CN113009590B - 一种车底安检系统中的异物三维检测系统及方法 - Google Patents
一种车底安检系统中的异物三维检测系统及方法 Download PDFInfo
- Publication number
- CN113009590B CN113009590B CN202110133330.8A CN202110133330A CN113009590B CN 113009590 B CN113009590 B CN 113009590B CN 202110133330 A CN202110133330 A CN 202110133330A CN 113009590 B CN113009590 B CN 113009590B
- Authority
- CN
- China
- Prior art keywords
- dimensional
- vehicle bottom
- features
- dimensional data
- global
- 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
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01V—GEOPHYSICS; GRAVITATIONAL MEASUREMENTS; DETECTING MASSES OR OBJECTS; TAGS
- G01V8/00—Prospecting or detecting by optical means
- G01V8/10—Detecting, e.g. by using light barriers
Landscapes
- Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Life Sciences & Earth Sciences (AREA)
- General Physics & Mathematics (AREA)
- Geophysics (AREA)
- Image Analysis (AREA)
- Traffic Control Systems (AREA)
- Image Processing (AREA)
Abstract
本发明提供了一种车底安检系统中的异物三维检测系统及方法,属于异物检测技术领域,包括车底三维数据采集模块,用于获取车底三维数据;车底三维数据预处理模块,用于利用改进的自适应阈值算法对所述车底三维数据进行预处理;特征选择与提取模块,用于分别提取经预处理后的车底三维数据的全局特征和局部特征,并融合所述全局特征和局部特征,得到融合特征;异物识别模块,用于对所述融合特征进行三维目标识别。本发明相较于二维图像检测方法受环境影响低,在光照条件受限、目标距离较远的条件下有更好的检测结果。本发明能够更好的保存车辆底盘的空间信息、纹理信息等,能够更为直观的体现出车底异物在三维空间中的位置信息。
Description
技术领域
本发明属于异物检测技术领域,尤其涉及一种车底安检系统中的异物三维检测系统及方法。
背景技术
当前国家政府机关办公场所、民航机场、港口、车站、军事机构及基地、驻外使馆、检查站、银行、珠宝及加工贵金属厂矿、科研及保密场所、大型会议及活动场馆、商业大厦、大型饭店宾馆、重要停车场、航天基地、核电站及其它重要安全保卫的场所,其出入口车辆通道在对进出车辆底盘进行安全检查时主要依靠内部保卫人员进行人工搜查,比较费力费时。因机动车辆底盘种类繁多,这就要求检查人员对各种车辆底盘具有相当的了解,且需要检查经验丰富又比较认真负责,而一般检查人员检查起来就会比较缓慢,且容易造成漏检现象。目前也有部分单位在出入口车辆通道受检区域的地面上安装了监控,但都是基于二维图像的检测,但在实际环境中二维图像的采集会受到很多因素的影响如光照条件、目标距离等,这些因素都有可能导致图像中一些重要信息的丢失,从而引发一些安全隐患。
目前车底异物检测主要通过人工或二维图像进行检测。基于人工的车辆底盘异物检测方式不仅费事费力同时效率低下,对从业人员要求较高。基于二维检测的车底异物检测方式主要为题在于二维图像是三维空间在二维平面上的映射,在获取二维图像的过程中难免会导致某些重要的三维信息丢失,如空间位置,运动姿态等,这将会对接下来的研究工作造成极大的影响。除此之外,二维图像的采集还极容易受到光照,距离等外界因素的干扰,导致数据的进一步丢失。
发明内容
针对现有技术中的上述不足,本发明提供的一种车底安检系统中的异物三维检测系统及方法,较二维图像而言,能够较为完整的保存物体的三维坐标信息、颜色信息、纹理特征等重要数据。另外,由于三维数据的获取受到外界环境影响较小,因此其识别与位姿估计将更加准确。
为了达到以上目的,本发明采用的技术方案为:
本方案提供一种车底安检系统中的异物三维检测系统,包括依次连接的车底三维数据采集模块、车底三维数据预处理模块、特征选择与提取模块以及异物识别模块;
所述车底三维数据采集模块,用于获取车底三维数据;
所述车底三维数据预处理模块,用于利用改进的自适应阈值算法对所述车底三维数据进行预处理;
所述特征选择与提取模块,用于分别提取经预处理后的车底三维数据的全局特征和局部特征,并融合所述全局特征和局部特征,得到融合特征;
所述异物识别模块,用于获取待识别物体的三维模型,并根据所述待识别的三维模型对所述融合特征进行三维目标识别,完成车底安检系统中的异物三维检测。
本发明的有益效果是:本发明相较于人工检测方法具有更高的检测效率,且其错检率低。本发明相较于二维图像检测方法受环境影响低,在光照条件受限、目标距离较远的条件下有更好的检测结果。本发明能够更好的保存车辆底盘的空间信息、纹理信息等,能够更为直观的体现出车底异物在三维空间中的位置信息。
基于上述系统,本发明还提供了一种车底安检系统中的异物三维检测方法,包括以下步骤:
S1、获取车底三维数据;
S2、利用改进的自适应阈值算法对所述车底三维数据进行预处理;
S3、分别提取经预处理后的车底三维数据的全局特征和局部特征,并融合所述全局特征和局部特征,得到融合特征;
S4、获取待识别物体的三维模型,并根据所述待识别的三维模型对所述融合特征进行三维目标识别,完成车底安检系统中的异物三维检测。
本发明的有益效果是:本发明相较于人工检测方法具有更高的检测效率,且其错检率低。本发明相较于二维图像检测方法受环境影响低,在光照条件受限、目标距离较远的条件下有更好的检测结果。本发明能够更好的保存车辆底盘的空间信息、纹理信息等,能够更为直观的体现出车底异物在三维空间中的位置信息。
进一步地,所述步骤S2包括以下步骤:
S201、在所述车底三维数据中随机抽取三组车底三维数据,构建初始映射模型,并保持随机抽样的三组车底三维数据的匹配点对全为所述初始映射模型的内点个数N;
S202、利用剩余的车底三维数据的匹配点对所述初始映射模型进行逐一验证,并统计经验证后的初始映射模型的内点个数n;
S203、判断所述内点个数n是否大于所述内点个数N,若是,则将所述内点个数n设为最优内点个数,并计算得到验证后的初始映射模型的内点率,以及利用所述内点率更新迭代阈值,并进入步骤S204,否则,直接进入步骤S204;
S204、判断抽样次数是否大于等于迭代阈值,若是,则得到最优的映射模型,并利用所述最优映射模型去除所述车底三维数据的异常点,完成对所述车底三维数据进行预处理,并进入步骤S3,否则,返回步骤S202,并设所述初始映射模型的内点个数n为所述最优内点个数。
上述进一步方案的有益效果是:在保证车底三维数据真实性的前提下所采集的车底三维数据依然会存在毛刺、离群点等影响的异常点,这些异常点将会大大提高车底三维数据处理的计算量,降低车底三维数据处理效率。因此,能够在不影响车底三维数据有效数据的前提下去除其中的异常点将是提高车底三维数据处理效率的关键性问题。
再进一步地,所述步骤S3包括以下步骤:
S301、对所述经预处理后的车底三维数据进行升维处理,并利用最大值对称函数提取车底三维数据的全局特征;
S302、提取经预处理后的车底三维数据的局部特征,并将所述局部特征进行升维处理,使其与所述全局特征的维度一致;
S303、分别对所述全局特征的x维向量以及局部特征的x维向量按照最大到最小原则进行归一化处理;
S304、将经归一化处理后的全局特征和局部特征进行融合,得到融合特征。
上述进一步方案的有益效果是:本发明针对目前单种车底三维数据特征提取方法普遍存在的通过单一特征进行检测时误检率较高的问题,通过对多种车底三维数据特征提取方法提取出的特征点进行融合校正,从而进一步保证提取出的特征点的可靠性,为后续的车底三维数据目标识别提供坚实可靠的基础。
再进一步地,所述步骤S301中提取全局特征的表达式如下:
SGf=G(mlp[T(x1)],mlp[T(x2],...,mlp[T(xn)])
其中,SGf表示提取的全局特征,xi表示车底三维数据中的第i个内点,且i=1,2,...,n,T(xi)表示经非线性变化后处于同一坐标系下的车底三维数据,G(·)表示最大值对称函数,mlp[·]表示经多层感知机升维后的车底三维数据。
上述进一步方案的有益效果是:本发明在提取特征之前对车底三维数据中的每个点通过多层感知机(mlp)进行升维,以减少特征损失,本发明为了进一步减少特征损失,对车底三维数据进行两次升维。
再进一步地,所述步骤S302中局部特征的x维向量的表达式如下:
SLf={SLf1,SLf2,...,SLfx}
其中,SLf表示局部特征的x维向量,SLfx表示局部特征的x维向量的第x个特征值;
所述全局特征的x维向量的表达式如下:
SGf={SGf1,SGf2,...,SGfx}
其中,SGf表示全局特征的x维向量,SGfx表示全局特征的x维向量的第x个特征值。
再进一步地,所述步骤S303中归一化处理后的局部特征的表达式如下:
所述归一化处理后的全局特征的表达式如下:
再进一步地,所述步骤S303中融合特征的表达式如下:
wL+wG=1
上述进一步方案的有益效果是:为了消除特征之间由于量级不同而导致的影响。
再进一步地,所述步骤S4包括以下步骤:
S401、利用三维扫描仪获取待识别物体的三维模型,并利用最大值对称函数提取待识别物体三维模型的全局特征;
S402、虚拟一个由若干个等边三角形组成且能包含整个待识别物体的三维模型的球体,并以每个等边三角形的中心为基准获取待识别物体的三维模型三维多边形网格的局部视图;
S403、提取待识别物体的三维模型三维多边形网格的局部视图的局部特征,并与所述待识别物体的三维模型全局特征进行融合,构建模型库特征描述集;
S404、根据所述步骤S3中的融合特征与所述模型库特征描述集中的特征,利用最近算法FLANN进行特征匹配,并将匹配的特征进行分组;
S405、利用预设的阈值剔除不在分组内的特征,识别出三维目标识别,完成车底安检系统中的异物三维检测。
上述进一步方案的有益效果是:为了尽可能充分提取车底三维数据特征,使特征点尽可能均匀分布,从而提高目标识别率。
附图说明
图1为本发明的系统结构示意图。
图2为本实施例中车辆底盘异物三维检测框架示意图。
图3为本发明的方法流程图。
图4为本实施例中全局特征提取示意图。
图5为本实施例中特征融合示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
实施例1
如图1所示,本发明提供了一种车底安检系统中的异物三维检测系统,包括依次连接的车底三维数据采集模块、车底三维数据预处理模块、特征选择与提取模块以及异物识别模块;所述车底三维数据采集模块,用于获取车底三维数据;所述车底三维数据预处理模块,用于利用改进的自适应阈值算法对所述车底三维数据进行预处理;所述特征选择与提取模块,用于分别提取经预处理后的车底三维数据的全局特征和局部特征,并融合所述全局特征和局部特征,得到融合特征;所述异物识别模块,用于获取待识别物体的三维模型,并根据所述待识别的三维模型对所述融合特征进行三维目标识别,完成车底安检系统中的异物三维检测。
本实施例中,如图2所示,三维数据采集为后续各项工作提供准确及时的数据来源;车底三维数据预处理主要是对采集到的三维数据进行精简滤波,去除其中包含的杂质点、离群点等异常点,从而提升后续处理效率;特征的选择与提取为后续的异物检测提供了依据,特征选择与提取的好坏直接影响了三维检测的结果;异物识别部分在处理后的三维数据上进行目标识别。
本实施例中,利用深度相机获取车底三维数据;利用改进的自适应阈值算法对车底三维数据进行预处理;分别提取经预处理后的车底三维数据的全局特征和局部特征,并融合全局特征和局部特征,得到融合特征;利用三维扫描仪获取待识别物体的三维模型,并利用最大值对称函数提取待识别物体三维模型的全局特征;虚拟一个由若干个等边三角形组成且能包含整个待识别物体的三维模型的球体,并以每个等边三角形的中心为基准获取待识别物体的三维模型三维多边形网格的局部视图;提取待识别物体的三维模型三维多边形网格的局部视图的局部特征,并与待识别物体的三维模型全局特征进行融合,构建模型库特征描述集;根据融合特征与模型库特征描述集中的特征,利用最近算法FLANN进行特征匹配,并将匹配的特征进行分组;利用预设的阈值剔除不在分组内的特征,识别出三维目标识别,完成车底安检系统中的异物三维检测。
实施例2
如图3所示,本发明提供了一种车底安检系统中的异物三维检测方法,其实现方法如下:
S1、获取车底三维数据;
本实施例中,车底三维数据采集部分选用深度相机对车辆底盘进行三维数据的采集,为了能够使得所采集到的三维数据具有更高的可靠性,在使用相机采集三维数据之前对相机进行标定是十分必要的。为此,考虑的实际环境中光照、噪声等环境因素的影响,为了能够更为精确的对相机进行标定,选用梯形立体标定块来对相机进行标定,从而获得最为可靠的原始三维数据信息。
S2、利用改进的自适应阈值算法对车底三维数据进行预处理,其实现方法如下:
S201、在车底三维数据中随机抽取三组车底三维数据,构建初始映射模型,并保持随机抽样的三组车底三维数据的匹配点对全为初始映射模型的内点个数N;
S202、利用剩余的车底三维数据的匹配点对初始映射模型进行逐一验证,并统计经验证后的初始映射模型的内点个数n;
S203、判断内点个数n是否大于内点个数N,若是,则将内点个数n设为最优内点个数,并计算得到验证后的初始映射模型的内点率,以及利用内点率更新迭代阈值,并进入步骤S204,否则,直接进入步骤S204;
S204、判断抽样次数是否大于等于迭代阈值,若是,则得到最优的映射模型,并利用最优映射模型去除车底三维数据的异常点,完成对车底三维数据进行预处理,并进入步骤S3,否则,返回步骤S202,并设初始映射模型的内点个数n为最优内点个数。
本实施例中,在保证点车底三维数据真实性的前提下所采集的车底三维数据依然会存在毛刺、离群点等异常点,这些异常点将会大大提高点车底三维数据处理的计算量,降低车底三维数据处理效率。因此,能够在不影响车底三维有效数据的前提下去除其中的异常点将是提高点车底三维数据处理效率的关键性问题。
本发明针对车底三维数据中存在的噪声、毛刺及离群点等异常数据,在传统预处理方法,如随机采样一致性滤波、kd-tree等算法的基础上对算法中存在的迭代次数不可控、计算复杂度高等问题提出一种改进后自适合方法,该方法能够在高速有效的去除异常数据时也能够很好的保证有效数据不被影响。RANSAC算法是在全部N组数据中循环随机抽取3组数据来估算数据集间的映射模型,为了保证在置信概率P下全部的随机抽样中至少有1组全是内点,即一次抽样的3组匹配点对全为本次抽样所得模型的内点,抽样次数M和内点率ε需满足:
(1-ε3)M=1-P (1)
对任意一个初始映射模型,将所有剩余的匹配点对该模型进行逐一验证,并统计通过该模型的点的个数n。如果n大于之前抽样最优样本的内点个数N,则将此次抽样所得内点个数n设为最优,并计算内点率:
ε=N/T (2)
其中,T为总的车底三维数据,然后根据式(1)更新迭代阈值M的值,在抽样次数C大于迭代阈值M时结束循环,得到最优的映射模型,利用最优映射模型去除车底三维数据的异常点,完成对车底三维数据进行预处理。
S3、分别提取经预处理后的车底三维数据的全局特征和局部特征,并融合全局特征和局部特征,得到融合特征,其实现方法如下:
S301、对经预处理后的车底三维数据进行升维处理,并利用最大值对称函数提取车底三维数据的全局特征;
S302、提取经预处理后的车底三维数据的局部特征,并将局部特征进行升维处理,使其与全局特征的维度一致;
S303、分别对全局特征的x维向量以及局部特征的x维向量按照最大到最小原则进行归一化处理;
S304、将经归一化处理后的全局特征和局部特征进行融合,得到融合特征。
本实施例中,特征提取是车底三维数据目标识别的一个重要步骤,特征提取的好坏很大程度上决定了目标识别结果的好坏。但是在实际环境下会存在遮挡或拍摄角度不合适等问题,这些问题都会对特征提取造成较大的干扰。本发明针对目前单种车底三维数据特征提取方法普遍存在的通过单一特征进行检测时误检率较高的问题,通过对多种车底三维数据特征提取方法提取出的特征点进行融合校正,从而进一步保证提取出的特征点的可靠性,为后续的车底三维数据目标识别提供坚实可靠的基础。
(1)全局特征提取
针对无序车底三维数据而言,本发明采用最大值对称函数提取车底三维数据全局特征,其函数表达式如式1所示。
SGf=G(mlp[T(x1)],mlp[T(x2],...,mlp[T(xn)]) (3)
上式中,其中,SGf表示提取的全局特征,xi表示车底三维数据中的第i个内点,且i=1,2,...,n,T(xi)表示经非线性变化后处于同一坐标系下的车底三维数据,mlp[·]表示经多层感知机升维后的车底三维数据,G(·)表示最大值对称函数,该函数提取车底三维数据中每个维度上的最大值,并将之整合为一个全局特征。但是G(·)仅仅只是考虑到了x、y、z三个维度上的最大值,会导致较大的特征损失,所以在提取特征之前对车底三维数据中的每个点通过多层感知机(mlp)进行升维,以减少特征损失,本发明为了进一步减少特征损失,对车底三维数据进行两次升维。特征提取如图4所示。
(2)局部特征提取
全局特征在存在遮挡的情况下其表现较差。局部特征在车底三维数据中包含量较多,且特征间相关度较小,因此为了提高算法适应度,本发明采用SIFT特征作为局部特征。
(3)特征融合
特征融合主要是将上面提取出的局部特征和全局特征进行融合,从而得到一个全新的特征。由于SIFT特征与最大值特征的特征维度不同,所以需要对提取出的SIFT特征通过mlp进行特征升维。接着再对局部特征和全局特征进行融合,首先提取局部特征和全局特征,针对每个三维模型的库集来说,分别可以得到表示局部特征和全局特征相似度的x维向量SLf和SGf,其中
SLf={SLf1,SLf2,...,SLfx} (4)
SGf={SGf1,SGf2,...,SGfx} (5)
然后,对归一化后的局部特征和全局特征采用加权求和规则融合,即:
式中,wL和wG为加权值,且wL+wG=1。
本实施例中,wL和wG可以通过加权值训练网络进行训练获得,将式(8)得到的融合特征输入支持向量机(SVM)中进行分类训练,得到一个最佳的分类模型,并根据其分类模型得到加权值wL和wG。
S4、对融合特征进行三维目标识别,完成车底安检系统中的异物三维检测,如图5所示,其实现方法如下:
S401、利用三维扫描仪获取待识别物体的三维模型,并利用最大值对称函数提取待识别物体三维模型的全局特征;
S402、虚拟一个由若干个等边三角形组成且能包含整个待识别物体的三维模型的球体,并以每个等边三角形的中心为基准获取待识别物体的三维模型三维多边形网格的局部视图;
S403、提取待识别物体的三维模型三维多边形网格的局部视图的局部特征,并与待识别物体的三维模型全局特征进行融合,构建模型库特征描述集;
S404、根据步骤S3中的融合特征与模型库特征描述集中的特征,利用最近算法FLANN进行特征匹配,并将匹配的特征进行分组;
S405、利用预设的阈值剔除不在分组内的特征,识别出三维目标识别,完成车底安检系统中的异物三维检测。
本实施例中,在实际场景使用深度相机来待识别物体的三维模型,目的是识别出深度相机中的三维目标。在训练样本阶段,把三维网格表示的物体模型均匀地分割成点云数据,每个点云数据都表示物体的一个局部表面,用于模拟深度相机的输入,因为深度相机一次只能重建物体的一个局部表面。具体做法是,虚拟一种深度相机,将它们均匀地布置在一个足够包含整个模型的球体表面上,每个相机只获得三维模型的一个局部点云数据视图。实际过程中,为了得到这个球体,算法先从正二十面体的一个面开始,用4个等边三角形分割这个三角形面。针对每一个面,重复前面的做法,直到达到想要的分割的到三角形数量。分割完三角形的数量代表了使用多少三角形来逼近球体,在得到的每一个三角形重心布置一个虚拟相机,通过采样显示卡中深度缓存数据来得到模型三维多边形网格一个局部视图。这个过程包含了两个重要参数:一是模型球形的三角形数量;二是每个深度缓存的分辨率。当每个模型的局部视图都获取完成对每个视图计算它们的特征,产生模型库特征描述集。同时,还可以保存每个采样视图的坐标相对整体模型的刚体转换矩阵,以便用于几何连续性检测。
本实施例中,当获得当前场景与模型库中每一个模型的特征描述之后,采用FLANN算法来快速计算场景特征与模型库中的特征的最近邻匹配并对应分组,由于存在一个场景中包含多个目标的情况,采用场景的特征描述与模型库中的每一个目标的特征匹配,这样如果场景中包含了多个目标也会被匹配出来。通过设置阈值剔除那些远离特征空间的对应组。最后,对于每个对应分组都将通过强制检测它们之间的几何连续性来剔除不符合要求的对应组。通过假设模型中目标与场景中的目标之间的转换是刚体的,模型库中的每一个目标的对应集分成不同的子集组,每个子集保持场景中模型的一个特定的旋转及平移矩阵。
本发明通过以上设计,相较于人工检测方法具有更高的检测效率,能降低错检率低。相较于二维图像检测方法受环境影响低,在光照条件受限、目标距离较远的条件下有更好的检测结果。能更好的保存车辆底盘的空间信息、纹理信息等,能够更为直观的体现出车底异物在三维空间中的位置信息。
Claims (8)
1.一种车底安检系统中的异物三维检测系统,其特征在于,包括依次连接的车底三维数据采集模块、车底三维数据预处理模块、特征选择与提取模块以及异物识别模块;
所述车底三维数据采集模块,用于获取车底三维数据;
所述车底三维数据预处理模块,用于利用改进的自适应阈值算法对所述车底三维数据进行预处理;
所述特征选择与提取模块,用于分别提取经预处理后的车底三维数据的全局特征和局部特征,并融合所述全局特征和局部特征,得到融合特征;
其具体为:
对所述经预处理后的车底三维数据进行升维处理,并利用最大值对称函数提取车底三维数据的全局特征;
提取经预处理后的车底三维数据的局部特征,并将所述局部特征进行升维处理,使其与所述全局特征的维度一致;
分别对所述全局特征的x维向量以及局部特征的x维向量按照最大到最小原则进行归一化处理;
将经归一化处理后的全局特征和局部特征进行融合,得到融合特征;
所述异物识别模块,用于获取待识别物体的三维模型,并根据所述待识别的三维模型对所述融合特征进行三维目标识别,完成车底安检系统中的异物三维检测。
2.一种车底安检系统中的异物三维检测方法,其特征在于,包括以下步骤:
S1、获取车底三维数据;
S2、利用改进的自适应阈值算法对所述车底三维数据进行预处理;
S3、分别提取经预处理后的车底三维数据的全局特征和局部特征,并融合所述全局特征和局部特征,得到融合特征;
所述步骤S3包括以下步骤:
S301、对所述经预处理后的车底三维数据进行升维处理,并利用最大值对称函数提取车底三维数据的全局特征;
S302、提取经预处理后的车底三维数据的局部特征,并将所述局部特征进行升维处理,使其与所述全局特征的维度一致;
S303、分别对所述全局特征的x维向量以及局部特征的x维向量按照最大到最小原则进行归一化处理;
S304、将经归一化处理后的全局特征和局部特征进行融合,得到融合特征;
S4、获取待识别物体的三维模型,并根据所述待识别的三维模型对所述融合特征进行三维目标识别,完成车底安检系统中的异物三维检测。
3.根据权利要求2所述的车底安检系统中的异物三维检测方法,其特征在于,所述步骤S2包括以下步骤:
S201、在所述车底三维数据中随机抽取三组车底三维数据,构建初始映射模型,并保持随机抽样的三组车底三维数据的匹配点对全为所述初始映射模型的内点个数N;
S202、利用剩余的车底三维数据的匹配点对所述初始映射模型进行逐一验证,并统计经验证后的初始映射模型的内点个数n;
S203、判断所述内点个数n是否大于所述内点个数N,若是,则将所述内点个数n设为最优内点个数,并计算得到验证后的初始映射模型的内点率,以及利用所述内点率更新迭代阈值,并进入步骤S204,否则,直接进入步骤S204;
S204、判断抽样次数是否大于等于迭代阈值,若是,则得到最优的映射模型,并利用所述最优映射模型去除所述车底三维数据的异常点,完成对所述车底三维数据进行预处理,并进入步骤S3,否则,返回步骤S202,并设所述初始映射模型的内点个数n为所述最优内点个数。
4.根据权利要求2所述的车底安检系统中的异物三维检测方法,其特征在于,所述步骤S301中提取全局特征的表达式如下:
SGf=G(mlp[T(x1)],mlp[T(x2],...,mlp[T(xn)])
其中,SGf表示提取的全局特征,xi表示车底三维数据中的第i个内点,且i=1,2,...,n,T(xi)表示经非线性变化后处于同一坐标系下的车底三维数据,G(·)表示最大值对称函数,mlp[·]表示经多层感知机升维后的车底三维数据。
5.根据权利要求2所述的车底安检系统中的异物三维检测方法,其特征在于,所述步骤S302中局部特征的x维向量的表达式如下:
SLf={SLf1,SLf2,...,SLfx}
其中,SLf表示局部特征的x维向量,SLfx表示局部特征的x维向量的第x个特征值;
所述全局特征的x维向量的表达式如下:
SGf={SGf1,SGf2,...,SGfx}
其中,SGf表示全局特征的x维向量,SGfx表示全局特征的x维向量的第x个特征值。
8.根据权利要求2所述的车底安检系统中的异物三维检测方法,其特征在于,所述步骤S4包括以下步骤:
S401、利用三维扫描仪获取待识别物体的三维模型,并利用最大值对称函数提取待识别物体三维模型的全局特征;
S402、虚拟一个由若干个等边三角形组成且能包含整个待识别物体的三维模型的球体,并以每个等边三角形的中心为基准获取待识别物体的三维模型三维多边形网格的局部视图;
S403、提取待识别物体的三维模型三维多边形网格的局部视图的局部特征,并与所述待识别物体的三维模型全局特征进行融合,构建模型库特征描述集;
S404、根据所述步骤S3中的融合特征与所述模型库特征描述集中的特征,利用最近算法FLANN进行特征匹配,并将匹配的特征进行分组;
S405、利用预设的阈值剔除不在分组内的特征,识别出三维目标识别,完成车底安检系统中的异物三维检测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110133330.8A CN113009590B (zh) | 2021-02-01 | 2021-02-01 | 一种车底安检系统中的异物三维检测系统及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110133330.8A CN113009590B (zh) | 2021-02-01 | 2021-02-01 | 一种车底安检系统中的异物三维检测系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113009590A CN113009590A (zh) | 2021-06-22 |
CN113009590B true CN113009590B (zh) | 2022-04-08 |
Family
ID=76385494
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110133330.8A Active CN113009590B (zh) | 2021-02-01 | 2021-02-01 | 一种车底安检系统中的异物三维检测系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113009590B (zh) |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103984961A (zh) * | 2014-05-30 | 2014-08-13 | 成都西物信安智能系统有限公司 | 一种用于检测车底异物的图像检测方法 |
CN104509102A (zh) * | 2012-07-27 | 2015-04-08 | 日产自动车株式会社 | 三维物体检测装置和异物检测装置 |
CN105761305A (zh) * | 2016-02-05 | 2016-07-13 | 北京铁道工程机电技术研究所有限公司 | 一种车辆行驶检测方法及系统 |
CN107194991A (zh) * | 2017-05-17 | 2017-09-22 | 西南科技大学 | 一种基于骨架点局域动态更新的三维全局可视化监控系统构建方法 |
JP6293960B1 (ja) * | 2017-08-10 | 2018-03-14 | 善郎 水野 | 衝突回避支援システム |
CN207851329U (zh) * | 2018-01-29 | 2018-09-11 | 泉州安达电子有限公司 | 一种新型汽车底盘安全检查扫描成像系统 |
CN109283592A (zh) * | 2018-11-26 | 2019-01-29 | 河北工业大学 | 车辆底盘检测系统和车辆底盘检测方法 |
CN110942110A (zh) * | 2019-12-31 | 2020-03-31 | 新奥数能科技有限公司 | 一种三维模型的特征提取方法和装置 |
CN111524232A (zh) * | 2020-04-23 | 2020-08-11 | 网易(杭州)网络有限公司 | 三维建模方法、装置和服务器 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10324226B2 (en) * | 2017-02-23 | 2019-06-18 | Witricity Corporation | Foreign object detection using infared sensing |
DE102017130897A1 (de) * | 2017-12-21 | 2019-06-27 | Pilz Gmbh & Co. Kg | Verfahren zum Bestimmen von Entfernungsinformation aus einer Abbildung eines Raumbereichs |
CN110648361B (zh) * | 2019-09-06 | 2022-01-11 | 深圳市华汉伟业科技有限公司 | 一种三维目标物体的实时位姿估计方法及定位抓取系统 |
-
2021
- 2021-02-01 CN CN202110133330.8A patent/CN113009590B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104509102A (zh) * | 2012-07-27 | 2015-04-08 | 日产自动车株式会社 | 三维物体检测装置和异物检测装置 |
CN103984961A (zh) * | 2014-05-30 | 2014-08-13 | 成都西物信安智能系统有限公司 | 一种用于检测车底异物的图像检测方法 |
CN105761305A (zh) * | 2016-02-05 | 2016-07-13 | 北京铁道工程机电技术研究所有限公司 | 一种车辆行驶检测方法及系统 |
CN107194991A (zh) * | 2017-05-17 | 2017-09-22 | 西南科技大学 | 一种基于骨架点局域动态更新的三维全局可视化监控系统构建方法 |
JP6293960B1 (ja) * | 2017-08-10 | 2018-03-14 | 善郎 水野 | 衝突回避支援システム |
CN207851329U (zh) * | 2018-01-29 | 2018-09-11 | 泉州安达电子有限公司 | 一种新型汽车底盘安全检查扫描成像系统 |
CN109283592A (zh) * | 2018-11-26 | 2019-01-29 | 河北工业大学 | 车辆底盘检测系统和车辆底盘检测方法 |
CN110942110A (zh) * | 2019-12-31 | 2020-03-31 | 新奥数能科技有限公司 | 一种三维模型的特征提取方法和装置 |
CN111524232A (zh) * | 2020-04-23 | 2020-08-11 | 网易(杭州)网络有限公司 | 三维建模方法、装置和服务器 |
Non-Patent Citations (2)
Title |
---|
A Sensorless Conductive Foreign Object Detection for Inductive Electric Vehicle Charging Systems Based on Resonance Frequency Deviation;Masood Moghaddami;《2018 IEEE Industry Applications Society Annual Meeting (IAS)》;20181129;全文 * |
基于深度学习的动车组运行安全图像异物检测;周雯 等;《交通信息与安全》;20191228;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113009590A (zh) | 2021-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106356757B (zh) | 一种基于人眼视觉特性的电力线路无人机巡检方法 | |
Yang et al. | Visual perception enabled industry intelligence: state of the art, challenges and prospects | |
CN111428748B (zh) | 一种基于hog特征和svm的红外图像绝缘子识别检测方法 | |
CN103824070B (zh) | 一种基于计算机视觉的快速行人检测方法 | |
CN108230237B (zh) | 一种用于电气设备在线检测的多光谱图像重构方法 | |
CN111767882A (zh) | 一种基于改进yolo模型的多模态行人检测方法 | |
CN103279765B (zh) | 基于图像匹配的钢丝绳表面损伤检测方法 | |
Merad et al. | Fast people counting using head detection from skeleton graph | |
CN110298226B (zh) | 一种毫米波图像人体携带物的级联检测方法 | |
CN105518709A (zh) | 用于识别人脸的方法、系统和计算机程序产品 | |
CN104299260A (zh) | 一种基于sift和lbp的点云配准的接触网三维重建方法 | |
CN106650580A (zh) | 基于图像处理的货架快速清点方法 | |
CN106529441B (zh) | 基于模糊边界分片的深度动作图人体行为识别方法 | |
CN108010065A (zh) | 低空目标快速检测方法及装置、存储介质及电子终端 | |
Fan et al. | Registration of multiresolution remote sensing images based on L2-siamese model | |
CN108345835B (zh) | 一种基于仿复眼感知的目标识别方法 | |
CN111353385B (zh) | 一种基于掩膜对齐与注意力机制的行人再识别方法和装置 | |
CN111091071B (zh) | 基于探地雷达双曲波拟合的地下目标检测方法及系统 | |
CN112668557A (zh) | 一种行人再识别系统中防御图像噪声攻击的方法 | |
CN114169425B (zh) | 训练目标跟踪模型和目标跟踪的方法和装置 | |
CN110969101A (zh) | 一种基于hog和特征描述子的人脸检测与跟踪方法 | |
Chen et al. | Fresh tea sprouts detection via image enhancement and fusion SSD | |
CN111881803B (zh) | 一种基于改进YOLOv3的畜脸识别方法 | |
CN113009590B (zh) | 一种车底安检系统中的异物三维检测系统及方法 | |
CN112598032A (zh) | 面向红外图像对抗攻击的多任务防御模型构建方法 |
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 |