CN110197185A - 一种基于尺度不变特征变换算法监测桥下空间的方法和系统 - Google Patents
一种基于尺度不变特征变换算法监测桥下空间的方法和系统 Download PDFInfo
- Publication number
- CN110197185A CN110197185A CN201910434544.1A CN201910434544A CN110197185A CN 110197185 A CN110197185 A CN 110197185A CN 201910434544 A CN201910434544 A CN 201910434544A CN 110197185 A CN110197185 A CN 110197185A
- Authority
- CN
- China
- Prior art keywords
- image
- point
- pixel
- difference
- determined
- 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
Classifications
-
- 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
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- 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
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种基于尺度不变特征变换算法监测桥下空间的方法和系统。所述方法和系统基于尺度不变特征变换算法框架,对桥下空间自动拍摄上传的图片进行调整,使之与原始图像匹配,再结合图像对比算法,生成校准图像,以及标注上传图像和原始图像不同的区域,最后计算原始图像和校准图像的SSIM结构相似度并设定报警阈值,从而实现对桥下空间的监控。所述方法和系统可检测任意大小的物体变化,如垃圾、稻草等堆放,以及商贩的占道经营行为,而且对于非固定摄像头或近似固定角度拍摄的带有尺度变形、拍摄角度不一致的图像可以旋转、放缩、剪裁后再进行对比,降低了直接对比的误报率。
Description
技术领域
本发明涉及图像处理领域,并且更具体地,涉及一种基于尺度不变特征变换算法监测桥下空间的方法和系统。
背景技术
高速公路道路桥下空间因为其隐蔽性强、危害性大的特点,一直是高速公路管理工作中的重中之重。桥下空间普遍存在倾倒垃圾、堆积杂物、修建设施甚至开设厂房经营等问题,给高速公路安全、畅通带来了极大的安全隐患。桥下空间的监控管理对智能交通而言是具有重大意义的。而桥下空间具有场景多样化、堆放杂物种类繁杂且不确定、光线普遍较暗等问题,给桥下空间自动化监控预警带来了极大挑战。
桥下空间监测属于复杂图像对比问题,传统的方法是基于深度学习的神经网络训练模型结合感知哈希算法对比图像相似度,即先使用深度学习识别目标物体,再使用感知哈希算法整体计算异物在整个图像中所占的比例计算图像的相似度。但是使用该方法,由于桥下空间异物具有极大的不确定性,样本不足以覆盖所有种类的异物,造成模型训练困难。同时,物体背景、尺度变换形态对深度学习效果影响也极大,不适于推广应用算法到其它桥下空间或监测区域。桥下空间异物大小不确定,小异物如小广告、塑料袋等垃圾类杂物需要图像的局部像素高清才能进行识别。而图像感知哈希算法的实现步骤中缩小图像尺寸、简化色彩等操作造成了图像信息的大量丢失,因此上述算法不适用于监测桥下空间。
发明内容
为了解决现有监测桥下空间的方法模型训练困难,图像信息大量丢失,桥下空间监测预警效果差的技术问题,本发明提供一种基于尺度不变特征变换算法监测桥下空间的方法和系统。本发明所述的基于尺度不变特征变换算法监测桥下空间的方法包括:
实时采集自动拍摄上传的桥下空间图片,将其作为第一图像;
基于尺度不变特征变换SIFT算法分别提取所述第一图像和桥下空间原始图像中的一组特征点,并对所述两组特征点进行匹配,得到若干个匹配点,其中,所述原始图像是在桥下空间无异物时拍摄的图片;
基于图像对比算法,根据所述第一图像和原始图像匹配点的相对位置误差调整所述第一图像,生成校准后的第二图像,以及根据所述匹配点进行第一图像的区域划分,确定所述第一图像中与原始图像不同的区域;
基于结构相似性SSIM算法,对所述原始图像和第二图像进行结构相似度测量,当所述结构相似度的测量结果大于设置的相似度阈值时,进行桥下空间监测预警,以提醒处理桥下空间异常情况。
进一步地,所述基于尺度不变特征变换SIFT算法分别提取所述第一图像和桥下空间原始图像中的一组特征点,并对所述两组特征点进行匹配,得到若干个匹配点包括:
构建所述原始图像和第一图像的高斯差分金字塔;
基于所述高斯差分金字塔中的像素点确定高斯差分的极值点;
对确定的所述高斯差分的极值点进行拟合并去除边缘影响,以生成所述高斯差分的精确定位关键点;
对所述原始图像和第一图像的高斯差分金字塔中的全部精确定位关键点进行方向赋值以生成所述原始图像和第一图像的特征点,所述赋值包括关键点的梯度幅值和梯度方向,其中,所述梯度方向通过梯度直方图确定;
对所述特征点周围像素区域分块,计算块内梯度直方图,生成多维向量的描述子以表征所述特征点;
对所述原始图像和第一图像中以多维向量的描述子表征的所述特征点,计算其欧式距离,并将所述计算结果与预先设置的阈值进行比较以确定匹配点。
进一步地,所述基于所述高斯差分金字塔中的像素点确定高斯差分的极值点包括:
步骤1、选取高斯差分金字塔中任意一个待确定像素点,并令n=n-1,其中,n的初始值等于高斯差分金字塔中所有待确定像素点的总数,其中所述待确定像素点是指在同层图像中具有相邻的8个点,且在相邻的上下两层图像中分别具有3*3个点的像素点,所述同层图像中相邻的8个点是同层图像中以待确定像素点为中心点形成的3*3区域内的其他8个点,所述相邻的上下两层图像中分别具有的3*3个点是与待确定像素点之间的连线垂直的参照像素点,以及以所述参照像素点为中心点形成的3*3区域内的其他8个点;
步骤2、将选择的待确定像素点与同层图像中相邻的8个点进行比较;
步骤3、将选择的待确定像素点分别与相邻的上下两层图像中的3*3个点进行比较;
步骤4、当选择的待确定像素点大于或小于所有与之比较的像素点时,所述选择的待确定像素点为高斯差分的极值点;
步骤5、当n大于0时,返回步骤1。
进一步地,所述基于图像对比算法,根据所述匹配点的相对位置误差调整所述第一图像,生成校准后的第二图像是指采用随机抽样一致性算法,通过匹配点的相对位置误差调整所述第一图像,以得到校准后的第二图像,所述调整包括旋转、缩放。
进一步地,所述根据所述匹配点进行第一图像的区域划分,确定所述第一图像中与原始图像不同的区域包括:
计算所述原始图像和第一图像中对应匹配点之间的距离,并以所述对应匹配点之间的最远距离作为对角线在第一图像上画出矩形框,其中,所述对应匹配点之间的最远距离小于预先设置的距离阈值,所述距离阈值根据图像的像素比例进行赋值,所述距离阈值根据不同像素比例进行设置;
计算所述矩形框内匹配点的数量,当所述匹配点的数量小于预先设置的匹配对数量阈值时,则确定所述矩形框区域为桥下空间中发生变化的区域,并在所述第一图像中进行标注。
根据本发明的另一方面,本发明提供一种基于尺度不变特征变换算法监测桥下空间的系统,所述系统包括:
图像采集单元,其用于实时采集自动拍摄上传的桥下空间图片;
图像匹配单元,其用于基于尺度不变特征变换SIFT算法分别提取所述第一图像和桥下空间原始图像中的一组特征点,并对所述两组特征点进行匹配,得到若干个匹配点,其中,所述原始图像是在桥下空间无异物时拍摄的图片,所述第一图像是图像采集单元拍摄上传的桥下空间图片;
图像对比单元,其用于基于图像对比算法,根据所述匹配点的相对位置误差调整所述第一图像,生成校准后的第二图像,以及根据所述匹配点进行第一图像的区域划分,确定所述第一图像中与原始图像不同的区域;
监测报警单元,其用于基于结构相似性SSIM算法,对所述原始图像和第二图像进行相似度测量,当所述结构相似度的测量结果大于设置的相似度阈值时,进行桥下空间监测预警,以提醒处理桥下空间异常情况。
进一步地,所述图像匹配单元包括:
金字塔构建单元,其用于构建所述原始图像和第一图像的高斯差分金字塔;
极值点确定单元,其用于基于所述高斯差分金字塔中的像素点确定高斯差分的极值点;
关键点确定单元,其用于对确定的所述高斯差分的极值点进行拟合并去除边缘影响,以生成所述高斯差分的精确定位关键点;
特征点确定单元,其用于对所述原始图像和第一图像的高斯差分金字塔中的全部精确定位关键点进行方向赋值以生成所述原始图像和第一图像的特征点,所述赋值包括关键点的梯度幅值和梯度方向,其中,所述梯度方向通过梯度直方图确定;
描述子单元,其用于对所述特征点周围像素区域分块,计算块内梯度直方图,生成多维向量的描述子以表征所述特征点;
匹配点确定单元,其用于对所述原始图像和第一图像中以多维向量的描述子表征的所述特征点,计算其欧式距离,并将所述计算结果与预先设置的阈值进行比较以确定匹配点。
进一步地,所述极值点确定单元基于所述高斯差分金字塔中的像素点确定高斯差分的极值点包括:
步骤1、选取高斯差分金字塔中任意一个待确定像素点,并令n=n-1,其中,n的初始值等于高斯差分金字塔中所有待确定像素点的总数,其中所述待确定像素点是指在同层图像中具有相邻的8个点,且在相邻的上下两层图像中分别具有3*3个点的像素点,所述同层图像中相邻的8个点是同层图像中以待确定像素点为中心点形成的3*3区域内的其他8个点,所述相邻的上下两层图像中分别具有的3*3个点是与待确定像素点之间的连线垂直的参照像素点,以及以所述参照像素点为中心点形成的3*3区域内的其他8个点;
步骤2、将选择的待确定像素点与同层图像中相邻的8个点进行比较;
步骤3、将选择的待确定像素点分别与相邻的上下两层图像中的3*3个点进行比较;
步骤4、当选择的待确定像素点大于或小于所有与之比较的像素点时,所述选择的待确定像素点为高斯差分的极值点;
步骤5、当n大于0时,返回步骤1。
进一步地,所述图像对比单元包括:
图像校准单元,其用于采用随机抽样一致性算法,通过匹配点的相对位置误差调整所述第一图像,以得到校准后的第二图像,所述调整包括旋转、缩放;
变化区域确定单元,其用于计算所述原始图像和第一图像中对应匹配点之间的距离,并以所述对应匹配点之间的最远距离作为对角线在第一图像上画出矩形框,并计算所述矩形框内匹配点的数量,当所述匹配点的数量小于预先设置的匹配对数量阈值时,则确定所述矩形框区域为桥下空间中发生变化的区域,并在所述第一图像中进行标注,其中,所述对应匹配点之间的最远距离小于预先设置的距离阈值,所述距离阈值根据图像的像素比例进行赋值,所述距离阈值根据不同像素比例进行设置。
本发明技术方案提供的基于尺度不变特征变换算法监测桥下空间的方法和系统基于尺度不变特征变换算法框架,对桥下空间自动拍摄上传的图片进行调整,使之与原始图像匹配,再结合图像对比算法,生成校准图像,以及标注上传图像和原始图像不同的区域,再计算原始图像和校准图像的SSIM结构相似度并设定报警阈值,从而实现对桥下空间的监控。本发明所述的监测桥下空间的方法和系统和传统的方法无法准确训练模型,并且无法识别桥下空间内小异物相比,本发明无须建立任何模型,并可检测任意大小的物体变化,如垃圾、稻草等堆放,以及商贩的占道经营行为,而且对于非固定摄像头或近似固定角度拍摄的带有尺度变形、拍摄角度不一致的图像可以旋转、放缩、剪裁后再进行对比,降低了直接对比的误报率。
附图说明
通过参考下面的附图,可以更为完整地理解本发明的示例性实施方式:
图1为根据本发明优选实施方式的基于尺度不变特征变换算法监测桥下空间的方法的流程图;
图2为根据本发明优选实施方式的基于尺度不变特征算法监测桥下空间的方法中确定高斯差分极值点时搜索待确定像素点的示意图;
图3为根据本发明优选实施方式的基于尺度不变特征算法监测桥下空间的方法中生成特征点描述子的示意图。
图4为根据本优先实施方式的基于尺度不变特征算法监测桥下空间的方法中采用的SSIM算法的测量系统的流程示意图;
图5为根据本发明优选实施方式的基于尺度不变特征变换算法监测桥下空间的系统的结构示意图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
图1为根据本发明优选实施方式的基于尺度不变特征变换算法监测桥下空间的方法的流程图。如图1所示,本优选实施方式中的所述基于尺度不变特征变换算法监测桥下空间的方法100从步骤101开始。
在步骤101,实时采集自动拍摄上传的桥下空间图片,将其作为第一图像。
在步骤102,基于尺度不变特征变换SIFT算法分别提取所述第一图像和桥下空间原始图像中的一组特征点,并对所述两组特征点进行匹配,得到若干个匹配点,其中,所述原始图像是在桥下空间无异物时拍摄的图片。
尺度不变特征转换(Scale-Invariant FeatureTransform或SIFT)是一种电脑视觉的算法用来侦测与描述影像中的局部性特征,它在空间尺度中寻找极值点,并提取出其位置、尺度、旋转不变量。采用SIFT算法对图像进行匹配,可以对非固定摄像头或近似固定角度拍摄的带有尺度变形、拍摄角度不一致的图像旋转、放缩、剪裁后再进行图像差异的对比,降低了直接对比的误报率。而且和传统的采用深度学习的神经网络训练模型来识别图像中的异物相比,深度学习需要使用大量训练样本构建模型,即样本中需要使用尽可能多的异物来进行标定,而现实中桥下空间异物具有极大的不确定性,样本根本不足以覆盖所有种类的异物,从而造成模型训练困难。但在本发明中,采用SIFT算法识别目标物体,则不存在该问题,而且物体背景、尺度变换形态也可能通过图像旋转、放缩、剪裁后再进行对比,因此,本发明采用SIFT算法识别目标物体更方便,准确度也更高。
优选地,所述基于尺度不变特征变换SIFT算法分别提取所述第一图像和桥下空间原始图像中的一组特征点,并对所述两组特征点进行匹配,得到若干个匹配点包括:
构建所述原始图像和第一图像的高斯差分金字塔。为了寻找原始图像和第一图像中的特征点,需要许多不同尺度下的图像来构建所述两个图像的尺度空间,构建高斯差分金字塔就是先将原始图像和第一图像降采样,得到不同分辨率下的图像金字塔,再对每层图像进行高斯总面积,生成高斯拉普拉斯变换图像,然后将高斯拉普拉斯变换图像用其相邻的图像进行相减,用相减后的所有图像重新构造的金字塔就是高斯差分金字塔。
基于所述高斯差分金字塔中的像素点确定高斯差分的极值点。优选地,所述基于所述高斯差分金字塔中的像素点确定高斯差分的极值点包括:
步骤1、选取高斯差分金字塔中任意一个待确定像素点,并令n=n-1,其中,n的初始值等于高斯差分金字塔中所有待确定像素点的总数,其中所述待确定像素点是指在同层图像中具有相邻的8个点,且在相邻的上下两层图像中分别具有3*3个点的像素点,所述同层图像中相邻的8个点是同层图像中以待确定像素点为中心点形成的3*3区域内的其他8个点,所述相邻的上下两层图像中分别具有的3*3个点是与待确定像素点之间的连线垂直的参照像素点,以及以所述参照像素点为中心点形成的3*3区域内的其他8个点。
图2为根据本发明优选实施方式的基于尺度不变特征算法监测桥下空间的方法中确定高斯差分极值点时搜索待确定像素点的示意图。如图2所示,以交叉点为检测点,那么其周围的点,除了同层所包围的8个灰圆点外,还有上一层的9个灰圆点与下一层的9个灰圆点,即所述交叉点为一个待确定像素点。
步骤2、将选择的待确定像素点与同层图像中相邻的8个点进行比较。
步骤3、将选择的待确定像素点分别与相邻的上下两层图像中的3*3个点进行比较。
步骤4、当选择的待确定像素点大于或小于所有与之比较的像素点时,所述选择的待确定像素点为高斯差分的极值点。
步骤5、当n大于0时,返回步骤1。
对确定的所述高斯差分的极值点进行拟合并去除边缘影响,以生成所述高斯差分的精确定位关键点。由于极值点是在高斯差分之后所确定下来的,那么其是属于离散空间上的点,不一定是真正意义上的极值点。通过用曲线进行拟合后,得到的极值点通常来说就会比较精确了,但由于物体的边缘轮廓在灰度图中存在着灰度值的突变,因此一大部分在边缘区域产生的极值点容易被误认,采用海塞角点检测法则可去除所述边缘极值点的影响。
对所述原始图像和第一图像的高斯差分金字塔中的全部精确定位关键点进行方向赋值以生成所述原始图像和第一图像的特征点,所述赋值包括关键点的梯度幅值和梯度方向,其中,所述梯度方向通过梯度直方图确定。在高斯差分金字塔中,有很多层高斯模糊后的图像。对图像中的精确定位关键点根据其对应的尺度值进行有限差分后,即可得到相应区域内图像梯度的幅角和幅值,再利用梯度直方图核计所述区域内的像素对应的梯度和幅值,取幅值最高的方向为主方向。为了后续特征点匹配的稳定性,可将超过幅值最高值一定比例的幅值所对应的方向作为辅方向。
对所述特征点周围像素区域分块,计算块内梯度直方图,生成多维向量的描述子以表征所述特征点。通过赋值后的精确定位关键点作为SIFT的特征点,已经包含了位置、尺度和方向的信息,在本步骤中,主要是对特征点进行描述。对关键点的描述是后续实现匹配的关键步骤,描述其实就是一种以数学方式定义关键点的过程。描述子不但包含关键点,也包括关键点周围对其有贡献的邻域点。描述的思路是:对关键点周围像素区域分块,计算快块内梯度直方图,生成具有独特性的向量,这个向量是该区域图像信息的一种抽象表述。
图3为根据本发明优选实施方式的基于尺度不变特征算法监测桥下空间的方法中生成特征点描述子的示意图。如图3所示,对于2*2块,每块的所有像素点的梯度做高斯加权,每块最终取8个方向,即可以生成2*2*8维度的向量,以这2*2*8维向量作为中心关键点的数学描述。实验结果表明:对每个关键点,采用4*4*8共128维向量的描述子进项关键点表征,综合效果最佳。
对所述原始图像和第一图像中以多维向量的描述子表征的所述特征点,计算其欧式距离,并将所述计算结果与预先设置的阈值进行比较以确定匹配点。在本优选实施方式中,特征点的匹配是通过计算两组特征点(每张图片各为一组)的128维的关键点的欧式距离实现的。欧式距离越小,则相似度越高,当欧式距离小于设定的阈值时,可以判定为匹配成功。
在步骤103,基于图像对比算法,根据所述第一图像和原始图像匹配点的相对位置误差调整所述第一图像,生成校准后的第二图像,以及根据所述匹配点进行第一图像的区域划分,确定所述第一图像中与原始图像不同的区域。
优选地,所述基于图像对比算法,根据所述匹配点的相对位置误差调整所述第一图像,生成校准后的第二图像是指采用随机抽样一致性算法,通过匹配点的相对位置误差调整所述第一图像,以得到校准后的第二图像,所述调整包括旋转、缩放。
例如,当所述第一图像和原始图像有小角度的拍摄误差时,将第一图像按照原始图像进行旋转后即可生成校准后的图像。通过生成校准图像,能使其与原始图像的差异尽量减少,从而提高结构相似度测量的精确性,使桥下空间监测的预警更为准确。
优选地,所述根据所述匹配点进行第一图像的区域划分,确定所述第一图像中与原始图像不同的区域包括:
计算所述原始图像和第一图像中对应匹配点之间的距离,并以所述对应匹配点之间的最远距离作为对角线在第一图像上画出矩形框,其中,所述对应匹配点之间的最远距离小于预先设置的距离阈值,所述距离阈值根据图像的像素比例进行赋值,所述距离阈值根据不同像素比例进行设置;
计算所述矩形框内匹配点的数量,当所述匹配点的数量小于预先设置的匹配对数量阈值时,则确定所述矩形框区域为桥下空间中发生变化的区域,并在所述第一图像中进行标注。
在本优选实施方式中,所述距离阈值和数量阈值均是根据具体图像场景进行多次测试后调整得到的经验值。
在步骤104,基于结构相似性SSIM算法,对所述原始图像和第二图像进行结构相似度测量,当所述结构相似度的测量结果大于设置的相似度阈值时,进行桥下空间监测预警,以提醒处理桥下空间异常情况。
SSIM算法通过亮度(Luminance)、对比度(Contrast)、结构(Structure)三方面进行相似度测量。其基本流程为对于输入的原始图像和校准图像,首先计算出亮度测量,进行比对,得到第一个相似性有关的评价;再减去亮度的影响,计算对比度测量,进行比对,得到第二个相似性有关的评价;再用上一步的结果除掉对比度,再进行结构的比对,最后将亮度对比、对比度对比和结构对比的结果融合,得到最终的相似度测量结果。
图4为根据本优先实施方式的基于尺度不变特征算法监测桥下空间的方法中采用的SSIM算法的测量系统的流程示意图。如图4所示,由SSIM测量系统可得相似度的测量可由三种对比模块组成,分别为:亮度,对比度,结构。在本优选实施方式中,原始图像为x,校准图像为y,首先,对于图像x和图像y的离散信号,以平均灰度来作为亮度测量的估计:
亮度对比函数l(x,y)是关于μx,μy的函数。
然后,由测量系统知道要把平均灰度值从信号中去除,对于离散信号x-μx,可使用标准差来做对比度估量值。
对比度对比函数c(x,y)就是σx,σy的函数。
接下来,信号被自己的标准差相除,结构对比函数就被定义成和的函数。
最后,三个对比模块组合成一个完整的相似测量函数:
S(x,y)=f(l(x,y),c(x,y),s(x,y))
S(x,y)应该满足以下三个条件:
(1)对称性:S(x,y)=S(y,x);
(2)有界性:S(x,y)≤1;
(3)最大值唯一性:当且仅当x=y时,S(x,y)=1。
具体地,亮度对比函数l(x,y)、对比度对比函数c(x,y)和结构对比函数的表达式分别为:
常数C1是为了避免接近0时造成系统的不稳定。
特别的,选择C1=(K1L)2,L为图像灰度级数,对于8-bit灰度图像,L=255,K1<<1,所述亮度对比函数的公式满足S(x,y)的三个条件。
常数C2=(K2L)2,且K2<<1。所述对比度函数的公式满足S(x,y)的三个条件。
其中
最后把三个函数组合起来,得到SSIM指数函数:
SSIM(x,y)=[l(x,y)]α[c(x,y)]β[s(x,y)]γ
这里α,β,γ>0,用来调整三个模块间的重要性。
为了得到简化形式,设α=β=γ=1,C3=C2/2,得到:
图5为根据本发明优选实施方式的基于尺度不变特征变换算法监测桥下空间的系统的结构示意图。如图5所示,本优选实施方式所述的基于尺度不变特征变换算法监测桥下空间的系统500包括:
图像采集单元501,其用于实时采集自动拍摄上传的桥下空间图片;
图像匹配单元502,其用于基于尺度不变特征变换SIFT算法分别提取所述第一图像和桥下空间原始图像中的一组特征点,并对所述两组特征点进行匹配,得到若干个匹配点,其中,所述原始图像是在桥下空间无异物时拍摄的图片,所述第一图像是图像采集单元拍摄上传的桥下空间图片;
图像对比单元503,其用于基于图像对比算法,根据所述匹配点的相对位置误差调整所述第一图像,生成校准后的第二图像,以及根据所述匹配点进行第一图像的区域划分,确定所述第一图像中与原始图像不同的区域;
监测报警单元504,其用于基于结构相似性SSIM算法,对所述原始图像和第二图像进行相似度测量,当所述结构相似度的测量结果大于设置的相似度阈值时,进行桥下空间监测预警,以提醒处理桥下空间异常情况。
优选地,所述图像匹配单元502包括:
金字塔构建单元521,其用于构建所述原始图像和第一图像的高斯差分金字塔;
极值点确定单元522,其用于基于所述高斯差分金字塔中的像素点确定高斯差分的极值点;
关键点确定单元523,其用于对确定的所述高斯差分的极值点进行拟合并去除边缘影响,以生成所述高斯差分的精确定位关键点;
特征点确定单元524,其用于对所述原始图像和第一图像的高斯差分金字塔中的全部精确定位关键点进行方向赋值以生成所述原始图像和第一图像的特征点,所述赋值包括关键点的梯度幅值和梯度方向,其中,所述梯度方向通过梯度直方图确定;
描述子单元525,其用于对所述特征点周围像素区域分块,计算块内梯度直方图,生成多维向量的描述子以表征所述特征点;
匹配点确定单元526,其用于对所述原始图像和第一图像中以多维向量的描述子表征的所述特征点,计算其欧式距离,并将所述计算结果与预先设置的阈值进行比较以确定匹配点。
优选地,所述极值点确定单元522基于所述高斯差分金字塔中的像素点确定高斯差分的极值点包括:
步骤1、选取高斯差分金字塔中任意一个待确定像素点,并令n=n-1,其中,n的初始值等于高斯差分金字塔中所有待确定像素点的总数,其中所述待确定像素点是指在同层图像中具有相邻的8个点,且在相邻的上下两层图像中分别具有3*3个点的像素点,所述同层图像中相邻的8个点是同层图像中以待确定像素点为中心点形成的3*3区域内的其他8个点,所述相邻的上下两层图像中分别具有的3*3个点是与待确定像素点之间的连线垂直的参照像素点,以及以所述参照像素点为中心点形成的3*3区域内的其他8个点;
步骤2、将选择的待确定像素点与同层图像中相邻的8个点进行比较;
步骤3、将选择的待确定像素点分别与相邻的上下两层图像中的3*3个点进行比较;
步骤4、当选择的待确定像素点大于或小于所有与之比较的像素点时,所述选择的待确定像素点为高斯差分的极值点;
步骤5、当n大于0时,返回步骤1。
优选地,所述图像对比单元503包括:
图像校准单元531,其用于采用随机抽样一致性算法,通过匹配点的相对位置误差调整所述第一图像,以得到校准后的第二图像,所述调整包括旋转、缩放;
变化区域确定单元532,其用于计算所述原始图像和第一图像中对应匹配点之间的距离,并以所述对应匹配点之间的最远距离作为对角线在第一图像上画出矩形框,并计算所述矩形框内匹配点的数量,当所述匹配点的数量小于预先设置的匹配对数量阈值时,则确定所述矩形框区域为桥下空间中发生变化的区域,并在所述第一图像中进行标注,其中,所述对应匹配点之间的最远距离小于预先设置的距离阈值,所述距离阈值根据图像的像素比例进行赋值,所述距离阈值根据不同像素比例进行设置。
本发明中,所述基于尺度不变特征变换算法监测桥下空间的系统采用与基于尺度不变特征变换算法监测桥下空间的方法相同的步骤进行桥下空间异常的监测,此处不再赘述。
所述已经通过参考少量实施方式描述了本发明。然而,本领域技术人员所公知的,正如附带的专利权利要求所限定的,除了本发明以上公开的其他的实施例等同地落在本发明的范围内。
通常地,在权利要求中使用的所有术语都根据他们在技术领域的通常含义被解释,除非在其中被另外明确地定义。所有的参考“一个/所述/该[装置、组件等]”都被开放地解释为所述装置、组件等中的至少一个实例,除非另外明确地说明。这里公开的任何方法的步骤都没必要以公开的准确的顺序运行,除非明确地说明。
Claims (9)
1.一种基于尺度不变特征变换算法监测桥下空间的方法,其特征在于,所述方法包括:
实时采集自动拍摄上传的桥下空间图片,将其作为第一图像;
基于尺度不变特征变换SIFT算法分别提取所述第一图像和桥下空间原始图像中的一组特征点,并对所述两组特征点进行匹配,得到若干个匹配点,其中,所述原始图像是在桥下空间无异物时拍摄的图片;
基于图像对比算法,根据所述第一图像和原始图像匹配点的相对位置误差调整所述第一图像,生成校准后的第二图像,以及根据所述匹配点进行第一图像的区域划分,确定所述第一图像中与原始图像不同的区域;
基于结构相似性SSIM算法,对所述原始图像和第二图像进行结构相似度测量,当所述结构相似度的测量结果大于设置的相似度阈值时,进行桥下空间监测预警,以提醒处理桥下空间异常情况。
2.根据权利要求1所述的方法,其特征在于,所述基于尺度不变特征变换SIFT算法分别提取所述第一图像和桥下空间原始图像中的一组特征点,并对所述两组特征点进行匹配,得到若干个匹配点包括:
构建所述原始图像和第一图像的高斯差分金字塔;
基于所述高斯差分金字塔中的像素点确定高斯差分的极值点;
对确定的所述高斯差分的极值点进行拟合并去除边缘影响,以生成所述高斯差分的精确定位关键点;
对所述原始图像和第一图像的高斯差分金字塔中的全部精确定位关键点进行方向赋值以生成所述原始图像和第一图像的特征点,所述赋值包括关键点的梯度幅值和梯度方向,其中,所述梯度方向通过梯度直方图确定;
对所述特征点周围像素区域分块,计算块内梯度直方图,生成多维向量的描述子以表征所述特征点;
对所述原始图像和第一图像中以多维向量的描述子表征的所述特征点,计算其欧式距离,并将所述计算结果与预先设置的阈值进行比较以确定匹配点。
3.根据权利要求2所述的方法,其特征在于,所述基于所述高斯差分金字塔中的像素点确定高斯差分的极值点包括:
步骤1、选取高斯差分金字塔中任意一个待确定像素点,并令n=n-1,其中,n的初始值等于高斯差分金字塔中所有待确定像素点的总数,其中所述待确定像素点是指在同层图像中具有相邻的8个点,且在相邻的上下两层图像中分别具有3*3个点的像素点,所述同层图像中相邻的8个点是同层图像中以待确定像素点为中心点形成的3*3区域内的其他8个点,所述相邻的上下两层图像中分别具有的3*3个点是与待确定像素点之间的连线垂直的参照像素点,以及以所述参照像素点为中心点形成的3*3区域内的其他8个点;
步骤2、将选择的待确定像素点与同层图像中相邻的8个点进行比较;
步骤3、将选择的待确定像素点分别与相邻的上下两层图像中的3*3个点进行比较;
步骤4、当选择的待确定像素点大于或小于所有与之比较的像素点时,所述选择的待确定像素点为高斯差分的极值点;
步骤5、当n大于0时,返回步骤1。
4.根据权利要求1所述的方法,其特征在于,所述基于图像对比算法,根据所述匹配点的相对位置误差调整所述第一图像,生成校准后的第二图像是指采用随机抽样一致性算法,通过匹配点的相对位置误差调整所述第一图像,以得到校准后的第二图像,所述调整包括旋转、缩放。
5.根据权利要求1所述的方法,其特征在于,所述根据所述匹配点进行第一图像的区域划分,确定所述第一图像中与原始图像不同的区域包括:
计算所述原始图像和第一图像中对应匹配点之间的距离,并以所述对应匹配点之间的最远距离作为对角线在第一图像上画出矩形框,其中,所述对应匹配点之间的最远距离小于预先设置的距离阈值,所述距离阈值根据图像的像素比例进行赋值,所述距离阈值根据不同像素比例进行设置;
计算所述矩形框内匹配点的数量,当所述匹配点的数量小于预先设置的匹配对数量阈值时,则确定所述矩形框区域为桥下空间中发生变化的区域,并在所述第一图像中进行标注。
6.一种基于尺度不变特征变换算法监测桥下空间的系统,其特征在于,所述系统包括:
图像采集单元,其用于实时采集自动拍摄上传的桥下空间图片;
图像匹配单元,其用于基于尺度不变特征变换SIFT算法分别提取所述第一图像和桥下空间原始图像中的一组特征点,并对所述两组特征点进行匹配,得到若干个匹配点,其中,所述原始图像是在桥下空间无异物时拍摄的图片,所述第一图像是图像采集单元拍摄上传的桥下空间图片;
图像对比单元,其用于基于图像对比算法,根据所述匹配点的相对位置误差调整所述第一图像,生成校准后的第二图像,以及根据所述匹配点进行第一图像的区域划分,确定所述第一图像中与原始图像不同的区域;
监测报警单元,其用于基于结构相似性SSIM算法,对所述原始图像和第二图像进行相似度测量,当所述结构相似度的测量结果大于设置的相似度阈值时,进行桥下空间监测预警,以提醒处理桥下空间异常情况。
7.根据权利要求6所述的系统,其特征在于,所述图像匹配单元包括:
金字塔构建单元,其用于构建所述原始图像和第一图像的高斯差分金字塔;
极值点确定单元,其用于基于所述高斯差分金字塔中的像素点确定高斯差分的极值点;
关键点确定单元,其用于对确定的所述高斯差分的极值点进行拟合并去除边缘影响,以生成所述高斯差分的精确定位关键点;
特征点确定单元,其用于对所述原始图像和第一图像的高斯差分金字塔中的全部精确定位关键点进行方向赋值以生成所述原始图像和第一图像的特征点,所述赋值包括关键点的梯度幅值和梯度方向,其中,所述梯度方向通过梯度直方图确定;
描述子单元,其用于对所述特征点周围像素区域分块,计算块内梯度直方图,生成多维向量的描述子以表征所述特征点;
匹配点确定单元,其用于对所述原始图像和第一图像中以多维向量的描述子表征的所述特征点,计算其欧式距离,并将所述计算结果与预先设置的阈值进行比较以确定匹配点。
8.根据权利要求7所述的系统,其特征在于,所述极值点确定单元基于所述高斯差分金字塔中的像素点确定高斯差分的极值点包括:
步骤1、选取高斯差分金字塔中任意一个待确定像素点,并令n=n-1,其中,n的初始值等于高斯差分金字塔中所有待确定像素点的总数,其中所述待确定像素点是指在同层图像中具有相邻的8个点,且在相邻的上下两层图像中分别具有3*3个点的像素点,所述同层图像中相邻的8个点是同层图像中以待确定像素点为中心点形成的3*3区域内的其他8个点,所述相邻的上下两层图像中分别具有的3*3个点是与待确定像素点之间的连线垂直的参照像素点,以及以所述参照像素点为中心点形成的3*3区域内的其他8个点;
步骤2、将选择的待确定像素点与同层图像中相邻的8个点进行比较;
步骤3、将选择的待确定像素点分别与相邻的上下两层图像中的3*3个点进行比较;
步骤4、当选择的待确定像素点大于或小于所有与之比较的像素点时,所述选择的待确定像素点为高斯差分的极值点;
步骤5、当n大于0时,返回步骤1。
9.根据权利要求6所述的系统,其特征在于,所述图像对比单元包括:
图像校准单元,其用于采用随机抽样一致性算法,通过匹配点的相对位置误差调整所述第一图像,以得到校准后的第二图像,所述调整包括旋转、缩放;
变化区域确定单元,其用于计算所述原始图像和第一图像中对应匹配点之间的距离,并以所述对应匹配点之间的最远距离作为对角线在第一图像上画出矩形框,并计算所述矩形框内匹配点的数量,当所述匹配点的数量小于预先设置的匹配对数量阈值时,则确定所述矩形框区域为桥下空间中发生变化的区域,并在所述第一图像中进行标注,其中,所述对应匹配点之间的最远距离小于预先设置的距离阈值,所述距离阈值根据图像的像素比例进行赋值,所述距离阈值根据不同像素比例进行设置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910434544.1A CN110197185B (zh) | 2019-05-23 | 2019-05-23 | 一种基于尺度不变特征变换算法监测桥下空间的方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910434544.1A CN110197185B (zh) | 2019-05-23 | 2019-05-23 | 一种基于尺度不变特征变换算法监测桥下空间的方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110197185A true CN110197185A (zh) | 2019-09-03 |
CN110197185B CN110197185B (zh) | 2021-07-16 |
Family
ID=67751664
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910434544.1A Active CN110197185B (zh) | 2019-05-23 | 2019-05-23 | 一种基于尺度不变特征变换算法监测桥下空间的方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110197185B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112819782A (zh) * | 2021-01-29 | 2021-05-18 | 菱王电梯有限公司 | 一种自学习的轿厢视觉分析方法 |
WO2021136981A1 (en) * | 2019-12-30 | 2021-07-08 | Sensetime International Pte. Ltd. | Image processing method and apparatus, and electronic device |
CN113128371A (zh) * | 2021-04-01 | 2021-07-16 | 中铁大桥局集团有限公司 | 一种基于自动视觉扫描的运营期桥梁监测系统及方法 |
US11354883B2 (en) | 2019-12-30 | 2022-06-07 | Sensetime International Pte. Ltd. | Image processing method and apparatus, and electronic device |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105046708A (zh) * | 2015-07-14 | 2015-11-11 | 福州大学 | 一种与主观感知相一致的颜色校正客观评估方法 |
US20170140645A1 (en) * | 2015-11-06 | 2017-05-18 | The Board Of Regents Of The University Of Oklahoma | Traffic monitoring system |
CN107408202A (zh) * | 2015-03-05 | 2017-11-28 | Kpit技术有限责任公司 | 用于检测环境光的方法和系统 |
CN107525558A (zh) * | 2017-08-11 | 2017-12-29 | 上海市政工程设计研究总院(集团)有限公司 | 一种基于云平台的桥下积水在线监测系统及其监测方法 |
CN207231582U (zh) * | 2017-08-11 | 2018-04-13 | 上海市政工程设计研究总院(集团)有限公司 | 一种基于云平台的桥下积水在线监测系统 |
CN108154496A (zh) * | 2017-11-21 | 2018-06-12 | 武汉中元华电科技股份有限公司 | 一种适用于电力作业机器人的电力设备外观变化识别方法 |
US20180336425A1 (en) * | 2017-05-16 | 2018-11-22 | Nec Laboratories America, Inc. | Pruning filters for efficient convolutional neural networks for image recognition in vehicles |
-
2019
- 2019-05-23 CN CN201910434544.1A patent/CN110197185B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107408202A (zh) * | 2015-03-05 | 2017-11-28 | Kpit技术有限责任公司 | 用于检测环境光的方法和系统 |
CN105046708A (zh) * | 2015-07-14 | 2015-11-11 | 福州大学 | 一种与主观感知相一致的颜色校正客观评估方法 |
US20170140645A1 (en) * | 2015-11-06 | 2017-05-18 | The Board Of Regents Of The University Of Oklahoma | Traffic monitoring system |
US20180336425A1 (en) * | 2017-05-16 | 2018-11-22 | Nec Laboratories America, Inc. | Pruning filters for efficient convolutional neural networks for image recognition in vehicles |
CN107525558A (zh) * | 2017-08-11 | 2017-12-29 | 上海市政工程设计研究总院(集团)有限公司 | 一种基于云平台的桥下积水在线监测系统及其监测方法 |
CN207231582U (zh) * | 2017-08-11 | 2018-04-13 | 上海市政工程设计研究总院(集团)有限公司 | 一种基于云平台的桥下积水在线监测系统 |
CN108154496A (zh) * | 2017-11-21 | 2018-06-12 | 武汉中元华电科技股份有限公司 | 一种适用于电力作业机器人的电力设备外观变化识别方法 |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021136981A1 (en) * | 2019-12-30 | 2021-07-08 | Sensetime International Pte. Ltd. | Image processing method and apparatus, and electronic device |
JP2022519398A (ja) * | 2019-12-30 | 2022-03-24 | センスタイム インターナショナル ピーティーイー.リミテッド | 画像処理方法、装置及び電子機器 |
US11354883B2 (en) | 2019-12-30 | 2022-06-07 | Sensetime International Pte. Ltd. | Image processing method and apparatus, and electronic device |
JP7121132B2 (ja) | 2019-12-30 | 2022-08-17 | センスタイム インターナショナル ピーティーイー.リミテッド | 画像処理方法、装置及び電子機器 |
CN112819782A (zh) * | 2021-01-29 | 2021-05-18 | 菱王电梯有限公司 | 一种自学习的轿厢视觉分析方法 |
CN113128371A (zh) * | 2021-04-01 | 2021-07-16 | 中铁大桥局集团有限公司 | 一种基于自动视觉扫描的运营期桥梁监测系统及方法 |
CN113128371B (zh) * | 2021-04-01 | 2023-06-23 | 中铁大桥局集团有限公司 | 一种基于自动视觉扫描的运营期桥梁监测系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110197185B (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110197185A (zh) | 一种基于尺度不变特征变换算法监测桥下空间的方法和系统 | |
WO2021000524A1 (zh) | 孔位保护门检测方法、装置、计算机设备和存储介质 | |
CN108898047B (zh) | 基于分块遮挡感知的行人检测方法及系统 | |
Lin et al. | Radiometric normalization and cloud detection of optical satellite images using invariant pixels | |
CN110060272A (zh) | 人脸区域的确定方法、装置、电子设备及存储介质 | |
Zhu et al. | SAR image registration based on multifeature detection and arborescence network matching | |
CN110297232A (zh) | 基于计算机视觉的单目测距方法、装置及电子设备 | |
CN107507226B (zh) | 一种图像匹配的方法及装置 | |
CN108428220A (zh) | 静止轨道卫星序列遥感影像海岛礁区域自动几何校正方法 | |
Shaoqing et al. | The comparative study of three methods of remote sensing image change detection | |
CN111473776A (zh) | 一种基于单像近景摄影测量的滑坡裂缝监测方法 | |
CN106951863A (zh) | 一种基于随机森林的变电站设备红外图像变化检测方法 | |
CN108664970A (zh) | 一种快速目标检测方法、电子设备、存储介质及系统 | |
CN116740652B (zh) | 一种基于神经网络模型的锈斑面积扩大的监测方法与系统 | |
CN109711379A (zh) | 一种复杂环境交通信号灯候选区域提取及识别方法 | |
CN107369163B (zh) | 一种基于最佳熵双阈值分割的快速sar图像目标检测方法 | |
CN106709515A (zh) | 一种适用于下视景象匹配选区准则干预方法 | |
CN116188943A (zh) | 太阳射电频谱爆发信息检测方法及装置 | |
CN111612734A (zh) | 一种基于图像结构复杂度的背景杂波表征方法 | |
Xu et al. | The comparative study of three methods of remote sensing image change detection | |
CN106960443A (zh) | 基于全极化时序sar图像的非监督变化检测的方法及装置 | |
Zhuang et al. | Harbor water area extraction from pan-sharpened remotely sensed images based on the definition circle model | |
CN106530326B (zh) | 基于影像纹理特征和dsm的变化检测方法 | |
CN110930344B (zh) | 一种目标的质量确定方法、装置、系统及电子设备 | |
CN106503749B (zh) | 一种鱼子酱的自动分级方法及其系统 |
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 |