CN109766889B - 基于曲线拟合的轨道图像识别后处理方法 - Google Patents
基于曲线拟合的轨道图像识别后处理方法 Download PDFInfo
- Publication number
- CN109766889B CN109766889B CN201811379681.1A CN201811379681A CN109766889B CN 109766889 B CN109766889 B CN 109766889B CN 201811379681 A CN201811379681 A CN 201811379681A CN 109766889 B CN109766889 B CN 109766889B
- Authority
- CN
- China
- Prior art keywords
- point
- track
- image
- points
- fitting
- 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
Abstract
本发明公开了一种基于曲线拟合的轨道图像识别后处理方法,包括如下步骤:S1,输入原始图像img_input,该原始图像img_input为通过深度学习方法进行轨道识别后得到的图像,并把原始图像二值化,得到二值图像img_binary;S2,找到二值图像img_binary中的最大连通域,其它非最大连通域的点都设为背景点,输出图像img_maxDomain;S3,找到图像img_maxDomain中的左右轨道线;S4,对左右轨道线进行限幅滤波,将每条轨道线中偏离较远的点过滤掉;S5,根据曲线拟合函数画出轨道线。本发明通过基于曲线拟合的图像后处理方法,可以修正识别的结果,画出更贴近真实轨道的图像。
Description
技术领域
本发明涉及轨道交通技术,具体涉及轨道交通图像处理技术。
背景技术
在轨道交通领域,基于深度学习算法,可以使用训练好的网络模型,从图像中初步识别出轨道。但识别的结果是像素点的组合,所得到的轨道边缘并不平滑,与实际差异较大。而且有时会将轨道旁其他物体识别为轨道的像素点,出现误识别的情况。
发明内容
本发明所要解决的技术问题就是提供一种基于曲线拟合的轨道图像后处理方法,以修正深度学习方法所识别出的图像结果,画出更贴近真实轨道的图像。
为解决上述技术问题,本发明采用如下技术方案:基于曲线拟合的轨道图像识别后处理方法,包括如下步骤:
S1,输入原始图像img_input,该原始图像img_input为通过深度学习方法进行轨道识别后得到的图像,并把原始图像二值化,得到二值图像img_binary;
S2,找到二值图像img_binary中的最大连通域,其它非最大连通域的点都设为背景点,输出图像img_maxDomain;
S3,找到图像img_maxDomain中的左右轨道线;
S4,对左右轨道线进行限幅滤波,将每条轨道线中偏离较远的点过滤掉;
S5,根据曲线拟合函数画出轨道线。
优选的,步骤S1中按灰度图读入原始图像img_input,二值化处理是将图像分为前景和背景,像素值为0的点,保留原有像素值,像素值非0的点,值都设为1。
优选的,步骤S2中判定连通区域的标准是采用4邻接,连通区域标记采用两步法。
优选的,步骤S3的方法为:对于图像img_maxDomain,扫描每一行像素点,记录最左非零像素点和最右非零像素点,所有的最左非零像素点构成左轨道线,所有的最右非零像素点构成右轨道线。
优选的,步骤S4的方法包括如下步骤:
1)首先要限定轨道线的起点范围,第一个有效点需要在限界范围内;
2)设定相邻两点允许的最大偏差值为2,设定计数器的初始值为1,这里相邻两点的偏差值是指相邻两点的横向距离,计数器用于处理遇到无效点时的情况:当有效点的下一个点是无效点时,计数器递增加1,下下个点与此有效点的最大偏差值,需要设为步长*计数器,当重新扫描到有效点之后,更新有效点,计数器需要重置为1;
3)从轨道线的近距离点开始扫描,若当前点超出步骤1)中设定的限界范围,则过滤当前点;然后继续扫描下一个点,直至扫描到在限界范围内的点,然后将在限界范围内的该起点,设为有效点,再进入步骤4);
4)若当前点和有效点之差大于步长*计数器,则当前点是无效点,过滤该点,计数器+1,否则保留该点并将该点设为有效点,计数器重置为1;
5)重复4),直到轨道线中所有点被遍历。
优选的,步骤S5中,对于不同的轨道,具有不同的曲率参数,选取拟合度最优的一种拟合函数作为对应轨道的拟合函数。
优选的,拟合函数的形式如下:
使用最小二乘法来确定拟合函数的拟合度性能,
拟合度的计算公式为:
其中,Q即为残差平方和,Q=∑(y-y*)2,y代表的是实测值,y*代表的是预测值;基于大量样本图像,对多种拟合函数求取拟合度,再进行对比,最终选取平均拟合度最高的函数作为拟合函数。
优选的,步骤S5画出的轨道线的宽度为单像素。
本发明采用上述技术方案,通过基于曲线拟合的图像后处理方法,可以修正识别的结果,画出更贴近真实轨道的图像。
因此,本发明具有如下有益效果:
1)将轨道旁边其它误识别的干扰物剔除,从而更精确地定位出轨道的位置。
2)经过曲线拟合处理后的轨道是连续的曲线,相比于深度学习方法的识别结果(离散点的集合),处理后的图像可以更准确的表示出真实轨道。
具体实施方式
本发明要解决的技术问题就是提供一种基于曲线拟合的轨道图像后处理方法,以修正深度学习方法所识别出的图像结果。
整个方法的具体流程是:
S1,输入原始图像img_input,该原始图像img_input为通过深度学习方法进行轨道识别后得到的图像,并把原始图像二值化,得到二值图像img_binary;
S2,找到二值图像img_binary中的最大连通域,其它非最大连通域的点都设为背景点,输出图像img_maxDomain;
S3,找到图像img_maxDomain中的左右轨道线;
S4,对左右轨道线进行限幅滤波,将每条轨道线中偏离较远的点过滤掉;
S5,根据曲线拟合函数画出轨道线。
其中,步骤S1的具体方法为:
输入基于深度学习方法进行轨道识别得到的图像,按灰度图的方式读入该图像,然后将图像做二值化处理,分为前景(感兴趣的区域)和背景(不感兴趣的点)。像素值为0的点,保留原有像素值;像素值非0的点,值都设为1。
步骤S2的具体方法为:
进行连通区域分析,标记出此二值图像的所有连通区域,然后再从中选取非零像素点最多的一个连通区域(即最大连通域),并将其它连通域的像素值设为0。
连通区域一般是指图像中具有相同像素值且位置相邻的前景像素点组成的图像区域。常见的邻接关系有2种:4邻接与8邻接,本方法中判定连通区域的标准是采用4邻接(即认为如果某点在当前点的上下左右位置,则认为此点和当前点在一个连通区域内)。
连通区域标记的常用算法有两步法、种子填充法等。本发明中采用的是两步法,即通过扫描两遍二值图像,将图像中存在的所有连通区域找出并标记。这里的扫描方式是按行访问图像的所有像素。第一遍扫描时赋予每个像素位置一个标签,扫描过程中识别出邻接关系的点则被分配同一个标签,但同一个连通区域内的像素集合中也可能会被赋予了多个不同标签,因此需要将这些属于同一个连通区域但具有不同值的标签合并,也就是记录它们之间的相等关系;第二遍扫描就是将具有相等关系的标签集合equaL_labels所标记的像素归为一个连通区域并赋予一个相同的标签label(通常这个label是equal_labels中的最小值)。
步骤S3的具体方法为:
对于步骤S2处理后得到的图像,扫描每一行像素点,记录最左非零像素点和最右非零像素点。所有的最左非零像素点构成左轨道线,所有的最右非零像素点构成右轨道线。
步骤S4的具体方法为:
通过限幅滤波,可以将轨道曲线中过于偏离的点剔除。对于左右轨道线分别做限幅滤波处理,处理过程一致。这里以左轨道线为例:
1、因为相机安装在列车的固定位置上,故轨道在相机中的成像位置也在一定的范围内。为了更有效的滤波,首先要限定轨道线的起点范围,第一个有效点需要在限界范围内。
2、设定相邻两点允许的最大偏差值(即步长,本方法中设为2),设定计数器的初始值(本方法中设为1)。这里相邻两点的偏差值是指相邻两点的横向距离。计数器用于处理遇到无效点时的情况:当有效点的下一个点是无效点时,计数器递增加1,下下个点与此有效点之间,允许的最大偏差值需要设为步长*2,若仍超出此值范围,则下一次最大偏差值设为步长*3,以此内推。当重新扫描到有效点之后,更新有效点,计数器需要重置为1。
3、从轨道线的近距离点(以相机为参照物)开始扫描。若当前点超出步骤1中设定的限界范围,则过滤当前点;然后继续扫描下一个点,直至扫描到在限界范围内的点。然后将在限界范围内的该起点,设为有效点,再进入步骤4。
4、若当前点和有效点之差大于步长*计数器,则当前点是无效点,过滤该点,计数器+1。否则保留该点并将该点设为有效点,计数器重置为1。
5、重复4,直到左轨道线中所有点被遍历。
步骤S5的具体方法为:
对于不同的轨道,具有不同的曲率参数,选取拟合度最优的一种拟合函数作为对应轨道的拟合函数,以达到最优的效果。
拟合函数的形式如下:
实际中常用的拟合函数有指数函数、三角函数、幂函数等,根据特定轨道图像数据的分布特点来选取合适的拟合函数。
本发明使用最小二乘法,即以残差平方和最小问题的解来确定拟合函数的拟合度性能。
拟合度的计算公式为:
其中,Q即为残差平方和,Q=∑(y-y*)2,y代表的是实测值,y*代表的是预测值。
本方法基于大量样本图片,对多种拟合函数求取拟合度,再进行对比,最终选取平均拟合度最高的函数作为拟合函数,即四次多项式拟合函数。
指数函数的形式:
多项式的形式:
这里选取n=1,2,3,4。
根据步骤S4中滤波处理后的轨道线,可由矩阵方程Y=AX,求解得到拟合函数的参数ao…a4。左右轨道线分别有各自的参数值。
最后根据轨道线的范围在图像中标出拟合的轨道曲线,轨道曲线的宽度为单像素。
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,熟悉该本领域的技术人员应该明白本发明包括但不限于上面具体实施方式中描述的内容。任何不偏离本发明的功能和结构原理的修改都将包括在权利要求书的范围中。
Claims (6)
1.基于曲线拟合的轨道图像识别后处理方法,其特征在于包括如下步骤:
S1,输入原始图像img_input,该原始图像img_input为通过深度学习方法进行轨道识别后得到的图像,并把原始图像二值化,得到二值图像img_binary;
S2,找到二值图像img_binary中的最大连通域,其它非最大连通域的点都设为背景点,输出图像img_maxDomain;
S3,找到图像img_maxDomain中的左右轨道线;
步骤S3的方法为:对于图像img_maxDomain,扫描每一行像素点,记录最左非零像素点和最右非零像素点,所有的最左非零像素点构成左轨道线,所有的最右非零像素点构成右轨道线;
S4,对左右轨道线进行限幅滤波,将每条轨道线中偏离较远的点过滤掉;
步骤S4的方法包括如下步骤:
1)首先要限定轨道线的起点范围,第一个有效点需要在限界范围内;
2)设定相邻两点允许的最大偏差值为2,设定计数器的初始值为1,这里相邻两点的偏差值是指相邻两点的横向距离,计数器用于处理遇到无效点时的情况:当有效点的下一个点是无效点时,计数器递增加1,下下个点与此有效点的最大偏差值,需要设为步长*计数器,所述步长为相邻两点允许的最大偏差值,当重新扫描到有效点之后,更新有效点,计数器需要重置为1;
3)从轨道线的近距离点开始扫描,若当前点超出步骤1)中设定的限界范围,则过滤当前点;然后继续扫描下一个点,直至扫描到在限界范围内的点,然后将在限界范围内的该起点,设为有效点,再进入步骤4);
4)若当前点和有效点之差大于步长*计数器,则当前点是无效点,过滤该点,计数器+1,否则保留该点并将该点设为有效点,计数器重置为1;
5)重复4),直到轨道线中所有点被遍历;
S5,根据曲线拟合函数画出轨道线。
2.根据权利要求1所述的基于曲线拟合的轨道图像识别后处理方法,其特征在于:步骤S1中按灰度图读入原始图像img_input,二值化处理是将图像分为前景和背景,像素值为0的点,保留原有像素值,像素值非0的点,值都设为1。
3.根据权利要求1所述的基于曲线拟合的轨道图像识别后处理方法,其特征在于:步骤S2中判定连通区域的标准是采用4邻接,连通区域标记采用两步法。
4.根据权利要求1至3中任意一项所述的基于曲线拟合的轨道图像识别后处理方法,其特征在于:步骤S5中,对于不同的轨道,具有不同的曲率参数,选取拟合度最优的一种拟合函数作为对应轨道的拟合函数。
6.根据权利要求1所述的基于曲线拟合的轨道图像识别后处理方法,其特征在于:步骤S5画出的轨道线的宽度为单像素。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811379681.1A CN109766889B (zh) | 2018-11-19 | 2018-11-19 | 基于曲线拟合的轨道图像识别后处理方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811379681.1A CN109766889B (zh) | 2018-11-19 | 2018-11-19 | 基于曲线拟合的轨道图像识别后处理方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109766889A CN109766889A (zh) | 2019-05-17 |
CN109766889B true CN109766889B (zh) | 2021-04-09 |
Family
ID=66450167
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811379681.1A Active CN109766889B (zh) | 2018-11-19 | 2018-11-19 | 基于曲线拟合的轨道图像识别后处理方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109766889B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742975B (zh) * | 2022-06-10 | 2022-09-02 | 西南交通大学 | 一种车载图像铁轨曲线建模方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1894855A (zh) * | 2003-03-21 | 2007-01-10 | D2音频有限公司 | 用于限幅检测和信号修改的系统和方法 |
CN103500322A (zh) * | 2013-09-10 | 2014-01-08 | 北京航空航天大学 | 基于低空航拍图像的车道线自动识别方法 |
CN104657727A (zh) * | 2015-03-18 | 2015-05-27 | 厦门麦克玛视电子信息技术有限公司 | 一种车道线的检测方法 |
CN105006105A (zh) * | 2015-08-04 | 2015-10-28 | 三峡大学 | 一种基于红外探测的眼睛状态识别装置及方法 |
CN105933611A (zh) * | 2016-06-29 | 2016-09-07 | 南京雅信科技集团有限公司 | 轨道异物侵限识别中防摄像头抖动的动态包络线绘制方法 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102156979B (zh) * | 2010-12-31 | 2012-07-04 | 上海电机学院 | 基于GrowCut的车道线快速检测方法及系统 |
CN102722705B (zh) * | 2012-06-12 | 2014-04-30 | 武汉大学 | 一种基于ransac算法的多车道线检测方法 |
CN104537342B (zh) * | 2014-12-24 | 2017-08-11 | 福州大学 | 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 |
CN107330380A (zh) * | 2017-06-14 | 2017-11-07 | 千寻位置网络有限公司 | 基于无人机航拍影像的车道线自动提取和识别方法 |
CN108470159B (zh) * | 2018-03-09 | 2019-12-20 | 腾讯科技(深圳)有限公司 | 车道线数据处理方法、装置、计算机设备和存储介质 |
-
2018
- 2018-11-19 CN CN201811379681.1A patent/CN109766889B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1894855A (zh) * | 2003-03-21 | 2007-01-10 | D2音频有限公司 | 用于限幅检测和信号修改的系统和方法 |
CN103500322A (zh) * | 2013-09-10 | 2014-01-08 | 北京航空航天大学 | 基于低空航拍图像的车道线自动识别方法 |
CN104657727A (zh) * | 2015-03-18 | 2015-05-27 | 厦门麦克玛视电子信息技术有限公司 | 一种车道线的检测方法 |
CN105006105A (zh) * | 2015-08-04 | 2015-10-28 | 三峡大学 | 一种基于红外探测的眼睛状态识别装置及方法 |
CN105933611A (zh) * | 2016-06-29 | 2016-09-07 | 南京雅信科技集团有限公司 | 轨道异物侵限识别中防摄像头抖动的动态包络线绘制方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109766889A (zh) | 2019-05-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP3309703A1 (en) | Method and system for decoding qr code based on weighted average grey method | |
CN110516550B (zh) | 一种基于fpga的车道线实时检测方法 | |
CN112837303A (zh) | 一种用于模具监视的缺陷检测方法、装置、设备及介质 | |
CN109241973B (zh) | 一种纹理背景下的字符全自动软分割方法 | |
CN108108734B (zh) | 一种车牌识别方法及装置 | |
JP6811217B2 (ja) | コンクリート表面上のひび割れ特定方法、ひび割れ特定装置、ひび割れ特定システム及びプログラム | |
CN113780110A (zh) | 一种图像序列中弱小目标实时检测方法及设备 | |
CN109741273A (zh) | 一种手机拍照低质图像的自动处理与评分方法 | |
CN111598076B (zh) | 一种标签图像中日期检测处理方法及装置 | |
CN111340041B (zh) | 一种基于深度学习的车牌识别方法及装置 | |
CN111311497B (zh) | 一种条形码图像角度校正方法和装置 | |
CN117094975A (zh) | 钢铁表面缺陷检测方法、装置及电子设备 | |
CN111079541B (zh) | 一种基于单目视觉的道路停止线检测方法 | |
CN110782470B (zh) | 一种基于形状信息的腕骨区域分割方法 | |
CN109766889B (zh) | 基于曲线拟合的轨道图像识别后处理方法 | |
JP2004030188A (ja) | 画像の領域分割方法、画像の領域分割装置、画像の領域分割プログラム | |
CN105205829A (zh) | 基于改进的二维Otsu的变电站红外图像分割方法 | |
CN117132503A (zh) | 一种图像局部高亮区域修复方法、系统、设备及存储介质 | |
CN111242051A (zh) | 一种车辆识别优化方法、装置及存储介质 | |
CN111241911A (zh) | 一种自适应的车道线检测方法 | |
CN107704864A (zh) | 基于图像对象性语义检测的显著目标检测方法 | |
CN113643290B (zh) | 一种基于图像处理的吸管计数方法、装置及存储介质 | |
CN107358138B (zh) | 非线性畸变ean条码的校正方法、移动终端及存储装置 | |
CN112669346B (zh) | 一种路面突发状况确定方法及装置 | |
CN107688812A (zh) | 一种基于机器视觉的食品生产日期喷墨字体修复方法 |
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 |