=1;
若similarity≤0.2,则判断为不相似,表明车辆未在卸货,为当当前图像Io设置卸货标识preUnload=0,并回到步骤1032。
进一步的,为了能准确统计车辆卸货的次数,还需判断卸货标识preUnload=1的当前图像I与卸货标识preUnload=1的上一张卸货图像是否为同一车辆的卸货图像,如图2所示,步骤如下:
步骤301:检测上一张卸货图像的卸货标识preUnload是否等于1;若否,则将卸货次数加1,结束程序;若是,则进行以下步骤:
步骤302:计算当前图像Io与上一张卸货图像的相似度similarity,该步骤中的相似度similarity是通过分别提取灰度化后整张当前图像Io与灰度化后整张上一张卸货图像的ORB特征点来计算相似度similarity的,由于车辆占据了整张图像的大部分区域,因此可用整张图像的相似度来表征车辆的相似度,省去了截取上一张卸货图像或当前图像Io上车辆所在区域的步骤,使得计算步骤得以简化,计算速度更快;该步骤中可将上一张卸货图像作为目标图像G,再利用相似度计算公式来进行相似度计算:
步骤303:根据计算得到的相似度similarity的值进行判断:
若similarity≤0.2,表明当前图像Io与上一张卸货图像不相似,两张图像为不同车辆的卸货图像,将卸货次数加1,结束程序;
若similarity>0.2,表明当前图像Io与上一张卸货图像相似,两张图像均为同一车辆的卸货图像,结束程序。
通过判断卸货标识preUnload=1的当前图像Io与卸货标识preUnload=1的上一张卸货图像是否相似来确认是否为同一辆车的卸货图像,从而就能避免重复计数,准确的统计出车辆的卸货次数,实现24小时自动监测,大大降低人力成本和视频传输成本。
由于监控车辆卸货的摄像头的角度和距离固定,因此ORB特征的多尺度和旋转不变性对于该监控场景意义不大,为了降低计算量,提高计算速度,则省略了构建多尺度高斯金字塔和旋转不变性的步骤,对步骤1034中ORB特征点的提取进行了改进,步骤如下:
步骤501:分别在当前图像I与目标图像G上预留出上下左右边界的3行/列像素作为像素边界。
步骤502:遍历像素边界所包围区域内的像素点,利用FAST算法进行粗略角点检测,得到角点集合。
步骤503:遍历角点集合:利用得分函数计算每个角点的得分V值;所述得分函数的计算公式如下:
其中,Ip为步骤402中当前遍历像素点的灰度值;t为灰度阈值t=0.2*Ip;
步骤504:遍历角点集合进行非极大值抑制:将当前遍历的角点与其3x3邻域内的角点进行比较,若当前角点的V值是极大值,则将该角点保留在ORB特征点集合中;否则,则舍弃该角点。
步骤505:角点集合遍历完毕,得到ORB特征点集合。
步骤506:利用方差为2,大小为9x9的高斯核分别对当前图像I与目标图像G进行平滑。
步骤507:遍历ORB特征点集合利用BREIF描述子计算每个ORB特征点的n位二值特征描述子;记目标图像G与当前图像I中单个ORB特征点的二值特征描述子分别为d1、d2。
步骤508:根据二值特征描述子计算当前图像I中各个ORB特征点与目标图像G中各个ORB特征点的汉明距离Dd1d2=d1⊕d2。
步骤509:根据汉明距离进行特征点匹配:当满足Dd1d2<64时,判断为匹配。
进一步的,为了提高FAST算法的计算速度,步骤如下:
步骤701:记当前遍历到的像素点为p,其灰度值为Ip,设定灰度阈值t=0.2*Ip。
步骤702:以像素点p为圆心像素,3个像素为半径,作圆形模板,在圆形模板上找到圆周长为16个圆周像素的圆,并按顺时针方向从1到16为圆周像素进行编号。
步骤703:设置角点条件:若圆周上有12个灰度值均比Ip+t要大或者均比Ip-t要小的连续的圆周像素,则圆心像素p为角点。
步骤704:判断编号为1、5、9、13的4个圆周像素中是否存在至少3个圆周像素的灰度值均比Ip+t要大或均比Ip-t要小;若否,则排除圆心像素p为角点;若是则进行以下步骤:
步骤705:根据其余圆周像素的灰度值判断圆心像素p是否满足角点条件,若是,则将圆心像素保存在角点集合中;若否则排除圆心像素p为角点。
进一步的,所述步骤507中单个ORB特征点的二值特征描述子的计算过程如下:
以ORB特征点为中心,取该点的31x31的邻域窗口,在邻域窗口内随机选取两个5x5的子窗口,分别记为x,y;总共选取256对子窗口,利用二值测试公式计算每对子窗口的取值,从而得到该ORB特征点的一个256位的二值特征描述子;二值测试公式如下:
其中,p(x),p(y)分别是子窗口x、y内各像素的灰度值之和。
进一步的,如图3所示:所述不同光照条件下卸货车辆的模板图像集合B是通过以下步骤生成:
步骤1001:设置一个selectedPics集合,初始化其大小m=0。
步骤1002:选取一周内车辆正在卸货的场景图像,灰度化,得到灰度图像集合A,计算灰度直方图,得到大小为n的灰度直方图集合V。
步骤1003:选取灰度直方图集合V中第n张灰度直方图及灰度图像集合A中与其对应的第n张灰度图像,并存储在selectedPics集合中;
步骤1004:设置循环变量f,初始化循环变量f=n。
步骤1005:m值加1,并进行步骤1006。
步骤1006:判断f>0是否成立;若否,结束程序;若是,则进行以下步骤:
步骤1007:设置循环变量I,初始化i=m;设置不相似次数disNum,初始化disNum=0。
步骤1008:判断i>0是否成立;若否,将f值减1,回到步骤1006;若是,则进行以下步骤:
步骤1009:计算灰度直方图集合V中第f张灰度直方图与selectedPics集合中第i张灰度直方图的灰度相似度s;
步骤1010:i值减1;
步骤1011:判断s≥0.6是否成立;若是,将f值减1,回到步骤1006;若否,则进行以下步骤:
步骤1012:disNum值加1;
步骤1013:判断disNum=m是否成立;若否,回到步骤1008;
若是,将灰度直方图集合V中第f张灰度直方图及灰度图像集合A中对应的灰度图像保存在selectedPics集合中;
步骤1014:在selectedPics集合中根据卸货标志区域对第f张灰度图像进行截图,所述卸货标志区域为自动卸车翻版所在区域。
步骤1015:将步骤1014中的截图保存在模板图像集合B中;
步骤1016:将f值减1,并回到步骤1005。
本实施例所提供的方案,能根据当前图像Io快速而准确的检测出车辆的卸货状态和车辆卸货次数统计,并且由于简化了ORB特征点的提取步骤,使得计算速度大大加快,十分适合实时在线监控场合。
以上所述仅为本发明的较佳实施例。凡是在本发明权利要求范围内所做的均等变化与修饰,均应属于本发明权利要求的覆盖范围。
Claims (11)
1.一种基于图像ORB特征的车辆卸货状态监测方法,其特征在于:包括以下步骤:
步骤101:获取当前图像Io,图像灰度化,得到当前图像I;
步骤102:提取当前图像I的ORB特征点;
步骤103:计算当前图像I与模板图像集合B中的模板图像的相似度,其中模板图像集合B截取自M天内不同光照条件下车辆正在卸货的场景图像,所述模板图像为灰度化后的场景图像上所截取的卸货标志区域;包括以下步骤:
步骤1031:记模板图像集合B的大小为N,N≥0;设置循环变量F,初始化循环变量F=N;
步骤1032:判断F是否大于0,若否,则结束程序;若是,则进行以下步骤:
步骤1033:获取模板图像集合B中的第F张模板图像作为目标图像G;然后将F值减1;
步骤1034:提取目标图像G的ORB特征点,与当前图像I的ORB特征点进行特征匹配;
步骤1035:分别统计目标图像G的ORB特征点数,以及匹配的特征点数;
步骤1036:计算当前图像I与目标图像G的相似度similarity,相似度计算公式如下:
步骤104:根据相似度进行车辆卸货状态判断:
若相似度similarity>阈值,则判断为相似,表明车辆正在卸货,为当前图像Io设置卸货标识preUnload=1;
若similarity≤阈值,则判断为不相似,表明车辆未在卸货,为当前图像Io设置卸货标识preUnload=0,并回到步骤1032。
2.一种基于图像ORB特征的车辆卸货状态监测方法,其特征在于:步骤101中根据卸货标志区域对当前图像Io进行截图后,再进行灰度化,得到当前图像I。
3.根据权利要求1所述的基于图像ORB特征的车辆卸货状态监测方法,其特征在于:在步骤103中若当前图像Io的卸货标识preUnload=1,则继续进行如下步骤:
步骤301:检测上一张卸货图像的卸货标识preUnload是否等于1;若否,则将卸货次数加1,结束程序;若是,则进行以下步骤:
步骤302:计算当前图像Io与上一张卸货图像的相似度similarity;
步骤303:根据计算得到的相似度similarity的值进行判断:
若similarity≤阈值,表明当前图像Io与上一张卸货图像不相似,两张图像为不同车辆的卸货图像,将卸货次数加1,结束程序;
若similarity>阈值,表明当前图像Io与上一张卸货图像相似,两张图像均为同一车辆的卸货图像,结束程序。
4.根据权利要求1或3所述的基于图像ORB特征的车辆卸货状态监测方法,其特征在于:所述阈值为0.2。
5.根据权利要求1所述的基于图像ORB特征的车辆卸货状态监测方法,其特征在于:所述步骤1034包括以下步骤:
步骤501:分别在当前图像I与目标图像G上预留出上下左右边界的3行/列像素作为像素边界;
步骤502:遍历像素边界所包围区域内的像素点,利用FAST算法进行粗略角点检测,得到角点集合;
步骤503:遍历角点集合:利用得分函数计算每个角点的得分V值;
步骤504:遍历角点集合进行非极大值抑制:将当前遍历的角点与其3x3邻域内的角点进行比较,若当前角点的V值是极大值,则将该角点保留在ORB特征点集合中;否则,则舍弃该角点;
步骤505:角点集合遍历完毕,得到ORB特征点集合;
步骤506:利用方差为2,大小为9x9的高斯核分别对当前图像I与目标图像G进行平滑;
步骤507:遍历ORB特征点集合利用BREIF描述子计算每个ORB特征点的n位二值特征描述子;记目标图像G与当前图像I中单个ORB特征点的二值特征描述子分别为d1、d2;
步骤508:根据二值特征描述子计算当前图像I中各个ORB特征点与目标图像G中各个ORB特征点的汉明距离Dd1d2=d1⊕d2;
步骤509:根据汉明距离进行特征点匹配:当满足Dd1d2<阈值时,判断为匹配。
6.根据权利要求5所述的基于图像ORB特征的车辆卸货状态监测方法,其特征在于:所述阈值为64。
7.根据权利要求5所述的基于图像ORB特征的车辆卸货状态监测方法,其特征在于:步骤502中FAST算法按如下步骤进行:
步骤701:记当前遍历到的像素点为p,其灰度值为Ip,设定灰度阈值t=0.2*Ip;
步骤702:以像素点p为圆心像素,3个像素为半径,作圆形模板,在圆形模板上找到圆周长为16个圆周像素的圆,并按顺时针方向从1到16为圆周像素进行编号;
步骤703:设置角点条件:若圆周上有12个灰度值均比Ip+t要大或者均比Ip-t要小的连续的圆周像素,则圆心像素p为角点;
步骤704:判断编号为1、5、9、13的4个圆周像素中是否存在至少3个圆周像素的灰度值均比Ip+t要大或均比Ip-t要小;若否,则排除圆心像素p为角点;若是则进行以下步骤:
步骤705:根据其余圆周像素的灰度值判断圆心像素p是否满足角点条件,若是,则将圆心像素保存在角点集合中;若否则排除圆心像素p为角点。
8.根据权利要求5所述的基于图像ORB特征的车辆卸货状态监测方法,其特征在于:所述得分函数的计算公式如下:
<mrow>
<mi>V</mi>
<mo>=</mo>
<mi>m</mi>
<mi>a</mi>
<mi>x</mi>
<mrow>
<mo>(</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<msub>
<mi>S</mi>
<mi>b</mi>
</msub>
</mrow>
</munder>
<mo>|</mo>
<mrow>
<msub>
<mi>I</mi>
<mrow>
<mi>p</mi>
<mo>&RightArrow;</mo>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<msub>
<mi>I</mi>
<mi>p</mi>
</msub>
</mrow>
<mo>|</mo>
<mo>-</mo>
<mi>t</mi>
<mo>,</mo>
<munder>
<mi>&Sigma;</mi>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<msub>
<mi>S</mi>
<mi>b</mi>
</msub>
</mrow>
</munder>
<mo>|</mo>
<mrow>
<msub>
<mi>I</mi>
<mi>p</mi>
</msub>
<mo>-</mo>
<msub>
<mi>I</mi>
<mrow>
<mi>p</mi>
<mo>&RightArrow;</mo>
<mi>x</mi>
</mrow>
</msub>
</mrow>
<mo>|</mo>
<mo>-</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
</mrow>
其中,Ip为步骤502中当前遍历像素点的灰度值;t为灰度阈值t=0.2*Ip;
9.根据权利要求5所述的基于图像ORB特征的车辆卸货状态监测方法,其特征在于:所述步骤507中单个ORB特征点的二值特征描述子的计算过程如下:
以ORB特征点为中心,取该点的31x31的邻域窗口,在邻域窗口内随机选取两个5x5的子窗口,分别记为x,y;总共选取256对子窗口,利用二值测试公式计算每对子窗口的取值,从而得到该ORB特征点的一个256位的二值特征描述子;二值测试公式如下:
其中,p(x),p(y)分别是子窗口x、y内各像素的灰度值之和。
10.根据权利要求1所述的基于图像ORB特征的车辆卸货状态监测方法,其特征在于:所述模板图像集合B通过以下步骤生成:
步骤1001:设置一个selectedPics集合,初始化其大小m=0。
步骤1002:选取一周内车辆正在卸货的场景图像,灰度化,得到灰度图像集合A,计算灰度直方图,得到大小为n的灰度直方图集合V。
步骤1003:选取灰度直方图集合V中第n张灰度直方图及灰度图像集合A中与其对应的第n张灰度图像,并存储在selectedPics集合中;
步骤1004:设置循环变量f,初始化循环变量f=n。
步骤1005:m值加1,并进行步骤1006。
步骤1006:判断f>0是否成立;若否,结束程序;若是,则进行以下步骤:
步骤1007:设置循环变量I,初始化i=m;设置不相似次数disNum,初始化disNum=0。
步骤1008:判断i>0是否成立;若否,将f值减1,回到步骤1006;若是,则进行以下步骤:
步骤1009:计算灰度直方图集合V中第f张灰度直方图与selectedPics集合中第i张灰度直方图的灰度相似度s;
步骤1010:i值减1;
步骤1011:判断s≥阈值是否成立;若是,将f值减1,回到步骤1006;若否,则进行以下步骤:
步骤1012:disNum值加1;
步骤1013:判断disNum=m是否成立;若否,回到步骤1008;
若是,将灰度直方图集合V中第f张灰度直方图及灰度图像集合A中对应的灰度图像保存在selectedPics集合中;
步骤1014:在selectedPics集合中根据卸货标志区域对第f张灰度图像进行截图;
步骤1015:将步骤1014中的截图保存在模板图像集合B中;
步骤1016:将f值减1,并回到步骤1005。
11.根据权利要求10所述的基于图像ORB特征的车辆卸货状态监测方法,其特征在于:所述卸货标志区域为自动卸车翻板所在区域;所述阈值为0.6。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610338472.7A CN107403127B (zh) | 2016-05-20 | 2016-05-20 | 一种基于图像orb特征的车辆卸货状态监测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201610338472.7A CN107403127B (zh) | 2016-05-20 | 2016-05-20 | 一种基于图像orb特征的车辆卸货状态监测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107403127A true CN107403127A (zh) | 2017-11-28 |
CN107403127B CN107403127B (zh) | 2020-12-08 |
Family
ID=60389032
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201610338472.7A Active CN107403127B (zh) | 2016-05-20 | 2016-05-20 | 一种基于图像orb特征的车辆卸货状态监测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107403127B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110321858A (zh) * | 2019-07-08 | 2019-10-11 | 北京字节跳动网络技术有限公司 | 视频相似度确定方法、装置、电子设备及存储介质 |
WO2020233340A1 (zh) * | 2019-05-20 | 2020-11-26 | 苏州微创关节医疗科技有限公司 | 一种产品规格录入、检测方法及系统 |
CN115496757A (zh) * | 2022-11-17 | 2022-12-20 | 山东新普锐智能科技有限公司 | 基于机器视觉的液压翻板余料量检测方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102339464A (zh) * | 2011-09-01 | 2012-02-01 | 上海大学 | 线搜索式角点检测方法 |
CN104167003A (zh) * | 2014-08-29 | 2014-11-26 | 福州大学 | 一种遥感影像的快速配准方法 |
CN104463178A (zh) * | 2014-12-29 | 2015-03-25 | 广州视源电子科技股份有限公司 | 电子元件识别方法和系统 |
CN104506775A (zh) * | 2014-12-31 | 2015-04-08 | 深圳先进技术研究院 | 基于立体视觉匹配的图像采集抖动消除方法及装置 |
US20160019008A1 (en) * | 2014-07-17 | 2016-01-21 | Fujifilm Corporation | Information processor and digital plate inspection method |
-
2016
- 2016-05-20 CN CN201610338472.7A patent/CN107403127B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102339464A (zh) * | 2011-09-01 | 2012-02-01 | 上海大学 | 线搜索式角点检测方法 |
US20160019008A1 (en) * | 2014-07-17 | 2016-01-21 | Fujifilm Corporation | Information processor and digital plate inspection method |
CN104167003A (zh) * | 2014-08-29 | 2014-11-26 | 福州大学 | 一种遥感影像的快速配准方法 |
CN104463178A (zh) * | 2014-12-29 | 2015-03-25 | 广州视源电子科技股份有限公司 | 电子元件识别方法和系统 |
CN104506775A (zh) * | 2014-12-31 | 2015-04-08 | 深圳先进技术研究院 | 基于立体视觉匹配的图像采集抖动消除方法及装置 |
Non-Patent Citations (2)
Title |
---|
MENG FANQING,AND ETC: "A Tracking Algorithm Based on ORB", 《2013 INTERNATIONAL CONFERENCE ON MECHATRONIC SCIENCES, ELECTRIC ENGINEERING AND COMPUTER (MEC)》 * |
刘泓佚等: "一种基于ORB特征匹配和反投影直方图的目标跟踪方法", 《四川兵工学院》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020233340A1 (zh) * | 2019-05-20 | 2020-11-26 | 苏州微创关节医疗科技有限公司 | 一种产品规格录入、检测方法及系统 |
CN110321858A (zh) * | 2019-07-08 | 2019-10-11 | 北京字节跳动网络技术有限公司 | 视频相似度确定方法、装置、电子设备及存储介质 |
CN110321858B (zh) * | 2019-07-08 | 2022-06-14 | 北京字节跳动网络技术有限公司 | 视频相似度确定方法、装置、电子设备及存储介质 |
CN115496757A (zh) * | 2022-11-17 | 2022-12-20 | 山东新普锐智能科技有限公司 | 基于机器视觉的液压翻板余料量检测方法及系统 |
CN115496757B (zh) * | 2022-11-17 | 2023-02-21 | 山东新普锐智能科技有限公司 | 基于机器视觉的液压翻板余料量检测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN107403127B (zh) | 2020-12-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Automatic pavement crack detection by multi-scale image fusion | |
CN107527009B (zh) | 一种基于yolo目标检测的遗留物检测方法 | |
CN105404847B (zh) | 一种遗留物实时检测方法 | |
CN106529602B (zh) | 一种毫米波图像自动目标识别方法及装置 | |
Licciardi et al. | Decision fusion for the classification of hyperspectral data: Outcome of the 2008 GRS-S data fusion contest | |
JP6330385B2 (ja) | 画像処理装置、画像処理方法およびプログラム | |
CN107886498A (zh) | 一种基于星载图像序列的空间目标检测跟踪方法 | |
CN107633226A (zh) | 一种人体动作跟踪识别方法及系统 | |
CN104616006B (zh) | 一种面向监控视频的胡须人脸检测方法 | |
CN107844683A (zh) | 一种数字pcr液滴浓度的计算方法 | |
CN106874912A (zh) | 一种基于改进lbp算子的图像目标检测方法 | |
CN107403127A (zh) | 一种基于图像orb特征的车辆卸货状态监测方法 | |
Hao et al. | An advanced superpixel-based Markov random field model for unsupervised change detection | |
CN106709938A (zh) | 基于改进tld的多目标追踪方法 | |
Kalkan et al. | Comparison of support vector machine and object based classification methods for coastline detection | |
CN107705323A (zh) | 一种基于卷积神经网络的水平集目标追踪方法 | |
Kim et al. | Building detection in high resolution remotely sensed images based on automatic histogram-based fuzzy c-means algorithm | |
CN105354824A (zh) | 基于区域提取的双参数恒虚警检测方法 | |
CN106709515A (zh) | 一种适用于下视景象匹配选区准则干预方法 | |
Fu et al. | Infrared sea-sky line detection utilizing self-adaptive Laplacian of Gaussian filter and visual-saliency-based probabilistic Hough transform | |
Liu et al. | Landslide inventory mapping method based on adaptive histogram-mean distance with bitemporal VHR aerial images | |
Tajeripour et al. | Porosity detection by using improved local binary pattern | |
CN109215059A (zh) | 一种航拍视频中运动车辆跟踪的局部数据关联方法 | |
CN106548195A (zh) | 一种基于改进型hog‑ulbp特征算子的目标检测方法 | |
CN108985216B (zh) | 一种基于多元logistic回归特征融合的行人头部检测方法 |
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 | ||
CP01 | Change in the name or title of a patent holder | ||
CP01 | Change in the name or title of a patent holder |
Address after: No. 51 Dapingzheng Street, Yuzhong District, Chongqing, 400000 Patentee after: Zhongdian Zhi'an Technology Co.,Ltd. Address before: No. 51 Dapingzheng Street, Yuzhong District, Chongqing, 400000 Patentee before: CHONGQING TELECOMMUNICATION SYSTEM INTEGRATION CO.,LTD. |