CN112634269B - 一种轨道车辆车体检测方法 - Google Patents
一种轨道车辆车体检测方法 Download PDFInfo
- Publication number
- CN112634269B CN112634269B CN202110045589.7A CN202110045589A CN112634269B CN 112634269 B CN112634269 B CN 112634269B CN 202110045589 A CN202110045589 A CN 202110045589A CN 112634269 B CN112634269 B CN 112634269B
- Authority
- CN
- China
- Prior art keywords
- image
- vehicle body
- contour
- detection
- information
- 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
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 71
- 238000000034 method Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 28
- 238000004458 analytical method Methods 0.000 claims abstract description 14
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 13
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 230000004927 fusion Effects 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 12
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000013519 translation Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 4
- 238000009499 grossing Methods 0.000 claims description 3
- 230000011218 segmentation Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000002401 inhibitory effect Effects 0.000 claims 1
- 238000007689 inspection Methods 0.000 abstract description 15
- 238000010586 diagram Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 239000000049 pigment Substances 0.000 description 3
- 238000003672 processing method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012567 pattern recognition method Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000003908 quality control method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000007493 shaping process Methods 0.000 description 1
- 230000026676 system process Effects 0.000 description 1
- 238000011179 visual inspection Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
- G06T7/001—Industrial image inspection using an image reference approach
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/002—Measuring arrangements characterised by the use of optical techniques for measuring two or more coordinates
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01B—MEASURING LENGTH, THICKNESS OR SIMILAR LINEAR DIMENSIONS; MEASURING ANGLES; MEASURING AREAS; MEASURING IRREGULARITIES OF SURFACES OR CONTOURS
- G01B11/00—Measuring arrangements characterised by the use of optical techniques
- G01B11/24—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures
- G01B11/245—Measuring arrangements characterised by the use of optical techniques for measuring contours or curvatures using a plurality of fixed, simultaneously operating transducers
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/50—Image enhancement or restoration using two or more images, e.g. averaging or subtraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/70—Denoising; Smoothing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/13—Edge detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20212—Image combination
- G06T2207/20221—Image fusion; Image merging
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种轨道车辆车体检测方法,涉及轨道检测技术领域,包括以下步骤:预先获取轨道车辆车体图像信息并进行处理,获得图像灰度化直方图;基于获取的图像灰度化直方图获得全局阀值,并利用Otsu阀值法进行标定阀值;通过Canny算子获取车辆边缘轮廓;基于ICP算法对图像轮廓拼接融合;基于获取图像轮廓拼接融合与模板图像进行匹配分析,并作为轨道车辆车体检测信息。本发明实现快速可靠自动检测,具有测量精度较高、自动化程度高避免故障列车出厂,可代替或大幅降低人工巡检强度,减少检测成本,适应性强且应用范围广。
Description
技术领域
本发明涉及轨道检测技术领域,具体来说,涉及一种轨道车辆车体检测方法。
背景技术
随着我国轨道交通技术创新正在进入新时代,机器视觉技术的不断成熟,测量精度的不断提高,越来越多的自动化、半自动化检测设备投入轨道车辆检测使用;为车辆从研发设计到质量控制阶段自动化、智能化提升提供了有力保证。同时也减少了人工巡检的强度,进一步还可探索完全代替人工巡检,达到降低技术人员劳动强度,减少检测成本的目的。
目前市场上较好的一种自动化检测方式采用的是RGV小车/无动力板车/AGV小车结合2D高速相机对可疑故障点初步自动识别,再辅以人工二次检验的方式来实现故障的定型判断。但是上述方式方法存在检测位置相对固定,针对轨道车辆裙底及走行部侧边一些难以发现的问题、隐患处,还需要人工进行相关目视检查,这就导致容易产生遗漏,进而使车辆带隐患行驶,且现有技术中针对图像采集后的处理方法还停留在常规预设算法结合人工二次判定,其准确度及效率还有待提升。
中国专利CN107135373A公开了一种裙底板检测系统及裙底板检测方法。其中,该系统包括:图像采集器,用于对轨道列车的裙底板的底部和侧部进行拍摄获得图像;自动导引工具AGV小车,用于搭载图像采集器,使图像采集器的采集区域覆盖裙底板的底部和侧部;处理器,用于对图像采集器采集到的图像进行图像处理,获得裙底板的检测结果。上述技术方案采用增加图象采集器覆盖范围,并配合可移动平台的方法解决检测位置单一的问题,但是仍不能很好的解决裙底或走行部较为隐蔽位置的检测问题,且单一图像采集器并不能满足精度与检测速度的需求。
中国专利CN108805868A公开了一种电务车载车下走行部设备故障检测的图像处理方法及故障检测方法,涉及一种设备故障检测的图像处理方法及故障检测方法。通过在电务车轨道两侧和底部设置的3D相机采集电务车侧部和底部的3D图像;在距离图像中获取待检测部件的位置信息,利用基于图像处理,判断待检测部件是否存在丢失或者变形,并结合待检测部件位置的部分距离图像与对应的待检测部件位置的部分强度图像进行矩阵融合,对融合矩阵进行矫正;通过融合后的矩阵获取灰度共生矩阵,计算灰度共生矩阵的特征变化,判断部件是否发生故障。上述检测方法采用固定检测单元(3D相机)的方法,依然存在检测位置单一的情况,图像采集单元与检测点相对距离、角度不可调节等问题,并不能完全代替人工巡检。
中国专利CN107687953A公开了一种货车故障自动检测设备,方案分别在货车轨道周围搭建2D图像采集模组和3D图像采集模组,货车通过2D图像采集模组和3D图像采集模组后,分别获取2D图像和3D图像。利用2D图像和3D图像中的精准轴距信息,建立一一对应的映射关系。在3D图像中,使用高级图像处理算法和模式识别方法进行故障识别。根据映射关系,将识别结果进行映射到2D图像中,进行故障显示。上述技术方案同理可以应用于轨道车辆检测,并且结合了2D、3D相机增强图像包含信息,相当于提升了检测精度,但是其采用固定检测单元的方式,与前述的技术方案一样存在检测位置单一的情况,图像采集单元与检测点相对距离、角度不可调节等问题,并不能完全代替人工巡检。
针对相关技术中的问题,目前尚未提出有效的解决方案。
发明内容
针对相关技术中的问题,本发明提出一种轨道车辆车体检测方法,预先获取轨道车辆车体图像信息并进行处理,获得图像灰度化直方图,基于获取的图像灰度化直方图获得全局阀值,并利用Otsu阀值法进行标定阀值,通过Canny算子获取车辆边缘轮廓,基于ICP算法对图像轮廓拼接融合,基于获取图像轮廓拼接融合与模板图像进行匹配分析,并作为轨道车辆车体检测信息,实现快速可靠自动检测,具有测量精度较高、自动化程度高避免故障列车出厂,可代替或大幅降低人工巡检强度,减少检测成本,适应性强且应用范围广,以克服现有相关技术所存在的上述技术问题。
本发明的技术方案是这样实现的:
一种轨道车辆车体检测方法,包括以下步骤:
步骤S1,预先获取轨道车辆车体图像信息并进行处理,获得图像灰度直方图;
步骤S2,基于获取的图像灰度直方图获得全局阀值,并利用Otsu阀值法进行确定阀值;
步骤S3,通过Canny算子获取车辆边缘轮廓;
步骤S4,基于ICP算法对图像轮廓拼接融合,并获取融合图;
步骤S5,基于获取的融合图与模板图像进行匹配分析,将分析结果作为轨道车辆车体检测信息,包括以下步骤:
预先通过相邻的两摄像头获取的车辆轮廓边缘重合部位进行确定点集Q与P的中心,其中,摄像头标定精度低的点放入到P中,精度高的放入到Q中,表示为:
,/>,/>
其中, 和/>表示为点集P与Q的中心, />和/>分别为点坐标,表示为和/>;
获取矩阵信息,表示为:
;
其中,为平移向量;
对令矩阵进行奇异值分解,表示为:
;
其中,为所述矩阵信息的/>个特征向量所张成的维矩阵,/>为/>个特征向量的透视变换向量;
进行对H进行取值,表示为:
;
;
其中, 为对角矩阵,/>为行列式,/>为比例因子,R为旋转矩阵,其平移向量T,满足:/>;
获取点集P向点集Q拼接融合后的新坐标,表示为:
。
进一步的,还包括以下步骤:
预先将移动平台放置于车体检测点附近,其中包括由激光传感器和摄像头组成的测量设备,用于获取该区域的车体的轮廓限界测量;
将获取的轮廓限界进行转化为轨道车辆车体图像,并装获取的轨道车辆车体图像作为输入图像。
进一步的,获取轨道车辆车体图像信息并进行处理,包括以下步骤:
获取轨道车辆车体轮廓图像信息并作为源图像输入信息;
对获取的源图像输入信息进行高斯滤波处理;
标定邻域的中心像素对比;
均匀分割图像并进行灰度直方图统计。
进一步的,所述利用Otsu阀值法进行确定全局阀值,包括以下步骤:
S201,基于灰度直方图选取初始估计值T;
S202,对灰度化图像进行处理,以T为分界点自动生成两组图像像素;
S203,对两组图像像素中所有像素计算获得平均灰度值T1和T2;
S204,计算最新的全局阀值;
S205,重复上述步骤S202、S203和S204,直到获取比事先定义的参数T小的阀值T4;
S206,以T4为新的阀值,对整个图像进行分割处理,获得图像边界轮廓。
进一步的,所述通过Canny算子获取车辆边缘轮廓,包括以下步骤:
预先通过高斯滤波器对图像边界轮廓进行平滑处理;
对图像梯度的方向和幅值进行有限差分;
对非极大值进行抑制;
采用Sobel算子对图像边界进行检测。
本发明的有益效果:
本发明轨道车辆车体检测方法,预先获取轨道车辆车体图像信息并进行处理,获得图像灰度化直方图,基于获取的图像灰度化直方图获得全局阀值,并利用Otsu阀值法进行标定阀值,通过Canny算子获取车辆边缘轮廓,基于ICP算法对图像轮廓拼接融合,基于获取图像轮廓拼接融合与模板图像进行匹配分析,并作为轨道车辆车体检测信息,实现快速可靠自动检测,具有测量精度较高、自动化程度高避免故障列车出厂,可代替或大幅降低人工巡检强度,减少检测成本,适应性强且应用范围广。
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一些实施例,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,还可以根据这些附图获得其他的附图。
图1是根据本发明实施例的一种轨道车辆车体检测方法的流程示意图一;
图2是根据本发明实施例的一种轨道车辆车体检测方法的流程示意图二;
图3是根据本发明实施例的一种轨道车辆车体检测方法的流程示意图三;
图4是根据本发明实施例的一种轨道车辆车体检测方法的车辆边界检测;示意图;
图5是根据本发明实施例的一种轨道车辆车体检测方法的车辆边界检测场景示意图;
图6是根据本发明实施例的一种轨道车辆车体检测方法的轨道车辆轮廓采集示意图;
图7是根据本发明实施例的一种轨道车辆车体检测方法的被测轨道车辆轮廓坐标示意图;
图8是根据本发明实施例的一种轨道车辆车体检测方法的车辆轮廓边界示意图;
图9是根据本发明实施例的一种轨道车辆车体检测方法的车轮轮廓边界超限示意图。
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所获得的所有其他实施例,都属于本发明保护的范围。
根据本发明的实施例,提供了一种轨道车辆车体检测方法。
如图1-图2所示,根据本发明实施例的轨道车辆车体检测方法,包括以下步骤:
步骤S1,预先获取轨道车辆车体图像信息并进行处理,获得图像灰度直方图;
步骤S2,基于获取的图像灰度直方图获得全局阀值,并利用Otsu阀值法进行确定阀值;
步骤S3,通过Canny算子获取车辆边缘轮廓;
步骤S4,基于ICP算法对图像轮廓拼接融合,并获取融合图;
步骤S5,基于获取的融合图与模板图像进行匹配分析,将分析结果作为轨道车辆车体检测信息,包括以下步骤:
预先通过相邻的两摄像头获取的车辆轮廓边缘重合部位进行确定点集Q与P的中心,其中,摄像头标定精度低的点放入到P中,精度高的放入到Q中,表示为:
,/>,/>
其中,和/>表示为点集P与Q的中心, />和/>分别为点坐标,表示为和/>;
获取矩阵信息,表示为:
;
其中,为平移向量;
对令矩阵进行奇异值分解,表示为:
;
其中,为所述矩阵信息的/>个特征向量所张成的维矩阵, />为/>个特征向量的透视变换向量;
进行对H进行取值,表示为:
;
;
其中,为对角矩阵,/>为行列式,/>为比例因子,R为旋转矩阵,其平移向量T,满足:/>;
获取点集P向点集Q拼接融合后的新坐标,表示为:
。
进一步的,还包括以下步骤:
预先将移动平台放置于车体检测点附近,其中包括由激光传感器和摄像头组成的测量设备,用于获取该区域的车体的轮廓限界测量;
将获取的轮廓限界进行转化为轨道车辆车体图像,并装获取的轨道车辆车体图像作为输入图像。
进一步的,获取轨道车辆车体图像信息并进行处理,包括以下步骤:
获取轨道车辆车体轮廓图像信息并作为源图像输入信息;
对获取的源图像输入信息进行高斯滤波处理;
标定邻域的中心像素对比;
均匀分割图像并进行灰度直方图统计。
进一步的,所述利用Otsu阀值法进行确定全局阀值,包括以下步骤:
S201,基于灰度直方图选取初始估计值T;
S202,对灰度化图像进行处理,以T为分界点自动生成两组图像像素;
S203,对两组图像像素中所有像素计算获得平均灰度值T1和T2;
S204,计算最新的全局阀值;
S205,重复上述步骤S202、S203和S204,直到获取比事先定义的参数T小的阀值T4;
S206,以T4为新的阀值,对整个图像进行分割处理,获得图像边界轮廓。
进一步的,所述通过Canny算子获取车辆边缘轮廓,包括以下步骤:
预先通过高斯滤波器对图像边界轮廓进行平滑处理;
对图像梯度的方向和幅值进行有限差分;
对非极大值进行抑制;
采用Sobel算子对图像边界进行检测。
另外,如图3所示,其预先获取轨道车辆车体图像信息并进行处理,获得图像灰度化直方图,基于获取的图像灰度化直方图获得全局阀值,并利用Otsu阀值法进行标定阀值,通过Canny算子获取车辆边缘轮廓,基于ICP算法对图像轮廓拼接融合,基于获取图像轮廓拼接融合与模板图像进行匹配分析,并作为轨道车辆车体检测信息,实现快速可靠自动检测,具有测量精度较高、自动化程度高避免故障列车出厂,可代替或大幅降低人工巡检强度,减少检测成本,适应性强且应用范围广。
其预先可搭建激光发射器和摄像头,其可采用8个激光传感器和8个摄像头组成,每个摄像头分别负责获取该区域的车体的轮廓限界测量,当激光发射器在被测车辆的车体上形成一条亮度很高的激光轮廓线,摄像头模块将实时捕捉车体激光轮廓图像,采用图像处理技术拾取被测车辆外围轮廓,利用三角测距原理对车辆轮廓进行定位。
而图像灰度化处理,可采用加权平均法求出一个新的像素值,再将该像素值赋予每个像素点R、G、B三个分量。根据人眼对颜色的敏感度,按照相关公式对RGB进行加权平均获得较为合理的灰度图像。
另外,对于上述Canny算子来说,其Canny算子是二阶导数中的图像处理算子,该算子具有增强滤波检测的特点,在应用时其预先准确定位边缘的位置;能有效的抑制噪声对图像边界处理的影响。
另外,具体的,如图4-图6所示,其图4表示该窗口分为两个小窗口,第一个窗口实时显示车辆实际运行状况,工作人员可通过该窗口直接监视到该激光摄像仪所检测的车辆实体轮廓。另一个窗口实时获取第一个窗口中的彩色图像数据,并在该窗口后台程序中进行灰度化处理,利用Otsu算法与Canny算子获得车辆轮廓边缘,并实时的与标准限界进行对比分析。该窗口中标有刻度尺,使工作人员更加直观的观察出被测车辆的限界测量情况。
如图5-图6所示,当用户在上位机中完成以上的设置后,摄像头采集图像模块仍然不会被驱动。当下位中的检测模块检测到车辆即将到来时,才会向上位机中传入开始检测的指令。只有当上位机接收到下位机开始检测的指令后,上位机才能驱动摄像头程序进行拍照并及时的传送到上位中进行图像处理同时传送到数据库中进行保存。
1、触发摄像头驱动程序。上位机接收下位机开始检测的指令后,立即触发摄像头驱动程序,驱动摄像头正常工作。在未收到下位机开始检测的指令前,上位机不能自主打开摄像头进行拍照。上位机中也有单独控制摄像头的驱动程序,该程序只在调试程序时使用。
2、控制下位机打开线激光发射器。只有打开了线激光传感器,摄像头才能捕捉到打在车辆车体的红激光,才能更加精确的识别车辆的轮廓边缘。当上位机接收到下位机开始检测的指令后,会立即向下位机中发出打开线激光传感的指令,控制下位机打开线激光传感器。
此外,如图7-图8所示,在实际运用中,8个激光摄像仪需要同时工作,同时对被测轨道车辆各部分进行轮廓提取并比对分析。最终,该测量系统利用ICP算法对各部分车辆轮廓边缘进行拼接融合,自动生成被测轨道车辆整体轮廓。其测量系统实时处理摄像头拍摄的车辆轮廓图像,在处理前会将原始图像保存至数据库中,系统程序首先将图像灰度化,再进行二值化,利用Otsu阀值法和Canny算子进行车辆轮廓边缘检测,获得车辆轮廓边界,采用ICP算法对相邻边界轮廓进行拼接融合,最终获得被测车辆的整个横断截面。在图像处理完成获得车辆轮廓后,系统程序会自动拾取车辆轮廓坐标。轮廓坐标拾取的原理用到了图像处理中的图像色素的值,利用图像中边界色素的突变特性,将色素相对于图框左上角的坐标提取出来,经过坐标转换转化成相对于轨道中心的坐标并实时的保存至SQL数据库中,同时对超出被测轨道车辆标准限界的坐标进行标红等处理。
另外,如图9所示,重新构建车辆边缘轮廓后,上位机GDI界面会根据用户的选择同时显示标准的车辆限界和建筑限界,使工作人员更加直观的观察车辆边缘情况。同时,上位机中会自动辨别距离标准限界最近的点同时判断该点是否超界。如果超界则会将超出的边界轮廓用红色表示以及发出报警。
综上所述,借助于本发明的上述技术方案,预先获取轨道车辆车体图像信息并进行处理,获得图像灰度化直方图,基于获取的图像灰度化直方图获得全局阀值,并利用Otsu阀值法进行标定阀值,通过Canny算子获取车辆边缘轮廓,基于ICP算法对图像轮廓拼接融合,基于获取图像轮廓拼接融合与模板图像进行匹配分析,并作为轨道车辆车体检测信息,实现快速可靠自动检测,具有测量精度较高、自动化程度高避免故障列车出厂,可代替或大幅降低人工巡检强度,减少检测成本,适应性强且应用范围广。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (1)
1.一种轨道车辆车体检测方法,其特征在于,包括以下步骤:
预先获取轨道车辆车体图像信息并进行处理,获得图像灰度直方图,其中,包括预先将移动平台放置于车体检测点附近,由激光传感器和摄像头组成的测量设备,用于获取移动平台放置于车体检测点附近区域的车体的轮廓限界测量,将获取的轮廓限界进行转化为轨道车辆车体图像,并装获取的轨道车辆车体图像作为输入图像,获取轨道车辆车体轮廓图像信息并作为源图像输入信息,对获取的源图像输入信息进行高斯滤波处理,标定邻域的中心像素对比,均匀分割图像并进行灰度直方图统计;
基于获取的图像灰度直方图获得全局阀值,并利用Otsu阀值法进行确定阀值,其中包括:S201:基于灰度直方图选取初始估计值T; S202:对灰度化图像进行处理,以T为分界点自动生成两组图像像素; S203:对两组图像像素中所有像素计算获得平均灰度值T1和T2;S204:计算最新的全局阀值; S205:重复上述步骤S202、S203和S204,直到获取比事先定义的参数T小的阀值T4; S206:以T4为新的阀值,对整个图像进行分割处理,获得图像边界轮廓;
通过Canny算子获取车辆边缘轮廓,其中包括:预先通过高斯滤波器对图像边界轮廓进行平滑处理,对图像梯度的方向和幅值进行有限差分,对非极大值进行抑制,采用Sobel算子对图像边界进行检测;
基于ICP算法对图像轮廓拼接融合,并获取融合图;
基于获取的融合图与模板图像进行匹配分析,将分析结果作为轨道车辆车体检测信息,包括以下步骤:
预先通过相邻的两摄像头获取的车辆轮廓边缘重合部位进行确定点Q与P的中心,其中,摄像头标定精度低的点放入到P中,精度高的放入到Q中,表示为:
;
其中,和/>表示为点集P与Q的中心,/>和/>分别为点坐标,表示为/>和;
获取矩阵信息,表示为:
;
其中,为平移向量;
对令矩阵进行奇异值分解,表示为:;
其中,为所述矩阵信息的n个特征向量所张成的维矩阵,/>为n个特征向量的透视变换向量;
进行对H进行取值,表示为:
;
;
其中,为对角矩阵,/>为行列式,/>为比例因子,R为旋转矩阵,其平移向量T,满足:/>;
获取点集P向点集Q拼接融合后的新坐标,表示为:。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110045589.7A CN112634269B (zh) | 2021-01-14 | 2021-01-14 | 一种轨道车辆车体检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110045589.7A CN112634269B (zh) | 2021-01-14 | 2021-01-14 | 一种轨道车辆车体检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112634269A CN112634269A (zh) | 2021-04-09 |
CN112634269B true CN112634269B (zh) | 2023-12-26 |
Family
ID=75294146
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110045589.7A Active CN112634269B (zh) | 2021-01-14 | 2021-01-14 | 一种轨道车辆车体检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112634269B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113720257A (zh) * | 2021-08-08 | 2021-11-30 | 南京中车浦镇城轨车辆有限责任公司 | 一种应用于轨道车辆生产制造的尺寸测量系统及尺寸测量方法 |
CN115791221A (zh) * | 2022-11-28 | 2023-03-14 | 华东交通大学 | 基于数字孪生的转向架横向失稳状态实时监测方法 |
CN115854886A (zh) * | 2022-12-22 | 2023-03-28 | 宁波宁兴精密制造有限公司 | 一种汽车中央通道模架定型筋体变形检测装置 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0588815A1 (fr) * | 1991-03-22 | 1994-03-30 | THOMSON multimedia | Procede et dispositif d'analyse de sequences d'images routieres pour la detection d'obstacles |
JP2003099762A (ja) * | 2001-09-25 | 2003-04-04 | Daihatsu Motor Co Ltd | 前方車両認識装置及び認識方法 |
CN102043950A (zh) * | 2010-12-30 | 2011-05-04 | 南京信息工程大学 | 基于canny算子和边缘点统计的车辆轮廓识别方法 |
WO2016110005A1 (zh) * | 2015-01-07 | 2016-07-14 | 深圳市唯特视科技有限公司 | 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法 |
DE102016003060A1 (de) * | 2016-03-11 | 2016-09-29 | Daimler Ag | Verfahren zur hochpräzisen Makierung von vorausfahrenden Fahrzeugen bei Augmented Reality |
CN106228138A (zh) * | 2016-07-26 | 2016-12-14 | 国网重庆市电力公司电力科学研究院 | 一种融合区域和边缘信息的道路检测算法 |
CN108399610A (zh) * | 2018-03-20 | 2018-08-14 | 上海应用技术大学 | 一种融合rgb图像信息的深度图像增强方法 |
WO2019062092A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市颐通科技有限公司 | 基于超像素-多色彩空间的人体轮廓提取方法 |
CN111551957A (zh) * | 2020-04-01 | 2020-08-18 | 上海富洁科技有限公司 | 基于激光雷达感知的园区低速自动巡航及紧急制动系统 |
-
2021
- 2021-01-14 CN CN202110045589.7A patent/CN112634269B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP0588815A1 (fr) * | 1991-03-22 | 1994-03-30 | THOMSON multimedia | Procede et dispositif d'analyse de sequences d'images routieres pour la detection d'obstacles |
JP2003099762A (ja) * | 2001-09-25 | 2003-04-04 | Daihatsu Motor Co Ltd | 前方車両認識装置及び認識方法 |
CN102043950A (zh) * | 2010-12-30 | 2011-05-04 | 南京信息工程大学 | 基于canny算子和边缘点统计的车辆轮廓识别方法 |
WO2016110005A1 (zh) * | 2015-01-07 | 2016-07-14 | 深圳市唯特视科技有限公司 | 基于灰度和深度信息的多层融合的多模态人脸识别装置及方法 |
DE102016003060A1 (de) * | 2016-03-11 | 2016-09-29 | Daimler Ag | Verfahren zur hochpräzisen Makierung von vorausfahrenden Fahrzeugen bei Augmented Reality |
CN106228138A (zh) * | 2016-07-26 | 2016-12-14 | 国网重庆市电力公司电力科学研究院 | 一种融合区域和边缘信息的道路检测算法 |
WO2019062092A1 (zh) * | 2017-09-30 | 2019-04-04 | 深圳市颐通科技有限公司 | 基于超像素-多色彩空间的人体轮廓提取方法 |
CN108399610A (zh) * | 2018-03-20 | 2018-08-14 | 上海应用技术大学 | 一种融合rgb图像信息的深度图像增强方法 |
CN111551957A (zh) * | 2020-04-01 | 2020-08-18 | 上海富洁科技有限公司 | 基于激光雷达感知的园区低速自动巡航及紧急制动系统 |
Also Published As
Publication number | Publication date |
---|---|
CN112634269A (zh) | 2021-04-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112634269B (zh) | 一种轨道车辆车体检测方法 | |
CN107738612B (zh) | 基于全景视觉辅助系统的自动泊车停车位检测与识别系统 | |
CN109598972B (zh) | 一种基于视觉的自动泊车停车位检测与测距系统 | |
CN107462223B (zh) | 一种公路转弯前行车视距自动测量装置及测量方法 | |
CN108416320B (zh) | 巡检设备、巡检设备的控制方法及控制装置 | |
CN102435174B (zh) | 基于混合式双目视觉的障碍物检测方法及装置 | |
CN110008893B (zh) | 一种基于车载图像传感器的车辆行驶跑偏自动检测方法 | |
CN109977954B (zh) | 电动汽车充电接口的识别及定位方法及系统 | |
CN110766748B (zh) | 一种非接触式整车姿态测量方法 | |
CN112304954B (zh) | 一种基于线激光扫描及机器视觉的零件表面缺陷检测方法 | |
CN105447853A (zh) | 飞行装置、飞行控制系统及方法 | |
DE102012021375A1 (de) | Vorrichtung und Verfahren zum Erkennen einer dreidimensionalen Position und Orientierung eines Artikels | |
CN110909705B (zh) | 一种基于车载摄像头的路侧停车位感知方法及系统 | |
CN109159137B (zh) | 一种可视频评估洗地效果的洗地机器人 | |
CN111067530A (zh) | 基于深度摄像的地铁乘客身高自动检测方法和系统 | |
CN111767780A (zh) | 一种ai与视觉结合的智能集卡定位方法和系统 | |
JP2010133751A (ja) | 形状測定装置およびプログラム | |
Lion et al. | Smart speed bump detection and estimation with kinect | |
CN111860270B (zh) | 一种基于鱼眼相机的障碍物检测方法及装置 | |
CN105068139B (zh) | 一种活塞冷却喷嘴安装状态的检测工艺 | |
CN109410272B (zh) | 一种变压器螺母识别与定位装置及方法 | |
CN117115249A (zh) | 一种集装箱锁孔自动识别定位系统及方法 | |
CN115526897A (zh) | 特高压换流站消防机器人火焰定位方法及系统 | |
CN110322508A (zh) | 一种基于计算机视觉的辅助定位方法 | |
CN115063771A (zh) | 对障碍物的距离检测的纠错方法、系统、存储介质及设备 |
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 |