CN108805050B - 基于局部二值模式的电线检测方法 - Google Patents
基于局部二值模式的电线检测方法 Download PDFInfo
- Publication number
- CN108805050B CN108805050B CN201810520384.8A CN201810520384A CN108805050B CN 108805050 B CN108805050 B CN 108805050B CN 201810520384 A CN201810520384 A CN 201810520384A CN 108805050 B CN108805050 B CN 108805050B
- Authority
- CN
- China
- Prior art keywords
- value
- local
- lbp
- matrix
- image
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/467—Encoded features or binary features, e.g. local binary patterns [LBP]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V2201/00—Indexing scheme relating to image or video recognition or understanding
- G06V2201/07—Target detection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种基于局部二值模式的电线检测方法,包括:读入灰度图像,该灰度图像是一个二维矩阵;使用5×5区域的移动平均法计算整张灰度图像上的局部阈值;进行三次不同尺度的LBP计算;综合三次LBP计算的结果,得出疑似电线的部分;对疑似电线的部分进行结果聚类,去除伪目标。本发明通过向量化编程来提升处理效率;重新设计了LBP方法的阈值选取策略,与经典的移动平均法相结合;采取综合多个不同尺度LBP算子的方式来提升方法的稳定性。通过密度聚类分析对电线检测结果去除伪目标,最终提取出电线。对于大多数图像都能实现电线的快速检测,对于一张尺寸为1920*1080的图像处理时间大致在2s左右。
Description
技术领域
本发明涉及图像处理及模式识别的技术领域,具体是一种基于局部二值模式(Local Binary Pattern,简称LBP)的电线检测方法。
背景技术
直升机飞行中的安全问题一直是业内关注的热点问题。根据IHST(InternationalHelicopter Safety Team)发布的数据,每年直升机都会发生几百起事故,因低空飞行而与树木、电线、电杆、建筑物碰撞的比例约占35%。在致命事故当中,因低空障碍目标而发生的比例更高。即便到了现在,这个问题也一直得不到解决,仍时有直升机因高压线而爆炸坠毁的有关新闻报导。现有直升机避障主要依赖于人工目视观察,受人眼分辨距离和分辨能力的限制,高压电线这种小障碍目标不易被察觉。此外,驾驶员需要十分集中精神才能发现前方的高压电线等障碍,从而大大增加了飞行人员的工作强度和精神压力。基于光学、雷达和红外技术的直升机自动避障系统能提升航空器低能见度条件下的飞行安全避障能力,是替代人工观察的优势方式,也是未来发展的趋势。该系统以提高直升机低能见度(如夜航、雾霾、烟尘、雨雪等)条件下的飞行安全性为目标,运用毫米波雷达/低照度图像融合技术、低空障碍物自动检测识别技术相结合、提升通用航空器低能见度条件下的飞行安全避障能力,其中障碍目标的检测和识别问题是其中的关键问题之一。
由于高压电线这种障碍物形状的特殊性,对电线的检测不能简单地通过超声波或者红外等低分辨率方法来实现,因此亟需提出一种以光学图像为基础进行电线检测的新技术。。
而目前与基于光学图像的电线检测相关的研究资料较少,且由于特殊领域的需求,需要研究和改进相应的检测识别方法。同时基于以下原因,对检测方法的处理效率、适用性和稳定性等方面提出了较高的要求:
(1)直升机飞行速度很快,需要系统能够快速响应;
(2)飞行过程中可能还会受天气影响,需要进行图像增强的预处理,例如图像去雾;
(3)飞行过程中情况复杂,特别是背景干扰较大,方法要能够有排除干扰的能力;
(4)飞行过程中有颠簸,实际在研究的时候,对处理的图像需要进行高斯模糊处理,以达到模拟颠簸的效果。
经对现有技术文献的检索发现,T.Ojala M.和D.Harwood于1994年首次提出“局部二值模式”(Local Binary Patterns,LBP)的概念,2002年在IEEE期刊“模式识别与机器智能”正式发表。"Multiresolution gray-scale and rotation invarianttexture classification with local binary patterns"(基于局部二值模式的多分辨率灰度和旋转不变的纹理分类,《IEEE Transactions on Pattern Analysis and MachineIntelligence,2002,22(7):971-987.)。
从纹理分析的角度来看,图像上某个像素点的纹理特征,大多数情况下是指这个点和周围像素点的关系,即这个点和它的邻域内点的关系。从不同角度对这种关系提取特征,就形成了不同种类的特征。有了特征,就能根据纹理进行分类。局部二值模式构造了一种衡量一个像素点和它周围像素点的关系,可以计算图像局部对比度,提取出图像局部特征。最初LBP算子是在3*3的方格内,以窗口中心像素为阈值,用相邻的8个像素的灰度值与其进行比较,若周围像素灰度值大于阈值,则该像素点被标记为1,否则标记为0。这样,3*3邻域内的8个点经比较可产生8位二进制数,即得到该窗口中心像素的LBP值(共256种),并用这个值来反映该区域的纹理信息。
原始的LBP提出后,研究人员不断对其提出了各种改进和优化,从而得到了诸如半径为R的圆形区域内含有P个采样点的LBP算子,LBP均匀模式,LBP旋转不变模式,LBP等价模式等等。
但是,现有的局部二值模式直接用于电线检测仍然存在如下缺陷:
特征种类过少,受图像尺寸影响较大。如果直接使用环形算子,对于每个位置每次都需要重新计算环上点的坐标,速度受影响。同时噪点也比较多。
目前没有发现同本发明类似技术的说明或报道,也尚未收集到国内外类似的资料。
发明内容
针对现有技术中存在的上述不足,本发明的目的是提供一种基于局部二值模式(Local Binary Pattern,简称LBP)的电线检测方法。该方法主要是以光学图像的自动检测为基础,作为一个辅助检测手段,在要求有较高检测识别率的同时,允许一定的虚警率,即允许检出电线以外的其他线状物体或者其它干扰噪声。通过实时采集图像数据,自动提取和分析障碍目标,并能够可视呈现障碍目标,以此进行预警,降低撞线风险,提升了飞行安全水平。
本发明提供的基于局部二值模式(Local Binary Pattern,简称LBP)的电线检测方法,以LBP为基础,利用LBP对运算顺序不敏感和局部特征表现力强的特点,提出基于LBP的电线检测方法。该方法主要对LBP其做了如下改进:1)通过向量化编程来提升处理效率;2)重新设计了LBP方法的阈值选取策略,并与经典的移动平均法相结合;3)采取综合多个不同尺度LBP算子的方式来提升方法的稳定性。最终通过密度聚类分析对电线检测结果去除伪目标,最终提取出电线。本发明对于大多数图像都能实现电线的快速检测,对于一张尺寸为1920*1080的图像处理时间大致在2s左右。
本发明是通过以下技术方案实现的。
一种基于局部二值模式的电线检测方法,包括如下步骤:
步骤S1,将三通道可见光图像转为灰度图像,并将灰度图像归一化得到二维矩阵I;
步骤S2,利用局部的标准差作为计算灰度图像全图的局部阈值,同时滤去标准差不满足要求(过小)的部分;
步骤S3,采取局部阈值进行LBP计算:
步骤S3.1,设定LBP算子环半径r和算子环上采样点相隔的角度θ,总共有360°/θ个采样点,若中心点坐标为(x0,y0),那么LBP算子环上第k个采样点的坐标为(x0+Δxk,y0+Δyk),其中采样点与中心点的相对坐标偏移Δxk和Δyk如下:
步骤S3.2,第k个采样点构成的矩阵为Ik,其中坐标为(x,y)的点的值Ik(x,y)由矩阵I平移得到:
步骤S3.3,设坐标为(x,y)的中心点与算子环上第k个采样点的灰度差值分别为vk,相邻的vk正负符号相反情况的数量即突变数为t1,算子环上k个采样点中:与中心点灰度值差值的绝对值小于局部阈值的采样点个数为t2,比中心点灰度值大的采样点个数为t3,其中:
设:
条件一,当突变数t1=4时,vk与vk-1正负符号相反的情况出现了四处;
条件二,设定局部阈值T,存在t2个满足|vk|≤T(x,y)的与中心点灰度值相近的采样点,T(x,y)为中心点处的局部阈值,设置t2小于总采样点数的一半;
条件三,其余采样点应当同时比中心点灰度值大或比中心点灰度值小,其余采样点指的是除去条件二中统计过的t2个采样点之外的其他点;其中,比中心点灰度值大的其余采样点的个数t3的值需要大于等于总点数的3/4或者小于等于总点数的1/4;
每个坐标位置为(x,y)的中心点,得到满足条件的单次LBP结果S1(x,y)为:
步骤S3.4,调整算子环半径r和角度θ,重复步骤S3.1至S3.3两次,得到单次LBP结果矩阵S2和S3,综合得到结果矩阵S0,对于每个坐标位置(x,y),S0(x,y)值计算方式如下:
步骤S4,重复步骤S3进行两次不同尺度的LBP计算,综合三次结果得到一张二值图;
步骤S5,对步骤S4中得到的二值图进行密度聚类分析,再按照8连通区域分析、合并结果,得到检测结果二值图。
优选地,所述步骤S2,包括如下步骤:
步骤S2.2,设坐标为(x,y)处像素在5×5邻域范围内的标准差为σ(x,y),通过步骤S2.1中得到的局部均值计算出标准差σ(x,y):
步骤S2.3,根据步骤S2.2中得到的标准差的值来得到局部阈值矩阵T,坐标位置(x,y)处的局部阈值为T(x,y),同时滤去标准差小于0.01的部分:
优选地,所述步骤S5,包括如下步骤:
步骤S5.1,建立不同角度的矩形真值矩阵Vk,采取卷积方式计算每个位置的点密度,得到密度矩阵D:
然后设定阈值排除密度小于设定阈值a的部分,得到一个二值图D01;所述阈值根据矩形真值矩阵的大小设定;对于位置(x,y)的值D01(x,y),当D(x,y)小于a时为0,D(x,y)大于等于a时为1:
步骤S5.2,使用递归方式统计D01每一个8连通区域的面积和左右跨度,根据占据的像素数和整个画幅的大小来设定面积阈值和跨度阈值,排除面积小于面积阈值的部分和跨度小于跨度阈值的部分;
步骤S5.3,将面积和跨度同时达到步骤S5.2中的两个阈值条件的区域标记为电线,已排除的区域中左邻域和/或右邻域存在已经标记为电线的区域也将其重新标记为电线,得到检测结果二值图。
优选地,
面积阈值设定为:当图片缩放为640*480时的等效200个像素点
跨度阈值设定为:当图片缩放为640*480时的等效160个像素点,也就是画幅横向大小的1/4。
优选地,设矩形真值矩阵的大小为3*7,设定阈值a为7;对于位置(x,y)的值D01(x,y),当D(x,y)小于7时为0,D(x,y)大于等于7时为1。
优选地,还包括如下步骤:
步骤S6,输出输出检测结果二值图。
与现有技术相比,本发明具有如下有益效果:
本发明通过向量化编程提升了处理效率,将很多需要多次循环的运算改为了矩阵运算;重新设计了LBP方法的阈值选取策略,并与经典的移动平均法相结合;采取综合多个不同尺度LBP算子的方式来提升方法的稳定性;最终通过密度聚类分析对电线检测结果去除伪目标,最终提取出电线;能够对于大多数图像实现电线的快速检测,对于一张像素大小为1920*1080的图像处理时间大致在2s左右,有效减少了检测时间,提升了处理效率。本发明能够高效地识别出光学图像中的线状目标,对于辅助飞行员发现高压电线、保障直升机低空条件下的飞行安全有着重要意义。
附图说明
通过阅读参照以下附图对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显:
图1是本发明基于局部二值模式的电线检测方法的流程图。
图2是本发明一实施例的LBP向量化改进示意图。
图3为本发明一实施例的多尺度LBP方法示意图;其中,(a)为细线通过多尺度LBP算子环的图示,(b)为粗线通过多尺度LBP算子环的图示。
图4为本发明一实施例的密度聚类示意图;其中,(a)为5个点在圆形区域的杂乱分布,圆中点数为5,(b)为5个点在圆形区域的线型分布,圆中点数为5,(c)为5个点在三个矩形区域的杂乱分布,每个矩形区域只有2到3个点,(d)为5个点在矩形区域的线型分布,矩形中点数为5。
图5为本发明一实施例的测试样例,其中,(a)为原始图像,原图大小为4160*3120,(b)为原大小图像,检测时间为13.492s,(c)为0.8倍图像,检测时间为8.644s,(d)为0.6倍图像,检测时间为4.878s,(e)为0.4倍图像,检测时间为2.190s,(f)为0.2倍图像,检测时间为0.545s。
具体实施方式
下面对本发明的实施例作详细说明:本实施例在以本发明技术方案为前提下进行实施,给出了详细的实施方式和具体的操作过程。应当指出的是,对本领域的普通技术人员来说,在不脱离本发明构思的前提下,还可以做出若干变形和改进,这些都属于本发明的保护范围。
实施例
如图1所示,本实施例提供了一种基于局部二值模式的高压电线检测方法,总体设计思路包括如下六个步骤:
S1,读入灰度图像,该灰度图像是一个二维矩阵;
S2,使用5×5区域的移动平均法计算整张灰度图像上的局部阈值;
S3,进行三次不同尺度的LBP计算;
S4,综合三次LBP计算的结果,得出疑似电线的部分;
S5,对疑似电线的部分进行结果聚类,去除伪目标。
还可以包括:
S6,输出二值图结果。
基于以上设计思路,对本实施例的技术方案详述如下。
本实施例提供的基于局部二值模式的高压电线检测方法,具体步骤如下:
步骤S1,将三通道可见光图像转为灰度图像,并将灰度图像归一化得到二维矩阵I;
步骤S2,利用局部的标准差作为计算灰度图像全图的局部阈值,同时滤去标准差过小的部分,本实施例中设置为小于0.01的部分;
步骤S3,采取局部阈值进行LBP计算:
步骤S3.1,设定LBP算子环半径r和算子环上采样点相隔的角度θ,总共有360°/θ个采样点,,若中心点坐标为(x0,y0),那么LBP算子环上第k个采样点的坐标为(x0+Δxk,y0+Δyk),其中采样点与中心点的相对坐标偏移Δxk和Δyk如下:
步骤S3.3,设坐标为(x,y)的中心点与算子环上k个采样点的灰度差值分别为vk,相邻的vk正负符号相反情况的数量即突变数为t1,算子环上k个采样点中:与中心点灰度值差值的绝对值小于局部阈值的采样点个数为t2,比中心点灰度值大的采样点个数为t3,其中:
设:
条件一,当突变数t1=4时,vk与vk-1正负符号相反的情况出现了四处;
条件二,设定阈值T,存在t2个满足|vk|≤T(x,y)的与中心点灰度值相近的采样点,T(x,y)为中心点处的局部阈值,本实施例中设置t2要小于总采样点数的一半;
条件三,其余采样点应当同时比中心点灰度值大或比中心点灰度小值,其余采样点指的是除去条件二中统计过的t2个采样点之外的其他点;其中,比中心点灰度值大的其余采样点的个数t3的值需要大于等于总点数的3/4或者小于等于总点数的1/4;
每个坐标位置(x,y)的中心点,可以得到满足调价的单次LBP结果S1(x,y)
步骤S3.4,调整算子环半径r和角度θ,重复步骤S3.1至S3.3两次,得到单次LBP结果矩阵S2和S3,综合得到结果矩阵S0,对于每个坐标位置(x,y),S0(x,y)值计算方式如下:
步骤S4,重复步骤S3进行两次不同尺度的LBP计算,综合三次结果得到一张二值图;
步骤S5,对步骤S4中得到的二值图进行密度聚类分析,再按照8连通区域分析、合并结果,得到检测结果二值图。
还可以包括如下步骤:
步骤S6,输出检测结果二值图。
以下结合附图和实验样例对本实施例的技术方案进一步详细说明:
输入:灰度图片矩阵I.
输出:识别结果矩阵S.
一、局部阈值选取的详细步骤如下:
1)为快速得到灰度图像矩阵一个5×5像素大小滑动窗口中的均值,设临时矩阵通过卷积操作可以得到灰度图像每一个位置的5×5邻域范围内的局部均值,局部均值矩阵M=I*Vt,M(x,y)则表示坐标(x,y)处的局部均值.
2)设坐标为(x,y)处像素在5×5邻域范围内的标准差为σ(x,y),可以通过已经计算好的局部均值计算出标准差:
3)根据标准差的值来得到阈值矩阵T,坐标位置(x,y)处的局部阈值为T(x,y),同时滤去过小的部分,本实施例中设置为小于0.01的部分:
二、多尺度LBP的详细步骤如下
1)设定LBP算子环半径r和算子环上采样点相隔的角度θ,总共有360°/θ个点,,若中心点坐标为(x0,y0),那么LBP算子环上第k个采样点的坐标为(x0+Δxk,y0+Δyk),其中采样点与中心点的相对坐标偏移Δxk和Δyk如下:
2)如图2所示,第k个采样点灰度构成的矩阵为Ik,其中坐标为(x,y)的点的值Ik(x,y)可由矩阵I平移得到:
3)计算三种不同的判定条件,同时满足三个条件的点作为候选点。设中间点与环上采样点的灰度差值vk,相邻的vk正负符号相反情况的数量即突变数为t1,与中心点灰度值差值的绝对值小于局部阈值的采样点个数t2,比中心点灰度值大的采样点个数t3。其中:
条件一,LBP算子环应有四次突变,即t1=4,vk与vk-1正负符号相反为突变。
条件二,设定局部阈值T,,存在t2个满足|vk|≤T(x,y)的像素点为相近点,T(x,y)为中心点处的局部阈值,本实施例中设置t2要小于总采样点数的一半。
条件三,其余点应该同时比中心点灰度大或比中心点灰度小,其余点指的是除去条件二统计过的t2个采样点之外的其余点。其中,比中心点灰度值大的其余采样点的个数t3的值需要大于等于总点数的3/4或者小于等于总点数的1/4。
每个坐标位置(x,y)的中心点,可以根据上述三个条件可得到满足条件的单次LBP结果S1(x,y),S1(x,y)上记录了该点是否为候选点
4)调整半径r和角度θ,再次重复1)至3)两次,得到单次LBP结果矩阵S2和S3,综合得到结果矩阵S0,S0表示了三种不同半径和角度情况下,有至少两种都为候选点的点,对于每个坐标位置(x,y),S0(x,y)值计算方式
图3为不同粗细的线通过三个尺度的LBP算子示意图。
三、结果聚类的详细步骤如下:
1)图4为密度聚类示意图,本实施例建立不同角度的矩形真值矩阵Vk,采取卷积方式计算每个位置的点密度,得到密度矩阵D:
然后设定阈值排除密度过小(小于设定阈值)的部分,得到一个二值图D01。例如当矩形真值矩阵为3*7大小时,设定阈值为7。对于位置(x,y)的值D01(x,y),当D(x,y)小于7时为0,D(x,y)大于等于7时为1:
2)使用递归方式统计D01每一个8连通区域的面积和左右跨度,根据占据的像素数和整个画幅的大小来设定阈值(面积阈值和跨度阈值),排除面积小于当图片缩放为640*480时的等效200个像素点的部分和跨度小于画幅横向大小的1/4的部分。
3)将上一步留下的的区域标记为电线,然后剩已排除的区域的左邻域或者右邻域有已经标记为电线的也将其重新标记为电线。
4)输出结果矩阵S,S为检测结果二值图。
测试数据使用了实拍照片和仿真照片,将图像缩放至200万像素大小左右,然后转换为灰度归一化图像,作为输入,图5为本发明一实施例的测试样例。其中实拍照片44张,仿真照片780张,输出结果中有明显的电线则认为识别成功,识别率如表1所示。表1是本实验样例对于实拍44张图像和仿真780张图像的测试结果。平均检测时间在2s左右。
表1
测试图像种类 | 总数目 | 检测到电线的数目 | 检测率 |
真实照片 | 44 | 38 | 86.4% |
仿真照片 | 780 | 623 | 79.8% |
从表1可以看出,真实照片和仿真照片都可以达到80%左右的检测率。仿真照片当中添加的抛物线有一些复杂的背景导致了检测率比真实照片,例如波涛的水面、嶙峋的峭壁等,这种背景一般在实际场景当中很难遇到。
综上所述,本实施例在LBP基础上,对其进行了改进:1)通过向量化编程来提升处理效率;2)重新设计了LBP方法的阈值选取策略,与经典的移动平均法相结合,以及采取综合多个不同尺度LBP算子的方式来提升LBP方法的稳定性。本文最后再辅助以去雾算法,并通过密度聚类分析对电线检测结果去除伪目标,从而提取出电线。测试结果表明:本文方法能高效地识别出光学图像中的线状目标,这对于辅助飞行员发现高压电线、保障直升机低空条件下的飞行安全有着重要意义。
以上对本发明的具体实施例进行了描述。需要理解的是,本发明并不局限于上述特定实施方式,本领域技术人员可以在权利要求的范围内做出各种变形或修改,这并不影响本发明的实质内容。
Claims (5)
1.一种基于局部二值模式的电线检测方法,其特征在于,包括如下步骤:
步骤S1,将三通道可见光图像转为灰度图像,并将灰度图像归一化得到二维矩阵I;
步骤S2,利用局部的标准差作为计算灰度图像全图的局部阈值,同时滤去标准差不满足要求的部分;
步骤S3,采取局部阈值进行LBP计算:
步骤S3.1,设定LBP算子环半径r和算子环上采样点相隔的角度θ,总共有360°/θ个采样点,若中心点坐标为(x0,y0),那么LBP算子环上第k个采样点的坐标为(x0+Δxk,y0+Δyk),其中采样点与中心点的相对坐标偏移Δxk和Δyk如下:
步骤S3.2,第k个采样点构成的矩阵为Ik,其中坐标为(x,y)的点的值Ik(x,y)由矩阵I平移得到:
步骤S3.3,设坐标为(x,y)的中心点与算子环上第k个采样点的灰度差值分别为vk,相邻的vk正负符号相反情况的数量即突变数为t1,算子环上k个采样点中:与中心点灰度值差值的绝对值小于局部阈值的采样点个数为t2,比中心点灰度值大的采样点个数为t3,其中:
设:
条件一,当突变数t1=4时,vk与vk-1正负符号相反的情况出现了四处;
条件二,设定局部阈值T,存在t2个满足|vk|≤T(x,y)的与中心点灰度值相近的采样点,T(x,y)为中心点处的局部阈值,设置t2小于总采样点数的一半;
条件三,其余采样点应当同时比中心点灰度值大或比中心点灰度值小,其余采样点指的是除去条件二中统计过的t2个采样点之外的其他点;其中,比中心点灰度值大的其余采样点的个数t3的值需要大于等于总点数的3/4或者小于等于总点数的1/4;
每个坐标位置为(x,y)的中心点,得到满足条件的单次LBP结果S1(x,y)为:
步骤S3.4,调整算子环半径r和角度θ,重复步骤S3.1至S3.3两次,得到单次LBP结果矩阵S2和S3,综合得到结果矩阵S0,对于每个坐标位置(x,y),S0(x,y)值计算方式如下:
步骤S4,重复步骤S3进行两次不同尺度的LBP计算,综合三次结果得到一张二值图;
步骤S5,对步骤S4中得到的二值图进行密度聚类分析,再按照8连通区域分析、合并结果,得到检测结果二值图;包括如下步骤:
步骤S5.1,建立不同角度的矩形真值矩阵Vk,采取卷积方式计算每个位置的点密度,得到密度矩阵D:
然后设定阈值排除密度小于设定阈值a的部分,得到一个二值图D01;所述阈值根据矩形真值矩阵的大小设定;对于位置(x,y)的值D01(x,y),当D(x,y)小于a时为0,D(x,y)大于等于a时为1:
步骤S5.2,使用递归方式统计D01每一个8连通区域的面积和左右跨度,根据占据的像素数和整个画幅的大小来设定面积阈值和跨度阈值,排除面积小于面积阈值的部分和跨度小于跨度阈值的部分;
步骤S5.3,将面积和跨度同时达到步骤S5.2中的两个阈值条件的区域标记为电线,已排除的区域中左邻域和/或右邻域存在已经标记为电线的区域也将其重新标记为电线,得到检测结果二值图。
3.根据权利要求1所述的基于局部二值模式的电线检测方法,其特征在于,
面积阈值设定为:当图片缩放为640*480时的等效200个像素点
跨度阈值设定为:当图片缩放为640*480时的等效160个像素点,也就是画幅横向大小的1/4。
4.根据权利要求1所述的基于局部二值模式的电线检测方法,其特征在于,设矩形真值矩阵的大小为3*7,设定阈值a为7;对于位置(x,y)的值D01(x,y),当D(x,y)小于7时为0,D(x,y)大于等于7时为1。
5.根据权利要求1至4中任一项所述的基于局部二值模式的电线检测方法,其特征在于,还包括如下步骤:
步骤S6,输出检测结果二值图。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810520384.8A CN108805050B (zh) | 2018-05-28 | 2018-05-28 | 基于局部二值模式的电线检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810520384.8A CN108805050B (zh) | 2018-05-28 | 2018-05-28 | 基于局部二值模式的电线检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108805050A CN108805050A (zh) | 2018-11-13 |
CN108805050B true CN108805050B (zh) | 2021-01-01 |
Family
ID=64090489
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810520384.8A Active CN108805050B (zh) | 2018-05-28 | 2018-05-28 | 基于局部二值模式的电线检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108805050B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110569716A (zh) * | 2019-07-26 | 2019-12-13 | 浙江工业大学 | 一种货架图像翻拍检测方法 |
CN110705608A (zh) * | 2019-09-12 | 2020-01-17 | 杭州惠合信息科技有限公司 | 零售终端陈列货架翻拍识别方法及装置 |
FR3101432B1 (fr) | 2019-09-27 | 2021-09-03 | Airbus Helicopters | Procédé et système de détection d’obstacles filaires pour aéronef |
CN111862178B (zh) * | 2020-07-31 | 2022-09-30 | 易思维(杭州)科技有限公司 | 改进的lbp特征提取方法 |
CN113592032B (zh) * | 2021-08-18 | 2023-04-18 | 电子科技大学 | 一种基于物理模型约束的红外成像虚警源分类方法 |
CN116305427B (zh) * | 2023-02-20 | 2023-11-28 | 中国建筑西南设计研究院有限公司 | 一种抗震设防参数处理方法、装置、电子设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101872416A (zh) * | 2010-05-06 | 2010-10-27 | 复旦大学 | 对道路图像进行车牌识别的方法和系统 |
US8406483B2 (en) * | 2009-06-26 | 2013-03-26 | Microsoft Corporation | Boosted face verification |
CN106525027A (zh) * | 2016-11-02 | 2017-03-22 | 上海航天控制技术研究所 | 一种基于局部二值模式的星敏感器星点提取方法 |
CN106874912A (zh) * | 2016-12-20 | 2017-06-20 | 银江股份有限公司 | 一种基于改进lbp算子的图像目标检测方法 |
CN107273824A (zh) * | 2017-05-27 | 2017-10-20 | 西安电子科技大学 | 基于多尺度多方向局部二值模式的人脸识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10891541B2 (en) * | 2016-05-16 | 2021-01-12 | Canon Kabushiki Kaisha | Devices, systems, and methods for feature encoding |
-
2018
- 2018-05-28 CN CN201810520384.8A patent/CN108805050B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8406483B2 (en) * | 2009-06-26 | 2013-03-26 | Microsoft Corporation | Boosted face verification |
CN101872416A (zh) * | 2010-05-06 | 2010-10-27 | 复旦大学 | 对道路图像进行车牌识别的方法和系统 |
CN106525027A (zh) * | 2016-11-02 | 2017-03-22 | 上海航天控制技术研究所 | 一种基于局部二值模式的星敏感器星点提取方法 |
CN106874912A (zh) * | 2016-12-20 | 2017-06-20 | 银江股份有限公司 | 一种基于改进lbp算子的图像目标检测方法 |
CN107273824A (zh) * | 2017-05-27 | 2017-10-20 | 西安电子科技大学 | 基于多尺度多方向局部二值模式的人脸识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108805050A (zh) | 2018-11-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108805050B (zh) | 基于局部二值模式的电线检测方法 | |
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
CN105261017B (zh) | 基于路面约束的图像分割法提取行人感兴趣区域的方法 | |
CN107610114B (zh) | 基于支持向量机的光学卫星遥感影像云雪雾检测方法 | |
Li et al. | Road lane detection with gabor filters | |
CN102629326A (zh) | 一种基于单目视觉的车道线检测方法 | |
Wang et al. | An overview of 3d object detection | |
Kim et al. | Autonomous vehicle detection system using visible and infrared camera | |
Gilly et al. | A survey on license plate recognition systems | |
Rajput et al. | Using radon transform to recognize skewed images of vehicular license plates | |
Liu et al. | Vehicle detection from aerial color imagery and airborne LiDAR data | |
Teutsch | Moving object detection and segmentation for remote aerial video surveillance | |
Miller et al. | Person tracking in UAV video | |
Khin et al. | License plate detection of Myanmar vehicle images captured from the dissimilar environmental conditions | |
Raikar et al. | Automatic building detection from satellite images using internal gray variance and digital surface model | |
Sato et al. | Seat Belt Detection Using Genetic Algorithm-Based Template Matching | |
Amusan et al. | Nigerian vehicle license plate recognition system using artificial neural network | |
Patel et al. | A novel approach for detecting number plate based on overlapping window and region clustering for Indian conditions | |
Hossen et al. | License plate detection and recognition system based on morphological approach and feed-forward neural network | |
Yetgin et al. | PLD: Power line detection system for aircrafts | |
Avudaiamma et al. | Automatic building extraction from VHR satellite image | |
Sushma et al. | Text detection in color images | |
Mir et al. | Automated speed limit identification for efficient driving system | |
Hadi et al. | A review of infrared spectrum in human detection for surveillance systems | |
Brehar et al. | A study of the impact of HOG and LBP based temporal association on far infrared pedestrian detection |
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 |