CN112767363B - 一种对线图进行目标检测的方法 - Google Patents

一种对线图进行目标检测的方法 Download PDF

Info

Publication number
CN112767363B
CN112767363B CN202110090417.1A CN202110090417A CN112767363B CN 112767363 B CN112767363 B CN 112767363B CN 202110090417 A CN202110090417 A CN 202110090417A CN 112767363 B CN112767363 B CN 112767363B
Authority
CN
China
Prior art keywords
curve
line graph
line
candidate
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.)
Active
Application number
CN202110090417.1A
Other languages
English (en)
Other versions
CN112767363A (zh
Inventor
周尔强
曹黛
顾昕
银正强
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.)
University of Electronic Science and Technology of China
Original Assignee
University of Electronic Science and Technology of China
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 University of Electronic Science and Technology of China filed Critical University of Electronic Science and Technology of China
Priority to CN202110090417.1A priority Critical patent/CN112767363B/zh
Publication of CN112767363A publication Critical patent/CN112767363A/zh
Application granted granted Critical
Publication of CN112767363B publication Critical patent/CN112767363B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T11/00—2D [Two Dimensional] image generation
    • G06T11/20—Drawing from basic elements, e.g. lines or circles
    • G06T11/203—Drawing of straight lines or curves
    • 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
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2210/00—Indexing scheme for image generation or computer graphics
    • G06T2210/12—Bounding box

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Quality & Reliability (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明涉及线图目标检测技术领域，涉及一种对线图进行目标检测的方法，其包括以下步骤：一、对线图进行标注；二、判断候选点的位置信息，取得离候选点左右最近的两个真实点；三、判断候选点是否在曲线上；先计算两个真实点连线的方程式，然后判断候选点到该直线的距离与阈值的大小；四、通过上述步骤筛选出可以用于训练的候选点，然后以候选点和真实点的位置为锚点，生成固定大小的框，再对框进行回归训练。本发明对线图提出一种新的标注方式，并在这种标注方式的基础上运用新的判别方式进行目标检测，提高线图目标检测的准确率，进而解决对线图进行图像理解的问题。

Description

一种对线图进行目标检测的方法
技术领域
本发明涉及线图目标检测技术领域，具体地说，涉及一种对线图进行目标检测的方法。
背景技术
线图，一种展示数据连续变化的图片，包括且不限于直线图、曲线图、折线图以及点线图，在进行目标检测时，会在对候选框是否存在目标，即是否存在线的一部分进行筛选。
对图片的处理，需要先对图片进行标注，目前主流的标注格式是将存在的目标通过矩形框出来，取中心锚点坐标确定矩形框的位置信息，取矩形框的长度、宽度确定矩形框的大小，即标注中的(x，y，w，h)。在检测阶段，首先在图片中生成若干锚点，每个锚点可以生成若干种大小不一的候选框；其次，分别对不同的候选框进行判别，将候选框与若干个图片标注的真实框进行比较，分别计算候选框与真实框的交并比，再通过比较交并比与设定的阈值大小，选择交并比最大且超过阈值的真实框的标签，确定为候选框的标签；筛选出所有交并比大于阈值的所有候选框，预测其中具有目标检测任务所需的目标；最后，将真实标注与预测的结果进行回归，达到训练的效果。
现在使用的目标检测方法中，将所有的目标用候选框标注，再在真实框的基础上对候选框进行回归达到训练的目的。但是在线图上，传统标注方式一般将以线的两端为对角线组成的框作为真实的框，使得线图本身的目标，即线段，在框中的占比极小，导致通过对比交并比的方式判断候选框中是否有目标就会变得准确率低下。
例如，如图2所示，右边框为候选框，左边框为真实框。传统的方式会认为右边候选框与左边真实框的交并比没有达到设定的阈值，因此会预测右边候选框中没有目标存在。
发明内容
本发明的内容是提供一种对线图进行目标检测的方法，其能够克服现有技术的某种或某些缺陷。
根据本发明的一种对线图进行目标检测的方法，其包括以下步骤：
一、对线图进行标注；
二、判断候选点的位置信息，确定候选点在横向坐标上的位置，可以取得离候选点(x0，y0)左右最近的两个真实点(x1，y1)，(x2，y2)；
三、判断候选点(x0，y0)是否在曲线上：
a)、计算两个真实点(x1，y1)，(x2，y2)的连线的直线方程式；
b)、计算候选点(x0，y0)到该直线的垂直距离d；
c)、比较垂直距离d与设定的阈值ε大小，以此判断候选点(x0，y0)是否在曲线上；
四、通过上述步骤筛选出可以用于训练的候选点，然后以候选点和真实点的位置为锚点，生成固定大小的框，再对框进行回归训练。
作为优选，步骤一中，对线图进行标注的方法为：先判断线图是曲线图还是点线图；若是曲线图，将一条曲线在横坐标方向每隔N个像素标注一个真实点，取该真实点的横坐标、纵坐标(x，y)作为位置信息，取曲线的类型label类型信息，以此拓展到每张图的每一条线；若是点线图，即取每一个点的中心坐标，以及点线所属的类型作为位置和类型信息。
作为优选，步骤三中，直线方程式为：
Figure BDA0002912472530000021
Figure BDA0002912472530000022
Figure BDA0002912472530000023
作为优选，步骤三中，垂直距离的计算公式为：
Figure BDA0002912472530000031
作为优选，步骤三中，若d＜ε，其中ε为设定的阈值，则认为该候选点(x0，y0)在这两个真实点(x1，y1)，(x2，y2)所在的曲线上；反之，则不在该曲线上。
本发明对线图提出一种新的标注方式，并在这种标注方式的基础上运用新的判别方式进行目标检测，提高线图目标检测的准确率，进而解决对线图进行图像理解的问题。
本发明提出一种新的更贴近于线图本身特征的标注方式。本发明涉及的对线图进行目标检测的方法中，任务为判断一张图片中是否存在线，以及在图中标记线的位置。即通过对候选区域在存在真实目标的区域进行回归的方式，分别判断候选区域是否存在目标，以及预测候选区域存在的目标所属的类别。最后根据目标检测的结果，可以对线图进行下游任务，例如图像理解等。
附图说明
图1为实施例1中一种对线图进行目标检测的方法的流程图；
图2为现有技术中可能被误判为无的目标检测示意图；
图3为实施例1中曲线标注方式的示意图；
图4为实施例1中取得最近的两个真实点的示意图；
图5为实施例1中判断是否在曲线上的示意图。
具体实施方式
为进一步了解本发明的内容，结合附图和实施例对本发明作详细描述。应当理解的是，实施例仅仅是对本发明进行解释而并非限定。
实施例1
如图1所示，本实施例提供了一种对线图进行目标检测的方法，其包括以下步骤：
一、对线图进行标注；先判断线图是曲线图还是点线图；若是曲线图，如图3所示，将一条曲线在横坐标方向每隔N个像素标注一个真实点，取该真实点的横坐标、纵坐标(x，y)作为位置信息，取曲线的类型label类型信息，以此拓展到每张图的每一条线；若是点线图，即取每一个点的中心坐标，以及点线所属的类型作为位置和类型信息。
二、如图4所示，判断候选点的位置信息，确定候选点在横向坐标上的位置，可以取得离候选点(x0，y0)左右最近的两个真实点(x1，y1)，(x2，y2)；
三、判断候选点(x0，y0)是否在曲线上；
a)、计算两个真实点(x1，y1)，(x2，y2)的连线的直线方程式：
Figure BDA0002912472530000041
Figure BDA0002912472530000042
Figure BDA0002912472530000043
b)、计算候选点(x0，y0)到该直线的垂直距离d：
Figure BDA0002912472530000044
c)、若d＜ε，其中ε为设定的阈值，则认为该候选点(x0，y0)在这两个真实点(x1，y1)，(x2，y2)所在的曲线上；反之，如图5所示，则不在该曲线上；
四、通过上述步骤筛选出可以用于训练的候选点，然后以候选点和真实点的位置为锚点，生成固定大小的框，再对框进行回归训练。
本实施例对线图提出一种新的标注方式，并在这种标注方式的基础上运用新的判别方式进行目标检测，提高线图目标检测的准确率，进而解决对线图进行图像理解的问题。
本实施例提出一种新的更贴近于线图本身特征的标注方式。本实施例涉及的对线图进行目标检测的方法中，任务为判断一张图片中是否存在线，以及在图中标记线的位置。即通过对候选区域在存在真实目标的区域进行回归的方式，分别判断候选区域是否存在目标，以及预测候选区域存在的目标所属的类别。最后根据目标检测的结果，可以对线图进行下游任务，例如图像理解等。
传统的标注方式以及目标检测方法，因为线图目标在标注框中的占比较小导致使用交并比的方式判别候选框中是否存在目标的准确率较低。本实施例直接使用点与点之间的位置关系来判断点是否在线上，提高对线图类的图像进行目标检测的准确率。
以上示意性的对本发明及其实施方式进行了描述，该描述没有限制性，附图中所示的也只是本发明的实施方式之一，实际的结构并不局限于此。所以，如果本领域的普通技术人员受其启示，在不脱离本发明创造宗旨的情况下，不经创造性的设计出与该技术方案相似的结构方式及实施例，均应属于本发明的保护范围。

Claims (5)

1.一种对线图进行目标检测的方法，其特征在于：包括以下步骤：
一、对线图进行标注；
二、判断候选点的位置信息，确定候选点在横向坐标上的位置，可以取得离候选点(x0，y0)左右最近的两个真实点(x1，y1)，(x2，y2)；
三、判断候选点(x0，y0)是否在曲线上：
a)、计算两个真实点(x1，y1)，(x2，y2)的连线的直线方程式；
b)、计算候选点(x0，y0)到该直线的垂直距离d；
c)、比较垂直距离d与设定的阈值ε大小，以此判断候选点(x0，y0)是否在曲线上；
四、通过上述步骤筛选出可以用于训练的候选点，然后以候选点和真实点的位置为锚点，生成固定大小的框，再对框进行回归训练。
2.根据权利要求1所述的一种对线图进行目标检测的方法，其特征在于：步骤一中，对线图进行标注的方法为：先判断线图是曲线图还是点线图；若是曲线图，将一条曲线在横坐标方向每隔N个像素标注一个真实点，取该真实点的横坐标、纵坐标(x，y)作为位置信息，取曲线的类型label类型信息，以此拓展到每张图的每一条线；若是点线图，即取每一个点的中心坐标，以及点线所属的类型作为位置和类型信息。
3.根据权利要求2所述的一种对线图进行目标检测的方法，其特征在于：步骤三中，直线方程式为：
Figure FDA0002912472520000011
Figure FDA0002912472520000012
Figure FDA0002912472520000013
4.根据权利要求3所述的一种对线图进行目标检测的方法，其特征在于：步骤三中，垂直距离的计算公式为：
Figure FDA0002912472520000014
5.根据权利要求4所述的一种对线图进行目标检测的方法，其特征在于：步骤三中，若d＜ε，其中ε为设定的阈值，则认为该候选点(x0，y0)在这两个真实点(x1，y1)，(x2，y2)所在的曲线上；反之，则不在该曲线上。
CN202110090417.1A 2021-01-22 2021-01-22 一种对线图进行目标检测的方法 Active CN112767363B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110090417.1A CN112767363B (zh) 2021-01-22 2021-01-22 一种对线图进行目标检测的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110090417.1A CN112767363B (zh) 2021-01-22 2021-01-22 一种对线图进行目标检测的方法

Publications (2)

Publication Number Publication Date
CN112767363A CN112767363A (zh) 2021-05-07
CN112767363B true CN112767363B (zh) 2023-03-14

Family

ID=75706741

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110090417.1A Active CN112767363B (zh) 2021-01-22 2021-01-22 一种对线图进行目标检测的方法

Country Status (1)

Country Link
CN (1) CN112767363B (zh)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9218542B2 (en) * 2013-08-09 2015-12-22 Siemens Medical Solutions Usa, Inc. Localization of anatomical structures using learning-based regression and efficient searching or deformation strategy
CN108009515B (zh) * 2017-12-14 2022-04-22 杭州远鉴信息科技有限公司 一种基于fcn的无人机航拍图像的输电线定位识别方法
JP7185510B2 (ja) * 2018-12-05 2022-12-07 株式会社ディスコ 中心検出方法
CN110942000B (zh) * 2019-11-13 2022-09-06 南京理工大学 一种基于深度学习的无人驾驶车辆目标检测方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
JINGUO ZHU 等.A deep learning method to detect foreign objects for inspecting power transmission lines.2020,第8卷94065 - 94075. *
曹黛.面向数学图像检测模型的研究.2022,(第(2022)01期),I138-2442. *
朱茂桃 等.基于YOLO-TridentNet的车辆检测方法.2020,第34卷(第11期),1-8. *

Also Published As

Publication number Publication date
CN112767363A (zh) 2021-05-07

Similar Documents

Publication Publication Date Title
US10984266B2 (en) Vehicle lamp detection methods and apparatuses, methods and apparatuses for implementing intelligent driving, media and devices
US8902053B2 (en) Method and system for lane departure warning
US7409081B2 (en) Apparatus and computer-readable medium for assisting image classification
CN105608456A (zh) 一种基于全卷积网络的多方向文本检测方法
CN110766095B (zh) 基于图像灰度特征的缺陷检测方法
CN112287977B (zh) 一种基于边界框关键点距离的目标检测方法
CN103093458B (zh) 关键帧的检测方法及装置
CN110796048A (zh) 一种基于深度神经网络的船舰目标实时检测方法
WO2018068300A1 (zh) 图像处理方法和装置
CN111738056B (zh) 一种基于改进YOLO v3的重卡盲区目标检测方法
CN115311298B (zh) 一种纺织品质量检测方法
CN103020580B (zh) 快速人脸检测方法
WO2022028383A1 (zh) 车道线标注、检测模型确定、车道线检测方法及相关设备
CN106373125A (zh) 一种基于信息熵的雪花噪声检测方法
CN115082444A (zh) 一种基于图像处理的铜管焊缝缺陷检测方法及系统
CN110598698A (zh) 基于自适应区域建议网络的自然场景文本检测方法和系统
CN102055884B (zh) 一种视频图像的稳像控制方法、系统及视频分析系统
CN111861979A (zh) 一种定位方法、设备及计算机可读存储介质
CN113947714A (zh) 一种视频监控和遥感的多模态协同优化方法及系统
Siyal et al. A neural-vision based approach to measure traffic queue parameters in real-time
CN112767363B (zh) 一种对线图进行目标检测的方法
CN109948605B (zh) 一种针对小目标的图片增强方法及装置
CN114581447B (zh) 一种基于机器视觉的运输皮带跑偏识别方法和装置
US8254682B2 (en) Pattern detecting method and related image processing apparatus
CN110298838A (zh) 一种确定样本图像的方法、装置、设备和存储介质

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
GR01 Patent grant
GR01 Patent grant