CN116092013A - 一种用于智慧监控的危险路况识别方法 - Google Patents
一种用于智慧监控的危险路况识别方法 Download PDFInfo
- Publication number
- CN116092013A CN116092013A CN202310203485.3A CN202310203485A CN116092013A CN 116092013 A CN116092013 A CN 116092013A CN 202310203485 A CN202310203485 A CN 202310203485A CN 116092013 A CN116092013 A CN 116092013A
- Authority
- CN
- China
- Prior art keywords
- point
- water drop
- background
- pixel
- acquiring
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 40
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims abstract description 167
- 238000013528 artificial neural network Methods 0.000 claims description 8
- 238000001514 detection method Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000004422 calculation algorithm Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 238000012549 training Methods 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
- G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/255—Detecting or recognising potential candidate objects based on visual cues, e.g. shapes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/764—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects
- G06V10/765—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using classification, e.g. of video objects using rules for classification or partitioning the feature space
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/82—Arrangements for image or video recognition or understanding using pattern recognition or machine learning using neural networks
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Databases & Information Systems (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域,具体涉及一种用于智慧监控的危险路况识别方法。该方法包括:获取下雨天智慧监控实时采集的多张道路图像,获取其中的边缘像素点及其对应的邻域像素点,将每个边缘像素点对应的邻域像素点分为第二边缘像素点、第一背景像素点以及第二背景像素点的三个类别,基于每个类别内的像素点判断中心点是否为真实边缘点,进而得到疑似水滴区域,根据每个疑似水滴区域及其邻近水滴区域获取置信度,根据置信度得到水滴区域;去除每张道路图像中的水滴区域并拼接得到实际道路图像,根据实际道路图像进行危险路况的识别;提高了危险路况识别的准确度。
Description
技术领域
本发明涉及图像数据处理技术领域,具体涉及一种用于智慧监控的危险路况识别方法。
背景技术
在恶劣环境下,智慧监控拍摄出来的图像往往很容易受到外界因素的干扰,例如在下雨天时,当雨下的过大时可能会导致雨水遮挡摄像头视线,或者拍摄得到的道路图像中存在较多的雨滴,使得拍摄的道路图像无法真实的反映道路信息,进而导致利用道路图像输入神经网络进行危险路况识别的结果精度较低。
发明内容
为了解决上述技术问题,本发明的目的在于提供一种用于智慧监控的危险路况识别方法,该方法包括以下步骤:
获取下雨天智慧监控实时采集的多张道路图像,对每张所述道路图像进行灰度化处理得到灰度图像;
对所述灰度图像进行canny检测得到边缘像素点,以每个边缘像素点为中心点得到其对应的邻域像素点,根据每个邻域像素点与所述中心点之间的欧式距离以及灰度差值得到聚类距离,根据所述聚类距离得到邻域像素点中的第二边缘像素点;根据第二边缘像素点得到邻域像素点中的第一背景像素点和第二背景像素点;
获取每个第一背景像素点对应的优选值,优选值最大的第一背景像素点为最优第一背景点;获取每个第二背景像素点对应的优选值,优选值最大的第二背景像素点为最优第二背景点;根据所述中心点、最优第一背景点以及最优第二背景点将所述中心点对应的邻域像素点划分为三个类别,基于每个类别内的像素点得到所述中心点的真实概率,当所述真实概率大于真实阈值时,所述中心点为真实边缘点;
根据所有的真实边缘点获取多个疑似水滴区域,获取每个疑似水滴区域对应的邻近水滴区域,基于每个疑似水滴区域对应的所有邻近水滴区域获取疑似水滴区域的置信度,当所述置信度大于置信阈值时,所述疑似水滴区域为水滴区域;
将多张道路图像中的水滴区域去除并进行拼接得到实际道路图像,将所述实际道路图像输入神经网络得到道路的危险路况类别。
优选的,所述根据每个邻域像素点与所述中心点之间的欧式距离以及灰度差值得到聚类距离的步骤,包括:
获取每个邻域像素点与所述中心点之间的欧式距离最大值;
对于任意邻域像素点:
获取邻域像素点与所述中心点的欧式距离与所述欧式距离最大值的第一比值;
获取邻域像素点与所述中心点对应灰度值的较大值;计算邻域像素点与所述中心点的灰度差值与所述较大值的第二比值;
所述第一比值与所述第二比值的乘积为所述聚类距离。
优选的,所述根据所述聚类距离得到邻域像素点中的第二边缘像素点的步骤,包括:
计算每个邻域像素点与所述中心点之间的聚类距离;
设置距离阈值,所述聚类距离小于距离阈值时对应的邻域像素点为第二边缘像素点。
优选的,所述根据第二边缘像素点得到邻域像素点中的第一背景像素点和第二背景像素点的步骤,包括:
对于任意一个中心点:
连接与中心点相邻的第二边缘像素点以得到一条边缘线段,获取所述边缘线段的两个端点,将两个端点相连得到特征直线;
以中心点为起点作垂直于特征直线的垂线,所述垂线与特征直线相交于一点,根据中心点和交点得到特征向量和特征向量;
所述特征向量的方向的邻域像素点为第一背景像素点,所述特征向量的方向的邻域像素点为第二背景像素点。
优选的,所述获取每个第一背景像素点对应的优选值的步骤,包括:
对于第一背景像素点w:
获取第一背景像素点对应的3*3邻域内的像素点,计算3*3邻域内的每个像素点与第一背景像素点之间的灰度值差异,以得到对应的灰度差异均值,以所述灰度差异均值的负数作为幂指数,以自然常数e为底构建第一指数函数;
获取第一背景区域中除第一背景像素点w之外的每个第一背景像素点与第一背景像素点w之间的欧式距离,计算所有第一背景像素点对应的欧式距离的和,以欧式距离的和的负数作为幂指数,以自然常数e为底构建第二指数函数;
对所述第一指数函数与所述第二指数函数进行加权求和得到第一背景像素点w的优选值。
优选的,所述根据所述中心点、最优第一背景点以及最优第二背景点将所述中心点对应的邻域像素点划分为三个类别的步骤,包括:
分别获取每个邻域像素点与所述中心点、最优第一背景点以及最优第二背景点之间的聚类距离;
根据所述聚类距离,以所述中心点、最优第一背景点以及最优第二背景点作为最优聚类中心点进行聚类得到三个类别。
优选的,所述基于每个类别内的像素点得到所述中心点的真实概率的步骤,包括:
获取每个类别内像素点的灰度均值,计算每两个类别对应的灰度均值的差值结果,根据所述差值结果得到概率;
对所述概率进行优化得到所述中心点的真实概率。
优选的,所述对所述概率进行优化得到所述中心点的真实概率的步骤,包括:
获取每个中心点的预设范围的邻域内的边缘像素点的数量,获取邻域内每个边缘像素点与所述中心点之间的欧式距离,选取所有边缘像素点对应的欧式距离的最大值;
获取邻域每个边缘像素点与所述中心点之间欧式距离的距离比值,根据所述距离比值得到第二距离比值,所述第二距离比值与所述距离比值的求和为1;计算邻域内每个边缘像素点对应的概率与所述第二距离比值的乘积记为概率乘积,获取邻域内所有边缘像素点对应的概率乘积的平均值;
所述平均值与所述中心点对应的概率之间的乘积为所述真实概率。
优选的,所述基于每个疑似水滴区域对应的所有邻近水滴区域获取疑似水滴区域的置信度的步骤,包括:
获取疑似水滴区域中的直线与特征点,计算每个所述特征点与所述直线之间的欧式距离,获取所有特征点对应的欧式距离的平均值,以欧式距离的平均值的负数作为幂指数,以自然常数e为底构建第三指数函数;
获取疑似水滴区域与其对应的每个邻近水滴区域之间的形状相似度;计算每个邻近水滴区域与疑似水滴区域的欧式距离,以及疑似水滴区域中像素点的灰度均值与其邻近水滴区域中像素点的灰度均值的差值绝对值;
以疑似水滴区域Q为例,根据疑似水滴区域Q对应的第三指数函数、形状相似度、欧式距离以及差值绝对值得到置信度,置信度的计算为:
其中,表示疑似水滴区域Q对应的置信度;表示疑似水滴区域Q与其对应的第个邻近水滴区域之间的形状相似度;表示疑似水滴区域Q与其对应的第个邻近水滴区域之间的欧式距离;表示疑似水滴区域Q与其对应的所有邻近水滴区域之间欧式距离的最大值;表示疑似水滴区域Q中所有像素点的灰度均值;表示疑似水滴区域Q的第个邻近水滴区域中所有像素点的灰度均值;表示疑似水滴区域Q的所有邻近水滴区域的数量;表示疑似水滴区域Q中所有特征点的数量;表示疑似水滴区域Q中第个特征点到直线的欧式距离。
优选的,所述获取疑似水滴区域中的直线与特征点的步骤,包括:
将疑似水滴区域视为多条水平线段,获取水平线段上每个像素点对应的特征概率,基于所述特征概率得到每条水平线段的特征点;
以第一个所述特征点为起点作竖直方向的直线得到所述直线;
其中,每个像素点的特征概率的获取方法为:以水平线段上任意像素点为目标点,分别获取所述目标点在对应水平线段上的两侧的像素点数量,以得到两侧的灰度均值;以两侧灰度均值的差值的负数作为幂指数,以自然常数e为底数构建第四指数函数;计算两侧的像素点数量的差值,根据所述第四指数函数与两侧的像素点数量的差值的比值得到所述目标点的特征概率。
本发明具有如下有益效果:本发明实施例中通过对下雨天智慧监控采集的道路图像进行分析,获取道路图像中的边缘像素点,以每个边缘像素点的邻域像素点对每个边缘像素点的真实性进行分析,通过邻域像素点与边缘像素点之间的欧式距离和灰度差值得到聚类距离,进而初步聚类得到所有的第二边缘像素点,相较于只依靠欧式距离进行聚类的方法更加可靠;进一步根据第二边缘像素点获取第一背景像素点和第二背景像素点,获取每个第一背景像素点和每个第二背景像素点对应的优选值得到最优第一背景点和最优第二背景点,进而进行再次聚类得到每个边缘像素点对应的三个类别,聚类的结果更加准确;根据三个类别中的像素点得到每个边缘像素点的真实概率从而判断真实边缘点,基于真实边缘点得到疑似水滴区域,并根据疑似水滴区域与其邻近水滴区域获取置信度,考虑到周围区域的影响,使得基于置信度判断的结果更加具有说服力,最终得到所有的水滴区域并进行去除,进而得到去除水滴影响的实际道路图像,根据实际道路图像识别出的危险路况更加精确。
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和优点,下面将对实施例或现有技术描述中所需要使用的附图作简单的介绍,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它附图。
图1为本发明一个实施例所提供的一种用于智慧监控的危险路况识别方法流程图。
具体实施方式
为了更进一步阐述本发明为达成预定发明目的所采取的技术手段及功效,以下结合附图及较佳实施例,对依据本发明提出的一种用于智慧监控的危险路况识别方法,其具体实施方式、结构、特征及其功效,详细说明如下。在下述说明中,不同的“一个实施例”或“另一个实施例”指的不一定是同一实施例。此外,一或多个实施例中的特定特征、结构或特点可由任何合适形式组合。
除非另有定义,本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。
本申请适用于在雨天场景下进行道路的危险路况识别;下面结合附图具体的说明本发明所提供的一种用于智慧监控的危险路况识别方法的具体方案。
请参阅图1,其示出了本发明一个实施例提供的一种用于智慧监控的危险路况识别方法流程图,该方法包括以下步骤:
步骤S100,获取下雨天智慧监控实时采集的多张道路图像,对每张道路图像进行灰度化处理得到灰度图像。
在下雨天对道路表面的凹坑、裂缝等危险路况进行识别时,由于雨滴往往会对智慧监控拍摄到的图像造成遮挡,从而会导致道路信息缺失,因此需要对图像中的雨滴进行去除。
具体的,本发明实施例中通过智慧监控中的摄像设备实时采集下雨天的多张道路图像,智慧监控上可布置气象设备或者环境设备完成雨天的判断;实时采集的道路图像为RGB图像,为了便于后续分析,将道路图像进行灰度化处理得到对应的灰度图像;灰度化处理时可采用加权灰度化的方法,加权灰度化的方法为现有公知技术,不再赘述。
步骤S200,对灰度图像进行canny检测得到边缘像素点,以每个边缘像素点为中心点得到其对应的邻域像素点,根据每个邻域像素点与中心点之间的欧式距离以及灰度差值得到聚类距离,根据聚类距离得到邻域像素点中的第二边缘像素点;根据第二边缘像素点得到邻域像素点中的第一背景像素点和第二背景像素点。
由于雨天拍摄得到的图像的干扰因素较多,尤其是雨滴的干扰,因此需要识别出灰度图像中的雨滴区域,对雨滴区域进行去除。
具体的,首先对步骤S100中得到的每张灰度图像进行canny检测,从而得到每张灰度图像中的边缘像素点,由于灰度图像的质量不佳,因此检测出来的边缘像素点的精度较低,可能存在干扰边缘像素点或者是存在实际边缘像素点未被检测出来,故需要对检测出来的边缘像素点进行分析。
考虑到边缘像素点的邻域中可能存在其他边缘像素点,也可能存在其他的背景像素点,因此对每个边缘像素点的邻域像素点进行分析,以每个边缘像素点作为一个中心点,获取该中心点对应的邻域像素点,本发明实施例中设置邻域范围为7*7,即得到每个中心点对应的7*7大小的窗口中的像素点为该中心点的邻域像素点;根据每个中心点对应的所有邻域像素点进行聚类分析,本发明实施例中设置聚类的类别为3,分别记为第二边缘像素点、第一背景像素点以及第二背景像素点;传统的k-means聚类算法中的聚类中心往往是随机选取,聚类距离直接由欧式距离计算,聚类的效率较低且效果较差,因此本发明实施例中对k-means聚类算法的聚类中心和聚类距离均进行自适应选取。
首先,以中心点为例进行分析,将中心点作为一个初始聚类中心点,计算每个邻域像素点与该初始聚类中心点之间的聚类距离,聚类距离的计算为:
其中,表示聚类距离;表示第个邻域像素点与初始聚类中心点之间的欧式距离;表示所有邻域像素点与初始聚类中心点之间的欧式距离的最大值;表示初始聚类中心点的灰度值;表示第个邻域像素点的灰度值;表示绝对值计算;表示最大值函数。
其中,欧式距离的计算公式为:
其中,表示第个邻域像素点与初始聚类中心点之间的欧式距离;表示第个邻域像素点的坐标位置;表示初始聚类中心点的坐标位置。
通过增加灰度值的差异对传统的以欧式距离为基准的聚类距离进行优化更新,当邻域像素点与初始聚类中心点之间的欧式距离越大并且灰度差值越大时,该邻域像素点与初始聚类中心点之间的聚类距离越大。
设置距离阈值,当聚类距离小于该距离阈值时,表明邻域像素点与初始聚类中心点之间的聚类距离度量较为接近,将聚类距离小于距离阈值的邻域像素点标记为第二边缘像素点。
作为优选,本发明实施例中将距离阈值设置为0.1。
然后,获取每个中心点对应的所有邻域像素点中的第二边缘像素点,基于第二边缘像素点获取中心点对应的邻域像素点中的第一背景像素点和第二背景像素点。
连接与中心点相邻的第二边缘像素点形成边缘线段,即:当中心点的八邻域中存在第二边缘像素点时,连接该中心点与第二边缘像素点,进一步将此时的第二边缘像素点与其邻域范围内的第二边缘像素点继续连接,以得到一条边缘线段。
需要说明的是,当中心点的八邻域范围内存在多个第二边缘像素点时,则此时会得到多条边缘线段,选取最长的边缘线段进行后续分析。
获取边缘线段的两个端点,利用直线连接两个端点得到边缘线段对应的特征直线;以中心点为起点作垂直于特征直线的垂线,该垂线与特征直线相交于一点,由此可得到特征向量和特征向量;特征向量的方向的邻域像素点为第一背景像素点,特征向量的方向的邻域像素点为第二背景像素点,由此得到第一背景区域和第二背景区域。
基于获取中心点对应的第二边缘像素点、第一背景区域以及第二背景区域相同的方法,获取其他中心点对应的第二边缘像素点、第一背景区域以及第二背景区域。
步骤S300,获取每个第一背景像素点对应的优选值,优选值最大的第一背景像素点为最优第一背景点;获取每个第二背景像素点对应的优选值,优选值最大的第二背景像素点为最优第二背景点;根据中心点、最优第一背景点以及最优第二背景点将中心点对应的邻域像素点划分为三个类别,基于每个类别内的像素点得到中心点的真实概率,当真实概率大于真实阈值时,中心点为真实边缘点。
由步骤S200中根据特征向量和特征向量对第一背景区域和第二背景区域的初步划分较为粗略,存在较大的误差,因此本发明实施例中在初步划分的基础上利用聚类算法再次进行第一背景区域和第二背景区域的划分。
首先,在初步划分的第一背景区域和第二背景区域中选取最优聚类中心;以初始划分的第一背景区域为例,以该第一背景区域中的第一背景像素点w为例进行分析;获取该第一背景像素点w对应的3*3邻域内的像素点,计算第一背景像素点w与其3*3邻域内的像素点的灰度值差异;获取第一背景区域中除了第一背景像素点w之外的其他像素点与第一背景像素点w之间的欧式距离,根据欧式距离以及灰度值差异获取第一背景像素点w为最优聚类中心点的优选值,优选值的计算为:
其中,表示优选值;表示第一背景像素点w对应的灰度值;表示第一背景像素点w对应的3*3邻域中第个像素点的灰度值;表示第一背景区域中所有第一背景像素点的数量;表示第一背景区域中除了第一背景像素点w以外的像素点数量;表示第一背景区域中除了第一背景像素点w之外的第个像素点与第一背景像素点w之间的欧式距离;表示权重参数;表示自然常数。
第一背景像素点与其3*3邻域内的像素点的灰度差异越大,表明其余周围像素点的颜色偏差较大,对应的优选值越小;第一背景区域中其他像素点与第一背景像素点之间的欧式距离越大,对应的优选值越小;第一背景像素点w对应的优选值越大,表明该第一背景像素点w可作为最优聚类中心点的优选可能越大,第一背景像素点w越应该作为最优聚类中心点进行聚类计算。
然后,获取第一背景区域中每个第一背景像素点对应的优选值,选取其中优选值最大的第一背景像素点作为最优第一背景点。
需要说明的是,当第一背景区域中优选值最大时的第一背景像素点存在多个,则计算这多个第一背景像素点之间的欧式距离,并获取每个第一背景像素点与其他第一背景像素点的欧式距离的累加和,累加和最小时对应的第一背景像素点为最优第一背景点。
基于与获取第一背景区域中最优第一背景点相同的方法,获取第二背景区域中最优第二背景点,最优第一背景点和最优第二背景点均为最优聚类中心点。
至此得到了每个中心点对应的三个最优聚类中心点,分别为:中心点、中心点邻域的最优第一背景点以及中心点邻域的最优第二背景点;根据每个中心点以及该中心点邻域的最优第一背景点和最优第二背景点进行聚类得到中心点对应的三个类别,三个类别区域分别为:第二边缘区域、第一背景区域以及第二背景区域;由此对每个中心点对应的第一背景区域和第二背景区域进行较为准确的划分。
需要说明的是,聚类过程中的聚类距离的获取方法与步骤S200中得到的聚类距离方法一致。
进一步的,基于每个中心点对应的三个类别的像素点进行中心点为真实边缘点的概率的获取,概率的获取方法为:
其中,表示中心点对应的概率;表示中心点对应的第一背景区域中所有第一背景像素点的灰度均值;表示中心点对应的第二背景区域中所有第二背景像素点的灰度均值;表示中心点对应的第二边缘区域中所有第二边缘像素点的灰度均值;表示最大值函数。
中心点对应的三个类别区域之间的灰度均值差异越大,则表明该中心点越可能为真实边缘点。考虑到边缘像素点往往不是独立的,其与周围的边缘像素点存在一定的关联性,为提高真实边缘点的识别精度,根据每个中心点与其邻域其他边缘像素点之间的联系对概率进行优化,得到真实概率,以中心点为例,中心点的真实概率为:
其中,表示中心点的真实概率;表示中心点的概率;表示中心点的7*7邻域内的边缘像素点的数量;表示中心点的7*7邻域内的第个边缘像素点的概率;表示中心点的7*7邻域内的第个边缘像素点与中心点之间的欧式距离;表示中心点的7*7邻域内的边缘像素点与中心点的欧式距离最大值。
当优化后得到的真实概率的值越大,表明对应的中心点越可能为真实边缘点;本发明实施例中通过设置真实阈值进行真实边缘点的判断,当中心点对应的真实概率大于真实阈值时,该中心点为真实边缘点;反之,当中心点对应的真实概率不大于真实阈值时,该中心点为干扰边缘点。
作为优选,本发明实施例中设置真实阈值为0.9。
以此类推,对所有的边缘像素点作为中心点时的真实概率进行计算,得到所有的真实边缘点。
步骤S400,根据所有的真实边缘点获取多个疑似水滴区域,获取每个疑似水滴区域对应的邻近水滴区域,基于每个疑似水滴区域对应的所有邻近水滴区域获取疑似水滴区域的置信度,当置信度大于置信阈值时,疑似水滴区域为水滴区域。
由步骤S300对所有的边缘像素点进行区分得到对应的真实边缘点,连接所有相邻的真实边缘点即可得到多个疑似水滴区域,进而对每个疑似水滴区域进行后续分析。获取每个疑似水滴区域对应的特征点,根据特征点可获取该疑似水滴区域对应的形状特征,以判断该疑似水滴区域是否为真正的水滴区域。
具体的,将每个疑似水滴区域视为多条水平线段,对每条水平线段上的像素点进行分析从而选取特征点,以水平线段上待分析的像素点作为目标点,统计水平线段上目标点的左侧的像素点数量,以及水平线段上目标点的右侧的像素点数量;根据目标点对应的左侧的像素点的灰度均值和右侧的像素点的灰度均值计算该目标点可作为特征点的特征概率,特征概率的具体计算为:
其中,表示特征概率;表示水平线段上该目标点左侧的像素点数量;表示水平线段上该目标点右侧的像素点数量;表示水平线段上该目标点左侧的第个像素点对应的灰度值;表示水平线段上该目标点右侧的第个像素点对应的灰度值;表示自然常数;表示调节参数,可以为一个极小的正数,以避免分母为0。
对于任意一个像素点,该像素点两侧的像素点数量越接近,且该像素点两侧的像素点的灰度均值越接近时,该像素点对应的特征概率越大,该像素点越可能为对应水平线段的特征点。
以此类推,获取每个水平线段上每个像素点的特征概率,选取特征概率最大的像素点为该水平线段的特征点;进而获取每个疑似水滴区域的每条水平线段对应的特征点。
以第一条水平线段对应的特征点为起始点作竖直方向的直线,计算每条水平线段上特征点与该直线之间的欧式距离,获取所有水平线段的特征点与该直线的欧式距离之和,欧式距离之和越大,说明该疑似水滴区域越不对称,其为真实的水滴区域的可能性越小;在实际下雨的场景下拍摄的图像中,水滴往往是聚集且较为相似度,因此获取每个疑似水滴区域的多个邻近水滴区域,本发明实施例中邻近水滴区域的获取方法是:设置半径阈值,半径阈值由实施者自行设定;以疑似水滴区域为中心,根据半径阈值构建外围区域,该外围区域中包括的像素点所在的疑似水滴区域均为中心疑似水滴区域的邻近水滴区域;根据每个疑似水滴区域对应的邻近水滴区域以及欧式距离之和得到该疑似水滴区域的置信度,以疑似水滴区域Q为例,其对应的置信度的计算为:
其中,表示疑似水滴区域Q对应的置信度;表示疑似水滴区域Q与其对应的第个邻近水滴区域之间的形状相似度,本发明实施例中形状相似度通过形状上下文匹配算法进行获取,形状上下文匹配算法为公知技术,不再赘述;表示疑似水滴区域Q与其对应的第个邻近水滴区域之间的欧式距离;表示疑似水滴区域Q与其对应的所有邻近水滴区域之间欧式距离的最大值;表示疑似水滴区域Q中所有像素点的灰度均值;表示疑似水滴区域Q的第个邻近水滴区域中所有像素点的灰度均值;表示疑似水滴区域Q的所有邻近水滴区域的数量;表示疑似水滴区域Q中所有特征点的数量;表示疑似水滴区域Q中第个特征点到直线的欧式距离; 表示疑似水滴区域Q中所有特征点到直线的欧式距离的和;表示自然常数。
当疑似水滴区域Q对应的特征点与直线之间的欧式距离之和越大时,该疑似水滴区域Q为水滴区域的置信度越小;当疑似水滴区域Q与其邻近水滴区域之间的形状相似度越大时,说明两个区域的形状相似,则疑似水滴区域Q为真实水滴区域的可能性越大,即置信度越大;当疑似水滴区域Q与其邻近水滴区域之间的灰度均值差值越小,表明两个区域的灰度情况越接近,且两个区域之间的欧式距离越近时,对应疑似水滴区域Q为水滴区域的置信度越大。
对每个疑似水滴区域的置信度进行归一化处理,本发明实施例中通过设置置信阈值对疑似水滴区域进行分析,当疑似水滴区域的置信度大于置信阈值时,该疑似水滴区域为水滴区域;反之,当疑似水滴区域的置信度小于置信阈值时,该疑似水滴区域为干扰区域;对灰度图像中所有的疑似水滴区域进行分析得到所有的水滴区域。
作为优选,本发明实施例中设置置信阈值为0.95。
步骤S500,将多张道路图像中的水滴区域去除并进行拼接得到实际道路图像,将实际道路图像输入神经网络得到道路的危险路况类别。
由步骤S400中得到每张道路图像对应的灰度图像中的所有水滴区域,完成了对水滴区域的精准识别,由于水滴之间会存在一定的间隙,间隙处往往是实际的道路区域,因此对每个道路图像中的水滴区域进行去除,然后对去除水滴区域之后的道路图像进行拼接从而得到完整的实际道路图像。
将当前场景下获取的实际道路图像输入危险路况识别神经网络中以得到危险路况类别,危险路况识别神经网络的实质是分类神经网络,损失函数为交叉熵损失函数,具体训练过程以及应用过程为公知技术,不再赘述。
综上所述,本发明实施例中通过对下雨天智慧监控采集的道路图像进行分析,首先对道路图像对应的灰度图像进行边缘检测得到其中的边缘像素点,对每个边缘像素点的邻域像素点进行分析,将其邻域像素点划分为第二边缘像素点、第一背景像素点以及第二背景像素点;基于欧式距离以及灰度值获取每个第一背景像素点和第二背景像素点对应的优选值,进而根据优选值得到第一背景像素点中的最优第一背景点以及第二背景像素点中最优第二背景点;基于每个边缘像素点及其对应的最优第一背景点和最优第二背景点进行聚类得到三个类别,也即是将边缘像素点的邻域像素点划分为三个类别区域;根据每个类别区域的像素点特征获取边缘像素点对应的真实概率,判断边缘像素点是否为真实边缘点;根据所有的真实边缘点获取疑似水滴区域,通过对疑似水滴区域以及其邻近水滴区域获取每个疑似水滴区域的置信度,进而得到所有的水滴区域;通过对每张道路图像中的水滴区域进行去除并拼接,得到实际道路图像,将实际道路图像输入危险路况识别神经网络得到危险路况类别,去除了道路图像中雨滴的干扰,提高了对道路危险路况识别的准确性。
需要说明的是:上述本发明实施例先后顺序仅仅为了描述,不代表实施例的优劣。另外,在附图中描绘的过程不一定要求示出的特定顺序或者连续顺序才能实现期望的结果。在某些实施方式中,多任务处理和并行处理也是可以的或者可能是有利的。
本说明书中的各个实施例均采用递进的方式描述,各个实施例之间相同相似的部分互相参见即可,每个实施例重点说明的都是与其他实施例的不同之处。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,凡在本发明的原则之内,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 (10)
1.一种用于智慧监控的危险路况识别方法,其特征在于,该方法包括以下步骤:
获取下雨天智慧监控实时采集的多张道路图像,对每张所述道路图像进行灰度化处理得到灰度图像;
对所述灰度图像进行canny检测得到边缘像素点,以每个边缘像素点为中心点得到其对应的邻域像素点,根据每个邻域像素点与所述中心点之间的欧式距离以及灰度差值得到聚类距离,根据所述聚类距离得到邻域像素点中的第二边缘像素点;根据第二边缘像素点得到邻域像素点中的第一背景像素点和第二背景像素点;
获取每个第一背景像素点对应的优选值,优选值最大的第一背景像素点为最优第一背景点;获取每个第二背景像素点对应的优选值,优选值最大的第二背景像素点为最优第二背景点;根据所述中心点、最优第一背景点以及最优第二背景点将所述中心点对应的邻域像素点划分为三个类别,基于每个类别内的像素点得到所述中心点的真实概率,当所述真实概率大于真实阈值时,所述中心点为真实边缘点;
根据所有的真实边缘点获取多个疑似水滴区域,获取每个疑似水滴区域对应的邻近水滴区域,基于每个疑似水滴区域对应的所有邻近水滴区域获取疑似水滴区域的置信度,当所述置信度大于置信阈值时,所述疑似水滴区域为水滴区域;
将多张道路图像中的水滴区域去除并进行拼接得到实际道路图像,将所述实际道路图像输入神经网络得到道路的危险路况类别。
2.根据权利要求1所述的一种用于智慧监控的危险路况识别方法,其特征在于,所述根据每个邻域像素点与所述中心点之间的欧式距离以及灰度差值得到聚类距离的步骤,包括:
获取每个邻域像素点与所述中心点之间的欧式距离最大值;
对于任意邻域像素点:
获取邻域像素点与所述中心点的欧式距离与所述欧式距离最大值的第一比值;
获取邻域像素点与所述中心点对应灰度值的较大值;计算邻域像素点与所述中心点的灰度差值与所述较大值的第二比值;
所述第一比值与所述第二比值的乘积为所述聚类距离。
3.根据权利要求1所述的一种用于智慧监控的危险路况识别方法,其特征在于,所述根据所述聚类距离得到邻域像素点中的第二边缘像素点的步骤,包括:
计算每个邻域像素点与所述中心点之间的聚类距离;
设置距离阈值,所述聚类距离小于距离阈值时对应的邻域像素点为第二边缘像素点。
4.根据权利要求1所述的一种用于智慧监控的危险路况识别方法,其特征在于,所述根据第二边缘像素点得到邻域像素点中的第一背景像素点和第二背景像素点的步骤,包括:
对于任意一个中心点 :
连接与中心点相邻的第二边缘像素点以得到一条边缘线段,获取所述边缘线段的两个端点,将两个端点相连得到特征直线;
以中心点为起点作垂直于特征直线的垂线,所述垂线与特征直线相交于一点,根据中心点和交点得到特征向量和特征向量;
所述特征向量的方向的邻域像素点为第一背景像素点,所述特征向量的方向的邻域像素点为第二背景像素点。
5.根据权利要求1所述的一种用于智慧监控的危险路况识别方法,其特征在于,所述获取每个第一背景像素点对应的优选值的步骤,包括:
对于第一背景像素点w:
获取第一背景像素点对应的3*3邻域内的像素点,计算3*3邻域内的每个像素点与第一背景像素点之间的灰度值差异,以得到对应的灰度差异均值,以所述灰度差异均值的负数作为幂指数,以自然常数e为底构建第一指数函数;
获取第一背景区域中除第一背景像素点w之外的每个第一背景像素点与第一背景像素点w之间的欧式距离,计算所有第一背景像素点对应的欧式距离的和,以欧式距离的和的负数作为幂指数,以自然常数e为底构建第二指数函数;
对所述第一指数函数与所述第二指数函数进行加权求和得到第一背景像素点w的优选值。
6.根据权利要求1所述的一种用于智慧监控的危险路况识别方法,其特征在于,所述根据所述中心点、最优第一背景点以及最优第二背景点将所述中心点对应的邻域像素点划分为三个类别的步骤,包括:
分别获取每个邻域像素点与所述中心点、最优第一背景点以及最优第二背景点之间的聚类距离;
根据所述聚类距离,以所述中心点、最优第一背景点以及最优第二背景点作为最优聚类中心点进行聚类得到三个类别。
7.根据权利要求1所述的一种用于智慧监控的危险路况识别方法,其特征在于,所述基于每个类别内的像素点得到所述中心点的真实概率的步骤,包括:
获取每个类别内像素点的灰度均值,计算每两个类别对应的灰度均值的差值结果,根据所述差值结果得到概率;
对所述概率进行优化得到所述中心点的真实概率。
8.根据权利要求7所述的一种用于智慧监控的危险路况识别方法,其特征在于,所述对所述概率进行优化得到所述中心点的真实概率的步骤,包括:
获取每个中心点的预设范围的邻域内的边缘像素点的数量,获取邻域内每个边缘像素点与所述中心点之间的欧式距离,选取所有边缘像素点对应的欧式距离的最大值;
获取邻域每个边缘像素点与所述中心点之间欧式距离的距离比值,根据所述距离比值得到第二距离比值,所述第二距离比值与所述距离比值的求和为1;计算邻域内每个边缘像素点对应的概率与所述第二距离比值的乘积记为概率乘积,获取邻域内所有边缘像素点对应的概率乘积的平均值;
所述平均值与所述中心点对应的概率之间的乘积为所述真实概率。
9.根据权利要求1所述的一种用于智慧监控的危险路况识别方法,其特征在于,所述基于每个疑似水滴区域对应的所有邻近水滴区域获取疑似水滴区域的置信度的步骤,包括:
获取疑似水滴区域中的直线与特征点,计算每个所述特征点与所述直线之间的欧式距离,获取所有特征点对应的欧式距离的平均值,以欧式距离的平均值的负数作为幂指数,以自然常数e为底构建第三指数函数;
获取疑似水滴区域与其对应的每个邻近水滴区域之间的形状相似度;计算每个邻近水滴区域与疑似水滴区域的欧式距离,以及疑似水滴区域中像素点的灰度均值与其邻近水滴区域中像素点的灰度均值的差值绝对值;
以疑似水滴区域Q为例,根据疑似水滴区域Q对应的第三指数函数、形状相似度、欧式距离以及差值绝对值得到置信度,置信度的计算为:
其中,表示疑似水滴区域Q对应的置信度;表示疑似水滴区域Q与其对应的第个邻近水滴区域之间的形状相似度;表示疑似水滴区域Q与其对应的第个邻近水滴区域之间的欧式距离;表示疑似水滴区域Q与其对应的所有邻近水滴区域之间欧式距离的最大值;表示疑似水滴区域Q中所有像素点的灰度均值;表示疑似水滴区域Q的第个邻近水滴区域中所有像素点的灰度均值;表示疑似水滴区域Q的所有邻近水滴区域的数量;表示疑似水滴区域Q中所有特征点的数量;表示疑似水滴区域Q中第个特征点到直线的欧式距离。
10.根据权利要求9所述的一种用于智慧监控的危险路况识别方法,其特征在于,所述获取疑似水滴区域中的直线与特征点的步骤,包括:
将疑似水滴区域视为多条水平线段,获取水平线段上每个像素点对应的特征概率,基于所述特征概率得到每条水平线段的特征点;
以第一个所述特征点为起点作竖直方向的直线得到所述直线;
其中,每个像素点的特征概率的获取方法为:以水平线段上任意像素点为目标点,分别获取所述目标点在对应水平线段上的两侧的像素点数量,以得到两侧的灰度均值;以两侧灰度均值的差值的负数作为幂指数,以自然常数e为底数构建第四指数函数;计算两侧的像素点数量的差值,根据所述第四指数函数与两侧的像素点数量的差值的比值得到所述目标点的特征概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310203485.3A CN116092013B (zh) | 2023-03-06 | 2023-03-06 | 一种用于智慧监控的危险路况识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310203485.3A CN116092013B (zh) | 2023-03-06 | 2023-03-06 | 一种用于智慧监控的危险路况识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116092013A true CN116092013A (zh) | 2023-05-09 |
CN116092013B CN116092013B (zh) | 2023-06-09 |
Family
ID=86187011
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310203485.3A Active CN116092013B (zh) | 2023-03-06 | 2023-03-06 | 一种用于智慧监控的危险路况识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116092013B (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310354A (zh) * | 2023-05-24 | 2023-06-23 | 青岛海关技术中心 | 基于红外图像处理的漂浮危化品识别方法 |
CN116485794A (zh) * | 2023-06-19 | 2023-07-25 | 济南幼儿师范高等专科学校 | 用于虚拟声乐教学的面部图像分析方法 |
CN116580032A (zh) * | 2023-07-14 | 2023-08-11 | 青岛西海岸城市建设集团有限公司 | 一种用于道路施工的质量监控方法 |
CN116824516A (zh) * | 2023-08-30 | 2023-09-29 | 中冶路桥建设有限公司 | 一种涉路施工安全监测及管理系统 |
CN117169121A (zh) * | 2023-09-05 | 2023-12-05 | 南京交科数智科技发展有限公司 | 一种基于云边端架构的交通道路病害检测系统及方法 |
CN117392465A (zh) * | 2023-12-08 | 2024-01-12 | 聚真宝(山东)技术有限公司 | 一种基于视觉的垃圾分类数字化管理方法 |
CN117912289A (zh) * | 2024-03-19 | 2024-04-19 | 西安九天数智信息科技有限公司 | 一种基于图像识别的车辆群行驶预警方法、装置及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011232193A (ja) * | 2010-04-28 | 2011-11-17 | Denso Corp | 雨滴検出方法およびそれを用いた雨滴検出装置 |
WO2016127883A1 (zh) * | 2015-02-12 | 2016-08-18 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
US20170220890A1 (en) * | 2016-02-02 | 2017-08-03 | Fujitsu Ten Limited | Image processing apparatus |
US20180060676A1 (en) * | 2015-05-06 | 2018-03-01 | Continental Teves Ag & Co. Ohg | Method and device for detecting and evaluating environmental influences and road condition information in the vehicle surroundings |
CN110866593A (zh) * | 2019-11-05 | 2020-03-06 | 西南交通大学 | 一种基于人工智能的高速公路恶劣天气识别方法 |
CN112634611A (zh) * | 2020-12-15 | 2021-04-09 | 北京百度网讯科技有限公司 | 用于识别路况的方法、装置、设备以及存储介质 |
CN114078222A (zh) * | 2020-08-18 | 2022-02-22 | 广达电脑股份有限公司 | 运算装置及视频图像的雨滴去除方法 |
CN114822057A (zh) * | 2022-04-25 | 2022-07-29 | 温州市交投智慧交通科技有限公司 | 一种高速公路智能监控设备及其监控系统 |
-
2023
- 2023-03-06 CN CN202310203485.3A patent/CN116092013B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2011232193A (ja) * | 2010-04-28 | 2011-11-17 | Denso Corp | 雨滴検出方法およびそれを用いた雨滴検出装置 |
WO2016127883A1 (zh) * | 2015-02-12 | 2016-08-18 | 阿里巴巴集团控股有限公司 | 一种图像区域检测方法及装置 |
US20180060676A1 (en) * | 2015-05-06 | 2018-03-01 | Continental Teves Ag & Co. Ohg | Method and device for detecting and evaluating environmental influences and road condition information in the vehicle surroundings |
US20170220890A1 (en) * | 2016-02-02 | 2017-08-03 | Fujitsu Ten Limited | Image processing apparatus |
CN110866593A (zh) * | 2019-11-05 | 2020-03-06 | 西南交通大学 | 一种基于人工智能的高速公路恶劣天气识别方法 |
CN114078222A (zh) * | 2020-08-18 | 2022-02-22 | 广达电脑股份有限公司 | 运算装置及视频图像的雨滴去除方法 |
CN112634611A (zh) * | 2020-12-15 | 2021-04-09 | 北京百度网讯科技有限公司 | 用于识别路况的方法、装置、设备以及存储介质 |
CN114822057A (zh) * | 2022-04-25 | 2022-07-29 | 温州市交投智慧交通科技有限公司 | 一种高速公路智能监控设备及其监控系统 |
Non-Patent Citations (2)
Title |
---|
QI WU ET.AL: "RAINDROP DETECTION AND REMOVAL USING SALIENT VISUAL FEATURES", 《ICIP 2012》, pages 941 - 944 * |
翟玉婷 等: "基于数字图像和支持向量机的交通路况检测", 计算机工程与设计, vol. 34, no. 12, pages 4273 - 4277 * |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116310354A (zh) * | 2023-05-24 | 2023-06-23 | 青岛海关技术中心 | 基于红外图像处理的漂浮危化品识别方法 |
CN116485794A (zh) * | 2023-06-19 | 2023-07-25 | 济南幼儿师范高等专科学校 | 用于虚拟声乐教学的面部图像分析方法 |
CN116485794B (zh) * | 2023-06-19 | 2023-09-19 | 济南幼儿师范高等专科学校 | 用于虚拟声乐教学的面部图像分析方法 |
CN116580032A (zh) * | 2023-07-14 | 2023-08-11 | 青岛西海岸城市建设集团有限公司 | 一种用于道路施工的质量监控方法 |
CN116580032B (zh) * | 2023-07-14 | 2023-09-26 | 青岛西海岸城市建设集团有限公司 | 一种用于道路施工的质量监控方法 |
CN116824516A (zh) * | 2023-08-30 | 2023-09-29 | 中冶路桥建设有限公司 | 一种涉路施工安全监测及管理系统 |
CN116824516B (zh) * | 2023-08-30 | 2023-11-21 | 中冶路桥建设有限公司 | 一种涉路施工安全监测及管理系统 |
CN117169121A (zh) * | 2023-09-05 | 2023-12-05 | 南京交科数智科技发展有限公司 | 一种基于云边端架构的交通道路病害检测系统及方法 |
CN117169121B (zh) * | 2023-09-05 | 2024-01-30 | 南京交科数智科技发展有限公司 | 一种基于云边端架构的交通道路病害检测系统及方法 |
CN117392465A (zh) * | 2023-12-08 | 2024-01-12 | 聚真宝(山东)技术有限公司 | 一种基于视觉的垃圾分类数字化管理方法 |
CN117392465B (zh) * | 2023-12-08 | 2024-03-22 | 聚真宝(山东)技术有限公司 | 一种基于视觉的垃圾分类数字化管理方法 |
CN117912289A (zh) * | 2024-03-19 | 2024-04-19 | 西安九天数智信息科技有限公司 | 一种基于图像识别的车辆群行驶预警方法、装置及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN116092013B (zh) | 2023-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN116092013B (zh) | 一种用于智慧监控的危险路况识别方法 | |
CN115829883B (zh) | 一种异性金属结构件表面图像去噪方法 | |
CN109101924B (zh) | 一种基于机器学习的路面交通标志识别方法 | |
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 | |
CN107945200B (zh) | 图像二值化分割方法 | |
CN115294338A (zh) | 一种叶轮表面缺陷识别方法 | |
CN114972356B (zh) | 塑料制品表面缺陷检测识别方法及系统 | |
CN111539330B (zh) | 一种基于双svm多分类器的变电站数显仪表识别方法 | |
CN113947570B (zh) | 一种基于机器学习算法和计算机视觉的裂纹辨识方法 | |
CN111652213A (zh) | 一种基于深度学习的船舶水尺读数识别方法 | |
CN111898621A (zh) | 一种轮廓形状识别方法 | |
CN114820625B (zh) | 一种汽车顶块缺陷检测方法 | |
CN116137036B (zh) | 基于机器学习的基因检测数据智能处理系统 | |
CN114511770A (zh) | 道路标识标牌识别方法 | |
CN110348307B (zh) | 一种起重机金属结构攀爬机器人的路径边缘识别方法及系统 | |
CN116703932A (zh) | 一种基于卷积注意力机制的CBAM-HRNet模型小麦穗粒分割与计数方法 | |
CN114266893A (zh) | 烟火隐患识别方法和设备 | |
CN116206208B (zh) | 一种基于人工智能的林业病虫害快速分析系统 | |
CN117475327A (zh) | 一种城市中基于遥感图像的多目标检测定位方法和系统 | |
CN115100510B (zh) | 一种轮胎磨损度识别方法 | |
CN111652200A (zh) | 车险案件中从图片区分多车的处理方法、装置及设备 | |
CN109886325B (zh) | 一种非线性颜色空间分类的模板选择与加速匹配方法 | |
CN114677428A (zh) | 基于无人机图像处理的输电线覆冰厚度检测方法 | |
CN115063603A (zh) | 基于边缘信息的木材年轮线精确提取及复原方法 | |
CN113516121A (zh) | 一种多特征融合的非机动车车牌区域定位方法 |
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 |