CN117649566A - 一种基于图像处理的机场行李大小分类方法 - Google Patents
一种基于图像处理的机场行李大小分类方法 Download PDFInfo
- Publication number
- CN117649566A CN117649566A CN202410122896.4A CN202410122896A CN117649566A CN 117649566 A CN117649566 A CN 117649566A CN 202410122896 A CN202410122896 A CN 202410122896A CN 117649566 A CN117649566 A CN 117649566A
- Authority
- CN
- China
- Prior art keywords
- luggage
- value
- image
- longitudinal
- pixel point
- 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
- 238000012545 processing Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 25
- 230000002093 peripheral effect Effects 0.000 claims description 8
- 230000002708 enhancing effect Effects 0.000 claims description 5
- 238000009499 grossing Methods 0.000 claims description 3
- 230000001965 increasing effect Effects 0.000 description 5
- 230000006870 function Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像处理的机场行李大小分类方法，属于图像处理技术领域，本发明中采集了背景图像和混合图像，根据背景图像和混合图像的差异，找到行李轮廓，对行李轮廓进行平滑处理，再从行李平滑轮廓的x方向和y方向出发，获取多个纵向距离和横向距离，再根据多个纵向距离和横向距离，综合横向和纵向两个方向，对行李大小进行分类，提高行李大小分类精度。本发明将行李大小进行了分类，可以更好地辅助自助托运设备，提醒值机人员对小型行李进行装盘，在行李类型为超标行李时，需要提醒值机人员，该行李要走大件，本发明对行李大小进行了分类也能更好地帮助机场人员对行李进行分配装机。
Description
技术领域
本发明涉及图像处理技术领域，具体涉及一种基于图像处理的机场行李大小分类方法。
背景技术
在值机时，携带行李的乘客需要办理行李托运，在办理行李托运过程中，需要对行李大小进行预估，从而判断出该件行李的大小是否存在过小或者超标的情况，在行李过小时，需要主动提醒值机人员将过小的行李进行装盘，在超标时，还需要获得机场工作人员的同意，才能办理托运。现有预估行李大小的方法采用三维建模的方式根据行李的三维点云数据，构建出行李的三维模型，但是行李三维模型的构建需要多方向的点云数据的匹配，存在运算量大和复杂度高的问题，且还需与拍摄视图进行配准，进一步地增加了技术方案的运算量和复杂度。
发明内容
针对现有技术中的上述不足，本发明提供的一种基于图像处理的机场行李大小分类方法解决了现有预估行李大小的方法存在运算量大和复杂度高的问题。
本发明的实施例通过以下技术方案实现：
第一方面，本发明提供了基于图像处理的机场行李大小分类方法，包括以下步骤：
S1、采集待放行李区未放行李时的图像，得到背景图像；
S2、采集待放行李区放行李后的图像，得到混合图像；
S3、根据背景图像和混合图像上轮廓的差异，提取出行李轮廓；
S4、对行李轮廓进行平滑处理，得到行李平滑轮廓；
S5、从行李平滑轮廓的x方向上取多个纵向距离和y方向上取多个横向距离；
S6、根据多个纵向距离和多个横向距离，对行李大小进行分类，得到行李类型。
在本发明的一实施例中，所述S3包括以下分步骤：
S31分别对背景图像和混合图像进行灰度处理，得到背景灰度图和混合灰度图；
S32、分别提取背景灰度图和混合灰度图的轮廓，得到背景轮廓图和混合轮廓图；
S33、分别对背景轮廓图和混合轮廓图进行同比例增强处理，得到背景增强图和混合增强图；
S33、将混合增强图与背景增强图按像素点位置进行灰度值相减，得到混合增强图上每个像素点位置的灰度差值；
S34、将灰度差值的绝对值作为混合增强图上每个像素点位置的新灰度值，得到新混合增强图；
S35、剔除新混合增强图上新灰度值在[0,th]范围的像素点，得到行李轮廓，其中，th为灰度上限阈值，0为灰度下限阈值。
在本发明的一实施例中，所述S33中对背景轮廓图增强处理的公式为：
对混合轮廓图增强处理的公式为：
其中，为背景增强图上第i个像素点的灰度值，/>为背景轮廓图上第i个像素点的灰度值，r为增强比例，/>为混合增强图上第i个像素点的灰度值，/>为混合轮廓图上第i个像素点的灰度值，i为像素点的编号。
在本发明的一实施例中，所述增强比例r的表达式为：
其中，为背景轮廓图上最大灰度值，/>为混合轮廓图上最大灰度值，max为取两者的最大值。
在本发明的一实施例中，所述S4包括以下分步骤：
S41、以行李轮廓上每个像素点为中心像素点；
S42、统计中心像素点的周边像素点数量；
S43、判断中心像素点的周边像素点数量是否大于数量阈值，若是，则保留中心像素点，若否，则将中心像素点标记为待剔除像素点；
S44、将行李轮廓上所有待剔除像素点剔除，得到行李平滑轮廓。
在本发明的一实施例中，所述S5包括以下分步骤：
S51、从行李平滑轮廓的x方向等距取多对纵向像素点，其中，每对纵向像素点的横坐标相同，在一对纵向像素点中一个像素点是另一个像素点在纵向方向上的最远像素点；
S52、根据每对纵向像素点，计算出每个纵向距离；
S53、从行李平滑轮廓的y方向等距取多对横向像素点，其中，每对横向像素点的纵坐标相同，在一对横向像素点中一个像素点是另一个像素点在横向方向上的最远像素点；
S54、根据每对横向像素点，计算出每个横向距离。
在本发明的一实施例中，所述S52中计算出每个纵向距离的公式为：
其中，为第k对纵向像素点之间的纵向距离，/>为第k对纵向像素点中其中一个像素点的纵坐标，/>为第k对纵向像素点中其中另一个像素点的纵坐标，k为多对纵向像素点的编号；
所述S54中计算出每个横向距离的公式为：
其中，为第j对横向像素点之间的横向距离，/>为第j对横向像素点中其中一个像素点的横坐标，/>为第j对横向像素点中其中另一个像素点的横坐标，j为多对横向像素点的编号。
在本发明的一实施例中，所述S6包括以下分步骤：
S61、根据多个纵向距离，得到行李大小的第一预估值；
S62、根据多个横向距离，得到行李大小的第二预估值；
S63、根据行李大小的第一预估值和第二预估值，计算行李大小的实际预估值；
S64、根据行李大小的实际预估值，对行李大小进行分类，得到行李类型，其中，行李类型包括：小型行李、中型行李、大型行李和超标行李。
在本发明的一实施例中，所述S61中第一预估值的计算公式为：
其中，为第一预估值，/>为第k对纵向像素点之间的纵向距离，/>为的权重，M为纵向距离的数量，exp为以自然常数为底的对数函数；
所述S62中第二预估值的计算公式为：
其中，为第二预估值，/>为第j对横向像素点之间的横向距离，/>为/>的权重，N为横向距离的数量。
在本发明的一实施例中，所述S63中计算行李大小的实际预估值的公式为：
其中，H为行李大小的实际预估值，w1为第一预估值的权重，w2为第二预估值的权重，a为比例系数，在第一预估值和第二预估值/>均小于等于预估阈值/>时，比例系数a取1；在第一预估值h1或第二预估值h2大于预估阈值/>时，比例系数a取/>，| |为取整运算，h为大于预估阈值/>的预估值，D为步长系数；在第一预估值/>和第二预估值/>均大于预估阈值/>时，比例系数a取/>。
本发明实施例的技术方案至少具有如下优点和有益效果：
本发明中综合第一预估值和第二预估值的情况，计算出实际预估值，同时，判断是否有超过预估阈值的预估值，若存在，则行李大小的实际预估值会成倍增长，从而更好找出横向或纵向上存在超长的行李。
综上，本发明的有益效果为：本发明中采集了背景图像和混合图像，根据背景图像和混合图像的差异，找到行李轮廓，为了进一步地提高提取轮廓的精度，对行李轮廓进行平滑处理，丢弃一些离散的干扰点，保障行李大小分类的精度，再从行李平滑轮廓的x方向和y方向出发，获取多个纵向距离和横向距离，再根据多个纵向距离和横向距离，综合横向和纵向两个方向，对行李大小进行分类，提高行李大小分类精度。本发明的机场行李大小分类方法，无需多方向的点云数据的匹配，也无需与拍摄视图进行配准，仅需找到未放行李时和放行李后的差异，得到行李的二维轮廓，从而降低了运算量和复杂度。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，应当理解，以下附图仅示出了本发明的某些实施例，因此不应被看作是对范围的限定，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他相关的附图。
图1为一种基于图像处理的机场行李大小分类方法的流程图；
图2为步骤S5中获取纵向距离和横向距离的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
独立说明的模块或子模块可以是物理上分离的,也可以不是物理上的分离:可以是软件实现的,也可以是硬件实现的,且可以部分模块或子模块通过软件实现,由处理器调用该软件实现这部分模块或子模块的功能，且其它部分模板或子模块通过硬件实现，例如通过硬件电路实现。此外,可以根据实际的需要选择其中的部分或全部模块来实现本申请方案的目的。
如图1所示，一种基于图像处理的机场行李大小分类方法，包括以下步骤：
S1、采集待放行李区未放行李时的图像，得到背景图像；
S2、采集待放行李区放行李后的图像，得到混合图像；
S3、根据背景图像和混合图像上轮廓的差异，提取出行李轮廓；
S4、对行李轮廓进行平滑处理，得到行李平滑轮廓；
S5、从行李平滑轮廓的x方向上取多个纵向距离和y方向上取多个横向距离；
S6、根据多个纵向距离和多个横向距离，对行李大小进行分类，得到行李类型。
在本发明中，可以固定不同角度的摄像头，每个摄像头均采集背景图像和混合图像，估算在该角度下，行李的二维轮廓大小，从而实现多维的评估，提高分类精度。
所述S3包括以下分步骤：
S31分别对背景图像和混合图像进行灰度处理，得到背景灰度图和混合灰度图；
S32、分别提取背景灰度图和混合灰度图的轮廓，得到背景轮廓图和混合轮廓图；
S33、分别对背景轮廓图和混合轮廓图进行同比例增强处理，得到背景增强图和混合增强图；
S33、将混合增强图与背景增强图按像素点位置进行灰度值相减，得到混合增强图上每个像素点位置的灰度差值；
S34、将灰度差值的绝对值作为混合增强图上每个像素点位置的新灰度值，得到新混合增强图；
S35、剔除新混合增强图上新灰度值在[0,th]范围的像素点，得到行李轮廓，其中，th为灰度上限阈值，0为灰度下限阈值。
在本实施例中，背景图像和混合图像为同一摄像机在不同时间采集的图像，因此，混合图像中包含部分背景和行李，在混合图像中的背景部分与背景图像中相同像素点位置的灰度值几乎是相同的，因此，剔除灰度差值小的像素点。
本发明中分别对背景图像和混合图像进行灰度处理后，提取出轮廓图，减少数据量，再进行同比例增强处理，从而增大背景与行李的区别，便于后续进行同像素点位置的灰度值相减，剔除新灰度值在[0,th]范围的像素点，即剔除背景区域，保留行李轮廓。
S33中对背景轮廓图增强处理的公式为：
对混合轮廓图增强处理的公式为：
其中，为背景增强图上第i个像素点的灰度值，/>为背景轮廓图上第i个像素点的灰度值，r为增强比例，/>为混合增强图上第i个像素点的灰度值，/>为混合轮廓图上第i个像素点的灰度值，i为像素点的编号。
所述增强比例r的表达式为：
其中，为背景轮廓图上最大灰度值，/>为混合轮廓图上最大灰度值，max为取两者的最大值。
本发明中找到背景轮廓图和混合轮廓图中最大灰度值，从而确定出，增强的比例上限，按最大比例进行增强，最大程度增大背景与行李的区别。
所述S4包括以下分步骤：
S41、以行李轮廓上每个像素点为中心像素点；
S42、统计中心像素点的周边像素点数量；
S43、判断中心像素点的周边像素点数量是否大于数量阈值，若是，则保留中心像素点，若否，则将中心像素点标记为待剔除像素点；
S44、将行李轮廓上所有待剔除像素点剔除，得到行李平滑轮廓。
本发明中的周边像素点数量可以为邻域8个像素点的范围，根据一个像素点的周边的像素点情况，判断出该像素点是否孤立，若是孤立点，则剔除该像素点。
在本实施例中，数量阈值根据实验或者经验进行设置，在一个像素点周边无像素点时或存在1个像素点时，则可判定出该像素点为孤立点。
所述S5包括以下分步骤：
S51、从行李平滑轮廓的x方向等距取多对纵向像素点，其中，每对纵向像素点的横坐标相同，在一对纵向像素点中一个像素点是另一个像素点在纵向方向上的最远像素点；
如图2所示，A1和A2为一对纵向像素点，B1和B2为一对纵向像素点，C1和C2为一对纵向像素点，从而表达出行李在纵向上的长度；
在本实施例中，步骤S51中等距是指A1到B1的距离与B1到C1的距离相同；
S52、根据每对纵向像素点，计算出每个纵向距离；
S53、从行李平滑轮廓的y方向等距取多对横向像素点，其中，每对横向像素点的纵坐标相同，在一对横向像素点中一个像素点是另一个像素点在横向方向上的最远像素点；
如图2所示，E1和E2为一对横向像素点，F1和F2为一对横向像素点，G1和G2为一对横向像素点，从而表达出行李在横向上的长度；
在本实施例中，步骤S53中等距是指E1到F1的距离与F1到G1的距离相同。
S54、根据每对横向像素点，计算出每个横向距离。
本发明中从横向和纵向两个维度，找到多个纵向距离和横向距离，每个纵向距离表明纵向上的长度，每个横向距离表明横向上的长度。
所述S52中计算出每个纵向距离的公式为：
其中，为第k对纵向像素点之间的纵向距离，/>为第k对纵向像素点中其中一个像素点的纵坐标，/>为第k对纵向像素点中其中另一个像素点的纵坐标，k为多对纵向像素点的编号；
所述S54中计算出每个横向距离的公式为：
其中，为第j对横向像素点之间的横向距离，/>为第j对横向像素点中其中一个像素点的横坐标，/>为第j对横向像素点中其中另一个像素点的横坐标，j为多对横向像素点的编号。
所述S6包括以下分步骤：
S61、根据多个纵向距离，得到行李大小的第一预估值；
S62、根据多个横向距离，得到行李大小的第二预估值；
S63、根据行李大小的第一预估值和第二预估值，计算行李大小的实际预估值；
S64、根据行李大小的实际预估值，对行李大小进行分类，得到行李类型，其中，行李类型包括：小型行李、中型行李、大型行李和超标行李。
本发明中通过多个纵向距离，得到第一预估值，通过多个横向距离，得到第二预估值，再综合第一预估值和第二预估值的情况，计算出实际预估值，提高行李大小的估测精度，再根据行李大小的实际预估值，对行李大小进行分类。
所述S61中第一预估值的计算公式为：
其中，为第一预估值，/>为第k对纵向像素点之间的纵向距离，/>为的权重，M为纵向距离的数量，exp为以自然常数为底的对数函数；
所述S62中第二预估值的计算公式为：
其中，为第二预估值，/>为第j对横向像素点之间的横向距离，/>为/>的权重，N为横向距离的数量。
本发明中第一预估值随纵向距离的增长而增长，第二预估值随横向距离的增长而增长。
所述S63中计算行李大小的实际预估值的公式为：
其中，H为行李大小的实际预估值，w1为第一预估值的权重，w2为第二预估值的权重，a为比例系数，在第一预估值和第二预估值/>均小于等于预估阈值/>时，比例系数a取1；在第一预估值h1或第二预估值h2大于预估阈值/>时，比例系数a取/>，| |为取整运算，h为大于预估阈值/>的预估值，D为步长系数；在第一预估值/>和第二预估值/>均大于预估阈值/>时，比例系数a取/>。
在本实施例中，预估阈值和步长系数D根据实验和经验进行设置。
本发明中综合第一预估值和第二预估值的情况，计算出实际预估值，同时，判断是否有超过预估阈值的预估值，若存在，则行李大小的实际预估值会成倍增长，从而更好找出横向或纵向上存在超长的行李。
本发明中采集了背景图像和混合图像，根据背景图像和混合图像的差异，找到行李轮廓，为了进一步地提高提取轮廓的精度，对行李轮廓进行平滑处理，丢弃一些离散的干扰点，保障行李大小分类的精度，再从行李平滑轮廓的x方向和y方向出发，获取多个纵向距离和横向距离，再根据多个纵向距离和横向距离，综合横向和纵向两个方向，对行李大小进行分类，提高行李大小分类精度。本发明的机场行李大小分类方法，无需多方向的点云数据的匹配，也无需与拍摄视图进行配准，仅需找到未放行李时和放行李后的差异，得到行李的二维轮廓，从而降低了运算量和复杂度。
在本实施例中，本发明将行李大小进行了分类，可以更好地辅助自助托运设备，提醒值机人员对小型行李进行装盘，在行李类型为超标行李时，需要提醒值机人员，该行李要走大件，本发明对行李大小进行了分类也能更好地帮助机场人员对行李进行分配装机。
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。上述集成的单元既可以采用硬件的形式实现，也可以采用软件功能单元的形式实现。
集成的单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备（可以是个人计算机，服务器，或者网络设备等）执行本发明各个实施例方法的全部或部分步骤。而前述的存储介质包括： U 盘、移动硬盘、只读存储器(ROM,Read — OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。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 (10)
1.基于图像处理的机场行李大小分类方法，其特征在于，包括以下步骤：
S1、采集待放行李区未放行李时的图像，得到背景图像；
S2、采集待放行李区放行李后的图像，得到混合图像；
S3、根据背景图像和混合图像上轮廓的差异，提取出行李轮廓；
S4、对行李轮廓进行平滑处理，得到行李平滑轮廓；
S5、从行李平滑轮廓的x方向上取多个纵向距离和y方向上取多个横向距离；
S6、根据多个纵向距离和多个横向距离，对行李大小进行分类，得到行李类型。
2.根据权利要求1所述的基于图像处理的机场行李大小分类方法，其特征在于，所述S3包括以下分步骤：
S31分别对背景图像和混合图像进行灰度处理，得到背景灰度图和混合灰度图；
S32、分别提取背景灰度图和混合灰度图的轮廓，得到背景轮廓图和混合轮廓图；
S33、分别对背景轮廓图和混合轮廓图进行同比例增强处理，得到背景增强图和混合增强图；
S33、将混合增强图与背景增强图按像素点位置进行灰度值相减，得到混合增强图上每个像素点位置的灰度差值；
S34、将灰度差值的绝对值作为混合增强图上每个像素点位置的新灰度值，得到新混合增强图；
S35、剔除新混合增强图上新灰度值在[0,th]范围的像素点，得到行李轮廓，其中，th为灰度上限阈值，0为灰度下限阈值。
3.根据权利要求2所述的基于图像处理的机场行李大小分类方法，其特征在于，所述S33中对背景轮廓图增强处理的公式为：
对混合轮廓图增强处理的公式为：
其中，为背景增强图上第i个像素点的灰度值，/>为背景轮廓图上第i个像素点的灰度值，r为增强比例，/>为混合增强图上第i个像素点的灰度值，/>为混合轮廓图上第i个像素点的灰度值，i为像素点的编号。
4.根据权利要求3所述的基于图像处理的机场行李大小分类方法，其特征在于，所述增强比例r的表达式为：
其中，为背景轮廓图上最大灰度值，/>为混合轮廓图上最大灰度值，max为取两者的最大值。
5.根据权利要求1所述的基于图像处理的机场行李大小分类方法，其特征在于，所述S4包括以下分步骤：
S41、以行李轮廓上每个像素点为中心像素点；
S42、统计中心像素点的周边像素点数量；
S43、判断中心像素点的周边像素点数量是否大于数量阈值，若是，则保留中心像素点，若否，则将中心像素点标记为待剔除像素点；
S44、将行李轮廓上所有待剔除像素点剔除，得到行李平滑轮廓。
6.根据权利要求1所述的基于图像处理的机场行李大小分类方法，其特征在于，所述S5包括以下分步骤：
S51、从行李平滑轮廓的x方向等距取多对纵向像素点，其中，每对纵向像素点的横坐标相同，在一对纵向像素点中一个像素点是另一个像素点在纵向方向上的最远像素点；
S52、根据每对纵向像素点，计算出每个纵向距离；
S53、从行李平滑轮廓的y方向等距取多对横向像素点，其中，每对横向像素点的纵坐标相同，在一对横向像素点中一个像素点是另一个像素点在横向方向上的最远像素点；
S54、根据每对横向像素点，计算出每个横向距离。
7.根据权利要求6所述的基于图像处理的机场行李大小分类方法，其特征在于，所述S52中计算出每个纵向距离的公式为：
其中，为第k对纵向像素点之间的纵向距离，/>为第k对纵向像素点中其中一个像素点的纵坐标，/>为第k对纵向像素点中其中另一个像素点的纵坐标，k为多对纵向像素点的编号；
所述S54中计算出每个横向距离的公式为：
其中，为第j对横向像素点之间的横向距离，/>为第j对横向像素点中其中一个像素点的横坐标，/>为第j对横向像素点中其中另一个像素点的横坐标，j为多对横向像素点的编号。
8.根据权利要求7所述的基于图像处理的机场行李大小分类方法，其特征在于，所述S6包括以下分步骤：
S61、根据多个纵向距离，得到行李大小的第一预估值；
S62、根据多个横向距离，得到行李大小的第二预估值；
S63、根据行李大小的第一预估值和第二预估值，计算行李大小的实际预估值；
S64、根据行李大小的实际预估值，对行李大小进行分类，得到行李类型，其中，行李类型包括：小型行李、中型行李、大型行李和超标行李。
9.根据权利要求8所述的基于图像处理的机场行李大小分类方法，其特征在于，所述S61中第一预估值的计算公式为：
其中，为第一预估值，/>为第k对纵向像素点之间的纵向距离，/>为/>的权重，M为纵向距离的数量，exp为以自然常数为底的对数函数；
所述S62中第二预估值的计算公式为：
其中，为第二预估值，/>为第j对横向像素点之间的横向距离，/>为/>的权重，N为横向距离的数量。
10.根据权利要求9所述的基于图像处理的机场行李大小分类方法，其特征在于，所述S63中计算行李大小的实际预估值的公式为：
其中，H为行李大小的实际预估值，w1为第一预估值的权重，w2为第二预估值的权重，a为比例系数，在第一预估值和第二预估值/>均小于等于预估阈值/>时，比例系数a取1；在第一预估值h1或第二预估值h2大于预估阈值/>时，比例系数a取/>，| |为取整运算，h为大于预估阈值/>的预估值，D为步长系数；在第一预估值/>和第二预估值均大于预估阈值/>时，比例系数a取/>。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410122896.4A CN117649566B (zh) | 2024-01-30 | 2024-01-30 | 一种基于图像处理的机场行李大小分类方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410122896.4A CN117649566B (zh) | 2024-01-30 | 2024-01-30 | 一种基于图像处理的机场行李大小分类方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117649566A true CN117649566A (zh) | 2024-03-05 |
| CN117649566B CN117649566B (zh) | 2024-04-09 |
Family
ID=90043750
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410122896.4A Active CN117649566B (zh) | 2024-01-30 | 2024-01-30 | 一种基于图像处理的机场行李大小分类方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117649566B (zh) |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105279244A (zh) * | 2015-09-30 | 2016-01-27 | 广西大学 | 甘蔗种芽分类特征数据库的建立方法 |
| CN106291728A (zh) * | 2016-08-10 | 2017-01-04 | 安徽启路达光电科技有限公司 | 一种具有限行功能的行李安检机 |
| GB201709149D0 (en) * | 2016-06-21 | 2017-07-26 | Morpho Detection Llc | Systems and methods for detecting luggage in an imaging system |
| CN111598063A (zh) * | 2020-07-22 | 2020-08-28 | 北京纳兰德科技股份有限公司 | 一种行李类别的确定方法及装置 |
| WO2021003824A1 (zh) * | 2019-07-11 | 2021-01-14 | 平安科技（深圳）有限公司 | 基于图像识别的违章建筑识别方法、装置 |
| CN115063472A (zh) * | 2022-06-29 | 2022-09-16 | 中国民航大学 | 基于深度学习的行李识别测量方法及装置 |
| CN115617815A (zh) * | 2022-11-21 | 2023-01-17 | 四川省公路规划勘察设计研究院有限公司 | 一种利用限高模型冗余空间搭载索引信息的方法及系统 |
| CN115690046A (zh) * | 2022-10-31 | 2023-02-03 | 江苏慧眼数据科技股份有限公司 | 一种基于单目深度估计的物品遗留检测与溯源方法及系统 |
| CN116403094A (zh) * | 2023-06-08 | 2023-07-07 | 成都菁蓉联创科技有限公司 | 一种嵌入式图像识别方法及系统 |
| CN117037127A (zh) * | 2023-10-07 | 2023-11-10 | 四川省机场集团有限公司成都天府国际机场分公司 | 一种基于行李类型的托盘分配方法 |
| CN117115161A (zh) * | 2023-10-24 | 2023-11-24 | 四川新康意众申新材料有限公司 | 一种塑料缺陷检查方法 |
-
2024
- 2024-01-30 CN CN202410122896.4A patent/CN117649566B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN105279244A (zh) * | 2015-09-30 | 2016-01-27 | 广西大学 | 甘蔗种芽分类特征数据库的建立方法 |
| GB201709149D0 (en) * | 2016-06-21 | 2017-07-26 | Morpho Detection Llc | Systems and methods for detecting luggage in an imaging system |
| CN106291728A (zh) * | 2016-08-10 | 2017-01-04 | 安徽启路达光电科技有限公司 | 一种具有限行功能的行李安检机 |
| WO2021003824A1 (zh) * | 2019-07-11 | 2021-01-14 | 平安科技（深圳）有限公司 | 基于图像识别的违章建筑识别方法、装置 |
| CN111598063A (zh) * | 2020-07-22 | 2020-08-28 | 北京纳兰德科技股份有限公司 | 一种行李类别的确定方法及装置 |
| CN115063472A (zh) * | 2022-06-29 | 2022-09-16 | 中国民航大学 | 基于深度学习的行李识别测量方法及装置 |
| CN115690046A (zh) * | 2022-10-31 | 2023-02-03 | 江苏慧眼数据科技股份有限公司 | 一种基于单目深度估计的物品遗留检测与溯源方法及系统 |
| CN115617815A (zh) * | 2022-11-21 | 2023-01-17 | 四川省公路规划勘察设计研究院有限公司 | 一种利用限高模型冗余空间搭载索引信息的方法及系统 |
| CN116403094A (zh) * | 2023-06-08 | 2023-07-07 | 成都菁蓉联创科技有限公司 | 一种嵌入式图像识别方法及系统 |
| CN117037127A (zh) * | 2023-10-07 | 2023-11-10 | 四川省机场集团有限公司成都天府国际机场分公司 | 一种基于行李类型的托盘分配方法 |
| CN117115161A (zh) * | 2023-10-24 | 2023-11-24 | 四川新康意众申新材料有限公司 | 一种塑料缺陷检查方法 |
Non-Patent Citations (2)
| Title |
|---|
| 朱嘉宸: "基于深度相机的机场自助行李托运关键技术的研究", 《中国优秀硕士学位论文全文数据库》, no. 07, 15 July 2020 (2020-07-15), pages 031 - 172 * |
| 董景峰等: "机场行李提取中行李箱图像识别与旋转仿真", 《物流技术》, no. 02, 25 February 2020 (2020-02-25), pages 128 - 135 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117649566B (zh) | 2024-04-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109685152B (zh) | 一种基于dc-spp-yolo的图像目标检测方法 | |
| CN108229509B (zh) | 用于识别物体类别的方法及装置、电子设备 | |
| CN108304820B (zh) | 一种人脸检测方法、装置及终端设备 | |
| CN110020592B (zh) | 物体检测模型训练方法、装置、计算机设备及存储介质 | |
| CN109087510B (zh) | 交通监测方法及装置 | |
| CN111126399B (zh) | 一种图像检测方法、装置、设备及可读存储介质 | |
| EP3101594A1 (en) | Saliency information acquisition device and saliency information acquisition method | |
| US20180068461A1 (en) | Posture estimating apparatus, posture estimating method and storing medium | |
| CN110363817B (zh) | 目标位姿估计方法、电子设备和介质 | |
| CN111461213B (zh) | 一种目标检测模型的训练方法、目标快速检测方法 | |
| CN109871829B (zh) | 一种基于深度学习的检测模型训练方法和装置 | |
| CN111323788B (zh) | 建筑物变化的监测方法、装置及计算机设备 | |
| CN109766896B (zh) | 一种相似度度量方法、装置、设备和存储介质 | |
| CN112528781B (zh) | 一种障碍物检测方法、装置、设备和计算机可读存储介质 | |
| CN111160169A (zh) | 人脸检测方法、装置、设备及计算机可读存储介质 | |
| CN114219936A (zh) | 目标检测方法、电子设备、存储介质和计算机程序产品 | |
| CN114998610A (zh) | 一种目标检测方法、装置、设备及存储介质 | |
| CN112699748B (zh) | 基于yolo及rgb图像的人车距离估计方法 | |
| CN114419599A (zh) | 障碍物识别方法、装置及电子设备 | |
| CN117649566B (zh) | 一种基于图像处理的机场行李大小分类方法 | |
| CN116763295A (zh) | 牲畜体尺测量方法、电子设备及存储介质 | |
| CN111709269A (zh) | 一种深度图像中基于二维关节信息的人手分割方法和装置 | |
| CN111126177B (zh) | 人数统计的方法及装置 | |
| JP2001143072A (ja) | 物体形状識別装置 | |
| CN113378864A (zh) | 一种锚框参数的确定方法、装置、设备及可读存储介质 |
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 |