CN112132081A - 一种航拍图像中工程车辆的识别方法及装置、设备 - Google Patents

一种航拍图像中工程车辆的识别方法及装置、设备 Download PDF

Info

Publication number
CN112132081A
CN112132081A CN202011049926.1A CN202011049926A CN112132081A CN 112132081 A CN112132081 A CN 112132081A CN 202011049926 A CN202011049926 A CN 202011049926A CN 112132081 A CN112132081 A CN 112132081A
Authority
CN
China
Prior art keywords
image
identifying
weight coefficient
accuracy
feature
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.)
Pending
Application number
CN202011049926.1A
Other languages
English (en)
Inventor
钟映春
郑海阳
谢林烽
罗志勇
李健生
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.)
Guangdong University of Technology
Original Assignee
Guangdong University of Technology
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 Guangdong University of Technology filed Critical Guangdong University of Technology
Priority to CN202011049926.1A priority Critical patent/CN112132081A/zh
Publication of CN112132081A publication Critical patent/CN112132081A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
    • 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
    • G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
    • G06V10/507—Summing image-intensity values; Histogram projection analysis

Landscapes

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

Abstract

本申请为一种航拍图像中工程车辆的识别方法及装置、设备，其中的识别方法主要步骤包括：(1)对待识别图像分块；(2)提取图像的HOG特征和LBP特征并进行特征融合；(3)利用特征融合结果进行SVM模型训练，保留准确率最高的识别模型；(4)利用识别模型对图像进行识别输出识别结果。相较于传统的人工巡检和现有的无人机巡检，有效节省人力物力，同时极大地提高了识别准确率和实时性，解决现有无人机巡检中准确率低、实时性差、识别模型过于复杂等问题。

Description

一种航拍图像中工程车辆的识别方法及装置、设备
技术领域
本申请属于图像处理和目标识别领域，具体涉及一种航拍图像中工程车辆的识别方法及装置、设备。
背景技术
现代社会经济发展迅速，保证稳定的电力供应极为重要，电网特别是高压输电线路发挥着越来越重要的作用，高压输电线路的稳定运行关系到城市经济的稳定发展。
工程车辆是包括挖掘机、起重机等在内的大型机械设备，使用工程车辆进行施工可以节省大量的劳动力，但是当工程车辆在高压线网附近施工时，由于经常需要举升挖斗或者起重臂，容易出现挖斗或起重臂与高压输电线距离小于安全距离的现象，有可能会触及电力线网，发生击穿短路等事故，进而使高压线网出现故障，严重时会导致整个城市电力瘫痪。因此非常有必要在高压线网巡检的过程中，及时发现在高压输电线附近作业的工程车辆，并发出警报以避免电力事故的发生。
目前主要依靠人工巡检的方式来监督在高压输电线附近施工的工程车辆，人工巡检的方式不仅耗费很多劳动力，同时由于人的精力有限，对目标漏检误检的几率很大。无人机巡检是一种更加灵活高效的巡检方式，巡检过程需要完成对航拍图像中工程车辆的识别，现有的无人机航拍图像中工程车辆的识别方法存在准确率低，实时性差，模型过于复杂等问题。
发明内容
基于此，本发明旨在提供一种航拍图像中工程车辆的识别方法及装置、设备，以克服上述现有技术的缺陷。
第一方面，本发明一种航拍图像中工程车辆的识别方法，包括：
S1.将待识别图像分成若干个图像子块，根据设定比例将若干个图像子块随机划分为训练集和测试集；
S2.提取每个图像子块的HOG特征和LBP特征进行特征融合；
S3.把步骤S2的训练集对应的特征融合结果作为SVM的输入进行识别模型训练，利用测试集对应的特征融合结果对识别模型进行准确率测试，保留准确率最高的识别模型；
S4.利用训练好的识别模型对待识别图像进行识别输出识别结果。
优选地，步骤S1包括：
S11.根据图像子块中是否含有工程车辆将图像子块分类；
S12.将步骤S11已分类的图像子块根据设定比例随机划分为训练集和测试集。
优选地，步骤S11包括：
采用标签分类算法对图像子块进行标注，根据标注生成每个图像子块对应的xml文件，根据xml文件将图像子块划分为背景类别及包含工程车辆类别。
优选地，步骤S2包括：
将HOG特征和LBP特征对应的特征矩阵分别与第一权重系数和第二权重系数相乘后在水平方向上叠加得到融合特征矩阵存储于feat文件中，feat文件作为识别模型训练的输入量。
优选地，步骤S3包括：
S31.把步骤S2的训练集对应的特征融合结果作为SVM的输入进行识别模型训练，利用测试集对应的特征融合结果对识别模型进行准确率测试；
S32.根据测试的准确率分别对第一权重系数及第二权重系数按照设定步长在预设取值范围内取值，重复步骤S2；
S33.保留准确率最高的识别模型。
优选地，第一权重系数与第二权重系数的数量级差为1000。
优选地，第一权重系数的设定步长为0.1，第二权重系数的设定步长为0.0002。
第二方面，本发明还提供一种航拍图像中工程车辆的识别装置，包括：
第一获取单元，用于将待识别图像分成若干个图像子块；
第二获取单元，用于根据设定比例将若干个图像子块随机划分为训练集和测试集；
特征提取及融合单元，用于提取每个图像子块的HOG特征和LBP特征进行特征融合；
模型训练及测试单元，用于根据特征融合结果对识别模型进行SVM训练并利用测试集进行准确率测试；
图像识别单元，用于利用训练好的识别模型对待识别图像进行识别输出识别结果。
优选地，前述的识别装置还包括取值循环单元，用于根据测试的准确率触发特征提取及融合单元和模型训练及测试单元对第一权重系数及第二权重系数进行循环取值。
第三方面，本发明还提供一种航拍图像中工程车辆的识别设备，包括处理器和存储器；
所述存储器存储有程序代码和图像数据，并将所述程序代码和图像数据传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面提供的航拍图像中工程车辆的识别方法。
从以上技术方案可以看出，本发明具有如下有益效果：
本发明一种航拍图像中工程车辆的识别方法及装置、设备，其中的识别方法主要步骤包括(1)对待识别图像分块；(2)提取图像的HOG特征和LBP特征并进行特征融合；(3)利用特征融合结果进行SVM模型训练，保留准确率最高的识别模型；(4)利用识别模型对图像进行识别输出识别结果。相较于传统的人工巡检和现有的无人机巡检，有效节省人力物力，同时极大地提高了识别准确率和实时性，解决现有无人机巡检中准确率低、实时性差、识别模型过于复杂等问题；本发明结合了图像的HOG特征和LBP特征，考虑到包含工程车辆的航拍图像中目标边缘和纹理特征较为明显的特点，增强目标识别算法的旋转不变性和灰度不变性，与单一特征提取相比目标识别准确率更高，抗干扰能力更强。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据提供的附图获得其他的附图。
图1本发明一种实施例提供的航拍图像中工程车辆的识别方法实施流程图
图2本发明一种实施例中划分图像子块示意图
图3本申请一种实施例中识别模型识别结果示意图
图4本发明另一实施例提供的航拍图像中工程车辆的识别装置示意图
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
参阅图1，本实施例提供一种航拍图像中工程车辆的识别方法，包括：
S1.将待识别图像分成若干个图像子块，根据设定比例将若干个图像子块随机划分为训练集和测试集；
其中S1具体还包括：
S11.根据图像子块中是否含有工程车辆将图像子块分类；
S12.将步骤S11已分类的图像子块根据设定比例随机划分为训练集和测试集。
无人机航拍图像具有较高的分辨率，需要采用图像分块的方法将高分辨率图像划分为N个图像子块，以便于后续的训练和测试环节。如图2所示，对于无人机所拍摄分辨率为2592x1944的图像，可以将其划分为4x4张图像子块，对应每个图像子块的分辨率为(2592/4)x(1944/4)，即648x486。
步骤S11中对图像子块进行分类具体为采用标签分类算法对图像子块进行标注，根据标注生成每个图像子块对应的xml文件，根据xml文件将图像子块划分为背景类别及包含工程车辆类别，如图2示出的block:7含有工程车辆，则归类为工程车辆类别EngineeringVehicle，其余不含工程车辆的图像子块归类为背景类别Background。
步骤S12将步骤S11已分类的图像子块根据设定比例3:1随机划分为训练集和测试集，训练集和测试集还各自生成一份存储图集内所包含的图像子块的名称及其对应标签的txt文件。
S2.提取每个图像子块的HOG特征和LBP特征进行特征融合；
将HOG特征和LBP特征对应的特征矩阵分别与第一权重系数a和第二权重系数b相乘后在水平方向上叠加得到融合特征矩阵存储于feat文件中，feat文件作为识别模型训练的输入量；
由于HOG特征与LBP特征的特征矩阵在数值上具有明显的数量级差，因此设定第一权重系数与第二权重系数的数量级差为1000。
S3.把步骤S2的训练集对应的特征融合结果作为SVM的输入进行识别模型训练，利用测试集对应的特征融合结果对识别模型进行准确率测试，保留准确率最高的识别模型；
步骤S3具体还包括：
S31.把步骤S2的训练集对应的特征融合结果作为SVM的输入进行识别模型训练，利用测试集对应的特征融合结果对识别模型进行准确率测试；
S32.根据测试的准确率分别对第一权重系数及第二权重系数按照设定步长在预设取值范围内取值，a的取值范围为[0.7,1.3]，取值步长0.1，b的取值范围为[0.0005,0.0025]，取值步长0.0002，重复步骤S2，对a和b循环取值，对图像子块进行多次的特征提取生成不同的feat文件进行模型训练；
训练时具体为将a和b初始化为取值范围的左端点值，识别准确率初始化为acc_best＝0，对于a和b的每次取值，实时测试准确率acc＞acc_best时，则acc_best＝acc，令a的当前最佳解a_best＝a，b的当前最佳解b_best＝b，直至在取值范围内确认出准确率最高的识别模型及对应的识别准确率。
S33.保留准确率最高的识别模型。
S4.利用训练好的识别模型对待识别图像进行识别输出识别结果。
图3所示为利用本实施例提供的识别模型得到的识别结果。
参阅图4，本实施例提供一种航拍图像中工程车辆的识别装置，包括：
第一获取单元，用于将待识别图像分成若干个图像子块；
第二获取单元，用于根据设定比例将若干个图像子块随机划分为训练集和测试集；
特征提取及融合单元，用于提取每个图像子块的HOG特征和LBP特征进行特征融合；
模型训练及测试单元，用于根据特征融合结果对识别模型进行SVM训练并利用测试集进行准确率测试；
图像识别单元，用于利用训练好的识别模型对待识别图像进行识别输出识别结果。
在进一步的实施例中，前述的识别装置还包括取值循环单元，用于根据测试的准确率触发特征提取及融合单元和模型训练及测试单元对第一权重系数及第二权重系数进行循环取值。
各单元执行对应的功能后，实现对无人机航拍图像中工程车辆的自动识别，相较于现有的无人机航拍图像中工程车辆的识别装置，准确率更高且实时性更强，从而解决了现有的无人机航拍图像中工程车辆的识别准确率低、实时性差以及模型过于复杂等问题。
本发明还提供一种航拍图像中工程车辆的识别设备，包括处理器和存储器；
所述存储器存储有程序代码和图像数据，并将所述程序代码和图像数据传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行第一方面提供的航拍图像中工程车辆的识别方法。
以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的技术人员应当理解：其依然可以对前述实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围。

Claims (10)

1.一种航拍图像中工程车辆的识别方法，其特征在于，包括：
S1.将待识别图像分成若干个图像子块，根据设定比例将所述若干个图像子块随机划分为训练集和测试集；
S2.提取每个所述图像子块的HOG特征和LBP特征进行特征融合；
S3.把步骤S2中训练集对应的特征融合结果作为SVM的输入进行识别模型训练，利用所述测试集对应的特征融合结果对识别模型进行准确率测试，保留准确率最高的识别模型；
S4.利用训练好的识别模型对待识别图像进行识别输出识别结果。
2.根据权利要求1所述的航拍图像中工程车辆的识别方法，其特征在于，所述步骤S1包括：
S11.根据图像子块中是否含有工程车辆将图像子块分类；
S12.将步骤S11已分类的图像子块根据所述设定比例随机划分为训练集和测试集。
3.根据权利要求2所述的航拍图像中工程车辆的识别方法，其特征在于，所述步骤S11包括：
采用标签分类算法对图像子块进行标注，根据所述标注生成每个图像子块对应的xml文件，根据所述xml文件将图像子块划分为背景类别及包含工程车辆类别。
4.根据权利要求1所述的航拍图像中工程车辆的识别方法，其特征在于，所述步骤S2包括：
将所述HOG特征和所述LBP特征对应的特征矩阵分别与第一权重系数和第二权重系数相乘后在水平方向上叠加得到融合特征矩阵存储于feat文件中，所述feat文件作为识别模型训练的输入量。
5.根据权利要求1或4所述的航拍图像中工程车辆的识别方法，其特征在于，所述步骤S3包括：
S31.把所述步骤S2中训练集对应的特征融合结果作为SVM的输入进行识别模型训练，利用所述测试集对应的特征融合结果对识别模型进行准确率测试；
S32.根据测试的准确率分别对所述第一权重系数及第二权重系数按照设定步长在预设取值范围内取值，重复步骤S2；
S33.保留准确率最高的识别模型。
6.根据权利要求4所述的航拍图像中工程车辆的识别方法，其特征在于，所述第一权重系数与第二权重系数的数量级差为1000。
7.根据权利要求4所述的航拍图像中工程车辆的识别方法，其特征在于，所述第一权重系数的设定步长为0.1，第二权重系数的设定步长为0.0002。
8.一种航拍图像中工程车辆的识别装置，其特征在于，包括：
第一获取单元，用于将待识别图像分成若干个图像子块；
第二获取单元，用于根据设定比例将若干个图像子块随机划分为训练集和测试集；
特征提取及融合单元，用于提取每个图像子块的HOG特征和LBP特征进行特征融合；
模型训练及测试单元，用于根据特征融合结果对识别模型进行SVM训练并利用测试集进行准确率测试；
图像识别单元，用于利用训练好的识别模型对待识别图像进行识别输出识别结果。
9.根据权利要求8所述的航拍图像中工程车辆的识别装置，其特征在于，所述识别装置还包括取值循环单元，用于根据测试的准确率触发特征提取及融合单元和模型训练及测试单元对第一权重系数及第二权重系数进行循环取值。
10.一种航拍图像中工程车辆的识别设备，其特征在于，包括处理器和存储器；
所述存储器存储有程序代码和图像数据，并将所述程序代码和图像数据传输给所述处理器；
所述处理器用于根据所述程序代码中的指令执行权利要求1-8任一项所述的航拍图像中工程车辆的识别方法。
CN202011049926.1A 2020-09-29 2020-09-29 一种航拍图像中工程车辆的识别方法及装置、设备 Pending CN112132081A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011049926.1A CN112132081A (zh) 2020-09-29 2020-09-29 一种航拍图像中工程车辆的识别方法及装置、设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011049926.1A CN112132081A (zh) 2020-09-29 2020-09-29 一种航拍图像中工程车辆的识别方法及装置、设备

Publications (1)

Publication Number Publication Date
CN112132081A true CN112132081A (zh) 2020-12-25

Family

ID=73844684

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011049926.1A Pending CN112132081A (zh) 2020-09-29 2020-09-29 一种航拍图像中工程车辆的识别方法及装置、设备

Country Status (1)

Country Link
CN (1) CN112132081A (zh)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103001825A (zh) * 2012-11-15 2013-03-27 中国科学院计算机网络信息中心 Dns流量异常的检测方法和系统
CN109446938A (zh) * 2018-07-18 2019-03-08 东南大学 一种基于多序列双投影的黑烟车检测方法
CN109460719A (zh) * 2018-10-24 2019-03-12 四川阿泰因机器人智能装备有限公司 一种电力作业安全识别方法
CN110490194A (zh) * 2019-07-24 2019-11-22 广东工业大学 一种自适应权值的多特征分块融合交通标志的识别方法
CN110751087A (zh) * 2019-10-17 2020-02-04 湖南波尔坤雷信息科技有限公司 一种基于eof的无人机信号识别系统和方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103001825A (zh) * 2012-11-15 2013-03-27 中国科学院计算机网络信息中心 Dns流量异常的检测方法和系统
CN109446938A (zh) * 2018-07-18 2019-03-08 东南大学 一种基于多序列双投影的黑烟车检测方法
CN109460719A (zh) * 2018-10-24 2019-03-12 四川阿泰因机器人智能装备有限公司 一种电力作业安全识别方法
CN110490194A (zh) * 2019-07-24 2019-11-22 广东工业大学 一种自适应权值的多特征分块融合交通标志的识别方法
CN110751087A (zh) * 2019-10-17 2020-02-04 湖南波尔坤雷信息科技有限公司 一种基于eof的无人机信号识别系统和方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
吴益红 等；: "《一种用于工件识别的LBP-HOG特征融合方法》", 《南阳师范学院学报》 *

Similar Documents

Publication Publication Date Title
CN111401418A (zh) 一种基于改进Faster r-cnn的员工着装规范检测方法
CN110580475A (zh) 基于无人机巡检的线路诊断方法、电子装置及存储介质
Adou et al. Insulator faults detection based on deep learning
CN106980827A (zh) 一种基于航拍图像的识别输电线路中鸟巢的方法
CN112464995A (zh) 一种基于决策树算法的电网配变故障诊断方法及系统
Yoshihashi et al. Construction of a bird image dataset for ecological investigations
CN111738156A (zh) 一种高压开关设备状态智能巡检管理方法及系统
CN109190371A (zh) 一种基于行为图的Android恶意软件检测方法和技术
CN110969213A (zh) 一种基于Faster RCNN的船只检测方法、装置及电子设备
CN115170988A (zh) 基于深度学习的电网线路故障识别方法及系统
CN105303162A (zh) 一种基于目标建议算法的航拍图像绝缘子识别算法
CN112613453A (zh) 一种用于电力基建施工现场违章排查方法及系统
CN114139626A (zh) 一种电力通信故障分析方法、装置、终端设备及介质
CN115272983A (zh) 基于图像识别的接触网悬挂状态监测方法及系统
CN115909395A (zh) 一种输电线路鸟害监测方法、装置、电子设备及存储介质
CN110969192A (zh) 一种电力巡检图像智能识别方法
CN104077524B (zh) 用于病毒鉴定的训练方法和病毒鉴定方法及装置
CN117765348A (zh) 目标检测模型的部署方法和目标检测方法及电子设备
CN112132081A (zh) 一种航拍图像中工程车辆的识别方法及装置、设备
Jintao et al. Data expansion for foreign object detection in power grid
CN113297914B (zh) 一种配网现场作业验电动作识别方法
CN115984986A (zh) 一种ai辅助变电站设备巡检方法、系统、电子设备及介质
CN113191170B (zh) 公共设施二维码损毁巡检有效性预测方法及系统
CN115189474A (zh) 一种基于树莓派4b的配电站电能表识别方法及系统
CN115100592A (zh) 一种输电通道外破隐患识别方法、装置及存储介质

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201225