CN107464259B - 一种基于锥套边缘特征建模的目标检测方法 - Google Patents
一种基于锥套边缘特征建模的目标检测方法 Download PDFInfo
- Publication number
- CN107464259B CN107464259B CN201710475935.9A CN201710475935A CN107464259B CN 107464259 B CN107464259 B CN 107464259B CN 201710475935 A CN201710475935 A CN 201710475935A CN 107464259 B CN107464259 B CN 107464259B
- Authority
- CN
- China
- Prior art keywords
- area
- edge
- model
- region
- circle
- 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
- 238000001514 detection method Methods 0.000 title claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 abstract description 8
- 230000000007 visual effect Effects 0.000 description 6
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 210000001503 joint Anatomy 0.000 description 1
- 238000003032 molecular docking Methods 0.000 description 1
- 230000036632 reaction speed Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000013316 zoning Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/60—Analysis of geometric attributes
-
- B—PERFORMING OPERATIONS; TRANSPORTING
- B64—AIRCRAFT; AVIATION; COSMONAUTICS
- B64D—EQUIPMENT FOR FITTING IN OR TO AIRCRAFT; FLIGHT SUITS; PARACHUTES; ARRANGEMENT OR MOUNTING OF POWER PLANTS OR PROPULSION TRANSMISSIONS IN AIRCRAFT
- B64D39/00—Refuelling during flight
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Aviation & Aerospace Engineering (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于锥套边缘特征建模的目标检测方法,涉及图像检测识别领域,本发明包括:通过区域轮廓特性确定内圆区域;提取边缘信息,对内圆区域进行边缘特征建模;由内圆模型确定伞骨区域以及外圆区域;对伞骨区域和外圆区域进行边缘特征建模构成全区域模型;对全区域模型进行SVM分类训练学习得到最终的锥套模型。本发明适用于空中加油的高动态、高危险性的工况,提出了一种基于目标边缘特征的方式,处理时间短,识别可靠性高。
Description
技术领域
本发明涉及图像检测识别领域,尤其涉及一种基于锥套边缘特征建模的目标检测方法。
背景技术
软管式自主空中加油可以大幅度提升无人机的续航能力,它是加油机与受油机通过编队配合,由受油机自主定位前方加油机上锥套相对自身的位置,并通过精准的控制实现受油机与加油锥套的精准对接的过程,其中受油机能够自主准确的定位加油锥套的相对位置尤为关键,为后续的精确控制提供保障。目前,软管式自主空中加油近距对接的定位导航手段为视觉导航辅助GPS/I NS组合导航,视觉导航负责提供加油锥套与受油机之间的相对位置关系,在导航系统中起到了关键性的作用,而锥套目标的图像检测是视觉导航必不可少的环节,国内外若干学者研究机构对锥套目标的检测技术的研究做出了大量的工作。
空中加油的高动态、高危险性要求锥套目标的检测必须有很高的要求,一方面,要求锥套目标的识别可靠性要极高;另一方面对于图像信息的处理时间要尽可能少,以保证很高的实时性。
然而,现有技术中,通常采用的目标识别方式是基于图像特征匹配的方式或者是基于多样本数据的训练学习识别方式,识别的精确度较高,但是处理时间较长,不适用于高动态的要求;若采用简单的圆形目标检测的方式,处理时间短,但是检测的可靠性低,不能满足安全性的要求。因此,需要一种处理时间短,识别可靠性高的锥套目标检测方法。
发明内容
本发明的提供一种基于锥套边缘特征建模的目标检测方法,能够在保证高可靠性的情况下,缩短处理时间,满足在空中加油工况下,高动态,高危险性的要求。
为达到上述目的,本发明采用如下技术方案:
一种基于锥套边缘特征建模的目标检测方法,包括:
S1、扫描待检测区域,提取待检测区域的区域轮廓特性,加载轮廓特性判断标准,得到内圆区域;
S2、所述内圆区域包括内部无边缘区域和外部轮廓边界区域,加载所述内部无边缘区域边缘点的有效性判定规则和所述外部轮廓边界区域边缘点的有效性判定规则,得到内部无边缘区域有效边缘点和外部轮廓边界区域有效边缘点,拟合所述内部无边缘区域有效边缘点和所述外部轮廓边界区域有效边缘点,得到内圆模型;
S3、根据所述内圆模型与伞骨和外圆的尺寸关系、所述内圆模型的圆心坐标、短轴和长轴,确定伞骨区域和外圆区域;
S4、加载所述伞骨区域边缘点的有效性判定规则,得到伞骨区域有效边缘点,拟合所述伞骨区域有效边缘点,得到伞骨区域模型;加载所述外圆区域边缘点有效性判定规则,得到外圆区域有效点,拟合所述外圆区域有效点,得到外圆区域模型;
S5、所述伞骨区域模型和所述外圆区域模型构成全区域模型,将所述全区域模型载入SVM分类训练学习系统,得到锥套模型,所述锥套模型为检测目标。
进一步的,所述区域轮廓特性包括颜色特征和形状特征,所述轮廓特性判断标准包括:长宽比<1.414、面积周长比>0.808、灰度值<45。
进一步的,所述内部无边缘区域边缘点的有效性判定规则包括:
amplitude_epi1>20;
num_epi1=0;
所述外部轮廓边界区域边缘点的有效性判定规则包括:
amplitude_epi2>20;
phase-epi2≈θi2;
其中,num_epi1为所述内部无边缘区域的边缘点数,phase_epi2为所述外部轮廓边界区域边缘点的相角,amplitude_epi1为所述内部无边缘区域的边缘点的幅值,amplitude_epi2为所述外部轮廓边界区域边缘点的幅值,θi2是所述外部轮廓边界区域边缘点和所述内圆区域中心的连线与x轴的夹角。
进一步的,所述内圆模型包括内圆和圆环,内圆模型的内圆无边缘点,内圆模型圆环上的有效边缘点包含有内圆的尺寸位置信息。
进一步的,所述内圆模型与伞骨的尺寸关系包括:
所述内圆模型的中心为伞骨中心;
伞骨外半径=2.5倍所述内圆的半径;
伞骨内半径=所述内圆半径;
所述内圆模型和外圆的尺寸关系包括:
所述内圆模型的中心为外圆中心;
外圆外半径=4.5倍所述内圆半径;
外圆内半径=2.2倍所述内圆半径。
进一步的,所述伞骨区域边缘点的有效性判定规则包括:
amplitude_epi3>20;
phase_epi3+θi3≈90°或270°;
所述外圆区域边缘点有效性判定规则包括:
amplitude_epi4>20;
phase_epi4≈θi4;
其中,amplitude_epi3为所述伞骨区域边缘点的幅值,phase_epi3为所述伞骨区域边缘点的相角,amplitude_epi4为所述外圆区域边缘点的幅值,phase_epi4为所述外圆区域边缘点的相角,θi3为所述伞骨区域边缘点和所述伞骨中心的连线与x轴的夹角,θi4为所述外圆区域边缘点和所述外圆中心的连线与x轴的夹角。
本发明提供的一种基于锥套边缘特征建模的目标检测方法,通过对检测目标进行多次,递进的边缘判定和建模,提高了检测的可靠性,与学习大量样本的检测方法相比,在达到同样可靠性的情况下,检测时间更短,效率更高。
附图说明
为了更清楚地说明本发明实施例中的技术方案,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的前提下,还可以根据这些附图获得其它的附图。
图1为基于锥套建模的模块化分析示意图;
图2为锥套分区域建模策略流程图;
图3为锥套目标原图及边缘图;
图4为阈值分割及区域选定图;
图5为分区域边缘特征建模图;
图6为锥套内圆的有效边缘点;
图7为锥套伞骨的有效边缘点;
图8为锥套外圆的有效边缘点;
图9为伞骨点与内圆尺寸的关系;
图10为外圆点与内圆尺寸的关系;
图11为各种距离下的检测效果(图中数字为目标的概率);
图12为处理平均耗时图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案,下面结合附图和具体实施方式对本发明作进一步详细描述。
一种基于锥套边缘特征建模的目标检测方法,其模块化分析示意图和流程图如图1和图2所示,本发明的方法包括:
S1、扫描待检测区域,提取待检测区域的区域轮廓特性,如图3所示,加载轮廓特性判断标准,经过模型的匹配得到内圆区域,P={p1,p2,p3,...},其中P为所有内圆区域的集合;
S2、内圆区域包括内部无边缘区域和外部轮廓边界区域,pi是P中的任一元素,i=1,2,3…,以子区域pi的尺寸对pi进行二次区域划分,如图4所示,得到pi1和pi2,其中pi1为pi的内部无边缘区域,pi2为pi的外部轮廓边界区域,当内圆区域上的边缘点满足以下有效性判定条件时,将满足条件的有效边缘点采用最小二乘法拟合,如图5所示,得到内圆模型,如图6所示;
amplitude_epi1>20;
num_epi1=0;
amplitude_epi2>20;
phase-epi2≈θi2;
其中,num_epi1为所述内部无边缘区域的边缘点数,phase_epi2为所述外部轮廓边界区域边缘点的相角,amplitude_epi1为所述内部无边缘区域的边缘点的幅值,amplitude_epi2为所述外部轮廓边界区域边缘点的幅值,θi2是所述外部轮廓边界区域边缘点和所述内圆区域中心的连线与x轴的夹角;
S3、内圆模型的圆心坐标x0,y0、短轴a和长轴b,根据所述内圆模型与伞骨和外圆的尺寸关系:
所述内圆模型的中心为伞骨中心;
伞骨外半径=2.5倍所述内圆半径;
伞骨内半径=所述内圆半径;
所述内圆模型的中心为外圆中心;
外圆外半径=4.5倍所述内圆半径;
外圆内半径=2.2倍所述内圆半径;
如图9,图10所示,生成以内圆圆心为中心构造呈放射状的伞骨,所述伞骨区域为pi3,外圆区域为pi4;
S4、当伞骨区域边缘点满足amplitude_epi3>20;phase_epi3+θi3≈90°或270°的条件时,得到伞骨区域有效边缘点,如图7所示,拟合所述伞骨区域有效边缘点,得到伞骨区域模型;当外圆区域边缘点满足amplitude_epi4>20;phase_epi4≈θi4时,得到外圆区域有效点,拟合所述外圆区域有效点,如图8所示,得到外圆区域模型;
其中,amplitude_epi3为所述伞骨区域边缘点的幅值,phase_epi3为所述伞骨区域边缘点的相角,amplitude_epi4为所述外圆区域边缘点的幅值,phase_epi4为所述外圆区域边缘点的相角,θi3为所述伞骨区域边缘点和所述伞骨中心的连线与x轴的夹角,θi4为所述外圆区域边缘点和所述外圆中心的连线与x轴的夹角,;
S5、所述伞骨区域模型和所述外圆区域模型构成全区域模型,将所述全区域模型载入SVM分类训练学习系统,利用(SVM)支持向量机对锥套区域与非锥套区域进行分类建模,得到锥套模型,锥套模型为检测目标,采用本方法检测目标在不同距离下的检测效果如图11所示,其中,图中数字为目标的概率,检测的平均时间为3.8ms,如图12所示。
综上,本发明具有以下有益效果:
(1)可靠性:分析加油锥套图像特点,根据锥套边缘特征进行建模,将锥套划分为三大区域:内圆区、伞骨区和外圆区,每个区域都有其不同的边缘特征,通过将不同的区域进行组合建模,大大提升了模型识别的可靠性;
(2)实时性:采用边缘特征进行锥套模型的建立,相比基于图像特征匹配及深度学习等方式,模型的可靠性不会降低很多,反而处理的实时性提升较大,反应速度快,对于实时性要求较高的场合尤为适合;
(3)安全性:加油锥套的图像检测研究主要分为两大体系:主动视觉检测与被动视觉检测,对于主动视觉检测,需要对加油锥套结构设计上做出相应的改动,而采用被动视觉的方式,无需对目标进行特定的改动,成本低,安全性高。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到的变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应该以权利要求的保护范围为准。
Claims (4)
1.一种基于锥套边缘特征建模的目标检测方法,其特征在于,包括:
S1、扫描待检测区域,提取待检测区域的区域轮廓特性,加载轮廓特性判断标准,得到内圆区域;
S2、所述内圆区域包括内部无边缘区域和外部轮廓边界区域,加载所述内部无边缘区域边缘点的有效性判定规则和所述外部轮廓边界区域边缘点的有效性判定规则,得到内部无边缘区域有效边缘点和外部轮廓边界区域有效边缘点,拟合所述内部无边缘区域有效边缘点和所述外部轮廓边界区域有效边缘点,得到内圆模型;
S3、根据所述内圆模型与伞骨和外圆的尺寸关系、所述内圆模型的圆心坐标、短轴和长轴,确定伞骨区域和外圆区域;
S4、加载所述伞骨区域边缘点的有效性判定规则,得到伞骨区域有效边缘点,拟合所述伞骨区域有效边缘点,得到伞骨区域模型;加载所述外圆区域边缘点有效性判定规则,得到外圆区域有效点,拟合所述外圆区域有效点,得到外圆区域模型;
S5、所述伞骨区域模型和所述外圆区域模型构成全区域模型,将所述全区域模型载入SVM分类训练学习系统,得到锥套模型,所述锥套模型为检测目标;
其中,所述区域轮廓特性包括颜色特征和形状特征,所述轮廓特性判断标准包括:长宽比<1.414、面积周长比>0.808、灰度值<45;
所述内圆模型与伞骨的尺寸关系包括:
所述内圆模型的中心为伞骨中心;
伞骨外半径=2.5倍所述内圆半径;
伞骨内半径=所述内圆半径;
所述内圆模型和外圆的尺寸关系包括:
所述内圆模型的中心为外圆中心;
外圆外半径=4.5倍所述内圆半径;
外圆内半径=2.2倍所述内圆半径。
2.根据权利要求1所述的一种基于锥套边缘特征建模的目标检测方法,其特征在于,所述内部无边缘区域边缘点的有效性判定规则包括:
amplitude_epi1>20;
num_epi1=0;
所述外部轮廓边界区域边缘点的有效性判定规则包括:
amplitude_epi2>20;
phase-epi2≈θi2;
其中,num_epi1为所述内部无边缘区域的边缘点数,phase_epi2为所述外部轮廓边界区域边缘点的相角,amplitude_epi1为所述内部无边缘区域的边缘点的幅值,amplitude_epi2为所述外部轮廓边界区域边缘点的幅值,θi2是所述外部轮廓边界区域边缘点和所述内圆区域中心的连线与x轴的夹角。
3.根据权利要求1所述的一种基于锥套边缘特征建模的目标检测方法,其特征在于,所述内圆模型包括内圆和圆环。
4.根据权利要求1所述的一种基于锥套边缘特征建模的目标检测方法,其特征在于,所述伞骨区域边缘点的有效性判定规则包括:
amplitude_epi3>20;
phase_epi3+θi3≈90°或270°;
所述外圆区域边缘点有效性判定规则包括:
amplitude_epi4>20;
phase_epi4≈θi4;
其中,amplitude_epi3为所述伞骨区域边缘点的幅值,phase_epi3为所述伞骨区域边缘点的相角,amplitude_epi4为所述外圆区域边缘点的幅值,phase_epi4为所述外圆区域边缘点的相角,θi3为所述伞骨区域边缘点和所述伞骨中心的连线与x轴的夹角,θi4为所述外圆上边缘点和所述外圆中心的连线与x轴的夹角。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710475935.9A CN107464259B (zh) | 2017-06-21 | 2017-06-21 | 一种基于锥套边缘特征建模的目标检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710475935.9A CN107464259B (zh) | 2017-06-21 | 2017-06-21 | 一种基于锥套边缘特征建模的目标检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107464259A CN107464259A (zh) | 2017-12-12 |
CN107464259B true CN107464259B (zh) | 2020-10-20 |
Family
ID=60546100
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710475935.9A Active CN107464259B (zh) | 2017-06-21 | 2017-06-21 | 一种基于锥套边缘特征建模的目标检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107464259B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109584264B (zh) * | 2018-11-19 | 2023-10-31 | 南京航空航天大学 | 一种基于深度学习的无人机视觉引导空中加油方法 |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2045186B1 (en) * | 2007-09-28 | 2010-09-22 | Saab Ab | Aerial refueling system |
US7938369B2 (en) * | 2008-01-22 | 2011-05-10 | The Boeing Company | Method and apparatus for aerial fuel transfer |
US9469410B2 (en) * | 2011-07-22 | 2016-10-18 | Carleton Life Support Systems Inc. | Aerial refueling system, apparatus and methods |
ES2436726B2 (es) * | 2012-06-04 | 2015-04-27 | Eads Construcciones Aeronauticas, S.A. | Sistemas y métodos para el cálculo de la velocidad de aproximación en maniobras de reabastecimiento aéreo de combustible |
CN103617428B (zh) * | 2013-12-16 | 2017-03-01 | 中国科学院自动化研究所 | 基于混合特征的空中加油锥套目标检测方法 |
CN105809700B (zh) * | 2016-03-23 | 2018-06-01 | 南京航空航天大学 | 一种受油插头遮挡的空中加油锥套图像检测定位方法 |
CN105825515B (zh) * | 2016-03-23 | 2018-09-25 | 南京航空航天大学 | 一种用于自主空中加油的加油锥套图像检测定位方法 |
-
2017
- 2017-06-21 CN CN201710475935.9A patent/CN107464259B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN107464259A (zh) | 2017-12-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11017244B2 (en) | Obstacle type recognizing method and apparatus, device and storage medium | |
CN109188459B (zh) | 一种基于多线激光雷达的坡道小障碍物识别方法 | |
Steder et al. | Place recognition in 3D scans using a combination of bag of words and point feature based relative pose estimation | |
CN101609504B (zh) | 一种红外图像海面目标检测识别定位方法 | |
CN101701818B (zh) | 远距离障碍的检测方法 | |
CN101567046B (zh) | 一种基于最小覆盖圆匹配的无人机目标识别方法 | |
CN107063261B (zh) | 用于无人机精准着陆的多特征信息地标检测方法 | |
CN106225787A (zh) | 一种无人机视觉定位方法 | |
AU2020102039A4 (en) | A high-precision multi-targets visual detection method in automatic driving scene | |
Pink et al. | Automated map generation from aerial images for precise vehicle localization | |
CN107218927B (zh) | 一种基于tof相机的货物托盘检测系统和方法 | |
Cho et al. | 2D barcode detection using images for drone-assisted inventory management | |
CN107464259B (zh) | 一种基于锥套边缘特征建模的目标检测方法 | |
CN110472451B (zh) | 一种基于单目相机的面向agv定位的人工地标及解算方法 | |
CN111127546B (zh) | 一种基于极坐标变换的圆形目标中心定位方法及系统 | |
Wu et al. | Autonomous UAV landing system based on visual navigation | |
Thompson | Maritime object detection, tracking, and classification using lidar and vision-based sensor fusion | |
CN103065147A (zh) | 一种基于图像匹配和识别技术的车辆监控方法 | |
Shi et al. | Global place recognition using an improved scan context for lidar-based localization system | |
Jiang et al. | Mobile robot gas source localization via top-down visual attention mechanism and shape analysis | |
CN105678257A (zh) | 一种交通调查车型识别方法、装置及其系统 | |
Fu et al. | Multi-lanes detection based on panoramic camera | |
CN115984211A (zh) | 视觉定位方法、机器人及存储介质 | |
CN115586552A (zh) | 一种港口轮胎吊或桥吊下无人集卡精确二次定位方法 | |
CN113611008A (zh) | 一种车辆行驶场景采集方法、装置、设备及介质 |
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 |