CN112836587A - 跑道识别方法、装置、计算机设备及存储介质 - Google Patents
跑道识别方法、装置、计算机设备及存储介质 Download PDFInfo
- Publication number
- CN112836587A CN112836587A CN202110022704.9A CN202110022704A CN112836587A CN 112836587 A CN112836587 A CN 112836587A CN 202110022704 A CN202110022704 A CN 202110022704A CN 112836587 A CN112836587 A CN 112836587A
- Authority
- CN
- China
- Prior art keywords
- image
- straight line
- runway
- final
- images
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000003860 storage Methods 0.000 title claims abstract description 17
- 238000007781 pre-processing Methods 0.000 claims abstract description 25
- 238000012545 processing Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 15
- 238000000605 extraction Methods 0.000 claims description 10
- 238000012216 screening Methods 0.000 claims description 10
- 238000013507 mapping Methods 0.000 claims description 8
- 230000003287 optical effect Effects 0.000 claims description 8
- 238000012935 Averaging Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 claims description 7
- 238000005457 optimization Methods 0.000 claims description 6
- 238000003825 pressing Methods 0.000 description 6
- 238000009826 distribution Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000001914 filtration Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T5/00—Image enhancement or restoration
- G06T5/40—Image enhancement or restoration by the use of histogram techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/11—Region-based segmentation
-
- 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
- G06T2207/10032—Satellite or aerial image; Remote sensing
Abstract
本发明公开了一种跑道识别方法、装置、计算机设备及存储介质,属于计算机视觉目标识别领域,本发明用于根据图像识别跑道区域,提高了跑道识别方法对不同使用场景的适应能力,进而提高跑道识别的准确度。本发明的主要技术方案为:首先获取图像序列中的图像,对所述图像进行预处理;然后根据预处理后的图像确定候选区域,对所述候选区域轮廓提取直线特征;若所述图像不是第一帧图像,则利用前一帧图像的识别结果优化所述直线特征,并根据所述直线特征确定最终识别区域,保存并输出最终识别结果;若所述图像为第一帧图像,则直接根据所述直线特征确定最终识别区域,保存并输出最终识别结果。
Description
技术领域
本发明涉及计算机视觉目标识别领域,尤其涉及一种跑道识别方法、装置、计算机设备及存储介质。
背景技术
机场跑道在固定翼无人机起飞或者着陆过程中扮演着十分重要的角色,具有很显著的特征标识,对机场跑道区域进行检测对于军用和民用而言都具有现实意义。机场跑道在图像中一般表现为两条平行的或纵横交错的跑道,此外跑道具有一定的长度和大的长宽比、宽度变化比较小,曲率有一定的限制、方向变换比较慢等形状特征;同时在图像中,跑道的色彩信息与周围地面的色彩信息具有较大的差距,亮度反差也较大。目前机场跑道的识别多以检测跑道的线性特征来判定机场区域。而在提取跑道的众多研究中,最常用的是基于边缘提取的跑道分析技术与基于深度学习或者机器学习的跑道提取技术。
现有技术中的跑道识别方法存在鲁棒性不高的缺点,无法对当前使用场景做出适应性调整,或适应能力较差,造成跑道区域识别不准确。基于边缘提取的跑道分析技术与基于深度学习或者机器学习的跑道提取技术常常会识别出不完整的跑道区域,跑道边缘会存在一些残缺的情况,例如锯齿,突起等。此外,现有技术中提取跑道区域时也会将与其相连的滑行道一并提取,造成跑道区域识别不准确,与实际跑道区域不相符的情况。
发明内容
本发明提供一种跑道识别方法、装置、计算机设备及存储介质,用于解决跑道区域识别准确率低的问题。
本发明实施例提供一种跑道识别方法,所述方法包括:
步骤S100,获取图像序列中的图像,对所述图像进行预处理;
步骤S200,根据预处理后的图像确定候选区域,对所述候选区域轮廓提取直线特征;
步骤S300,若所述图像不是第一帧图像,则利用前一帧图像的识别结果优化所述直线特征,若所述图像为第一帧图像,则直接进入步骤S400;
步骤S400,根据所述直线特征确定最终识别区域,保存并输出最终识别结果。
可选的,所述图像序列中的图像包括光学图像或遥感图像,所述图像序列包含时间序列信息。
可选的,所述图像序列中的图像采集自驾驶员视角。
可选的,步骤S100中,所述预处理包括:
步骤S110,将所述图像映射到HSV空间,得到HSV图像;
步骤S120,对所述HSV图像进行直方图均衡化处理,得到均衡化图像;
步骤S130,对所述均衡化图像按照预先设定的阈值进行二值化处理,完成图像预处理。
可选的,利用前一帧图像的识别结果优化所述直线特征,具体包括:
步骤S310,计算所述前一帧图像的能量图;
步骤S320,根据所述能量图,对所述直线特征进行筛选;
步骤S330,对筛选后的直线特征按斜率分为左簇和右簇;
步骤S340,分别对所述左簇和右簇中的直线进行拟合,得到最终边界直线。
可选的,步骤S320中,所述对直线特征进行筛选,具体包括:
步骤S321,获取所述直线特征两端点在所述前一帧图像能量图中的能量值;
步骤S322,对两端点的能量值取平均,得到所述直线特征的能量值;
步骤S323,去除所述直线特征中能量值低于阈值的直线特征。
可选的,步骤S400中,根据所述直线特征确定最终识别区域,具体包括:
步骤S410,将所述直线特征和图像边界形成的区域分割为上区域与下区域;
步骤S420,将所述上区域与步骤S200中的候选区域进行交运算,再与下区域进行并运算,得到最终候选区域。
本发明实施例提供一种跑道识别装置,所述装置包括:
获取模块,用于获取带有时间序列信息的图像序列;
预处理模块,用于对获取模块得到的图像序列中的图像进行预处理;
特征提取模块,用于对预处理后的图像确定候选区域并提取直线特征;
优化模块,利用前一帧的识别结果优化当前帧的直线特征,所述优化模块仅在输入的图像为非首帧图像时适用;
识别模块,用于利用当前帧的直线特征识别目标区域;
存储输出模块,用于保存、输出最终识别结果。
本发明实施例提供一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述跑道识别方法。
本发明实施例提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述跑道识别方法。
本发明提供的一种跑道识别方法、装置、计算机设备及存储介质,首先获取图像序列中的图像,对所述图像进行预处理;然后根据预处理后的图像确定候选区域,对所述候选区域轮廓提取直线特征;若所述图像不是第一帧图像,则利用前一帧图像的识别结果优化所述直线特征,并根据所述直线特征确定最终识别区域,保存并输出最终识别结果;若所述图像为第一帧图像,则直接进入根据所述直线特征确定最终识别区域,保存并输出最终识别结果。
本发明在跑道识别技术中引入了时间序列信息,即用前一帧的结果优化后一帧的识别,与现有技术相比,可以极大的提高方法的鲁棒性,提高识别方法对不同使用场景的适应能力,进而提高跑道识别的准确度。同时图像的采集可以使用驾驶室视角,而非俯视图,与现有技术相比,本申请的识别结果可以用于辅助固定翼飞机的起飞与着陆。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对本发明实施例的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性的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例中跑道识别方法的总流程图;
图2是本发明一实施例中识别跑道轮廓的流程图;
图3是本发明一实施例中确定最终识别区域的示意图;
图4是本发明一实施例中一计算机设备的装置图。
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作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。
在本发明提供的一实施例中,提供一种跑道识别方法,具体包括:
步骤S100,获取图像序列中的图像,对所述图像进行预处理;
步骤S200,根据预处理后的图像确定候选区域,对所述候选区域轮廓提取直线特征;
步骤S300,若所述图像不是第一帧图像,则利用前一帧图像的识别结果优化所述直线特征,若所述图像为第一帧图像,则直接进入步骤S400;
步骤S400,根据所述直线特征确定最终识别区域,保存并输出最终识别结果。
在本发明提供的一实施例中,步骤S100,获取图像序列中的图像,对所述图像进行预处理,具体包括:
所述图像序列中的图像包括光学图像或遥感图像,所述图像序列是由若干连续图像组成,以帧为最小单位,所述序列包含时间序列信息。其中,图像序列中的光学图像,以RGB 的形式存储,即每一通道分别表示红色、绿色和蓝色,其像素值取值范围是[0,255]。
所述图像序列中的图像可以从驾驶员视角采集,使跑道识别结果更方便地应用于辅助固定翼飞机的起飞与降落。
所述对图像的预处理操作,具体包括:
步骤S110,将所述图像映射到HSV空间,得到HSV图像,HSV分别表示色调、饱和度和明度。每一通道存储范围是:H取值范围是0-180,S取值范围是0-255,V取值范围是0- 255。
步骤S120,对所述HSV图像进行直方图均衡化处理,得到均衡化图像。由于不同场景下色调集中的区域会产生较大的差别,通过对其进行均衡化操作,可以将集中区域均衡化到整个区间,这样可以消除不同场景带来的影响,提高跑道识别方法的稳定性与适应性。
均衡化主要针对色调通道,首先将HSV图像按照三个通道进行分离,然后提取其中的色调通道并且遍历,统计每个色调值出现的次数。记均衡化映射函数为F(k),其中k为原始像素的色调值,其在整幅图像出现的频次记为nk,则F(k)=180*nk/(W*H)。通过上述映射,可以在不改变图像色调比例的情况下,将原始图像进行均衡化。
步骤S130,对所述均衡化图像按照预先设定的阈值进行二值化处理。在均衡化图像的基础上,根据预先设定的阈值完成二值化处理,进行前后景的分割。其中前景也就是候选目标区域像素值为255,背景的像素值为0。
经上述3步,完成图像预处理操作。
在本发明提供的一实施例中,步骤S200,根据预处理后的图像确定候选区域,对所述候选区域轮廓提取直线特征,具体包括:
由于经过二值化处理的图像像素值只有0或255两种情况,计算图像像素值为255区域的轮廓只需要考虑具有像素值为255且周围8邻域内包含像素值为0的像素点。满足以上两个条件的像素点即认为是轮廓的边界。通过遍历图像中的所有像素点,最终确定候选区域。对于访问过的像素点,将其像素值设置为128,即标记为已经检测过。所述遍历过程如下(流程图见图2):
首先从图像的起点开始,按照行的顺序遍历图像,遇到像素值为255的像素点即将其压入双端队列尾部,作为队列的初始化元素;
然后采用宽度搜索的思路,通过双端队列实现对当前轮廓的搜索遍历。从队列头部取出元素,判断其是否满足像素值为255且周围8邻域内包含像素值为0的像素点的条件,以此判断该像素是否为轮廓的一部分;
然后将该像素点周围8邻域内像素值为255的像素点同样压入队列尾。循环处理队列头部元素,直到队列为空,此时便完成了一个轮廓的提取,同时计算轮廓包含的像素点数量作为其周长。
继续开始按照行顺序的遍历过程,重复上述步骤直到所有像素都遍历完成。最后选择周长最大的区域作为最终候选区域。然后对该区域轮廓提取直线特征。
在本发明提供的一个实施例中,步骤S300,若所述图像不是第一帧图像,则利用前一帧图像的识别结果优化所述直线特征,具体包括:
步骤S310,计算所述前一帧图像的能量图;
能量图计算过程的输入为二值图形式的上一帧跑道区域检测结果,其中跑道区域的像素值为255,背景为0。
首先计算像素距离图,采用宽度优先搜索的策略,将轮廓上的所有像素点压入队列,并把距离图所有数值初始化为0;
然后从队列头部开始处理像素点,记正处理像素为p,其周围4邻域内像素值为0的像素记为p0,把p0像素压入队列尾部,然后将其距离图上对应的数值做以下调整:D(p0)=D(p)+1,其中D(p)表示p像素对应的距离图数值。这样循环处理队列直到队列数据为空,得到完整的距离图D。根据距离图的数值,按照标准正态分布计算高斯能量值,从而得到能量图。
步骤S320,根据所述能量图,对所述直线特征进行筛选,具体包括:
步骤S321,获取所述直线特征两端点在所述前一帧图像能量图中的能量值;
步骤S322,对两端点的能量值取平均,得到所述直线特征的能量值;
步骤S323,去除所述直线特征中能量值低于阈值的直线特征。
在前一帧图像的能量图中,读取直线特征两个端点位置处的能量值。例如,前一帧图像的能量图记为A,当前帧图像记为B。B上检测出若干直线特征,记其中一条直线的两个端点为a和b。记a和b在图像B上的位置记为(Xa,Ya),(Xb,Yb),然后读取能量图A在位置(Xa,Ya),(Xb,Yb)处的能量值。将这两个能量值取平均作为这条直线的能量值,再根据预先设置的阈值,对于低于阈值的直线,就排除掉。
步骤S330,对筛选后的直线特征按斜率分为左簇和右簇;
对经过步骤S32O筛选后剩余的直线特征计算斜率:k=(y2-y1)/(x2-x1),按照斜率划分成左右簇,斜率在(-90,0)之间的为左簇,斜率在(-180,-90)之间的为右簇。
步骤S340,分别对所述左簇和右簇中的直线进行拟合,得到最终边界直线。所述最终边界直线为跑道的左直线与右直线。
若所述图像是第一帧图像,则直接进入步骤S400。由于没有前一帧图像作为先验信息对提取的直线特征进行优化,因此只能直接以步骤S200中提取的直线特征为基础,执行步骤S400中的方法。
在本发明提供的一个实施例中,步骤S400,根据所述直线特征确定最终识别区域,保存并输出最终识别结果,具体包括:
步骤S410,将所述直线特征和图像边界形成的区域分割为上区域与下区域;
拟合后的最终边界直线,即跑道的左直线与右直线与图像会产生两个交点,记位于图像下方的交点为起点,位于图像上方的交点为终点,然后根据这两对交点,将左直线与右直线和图像边界形成的区域分割为上区域与下区域。以图3所示的场景为例,上区域是左右直线的起点与交点围成的区域,上区域由三角形ABE和三角形AB’E’组成;下区域为左右直线的起点与图像左下角和右下角围成的区域,即图3中的矩形EBCD。
步骤S420,将所述上区域与步骤S200中的候选区域进行交运算,再与下区域进行并运算,得到最终候选区域。
以图3所示的场景为例,可以看到白色线条包围的轮廓为步骤S200中确定的候选区域,该候选区域存在两个问题:一是在下半部分可能是不完整的,就是会有一些残缺的情况,例如锯齿,突起等;二是在上部分右侧会有外伸部分。
因此将步骤S200中的候选区域与步骤S410中的上区域做交运算,可以把上区域中的三角形AB’E’和候选区域中的外伸部分剔除掉;继而将剩余区域对下区域做并运算,可以把候选区域下方的锯齿填充完整,以此达到对跑道区域准确识别的效果。
所述步骤S400还包括保存并输出最终识别结果的步骤,输出的结果以二值图的形式存储,用于将当前帧的识别结果保存并为优化后续帧识别提供先验信息,也可为固定翼飞机的起飞与降落提供辅助信息。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本发明实施例的实施过程构成任何限定。
在一实施例中,提供一种跑道识别装置,该跑道识别装置与上述实施例中跑道识别装置方法一一对应,所述装置具体包括(装置框图见图4):
获取模块,用于获取带有时间序列信息的图像序列;
所述图像序列中的图像包括光学图像或遥感图像,所述图像序列是由若干连续图像组成,以帧为最小单位,所述序列包含时间序列信息。其中,图像序列中的光学图像,以RGB 的形式存储,即每一通道分别表示红色、绿色和蓝色,其像素值取值范围是[0,255]。
所述图像序列中的图像可以从驾驶员视角采集,使跑道识别结果更方便地应用于辅助固定翼飞机的起飞与降落。
预处理模块,用于对获取模块得到的图像序列中的图像进行预处理;
所述对图像的预处理操作,具体包括:
首先,将所述图像映射到HSV空间,得到HSV图像,HSV分别表示色调、饱和度和明度。每一通道存储范围是:H取值范围是0-180,S取值范围是0-255,V取值范围是0- 255。
其次,对所述HSV图像进行直方图均衡化处理,得到均衡化图像。由于不同场景下色调集中的区域会产生较大的差别,通过对其进行均衡化操作,可以将集中区域均衡化到整个区间,这样可以消除不同场景带来的影响,提高跑道识别方法的稳定性与适应性。
均衡化主要针对色调通道,首先将HSV图像按照三个通道进行分离,然后提取其中的色调通道并且遍历,统计每个色调值出现的次数。记均衡化映射函数为F(k),其中k为原始像素的色调值,其在整幅图像出现的频次记为nk,则F(k)=180*nk/(W*H)。通过上述映射,可以在不改变图像色调比例的情况下,将原始图像进行均衡化。
最后,对所述均衡化图像按照预先设定的阈值进行二值化处理。在均衡化图像的基础上,根据预先设定的阈值完成二值化处理,进行前后景的分割。其中前景也就是候选目标区域像素值为255,背景的像素值为0。
经上述3步,完成图像预处理操作。
特征提取模块,用于对预处理后的图像确定候选区域并提取直线特征;
由于经过二值化处理的图像像素值只有0或255两种情况,计算图像像素值为255区域的轮廓只需要考虑具有像素值为255且周围8邻域内包含像素值为0的像素点。满足以上两个条件的像素点即认为是轮廓的边界。通过遍历图像中的所有像素点,最终确定候选区域。对于访问过的像素点,将其像素值设置为128,即标记为已经检测过。所述遍历过程如下(流程图见图2):
首先从图像的起点开始,按照行的顺序遍历图像,遇到像素值为255的像素点即将其压入双端队列尾部,作为队列的初始化元素;
然后采用宽度搜索的思路,通过双端队列实现对当前轮廓的搜索遍历。从队列头部取出元素,判断其是否满足像素值为255且周围8邻域内包含像素值为0的像素点的条件,以此判断该像素是否为轮廓的一部分;
然后将该像素点周围8邻域内像素值为255的像素点同样压入队列尾。循环处理队列头部元素,直到队列为空,此时便完成了一个轮廓的提取,同时计算轮廓包含的像素点数量作为其周长。
继续开始按照行顺序的遍历过程,重复上述步骤直到所有像素都遍历完成。最后选择周长最大的区域作为最终候选区域。然后对该区域轮廓提取直线特征。
优化模块,利用前一帧的识别结果优化当前帧的直线特征,所述优化模块仅在输入的图像为非首帧图像时适用,具体优化方式如下:
1、计算所述前一帧图像的能量图;
能量图计算过程的输入为二值图形式的上一帧跑道区域检测结果,其中跑道区域的像素值为255,背景为0。首先计算像素距离图,采用宽度优先搜索的策略,将轮廓上的所有像素点压入队列,并把距离图所有数值初始化为0;然后从队列头部开始处理像素点,记正处理像素为p,其周围4邻域内像素值为0的像素记为p0,把p0像素压入队列尾部,然后将其距离图上对应的数值做以下调整:D(p0)=D(p)+1,其中D(p)表示p像素对应的距离图数值。这样循环处理队列直到队列数据为空,得到完整的距离图D。根据距离图的数值,按照标准正态分布计算高斯能量值,从而得到能量图。
2、根据所述能量图,对所述直线特征进行筛选,具体包括:首先,获取所述直线特征两端点在所述前一帧图像能量图中的能量值;其次,对两端点的能量值取平均,得到所述直线特征的能量值;最后,去除所述直线特征中能量值低于阈值的直线特征。
3、对筛选后的直线特征按斜率分为左簇和右簇;
对经过步骤S32O筛选后剩余的直线特征计算斜率:k=(y2-y1)/(x2-x1),按照斜率划分成左右簇,斜率在(-90,0)之间的为左簇,斜率在(-180,-90)之间的为右簇。
4、分别对所述左簇和右簇中的直线进行拟合,得到最终边界直线。所述最终边界直线为跑道的左直线与右直线。
识别模块,用于利用当前帧的直线特征识别目标区域。
首先,将所述直线特征和图像边界形成的区域分割为上区域与下区域;
拟合后的最终边界直线,即跑道的左直线与右直线与图像会产生两个交点,记位于图像下方的交点为起点,位于图像上方的交点为终点,然后根据这两对交点,将左直线与右直线和图像边界形成的区域分割为上区域与下区域。以图3所示的场景为例,上区域是左右直线的起点与交点围成的区域,上区域由三角形ABE和三角形AB’E’组成;下区域为左右直线的起点与图像左下角和右下角围成的区域,即图3中的矩形EBCD。
其次,将所述上区域与特征提取模块中确定的候选区域进行交运算,再与下区域进行并运算,得到最终候选区域。
存储输出模块,用于保存、输出最终识别结果。
还包括保存并输出最终识别结果的步骤,输出的结果以二值图的形式存储,用于将当前帧的识别结果保存并为优化后续帧识别提供先验信息,也可为固定翼飞机的起飞与降落提供辅助信息。
关于跑道识别装置的具体限定可以参见上文中对于跑道识别方法的限定,在此不再赘述。上述跑道识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种跑道识别方法。
在一个实施例中,提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现以下步骤:
步骤S100,获取图像序列中的图像,对所述图像进行预处理;
步骤S200,根据预处理后的图像确定候选区域,对所述候选区域轮廓提取直线特征;
步骤S300,若所述图像不是第一帧图像,则利用前一帧图像的识别结果优化所述直线特征,若所述图像为第一帧图像,则直接进入步骤S400;
步骤S400,根据所述直线特征确定最终识别区域,保存并输出最终识别结果。
可选的,所述图像序列中的图像包括光学图像或遥感图像,所述图像序列包含时间序列信息。
可选的,所述图像序列中的图像采集自驾驶员视角。
可选的,步骤S100中,所述预处理包括:
步骤S110,将所述图像映射到HSV空间,得到HSV图像;
步骤S120,对所述HSV图像进行直方图均衡化处理,得到均衡化图像;
步骤S130,对所述均衡化图像按照预先设定的阈值进行二值化处理,完成图像预处理。
可选的,利用前一帧图像的识别结果优化所述直线特征,具体包括:
步骤S310,计算所述前一帧图像的能量图;
步骤S320,根据所述能量图,对所述直线特征进行筛选;
步骤S330,对筛选后的直线特征按斜率分为左簇和右簇;
步骤S340,分别对所述左簇和右簇中的直线进行拟合,得到最终边界直线。
可选的,步骤S320中,所述对直线特征进行筛选,具体包括:
步骤S321,获取所述直线特征两端点在所述前一帧图像能量图中的能量值;
步骤S322,对两端点的能量值取平均,得到所述直线特征的能量值;
步骤S323,去除所述直线特征中能量值低于阈值的直线特征。
可选的,步骤S400中,根据所述直线特征确定最终识别区域,具体包括:
步骤S410,将所述直线特征和图像边界形成的区域分割为上区域与下区域;
步骤S420,将所述上区域与步骤S200中的候选区域进行交运算,再与下区域进行并运算,得到最终候选区域。
在一个实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现以下步骤:
步骤S100,获取图像序列中的图像,对所述图像进行预处理;
步骤S200,根据预处理后的图像确定候选区域,对所述候选区域轮廓提取直线特征;
步骤S300,若所述图像不是第一帧图像,则利用前一帧图像的识别结果优化所述直线特征,若所述图像为第一帧图像,则直接进入步骤S400;
步骤S400,根据所述直线特征确定最终识别区域,保存并输出最终识别结果。
可选的,所述图像序列中的图像包括光学图像或遥感图像,所述图像序列包含时间序列信息。
可选的,所述图像序列中的图像采集自驾驶员视角。
可选的,步骤S100中,所述预处理包括:
步骤S110,将所述图像映射到HSV空间,得到HSV图像;
步骤S120,对所述HSV图像进行直方图均衡化处理,得到均衡化图像;
步骤S130,对所述均衡化图像按照预先设定的阈值进行二值化处理,完成图像预处理。
可选的,利用前一帧图像的识别结果优化所述直线特征,具体包括:
步骤S310,计算所述前一帧图像的能量图;
步骤S320,根据所述能量图,对所述直线特征进行筛选;
步骤S330,对筛选后的直线特征按斜率分为左簇和右簇;
步骤S340,分别对所述左簇和右簇中的直线进行拟合,得到最终边界直线。
可选的,步骤S320中,所述对直线特征进行筛选,具体包括:
步骤S321,获取所述直线特征两端点在所述前一帧图像能量图中的能量值;
步骤S322,对两端点的能量值取平均,得到所述直线特征的能量值;
步骤S323,去除所述直线特征中能量值低于阈值的直线特征。
可选的,步骤S400中,根据所述直线特征确定最终识别区域,具体包括:
步骤S410,将所述直线特征和图像边界形成的区域分割为上区域与下区域;
步骤S420,将所述上区域与步骤S200中的候选区域进行交运算,再与下区域进行并运算,得到最终候选区域。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用,均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限,RAM以多种形式可得,诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM
(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
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,本领域的普通技术人员应当理解:其依然可以对前述各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各实施例技术方案的精神和范围,均应包含在本发明的保护范围之内。
Claims (10)
1.一种跑道识别方法,其特征在于,所述方法包括:
步骤S100,获取图像序列中的图像,对所述图像进行预处理;
步骤S200,根据预处理后的图像确定候选区域,对所述候选区域轮廓提取直线特征;
步骤S300,若所述图像不是第一帧图像,则利用前一帧图像的识别结果优化所述直线特征,若所述图像为第一帧图像,则直接进入步骤S400;
步骤S400,根据所述直线特征确定最终识别区域,保存并输出最终识别结果。
2.根据权利要求1所述的跑道识别方法,其特征在于,所述图像序列中的图像包括光学图像或遥感图像,所述图像序列包含时间序列信息。
3.据权利要求1所述的跑道识别方法,其特征在于,所述图像序列中的图像采集自驾驶员视角。
4.根据权利要求1所述的跑道识别方法,其特征在于,步骤S100中,所述预处理包括:
步骤S110,将所述图像映射到HSV空间,得到HSV图像;
步骤S120,对所述HSV图像进行直方图均衡化处理,得到均衡化图像;
步骤S130,对所述均衡化图像按照预先设定的阈值进行二值化处理,完成图像预处理。
5.根据权利要求1所述的跑道识别方法,其特征在于,利用前一帧图像的识别结果优化所述直线特征,具体包括:
步骤S310,计算所述前一帧图像的能量图;
步骤S320,根据所述能量图,对所述直线特征进行筛选;
步骤S330,对筛选后的直线特征按斜率分为左簇和右簇;
步骤S340,分别对所述左簇和右簇中的直线进行拟合,得到最终边界直线。
6.根据权利要求5所述的跑道识别方法,其特征在于,步骤S320中,所述对直线特征进行筛选,具体包括:
步骤S321,获取所述直线特征两端点在所述前一帧图像能量图中的能量值;
步骤S322,对两端点的能量值取平均,得到所述直线特征的能量值;
步骤S323,去除所述直线特征中能量值低于阈值的直线特征。
7.根据权利要求1所述的跑道识别方法,其特征在于,步骤S400中,根据所述直线特征确定最终识别区域,具体包括:
步骤S410,将所述直线特征和图像边界形成的区域分割为上区域与下区域;
步骤S420,将所述上区域与步骤S200中的候选区域进行交运算,再与下区域进行并运算,得到最终候选区域。
8.一种跑道识别装置,其特征在于,所述装置包括:
获取模块,用于获取带有时间序列信息的图像序列;
预处理模块,用于对获取模块得到的图像序列中的图像进行预处理;
特征提取模块,用于对预处理后的图像确定候选区域并提取直线特征;
优化模块,利用前一帧的识别结果优化当前帧的直线特征,所述优化模块仅在输入的图像为非首帧图像时适用;
识别模块,用于利用当前帧的直线特征识别目标区域;
存储输出模块,用于保存、输出最终识别结果。
9.一种计算机设备,包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述跑道识别方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述跑道识别方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110022704.9A CN112836587A (zh) | 2021-01-08 | 2021-01-08 | 跑道识别方法、装置、计算机设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110022704.9A CN112836587A (zh) | 2021-01-08 | 2021-01-08 | 跑道识别方法、装置、计算机设备及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112836587A true CN112836587A (zh) | 2021-05-25 |
Family
ID=75928500
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110022704.9A Pending CN112836587A (zh) | 2021-01-08 | 2021-01-08 | 跑道识别方法、装置、计算机设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112836587A (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1996000911A1 (en) * | 1994-06-30 | 1996-01-11 | Northrop Grumman Corporation | Apparatus and method for windshear data processing |
CN102880812A (zh) * | 2012-08-02 | 2013-01-16 | 北京华生恒业科技有限公司 | 基于小波分析法处理溶解曲线的方法、装置和电子终端 |
CN103177246A (zh) * | 2013-03-26 | 2013-06-26 | 北京理工大学 | 基于动态区域划分的双模型车道线识别方法 |
CN104766337A (zh) * | 2015-04-27 | 2015-07-08 | 西北工业大学 | 一种基于跑道边界增强的飞机着陆视觉增强方法 |
CN106022243A (zh) * | 2016-05-13 | 2016-10-12 | 浙江大学 | 一种基于图像处理的机动车道车辆逆行识别方法 |
CN107341455A (zh) * | 2017-06-21 | 2017-11-10 | 北京航空航天大学 | 一种对夜间机场跑道路面上外来物的区域多特征的检测方法及检测装置 |
CN109685060A (zh) * | 2018-11-09 | 2019-04-26 | 科大讯飞股份有限公司 | 图像处理方法和装置 |
CN109993099A (zh) * | 2019-03-27 | 2019-07-09 | 西安航空职业技术学院 | 一种基于机器视觉的车道线提取识别方法 |
CN110363128A (zh) * | 2019-07-04 | 2019-10-22 | 中国人民解放军国防科技大学 | 基于生物视觉的机场跑道异物检测方法、系统及介质 |
CN111126109A (zh) * | 2018-10-31 | 2020-05-08 | 沈阳美行科技有限公司 | 一种车道线识别方法、装置和电子设备 |
-
2021
- 2021-01-08 CN CN202110022704.9A patent/CN112836587A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO1996000911A1 (en) * | 1994-06-30 | 1996-01-11 | Northrop Grumman Corporation | Apparatus and method for windshear data processing |
CN102880812A (zh) * | 2012-08-02 | 2013-01-16 | 北京华生恒业科技有限公司 | 基于小波分析法处理溶解曲线的方法、装置和电子终端 |
CN103177246A (zh) * | 2013-03-26 | 2013-06-26 | 北京理工大学 | 基于动态区域划分的双模型车道线识别方法 |
CN104766337A (zh) * | 2015-04-27 | 2015-07-08 | 西北工业大学 | 一种基于跑道边界增强的飞机着陆视觉增强方法 |
CN106022243A (zh) * | 2016-05-13 | 2016-10-12 | 浙江大学 | 一种基于图像处理的机动车道车辆逆行识别方法 |
CN107341455A (zh) * | 2017-06-21 | 2017-11-10 | 北京航空航天大学 | 一种对夜间机场跑道路面上外来物的区域多特征的检测方法及检测装置 |
CN111126109A (zh) * | 2018-10-31 | 2020-05-08 | 沈阳美行科技有限公司 | 一种车道线识别方法、装置和电子设备 |
CN109685060A (zh) * | 2018-11-09 | 2019-04-26 | 科大讯飞股份有限公司 | 图像处理方法和装置 |
CN109993099A (zh) * | 2019-03-27 | 2019-07-09 | 西安航空职业技术学院 | 一种基于机器视觉的车道线提取识别方法 |
CN110363128A (zh) * | 2019-07-04 | 2019-10-22 | 中国人民解放军国防科技大学 | 基于生物视觉的机场跑道异物检测方法、系统及介质 |
Non-Patent Citations (5)
Title |
---|
张天序;曹杨;刘进;李勐;: "基于不变矩的前视红外图像机场目标识别", 华中科技大学学报(自然科学版), no. 01, pages 1 * |
张学峰;李丽娟;刘珂;: "基于直线提取的机场跑道识别方法", 激光与红外, no. 12 * |
张琴;庄丽葵;曹云峰;王彪;: "基于序列图像的无人机进近着陆跑道识别与跟踪研究", 云南民族大学学报(自然科学版), no. 02 * |
张鸿翎;夏瑜;张峰;王全忠;赵歆波;: "组合视景跑道检测及配准技术研究", 中国体视学与图像分析, no. 01 * |
罗军, 杨卫平, 沈振康: "红外图像中机场跑道的自动目标识别", 红外技术, no. 03 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106651872B (zh) | 基于Prewitt算子的路面裂缝识别方法及系统 | |
CN109613002B (zh) | 一种玻璃缺陷检测方法、装置和存储介质 | |
US7127107B2 (en) | Land partition data generating method and apparatus | |
WO2022134996A1 (en) | Lane line detection method based on deep learning, and apparatus | |
US20170178341A1 (en) | Single Parameter Segmentation of Images | |
CN108647664B (zh) | 一种基于环视图像的车道线检测方法 | |
CN110866932A (zh) | 多通道舌体边缘检测装置、方法及存储介质 | |
CN114241326B (zh) | 一种渐进式遥感影像地物要素智能生产方法及系统 | |
CN113255452A (zh) | 一种目标水体的提取方法及提取系统 | |
CN114331986A (zh) | 一种基于无人机视觉的坝体裂纹识别与测量方法 | |
CN107239761B (zh) | 基于骨架角点检测的果树拉枝效果评价方法 | |
CN108877030B (zh) | 图像处理方法、装置、终端和计算机可读存储介质 | |
CN111401341B (zh) | 一种基于视觉的减速带检测方法、装置及其存储介质 | |
CN112435274B (zh) | 一种基于面向对象分割的遥感影像面状地物提取方法 | |
CN112836587A (zh) | 跑道识别方法、装置、计算机设备及存储介质 | |
CN116310889A (zh) | 无人机环境感知数据的处理方法、控制终端以及存储介质 | |
CN111062341A (zh) | 视频图像区域的分类方法、装置、设备及存储介质 | |
CN105844641A (zh) | 一种动态环境下的自适应阈值分割方法 | |
CN115170839A (zh) | 一种图像数据增强方法及系统 | |
CN112446299B (zh) | 车流密度检测方法、系统及计算机可读存储介质 | |
CN114862889A (zh) | 基于遥感图像的道路边缘提取方法和装置 | |
CN114140620A (zh) | 一种物体直线轮廓检测方法 | |
CN112560740A (zh) | 一种基于PCA-Kmeans的可见光遥感影像变化检测方法 | |
CN111414877A (zh) | 去除颜色边框的表格裁切方法、图像处理设备和存储介质 | |
Kurbatova et al. | Detection of roads from images based on edge segmentation and morphological operations |
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 |