CN111860376A - 一种舱门的轮廓拟合方法及装置 - Google Patents

一种舱门的轮廓拟合方法及装置 Download PDF

Info

Publication number
CN111860376A
CN111860376A CN202010728343.5A CN202010728343A CN111860376A CN 111860376 A CN111860376 A CN 111860376A CN 202010728343 A CN202010728343 A CN 202010728343A CN 111860376 A CN111860376 A CN 111860376A
Authority
CN
China
Prior art keywords
door
vector
shape vector
cabin door
position point
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
Application number
CN202010728343.5A
Other languages
English (en)
Other versions
CN111860376B (zh
Inventor
姜春阳
李旭
桂盛霖
叶润
简柯青
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.)
Beijing Bowei Airport Support Ltd
Original Assignee
Beijing Bowei Airport Support 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 Beijing Bowei Airport Support Ltd filed Critical Beijing Bowei Airport Support Ltd
Priority to CN202010728343.5A priority Critical patent/CN111860376B/zh
Publication of CN111860376A publication Critical patent/CN111860376A/zh
Application granted granted Critical
Publication of CN111860376B publication Critical patent/CN111860376B/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
    • G06V20/20—Scenes; Scene-specific elements in augmented reality scenes
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明的实施例提供一种舱门的轮廓拟合方法及装置，所述方法包括：获取包含有双边界特征的舱门图像样本；根据所述舱门图像样本，获取所述舱门图像样本中舱门轮廓的位置点构成的形状向量；根据所述形状向量进行舱门模型训练，确定舱门模型；利用所述舱门模型，对当前输入的包含舱门的图像中的舱门轮廓进行拟合。本发明的方案可以更加高效地定位出舱门的双边界的位置，最后通过迭代，使得形状向量中的位置点准确地落在双边界中，达到轮廓拟合的效果。

Description

一种舱门的轮廓拟合方法及装置
技术领域
本发明涉及目标对象的检测技术领域，特别是指一种舱门的轮廓拟合方法 及装置。
背景技术
计算机视觉中的目标检测，因其在真实世界的大量应用需求，比如自动驾 驶、视频监控、机器人视觉等，而被广泛关注；而在目标检测中，物体边缘和 轮廓包含丰富的图像信息，代表了物体的特征，通过边缘和轮廓，人们可以更 加准确地识别物体，因此，轮廓提取和轮廓拟合技术被认为是目标检测技术中 十分重要的一部分。
目前常用的轮廓拟合算法有三类：基于局部梯度算子的轮廓提取算法，基 于深度学习的轮廓拟合算法和基于点分布(Point Distribution Model，PDM)模型 轮廓拟合的算法。
基于局部梯度算子的轮廓提取算法通过构造梯度算子，对灰度图像进行卷 积运算进而检测轮廓；John F.Canny于1986年提出了多级边缘检测算法的“边 缘检测计算理论”：首先引入高斯滤波作为预处理提取多个尺度下的图像表示； 然后，使用局部梯度算子提取轮廓图；最后，使用非极大抑制算法和双阈值算 法对边缘图像进行细化和二值化。基于局部梯度算子的轮廓提取算法虽然在速 度上满足要求，但是轮廓提取的准确率略有不足，容易被噪声干扰。
基于深度学习的轮廓拟合技术借助深度学习工具，尤其是卷积神经网络(Convolutional Neural Networks，CNNs)，提出了如整体嵌套边缘检测 (Holistically-Nested Edge Detection，HED)，CASENet(Deep Category-Aware Semantic EdgeDetection)和DeepEdge等轮廓提取算法，这些算法大多基于图 像的多尺度，多特征学习，并且泛化性强；但同时，对于特定目标的轮廓拟合， 基于深度学习的轮廓提取技术相对来说容易出现技术冗余，实时性不能满足要 求的问题。
在基于点分布模型轮廓拟合的算法中，外形相似的物体，例如人脸、人手、 心脏、肺部等的几何形状可以通过若干关键点的坐标依次串联形成一个形状向 量来表示；Cootes于1995年提出了经典的基于点分布模型的关键点检测算法 主动形状模型(ActiveShape Model，ASM)算法，主动形状模型即通过形状模型 对目标物体进行抽象；ASM算法通过人工标定的方法先标定训练集，经过训 练获得形状模型，再通过关键点的匹配实现特定物体的匹配。
1998年，Cootes对ASM算法进行改进，不仅采用形状约束，而且又加入 整个脸部区域的纹理特征，提出了主动外观模型(active appearance model， AAM)算法。AAM算法与ASM算法一样，主要分为两个阶段，模型建立阶 段和模型匹配阶段。其中模型建立阶段包括对训练样本分别建立形状模型 (Shape Model)和纹理模型(Texture Model)，然后将两个模型进行结合，形成主 动外观模型。
在登机桥的自动对接过程中，需要对舱门进行识别，现有技术中，没有在 登机桥的自动对接过程中对舱门进行识别的技术。
发明内容
本发明要解决的技术问题是提供一种舱门的轮廓拟合方法及装置，可以实 现在登机桥的自动对接过程中对舱门进行识别。
为解决上述技术问题，本发明的技术方案如下：
一种舱门的轮廓拟合方法，所述方法包括：
获取包含有双边界特征的舱门图像样本；
根据所述舱门图像样本，获取所述舱门图像样本中舱门轮廓的位置点构成 的形状向量；
根据所述形状向量进行舱门模型训练，确定舱门模型；
利用所述舱门模型，对当前输入的包含舱门的图像中的舱门轮廓进行拟合。
可选的，根据所述舱门图像样本，获取舱门轮廓的位置点构成的形状向量， 包括：
在每张舱门图像样本中的舱门轮廓上标记位置点，记录位置点的坐标，构 成形状向量Xi,i＝1,2...n。
可选的，在每张舱门图像样本中的舱门轮廓上标记位置点，记录位置点的 坐标，构成形状向量Xi,i＝1,2...n，包括：
对每张舱门图像样本中的舱门轮廓上，按照预设顺序标记k个位置点；将 k个位置点的坐标按照顺序组成一个形状向量
Figure BDA0002600450150000031
其 中
Figure BDA0002600450150000032
为第i个舱门图像样本上第j个位置点的坐标，n表示舱门图像样本的 个数。
可选的，根据所述形状向量进行舱门模型训练，确定舱门模型，包括：
对所述形状向量Xi,i＝1,2...n进行归一化处理，获得所述舱门模型的平均形 状向量
Figure BDA0002600450150000033
根据所述形状向量Xi,i＝1,2...n，获得所述舱门模型的投影矩阵P；
获取每个位置点的平均纹理特征向量
Figure BDA0002600450150000034
根据所述平均形状向量
Figure BDA0002600450150000035
投影矩阵P以及所述纹理特征向量
Figure BDA0002600450150000036
确定 舱门模型。
可选的，对所述形状向量Xi,i＝1,2...n进行归一化处理，获得所述舱门模型 的平均形状向量
Figure BDA0002600450150000037
包括：
对于所述形状向量Xi,i＝1,2,......n，通过迭代，使每个形状向量更新为
Figure BDA0002600450150000038
其中l为迭代次数，当l＝0时
Figure BDA0002600450150000039
计算每次迭代过程中的平均形状向量
Figure BDA00026004501500000310
当l＝0时
Figure BDA00026004501500000311
为每一个形状向量
Figure BDA00026004501500000312
找到旋转变换
Figure BDA00026004501500000313
放缩因子
Figure BDA00026004501500000314
以及平移变换
Figure BDA00026004501500000315
使得经过变换后
Figure BDA0002600450150000041
最小，其中
Figure BDA0002600450150000042
并且
Figure BDA0002600450150000043
小于第一预设阈值或迭代次数l达到第一预设次数；
||·||F定义为：对于向量α＝(a1,a2...am)T，
Figure BDA0002600450150000044
可选的，计算每次迭代过程中的平均形状向量
Figure BDA0002600450150000045
为每一个形状向量
Figure BDA0002600450150000046
找到旋转变换
Figure BDA0002600450150000047
放缩因子
Figure BDA0002600450150000048
以及平移变换
Figure BDA0002600450150000049
使得经过变换后
Figure BDA00026004501500000410
最小，包括：
计算l＝0时的平均形状向量
Figure BDA00026004501500000411
其中，
Figure BDA00026004501500000412
将每个形状向量归一到原点：
设每个形状向量
Figure BDA00026004501500000413
的中心坐标为
Figure BDA00026004501500000414
归一到原点后的形状向量为：
Figure BDA00026004501500000415
归一到原点的平均形状向量为：
Figure BDA00026004501500000416
其中
Figure BDA0002600450150000051
计算矩阵
Figure BDA0002600450150000052
满足
Figure BDA0002600450150000053
其中
Figure BDA0002600450150000054
为酉矩阵，
Figure BDA0002600450150000055
为半正定的对角矩阵，且
Figure BDA0002600450150000056
取旋转变换为：
Figure BDA0002600450150000057
取伸缩因子为：
Figure BDA0002600450150000058
取平移变换为：
Figure BDA0002600450150000059
更新每个形状向量
Figure BDA00026004501500000510
并记为
Figure BDA00026004501500000511
计算矩阵L(l),D(l),M(l)满足
Figure BDA00026004501500000512
得到旋转变换T(l)， 放缩因子s(l)以及平移变换C(l)，更新平均形状向量
Figure BDA00026004501500000513
l＝l+1，重复上述过程直到l达到设定的次数或
Figure BDA00026004501500000514
小于所述第 一预设阈值。
可选的，根据所述形状向量Xi,i＝1,2...n，获得所述舱门模型的投影矩阵P， 包括：
根据形状向量
Figure BDA00026004501500000515
以及平均形状向量
Figure BDA0002600450150000061
记Xi'＝(x1,y1,x2,y2...xk,yk)T，
Figure BDA0002600450150000062
获取协方差矩阵
Figure BDA0002600450150000063
获取协方差矩阵S的特征值λi,i＝1,2......2n，满足λi≥λj>0,1≤i<j≤n，且特征值对应的特征向量为pi，满足S*pi＝λi*pi；
取前t个特征值λi,i＝1,2......t对应的特征向量pi,i＝1,2......t，并以pi,i＝1,2......t为 列向量，构成投影矩阵P＝(p1,p2......pt)；
其中，对任意的新的形状向量X'＝(x′1,y′1,x′2,y′2...x′k,y′k)T，表示为
Figure BDA0002600450150000064
其中b＝(b1,b2...bt)T为形状参数，通过
Figure BDA0002600450150000065
来计算。
可选的，获取每个位置点的平均纹理特征向量
Figure BDA0002600450150000066
包括：
在第i个舱门图像样本的第j个位置点，沿着垂直于前后两个位置点连线 的方向，以第j个位置点为中心，两边各取m个像素点，得到共计2m+1个像素 值，构成维度为2m+1的纹理特征向量
Figure BDA0002600450150000067
其中，i表示第i张样本，j表示样本 中的第j个位置点；第j个位置点的平均纹理特征向量
Figure BDA0002600450150000068
对所有样本的第j个 位置点的纹理特征向量做平均处理得到：
Figure BDA0002600450150000069
可选的，利用所述舱门模型，对当前输入的包含舱门的图像中的舱门轮廓 进行拟合，包括：
确定当前输入的图像中的舱门的初始形状向量current_X；
构建纹理特征向量gj；
利用双边界识别算法确定位置点的搜索范围；
计算每个位置点的建议坐标；
确定新的形状向量；
根据所述新的形状向量的形状参数增量db，计算范数
Figure BDA0002600450150000071
若 ||db||F大于第二预设阈值，则以当前的形状向量current_X作为初始的形状重复 上述过程，直到||db||F小于所述第二预设阈值或者迭代次数达到初设值，则确定 舱门的轮廓拟合完成。
可选的，构建纹理特征向量gj，包括：
对于第j个位置点，沿着垂直于前后两个位置点连线的方向，以第j个位 置点为中心，往两边各取l个像素点，其中，l>m，得到共计2l+1个像素点的 像素值构成的纹理特征向量
Figure BDA0002600450150000072
可选的，利用双边界识别算法确定位置点的搜索范围，包括：
根据所述纹理特征向量gj，以及舱门的双边界之间的距离，对搜索区域内 的像素通过如下公式求导：
Figure BDA0002600450150000073
得到相应的梯度向量
Figure BDA0002600450150000074
设
Figure BDA0002600450150000075
中数值大于阈值的为
Figure BDA0002600450150000076
且满足ik<ik+1；
计算相邻元素间的距离：
Figure BDA0002600450150000081
若距离在第三预设阈值范围之内，则这两个相邻元素之间的所有像素点
Figure BDA0002600450150000082
为需要进行搜索像素点，反之则不进行搜索，以此确定搜索范围。
可选的，计算每个位置点的建议坐标，包括：
每一个位置点都对应一个搜索范围，设第j个位置点对应的搜索范围为
Figure BDA0002600450150000083
对于Gj中的任意一个像素点
Figure BDA0002600450150000084
以
Figure BDA0002600450150000085
为中 心，两边各取m个像素点，则构成以该像素点为中心的子纹理特征量向量
Figure BDA0002600450150000086
计算子纹理特征向量与该位置点对应的平均纹理向量之间的欧氏距离：
Figure BDA0002600450150000087
取欧式距离最小的子纹理向量的中心点的坐标 为第j个位置点的建议坐标。
可选的，确定新的形状向量，包括：
将得到的各个建议位置点的坐标按顺序构成建议形状向量
Figure BDA0002600450150000088
获得旋转变换T、放缩因子s以及平移变换C，使得 ||X*-(current_X*T*s+C)||F最小；
根据旋转变换T、放缩因子s和平移变换C，得到 X*＝(current_X+dX*)*T*s+C；
建议形变增量dX*＝s-1*T-1*(X*-C)-current_X；
根据建议形变增量dX*，计算真实形变增量dX；
更新当前形状向量current_X＝(current_X+dX)*T*s+C。
可选的，根据建议形变增量dX*，计算真实形变增量dX，包括：
设
Figure BDA0002600450150000089
记current_X展开为一列后
Figure BDA0002600450150000091
由于
Figure RE-GDA0002633022140000086
若能找到形状参数增量db＝(db1,db2...dbt)T使得
Figure RE-GDA0002633022140000087
于是db＝P-1*dX'*，真实形变增量 dX'＝P*db＝(dx1,dy1,dx2,dy2...dxk,dyk)T，记真实形变增量为
Figure RE-GDA0002633022140000088
本发明的实施例还提供一种舱门的轮廓拟合装置，包括：
采集模块，用于获取包含有双边界特征的舱门图像样本；
获取模块，用于根据所述舱门图像样本，获取所述舱门图像样本中舱门轮 廓的位置点构成的形状向量；
训练模块，用于根据所述形状向量进行舱门模型训练，确定舱门模型；
拟合模块，用于利用所述舱门模型，对当前输入的包含舱门的图像中的舱 门轮廓进行拟合。
本发明的上述方案至少包括以下有益效果：
本发明的上述方案，通过获取包含有双边界特征的舱门图像样本；根据所 述舱门图像样本，获取所述舱门图像样本中舱门轮廓的位置点构成的形状向量； 根据所述形状向量进行舱门模型训练，确定舱门模型；利用所述舱门模型，对 当前输入的包含舱门的图像中的舱门轮廓进行拟合。可以更加高效地定位出舱 门的双边界的位置，最后通过迭代，使得形状向量中的位置点准确地落在双边 界中，达到轮廓拟合的效果，可以实现在登机桥的自动对接过程中对舱门进行 识别。
附图说明
图1是本发明的舱门的轮廓拟合方法的流程示意图；
图2是本发明的方法中，舱门模型的训练流程示意图；
图3是本发明的方法中，利用舱门模型和相关算法识别舱门的流程示意图；
图4是本发明的舱门的轮廓拟合装置的模块示意图。
具体实施方式
下面将参照附图更详细地描述本公开的示例性实施例。虽然附图中显示了 本公开的示例性实施例，然而应当理解，可以以各种形式实现本公开而不应被 这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本 公开，并且能够将本公开的范围完整的传达给本领域的技术人员。
如图1所示，本发明的实施例提出一种舱门的轮廓拟合方法，所述方法包 括：
步骤11，获取包含有双边界特征的舱门图像样本；
步骤12，根据所述舱门图像样本，获取所述舱门图像样本中舱门轮廓的 位置点构成的形状向量；
步骤13，根据所述形状向量进行舱门模型训练，确定舱门模型；
步骤14，利用所述舱门模型，对当前输入的包含舱门的图像中的舱门轮 廓进行拟合。
本发明的该实施例，采集机舱门图像样本并在每张样本中的舱门轮廓上标 记位置点，记录位置点的坐标构成形状向量，根据样本和形状向量，利用 Procrustes算法和PCA算法进行舱门模型的训练，读取包含舱门的图像，利用 舱门模型进行舱门识别，再由双边界识别算法判断在初始搜索范围内可能出现 的双边界以缩小搜索范围并加强对舱门的识别效果。通过机舱门具有双边界这 一特征，通过双边界识别算法配合舱门模型识别机舱门，提高了机舱门识别的 准确率和计算速度。
本发明的一可选的实施例中，步骤12可以包括：
在每张舱门图像样本中的舱门轮廓上标记位置点，记录位置点的坐标，构 成形状向量Xi,i＝1,2...n。
具体的，对每张舱门图像样本中的舱门轮廓上，按照预设顺序标记k个位 置点；将k个位置点的坐标按照顺序组成一个形状向量
Figure BDA0002600450150000101
其中
Figure BDA0002600450150000102
为第i个舱门图像样本上第j个位置 点的坐标，n表示舱门图像样本的个数。
本发明的一可选的实施例中，步骤13中，根据所述形状向量进行舱门模 型训练，确定舱门模型的过程可以包括：
步骤131，对所述形状向量Xi,i＝1,2...n进行归一化处理，获得所述舱门模 型的平均形状向量
Figure BDA0002600450150000111
这里可以利用Procrustes算法，对形状向量Xi,i＝1,2,....n进行归一化，并计算归一化后的平均形状向量
Figure BDA0002600450150000112
具体过程包括：
步骤1311，对于所述形状向量Xi,i＝1,2,......n，通过迭代，使每个形状向量 更新为
Figure BDA0002600450150000113
其中l为迭代次数，当l＝0时
Figure BDA0002600450150000114
步骤1312，计算每次迭代过程中的平均形状向量
Figure BDA0002600450150000115
当l＝0时
Figure BDA0002600450150000116
步骤1313，利用奇异值分解方法，为这些形状向量簇中的为每一个形状 向量
Figure BDA0002600450150000117
找到旋转变换
Figure BDA0002600450150000118
放缩因子
Figure BDA0002600450150000119
以及平移变换
Figure BDA00026004501500001110
使得经过变换后
Figure BDA00026004501500001111
最小，其中
Figure BDA00026004501500001112
并且
Figure BDA00026004501500001113
小于第 一预设阈值或迭代次数l达到第一预设次数；
||·||F定义为：对于向量α＝(a1,a2...am)T，
Figure BDA00026004501500001114
上述步骤1312至1313的具体实现过程如下：
1.1)计算l＝0时的平均形状向量
Figure BDA00026004501500001115
其中，
Figure BDA00026004501500001116
1.2)将每个形状向量归一到原点：
设每个形状向量
Figure BDA0002600450150000121
的中心坐标为
Figure BDA0002600450150000122
归一到原点后的形状向量为：
Figure BDA0002600450150000123
归一到原点的平均形状向量为：
Figure BDA0002600450150000124
其中
Figure BDA0002600450150000125
1.3)利用奇异值分解法，计算矩阵
Figure BDA0002600450150000126
满足
Figure BDA0002600450150000127
其中
Figure BDA0002600450150000128
为酉矩阵，
Figure BDA0002600450150000129
为半正定的对角矩阵， 且
Figure BDA00026004501500001213
取旋转变换为：
Figure BDA00026004501500001210
取伸缩因子为：
Figure BDA00026004501500001211
取平移变换为：
Figure BDA00026004501500001212
1.4)更新每个形状向量
Figure BDA0002600450150000131
并记为
Figure BDA0002600450150000132
1.5)参照上述1.3)的方法，计算矩阵L(l),D(l),M(l)满足
Figure BDA0002600450150000133
得到旋转变换T(l)，放缩因子s(l)以及平移变换C(l)， 更新平均形状向量
Figure BDA0002600450150000134
1.6)l＝l+1，重复1.2)，1.3)，1.4)，1.5)上述过程，直到l达到设定的 次数或
Figure BDA0002600450150000135
小于所述第一预设阈值。将Procrustes算法处理后得到的 形状仍记为
Figure BDA0002600450150000136
所求的平均形状为
Figure BDA0002600450150000137
步骤132，根据所述形状向量Xi,i＝1,2...n，获得所述舱门模型的投影矩阵P；
步骤133，获取每个位置点的平均纹理特征向量
Figure BDA0002600450150000138
步骤134，根据所述平均形状向量
Figure BDA0002600450150000139
投影矩阵P以及所述纹理特征向量
Figure BDA00026004501500001310
确定舱门模型。
该实施例中，根据上述图像样本以及形状向量Xi,i＝1,2,....n进行舱门模型的训练，从而可以确定舱门模型，舱门模型包括平均形状
Figure BDA00026004501500001311
投影矩阵P以及 每个位置点的平均纹理特征向量
Figure BDA00026004501500001312
本发明的一可选的实施例中，上述步骤132中，可以利用PCA算法，计 算投影矩阵P，具体的，
2.1)记形状向量
Figure BDA0002600450150000141
以及平均形状向量
Figure BDA0002600450150000142
记Xi'＝(x1,y1,x2,y2...xk,yk)T，
Figure BDA0002600450150000143
2.2)协方差矩阵
Figure BDA0002600450150000144
2.3)获取协方差矩阵S的特征值λi,i＝1,2......2n，满足λi≥λj>0,1≤i<j≤n，且特征值对应的特征向量为pi，满足S*pi＝λi*pi；
2.4)取前t个特征值λi,i＝1,2......t对应的特征向量pi,i＝1,2......t，并以pi,i＝1,2......t为列向量，构成投影矩阵P＝(p1,p2......pt)；
2.5)对任意的新的形状向量X'＝(x′1,y′1,x′2,y′2...x′k,y′k)T，表示为
Figure BDA0002600450150000145
其中b＝(b1,b2...bt)T为形状参数，通过
Figure BDA0002600450150000146
来计算。
本发明的一可选的实施例中，上述步骤133中，获取每个位置点的平均纹 理特征向量
Figure BDA0002600450150000147
可以包括：
在第i个舱门图像样本的第j个位置点，沿着垂直于前后两个位置点连线 的方向，以第j个位置点为中心，两边各取m个像素点，得到共计2m+1个像素 值，构成维度为2m+1的纹理特征向量
Figure BDA0002600450150000148
其中，i表示第i张样本，j表示样本 中的第j个位置点；第j个位置点的平均纹理特征向量
Figure BDA0002600450150000149
对所有样本的第j个 位置点的纹理特征向量做平均处理得到：
Figure BDA00026004501500001410
如图2所示，为本发明的上述实施例中，舱门模型的训练的一具体流程图， 包括：
步骤21，采集含有双边界特征机舱门图像样本；
步骤22，在样本中标记位置点构成形状向量；
步骤23，Procrustes算法对样本进行归一化，计算归一化后的平均形状向 量；
步骤24，PCA算法计算投影矩阵；
步骤25，获取每个位置点的平均纹理特征向量；
步骤26，训练完成。
本发明的一可选的实施例中，上述步骤14中，利用所述舱门模型，对当 前输入的包含舱门的图像中的舱门轮廓进行拟合，可以包括：
步骤141，确定当前输入的图像中的舱门的初始形状向量current_X；具体 的，利用基于Flexible Templates的遗传算法获得初始形状current_X；
步骤142，构建纹理特征向量gj；具体的，对于第j个位置点，沿着垂直 于前后两个位置点连线的方向，以第j个位置点为中心，往两边各取l个像素 点，其中，l>m，得到共计2l+1个像素点的像素值构成的纹理特征向量
Figure BDA0002600450150000151
步骤143，利用双边界识别算法确定位置点的搜索范围；具体的，根据所 述纹理特征向量gj，以及舱门的双边界之间的距离，对搜索区域内的像素通过 如下公式求导：
Figure BDA0002600450150000152
得到相应的梯度向量
Figure BDA0002600450150000153
设
Figure BDA0002600450150000154
中数值大于阈值的为
Figure BDA0002600450150000161
且满足ik<ik+1；
计算相邻元素间的距离：
Figure BDA0002600450150000162
若距离在第三预设阈值范围之内，则这两个相邻元素之间的所有像素点
Figure BDA0002600450150000163
为需要进行搜索像素点，反之则不进行搜索，以此确定搜索范围；
步骤144，计算每个位置点的建议坐标；具体的，每一个位置点都对应一 个搜索范围，设第j个位置点对应的搜索范围为
Figure BDA0002600450150000164
对 于Gj中的任意一个像素点
Figure BDA0002600450150000165
以
Figure BDA0002600450150000166
为中心，两边各取m个像素点，则 构成以该像素点为中心的子纹理特征量向量
Figure BDA0002600450150000167
计算子纹理特征向量与该位 置点对应的平均纹理向量之间的欧氏距离：
Figure BDA0002600450150000168
取 欧式距离最小的子纹理向量的中心点的坐标为第j个位置点的建议坐标；
步骤145，确定新的形状向量；具体的，将得到的各个建议位置点的坐标 按顺序构成建议形状向量
Figure BDA0002600450150000169
获得旋转变换T、放缩因子s以及平移变换C，使得 ||X*-(current_X*T*s+C)||F最小；
根据旋转变换T、放缩因子s和平移变换C，得到 X*＝(current_X+dX*)*T*s+C；
建议形变增量dX*＝s-1*T-1*(X*-C)-current_X；
根据建议形变增量dX*，计算真实形变增量dX；
更新当前形状向量current_X＝(current_X+dX)*T*s+C。
可选的，这里，根据建议形变增量dX*，计算真实形变增量dX，包括：
设
Figure BDA0002600450150000171
记current_X展开为一列后的向量current_X'＝(x1,y1,x2,y2...xk,yk)T，记dX*展开为一列后的向量为
Figure BDA0002600450150000172
由于
Figure BDA0002600450150000173
若能找到形状参数增量db＝(db1,db2...dbt)T使得
Figure BDA0002600450150000174
于是db＝P-1*dX'*，真实形变增量 dX'＝P*db＝(dx1,dy1,dx2,dy2...dxk,dyk)T，记真实形变增量为
Figure BDA0002600450150000175
步骤146，根据所述新的形状向量的形状参数增量db，计算范数
Figure BDA0002600450150000176
若||db||F大于第二预设阈值，则以当前的形状向量current_X作 为初始的形状重复上述过程，直到||db||F小于所述第二预设阈值或者迭代次数达 到初设值，则确定舱门的轮廓拟合完成，结束搜索过程。
具体的，如图3所示，为本发明中利用舱门模型和相关算法识别舱门的流 程图，包括：
步骤31，利用相关遗传算法确定初始形状向量；
步骤32，构建纹理特征向量；
步骤33，双边界识别算法确定位置点的搜索范围；
步骤34，计算每个位置点的建议坐标；
步骤35，确定新的形状向量，并计算形状参数增量的F范数；
步骤36，判断形状参数增量的F范数是否小于阈值，若是，拟合完成， 若否，判断迭代次数是否小于阈值；
步骤37，判断迭代次数是否小于阈值，若是，则拟合完成，若否，构建 纹理特征向量。
本发明的上述实施例，通过具有双边界舱门的图像样本进行舱门模型训练； 利用相关的遗传算法确定出舱门的大致位置，同时由双边界识别算法配合舱门 模型，更加高效地定位出舱门双边界的位置，最后通过迭，使得形状向量中的 位置点准确地落在双边界中，达到轮廓拟合的效果。
如图4所示，本发明的实施例还提供一种舱门的轮廓拟合装置40，包括：
采集模块41，用于获取包含有双边界特征的舱门图像样本；
获取模块42，用于根据所述舱门图像样本，获取所述舱门图像样本中舱 门轮廓的位置点构成的形状向量；
训练模块43，用于根据所述形状向量进行舱门模型训练，确定舱门模型；
拟合模块44，用于利用所述舱门模型，对当前输入的包含舱门的图像中 的舱门轮廓进行拟合。
可选的，根据所述舱门图像样本，获取舱门轮廓的位置点构成的形状向量， 包括：
在每张舱门图像样本中的舱门轮廓上标记位置点，记录位置点的坐标，构 成形状向量Xi,i＝1,2...n。
可选的，在每张舱门图像样本中的舱门轮廓上标记位置点，记录位置点的 坐标，构成形状向量Xi,i＝1,2...n，包括：
对每张舱门图像样本中的舱门轮廓上，按照预设顺序标记k个位置点；将 k个位置点的坐标按照顺序组成一个形状向量
Figure BDA0002600450150000181
其 中
Figure BDA0002600450150000182
为第i个舱门图像样本上第j个位置点的坐标，n表示舱门图像样本的 个数。
可选的，根据所述形状向量进行舱门模型训练，确定舱门模型，包括：
对所述形状向量Xi,i＝1,2...n进行归一化处理，获得所述舱门模型的平均形 状向量
Figure BDA0002600450150000183
根据所述形状向量Xi,i＝1,2...n，获得所述舱门模型的投影矩阵P；
获取每个位置点的平均纹理特征向量
Figure BDA0002600450150000191
根据所述平均形状向量
Figure BDA0002600450150000192
投影矩阵P以及所述纹理特征向量
Figure BDA0002600450150000193
确定 舱门模型。
可选的，对所述形状向量Xi,i＝1,2...n进行归一化处理，获得所述舱门模型 的平均形状向量
Figure BDA0002600450150000194
包括：
对于所述形状向量Xi,i＝1,2,......n，通过迭代，使每个形状向量更新为
Figure BDA0002600450150000195
其中l为迭代次数，当l＝0时
Figure BDA0002600450150000196
计算每次迭代过程中的平均形状向量
Figure BDA0002600450150000197
当l＝0时
Figure BDA0002600450150000198
为每一个形状向量
Figure BDA0002600450150000199
找到旋转变换
Figure BDA00026004501500001910
放缩因子
Figure BDA00026004501500001911
以及平移变换
Figure BDA00026004501500001912
使得经过变换后
Figure BDA00026004501500001913
最小，其中
Figure BDA00026004501500001914
并且
Figure BDA00026004501500001915
小于第一预设阈值或迭代次数l达到第一预设次数；
||·||F定义为：对于向量α＝(a1,a2...am)T，
Figure BDA00026004501500001916
可选的，计算每次迭代过程中的平均形状向量
Figure BDA00026004501500001917
为每一个形状向量
Figure BDA00026004501500001918
找到旋转变换
Figure BDA00026004501500001919
放缩因子
Figure BDA00026004501500001920
以及平移变换
Figure BDA00026004501500001921
使得经过变换后
Figure BDA00026004501500001922
最小，包括：
计算l＝0时的平均形状向量
Figure BDA00026004501500001923
其中，
Figure BDA00026004501500001924
将每个形状向量归一到原点：
设每个形状向量
Figure BDA0002600450150000201
的中心坐标为
Figure BDA0002600450150000202
归一到原点后的形状向量为：
Figure BDA0002600450150000203
归一到原点的平均形状向量为：
Figure BDA0002600450150000204
其中
Figure BDA00026004501500002015
计算矩阵
Figure BDA0002600450150000205
满足
Figure BDA0002600450150000206
其中
Figure BDA0002600450150000207
为酉矩阵，
Figure BDA0002600450150000208
为半正定的对角矩阵，且
Figure BDA0002600450150000209
取旋转变换为：
Figure BDA00026004501500002010
取伸缩因子为：
Figure BDA00026004501500002011
取平移变换为：
Figure BDA00026004501500002012
更新每个形状向量
Figure BDA00026004501500002013
并记为
Figure BDA00026004501500002014
计算矩阵L(l),D(l),M(l)满足
Figure BDA0002600450150000211
得到旋转变换T(l)， 放缩因子s(l)以及平移变换C(l)，更新平均形状向量
Figure BDA0002600450150000212
l＝l+1，重复上述过程直到l达到设定的次数或
Figure BDA0002600450150000213
小于所述第 一预设阈值。
可选的，根据所述形状向量Xi,i＝1,2...n，获得所述舱门模型的投影矩阵P， 包括：
根据形状向量
Figure BDA0002600450150000214
以及平均形状向量
Figure BDA0002600450150000215
记Xi'＝(x1,y1,x2,y2...xk,yk)T，
Figure BDA0002600450150000216
获取协方差矩阵
Figure BDA0002600450150000217
获取协方差矩阵S的特征值λi,i＝1,2......2n，满足λi≥λj>0,1≤i<j≤n，且特征值对应的特征向量为pi，满足S*pi＝λi*pi；
取前t个特征值λi,i＝1,2......t对应的特征向量pi,i＝1,2......t，并以pi,i＝1,2......t为 列向量，构成投影矩阵P＝(p1,p2......pt)；
其中，对任意的新的形状向量X'＝(x′1,y′1,x′2,y′2...x′k,y′k)T，表示为
Figure BDA0002600450150000218
其中b＝(b1,b2...bt)T为形状参数，通过
Figure BDA0002600450150000219
来计算。
可选的，获取每个位置点的平均纹理特征向量
Figure BDA00026004501500002110
包括：
在第i个舱门图像样本的第j个位置点，沿着垂直于前后两个位置点连线 的方向，以第j个位置点为中心，两边各取m个像素点，得到共计2m+1个像素 值，构成维度为2m+1的纹理特征向量
Figure BDA0002600450150000221
其中，i表示第i张样本，j表示样本 中的第j个位置点；第j个位置点的平均纹理特征向量
Figure BDA0002600450150000222
对所有样本的第j个 位置点的纹理特征向量做平均处理得到：
Figure BDA0002600450150000223
可选的，利用所述舱门模型，对当前输入的包含舱门的图像中的舱门轮廓 进行拟合，包括：
确定当前输入的图像中的舱门的初始形状向量current_X；
构建纹理特征向量gj；
利用双边界识别算法确定位置点的搜索范围；
计算每个位置点的建议坐标；
确定新的形状向量；
根据所述新的形状向量的形状参数增量db，计算范数
Figure BDA0002600450150000224
若 ||db||F大于第二预设阈值，则以当前的形状向量current_X作为初始的形状重复 上述过程，直到||db||F小于所述第二预设阈值或者迭代次数达到初设值，则确定 舱门的轮廓拟合完成。
可选的，构建纹理特征向量gj，包括：
对于第j个位置点，沿着垂直于前后两个位置点连线的方向，以第j个位 置点为中心，往两边各取l个像素点，其中，l>m，得到共计2l+1个像素点的 像素值构成的纹理特征向量
Figure BDA0002600450150000225
可选的，利用双边界识别算法确定位置点的搜索范围，包括：
根据所述纹理特征向量gj，以及舱门的双边界之间的距离，对搜索区域内 的像素通过如下公式求导：
Figure BDA0002600450150000231
得到相应的梯度向量
Figure BDA0002600450150000232
设
Figure BDA0002600450150000233
中数值大于阈值的为
Figure BDA0002600450150000234
且满足ik<ik+1；
计算相邻元素间的距离：
Figure BDA0002600450150000235
若距离在第三预设阈值范围之内，则这两个相邻元素之间的所有像素点
Figure BDA0002600450150000236
为需要进行搜索像素点，反之则不进行搜索，以此确定搜索范围。
可选的，计算每个位置点的建议坐标，包括：
每一个位置点都对应一个搜索范围，设第j个位置点对应的搜索范围为
Figure BDA0002600450150000237
对于Gj中的任意一个像素点
Figure BDA0002600450150000238
以
Figure BDA0002600450150000239
为中 心，两边各取m个像素点，则构成以该像素点为中心的子纹理特征量向量
Figure BDA00026004501500002310
计算子纹理特征向量与该位置点对应的平均纹理向量之间的欧氏距离：
Figure BDA00026004501500002311
取欧式距离最小的子纹理向量的中心点的坐标 为第j个位置点的建议坐标。
可选的，确定新的形状向量，包括：
将得到的各个建议位置点的坐标按顺序构成建议形状向量
Figure BDA0002600450150000241
获得旋转变换T、放缩因子s以及平移变换C，使得 ||X*-(current_X*T*s+C)||F最小；
根据旋转变换T、放缩因子s和平移变换C，得到 X*＝(current_X+dX*)*T*s+C；
建议形变增量dX*＝s-1*T-1*(X*-C)-current_X；
根据建议形变增量dX*，计算真实形变增量dX；
更新当前形状向量current_X＝(current_X+dX)*T*s+C。
可选的，根据建议形变增量dX*，计算真实形变增量dX，包括：
设
Figure BDA0002600450150000242
记current_X展开为一列后的向量current_X'＝(x1,y1,x2,y2...xk,yk)T，记dX*展开为一列后的向量为
Figure BDA0002600450150000243
由于
Figure RE-GDA0002633022140000234
若能找到形状参数增量db＝(db1,db2...dbt)T使得
Figure RE-GDA0002633022140000235
于是db＝P-1*dX'*，真实形变增量 dX'＝P*db＝(dx1,dy1,dx2,dy2...dxk,dyk)T，记真实形变增量为
Figure RE-GDA0002633022140000236
需要说明的是，该装置是与上述方法对应的装置，上述方法实施例中的所 有实现方式均适用于该装置的实施例中，也能达到相同的技术效果。
本发明的实施例还提供一种计算机可读存储介质，包括指令，当所述指令 在计算机运行时，使得计算机执行如上所述的方法。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技 术人员来说，在不脱离本发明所述原理的前提下，还可以作出若干改进和润饰， 这些改进和润饰也应视为本发明的保护范围。

Claims (15)

1.一种舱门的轮廓拟合方法，其特征在于，所述方法包括：
获取包含有双边界特征的舱门图像样本；
根据所述舱门图像样本，获取所述舱门图像样本中舱门轮廓的位置点构成的形状向量；
根据所述形状向量进行舱门模型训练，确定舱门模型；
利用所述舱门模型，对当前输入的包含舱门的图像中的舱门轮廓进行拟合。
2.根据权利要求1所述的舱门的轮廓拟合方法，其特征在于，根据所述舱门图像样本，获取舱门轮廓的位置点构成的形状向量，包括：
在每张舱门图像样本中的舱门轮廓上标记位置点，记录位置点的坐标，构成形状向量Xi,i＝1,2...n。
3.根据权利要求2所述的舱门的轮廓拟合方法，其特征在于，在每张舱门图像样本中的舱门轮廓上标记位置点，记录位置点的坐标，构成形状向量Xi,i＝1,2...n，包括：
对每张舱门图像样本中的舱门轮廓上，按照预设顺序标记k个位置点；将k个位置点的坐标按照顺序组成一个形状向量
Figure FDA0002600450140000011
其中
Figure FDA0002600450140000012
为第i个舱门图像样本上第j个位置点的坐标，n表示舱门图像样本的个数。
4.根据权利要求2所述的舱门的轮廓拟合方法，其特征在于，根据所述形状向量进行舱门模型训练，确定舱门模型，包括：
对所述形状向量Xi,i＝1,2...n进行归一化处理，获得所述舱门模型的平均形状向量
Figure FDA0002600450140000013
根据所述形状向量Xi,i＝1,2...n，获得所述舱门模型的投影矩阵P；
获取每个位置点的平均纹理特征向量
Figure FDA0002600450140000021
根据所述平均形状向量
Figure FDA0002600450140000022
投影矩阵P以及所述纹理特征向量
Figure FDA0002600450140000023
确定舱门模型。
5.根据权利要求4所述的舱门的轮廓拟合方法，其特征在于，对所述形状向量Xi,i＝1,2...n进行归一化处理，获得所述舱门模型的平均形状向量
Figure FDA0002600450140000024
包括：
对于所述形状向量Xi,i＝1,2,......n，通过迭代，使每个形状向量更新为
Figure FDA0002600450140000025
其中l为迭代次数，当l＝0时
Figure FDA0002600450140000026
计算每次迭代过程中的平均形状向量
Figure FDA0002600450140000027
当l＝0时
Figure FDA0002600450140000028
为每一个形状向量
Figure FDA0002600450140000029
找到旋转变换
Figure FDA00026004501400000210
放缩因子
Figure FDA00026004501400000211
以及平移变换
Figure FDA00026004501400000212
使得经过变换后
Figure FDA00026004501400000213
最小，其中
Figure FDA00026004501400000214
并且
Figure FDA00026004501400000215
小于第一预设阈值或迭代次数l达到第一预设次数；
||·||F定义为：对于向量α＝(a1,a2...am)T，
Figure FDA00026004501400000216
6.根据权利要求5所述的舱门的轮廓拟合方法，其特征在于，计算每次迭代过程中的平均形状向量
Figure FDA00026004501400000217
为每一个形状向量
Figure FDA00026004501400000218
找到旋转变换
Figure FDA00026004501400000219
放缩因子
Figure FDA00026004501400000220
以及平移变换
Figure FDA00026004501400000221
使得经过变换后
Figure FDA00026004501400000222
最小，包括：
计算l＝0时的平均形状向量
Figure FDA00026004501400000223
其中，
Figure FDA0002600450140000031
将每个形状向量归一到原点：
设每个形状向量
Figure FDA0002600450140000032
的中心坐标为
Figure FDA0002600450140000033
归一到原点后的形状向量为：
Figure FDA0002600450140000034
归一到原点的平均形状向量为：
Figure FDA0002600450140000035
其中
Figure FDA0002600450140000036
计算矩阵
Figure FDA0002600450140000037
满足
Figure FDA0002600450140000038
其中
Figure FDA0002600450140000039
为酉矩阵，
Figure FDA00026004501400000310
为半正定的对角矩阵，且
Figure FDA00026004501400000311
取旋转变换为：
Figure FDA00026004501400000312
取伸缩因子为：
Figure FDA00026004501400000313
取平移变换为：
Figure FDA00026004501400000314
更新每个形状向量
Figure FDA0002600450140000041
并记为
Figure FDA0002600450140000042
计算矩阵L(l),D(l),M(l)满足
Figure FDA0002600450140000043
得到旋转变换T(l)，放缩因子s(l)以及平移变换C(l)，更新平均形状向量
Figure FDA0002600450140000044
l＝l+1，重复上述过程直到l达到设定的次数或
Figure FDA0002600450140000045
小于所述第一预设阈值。
7.根据权利要求5所述的舱门的轮廓拟合方法，其特征在于，根据所述形状向量Xi,i＝1,2...n，获得所述舱门模型的投影矩阵P，包括：
根据形状向量
Figure FDA0002600450140000046
以及平均形状向量
Figure FDA0002600450140000047
记Xi'＝(x1,y1,x2,y2...xk,yk)T，
Figure FDA0002600450140000048
获取协方差矩阵
Figure FDA0002600450140000049
获取协方差矩阵S的特征值λi,i＝1,2......2n，满足λi≥λj>0,1≤i<j≤n，且特征值对应的特征向量为pi，满足S*pi＝λi*pi；
取前t个特征值λi,i＝1,2......t对应的特征向量pi,i＝1,2......t，并以pi,i＝1,2......t为列向量，构成投影矩阵P＝(p1,p2......pt)；
其中，对任意的新的形状向量X'＝(x′1,y′1,x′2,y′2...x′k,y′k)T，表示为
Figure FDA00026004501400000410
其中b＝(b1,b2...bt)T为形状参数，通过
Figure FDA00026004501400000411
来计算。
8.根据权利要求4所述的舱门的轮廓拟合方法，其特征在于，获取每个位置点的平均纹理特征向量
Figure FDA0002600450140000051
包括：
在第i个舱门图像样本的第j个位置点，沿着垂直于前后两个位置点连线的方向，以第j个位置点为中心，两边各取m个像素点，得到共计2m+1个像素值，构成维度为2m+1的纹理特征向量
Figure FDA0002600450140000052
其中，i表示第i张样本，j表示样本中的第j个位置点；第j个位置点的平均纹理特征向量
Figure FDA0002600450140000053
对所有样本的第j个位置点的纹理特征向量做平均处理得到：
Figure FDA0002600450140000054
9.根据权利要求4所述的舱门的轮廓拟合方法，其特征在于，利用所述舱门模型，对当前输入的包含舱门的图像中的舱门轮廓进行拟合，包括：
确定当前输入的图像中的舱门的初始形状向量current_X；
构建纹理特征向量gj；
利用双边界识别算法确定位置点的搜索范围；
计算每个位置点的建议坐标；
确定新的形状向量；
根据所述新的形状向量的形状参数增量db，计算范数
Figure FDA0002600450140000055
若||db||F大于第二预设阈值，则以当前的形状向量current_X作为初始的形状重复上述过程，直到||db||F小于所述第二预设阈值或者迭代次数达到初设值，则确定舱门的轮廓拟合完成。
10.根据权利要求9所述的舱门的轮廓拟合方法，其特征在于，构建纹理特征向量gj，包括：
对于第j个位置点，沿着垂直于前后两个位置点连线的方向，以第j个位置点为中心，往两边各取l个像素点，其中，l>m，得到共计2l+1个像素点的像素值构成的纹理特征向量
Figure FDA0002600450140000061
11.根据权利要求10所述的舱门的轮廓拟合方法，其特征在于，利用双边界识别算法确定位置点的搜索范围，包括：
根据所述纹理特征向量gj，以及舱门的双边界之间的距离，对搜索区域内的像素通过如下公式求导：
Figure FDA0002600450140000062
得到相应的梯度向量
Figure FDA0002600450140000063
设
Figure FDA0002600450140000064
中数值大于阈值的为
Figure FDA0002600450140000065
k＝1,2...tj-1，且满足ik<ik+1；
计算相邻元素间的距离：
Figure FDA0002600450140000066
若距离在第三预设阈值范围之内，则这两个相邻元素之间的所有像素点
Figure FDA0002600450140000067
为需要进行搜索像素点，反之则不进行搜索，以此确定搜索范围。
12.根据权利要求11所述的舱门的轮廓拟合方法，其特征在于，计算每个位置点的建议坐标，包括：
每一个位置点都对应一个搜索范围，设第j个位置点对应的搜索范围为
Figure FDA0002600450140000068
对于Gj中的任意一个像素点
Figure FDA0002600450140000069
以
Figure FDA00026004501400000610
为中心，两边各取m个像素点，则构成以该像素点为中心的子纹理特征量向量
Figure FDA00026004501400000611
计算子纹理特征向量与该位置点对应的平均纹理向量之间的欧氏距离：
Figure FDA0002600450140000071
取欧式距离最小的子纹理向量的中心点的坐标为第j个位置点的建议坐标。
13.根据权利要求12所述的舱门的轮廓拟合方法，其特征在于，确定新的形状向量，包括：
将得到的各个建议位置点的坐标按顺序构成建议形状向量
Figure FDA0002600450140000072
获得旋转变换T、放缩因子s以及平移变换C，使得||X*-(current_X*T*s+C)||F最小；
根据旋转变换T、放缩因子s和平移变换C，得到X*＝(current_X+dX*)*T*s+C；
建议形变增量dX*＝s-1*T-1*(X*-C)-current_X；
根据建议形变增量dX*，计算真实形变增量dX；
更新当前形状向量current_X＝(current_X+dX)*T*s+C。
14.根据权利要求13所述的舱门的轮廓拟合方法，其特征在于，根据建议形变增量dX*，计算真实形变增量dX，包括：
设
Figure FDA0002600450140000073
记current_X展开为一列后的向量current_X'＝(x1,y1,x2,y2...xk,yk)T，记dX*展开为一列后的向量为
Figure FDA0002600450140000074
由于
Figure FDA0002600450140000075
若能找到形状参数增量db＝(db1,db2...dbt)T使得
Figure FDA0002600450140000076
于是db＝P-1*dX'*，真实形变增量dX'＝P*db＝(dx1,dy1,dx2,dy2...dxk,dyk)T，记真实形变增量为
Figure FDA0002600450140000081
15.一种舱门的轮廓拟合装置，其特征在于，包括：
采集模块，用于获取包含有双边界特征的舱门图像样本；
获取模块，用于根据所述舱门图像样本，获取所述舱门图像样本中舱门轮廓的位置点构成的形状向量；
训练模块，用于根据所述形状向量进行舱门模型训练，确定舱门模型；
拟合模块，用于利用所述舱门模型，对当前输入的包含舱门的图像中的舱门轮廓进行拟合。
CN202010728343.5A 2020-07-24 2020-07-24 一种舱门的轮廓拟合方法及装置 Active CN111860376B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010728343.5A CN111860376B (zh) 2020-07-24 2020-07-24 一种舱门的轮廓拟合方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010728343.5A CN111860376B (zh) 2020-07-24 2020-07-24 一种舱门的轮廓拟合方法及装置

Publications (2)

Publication Number Publication Date
CN111860376A true CN111860376A (zh) 2020-10-30
CN111860376B CN111860376B (zh) 2023-10-31

Family

ID=72947041

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010728343.5A Active CN111860376B (zh) 2020-07-24 2020-07-24 一种舱门的轮廓拟合方法及装置

Country Status (1)

Country Link
CN (1) CN111860376B (zh)

Citations (17)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5873847A (en) * 1996-11-14 1999-02-23 Lenjoy Engineering, Inc. Articulated splints and goniometric hinge for the same
US7168119B1 (en) * 2005-08-11 2007-01-30 Richard L Telford Aircraft passenger boarding bridge having a chute for transport of baggage between boarding bridge and ground level
KR20080051936A (ko) * 2006-12-07 2008-06-11 삼성광주전자 주식회사 로봇의 자동 도킹 유도장치
WO2010095178A1 (ja) * 2009-02-23 2010-08-26 富士通株式会社 多色ベクトル画像処理装置および方法
EP2624170A2 (de) * 2012-02-06 2013-08-07 EADS Deutschland GmbH Verfahren zur Erkennung eines vorgegebenen Musters in einem Bilddatensatz
CA2885108A1 (en) * 2012-09-17 2014-03-20 Shenzhen Cimc-Tianda Airport Support Ltd. Cab of passenger boarding bridge and passenger boarding bridge having the same and docking method thereof
CN103971112A (zh) * 2013-02-05 2014-08-06 腾讯科技（深圳）有限公司 图像特征提取方法及装置
CN106628232A (zh) * 2015-10-28 2017-05-10 深圳中集天达空港设备有限公司 登机桥及其接机辅助装置
CN106697322A (zh) * 2016-12-09 2017-05-24 华德宝机械（昆山）有限公司 一种登机桥自动靠接系统及方法
EP3246255A1 (en) * 2016-05-17 2017-11-22 Thyssenkrupp Elevator Innovation Center, S.A. Method for positioning a passenger boarding bridge at an airplane
CN108860650A (zh) * 2018-05-23 2018-11-23 中国国际海运集装箱(集团)股份有限公司 基于机器视觉的飞机舱门保护方法、系统及登机桥
CN109059868A (zh) * 2018-06-29 2018-12-21 电子科技大学 一种基于自适应匹配窗口的双目测距方法
CN109446972A (zh) * 2018-10-24 2019-03-08 电子科技大学中山学院 基于肌电信号的步态识别模型建立方法、识别方法及装置
JP2019053626A (ja) * 2017-09-19 2019-04-04 カシオ計算機株式会社 輪郭検出装置、描画装置、輪郭検出方法及び輪郭検出プログラム
GB201904149D0 (en) * 2019-03-26 2019-05-08 Atsr Ltd Method and apparatus for controlling access to a vehicle
CN110543837A (zh) * 2019-08-16 2019-12-06 北京航空航天大学 一种基于潜在目标点的可见光机场飞机检测方法
JP2020064604A (ja) * 2018-10-18 2020-04-23 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 情報処理装置、情報処理方法及びプログラム

Patent Citations (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5873847A (en) * 1996-11-14 1999-02-23 Lenjoy Engineering, Inc. Articulated splints and goniometric hinge for the same
US7168119B1 (en) * 2005-08-11 2007-01-30 Richard L Telford Aircraft passenger boarding bridge having a chute for transport of baggage between boarding bridge and ground level
KR20080051936A (ko) * 2006-12-07 2008-06-11 삼성광주전자 주식회사 로봇의 자동 도킹 유도장치
WO2010095178A1 (ja) * 2009-02-23 2010-08-26 富士通株式会社 多色ベクトル画像処理装置および方法
EP2624170A2 (de) * 2012-02-06 2013-08-07 EADS Deutschland GmbH Verfahren zur Erkennung eines vorgegebenen Musters in einem Bilddatensatz
CA2885108A1 (en) * 2012-09-17 2014-03-20 Shenzhen Cimc-Tianda Airport Support Ltd. Cab of passenger boarding bridge and passenger boarding bridge having the same and docking method thereof
CN103971112A (zh) * 2013-02-05 2014-08-06 腾讯科技（深圳）有限公司 图像特征提取方法及装置
CN106628232A (zh) * 2015-10-28 2017-05-10 深圳中集天达空港设备有限公司 登机桥及其接机辅助装置
CN109153459A (zh) * 2016-05-17 2019-01-04 蒂森克虏伯电梯创新中心股份公司 用于将乘客登机桥定位在飞机上的方法
EP3246255A1 (en) * 2016-05-17 2017-11-22 Thyssenkrupp Elevator Innovation Center, S.A. Method for positioning a passenger boarding bridge at an airplane
CN106697322A (zh) * 2016-12-09 2017-05-24 华德宝机械（昆山）有限公司 一种登机桥自动靠接系统及方法
JP2019053626A (ja) * 2017-09-19 2019-04-04 カシオ計算機株式会社 輪郭検出装置、描画装置、輪郭検出方法及び輪郭検出プログラム
CN108860650A (zh) * 2018-05-23 2018-11-23 中国国际海运集装箱(集团)股份有限公司 基于机器视觉的飞机舱门保护方法、系统及登机桥
CN109059868A (zh) * 2018-06-29 2018-12-21 电子科技大学 一种基于自适应匹配窗口的双目测距方法
JP2020064604A (ja) * 2018-10-18 2020-04-23 パナソニック インテレクチュアル プロパティ コーポレーション オブ アメリカＰａｎａｓｏｎｉｃ Ｉｎｔｅｌｌｅｃｔｕａｌ Ｐｒｏｐｅｒｔｙ Ｃｏｒｐｏｒａｔｉｏｎ ｏｆ Ａｍｅｒｉｃａ 情報処理装置、情報処理方法及びプログラム
CN109446972A (zh) * 2018-10-24 2019-03-08 电子科技大学中山学院 基于肌电信号的步态识别模型建立方法、识别方法及装置
GB201904149D0 (en) * 2019-03-26 2019-05-08 Atsr Ltd Method and apparatus for controlling access to a vehicle
CN110543837A (zh) * 2019-08-16 2019-12-06 北京航空航天大学 一种基于潜在目标点的可见光机场飞机检测方法

Non-Patent Citations (5)

* Cited by examiner, † Cited by third party
Title
B. BELABBAS 等: "GBAS based autoland system: A bottom up approach for GAST-D requirements", 《 IEEE/ION POSITION, LOCATION AND NAVIGATION SYMPOSIUM》, pages 566 - 574 *
BERSSION, S: "Panel test for new developed Airbus A321 acf overwing door and surrounding structure", 《7TH INTERNATIONAL CONFERENCE ON FRACTURE FATIGUE AND WEAR. FFW 2018》, pages 512 - 20 *
Y. XU 等: "Low Slow Small Aircraft Surveillance System Based on Computer Vision", 《2018 5TH INTERNATIONAL CONFERENCE ON INFORMATION SCIENCE AND CONTROL ENGINEERING (ICISCE)》, pages 312 - 315 *
张成: "基于视觉的登机桥自动对接飞机舱门技术研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》, no. 1, pages 031 - 615 *
王立文 等: "可升降式移动登机桥对接平台设计与受力分析", 《机床与液压》, vol. 37, no. 250, pages 126 - 128 *

Also Published As

Publication number Publication date
CN111860376B (zh) 2023-10-31

Similar Documents

Publication Publication Date Title
CN107977609B (zh) 一种基于cnn的指静脉身份验证方法
CN108388896B (zh) 一种基于动态时序卷积神经网络的车牌识别方法
Gökberk et al. 3D shape-based face representation and feature extraction for face recognition
CN111340824B (zh) 一种基于数据挖掘的图像特征分割方法
KR100647322B1 (ko) 객체의 모양모델 생성장치 및 방법과 이를 이용한 객체의특징점 자동탐색장치 및 방법
US7965893B2 (en) Method, apparatus and storage medium for detecting cardio, thoracic and diaphragm borders
CN109299643B (zh) 一种基于大姿态对准的人脸识别方法及系统
US11380010B2 (en) Image processing device, image processing method, and image processing program
CN103632129A (zh) 一种人脸特征点定位方法及装置
CN110175649B (zh) 一种关于重新检测的快速多尺度估计目标跟踪方法
US8224072B2 (en) Method for normalizing displaceable features of objects in images
Carneiro et al. Robust left ventricle segmentation from ultrasound data using deep neural networks and efficient search methods
US20040264745A1 (en) Stereo-coupled face shape registration
CN114359998B (zh) 一种人脸口罩佩戴状态下的识别方法
CN101131728A (zh) 一种基于Shape Context的人脸形状匹配方法
CN111178252A (zh) 多特征融合的身份识别方法
CN107886539B (zh) 一种工业场景下高精度齿轮视觉检测方法
CN110222661B (zh) 一种用于运动目标识别及跟踪的特征提取方法
CN112784712B (zh) 一种基于实时监控的失踪儿童预警实现方法、装置
CN114897932A (zh) 一种基于特征和灰度融合的红外目标跟踪实现方法
CN113763274A (zh) 一种联合局部相位锐度定向描述的多源图像匹配方法
CN114842506A (zh) 一种人体姿态估计方法及系统
CN111860376A (zh) 一种舱门的轮廓拟合方法及装置
CN115345902A (zh) 基于机器学习的红外图像弱小目标检测跟踪方法及系统
CN114973307A (zh) 生成对抗和余弦三元损失函数的指静脉识别方法及系统

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