CN110147749A - 一种民航丢失行李辅助找回方法 - Google Patents
一种民航丢失行李辅助找回方法 Download PDFInfo
- Publication number
- CN110147749A CN110147749A CN201910392344.4A CN201910392344A CN110147749A CN 110147749 A CN110147749 A CN 110147749A CN 201910392344 A CN201910392344 A CN 201910392344A CN 110147749 A CN110147749 A CN 110147749A
- Authority
- CN
- China
- Prior art keywords
- feature vector
- luggage
- image
- target area
- ccv
- 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
- 238000000034 method Methods 0.000 title claims abstract description 43
- 239000013598 vector Substances 0.000 claims abstract description 129
- 230000002159 abnormal effect Effects 0.000 claims abstract description 25
- 230000004927 fusion Effects 0.000 claims abstract description 19
- 239000012141 concentrate Substances 0.000 claims abstract description 16
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 238000006116 polymerization reaction Methods 0.000 claims description 10
- 238000013139 quantization Methods 0.000 claims description 8
- 238000000605 extraction Methods 0.000 claims description 6
- 238000003709 image segmentation Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000011524 similarity measure Methods 0.000 claims description 3
- 239000003086 colorant Substances 0.000 claims description 2
- 238000005286 illumination Methods 0.000 claims description 2
- 230000008859 change Effects 0.000 abstract description 8
- 230000003993 interaction Effects 0.000 abstract description 2
- 230000000694 effects Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 5
- 238000001514 detection method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 229910002056 binary alloy Inorganic materials 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000007639 printing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012887 quadratic function Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 230000016776 visual perception Effects 0.000 description 1
Classifications
-
- G06Q50/40—
-
- 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
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02W—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO WASTEWATER TREATMENT OR WASTE MANAGEMENT
- Y02W90/00—Enabling technologies or technologies with a potential or indirect contribution to greenhouse gas [GHG] emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
一种民航丢失行李辅助找回方法。其包括将旅客托运的行李进行拍摄而获得行李集;将行李集中每张目标区域图像进行CCV特征向量、SIFT特征向量和LBP特征向量提取;将异常行李图像进行相同处理;将异常行李图像三种特征向量与行李集中所有目标区域图像的三种特征向量进行相似度计算得到三个相似度值;将相似度值进行加权融合得到融合特征相似度;将融合特征相似度值排序,选取融合特征相似度值最前的十个行李找到失主等步骤;本发明效果:利用行李表面的全局以及局部特征作为找回的依据,再通过人机交互进行行李的找回,这些特征是一直伴随行李的,无法丢失的,因此更具有现实使用价值,可以为航空公司节省大量的非正常开销。
Description
技术领域
本发明属于民用航空技术领域,特别是涉及一种民航丢失行李辅助找回方法。
背景技术
在航空行李运输过程中,行李处理运输环节多,且存在很多转运的行李,这就使得行李的丢失问题时常发生。根据国际航空电信协会(SITA)2018年航空运输行李报告,每千名旅客的错运行李率为5.57件,由此为航空业带来了约23亿美元的损失,为此行李的准确追踪,特别是找回丢失的行李,对于降低不正常行李处理成本尤为重要。行李丢失的最主要原因是,行李标签的破损、打印不清楚、或拴挂不牢,造成行李无法标识,导致行李在运输的某个环节中分拣失败未被装上飞机或被送上了错误的航班。丢失的行李可能会出现在任何一个机场,最后由机场或航空公司客服部门来分析其来源。对于丢失行李的旅客和承运人而言,需要到行李查询台进行申报或者主动打电话到全国各机场寻找自己的行李。目前旅客行李丢失上报后,航空公司会根据旅客所乘坐的航班一程一程地往上找,效率低下,或者将信息输入在全球“WorldTracer”寻找行李的系统中,“WorldTracer”主要是登记丢失行李的行李牌号码,所属姓名、行李箱颜色以及品牌等,对于行李标签破损或丢失的行李箱,所录入的信息更少,而且“WorldTracer”是一个全球通用的系统,行李状态更新速率慢也是很大的问题。
在网络迅速发展的今天,图像在网络中的快速有效传递变得日趋重要。图像可以极大丰富人们的视觉感官,并且可以更直接迅速地为人们传递信息。图像中含有大量并且丰富的信息,因此我们可以通过图像来学习和认识外界的环境。利用图像内容信息进行检索的技术也在逐渐成熟。因此目前急需发明一种将机场丢失的行李找回的问题与图像检索技术相融合的民航无主行李找回方法。
发明内容
为了解决上述问题,本发明的目的在于提供一种民航丢失行李辅助找回方法。
为了达到上述目的,本发明提供的民航丢失行李辅助找回方法包括按顺序进行的下列步骤:
1)利用自助托运行李装置内部安装的摄像机将旅客托运的行李进行多角度多方向拍摄而获得多张原始图像并统一进行归一化处理,然后采用grabcut分割技术从归一化后的图像中提取出含有行李的目标区域图像,由所有目标区域图像组成行李集;
2)将上述行李集中的每张目标区域图像分别进行CCV特征向量、SIFT特征向量和LBP特征向量的提取;
3)将客服人员收集的被遗漏的异常行李图像按照步骤1)、2)的方法进行处理,得到该异常行李图像的CCV特征向量、SIFT特征向量和LBP特征向量;
4)将某一件异常行李图像的CCV特征向量、SIFT特征向量和LBP特征向量分别与行李集中所有目标区域图像的CCV特征向量、SIFT特征向量和LBP特征向量分别进行相似度计算,得到三个相似度值;
5)将上述步骤中得到的某件异常行李图像分别与行李集中每一张目标区域图像的CCV特征向量、SIFT特征向量和LBP特征向量的相似度值进行加权融合而得到一个融合特征相似度;
6)将异常行李图像与行李集中所有目标区域图像的融合特征相似度值从小到大进行排序,选取融合特征相似度值最前的十个行李,进行人为辨认后,最后根据自助行李托运系统的关联信息查找到失主;
7)若第一个角度的异常行李图像的检测结果不是很好,更换第二张异常行李图像并按照步骤3)至步骤6)而再次进行处理,直至查找到该失主。
在步骤1)中,所述的原始图像进行归一化处理的方法是将原始图像统一处理成640*480的像素大小。
在步骤2)中,所述的CCV特征向量的提取方法是采用均匀量化的方法将目标区域图像的0-255个颜色区间均匀量化成27个颜色区间,即使得目标区域图像中只剩下27个颜色;然后根据像素间的连通性将均匀量化后的图像分割成若干个颜色连通区域,计算每个颜色连通区域内的像素点个数,若其像素点个数小于设定的阈值,则该颜色连通区域是不聚合的,否则是聚合的;设Ci和Ni分别表示第i个颜色连通区域的聚合像素值总数和非聚合像素值总数,那么最终的CCV特征向量表示为:Q=<(C1,N1),(C2,N2),…(Ci,Ni),…(Cn,Nn)>;
SIFT特征向量的提取方法是:
1.尺度空间极值检测:SIFT特征中的尺度空间L(x,y,σ)定义为一个变化尺度的高斯函数G(x,y,σ)与图像I(x,y)的卷积:
其中I(x,y)表示行李集中某一张目标区域图像的灰度图像,G(x,y,σ)为高斯函数,表示卷积;
搜索所有尺度上的图像位置,构建高斯金字塔;通过高斯微分函数其中σ为图像尺度参数,即模糊系数;
2.特征点定位:在每个候选的位置上,通过一个拟合精细的模型来确定位置和尺度;
3.方向确定:基于图像局部的梯度方向,分配给每个特征点位置一个或多个方向;
4.特征点描述:在每个特征点周围的邻域内,在选定的尺度上测量图像局部的梯度;这些梯度被变换成一种表示,这种表示允许比较大的局部形状的变形和光照变化,从而用这种表示形成SIFT特征向量;
LBP特征向量的提取方法是将其定义在一个3×3的窗口内,以窗口中心像素点的灰度值作为阈值,与最邻近的8个像素点的灰度值进行比较,若周围某个像素点的像素值大于中心像素值,则将该像素点的位置标记为1,否则标记为0,将上述得到的二进制数转换为十进制,作为窗口中心像素点的LBP特征向量。
在步骤4)中,所述的将某一件异常行李图像的CCV特征向量、SIFT特征向量和LBP特征向量分别与行李集中所有目标区域图像的CCV特征向量、SIFT特征向量和LBP特征向量分别进行相似度计算,得到三个相似度值的方法是:
对于CCV特征向量,Q代表行李集中某张目标区域图像的CCV特征向量,I代表某件异常行李图像的CCV特征向量;
Q=<(C1,N1),(C2,N2),…(Ci,Ni),…(Cn,Nn)>
I=<(c1,n1),(c2,n2),…(ci,ni),…(cn,nn)>
则上述两张图像的相似度表示为:
对于SIFT特征向量,所有图像的SIFT特征向量经过VLAD算法聚合后形成一个1行128列的向量,然后采用欧式距离来表示两张图像间的相似度:其中X1k表示异常行李图像的SIFT特征向量,X2k表示行李集中一张目标区域图像的特征向量;
对于LBP特征向量,两张图像的相似性计算公式为:其中Y1k表示异常行李图像的LBP特征向量,Y2k表示行李集中一张目标区域图像的LBP特征向量。
在步骤5)中,所述的融合特征相似度的计算公式为:其中S1表示CCV特征向量,S2表示SIFT特征向量,S3表示LBP特征向量;ω1,ω2,ω3分别表示这三种特征向量的权重,满足ω1+ω2+ω3=1。
本发明提供的民航丢失行李辅助找回方法具有如下有益效果:
本方法是利用行李表面的全局以及局部特征作为找回的依据,再通过人机交互进行行李的找回,这些特征是一直伴随行李的,无法丢失的,因此更具有现实使用价值。本方法能够有效地在丢失的无主行李集中找回旅客丢失的行李,减少客服人员找寻行李时的被动性。可以为航空公司节省大量的非正常开销。
附图说明
图1为本发明提供的民航丢失行李辅助找回方法流程图。
图2为高斯金字塔模型示意图。
具体实施方式
下面结合附图和具体实施例详细说明本发明。
如图1所示,本发明提供的民航丢失行李辅助找回方法包括按顺序进行的下列步骤:
1)利用自助托运行李装置内部安装的摄像机将旅客托运的行李进行多角度多方向拍摄而获得多张原始图像并统一进行归一化处理,然后采用grabcut分割技术从归一化后的图像中提取出含有行李的目标区域图像,由所有目标区域图像组成行李集;
旅客坐飞机前需要将携带的行李进行托运。利用自助托运行李装置内部安装的摄像机将旅客托运的行李拍摄成原始图像,由于行李每个角度的纹理是不一样的,所以需要从多角度多方向拍摄每个行李的原始图像,以防其与异常行李的角度差别过大而影响检测结果。然后将原始图像统一处理成640*480的像素大小,之后采用grabcut分割技术从归一化后的图像中提取出含有行李的目标区域图像,以防止背景中众多的特征点对行李造成影响,由所有目标区域图像组成行李集。
2)将上述行李集中的每张目标区域图像分别进行CCV特征向量、SIFT特征向量和LBP特征向量的提取;
A.CCV(color coherence vector)特征向量的提取:该特征向量能很好地表示图像的色彩信息空间。提取方法是采用均匀量化的方法将目标区域图像的0-255个颜色区间均匀量化成27个颜色区间,即使得目标区域图像中只剩下27个颜色;然后根据像素间的连通性将均匀量化后的图像分割成若干个颜色连通区域,计算每个颜色连通区域内的像素点个数,若其像素点个数小于设定的阈值(阈值通常设定为原始图像像素的1%,即640*480*1%),则该颜色连通区域是不聚合的,否则是聚合的。设Ci和Ni分别表示第i个颜色连通区域的聚合像素值总数和非聚合像素值总数,那么最终的CCV特征向量可表示为:Q=<(C1,N1),(C2,N2),…(Ci,Ni),…(Cn,Nn)>。
B.SIFT特征向量的提取:SIFT特征是一种较为稳定的局部特征,它对于旋转、光线、尺度缩放等干扰都具有很好的抵抗能力。
提取方法是:
SIFT特征中的尺度空间L(x,y,σ)定义为一个变化尺度的高斯函数G(x,y,σ)与图像I(x,y)的卷积。
其中I(x,y)表示行李集中某一张目标区域图像的灰度图像,G(x,y,σ)为高斯函数,表示卷积。高斯函数的表达式为其中σ为图像尺度参数,即模糊系数。
1.将目标区域图像不断进行降采样而得到一系列大小不一的新图像,将目标区域图像和这些新图像由大到小,从下到上进行层叠而构成高斯金字塔模型,其中目标区域图像为高斯金字塔模型的第一层,每一次降采样所得到的一张新图像为高斯金字塔模型中第二层以上的一层图像。为了让尺度体现其连续性,在高斯金字塔模型简单降采样的基础上加上了高斯滤波。将高斯金字塔模型中每一张目标区域图像或新图像使用不同参数进行高斯模糊处理,使得高斯金字塔模型中每层含有多张层叠的高斯模糊图像,将高斯金字塔模型中每层的多张高斯模糊图像称为一组,如图2所示。
接着将高斯金字塔模型的每组中相邻上下两层高斯模糊图像在空间尺度上相减,即:
D(x,y,σ)=(G(x,y、kσ)-G(x,y,σ))*I(x,y)=L(x,y、kσ)-L(x、y、σ)
而得到一张高斯差分图像,由这些高斯差分图像构成高斯差分金字塔模型。
2.然后进行空间尺度上即特征点的检测。特征点是由高斯差分空间的局部极值点组成的,极值点的寻找需要将每张高斯差分图像中的一个像素点与其所有相邻的像素点进行比较,看其图像域和尺度域比其相邻像素点的图像域和尺度域大或者小。将中间的像素点与其它同尺度(即同一组内)的8个相邻像素点以及上下层内相邻尺度对应的9×2个像素点共26个像素点进行比较,以确保在尺度空间和二维图像空间都检测到极值点。
得到极值点后,通过拟合三维二次函数来精确确定特征点的位置和尺度,同时去除低对比度的特征点和不稳定的边缘响应点,以增强匹配稳定性、提高抗噪声能力。
3.之后对特征点的方向进行确定。采集该特征点所在高斯差分图像中3σ领域窗口内像素点的梯度和方向分布特征。梯度的模值和方向如下:
L为特征点所在的尺度空间值。使用直方图统计该领域内像素点的梯度和方向,方向直方图的峰值则代表了该特征点处邻域梯度的方向,以直方图中最大值作为该特征点的方向。
4.根据每一个特征点的位置、尺度以及方向信息,为该特征点建立一个描述符,即用一组特征向量将这个特征点描述出来,得到SIFT特征向量。
C.LBP(Local Binary Pattern,局部二值模式)特征向量的提取:该特征是一种用来描述图像局部纹理特征的算子;提取方法是将其定义在一个3×3的窗口内,以窗口中心像素点的灰度值作为阈值,与最邻近的8个像素点的灰度值进行比较,若周围某个像素点的像素值大于中心像素值,则将该像素点的位置标记为1,否则标记为0,将上述得到的二进制数转换为十进制,作为窗口中心像素点的LBP特征向量。
3)将客服人员收集的被遗漏的异常行李图像按照步骤1)、2)的方法进行处理,得到该异常行李图像的CCV特征向量、SIFT特征向量和LBP特征向量;
4)将某一件异常行李图像的CCV特征向量、SIFT特征向量和LBP特征向量分别与行李集中所有目标区域图像的CCV特征向量、SIFT特征向量和LBP特征向量分别进行相似度计算,得到三个相似度值;
对于CCV特征向量,Q代表行李集中某张目标区域图像的CCV特征向量,I代表某件异常行李图像的CCV特征向量。
Q=<(C1,N1),(C2,N2),…(Ci,Ni),…(Cn,Nn)>
I=<(c1,n1),(c2,n2),…(ci,ni),…(cn,nn)>
则上述两张图像的相似度表示为:
对于SIFT特征向量,所有图像的SIFT特征向量经过VLAD算法聚合后形成一个1行128列的向量,然后采用欧式距离来表示两张图像间的相似度:其中X1k表示异常行李图像的SIFT特征向量,X2k表示行李集中一张目标区域图像的特征向量。
对于LBP特征向量,两张图像的相似性计算公式为:其中Y1k表示异常行李图像的LBP特征向量,Y2k表示行李集中一张目标区域图像的LBP特征向量。
5)将上述步骤中得到的某件异常行李图像分别与行李集中每一张目标区域图像的CCV特征向量、SIFT特征向量和LBP特征向量的相似度值进行加权融合而得到一个融合特征相似度;
融合特征相似度的计算公式为:其中S1表示CCV特征向量,S2表示SIFT特征向量,S3表示LBP特征向量;ω1,ω2,ω3分别表示这三种特征向量的权重,满足ω1+ω2+ω3=1。通过多次实验,三种特征向量的权重取值分别为ω1=0.2,ω2=0.2,ω3=0.6。
6)将异常行李图像与行李集中所有目标区域图像的融合特征相似度值从小到大进行排序,选取融合特征相似度值最前的十个行李,进行人为辨认后,最后根据自助行李托运系统的关联信息查找到失主;
7)若第一个角度的异常行李图像的检测结果不是很好,更换第二张异常行李图像并按照步骤3)至步骤6)而再次进行处理,直至查找到该失主。
Claims (5)
1.一种民航丢失行李辅助找回方法,其特征在于:所述的民航丢失行李辅助找回方法包括按顺序进行的下列步骤:
1)利用自助托运行李装置内部安装的摄像机将旅客托运的行李进行多角度多方向拍摄而获得多张原始图像并统一进行归一化处理,然后采用grabcut分割技术从归一化后的图像中提取出含有行李的目标区域图像,由所有目标区域图像组成行李集;
2)将上述行李集中的每张目标区域图像分别进行CCV特征向量、SIFT特征向量和LBP特征向量的提取;
3)将客服人员收集的被遗漏的异常行李图像按照步骤1)、2)的方法进行处理,得到该异常行李图像的CCV特征向量、SIFT特征向量和LBP特征向量;
4)将某一件异常行李图像的CCV特征向量、SIFT特征向量和LBP特征向量分别与行李集中所有目标区域图像的CCV特征向量、SIFT特征向量和LBP特征向量分别进行相似度计算,得到三个相似度值;
5)将上述步骤中得到的某件异常行李图像分别与行李集中每一张目标区域图像的CCV特征向量、SIFT特征向量和LBP特征向量的相似度值进行加权融合而得到一个融合特征相似度;
6)将异常行李图像与行李集中所有目标区域图像的融合特征相似度值从小到大进行排序,选取融合特征相似度值最前的十个行李,进行人为辨认后,最后根据自助行李托运系统的关联信息查找到失主;
7)若第一个角度的异常行李图像的检测结果不是很好,更换第二张异常行李图像并按照步骤3)至步骤6)而再次进行处理,直至查找到该失主。
2.根据权利要求1所述的民航丢失行李辅助找回方法,其特征在于:在步骤1)中,所述的原始图像进行归一化处理的方法是将原始图像统一处理成640*480的像素大小。
3.根据权利要求1所述的民航丢失行李辅助找回方法,其特征在于:在步骤2)中,所述的CCV特征向量的提取方法是采用均匀量化的方法将目标区域图像的0-255个颜色区间均匀量化成27个颜色区间,即使得目标区域图像中只剩下27个颜色;然后根据像素间的连通性将均匀量化后的图像分割成若干个颜色连通区域,计算每个颜色连通区域内的像素点个数,若其像素点个数小于设定的阈值,则该颜色连通区域是不聚合的,否则是聚合的;设Ci和Ni分别表示第i个颜色连通区域的聚合像素值总数和非聚合像素值总数,那么最终的CCV特征向量表示为:Q=<(C1,N1),(C2,N2),…(Ci,Ni),…(Cn,Nn)>;
SIFT特征向量的提取方法是:
1.尺度空间极值检测:SIFT特征中的尺度空间L(x,y,σ)定义为一个变化尺度的高斯函数G(x,y,σ)与图像I(x,y)的卷积:
其中I(x,y)表示行李集中某一张目标区域图像的灰度图像,G(x,y,σ)为高斯函数,表示卷积;
搜索所有尺度上的图像位置,构建高斯金字塔;通过高斯微分函数其中σ为图像尺度参数,即模糊系数;
2.特征点定位:在每个候选的位置上,通过一个拟合精细的模型来确定位置和尺度;
3.方向确定:基于图像局部的梯度方向,分配给每个特征点位置一个或多个方向;
4.特征点描述:在每个特征点周围的邻域内,在选定的尺度上测量图像局部的梯度;这些梯度被变换成一种表示,这种表示允许比较大的局部形状的变形和光照变化,从而用这种表示形成SIFT特征向量;
LBP特征向量的提取方法是将其定义在一个3×3的窗口内,以窗口中心像素点的灰度值作为阈值,与最邻近的8个像素点的灰度值进行比较,若周围某个像素点的像素值大于中心像素值,则将该像素点的位置标记为1,否则标记为0,将上述得到的二进制数转换为十进制,作为窗口中心像素点的LBP特征向量。
4.根据权利要求1所述的民航丢失行李辅助找回方法,其特征在于:在步骤4)中,所述的将某一件异常行李图像的CCV特征向量、SIFT特征向量和LBP特征向量分别与行李集中所有目标区域图像的CCV特征向量、SIFT特征向量和LBP特征向量分别进行相似度计算,得到三个相似度值的方法是:
对于CCV特征向量,Q代表行李集中某张目标区域图像的CCV特征向量,I代表某件异常行李图像的CCV特征向量;
Q=<(C1,N1),(C2,N2),…(Ci,Ni),…(Cn,Nn)>
I=<(c1,n1),(c2,n2),…(ci,ni),…(cn,nn)>
则上述两张图像的相似度表示为:
对于SIFT特征向量,所有图像的SIFT特征向量经过VLAD算法聚合后形成一个1行128列的向量,然后采用欧式距离来表示两张图像间的相似度:其中X1k表示异常行李图像的SIFT特征向量,X2k表示行李集中一张目标区域图像的特征向量;
对于LBP特征向量,两张图像的相似性计算公式为:其中Y1k表示异常行李图像的LBP特征向量,Y2k表示行李集中一张目标区域图像的LBP特征向量。
5.根据权利要求1所述的民航丢失行李辅助找回方法,其特征在于:在步骤5)中,所述的融合特征相似度的计算公式为:其中S1表示CCV特征向量,S2表示SIFT特征向量,S3表示LBP特征向量;ω1,ω2,ω3分别表示这三种特征向量的权重,满足ω1+ω2+ω3=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910392344.4A CN110147749B (zh) | 2019-05-10 | 2019-05-10 | 一种民航丢失行李辅助找回方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910392344.4A CN110147749B (zh) | 2019-05-10 | 2019-05-10 | 一种民航丢失行李辅助找回方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110147749A true CN110147749A (zh) | 2019-08-20 |
CN110147749B CN110147749B (zh) | 2023-05-05 |
Family
ID=67595164
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910392344.4A Active CN110147749B (zh) | 2019-05-10 | 2019-05-10 | 一种民航丢失行李辅助找回方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110147749B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460190A (zh) * | 2020-04-07 | 2020-07-28 | 中国民航信息网络股份有限公司 | 行李匹配的方法和装置 |
CN116150446A (zh) * | 2023-04-14 | 2023-05-23 | 泉州装备制造研究所 | 一种旅客行李搜索方法及系统 |
CN117037127A (zh) * | 2023-10-07 | 2023-11-10 | 四川省机场集团有限公司成都天府国际机场分公司 | 一种基于行李类型的托盘分配方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006059525B3 (de) * | 2006-12-14 | 2008-04-17 | Siemens Ag | Verfahren und Vorrichtung zur Steuerung des Transports von Gegenständen sowie Anordnung zum Transport mehrerer Gegenstände |
CN102667874A (zh) * | 2009-12-22 | 2012-09-12 | 西门子公司 | 用于识别丢失的或无法分配的行李件的方法 |
GB201322737D0 (en) * | 2012-12-27 | 2014-02-05 | Univ Tsinghua | Methods for extracting shape feature inspection methods and apparatuses |
CN104750697A (zh) * | 2013-12-27 | 2015-07-01 | 同方威视技术股份有限公司 | 基于透视图像内容的检索系统、检索方法以及安全检查设备 |
EP3113091A1 (en) * | 2015-07-01 | 2017-01-04 | Amadeus S.A.S. | Image based baggage tracking system |
EP3113090A1 (en) * | 2015-07-01 | 2017-01-04 | Amadeus S.A.S. | Baggage tracking system |
US20170004384A1 (en) * | 2015-07-01 | 2017-01-05 | Amadeus S.A.S. | Image based baggage tracking system |
CN107292907A (zh) * | 2017-07-14 | 2017-10-24 | 灵动科技(北京)有限公司 | 一种对跟随目标进行定位的方法以及跟随设备 |
CN108701287A (zh) * | 2016-03-02 | 2018-10-23 | 西门子股份公司 | 用于创建行李件的描述的方法和行李描述系统 |
CN108759712A (zh) * | 2018-05-07 | 2018-11-06 | 中国民航大学 | 激光投影立体视觉的航空行李三维探测装置 |
CN109460871A (zh) * | 2018-11-08 | 2019-03-12 | 北京首都国际机场股份有限公司 | 基于典型日识别的机场旅客量预测方法 |
-
2019
- 2019-05-10 CN CN201910392344.4A patent/CN110147749B/zh active Active
Patent Citations (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102006059525B3 (de) * | 2006-12-14 | 2008-04-17 | Siemens Ag | Verfahren und Vorrichtung zur Steuerung des Transports von Gegenständen sowie Anordnung zum Transport mehrerer Gegenstände |
CN102667874A (zh) * | 2009-12-22 | 2012-09-12 | 西门子公司 | 用于识别丢失的或无法分配的行李件的方法 |
GB201322737D0 (en) * | 2012-12-27 | 2014-02-05 | Univ Tsinghua | Methods for extracting shape feature inspection methods and apparatuses |
CN104750697A (zh) * | 2013-12-27 | 2015-07-01 | 同方威视技术股份有限公司 | 基于透视图像内容的检索系统、检索方法以及安全检查设备 |
EP3113091A1 (en) * | 2015-07-01 | 2017-01-04 | Amadeus S.A.S. | Image based baggage tracking system |
EP3113090A1 (en) * | 2015-07-01 | 2017-01-04 | Amadeus S.A.S. | Baggage tracking system |
US20170004384A1 (en) * | 2015-07-01 | 2017-01-05 | Amadeus S.A.S. | Image based baggage tracking system |
CN108701287A (zh) * | 2016-03-02 | 2018-10-23 | 西门子股份公司 | 用于创建行李件的描述的方法和行李描述系统 |
US20190095744A1 (en) * | 2016-03-02 | 2019-03-28 | Siemens Aktiengesellschaft | Method for making a description of a piece of luggage and luggage description system |
CN107292907A (zh) * | 2017-07-14 | 2017-10-24 | 灵动科技(北京)有限公司 | 一种对跟随目标进行定位的方法以及跟随设备 |
CN108759712A (zh) * | 2018-05-07 | 2018-11-06 | 中国民航大学 | 激光投影立体视觉的航空行李三维探测装置 |
CN109460871A (zh) * | 2018-11-08 | 2019-03-12 | 北京首都国际机场股份有限公司 | 基于典型日识别的机场旅客量预测方法 |
Non-Patent Citations (1)
Title |
---|
刘继晴: "基于多特征融合的视频高层语义概念检测", 《中国优秀硕士学位论文全文数据库 (信息科技辑)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111460190A (zh) * | 2020-04-07 | 2020-07-28 | 中国民航信息网络股份有限公司 | 行李匹配的方法和装置 |
CN111460190B (zh) * | 2020-04-07 | 2023-06-16 | 中国民航信息网络股份有限公司 | 行李匹配的方法和装置 |
CN116150446A (zh) * | 2023-04-14 | 2023-05-23 | 泉州装备制造研究所 | 一种旅客行李搜索方法及系统 |
CN117037127A (zh) * | 2023-10-07 | 2023-11-10 | 四川省机场集团有限公司成都天府国际机场分公司 | 一种基于行李类型的托盘分配方法 |
CN117037127B (zh) * | 2023-10-07 | 2023-12-12 | 四川省机场集团有限公司成都天府国际机场分公司 | 一种基于行李类型的托盘分配方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110147749B (zh) | 2023-05-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108573276B (zh) | 一种基于高分辨率遥感影像的变化检测方法 | |
CN108596277B (zh) | 一种车辆身份识别方法、装置和存储介质 | |
CN109784203B (zh) | 基于分层传播和激活的弱监督x光图像违禁品检查方法 | |
CN106127204B (zh) | 一种全卷积神经网络的多方向水表读数区域检测算法 | |
CN111611874B (zh) | 基于ResNet和Canny的人脸口罩佩戴检测方法 | |
CN106056155B (zh) | 基于边界信息融合的超像素分割方法 | |
CN110378308B (zh) | 改进的基于Faster R-CNN的港口SAR图像近岸舰船检测方法 | |
WO2017190574A1 (zh) | 一种基于聚合通道特征的快速行人检测方法 | |
CN108009518A (zh) | 一种基于快速二分卷积神经网络的层次化交通标识识别方法 | |
CN109829893A (zh) | 一种基于注意力机制的缺陷目标检测方法 | |
CN105844621A (zh) | 一种印刷品质量检测方法 | |
CN108921119B (zh) | 一种障碍物实时检测和分类方法 | |
CN109214420A (zh) | 基于视觉显著性检测的高纹理图像分类方法及系统 | |
CN110147749A (zh) | 一种民航丢失行李辅助找回方法 | |
CN110033002A (zh) | 基于多任务级联卷积神经网络的车牌检测方法 | |
CN104077605A (zh) | 一种基于颜色拓扑结构的行人搜索识别方法 | |
CN105678318B (zh) | 交通标牌的匹配方法及装置 | |
CN109918971A (zh) | 监控视频中人数检测方法及装置 | |
CN112818905B (zh) | 一种基于注意力和时空信息的有限像素车辆目标检测方法 | |
CN108629286A (zh) | 一种基于主观感知显著模型的遥感机场目标检测方法 | |
CN110188694B (zh) | 一种基于压力特征的穿鞋足迹序列识别方法 | |
CN107944403A (zh) | 一种图像中的行人属性检测方法及装置 | |
CN108537816A (zh) | 一种基于超像素和背景连接先验的显著物体分割方法 | |
CN105069459B (zh) | 一种针对高分辨率sar图像地物类型提取方法 | |
CN110516528A (zh) | 一种基于运动背景下的动目标检测和跟踪方法 |
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 |