CN113192136A - 一种基于图像识别的轮船定位跟踪方法 - Google Patents

一种基于图像识别的轮船定位跟踪方法 Download PDF

Info

Publication number
CN113192136A
CN113192136A CN202110435344.5A CN202110435344A CN113192136A CN 113192136 A CN113192136 A CN 113192136A CN 202110435344 A CN202110435344 A CN 202110435344A CN 113192136 A CN113192136 A CN 113192136A
Authority
CN
China
Prior art keywords
ship
image
area
value
tracking method
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
CN202110435344.5A
Other languages
English (en)
Inventor
傅超二
李�学
徐志豪
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.)
Hangzhou Sheng Guan Technology Co ltd
Original Assignee
Hangzhou Sheng Guan Technology Co ltd
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 Hangzhou Sheng Guan Technology Co ltd filed Critical Hangzhou Sheng Guan Technology Co ltd
Priority to CN202110435344.5A priority Critical patent/CN113192136A/zh
Publication of CN113192136A publication Critical patent/CN113192136A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • 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
    • 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
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments

Landscapes

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

Abstract

本发明提供了一种基于图像识别的轮船定位跟踪方法，包括：步骤一、获取包含轮船的图像，并查找船只区域；步骤二、对所述船只区域进行特征提取，获取所述船只区域对应的边缘特征和区域特征；步骤三、将所述边缘特征和区域特征进行预处理，并根据所述边缘特征和所述区域特征计算所述船只在所述图像中的占比特征值；步骤四、将所述占比特征值与标准特征值匹配，并通过相关性分析识别目标船只；步骤五、对所述目标船只进行图像变换，获得目标船只定位信息，通过对船只图像进行预处理及识别能够有效提取图像特征，以实现最大限度地实现船只位置识别。

Description

一种基于图像识别的轮船定位跟踪方法
技术领域
本发明属于图像定位识别技术领域，尤其涉及一种基于图像识别的轮船定位跟踪方法。
背景技术
在对海上船只进行定位追踪时，需要根据图像识别出船只所在位置，近年来，随着人工智能的不断发展，影像图像被作为分析的焦点，通过相应矩阵、数学公式等将图像信息量化为数字信息，从而探索到了肉眼未能发现的规律。图像定位跟踪具有非接触、唯一性等优势，这使得其较于其它识别方式更为安全。因此为提高船只的定位准确性，根据图像对轮船位置进行定位跟踪是很有必要的。
发明内容
本发明提供了一种基于图像识别的轮船定位跟踪方法，通过对船只图像进行预处理及识别能够有效提取图像特征，以实现最大限度地实现船只位置识别。
本发明提供的技术方案为：
一种基于图像识别的轮船定位跟踪方法，包括：
步骤一、获取包含轮船的图像，并查找船只区域；
步骤二、对所述船只区域进行特征提取，获取所述船只区域对应的边缘特征和区域特征；
步骤三、将所述边缘特征和区域特征进行预处理，并根据所述边缘特征和所述区域特征计算所述船只在所述图像中的占比特征值；
步骤四、将所述占比特征值与标准特征值匹配，并通过相关性分析识别目标船只；
步骤五、对所述目标船只进行图像变换，获得目标船只定位信息。
优选的是，所述船只区域的查找包括：
步骤a、对采集的包含轮船的图像进行二值化处理，
Figure BDA0003032753030000021
式中，I(x,y)为(x,y)位置的灰度值，thresh为预设阈值，f(x,y)为二值化后直肠图像(x,y)位置的灰度值；
步骤b、对所述二值化图像进行像素点分割，得到ξ＝m×n个像素点；其中，m为横向像素个数，n为纵向像素个数；
步骤c、对像素点分割后的图像分别进行取反与直方图均衡化操作，从而获得m×n像素大小的预处理的包含轮船的图像；
步骤d、对所述预处理的包含轮船的图像内的像素点进行逐像素滑窗，并计算每个像素点的局部对比度，进而计算全图的加权局部对比度；
步骤e、通过对所述加权局部对比度进行阈值分割即可提取出目标，进而查找并识别处船只区域。
优选的是，所述每个像素点的局部对比度计算公式为：
Figure BDA0003032753030000022
其中，Dh(x，y)为位于(x,y)位置像素点的局部对比度，fs(x,y)为位于(x,y)位置像素点的二值化后灰度均值，f(xc,yc)为像素点的二值化后灰度阈值。
优选的是，所述全图的加权局部对比度计算公式为：
Figure BDA0003032753030000023
其中，RAt为全图的加权局部对比度，m为横向权重，h为纵向权重，Xi-1为第i-1个监控单元与目标位置的距离，
Figure BDA0003032753030000024
优选的是，所述阈值分割计算公式为：
Figure BDA0003032753030000031
其中，fi为阈值分割值，
Figure BDA0003032753030000032
优选的是，所述边缘特征包括：水平偏差、垂直偏差和转动角度。
优选的是，所述区域特征包括：区域强度、区域形状和区域大小。
优选的是，所述占比特征值的计算公式为：
Figure BDA0003032753030000033
其中，Si为占比特征值，m为船只区域像素点个数，n为整个图像像素点个数，k为第k个像素点；Lopt,i(Xk)＝η{(Xk-Xk-1)2-0.43(Xk-Xk-1)+0.94}；η为评价系数；Xk为边缘特征值或区域特征值；
Figure BDA0003032753030000034
标准特征值计算公式为：
Figure BDA0003032753030000035
优选的是，所述相关性分析值计算公式为：
Figure BDA0003032753030000036
其中，Covi为第i个相关性分析值，i＝1,2…n；Si为占比特征值，Si为特征标准值。
优选的是，所述目标船只进行图像变换，包括对所述船只图像进行倍率放大和扩大视场角。
有益效果
本发明提供了一种基于图像识别的轮船定位跟踪方法，通过对船只图像进行预处理及识别能够有效提取图像特征，以实现最大限度地实现船只位置识别。
附图说明
图1为本发明所述的基于图像识别的轮船定位跟踪方法的流程图。
图2为本发明所述的船只区域的查找流程图。
图3为本发明所述的原始船只区域图。
图4为本发明所述的预处理后的原始船只图像。
图5为本发明所述的加权局部对比度图；
图6为本发明所述的目标船只进行图像变换后的船只影像图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式，熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效，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。
需要说明的是，在本发明的描述中，术语“中”、“上”、“下”、“横”、“内”等指示的方向或位置关系的术语是基于附图所示的方向或位置关系，这仅仅是为了便于描述，而不是指示或暗示所述装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
此外，还需要说明的是，在本发明的描述中，除非另有明确的规定和限定，术语“设置”、“安装”、“相连”、“连接”应做广义理解，例如，可以是固定连接，也可以是可拆卸连接，或一体地连接；可以是机械连接；可以是直接相连，也可以通过中间媒介间接相连，可以是两个元件内部的连通。对于本领域技术人员而言，可根据具体情况理解上述术语在本发明中的具体含义。
如图1所示，基于背景技术提出的技术问题，本发明提供了一种基于图像识别的轮船定位跟踪方法，包括：
步骤110、获取包含轮船的图像，并查找船只区域；
步骤120、对所述船只区域进行特征提取，获取所述船只区域对应的边缘特征和区域特征；
步骤130、将所述边缘特征和区域特征进行预处理，并根据所述边缘特征和所述区域特征计算所述船只在所述图像中的占比特征值；
步骤140、将所述占比特征值与标准特征值匹配，并通过相关性分析识别目标船只；
步骤150、对所述目标船只进行图像变换，获得目标船只定位信息。
如图2所示，步骤110中船只区域的查找包括：
步骤111、对采集的包含轮船的图像进行二值化处理，
Figure BDA0003032753030000051
式中，I(x,y)为(x,y)位置的灰度值，thresh为预设阈值，f(x,y)为二值化后直肠图像(x,y)位置的灰度值；
步骤112、对所述二值化图像进行像素点分割，得到ξ＝m×n个像素点；其中，m为横向像素个数，n为纵向像素个数；
步骤113、对像素点分割后的图像分别进行取反与直方图均衡化操作，从而获得m×n像素大小的预处理的包含轮船的图像；
步骤114、对所述预处理的包含轮船的图像内的像素点进行逐像素滑窗，并计算每个像素点的局部对比度，进而计算全图的加权局部对比度；
其中，每个像素点的局部对比度计算公式为：
Figure BDA0003032753030000052
其中，Dh(x，y)为位于(x,y)位置像素点的局部对比度，fs(x,y)为位于(x,y)位置像素点的二值化后灰度均值，f(xc,yc)为像素点的二值化后灰度阈值。
其中，全图的加权局部对比度计算公式为：
Figure BDA0003032753030000053
其中，RAt为全图的加权局部对比度，m为横向权重，h为纵向权重，Xi-1为第i-1个监控单元与目标位置的距离，
Figure BDA0003032753030000061
步骤115、通过对所述加权局部对比度进行阈值分割即可提取出目标，进而查找并识别处船只区域。阈值分割计算公式为：
Figure BDA0003032753030000062
其中，fi为阈值分割值，
Figure BDA0003032753030000063
在另一实施例中，所述边缘特征包括：水平偏差、垂直偏差和转动角度。
在另一实施例中，所述区域特征包括：区域强度、区域形状和区域大小。
优选的是，所述占比特征值的计算公式为：
Figure BDA0003032753030000064
其中，Si为占比特征值，m为船只区域像素点个数，n为整个图像像素点个数，k为第k个像素点；Lopt,i(Xk)＝η{(Xk-Xk-1)2-0.43(Xk-Xk-1)+0.94}；η为评价系数；Xk为边缘特征值或区域特征值；
Figure BDA0003032753030000065
标准特征值计算公式为：
Figure BDA0003032753030000066
优选的是，所述相关性分析值计算公式为：
Figure BDA0003032753030000067
其中，Covi为第i个相关性分析值，i＝1,2…n；Si为占比特征值，Si为特征标准值。
在另一实施例中，所述目标船只进行图像变换，包括对所述船只图像进行倍率放大和扩大视场角；
如图3-6所示，分别为本发明的原始船只区域图。本发明所述的预处理后的原始船只图像。本发明所述的加权局部对比度图；本发明所述的目标船只进行图像变换后的船只影像图；图为了解决现有技术中的上述问题，通过对船只图像进行预处理及识别能够有效提取图像特征，以实现最大限度地实现船只位置识别。
至此，已经结合附图所示的优选实施方式描述了本发明的技术方案，但是，本领域技术人员容易理解的是，本发明的保护范围显然不局限于这些具体实施方式。在不偏离本发明的原理的前提下，本领域技术人员可以对相关技术特征做出等同的更改或替换，这些更改或替换之后的技术方案都将落入本发明的保护范围之内。

Claims (10)

1.一种基于图像识别的轮船定位跟踪方法，其特征在于，包括：
步骤一、获取包含轮船的图像，并查找船只区域；
步骤二、对所述船只区域进行特征提取，获取所述船只区域对应的边缘特征和区域特征；
步骤三、将所述边缘特征和区域特征进行预处理，并根据所述边缘特征和所述区域特征计算所述船只在所述图像中的占比特征值；
步骤四、将所述占比特征值与标准特征值匹配，并通过相关性分析识别目标船只；
步骤五、对所述目标船只进行图像变换，获得目标船只定位信息。
2.根据权利要求1所述的基于图像识别的轮船定位跟踪方法，其特征在于，所述船只区域的查找包括：
步骤a、对采集的包含轮船的图像进行二值化处理，
Figure FDA0003032753020000011
式中，I(x,y)为(x,y)位置的灰度值，thresh为预设阈值，f(x,y)为二值化后直肠图像(x,y)位置的灰度值；
步骤b、对所述二值化图像进行像素点分割，得到ξ＝m×n个像素点；其中，m为横向像素个数，n为纵向像素个数；
步骤c、对像素点分割后的图像分别进行取反与直方图均衡化操作，从而获得m×n像素大小的预处理的包含轮船的图像；
步骤d、对所述预处理的包含轮船的图像内的像素点进行逐像素滑窗，并计算每个像素点的局部对比度，进而计算全图的加权局部对比度；
步骤e、通过对所述加权局部对比度进行阈值分割即可提取出目标，进而查找并识别处船只区域。
3.根据权利要求2所述的基于图像识别的轮船定位跟踪方法，其特征在于，所述每个像素点的局部对比度计算公式为：
Figure FDA0003032753020000012
其中，Dh(x，y)为位于(x,y)位置像素点的局部对比度，fs(x,y)为位于(x,y)位置像素点的二值化后灰度均值，f(xc,yc)为像素点的二值化后灰度阈值。
4.根据权利要求3所述的基于图像识别的轮船定位跟踪方法，其特征在于，所述全图的加权局部对比度计算公式为：
Figure FDA0003032753020000021
其中，RAt为全图的加权局部对比度，m为横向权重，h为纵向权重，Xi-1为第i-1个监控单元与目标位置的距离，
Figure FDA0003032753020000022
5.根据权利要求4所述的基于图像识别的轮船定位跟踪方法，其特征在于，所述阈值分割计算公式为：
Figure FDA0003032753020000023
其中，fi为阈值分割值，
Figure FDA0003032753020000024
6.根据权利要求1所述的基于图像识别的轮船定位跟踪方法，其特征在于，所述边缘特征包括：水平偏差、垂直偏差和转动角度。
7.根据权利要求6所述的基于图像识别的轮船定位跟踪方法，其特征在于，所述区域特征包括：区域强度、区域形状和区域大小。
8.根据权利要求6或7所述的基于图像识别的轮船定位跟踪方法，其特征在于，所述占比特征值的计算公式为：
Figure FDA0003032753020000025
其中，Si为占比特征值，m为船只区域像素点个数，n为整个图像像素点个数，k为第k个像素点；Lopt,i(Xk)＝η{(Xk-Xk-1)2-0.43(Xk-Xk-1)+0.94}；η为评价系数；Xk为边缘特征值或区域特征值；
Figure FDA0003032753020000026
标准特征值计算公式为：
Figure FDA0003032753020000031
9.根据权利要求8所述的基于图像识别的轮船定位跟踪方法，其特征在于，所述相关性分析值计算公式为：
Figure FDA0003032753020000032
其中，Covi为第i个相关性分析值，i＝1,2…n；Si为占比特征值，Si为特征标准值。
10.根据权利要求9所述的基于图像识别的轮船定位跟踪方法，其特征在于，所述目标船只进行图像变换，包括对所述船只图像进行倍率放大和扩大视场角。
CN202110435344.5A 2021-04-22 2021-04-22 一种基于图像识别的轮船定位跟踪方法 Pending CN113192136A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110435344.5A CN113192136A (zh) 2021-04-22 2021-04-22 一种基于图像识别的轮船定位跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110435344.5A CN113192136A (zh) 2021-04-22 2021-04-22 一种基于图像识别的轮船定位跟踪方法

Publications (1)

Publication Number Publication Date
CN113192136A true CN113192136A (zh) 2021-07-30

Family

ID=76978175

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110435344.5A Pending CN113192136A (zh) 2021-04-22 2021-04-22 一种基于图像识别的轮船定位跟踪方法

Country Status (1)

Country Link
CN (1) CN113192136A (zh)

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107705322A (zh) * 2017-09-27 2018-02-16 中北大学 运动目标识别跟踪方法和系统
US20180268559A1 (en) * 2017-03-16 2018-09-20 Electronics And Telecommunications Research Institute Method for tracking object in video in real time in consideration of both color and shape and apparatus therefor
CN108765458A (zh) * 2018-04-16 2018-11-06 上海大学 基于相关滤波的高海况无人艇海面目标尺度自适应跟踪方法
US20190122372A1 (en) * 2017-10-25 2019-04-25 Institute For Information Industry Object detection and tracking method and system
CN111339828A (zh) * 2020-01-19 2020-06-26 华中科技大学同济医学院附属协和医院 基于红外影像和超声多普勒结合的静脉显影识别方法
CN112446241A (zh) * 2019-08-29 2021-03-05 阿里巴巴集团控股有限公司 用于获得目标对象的特征信息的方法、装置及电子设备
CN112507935A (zh) * 2020-12-17 2021-03-16 上海依图网络科技有限公司 一种图像检测的方法及装置

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20180268559A1 (en) * 2017-03-16 2018-09-20 Electronics And Telecommunications Research Institute Method for tracking object in video in real time in consideration of both color and shape and apparatus therefor
CN107705322A (zh) * 2017-09-27 2018-02-16 中北大学 运动目标识别跟踪方法和系统
US20190122372A1 (en) * 2017-10-25 2019-04-25 Institute For Information Industry Object detection and tracking method and system
CN108765458A (zh) * 2018-04-16 2018-11-06 上海大学 基于相关滤波的高海况无人艇海面目标尺度自适应跟踪方法
CN112446241A (zh) * 2019-08-29 2021-03-05 阿里巴巴集团控股有限公司 用于获得目标对象的特征信息的方法、装置及电子设备
CN111339828A (zh) * 2020-01-19 2020-06-26 华中科技大学同济医学院附属协和医院 基于红外影像和超声多普勒结合的静脉显影识别方法
CN112507935A (zh) * 2020-12-17 2021-03-16 上海依图网络科技有限公司 一种图像检测的方法及装置

Similar Documents

Publication Publication Date Title
CN109800629B (zh) 一种基于卷积神经网络的遥感图像目标检测方法
CN107610114B (zh) 基于支持向量机的光学卫星遥感影像云雪雾检测方法
CN104200495B (zh) 一种视频监控中的多目标跟踪方法
CN109740460B (zh) 基于深度残差密集网络的光学遥感图像舰船检测方法
CN111626190A (zh) 基于聚类分区进行刻度识别的水位监测方法
CN116092013B (zh) 一种用于智慧监控的危险路况识别方法
CN109410238B (zh) 一种基于PointNet++网络的枸杞识别计数方法
CN109766886B (zh) 一种基于图像识别的水位识别方法
CN109146918B (zh) 一种基于分块的自适应相关目标定位方法
CN109635726B (zh) 一种基于对称式深度网络结合多尺度池化的滑坡识别方法
CN115311275B (zh) 一种电子元器件表面缺陷检测方法及系统
CN112132157B (zh) 一种基于树莓派的步态人脸融合识别方法
CN110084830B (zh) 一种视频运动目标检测与跟踪方法
CN112364862B (zh) 一种基于直方图相似度的扰动变形汉字图片匹配的方法
CN115082508B (zh) 一种海洋浮标生产质量检测方法
CN108710841A (zh) 一种基于MEMs红外阵列传感器的人脸活体检测装置及方法
CN111539330A (zh) 一种基于双svm多分类器的变电站数显仪表识别方法
CN101976347A (zh) 基于Mean Shift分割的遥感图像中水上桥梁识别方法
CN114255468A (zh) 一种笔迹识别方法及其相关设备
CN110458019B (zh) 稀缺认知样本条件下的排除倒影干扰的水面目标检测方法
CN107045630B (zh) 一种基于rgbd的行人检测和身份识别方法及系统
CN114429649A (zh) 目标图像识别方法及装置
CN113269028B (zh) 一种基于深度卷积神经网络的水体变化检测方法和系统
CN103810487A (zh) 一种海洋航拍图像的目标检测与识别方法及系统
CN113192136A (zh) 一种基于图像识别的轮船定位跟踪方法

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

Application publication date: 20210730