CN116824516B - 一种涉路施工安全监测及管理系统 - Google Patents
一种涉路施工安全监测及管理系统 Download PDFInfo
- Publication number
- CN116824516B CN116824516B CN202311100800.6A CN202311100800A CN116824516B CN 116824516 B CN116824516 B CN 116824516B CN 202311100800 A CN202311100800 A CN 202311100800A CN 116824516 B CN116824516 B CN 116824516B
- Authority
- CN
- China
- Prior art keywords
- edge
- pixel point
- points
- point
- edge pixel
- 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
- 238000012544 monitoring process Methods 0.000 title claims abstract description 28
- 238000010276 construction Methods 0.000 title claims abstract description 23
- 230000008859 change Effects 0.000 claims abstract description 8
- 238000001514 detection method Methods 0.000 claims abstract description 8
- 230000005764 inhibitory process Effects 0.000 claims abstract description 6
- 238000000034 method Methods 0.000 claims description 51
- 238000004458 analytical method Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 15
- 230000001629 suppression Effects 0.000 claims description 12
- 238000009825 accumulation Methods 0.000 claims description 8
- 230000004044 response Effects 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 239000011159 matrix material Substances 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000001788 irregular Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 238000012935 Averaging Methods 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000009430 construction management Methods 0.000 description 1
- 239000004035 construction material Substances 0.000 description 1
- 238000003708 edge detection Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 239000003112 inhibitor Substances 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 208000001491 myopia Diseases 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06395—Quality analysis or management
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/08—Construction
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/75—Organisation of the matching processes, e.g. simultaneous or sequential comparisons of image or video features; Coarse-fine approaches, e.g. multi-scale approaches; using context analysis; Selection of dictionaries
- G06V10/751—Comparing pixel values or logical combinations thereof, or feature values having positional relevance, e.g. template matching
-
- 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
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Multimedia (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Entrepreneurship & Innovation (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Medical Informatics (AREA)
- Databases & Information Systems (AREA)
- General Business, Economics & Management (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及图像数据处理技术领域，提出了一种涉路施工安全监测及管理系统，包括：获取警示图像、模板图像及边缘图像，根据边缘像素点及其周围像素点的灰度值获取边缘像素点的突出程度；对警示图像使用角点检测获取边缘像素点的角点值；对每个边缘像素点获取一个边缘线段，并基于边缘线段内部各像素点的斜率、距离、斜率变化获取边缘像素点的重要性；根据边缘像素点的突出程度、角点值和重要性获取边缘像素点的重要程度，基于重要程度获取抑制因子，并选取特征点；基于特征点不同的特征获取特征点的相似性，获取匹配结果；根据匹配结果完成安全监测。本发明提高了匹配准确性，增加了监测管理的安全性。
Description
技术领域
本发明涉及数据处理技术领域，具体涉及一种涉路施工安全监测及管理系统。
背景技术
道路施工现场存在许多潜在的安全风险和隐患，如机械设备操作不当、工地交通事故、施工材料堆放不当等，涉路施工安全监测的主要目标是确保施工过程中的交通安全，包括车辆、行人和工人的安全。在施工时常常会在工地放置警示牌来使行人规避，但是由于环境因素或人为因素使得警示牌摆放错误，此时就需要一种警示牌监测方法，而常用的监测方法就形状上下文算法，形状上下文算法进行轮廓匹配时，所需像素点数目众多，计算量过大，而且警示牌不同内容的识别精度不同，形状上下文算法无法精确的挑选出合适的特征值，会使得匹配精度较低，监测精度较低。
发明内容
本发明提供一种涉路施工安全监测及管理系统，以解决匹配精度较低的问题，所采用的技术方案具体如下：
本发明一个实施例提供了一种涉路施工安全监测及管理系统，该系统包括以下模块：
图像采集模块，获取警示图像；
突出程度获取模块，获取模板图像，获取警示图像的边缘图像，根据边缘图像中每个边缘像素点及其周围像素点的灰度值获取边缘像素点的突出程度；
重要性获取模块，对警示图像使用角点检测获取每个边缘像素点的角点值；对每个边缘像素点获取一个边缘线段，根据边缘线段内任意两个边缘像素点的斜率和斜率差异获取边缘像素点的复杂程度；根据边缘线段内中心点与其余所有边缘像素点的距离获取边缘线段的不规则程度；根据边缘像素点的复杂程度以及边缘像素点对应的边缘线段的不规则程度获取边缘像素点的重要性；
特征点选取模块，根据每个边缘像素点的突出程度、角点值和重要性获取边缘像素点的重要程度，根据边缘线段内边缘像素点的重要程度以及欧式距离获取边缘像素点的抑制因子；根据每个边缘像素点的抑制因子和重要程度选取特征点；
匹配模块，对每个特征点获取一个圆形极坐标系，并将圆形极坐标系划分为若干区域，根据警示图像和模板图像中特征点在圆形极坐标系中的特征获取特征点的相似性，根据特征点的相似性获取匹配结果；
监测模块，根据匹配结果完成安全监测。
优选的，所述根据边缘图像中每个边缘像素点及其周围像素点的灰度值获取边缘像素点的突出程度的方法为：
对于每个边缘像素点，以边缘像素点为中心在其左侧和右侧各取相邻的预设数量个像素点，将所述预设数量的像素点记为邻近像素点，将边缘像素点和其八邻域所有像素点的灰度值差异的和记为第一累加和，将边缘像素点与其所有邻近像素点的灰度值差异的和记为第二累加和，将所述第一累加和与所述第二累加和相加获取边缘像素点的突出程度。
优选的，所述对警示图像使用角点检测获取每个边缘像素点的角点值的方法为：
对警示图像使用Harris角点检测算法获取每个边缘像素点的响应值，将边缘像素点的响应值的绝对值作为边缘像素点的角点值。
优选的，所述对每个边缘像素点获取一个边缘线段的方法为：
将边缘像素点记为中心像素点，以中心像素点为中心获取两侧的边缘像素点数量相同的边缘线段，若边缘线段其中一侧的边缘像素点数量不足，插入像素点令数量相同，所述插入的像素点的灰度值通过线性插值的方式获取。
优选的，所述根据边缘线段内任意两个边缘像素点的斜率和斜率差异获取边缘像素点的复杂程度的方法为：
式中，表示边缘线段内第h个边缘像素点与第g个边缘像素点的斜率差异，表示边缘线段内第h个边缘像素点与第g个边缘像素点的斜率变化率差异，/>表示边缘线段内边缘像素点的数量，/>表示边缘像素点的复杂程度。
优选的，所述根据边缘线段内中心点与其余所有边缘像素点的距离获取边缘线段的不规则程度的方法为：
将边缘线段内的边缘像素点记为分析像素点；
将分析像素点到中心像素点的距离记为第一距离，将分析像素点相邻最近的两个分析像素点到中心像素点的距离分别记为第二距离和第三距离；
将第一距离与第二距离的差和第一距离与第三距离的差求均值记为第一差异均值；
将边缘线段内分析像素点的第一差异均值与其相邻两个分析像素点的第一差异均值作差后求均值得到每个分析像素点的第二差异均值；
将边缘线段内所有分析像素点的第二差异均值累加获取边缘线段的不规则程度。
优选的，所述根据边缘线段内边缘像素点的重要程度以及欧式距离获取边缘像素点的抑制因子的方法为：
在以边缘像素点为中心像素点的边缘线段内，将重要程度最大的边缘像素点记为最佳像素点，将最佳像素点与其相邻的两个边缘像素点的重要程度作差求均值作为第三差异均值，获取最佳像素点和中心像素点的欧氏距离，根据中心像素点与最佳像素点的欧氏距离、重要程度差异以及第三差异均值获取抑制因子。
优选的，所述根据中心像素点与最佳像素点的欧氏距离、重要程度差异以及第三差异均值获取抑制因子的方法为：
式中，表示最佳像素点的重要程度，/>表示中心像素点的重要程度，表示第三差异均值，/>表示最佳像素点与中心像素点的欧氏距离，/>表示线性归一化函数，/>表示中心像素点的抑制因子。
优选的，所述根据警示图像和模板图像中特征点在圆形极坐标系中的特征获取特征点的相似性的方法为：
将每个特征点在圆形极坐标系中每个区域特征点的数量记为特征数量，将每个特征点在圆形极坐标系中每个区域所有特征点的特征值的和记为特征和，根据警示图像和模板图像中每个特征点在不同区域的特征数量和特征和获取特征点的相似性。
优选的，所述根据警示图像和模板图像中每个特征点在不同区域的特征数量和特征和获取特征点的相似性的方法为：
式中，表示警示图像第z个特征点与模板图像第c个特征点在第区域中特征数量的差异，/>表示警示图像第z个特征点与模板图像第c个特征点在第/>区域中特征和的差异，/>表示划分角度的数量，/>表示划分长度的数量，/>表示以自然常数为底的指数函数，/>表示警示图像第z个特征点与模板图像第c个特征点的相似性。
本发明的有益效果是：本发明通过对边缘像素点所在边缘线段的不规则程度以及边缘像素点周围像素点的复杂度进行分析，得到边缘像素点的重要程度，同时根据边缘像素点之间的重要程度对边缘像素点重要程度进行抑制，使得最终获取的特征点更均匀，更具特征性，大大减少了使用形状上下文算法进行轮廓匹配时的计算量，同时在使用形状上下文进行匹配时，不仅根据像素点周围各个区域内特征像素点的数量差异获取像素点相似度，还根据特征像素点的特征值进行匹配，减少了因为较低特征值的特征像素点的缺失导致的像素点的匹配不准确，增加了形状上下文算法的准确性。使得最终获取的匹配结果更具说服力，更接近真实匹配结果。增加了涉路施工安全标志牌的识别准确性，增加了监测管理系统的安全防护能力。
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，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为本发明一个实施例所提供的一种涉路施工安全监测及管理系统的流程示意图。
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，所描述的实施例仅仅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。
请参阅图1，其示出了本发明一个实施例提供的一种涉路施工安全监测及管理系统流程图，该系统包括：图像采集模块、突出程度获取模块、重要性获取模块、特征点选取模块、匹配模块、监测模块。
图像采集模块，在施工工地上，使用监控摄像机时刻拍摄警示牌所在区域的图像，根据指示牌的摆放位置判断是否需要报警，将使用监控摄像机采集的图像进行加权灰度化得到灰度图像并使用高斯滤波去噪。将去噪后的图像使用语义分割将图像分割，将图像中警示牌的部分标记为1，非警示牌的部分标记为0，神经网络所使用的损失函数是交叉熵损失函数，神经网络的输入为只包含警示牌的图像记为警示图像。
至此，获取了警示图像。
突出程度获取模块，获取涉路施工所需要的所有警示牌，并获取这些警示牌的警示图像作为模板图像，根据不同的实时工地，使用不同警示图作为模板图像，由此获取了模板图像。
由于在图像采集时，可能获取的图像因为拍摄角度等问题出现了变化，故而导致其与模板图像匹配程度低，容易造成匹配不准确或者匹配不上的情况。因此本实施例使用改进的形状上下文算子对警示图像和模板图像进行匹配。
由于警示图像中像素点较多，直接使用形状上下文算法进行匹配时，匹配效率低，因此本实施例首先获取警示图像的边缘像素点，再获取边缘像素点的突出程度，以此来选择特征点，进而减少形状上下文算法的计算量。
具体的，使用Canny算子对警示图像进行边缘检测获取边缘图像，将边缘图像中灰度值为1的像素点记为边缘像素点，在警示图像中，以每个边缘像素点为中心，在其左侧取相邻的4个像素点，在其右侧取相邻的4个像素点，将这些像素点作为邻近像素点，根据每个边缘像素点八邻域像素点的灰度差异以及邻近像素点的灰度差异获取边缘像素点的突出程度，公式如下：
式中，表示边缘像素点与其八邻域中第i个像素点的灰度值差异，/>表示边缘像素点与其对应的第j个邻近像素点的灰度值差异，/>表示边缘像素点的突出程度。当边缘像素点与其八邻域像素点的差异越大时，边缘像素点的突出程度越大，当边缘像素点与其邻近像素点的差异越大时，边缘像素点的突出程度越大。
至此，获取了每个边缘像素点的突出程度。
重要性获取模块，在警示图像中使用Harris角点检测算法，计算每个像素点的响应值，由于角点计算出来为较大的响应值，边缘计算出来响应值也较大但是为负数，此为Harris算法中公知的技术，因此将每个像素点的响应值的绝对值作为像素点的角点值。
在警示图像中越不规则的区域越有可能是该警示图的重要特征区域，因此可以对警示图像边缘像素点周围的边缘点进行分析，获取边缘像素点的重要性。
具体的，由于此时需要分析的是警示图像中的重要特征区域，而边缘检测出噪声点往往是孤立存在的，因此对于每个边缘像素点，以该点为中心，在该边缘像素点所在的边缘线上获取一个长为n的边缘线段，所述边缘线段以一个边缘像素点为中心，两侧的边缘像素点数量相同，若边缘线段其中一侧的边缘像素点数量不足，插入像素点令数量相同，所述插入的像素点的灰度值通过线性插值的方式获取。
获取每个边缘像素点对应的斜率，将边缘像素点与其相邻最近的边缘像素点对应的斜率作差获取边缘像素点的斜率变化率，将每个边缘像素点记为中心像素点，在中心像素点对应的边缘线段内，计算任意一个边缘像素点与其余边缘像素点的斜率差异而后斜率变化率差异，根据斜率差异以及斜率变化率差异获取边缘像素点的复杂程度，公式如下：
式中，表示边缘线段内第h个边缘像素点与第g个边缘像素点的斜率差异，表示边缘线段内第h个边缘像素点与第g个边缘像素点的斜率变化率差异，/>表示边缘线段内边缘像素点的数量，/>表示边缘像素点的复杂程度。当边缘像素点其周围边缘像素点对应斜率差异越大且对应斜率变化率的差异也越大时，则可认为边缘像素点复杂程度越高。
同时根据每个边缘像素点周围像素点到其的距离分析边缘线段的不规则程度，在中心像素点对应的边缘线段内，将边缘线段内的边缘像素点记为分析像素点，获取分析像素点到中心像素点的距离记为第一距离，获取分析像素点相邻最近的两个分析像素点到中心像素点的距离分别记为第二距离和第三距离，将第一距离与第二距离的差和第一距离与第三距离的差求均值记为第一差异均值；获取每个分析像素点的第一差异均值，将边缘线段内分析像素点的第一差异均值与其相邻两个分析像素点的第一差异均值作差后求均值得到每个分析像素点的第二差异均值，第二差异均值反应了分析像素点周围的混乱程度，其值越大，混乱程度越高，基于每个分析像素点的第二差异均值获取边缘线段的不规则程度，公式如下：
式中，表示第b个分析像素点的第二差异均值，/>表示边缘线段中分析像素点的数量，/>表示边缘线段的不规则程度。每个分析像素点的混乱程度越高，其组合而成的边缘线段的不规则性就越高。
根据边缘像素点的复杂程度和不规则程度获取边缘像素点的重要性，公式如下：
式中，表示边缘像素点的复杂程度，/>表示边缘像素点的突出程度，/>表示边缘像素点的重要性。
至此，获取了每个边缘像素点的重要性。
特征点选取模块，根据所得的每个边缘像素点的突出程度、角点值和重要性获取边缘像素点的重要程度，公式如下：
式中，表示边缘像素点的角点值，/>表示边缘像素点的重要性，/>表示边缘像素点的突出程度，/>表示线性归一化函数，此归一化方法可以为其余归一化方法，本实施例仅以此进行说明，/>表示边缘像素点的重要程度。
获取边缘像素点的重要程度后，不能直接根据重要程度选取边缘像素点，因为还需要考虑边缘均匀性的问题，因此需要对边缘像素点加入抑制因子。
在以边缘像素点为中心像素点的边缘线段内，获取重要程度最大的边缘像素点，将其记为最佳像素点，计算最佳像素点与其相邻的两个边缘像素点的重要程度的差异，并计算差异的均值作为第三差异均值，计算最佳像素点与中心像素点的欧氏距离，根据中心像素点与最佳像素点的欧氏距离、重要程度差异以及第三差异均值获取抑制因子，公式如下：
式中，表示最佳像素点的重要程度，/>表示中心像素点的重要程度，表示第三差异均值，/>表示最佳像素点与中心像素点的欧氏距离，/>表示线性归一化函数，/>表示中心像素点的抑制因子。当所求当前像素点与其周围重要程度最大的像素点的重要程度的差异越大，且对应像素点与当前像素点的距离越大，对应像素点与其周围像素点重要性差异也越大，则说明当前像素点对应抑制程度越低。当边缘像素点周围重要程度最高为分析像素点本身时，不进行抑制，即/>。
根据每个边缘像素点的抑制因子选取边缘像素点，令边缘像素点的重要程度和抑制因子作差得到边缘像素点的特征值，若特征值小于等于0，则将此边缘像素点删除，若特征值大于0则将此边缘像素点保留，将保留的像素点记为特征点。
至此，完成了特征点的选取。
匹配模块，获取近视图像中的所有特征点后，使用同样的方式获取模板图像的所有特征点，使用形状上下文算法对警示图像和模板图像进行匹配，首先对每个特征点构建一个圆形极坐标系，将圆形极坐标进行划分得到多个区域，共分为w个角度，长度划分为q，在本实施例中，角度w为8，长度q为5，划分区域为形状上下文现有方法，在此不多做赘述。
获取每个特征点在圆形极坐标系中每个区域特征点的数量记为特征数量，获取每个特征点在圆形极坐标系中每个区域所有特征点的特征值的和记为特征和，根据警示图像中每个特征点与模板图像每个特征点在不同区域的数量和特征值获取两个特征点的相似性，公式如下：
式中，表示警示图像第z个特征点与模板图像第c个特征点在第区域中特征数量的差异，/>表示警示图像第z个特征点与模板图像第c个特征点在第/>区域中特征和的差异，/>表示划分角度的数量，/>表示划分长度的数量，/>表示以自然常数为底的指数函数，/>表示警示图像第z个特征点与模板图像第c个特征点的相似性。
基于此获取警示图像任意一个特征点与模板图像任意一个特征点的相似性，并将所有相似性构成一个相似度量矩阵，基于相似度量矩阵获取模板图像和警示图像的相似性。所述获取相似度量矩阵以及获取图像相似性的过程为形状上下文的公知技术，在此不做赘述。设置相似阈值，在本实施例中令/>，若所求图像的相似性大于相似阈值，那么认为警示图像与模板图像匹配，相反，则认为警示图像与模板图像不匹配，至此获取匹配结果完成匹配。
监测模块，将涉路施工场景下的警示图像与模板图像进行匹配后，若存在匹配结果不匹配时，在涉路施工管理处响起安全警报，完成安全监测。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，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 (5)
1.一种涉路施工安全监测及管理系统，其特征在于，该系统包括以下模块：
图像采集模块，获取警示图像；
突出程度获取模块，获取模板图像，获取警示图像的边缘图像，根据边缘图像中每个边缘像素点及其周围像素点的灰度值获取边缘像素点的突出程度；
重要性获取模块，对警示图像使用角点检测获取每个边缘像素点的角点值；对每个边缘像素点获取一个边缘线段，根据边缘线段内任意两个边缘像素点的斜率和斜率差异获取边缘像素点的复杂程度；根据边缘线段内中心点与其余所有边缘像素点的距离获取边缘线段的不规则程度；根据边缘像素点的复杂程度以及边缘像素点对应的边缘线段的不规则程度获取边缘像素点的重要性；
特征点选取模块，根据每个边缘像素点的突出程度、角点值和重要性获取边缘像素点的重要程度，根据边缘线段内边缘像素点的重要程度以及欧式距离获取边缘像素点的抑制因子；根据每个边缘像素点的抑制因子和重要程度选取特征点；
匹配模块，对每个特征点获取一个圆形极坐标系，并将圆形极坐标系划分为若干区域，根据警示图像和模板图像中特征点在圆形极坐标系中的特征获取特征点的相似性，根据特征点的相似性获取匹配结果；
监测模块，根据匹配结果完成安全监测；
所述对每个边缘像素点获取一个边缘线段的方法为：
将边缘像素点记为中心像素点，以中心像素点为中心获取两侧的边缘像素点数量相同的边缘线段，若边缘线段其中一侧的边缘像素点数量不足，插入像素点令数量相同，插入的像素点的灰度值通过线性插值的方式获取；
所述根据边缘线段内中心点与其余所有边缘像素点的距离获取边缘线段的不规则程度的方法为：
将边缘线段内的边缘像素点记为分析像素点；
将分析像素点到中心像素点的距离记为第一距离，将分析像素点相邻最近的两个分析像素点到中心像素点的距离分别记为第二距离和第三距离；
将第一距离与第二距离的差和第一距离与第三距离的差求均值记为第一差异均值；
将边缘线段内分析像素点的第一差异均值与其相邻两个分析像素点的第一差异均值作差后求均值得到每个分析像素点的第二差异均值；
将边缘线段内所有分析像素点的第二差异均值累加获取边缘线段的不规则程度；
所述根据边缘线段内边缘像素点的重要程度以及欧式距离获取边缘像素点的抑制因子的方法为：
在以边缘像素点为中心像素点的边缘线段内，将重要程度最大的边缘像素点记为最佳像素点，将最佳像素点与其相邻的两个边缘像素点的重要程度作差求均值作为第三差异均值，获取最佳像素点和中心像素点的欧氏距离，根据中心像素点与最佳像素点的欧氏距离、重要程度差异以及第三差异均值获取抑制因子；
所述根据中心像素点与最佳像素点的欧氏距离、重要程度差异以及第三差异均值获取抑制因子的方法为：
式中，表示最佳像素点的重要程度，/>表示中心像素点的重要程度，/>表示第三差异均值，/>表示最佳像素点与中心像素点的欧氏距离，/>表示线性归一化函数，/>表示中心像素点的抑制因子；
所述根据警示图像和模板图像中特征点在圆形极坐标系中的特征获取特征点的相似性的方法为：
将每个特征点在圆形极坐标系中每个区域特征点的数量记为特征数量，将每个特征点在圆形极坐标系中每个区域所有特征点的特征值的和记为特征和，根据警示图像和模板图像中每个特征点在不同区域的特征数量和特征和获取特征点的相似性。
2.根据权利要求1所述的一种涉路施工安全监测及管理系统，其特征在于，所述根据边缘图像中每个边缘像素点及其周围像素点的灰度值获取边缘像素点的突出程度的方法为：
对于每个边缘像素点，以边缘像素点为中心在其左侧和右侧各取相邻的预设数量个像素点，将所述预设数量的像素点记为邻近像素点，将边缘像素点和其八邻域所有像素点的灰度值差异的和记为第一累加和，将边缘像素点与其所有邻近像素点的灰度值差异的和记为第二累加和，将所述第一累加和与所述第二累加和相加获取边缘像素点的突出程度。
3.根据权利要求1所述的一种涉路施工安全监测及管理系统，其特征在于，所述对警示图像使用角点检测获取每个边缘像素点的角点值的方法为：
对警示图像使用Harris角点检测算法获取每个边缘像素点的响应值，将边缘像素点的响应值的绝对值作为边缘像素点的角点值。
4.根据权利要求1所述的一种涉路施工安全监测及管理系统，其特征在于，所述根据边缘线段内任意两个边缘像素点的斜率和斜率差异获取边缘像素点的复杂程度的方法为：
式中，表示边缘线段内第h个边缘像素点与第g个边缘像素点的斜率差异，/>表示边缘线段内第h个边缘像素点与第g个边缘像素点的斜率变化率差异，/>表示边缘线段内边缘像素点的数量，/>表示边缘像素点的复杂程度。
5.根据权利要求1所述的一种涉路施工安全监测及管理系统，其特征在于，所述根据警示图像和模板图像中每个特征点在不同区域的特征数量和特征和获取特征点的相似性的方法为：
式中，表示警示图像第z个特征点与模板图像第c个特征点在第/>区域中特征数量的差异，/>表示警示图像第z个特征点与模板图像第c个特征点在第/>区域中特征和的差异，/>表示划分角度的数量，/>表示划分长度的数量，/>表示以自然常数为底的指数函数，/>表示警示图像第z个特征点与模板图像第c个特征点的相似性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311100800.6A CN116824516B (zh) | 2023-08-30 | 2023-08-30 | 一种涉路施工安全监测及管理系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202311100800.6A CN116824516B (zh) | 2023-08-30 | 2023-08-30 | 一种涉路施工安全监测及管理系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116824516A CN116824516A (zh) | 2023-09-29 |
| CN116824516B true CN116824516B (zh) | 2023-11-21 |
Family
ID=88124359
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202311100800.6A Active CN116824516B (zh) | 2023-08-30 | 2023-08-30 | 一种涉路施工安全监测及管理系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116824516B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117475381B (zh) * | 2023-12-22 | 2024-03-29 | 济宁久邦工程机械设备有限公司 | 一种高空作业平台运行状态实时监测系统 |
| CN117893541B (zh) * | 2024-03-18 | 2024-05-28 | 济南玖通志恒信息技术有限公司 | 一种基于边缘检测的果树叶部花叶病分析方法 |
Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103514448A (zh) * | 2013-10-24 | 2014-01-15 | 北京国基科技股份有限公司 | 船形识别方法和系统 |
| CN109146963A (zh) * | 2017-06-13 | 2019-01-04 | 南京鑫和汇通电子科技有限公司 | 一种基于快速特征匹配的图像位置偏移检测方法 |
| CN110097093A (zh) * | 2019-04-15 | 2019-08-06 | 河海大学 | 一种异源图像精确匹配方法 |
| WO2020051746A1 (zh) * | 2018-09-10 | 2020-03-19 | 深圳配天智能技术研究院有限公司 | 图像的边缘检测方法、图像处理设备及计算机存储介质 |
| KR20200078723A (ko) * | 2018-12-21 | 2020-07-02 | 극동대학교 산학협력단 | 다중해상도 영상등록 시 가변 원형템플릿을 이용한 특징정합 방법 |
| CN115019069A (zh) * | 2021-03-04 | 2022-09-06 | 株式会社理光 | 模板匹配方法、模板匹配装置以及存储介质 |
| CN115272341A (zh) * | 2022-09-29 | 2022-11-01 | 华联机械集团有限公司 | 一种基于机器视觉的包装机缺陷产品检测方法 |
| CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
| CN115311479A (zh) * | 2022-09-30 | 2022-11-08 | 南通鑫生派智能科技有限公司 | 一种汽车工件装配图像识别方法及系统 |
| CN115908491A (zh) * | 2022-11-15 | 2023-04-04 | 西安电子科技大学 | 一种双目序列图像中圆形非编码标志点在线实时跟踪与匹配方法 |
| CN116092013A (zh) * | 2023-03-06 | 2023-05-09 | 广东汇通信息科技股份有限公司 | 一种用于智慧监控的危险路况识别方法 |
| CN116188472A (zh) * | 2023-05-04 | 2023-05-30 | 无锡康贝电子设备有限公司 | 一种数控机床零件的在线视觉检测方法 |
| CN116188024A (zh) * | 2023-04-24 | 2023-05-30 | 山东蓝客信息科技有限公司 | 一种医疗安全支付系统 |
| CN116188468A (zh) * | 2023-04-27 | 2023-05-30 | 济宁市长荣电器科技有限公司 | 一种hdmi线缆传输分拣智能控制系统 |
| CN116258713A (zh) * | 2023-05-11 | 2023-06-13 | 青岛穗禾信达金属制品有限公司 | 一种金属柜焊接加工检测方法 |
| CN116277973A (zh) * | 2023-03-02 | 2023-06-23 | 河南大学 | 一种3d打印检测系统 |
| CN116363127A (zh) * | 2023-05-31 | 2023-06-30 | 临沂中科芯华新材料科技有限公司 | 基于图像处理的全降解塑料制品质量检测方法 |
| CN116468760A (zh) * | 2023-03-22 | 2023-07-21 | 西安电子科技大学 | 一种基于各向异性扩散描述的多源遥感图像配准方法 |
| CN116611748A (zh) * | 2023-07-20 | 2023-08-18 | 吴江市高瑞庭园金属制品有限公司 | 一种钛合金家具生产质量监控系统 |
-
2023
- 2023-08-30 CN CN202311100800.6A patent/CN116824516B/zh active Active
Patent Citations (19)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103514448A (zh) * | 2013-10-24 | 2014-01-15 | 北京国基科技股份有限公司 | 船形识别方法和系统 |
| CN109146963A (zh) * | 2017-06-13 | 2019-01-04 | 南京鑫和汇通电子科技有限公司 | 一种基于快速特征匹配的图像位置偏移检测方法 |
| WO2020051746A1 (zh) * | 2018-09-10 | 2020-03-19 | 深圳配天智能技术研究院有限公司 | 图像的边缘检测方法、图像处理设备及计算机存储介质 |
| KR20200078723A (ko) * | 2018-12-21 | 2020-07-02 | 극동대학교 산학협력단 | 다중해상도 영상등록 시 가변 원형템플릿을 이용한 특징정합 방법 |
| CN110097093A (zh) * | 2019-04-15 | 2019-08-06 | 河海大学 | 一种异源图像精确匹配方法 |
| CN115019069A (zh) * | 2021-03-04 | 2022-09-06 | 株式会社理光 | 模板匹配方法、模板匹配装置以及存储介质 |
| CN115272341A (zh) * | 2022-09-29 | 2022-11-01 | 华联机械集团有限公司 | 一种基于机器视觉的包装机缺陷产品检测方法 |
| CN115294338A (zh) * | 2022-09-29 | 2022-11-04 | 中威泵业(江苏)有限公司 | 一种叶轮表面缺陷识别方法 |
| CN115311479A (zh) * | 2022-09-30 | 2022-11-08 | 南通鑫生派智能科技有限公司 | 一种汽车工件装配图像识别方法及系统 |
| CN115908491A (zh) * | 2022-11-15 | 2023-04-04 | 西安电子科技大学 | 一种双目序列图像中圆形非编码标志点在线实时跟踪与匹配方法 |
| CN116277973A (zh) * | 2023-03-02 | 2023-06-23 | 河南大学 | 一种3d打印检测系统 |
| CN116092013A (zh) * | 2023-03-06 | 2023-05-09 | 广东汇通信息科技股份有限公司 | 一种用于智慧监控的危险路况识别方法 |
| CN116468760A (zh) * | 2023-03-22 | 2023-07-21 | 西安电子科技大学 | 一种基于各向异性扩散描述的多源遥感图像配准方法 |
| CN116188024A (zh) * | 2023-04-24 | 2023-05-30 | 山东蓝客信息科技有限公司 | 一种医疗安全支付系统 |
| CN116188468A (zh) * | 2023-04-27 | 2023-05-30 | 济宁市长荣电器科技有限公司 | 一种hdmi线缆传输分拣智能控制系统 |
| CN116188472A (zh) * | 2023-05-04 | 2023-05-30 | 无锡康贝电子设备有限公司 | 一种数控机床零件的在线视觉检测方法 |
| CN116258713A (zh) * | 2023-05-11 | 2023-06-13 | 青岛穗禾信达金属制品有限公司 | 一种金属柜焊接加工检测方法 |
| CN116363127A (zh) * | 2023-05-31 | 2023-06-30 | 临沂中科芯华新材料科技有限公司 | 基于图像处理的全降解塑料制品质量检测方法 |
| CN116611748A (zh) * | 2023-07-20 | 2023-08-18 | 吴江市高瑞庭园金属制品有限公司 | 一种钛合金家具生产质量监控系统 |
Non-Patent Citations (4)
| Title |
|---|
| Local Feature Descriptor for Image Matching: A Survey;Chengcai Leng等;《IEEE Access》;第7卷;6424-6434 * |
| Perceptual Image Hashing Based on Shape Contexts and Local Feature Points;Xudong Lv等;《IEEE Transactions on Information Forensics and Security》;第7卷(第3期);1081-1093 * |
| 基于改进SIFT算法的图像匹配研究;郑昊;《中国优秀硕士学位论文全文数据库 信息科技辑》;第2021年卷(第7期);I138-330 * |
| 基于结构一致性的航空遥感图像点特征匹配研究;邵峰;《中国博士学位论文全文数据库 工程科技II辑》;第2023年卷(第8期);C028-2 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116824516A (zh) | 2023-09-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116824516B (zh) | 一种涉路施工安全监测及管理系统 | |
| CN106407893B (zh) | 一种检测车道线的方法、装置和设备 | |
| CN109948684B (zh) | 激光雷达点云数据标注质量的质检方法、装置及设备 | |
| US20140169639A1 (en) | Image Detection Method and Device | |
| Bedruz et al. | Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach | |
| CN111179152A (zh) | 一种道路标识识别方法及装置、介质、终端 | |
| CN111652230B (zh) | 车牌识别方法、电子设备及存储介质 | |
| CN109871745A (zh) | 识别空车位的方法、系统及车辆 | |
| CN104239867A (zh) | 车牌定位方法及系统 | |
| CN111898491A (zh) | 一种车辆逆向行驶的识别方法、装置及电子设备 | |
| Satzoda et al. | On performance evaluation metrics for lane estimation | |
| CN113221750A (zh) | 车辆追踪方法、装置、设备及存储介质 | |
| CN111126393A (zh) | 车辆外观改装判断方法、装置、计算机设备及存储介质 | |
| CN112132071A (zh) | 识别交通拥堵的处理方法、装置、设备及存储介质 | |
| CN111178193A (zh) | 一种车道线的检测方法、检测装置及计算机可读存储介质 | |
| CN115330818A (zh) | 一种图片分割方法及其计算机可读存储介质 | |
| CN116935065A (zh) | 一种基于熔断与融合的车道线实例检测方法及系统 | |
| CN117612128B (zh) | 车道线生成方法、装置、计算机设备及存储介质 | |
| CN114898321A (zh) | 道路可行驶区域检测方法、装置、设备、介质及系统 | |
| CN114742849B (zh) | 一种基于图像增强的水准仪距离测量方法 | |
| CN110163029B (zh) | 一种图像识别方法、电子设备以及计算机可读存储介质 | |
| CN112785550B (zh) | 图像质量值确定方法、装置、存储介质及电子装置 | |
| Lu et al. | Monocular multi-kernel based lane marking detection | |
| CN115546762A (zh) | 图像聚类方法、装置、存储介质及服务器 | |
| CN107358170B (zh) | 一种基于移动机器视觉的车辆违章压线识别方法 |
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 |