CN111611862B - 一种基于曲线拟合的地铁轨道半自动标注方法 - Google Patents

一种基于曲线拟合的地铁轨道半自动标注方法 Download PDF

Info

Publication number
CN111611862B
CN111611862B CN202010322035.2A CN202010322035A CN111611862B CN 111611862 B CN111611862 B CN 111611862B CN 202010322035 A CN202010322035 A CN 202010322035A CN 111611862 B CN111611862 B CN 111611862B
Authority
CN
China
Prior art keywords
track
curve
equation
point
coordinates
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
Application number
CN202010322035.2A
Other languages
English (en)
Other versions
CN111611862A (zh
Inventor
李康
尤新
程艳丽
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Unittec Co Ltd
Original Assignee
Unittec Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Unittec Co Ltd filed Critical Unittec Co Ltd
Priority to CN202010322035.2A priority Critical patent/CN111611862B/zh
Publication of CN111611862A publication Critical patent/CN111611862A/zh
Application granted granted Critical
Publication of CN111611862B publication Critical patent/CN111611862B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/50—Context or environment of the image
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Multimedia (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于曲线拟合的地铁轨道半自动标注方法，包括如下步骤：S1，输入待标注的轨道图像；S2，计算拟合曲线方程；S3，根据拟合曲线方程，计算左、右轨道曲线方程；S4，根据左、右轨道曲线方程对轨道图像进行标注；S5，对标注结果进行二值化处理，并输出二值化标注结果。本发明采用上述技术方案，用户只需鼠标左键点击轨道远端中心点即可自动绘制出轨迹线和输出mask图，相比于传统的人工手动标注方法，很大程度减轻了工作量。相比于边缘检测法提取轨道线，具有速度快、准确率高的优点，并且可以批量操作，提高了轨道标注的效率。

Description

一种基于曲线拟合的地铁轨道半自动标注方法
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
轨道图像的标注是基于深度学习的轨道识别技术中最重要且最基础的工作。由于深度学习需要大量的数据集来训练网络，数据集的制作就是将轨道图像中的轨道线标注出来。面对海量的数据集，人工手动的标注方法任务繁重且效率低，在实际的工程应用中并不可取。基于边缘检测是提取轨道线的一种方法，在环境简单、边界明显的公路车道线或者地面轨道的检测中取得一定的效果，但面对环境复杂的地铁轨道，由于地下光照不均匀，使得轨道图像存在暗影且边界模糊，这些因素导致边缘检测方法在提取地铁轨道线时效果差。
发明内容
为了克服现有技术中所存在的上述不足，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地铁轨道半自动标注方法，可以提高对地铁轨道图像标注的准确率，同时减轻了工作量。
为解决上述技术问题，本发明采用如下技术方案：
一种基于曲线拟合的地铁轨道半自动标注方法，包括如下步骤：
S1，输入待标注的轨道图像；
S2，计算拟合曲线方程；
S3，根据拟合曲线方程，计算左、右轨道曲线方程；
S4，根据左、右轨道曲线方程对轨道图像进行标注；
S5，对标注结果进行二值化处理，并输出二值化标注结果。
优选的，所述步骤S1中，依次自动读取保存在指定文件夹下的所有待标注图片，实现批量化操作。
优选的，所述步骤S2中，首先，建立坐标系，坐标原点对应图像中轨道底部中心点Pb0，Pb1、Pb2分别为左、右轨道线底部参考点，Pt1、Pt2分别为轨道透视图像里的视觉消失点，Pt0为消失点Pt1、Pt2的中心点；其次，图中所有参考点的坐标由6个参数来表示，具体如下：
Pb0＝(b_m_x,h0)；
Figure BDA0002461795170000021
Figure BDA0002461795170000022
Pt0＝(t_m_x,t_m_y)；
Figure BDA0002461795170000023
Figure BDA0002461795170000024
且拟合曲线由6个参数来共同调节，参数具体如下：
e：调节拟合曲线远端弯曲程度的常数；
b_m_x：调节轨道线底部中心点横坐标；
b_dur：调节轨道底部参考点间距；
t_m_x：调节消失点中心横坐标；
t_m_y：调节消失点中心纵坐标；
t_dur：调节轨道远端消失点间距。
优选的，6个参数的初始值根据图像预先给出，当固定在车头的相机的位置不发生变化时，拍摄的一系列图片中轨道底部中心点坐标保持不变，此时6个参数的值适用于所有的轨道图像，当轨道底部中心点坐标发生变化时，手动调节相应参数以适应轨道底部中心点坐标发生变化的图片。
优选的，通过设置参数滑块的方式，利用滑块手动调节相应参数。
优选的，轨道中心线拟合曲线的原始方程如方程式(1)所示：
y＝a·xe (1)
式中，a为高次拟合曲线系数，e为常数，将中心点坐标(x0,y0)代入方程式(1)，高次拟合曲线系数a可由方程式(2)求得：
Figure BDA0002461795170000031
轨道中心线拟合曲线的最终方程如方程式(3)所示：
Figure BDA0002461795170000032
优选的，所述的步骤S3中，首先，计算轨道横向像素距离，由方程式(4)计算，
d＝(h0-y)·w+b (4)
式中，h0为输入图像底部纵坐标，w、b为系数，将轨道远端两个消失点以及轨道底部两个参考点的坐标代入方程式(4)即可求得系数w和b；
其次，计算左、右轨道线上点的坐标，遍历轨道中心线拟合曲线上各个点的纵坐标，利用方程式(4)可求得拟合曲线上各个点对应的轨道横向像素距离，设拟合曲线上某点的坐标为(x1,y1)，则该点对应的左、右轨道线上点的横坐标可分别表示为方程式(5)与方程式(6)：
Figure BDA0002461795170000033
Figure BDA0002461795170000034
汇总所有的左、右轨道线上点的坐标即可求得左、右轨道线曲线方程。
本发明采用上述技术方案，具有如下有益效果：用户只需鼠标左键点击轨道远端中心点，即可获得中心点的坐标，系统按照程序进行处理，即可自动绘制出轨迹线和输出mask图，相比于传统的人工手动标注方法，很大程度减轻了工作量。相比于边缘检测法提取轨道线，具有速度快、准确率高的优点，并且可以批量操作，提高了轨道标注的效率。
附图说明
图1为本发明的流程图。
图2为输入待标注的原始图像。
图3为建立坐标系示意图。
图4为参数滑块界面示意图。
图5为轨道中心线拟合曲线示意图。
图6为轨道横向像素距离示意图。
图7为最终输出的轨道mask图。
具体实施方式
参考图1所示，一种基于曲线拟合的地铁轨道半自动标注方法，包括以下步骤：
1)输入待标注的轨道图像，图2为一张输入的原始图像。本发明支持依次自动读取保存在指定文件夹下的所有待标注图片，实现批量化操作。
2)计算拟合曲线方程，即对应的轨道中心线曲线。参考图3所示，首先建立坐标系，坐标原点对应图像中轨道底部中心点Pb0，Pb1、Pb2分别为左、右轨道线底部参考点，Pt1、Pt2分别为轨道透视图像里的视觉消失点，Pt0为消失点Pt1、Pt2的中心点。本发明中拟合曲线由6个参数来共同调节，参数具体如下：
e：调节拟合曲线远端弯曲程度的常数；
b_m_x：调节轨道线底部中心点横坐标；
b_dur：调节轨道底部参考点间距；
t_m_x：调节消失点中心横坐标；
t_m_y：调节消失点中心纵坐标；
t_dur：调节轨道远端消失点间距。
参考图3所示，图中所有参考点的坐标可由6个参数来表示，具体如下：
Pb0＝(b_m_x,h0)；
Figure BDA0002461795170000051
Figure BDA0002461795170000052
Pt0＝(t_m_x,t_m_y)；
Figure BDA0002461795170000053
Figure BDA0002461795170000054
6个参数的初始值根据图像预先给出，当固定在车头的相机的位置不发生变化时，拍摄的一系列图片中轨道底部中心点坐标保持不变，此时6个参数的值适用于所有的轨道图像。当轨道底部中心点坐标发生变化时，手动调节相应参数以适应轨道底部中心点坐标发生变化的图片。在录制轨道视频时只要保证相机的位置固定，那么同一系列图片中轨道底部中心点坐标是不会发生变化的，之所以要设置这些参数，主要是为了考虑不同系列的图片，比如这次去现场录的是5号线的数据，下一次就可能是2号线的数据，那么不同系列的图片它的轨道底部中心点坐标是不一样的，设置参数是为了适应不同系列的图片，至于将参数调节到何种程度才能适应轨道底部中心点坐标发生变化，就是使得在界面上Pb0和Pb1落在左右轨道上即可。
本发明通过设置参数滑块，参考图4所示，用户可以利用滑块手动调节相应参数以适应轨道底部中心点坐标发生变化的图片。当然，本领域技术人员可以理解是的，也可以采用直接输入参数的方式。手动调节参数可以理解为一种优化的过程，可以使得最终绘制出的曲线更加贴近真实的轨道曲线，一般来说对于同一系列的图片，不需要调参，只需要用同一组参数就行。
轨道中心线拟合曲线的原始方程如(1)所示：
y＝a·xe (1)
式中，a为高次拟合曲线系数，e为常数，e取值越大曲线远端弯曲程度越大，e取值会给一个初始值，一般先取10去计算。面对不同系列的轨道图片，e取值是不一样的，所以需要调参，调到拟合曲线的弯曲程度符合那一系列的轨道就行，并且面对同一系列图片，只要调好第一张图片的参数，后面的图片一样适应这一组参数，同一系列图片无需再调参。
当用户鼠标左键点击轨道远端中心点时，参考图5所示，可获得中心点的坐标为P0(x0,y0)，将中心点坐标(x0,y0)代入方程式(1)，高次拟合曲线系数a可由方程式(2)求得：
Figure BDA0002461795170000061
参考图5所示，黄色曲线即为轨道中心线拟合曲线。最终方程如(3)所示：
Figure BDA0002461795170000062
3)参考图6所示，计算左、右轨道曲线方程的具体步骤为：
步骤一：计算轨道横向像素距离d。
在轨道图像中，近端轨道对应的横向像素距离d的取值大；相反，远端轨道对应的横向像素距离d的取值小。由于在实际中轨道的间距不变，且轨道图像的畸变可以忽略不计，所以图像中轨道横向像素距离d可由线性方程来计算，如方程式(4)所示：
d＝(h0-y)·w+b
式中，h0为输入图像底部纵坐标，w、b为系数。将轨道远端两个消失点pt1、pt2以及轨道底部两个参考点Pb1、Pb2的坐标代入方程式(4)即可求得系数w和b，分别如公式(5)、(6)所示：
b＝b_dur
Figure BDA0002461795170000071
步骤二：计算左、右轨道线上点的坐标。
遍历轨道中心线拟合曲线上各个点的纵坐标，利用方程式(4)可求得拟合曲线上各个点对应的轨道横向像素距离，设拟合曲线上某点的坐标为(x1,y1)，则该点对应的左、右轨道线上点的横坐标可分别表示为方程式(7)与方程式(8)：
Figure BDA0002461795170000072
Figure BDA0002461795170000073
参考图6所示，汇总所有的左、右轨道线上点的坐标即可求得左、右轨道线曲线方程，对应的绿色曲线即为提取的左、右轨道线。
参考图7所示，对标注结果进行二值化处理，最后输出轨道的mask图。
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 (4)

1.一种基于曲线拟合的地铁轨道半自动标注方法，其特征在于包括如下步骤：
S1，输入待标注的轨道图像；
S2，计算拟合曲线方程；
S3，根据拟合曲线方程，计算左、右轨道曲线方程；
S4，根据左、右轨道曲线方程对轨道图像进行标注；
S5，对标注结果进行二值化处理，并输出二值化标注结果；
所述步骤S2中，首先，建立坐标系，坐标原点对应图像中轨道底部中心点Pb0，Pb1、Pb2分别为左、右轨道线底部参考点，Pt1、Pt2分别为轨道透视图像里的视觉消失点，Pt0为消失点Pt1、Pt2的中心点；其次，图中所有参考点的坐标由6个参数来表示，具体如下：
Pb0＝(b_m_x,h0)；
Figure FDA0003683101330000011
Figure FDA0003683101330000012
Pt0＝(t_m_x,t_m_y)；
Figure FDA0003683101330000013
Figure FDA0003683101330000014
且拟合曲线由6个参数来共同调节，参数具体如下：
e：调节拟合曲线远端弯曲程度的常数；
b_m_x：调节轨道线底部中心点横坐标；
b_dur：调节轨道底部参考点间距；
t_m_x：调节消失点中心横坐标；
t_m_y：调节消失点中心纵坐标；
t_dur：调节轨道远端消失点间距；
轨道中心线拟合曲线的原始方程如方程式(1)所示：
y＝a·xe (1)
式中，a为高次拟合曲线系数，e为常数，将中心点坐标(x0,y0)代入方程式(1)，高次拟合曲线系数a可由方程式(2)求得：
Figure FDA0003683101330000021
轨道中心线拟合曲线的最终方程如方程式(3)所示：
Figure FDA0003683101330000022
所述的步骤S3中，首先，计算轨道横向像素距离，由方程式(4)计算，
d＝(h0-y)·w+b (4)
式中，h0为输入图像底部纵坐标，w、b为系数，将轨道远端两个消失点以及轨道底部两个参考点的坐标代入方程式(4)即可求得系数w和b；
其次，计算左、右轨道线上点的坐标，遍历轨道中心线拟合曲线上各个点的纵坐标，利用方程式(4)可求得拟合曲线上各个点对应的轨道横向像素距离，设拟合曲线上某点的坐标为(x1,y1)，则该点对应的左、右轨道线上点的横坐标可分别表示为方程式(5)与方程式(6)：
Figure FDA0003683101330000023
Figure FDA0003683101330000024
汇总所有的左、右轨道线上点的坐标即可求得左、右轨道线曲线方程。
2.根据权利要求1所述的一种基于曲线拟合的地铁轨道半自动标注方法，其特征在于：所述步骤S1中，依次自动读取保存在指定文件夹下的所有待标注图片，实现批量化操作。
3.根据权利要求1所述的一种基于曲线拟合的地铁轨道半自动标注方法，其特征在于：6个参数的初始值根据图像预先给出，当固定在车头的相机的位置不发生变化时，拍摄的一系列图片中轨道底部中心点坐标保持不变，此时6个参数的值适用于所有的轨道图像，当轨道底部中心点坐标发生变化时，手动调节相应参数以适应轨道底部中心点坐标发生变化的图片。
4.根据权利要求3所述的一种基于曲线拟合的地铁轨道半自动标注方法，其特征在于：通过设置参数滑块的方式，利用滑块手动调节相应参数。
CN202010322035.2A 2020-04-22 2020-04-22 一种基于曲线拟合的地铁轨道半自动标注方法 Active CN111611862B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010322035.2A CN111611862B (zh) 2020-04-22 2020-04-22 一种基于曲线拟合的地铁轨道半自动标注方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010322035.2A CN111611862B (zh) 2020-04-22 2020-04-22 一种基于曲线拟合的地铁轨道半自动标注方法

Publications (2)

Publication Number Publication Date
CN111611862A CN111611862A (zh) 2020-09-01
CN111611862B true CN111611862B (zh) 2022-09-09

Family

ID=72203192

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010322035.2A Active CN111611862B (zh) 2020-04-22 2020-04-22 一种基于曲线拟合的地铁轨道半自动标注方法

Country Status (1)

Country Link
CN (1) CN111611862B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
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 (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392212A (zh) * 2014-11-14 2015-03-04 北京工业大学 一种基于视觉的道路信息检测及前方车辆识别方法
CN104573627A (zh) * 2014-11-19 2015-04-29 湖南大学 基于二值图像的车道线保留与检测算法
CN105261020A (zh) * 2015-10-16 2016-01-20 桂林电子科技大学 一种快速车道线检测方法
CN108932472A (zh) * 2018-05-23 2018-12-04 中国汽车技术研究中心有限公司 一种基于车道线检测的自动驾驶行驶区域判别方法
CN110472527A (zh) * 2019-07-29 2019-11-19 江苏必得科技股份有限公司 一种轨道线检测方法及系统
CN110516532A (zh) * 2019-07-11 2019-11-29 北京交通大学 基于计算机视觉的无人机铁路轨道线路识别方法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP3956926B2 (ja) * 2003-09-24 2007-08-08 アイシン精機株式会社 路面走行レーン検出装置
CN106919915B (zh) * 2017-02-22 2020-06-12 武汉极目智能技术有限公司 基于adas系统的地图道路标记及道路质量采集装置及方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104392212A (zh) * 2014-11-14 2015-03-04 北京工业大学 一种基于视觉的道路信息检测及前方车辆识别方法
CN104573627A (zh) * 2014-11-19 2015-04-29 湖南大学 基于二值图像的车道线保留与检测算法
CN105261020A (zh) * 2015-10-16 2016-01-20 桂林电子科技大学 一种快速车道线检测方法
CN108932472A (zh) * 2018-05-23 2018-12-04 中国汽车技术研究中心有限公司 一种基于车道线检测的自动驾驶行驶区域判别方法
CN110516532A (zh) * 2019-07-11 2019-11-29 北京交通大学 基于计算机视觉的无人机铁路轨道线路识别方法
CN110472527A (zh) * 2019-07-29 2019-11-19 江苏必得科技股份有限公司 一种轨道线检测方法及系统

Also Published As

Publication number Publication date
CN111611862A (zh) 2020-09-01

Similar Documents

Publication Publication Date Title
CN108428229B (zh) 一种基于深度神经网络提取表观和几何特征的肺部纹理识别方法
CN111968217A (zh) 基于图片的smpl参数预测以及人体模型生成方法
CN110610486B (zh) 单目图像深度估计方法及装置
CN111611862B (zh) 一种基于曲线拟合的地铁轨道半自动标注方法
CN106930770A (zh) 基于卷积神经网络的盾构机护盾间隙估计方法
CN110363769B (zh) 一种高铁接触网支撑装置腕臂系统图像分割方法
CN111624203B (zh) 一种基于机器视觉的继电器接点齐度非接触式测量方法
CN110689512A (zh) 一种孔内全景视频环状图像快速拼接融合成图方法
CN105701809A (zh) 一种基于线阵相机扫描的平场校正方法
CN106469440B (zh) 基于OpenCL的暗通道去雾并行优化方法
CN107564045B (zh) 基于梯度域引导滤波的立体匹配方法
CN114298923A (zh) 一种用于机器视觉测量系统的镜头评估及图像恢复方法
CN103106663A (zh) 计算机系统中基于图像处理实现sim卡缺陷检测的方法
CN102006449B (zh) 图像信息交互系统及图像信息交互方法
CN115880683B (zh) 一种基于深度学习的城市内涝积水智能水位检测方法
CN115775269A (zh) 一种基于线特征的列车图像精确配准方法
CN104574398A (zh) 一种基于线扫描相机的装箱香烟滤棒计数系统
CN110910442B (zh) 一种基于kernel-free图像复原的高速移动对象机器视觉尺寸检测方法
CN104700378A (zh) 基于遗传算法的低照度视频图像处理方法
CN107729823B (zh) 一种基于e-soinn网络的在线人机交互方法
CN112308870B (zh) 基于深度学习的边缘检测滤波器优化方法
CN110390654B (zh) 一种针对去雨图像的多级迭代协同表示的后处理方法
CN107689062A (zh) 基于三角剖分的室内视觉定位方法
CN112344922B (zh) 单目视觉里程计定位方法及系统
CN115482265A (zh) 一种基于连续视频流的室外场景深度补全方法

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