CN106203353A - 一种飞机起落架的检测***及方法 - Google Patents
一种飞机起落架的检测***及方法 Download PDFInfo
- Publication number
- CN106203353A CN106203353A CN201610554236.9A CN201610554236A CN106203353A CN 106203353 A CN106203353 A CN 106203353A CN 201610554236 A CN201610554236 A CN 201610554236A CN 106203353 A CN106203353 A CN 106203353A
- Authority
- CN
- China
- Prior art keywords
- undercarriage
- image
- chain code
- feature
- starting 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
- 238000000034 method Methods 0.000 title claims abstract description 39
- 238000001514 detection method Methods 0.000 claims abstract description 58
- 238000007781 pre-processing Methods 0.000 claims abstract description 8
- 239000000284 extract Substances 0.000 claims description 26
- 230000008569 process Effects 0.000 claims description 24
- 238000006243 chemical reaction Methods 0.000 claims description 19
- 238000000605 extraction Methods 0.000 claims description 16
- 230000001629 suppression Effects 0.000 claims description 15
- 238000001914 filtration Methods 0.000 claims description 8
- 230000003044 adaptive effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 238000011946 reduction process Methods 0.000 claims description 6
- 239000003086 colorant Substances 0.000 claims description 4
- 238000011160 research Methods 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 6
- 230000008901 benefit Effects 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 230000006872 improvement Effects 0.000 description 2
- HUTDUHSNJYTCAR-UHFFFAOYSA-N ancymidol Chemical compound C1=CC(OC)=CC=C1C(O)(C=1C=NC=NC=1)C1CC1 HUTDUHSNJYTCAR-UHFFFAOYSA-N 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000013011 mating Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification Methods 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
- G06V20/10—Terrestrial scenes
- G06V20/13—Satellite images
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
- G06V10/30—Noise filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Astronomy & Astrophysics (AREA)
- Remote Sensing (AREA)
- Image Analysis (AREA)
Abstract
本发明提供一种飞机起落架的检测***及方法；其中***中包括，图像预处理模块，用于对要检测的飞机起落架图像进行预处理；飞机目标检测模块，实现图像中飞机目标的检测；特征提取模块，用于提取飞机目标的下边界特征；起落架可疑区域检测模块，实现飞机目标中可疑起落架区域的检测；起落架检测模块，实现飞机起落架的检测。本发明能够快速的检测到飞机起落架是否放下，易于工程实现；起落架检测正确率高，填补了当前对于该方面研究的空白；能够给出飞机起落架的位置和数量信息，更稳定。
Description
技术领域
本发明主要涉及安全防护数据处理技术领域，具体涉及一种飞机起落架的检测***及方法。
背景技术
在飞机降落前,为确保飞机起落架已经放下,除了机上的指示设备外,还在塔台旁设一名观察员用望远镜监测,该方法由于受人员因素及天气因素的影响,可靠性较差。近年来,因机上设备失灵且观察员失职误断而导致的飞行等级事故时有通报。如果能够在机场安装一台飞机起落架检测***，通过机器视觉的方法自动检测起落架是否放下，不仅能够减少因观察员失误导致的飞行事故，而且减轻了人力劳动的强度。
目前，国内对于使用机器视觉的方法检测起落架是否放下的研究非常少，几乎处于空白阶段。国内学者在《仪器仪表学报》中1998年发表的《智能化起落架收放监测***》中，采用飞机与图像传感器距离、飞机长宽比、飞机仰角组成飞机的特征向量，并利用人工神经网络来判断飞机起落架是否放下。该方法所采用的判断特征受飞机飞行姿态的影响很大，虚警率高。另外，该方法只能判定飞机有没有放下起落架，并不能检测到起落架的位置也不能给出起落架的数量。
发明内容
本发明所要解决的技术问题是提供一种飞机起落架的检测***及方法，满足机场飞机降落时判断飞机起落架是否放下所用,检测正确率高,能够给出飞机起落架的位置和数量信息。
本发明解决上述技术问题的技术方案如下：一种飞机起落架的检测***，包括图像预处理模块、飞机目标检测模块、特征提取模块、起落架可疑区域检测模块和起落架检测模块，
所述图像预处理模块，用于采集飞机起落架的初始图像，并对初始图像进行色彩处理和降噪处理，得到优化后的图像；
所述飞机目标检测模块，用于对优化后的图像依次进行背景抑制处理、二值化处理及连通区域检测，并通过检测到的连通区域来提取图像中的飞机目标区域范围；
所述特征提取模块，用于提取所述飞机目标区域范围中的下边界,再提取所述下边界的链码特征；
所述起落架可疑区域检测模块，用于根据设定的起始点及链码方向对飞机目标下边界的链码特征进行编码，并根据链码方向选定特定方向上的编码来检测是否存在起落架可疑区域；
所述起落架检测模块，用于根据方向梯度直方图提取起落架可疑区域的判定特征，并根据判定特征判定所述起落架可疑区域的真实性。
本发明的有益效果是：(1)对初始图像进行色彩、降噪优化处理以及对连通区域检测，能够快速的检测到飞机起落架是否放下，易于工程实现；(2)飞机目标区域范围的下边界特征提取以及根据链码方向检测起落架可疑区域，使得起落架检测正确率高，填补了当前对于该方面研究的空白；(3)起落架可疑区域检测模块能够给出飞机起落架的位置和数量信息，更稳定。
在上述技术方案的基础上，本发明还可以做如下改进。
进一步，所述图像预处理模块包括：
灰度处理单元，用于将初始图像转换为灰度图像；
滤波处理单元，用于将灰度图像进行中值滤波处理，得到优化后的图像。
采用上述进一步方案的有益效果是：将初始图像进行灰度处理及滤波处理，以减少图像中噪声的干扰，能够得到优化的图像，便于后期处理。
进一步，所述飞机目标检测模块包括：
二值化处理单元，用于将优化后的图像进行背景抑制处理，并采用自适应阈值的方式将背景抑制处理后的图像进行二值化处理；
连通域处理单元，用于将经过二值化处理的图像进行连通域检测，并提取各个连通域的面积和质心信息，所述提取的连通域的面积大于给定值且质心行坐标最小的连通域作为飞机目标区域范围。
采用上述进一步方案的有益效果是：飞机目标的检出率高，且运行时间短。
进一步，所述起落架可疑区域检测模块包括：
设定单元，用于设定链码特征的起始点，并设定所述起始点右边点为编码出发点，且以出发点为始点，围绕起始点逆时针方向依次进行数字编码，并以出发点为终点，依次得到0至7方向(共8个方向)编码，从而完成链码方向的设定；
编码单元，用于根据设定的起始点及链码方向对飞机目标下边界的链码特征进行编码；
可疑区域检测单元，用于根据链码方向选定2方向和6方向为特定方向，并根据2方向和6方向位置上的最大列、最小列、最大行、最小行来检测是否存在起落架可疑区域。
采用上述进一步方案的有益效果是：实现了飞机目标中可疑起落架位置的检测。
进一步，所述起落架检测模块包括：
判定特征提取单元，用于提取所述起落架可疑区域的方向梯度直方图特征作为判定特征；
起落架检测单元，用于将提取的判定特征输入极限学习机分类器中进行判定，并根据极限学习机分类器输出的结果确定所起落架可疑区域的真实性。
采用上述进一步方案的有益效果是：实现了可疑起落架是否为真实起落架的判定，起落架判定正确率高，运行时间短。
本发明解决上述技术问题的另一技术方案如下：一种飞机起落架的检测方法，其特征在于，包括如下步骤:
步骤S1:采集飞机起落架的初始图像，并对初始图像进行色彩处理和降噪处理，得到优化后的图像；
步骤S2:对优化后的图像依次进行二值化处理及连通区域检测，并通过检测到的连通区域来提取图像中的飞机目标区域范围；
步骤S3:提取所述飞机目标区域范围中的下边界,再提取所述下边界的链码特征；
步骤S4:根据设定的起始点及链码方向对飞机目标下边界的链码特征进行编码，并根据链码方向选定特定方向上的编码来检测是否存在起落架可疑区域；
步骤S5:根据设定的起始点及链码方向对飞机目标下边界的链码特征进行编码，并根据链码方向选定特定方向上的编码来检测是否存在起落架可疑区域；
步骤S6:根据方向梯度直方图提取起落架可疑区域的判定特征，并根据判定特征判定所述起落架可疑区域的真实性。
进一步，实现步骤S1的具体步骤为:
步骤S101:将初始图像转换为灰度图像；
步骤S102:将灰度图像进行中值滤波处理，得到优化后的图像。
进一步，实现步骤S2的具体步骤为:
步骤S201:将优化后的图像进行背景抑制处理，并采用自适应阈值的方式将背景抑制处理后的图像进行二值化处理；
步骤S202:将经过二值化处理的图像进行连通域检测，并提取各个连通域的面积和质心信息，所述提取的连通域的面积大于给定值且质心行坐标最小的连通域作为飞机目标区域范围。
进一步，实现步骤S4的具体步骤为:
步骤S401:设定链码特征的起始点，并设定所述起始点右边点为编码出发点，且以出发点为始点，围绕起始点逆时针方向依次进行数字编码，并以出发点为终点，依次得到0至7方向编码，从而完成链码方向的设定；
步骤S402:根据设定的起始点及链码方向对飞机目标下边界的链码特征进行编码；
步骤S403:根据链码方向选定2方向和6方向为特定方向，并根据2方向和6方向位置上的最大列、最小列、最大行、最小行来检测是否存在起落架可疑区域。
进一步，实现步骤S5的具体步骤为:
步骤S501:提取所述起落架可疑区域的方向梯度直方图特征作为判定特征；
步骤S502:将提取的判定特征输入极限学习机分类器中进行判定，并根据极限学习机分类器输出的结果确定所起落架可疑区域的真实性。
附图说明
图1为本发明***的模块框图；
图2为本发明设定链码方向的原理图；
图3为本发明下边界编码的原理图；
图4为本发明实施例中优化后的图像；
图5为本发明实施例中检测2方向和6方向的示意图；
图6为本发明实施例中起落架可疑区域的示意图；
图7为本发明方法的方法流程图；
图8为本发明实现步骤S2的方法流程图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述，所举实例只用于解释本发明，并非用于限定本发明的范围。
本发明公开了一种飞机起落架检测***及方法，能够用于机场飞机降落时判定飞机起落架是否放下。
如图1所示，一种飞机起落架的检测***，包括图像预处理模块、飞机目标检测模块、特征提取模块、起落架可疑区域检测模块和起落架检测模块，
所述图像预处理模块，用于采集飞机起落架的初始图像，并对初始图像进行色彩处理和降噪处理，得到优化后的图像；
所述飞机目标检测模块，用于对优化后的图像依次进行背景抑制处理、二值化处理及连通区域检测，并通过检测到的连通区域来提取图像中的飞机目标区域范围；
所述特征提取模块，用于提取所述飞机目标区域范围中的下边界,再提取所述下边界的链码特征；提取下边界的链码特征作为飞机目标下边界的方向特征；
所述起落架可疑区域检测模块，用于根据设定的起始点及链码方向对飞机目标下边界的链码特征进行编码，并根据链码方向选定特定方向上的编码来检测是否存在起落架可疑区域；
所述起落架检测模块，用于根据方向梯度直方图提取起落架可疑区域的判定特征，并根据判定特征判定所述起落架可疑区域的真实性。
优选的，所述图像预处理模块包括：
灰度处理单元，用于将初始图像转换为灰度图像；
滤波处理单元，用于将灰度图像进行中值滤波处理，得到优化后的图像。
将初始图像进行灰度处理及滤波处理，以减少图像中噪声的干扰，能够得到优化的图像，便于后期处理。
所述飞机目标检测模块包括：
二值化处理单元，用于将优化后的图像进行背景抑制处理，并采用自适应阈值的方式将背景抑制处理后的图像进行二值化处理；
连通域处理单元，用于将经过二值化处理的图像进行连通域检测，并提取各个连通域的面积和质心信息，所述提取的连通域的面积大于给定值且质心行坐标最小的连通域作为飞机目标区域范围。飞机目标的检出率高，且运行时间短。
优选的，所述起落架可疑区域检测模块包括：
设定单元，用于设定链码特征的起始点，并设定所述起始点右边点为编码出发点，且以出发点为始点，围绕起始点逆时针方向依次进行数字编码，并以出发点为终点，依次得到0至7方向(共8个方向)编码，从而完成链码方向的设定；
编码单元，用于根据设定的起始点及链码方向对飞机目标下边界的链码特征进行编码；
可疑区域检测单元，用于根据链码方向选定2方向和6方向为特定方向，并根据2方向和6方向位置上的最大列、最小列、最大行、最小行来检测是否存在起落架可疑区域。
具体的，边界的链码依赖起始点，在提取飞机目标下边界的链码时，以下边界中列坐标最小的像素点作为编码起始点，逆时针方向对下边界进行链码编码，如图2-3所示,根据编码方向，图3的图形可以获得022760117071的数码。要想找到起落架所在的区域，只需找到飞机目标下边界链码特征中方向2和方向6的位置，起落架方向则为相距最近的这两个方向围成。设计中寻找了方向1、2的位置以及方向6、7的位置，得到这些特定方向的位置信息后，按照彼此最近邻的规则对两个方向进行匹配，匹配到的两个方向位置围成的区域即为可疑起落架区域，从优化后的灰度图像上提取这些位置，如图4-6所示。为了提高可疑起落架区域的检测率，分别统计飞机目标下边界方向特征中方向1、2的位置及方向6、7的位置。对于每个6、7方向位置的最大列l6-7，找到与其相距最近的且列小于l6-7的方向1、2的位置，根据这两个位置的最大列、最小列，最大行、最小行提取出图像的一块区域，这个区域就是一个可疑起落架区域。一个飞机目标中可以有多个可疑起落架区域，也可以没有可疑起落架区域，从而实现了飞机目标中可疑起落架位置的检测。
所述起落架检测模块包括：
判定特征提取单元，用于提取所述起落架可疑区域的方向梯度直方图特征作为判定特征；
起落架检测单元，用于将提取的判定特征输入极限学习机分类器中进行判定，并根据极限学习机分类器输出的结果确定所起落架可疑区域的真实性。
实现了起落架可疑区域是否为真实起落架区域的判定，起落架区域判定正确率高，运行时间短。
如图7所示，一种飞机起落架的检测方法，包括如下步骤:
步骤S1:采集飞机起落架的初始图像，并对初始图像进行色彩处理和降噪处理，得到优化后的图像；
步骤S2:对优化后的图像依次进行二值化处理及连通区域检测，并通过检测到的连通区域来提取图像中的飞机目标区域范围；
步骤S3:提取所述飞机目标区域范围中的下边界,再提取所述下边界的链码特征；
步骤S4:根据设定的起始点及链码方向对飞机目标下边界的链码特征进行编码，并根据链码方向选定特定方向上的编码来检测是否存在起落架可疑区域；
步骤S5:根据设定的起始点及链码方向对飞机目标下边界的链码特征进行编码，并根据链码方向选定特定方向上的编码来检测是否存在起落架可疑区域；
步骤S6:根据方向梯度直方图提取起落架可疑区域的判定特征，并根据判定特征判定所述起落架可疑区域的真实性。
优选的，实现步骤S1的具体步骤为:
步骤S101:将初始图像转换为灰度图像；
步骤S102:将灰度图像进行中值滤波处理，得到优化后的图像。
如图8所示，实现步骤S2的具体步骤为:
步骤S201:将优化后的图像进行背景抑制处理，并采用自适应阈值的方式将背景抑制处理后的图像进行二值化处理；
步骤S202:将经过二值化处理的图像进行连通域检测，并提取各个连通域的面积和质心信息，所述提取的连通域的面积大于给定值且质心行坐标最小的连通域作为飞机目标区域范围。
实现步骤S4的具体步骤为:
步骤S401:设定链码特征的起始点，并设定所述起始点右边点为编码出发点，且以出发点为始点，围绕起始点逆时针方向依次进行数字编码，并以出发点为终点，依次得到0至7方向编码，从而完成链码方向的设定；
步骤S402:根据设定的起始点及链码方向对飞机目标下边界的链码特征进行编码；
步骤S403:根据链码方向选定2方向和6方向为特定方向，并根据2方向和6方向位置上的最大列、最小列、最大行、最小行来检测是否存在起落架可疑区域。
优选的，实现步骤S5的具体步骤为:
步骤S501:提取所述起落架可疑区域的方向梯度直方图特征作为判定特征；
步骤S502:将提取的判定特征输入极限学习机分类器中进行判定，并根据极限学习机分类器输出的结果确定所起落架可疑区域的真实性。
本发明能够快速的检测到飞机起落架是否放下，易于工程实现；起落架检测正确率高，填补了当前对于该方面研究的空白；能够给出飞机起落架的位置和数量信息，更稳定。
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)
1.一种飞机起落架的检测***，其特征在于，包括图像预处理模块、飞机目标检测模块、特征提取模块、起落架可疑区域检测模块和起落架检测模块，
所述图像预处理模块，用于采集飞机起落架的初始图像，并对初始图像进行色彩处理和降噪处理，得到优化后的图像；
所述飞机目标检测模块，用于对优化后的图像依次进行背景抑制处理、二值化处理及连通区域检测，并通过检测到的连通区域来提取图像中的飞机目标区域范围；
所述特征提取模块，用于提取所述飞机目标区域范围中的下边界,再提取所述下边界的链码特征；
所述起落架可疑区域检测模块，用于根据设定的起始点及链码方向对飞机目标下边界的链码特征进行编码，并根据链码方向选定特定方向上的编码来检测是否存在起落架可疑区域；
所述起落架检测模块，用于根据方向梯度直方图提取起落架可疑区域的判定特征，并根据判定特征判定所述起落架可疑区域的真实性。
2.根据权利要求1所述的一种飞机起落架的检测***，其特征在于，所述图像预处理模块包括：
灰度处理单元，用于将初始图像转换为灰度图像；
滤波处理单元，用于将灰度图像进行中值滤波处理，得到优化后的图像。
3.根据权利要求1所述的一种飞机起落架的检测***，其特征在于，所述飞机目标检测模块包括：
二值化处理单元，用于将优化后的图像进行背景抑制处理，并采用自适应阈值的方式将背景抑制处理后的图像进行二值化处理；
连通域处理单元，用于将经过二值化处理的图像进行连通域检测，并提取各个连通域的面积和质心信息，所述提取的连通域的面积大于给定值且质心行坐标最小的连通域作为飞机目标区域范围。
4.根据权利要求1所述的一种飞机起落架的检测***，其特征在于，所述起落架可疑区域检测模块包括：
设定单元，用于设定链码特征的起始点，并设定所述起始点右边点为编码出发点，且以出发点为始点，围绕起始点逆时针方向依次进行数字编码，并以出发点为终点，依次得到0至7方向编码，从而完成链码方向的设定；
编码单元，用于根据设定的起始点及链码方向对飞机目标下边界的链码特征进行编码；
可疑区域检测单元，用于根据链码方向选定2方向和6方向为特定方向，并根据2方向和6方向位置上的最大列、最小列、最大行、最小行来检测是否存在起落架可疑区域。
5.根据权利要求1所述的一种飞机起落架的检测***，其特征在于，所述起落架检测模块包括：
判定特征提取单元，用于提取所述起落架可疑区域的方向梯度直方图特征作为判定特征；
起落架检测单元，用于将提取的判定特征输入极限学习机分类器中进行判定，并根据极限学习机分类器输出的结果确定所起落架可疑区域的真实性。
6.一种飞机起落架的检测方法，其特征在于，包括如下步骤:
步骤S1:采集飞机起落架的初始图像，并对初始图像进行色彩处理和降噪处理，得到优化后的图像；
步骤S2:对优化后的图像依次进行背景抑制处理、二值化处理及连通区域检测，并通过检测到的连通区域来提取图像中的飞机目标区域范围；
步骤S3:提取所述飞机目标区域范围中的下边界,再提取所述下边界的链码特征；
步骤S4:根据设定的起始点及链码方向对飞机目标下边界的链码特征进行编码，并根据链码方向选定特定方向上的编码来检测是否存在起落架可疑区域；
步骤S5:根据设定的起始点及链码方向对飞机目标下边界的链码特征进行编码，并根据链码方向选定特定方向上的编码来检测是否存在起落架可疑区域；
步骤S6:根据方向梯度直方图提取起落架可疑区域的判定特征，并根据判定特征判定所述起落架可疑区域的真实性。
7.根据权利要求6所述的一种飞机起落架的检测方法，其特征在于，实现步骤S1的具体步骤为:
步骤S101:将初始图像转换为灰度图像；
步骤S102:将灰度图像进行中值滤波处理，得到优化后的图像。
8.根据权利要求6所述的一种飞机起落架的检测方法，其特征在于，实现步骤S2的具体步骤为:
步骤S201:将优化后的图像进行背景抑制处理，并采用自适应阈值的方式将背景抑制处理后的图像进行二值化处理；
步骤S202:将经过二值化处理的图像进行连通域检测，并提取各个连通域的面积和质心信息，所述提取的连通域的面积大于给定值且质心行坐标最小的连通域作为飞机目标区域范围。
9.根据权利要求6所述的一种飞机起落架的检测方法，其特征在于，实现步骤S4的具体步骤为:
步骤S401:设定链码特征的起始点，并设定所述起始点右边点为编码出发点，且以出发点为始点，围绕起始点逆时针方向依次进行数字编码，并以出发点为终点，依次得到0至7方向编码，从而完成链码方向的设定；
步骤S402:根据设定的起始点及链码方向对飞机目标下边界的链码特征进行编码；
步骤S403:根据链码方向选定2方向和6方向为特定方向，并根据2方向和6方向位置上的最大列、最小列、最大行、最小行来检测是否存在起落架可疑区域。
10.根据权利要求6所述的一种飞机起落架的检测方法，其特征在于，实现步骤S5的具体步骤为:
步骤S501:提取所述起落架可疑区域的方向梯度直方图特征作为判定特征；
步骤S502:将提取的判定特征输入极限学习机分类器中进行判定，并根据极限学习机分类器输出的结果确定所起落架可疑区域的真实性。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610554236.9A CN106203353B (zh) | 2016-07-14 | 2016-07-14 | 一种飞机起落架的检测***及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610554236.9A CN106203353B (zh) | 2016-07-14 | 2016-07-14 | 一种飞机起落架的检测***及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106203353A true CN106203353A (zh) | 2016-12-07 |
| CN106203353B CN106203353B (zh) | 2019-11-15 |
Family
ID=57475282
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610554236.9A Expired - Fee Related CN106203353B (zh) | 2016-07-14 | 2016-07-14 | 一种飞机起落架的检测***及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106203353B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951823A (zh) * | 2017-02-06 | 2017-07-14 | 中国电子科技集团公司第二十八研究所 | 一种红外图像起落架自动识别方法 |
| CN107633505A (zh) * | 2017-08-24 | 2018-01-26 | 南京理工大学 | 一种基于目标灰度分布特性的飞机起落架检测方法 |
| CN114577254A (zh) * | 2022-05-07 | 2022-06-03 | 成都凯天电子股份有限公司 | 基于起落架电感式接近传感器的高可靠性检测方法及*** |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101551823A (zh) * | 2009-04-20 | 2009-10-07 | 浙江师范大学 | 一种综合多特征图像检索方法 |
| CN103413136A (zh) * | 2013-08-01 | 2013-11-27 | 西北工业大学 | 一种红外图像中高压线的检测方法 |
| CN103839268A (zh) * | 2014-03-18 | 2014-06-04 | 北京交通大学 | 一种地铁隧道表面裂缝的检测方法 |
-
2016
- 2016-07-14 CN CN201610554236.9A patent/CN106203353B/zh not_active Expired - Fee Related
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101551823A (zh) * | 2009-04-20 | 2009-10-07 | 浙江师范大学 | 一种综合多特征图像检索方法 |
| CN103413136A (zh) * | 2013-08-01 | 2013-11-27 | 西北工业大学 | 一种红外图像中高压线的检测方法 |
| CN103839268A (zh) * | 2014-03-18 | 2014-06-04 | 北京交通大学 | 一种地铁隧道表面裂缝的检测方法 |
Non-Patent Citations (1)
| Title |
|---|
| 殷宇殿: "基于数学形态学的管道缺陷特征提取方法研究", 《中国优秀硕士学位论文全文数据库信息科技辑（月刊 ）》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN106951823A (zh) * | 2017-02-06 | 2017-07-14 | 中国电子科技集团公司第二十八研究所 | 一种红外图像起落架自动识别方法 |
| CN106951823B (zh) * | 2017-02-06 | 2019-11-15 | 南京莱斯电子设备有限公司 | 一种红外图像起落架自动识别方法 |
| CN107633505A (zh) * | 2017-08-24 | 2018-01-26 | 南京理工大学 | 一种基于目标灰度分布特性的飞机起落架检测方法 |
| CN114577254A (zh) * | 2022-05-07 | 2022-06-03 | 成都凯天电子股份有限公司 | 基于起落架电感式接近传感器的高可靠性检测方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106203353B (zh) | 2019-11-15 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109522793B (zh) | 基于机器视觉的多人异常行为检测与识别方法 | |
| CN110425005B (zh) | 矿井下皮带运输人员人机交互行为安全监控与预警方法 | |
| CN108153334B (zh) | 无合作目标式无人直升机视觉自主返航与着降方法及*** | |
| CN104933680B (zh) | 一种智能的无人艇视觉***视频快速海雾去除方法 | |
| CN103632158B (zh) | 森林防火监控方法及森林防火监控*** | |
| CN107450590A (zh) | 一种无人机辅助降落方法 | |
| CN104463097B (zh) | 基于局部自适应阈值分割算法的高压线图像检测方法 | |
| KR20210078530A (ko) | 차선 속성 검출방법, 장치, 전자장치 및 가독 저장 매체 | |
| CN106203265A (zh) | 一种基于无人机采集图像的施工扬尘污染源自动监测及影响范围预测***及方法 | |
| CN109255298A (zh) | 一种动态背景中的安全帽检测方法与*** | |
| CN107273816B (zh) | 基于车载前视单目相机的交通限速标识检测识别方法 | |
| CN108509897A (zh) | 一种人体姿态识别方法和*** | |
| CN106203353A (zh) | 一种飞机起落架的检测***及方法 | |
| CN110728241A (zh) | 一种基于深度学习多特征融合的驾驶员疲劳检测方法 | |
| CN106980852A (zh) | 基于角点检测与匹配的药品识别***及其识别方法 | |
| CN104268877B (zh) | 一种红外图像海天线自适应检测方法 | |
| CN107392941A (zh) | 一种飞机起降跟踪***与方法 | |
| CN110147714A (zh) | 基于无人机的煤矿采空区裂缝识别方法及检测*** | |
| CN106127814A (zh) | 一种智慧金睛识别人员聚集打斗报警方法和装置 | |
| CN109993122A (zh) | 一种基于深度卷积神经网络的行人乘扶梯异常行为检测方法 | |
| CN117197676A (zh) | 一种基于特征融合的目标检测识别方法 | |
| CN110821330B (zh) | 一种车门与屏蔽门间隙防夹人的方法及装置 | |
| CN103679746B (zh) | 一种基于多信息融合的目标跟踪方法 | |
| CN109977884B (zh) | 目标跟随方法和装置 | |
| CN104008365A (zh) | 基于图像处理技术的检测果树树叶稀密程度的方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20191115 |
|
| CF01 | Termination of patent right due to non-payment of annual fee |