CN108090895A - 一种基于图像处理的集装箱锁孔轮廓提取方法 - Google Patents
一种基于图像处理的集装箱锁孔轮廓提取方法 Download PDFInfo
- Publication number
- CN108090895A CN108090895A CN201711221634.XA CN201711221634A CN108090895A CN 108090895 A CN108090895 A CN 108090895A CN 201711221634 A CN201711221634 A CN 201711221634A CN 108090895 A CN108090895 A CN 108090895A
- Authority
- CN
- China
- Prior art keywords
- mrow
- msub
- pixel
- mtd
- lockhole
- 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
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/0002—Inspection of images, e.g. flaw detection
- G06T7/0004—Industrial image inspection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/194—Segmentation; Edge detection involving foreground-background segmentation
-
- 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
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- 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
- G06V10/46—Descriptors for shape, contour or point-related descriptors, e.g. scale invariant feature transform [SIFT] or bags of words [BoW]; Salient regional features
- G06V10/462—Salient features, e.g. scale invariant feature transforms [SIFT]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/30—Subject of image; Context of image processing
- G06T2207/30108—Industrial image inspection
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (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)
- Quality & Reliability (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种基于图像处理的集装箱锁孔轮廓提取方法,实现集装箱锁孔轮廓精确提取,提高集装箱定位精度;实现自动集装箱定位,具有精度高、速度快、操作简单和实时处理的特点,减少了效率低操作复杂的人工定位过程,减少因人工定位造成的错误问题和时间成本,解决了人工操作劳动强度大、效率低和可靠性差的问题。
Description
技术领域
本发明涉及一种基于图像处理的集装箱锁孔轮廓提取方法,尤其涉及利用图像识别技术对集装箱角件图像进行处理,获取锁孔轮廓的方法。
背景技术
由于全球化贸易的不断发展,海运集装箱货运量不断上升。从航次经济核算分析,缩减船舶在港口的停留时间,可以降低船舶停泊成本,提高港口的货物吞吐量,进而提高经济效益。而靠工人通过视觉观察控制吊具抓取集装箱的传统方法,严重影响了货物的装卸速度,且人工操作存在效率低、易疲劳、准确率不高等问题,已无法满足实际生产与工作需求。提高装卸自动化的程度是提高集装箱货运效率的有效途径,其关键问题在于集装箱位置的精确定位,因此基于图像处理的集装箱锁孔轮廓提取方法成为了一个较好的解决方案。
为了解决集装箱锁孔定位问题,国内外学术界、工业界提出了很多方案。其中与本发明较为接近的技术方案包括:张洪波(基于图像的集装箱锁孔定位技术[J].起重运输机械,2015(10):67-69.)该方法通过双目立体视觉技术对集装箱锁孔进行检测和定位,但其主要针对双目立体视觉技术的思路实现和数学论证,在实际场景中应用较为困难,而且关于锁孔定位和识别相关内容介绍不够完善,并不能很好的应用在外界干扰明显的场景中;宓为建(基于机器视觉的集装箱锁孔识别算法研究[J].中国工程机械学报,2016,14(05).)该研究通过颜色空间直方图,识别集装箱箱体的大致位置,再通过投影得到箱体的具体边缘,根据已识别的箱体边缘进一步检测边缘交点处的锁孔位置,最后通过陷波定位集装箱锁孔位置。该算法在运行时间较低的情况下,对集装箱在图中占很大位置且图中集装箱较新的图像能有较好的识别度;但在实际应用场景中,受集装箱工作条件影响,集装箱上有较多的锈斑和灰尘,通过箱体颜色定位集装箱位置较为困难,且由于光照不均的问题,部分角件和锁孔颜色难以区分,致使通过陷波定位集装箱锁孔精确度不高;宓超(基于视觉***的集装箱锁孔识别算法研究[C]//全国机械工程博士论坛.2015.)该方法通灰度直方图均衡化处理集装箱图像,利用HSV通道中H通道信息进行二值化操作,得到箱体的大致区域,然后根据箱体边缘区域的陷波位置定位,利用Hough算法对陷波区域的圆形边缘进行检测,实现对锁孔进行精确定位;但是在实际场景中,锁孔轮廓是圆角矩形,针对锁孔区域进行Hough圆形检测效果并不明显,且容易受外界光照情况影响,造成识别精度下降甚至识别不出锁孔区域,该***并不能很好的达到集装箱锁孔精确识别的要求
综上所述,当前集装箱锁孔轮廓提取处理方案中存在如下不足:
(1)多数方法首先对集装箱箱体进行识别,之后根据集装箱边缘估计锁孔大致区域,但集装箱由于长时间受日晒风吹,表面容易出现污损的情况,容易造成集装箱识别有误而影响锁孔精确定位;
(2)上述方法中并未真正识别出集装箱锁孔的准确轮廓,而识别***的精确度不够,容易造成集装箱抓取失败,导致集装箱吊具和集装箱的损坏,造成不必要的损失;
(3)受光照条件影响,集装箱锁孔位置光照不均,容易出现锁孔中部分区域明亮,部分区域被角件阴影遮挡,导致锁孔识别精度下降;
集装箱运输在全球贸易事业中有着重要的作用,自动化港口的建设是促进国际贸易发展的重要途径,而集装箱锁孔精确定位正是集装箱自动抓取功能的重要基础。但是由于光照条件影响,部分锁孔光照不均匀,容易导致锁孔定位精确度不高,造成较大的***误差。而本发明中的锁孔轮廓提取策略,针对光照不均,角件表面污损的图像,能较好的识别出图像中锁孔的准确轮廓,实现集装箱锁孔的精确定位。
发明内容
为了实现集装箱锁孔定位问题,本发明提供了一种基于图像处理的集装箱锁孔轮廓提取方法;为了解决其技术问题所采用的方案包含如下步骤:
步骤1:用安装在吊具上的摄像头采集下方集装箱的图像;
步骤2:利用基于HOG+SVM的集装箱锁孔粗定位方法获得上下锁孔的粗定位范围,该锁孔粗定位区域的宽度为width,高度为height,单位为像素,记为锁孔粗定位图像F1,图像大小为Akeyhole:
Akeyhole=width×height (1)
步骤3:通过区域分割方法Graph-Based Segmentation对图像F1进行超像素分割,将图像分割为n1个超像素区域,记超像素区域集合S={Ri(xi,yi)|i=1,2,3,…,n1},其中Ri是由mi个像素组成的超像素区域,xi和yi分别表示区域Ri中心点的横坐标和纵坐标,Ri={pj|j=1,2,3,…,mi},pj表示区域Ri中的像素;
步骤4:利用直方图对比度显著性计算方法HC计算集合S中所有超像素区域的显著性值,得到超像素的显著值集合Ssal={vi|i=1,2,3,…,n1},vi为超像素区域Ri的显著值;将Ssal中显著值最高的超像素区域,记为Rsal={pj|j=1,2,3,…,nsal},其中nsal表示Rsal中的像素数量;
步骤5:计算集合S中所有超像素中心点到超像素Rsal中心点的曼哈顿距离,并根据距离从小到大排序,得超像素集合S1={Rw|w=1,2,3,…,n1};
步骤6:进行锁孔区域拼凑,锁孔区域集合区域填充度cold=0,具体如下:
步骤6.1:从超像素集合S1中取出元素R1,加入到集合S2中,在S2中记为Rn;并将元素R1从S1中删除,对集合S1根据距离从小到大重新排序;
步骤6.2:计算集合S2中的像素数量N:
其中n为集合S2中超像素的数量,mn为S2中超像素的像素数量;
步骤6.3:提取集合S2中像素横坐标中的最小值和最大值分别记为x1和x2,集合S2中像素纵坐标中的最小值和最大值分别记为y1和y2;计算得集合S2中像素组成图像的最小外接矩形R(w,h),其中w表示矩形R的宽度,h表示矩形R的高度,矩形面积为A:
w=x2-x1 (4)
h=y2-y1 (5)
A=w×h (6)
步骤6.4:计算区域合并后的区域填充度cnew:
步骤6.5:若满足条件cnew≥cold,则将cnew的值赋予cold;反之,将元素Rn从S2中删除;重复步骤6.1到6.5,直至或迭代次数大于λ1,其中λ1表示事先给定的最大迭代次数;
步骤7:计算得锁孔区域集合S2={pu|u=1,2,3,…,n2},区域集合S2的外接矩形为Rbox(xbox,ybox,wbox,hbox),其中pu表示集合S2中的像素,n2表示S2中的像素数量,xbox和ybox分别表示矩形Rbox左上角的横坐标和纵坐标,wbox和hbox分别表示矩形Rbox的宽度和高度;
步骤8:采用式(8)或(9)计算锁孔外接矩形Rhole(xhole,yhole,whole,hhole),xhole和yhole分别表示锁孔外接矩形左上角的横坐标和纵坐标,whole和hhole分别表示锁孔外接矩形的宽度和高度;
步骤9:采用GrubCut图割算法对图像F1进行处理,设置图像大致的前景和背景区域;将外接矩形内区域设置为可能的前景区域,矩形外区域设置为背景区域,须满足条件n2≥λ2,其中λ2为事先给定的锁孔大小阈值;反之,设置集合S2中像素为可能的前景区域,区域Rsal中像素为前景区域,图像F1中的其余部分为背景区域;
步骤10:将GrubCut图割算法迭代λ3次,λ3为事先给定的图割迭代次数,可得锁孔轮廓图像F2。
本发明的优点
实现集装箱锁孔轮廓精确提取,提高集装箱定位精度;实现自动集装箱定位,具有精度高、速度快、操作简单和实时处理的特点,减少了效率低操作复杂的人工定位过程,减少因人工定位造成的错误问题和时间成本,解决了人工操作劳动强度大、效率低和可靠性差的问题。
附图说明
图1为本发明的实施样例选取的集装箱上方部分拍摄图像。
图2为本发明的经过步骤2进行HOG+SVM处理后得到的锁孔粗定位图像。
图3为本发明的经过步骤3进行区域分割后的超像素区域图像。
图4为本发明的经过步骤4进行显著性计算后的显著性区域图像。
图5为本发明的经过步骤6锁孔区域拼凑的锁孔区域图像。
图6为本发明的经过步骤10得到的锁孔精确轮廓图像。
具体实施方式
下面结合实施实例来详细阐述本发明集装箱锁孔轮廓提取方法的具体实施方式。步骤如下:
步骤1:用安装在吊具上的摄像头采集下方集装箱的图像;
步骤2:利用基于HOG+SVM的集装箱锁孔粗定位方法获得上下锁孔的粗定位范围,该锁孔粗定位区域的宽度为width,高度为height,单位为像素,记为锁孔粗定位图像F1,图像大小为Akeyhole:
Akeyhole=width×height (1)
步骤3:通过区域分割方法Graph-Based Segmentation对图像F1进行超像素分割,将图像分割为n1个超像素区域,记超像素区域集合S={Ri(xi,yi)|i=1,2,3,…,n1},其中Ri是由mi个像素组成的超像素区域,xi和yi分别表示区域Ri中心点的横坐标和纵坐标,Ri={pj|j=1,2,3,…,mi},pj表示区域Ri中的像素;
步骤4:利用直方图对比度显著性计算方法HC计算集合S中所有超像素区域的显著性值,得到超像素的显著值集合Ssal={vi|i=1,2,3,…,n1},vi为超像素区域Ri的显著值;将Ssal中显著值最高的超像素区域,记为Rsal={pj|j=1,2,3,…,nsal},其中nsal表示Rsal中的像素数量;
步骤5:计算集合S中所有超像素中心点到超像素Rsal中心点的曼哈顿距离,并根据距离从小到大排序,得超像素集合S1={Rw|w=1,2,3,…,n1};
步骤6:进行锁孔区域拼凑,锁孔区域集合区域填充度cold=0,具体如下:
步骤6.1:从超像素集合S1中取出元素R1,加入到集合S2中,在S2中记为Rn;并将元素R1从S1中删除,对集合S1根据距离长度从小到大重新排序;
步骤6.2:计算集合S2中的像素数量N:
其中n为集合S2中超像素的数量,mn为S2中超像素的像素数量;
步骤6.3:提取集合S2中像素横坐标的最小值和最大值分别记为x1和x2,集合S2中像素纵坐标的最小值和最大值分别记为y1和y2;计算得集合S2中像素组成图像的最小外接矩形R(w,h),其中w表示矩形R的宽度,h表示矩形R的高度,矩形面积为A:
w=x2-x1 (4)
h=y2-y1 (5)
A=w×h (6)
步骤6.4:计算区域合并后的区域填充度cnew:
步骤6.5:若满足条件cnew≥cold,则将cnew的值赋予cold;反之,将元素Rn从S2中删除;重复步骤6.1到6.5,直至或迭代次数大于λ1,其中λ1表示事先给定的最大迭代次数,在本实例中,λ1=10;步骤7:计算得锁孔区域集合S2={pu|u=1,2,3,…,n2},区域集合S2的外接矩形为Rbox(xbox,ybox,wbox,hbox),其中pu表示集合S2中的像素,n2表示S2中的像素数量,xbox和ybox分别表示区域集合S2外接矩形左上角的横坐标和纵坐标,wbox和hbox分别表示区域集合S2外接矩形的宽度和高度;
步骤8:采用式(8)或(9)计算锁孔外接矩形Rhole(xhole,yhole,whole,hhole),xhole和yhole分别表示锁孔外接矩形左上角的横坐标和纵坐标,whole和hhole分别表示锁孔外接矩形的宽度和高度;
步骤9:利用GrubCut图割算法对图像F1进行处理,设置图像大致的前景和背景区域;将外接矩形内区域设置为可能的前景区域,矩形外区域设置为背景区域,须满足条件n2≥λ2,其中λ2为事先给定的锁孔大小阈值,在本实例中,λ2=1000;反之,设置集合S2中像素为可能的前景区域,区域Rsal中像素为前景区域,图像F1中的其余部分为背景区域;
步骤10:将GrubCut图割算法迭代λ3次,可得锁孔轮廓图像F2,λ3为事先给定的图割迭代次数,在本实例中,λ3=3。
本说明书实施例所述的内容仅仅是对发明构思的实现形式的列举,本发明的保护范围的不应当被视为仅限于实施例所陈述的具体形式,本发明的保护范围也及于本领域技术人员根据本发明构思所能够想到的等同技术手段。
Claims (2)
1.一种基于图像处理的集装箱锁孔轮廓提取方法,包括如下步骤:
步骤1:用安装在吊具上的摄像头采集下方集装箱的图像;
步骤2:利用基于HOG+SVM的集装箱锁孔粗定位方法获得上下锁孔的粗定位范围,该锁孔粗定位区域的宽度为width,高度为height,单位为像素,记为锁孔粗定位图像F1,图像大小为Akeyhole:
Akeyhole=width×height (1);
步骤3:通过区域分割方法Graph-Based Segmentation对图像F1进行超像素分割,将图像分割为n1个超像素区域,记超像素区域集合S={Ri(xi,yi)|i=1,2,3,…,n1},其中Ri是由mi个像素组成的超像素区域,xi和yi分别表示区域Ri中心点的横坐标和纵坐标,Ri={pj|j=1,2,3,…,mi},pj表示区域Ri中的像素;
<mrow>
<msub>
<mi>A</mi>
<mrow>
<mi>k</mi>
<mi>e</mi>
<mi>y</mi>
<mi>h</mi>
<mi>o</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mn>1</mn>
<msub>
<mi>n</mi>
<mn>1</mn>
</msub>
</msubsup>
<msub>
<mi>m</mi>
<mi>i</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
步骤4:利用直方图对比度显著性计算方法HC计算集合S中所有超像素区域的显著性值,得到超像素的显著值集合Ssal={vi|i=1,2,3,…,n1},vi为超像素区域Ri的显著值;将Ssal中显著值最高的超像素区域,记为Rsal={pj|j=1,2,3,…,nsal},其中nsal表示Rsal中的像素数量;
步骤5:计算集合S中所有超像素中心点到超像素Rsal中心点的曼哈顿距离,并根据距离从小到大排序,得超像素集合S1={Rw|w=1,2,3,…,n1};
步骤6:进行锁孔区域拼凑,锁孔区域集合区域填充度cold=0;
步骤7:计算得锁孔区域集合S2={pu|u=1,2,3,…,n2},区域集合S2的外接矩形为Rbox(xbox,ybox,wbox,hbox),其中pu表示集合S2中的像素,n2表示S2中的像素数量,xbox和ybox分别表示区域集合S2外接矩形左上角的横坐标和纵坐标,wbox和hbox分别表示区域集合S2外接矩形的宽度和高度;
步骤8:采用式(8)或(9)计算锁孔外接矩形Rhole(xhole,yhole,whole,hhole),xhole和yhole分别表示锁孔外接矩形左上角的横坐标和纵坐标,whole和hhole分别表示锁孔外接矩形的宽度和高度;
<mrow>
<mtable>
<mtr>
<mtd>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>h</mi>
<mi>o</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>b</mi>
<mi>o</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mn>5</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mrow>
<mi>h</mi>
<mi>o</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>b</mi>
<mi>o</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mn>5</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>h</mi>
<mi>o</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>b</mi>
<mi>o</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>+</mo>
<mn>10</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>h</mi>
<mrow>
<mi>h</mi>
<mi>o</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>h</mi>
<mrow>
<mi>b</mi>
<mi>o</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>+</mo>
<mn>10</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mtd>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>b</mi>
<mi>o</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>h</mi>
<mrow>
<mi>b</mi>
<mi>o</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>></mo>
<mfrac>
<msub>
<mi>A</mi>
<mrow>
<mi>k</mi>
<mi>e</mi>
<mi>y</mi>
<mi>h</mi>
<mi>o</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
<mn>6</mn>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<mtable>
<mtr>
<mtd>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mi>x</mi>
<mrow>
<mi>h</mi>
<mi>o</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>x</mi>
<mrow>
<mi>b</mi>
<mi>o</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mn>5</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>y</mi>
<mrow>
<mi>h</mi>
<mi>o</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>y</mi>
<mrow>
<mi>b</mi>
<mi>o</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>-</mo>
<mn>5</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>h</mi>
<mi>o</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>w</mi>
<mrow>
<mi>b</mi>
<mi>o</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>+</mo>
<mn>10</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<msub>
<mi>h</mi>
<mrow>
<mi>h</mi>
<mi>o</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
<mo>=</mo>
<mn>2</mn>
<mo>&CenterDot;</mo>
<msub>
<mi>h</mi>
<mrow>
<mi>b</mi>
<mi>o</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>+</mo>
<mn>10</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
</mtd>
<mtd>
<mrow>
<msub>
<mi>w</mi>
<mrow>
<mi>b</mi>
<mi>o</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>&CenterDot;</mo>
<msub>
<mi>h</mi>
<mrow>
<mi>b</mi>
<mi>o</mi>
<mi>x</mi>
</mrow>
</msub>
<mo>&le;</mo>
<mfrac>
<msub>
<mi>A</mi>
<mrow>
<mi>k</mi>
<mi>e</mi>
<mi>y</mi>
<mi>h</mi>
<mi>o</mi>
<mi>l</mi>
<mi>e</mi>
</mrow>
</msub>
<mn>6</mn>
</mfrac>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>9</mn>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
步骤9:利用GrubCut图割算法对图像F1进行处理,设置图像大致的前景和背景区域;将外接矩形内区域设置为可能的前景区域,矩形外区域设置为背景区域,须满足条件n2≥λ2,其中λ2为事先给定的锁孔大小阈值;反之,设置集合S2中像素为可能的前景区域,区域Rsal中像素为前景区域,图像F1中的其余部分为背景区域;
步骤10:将GrubCut图割算法迭代λ3次,可得锁孔轮廓图像F2,λ3为事先给定的图割迭代次数。
2.如权利要求1所述的基于图像处理的集装箱锁孔轮廓提取方法,其特征在于:步骤6具体如下:
步骤6.1:从超像素集合S1中取出元素R1,加入到集合S2中,在S2中记为Rn;并将元素R1从S1中删除,对集合S1根据距离长度从小到大重新排序;
步骤6.2:计算集合S2中的像素数量N:
<mrow>
<mi>N</mi>
<mo>=</mo>
<msubsup>
<mi>&Sigma;</mi>
<mn>1</mn>
<mi>n</mi>
</msubsup>
<msub>
<mi>m</mi>
<mi>n</mi>
</msub>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中n为集合S2中超像素的数量,mn为S2中超像素的像素数量;
步骤6.3:提取集合S2中像素横坐标的最小值和最大值分别记为x1和x2,集合S2中像素纵坐标的最小值和最大值分别记为y1和y2;计算得集合S2中像素组成图像的最小外接矩形R(w,h),其中w表示矩形R的宽度,h表示矩形R的高度,矩形面积为A:
w=x2-x1 (4)
h=y2-y1 (5)
A=w×h (6)
步骤6.4:计算区域合并后的区域填充度cnew:
<mrow>
<msub>
<mi>c</mi>
<mrow>
<mi>n</mi>
<mi>e</mi>
<mi>w</mi>
</mrow>
</msub>
<mo>=</mo>
<mfrac>
<mi>N</mi>
<mi>A</mi>
</mfrac>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
步骤6.5:若满足条件cnew≥cold,则将cnew的值赋予cold;反之,将元素Rn从S2中删除;重复步骤6.1到6.5,直至或迭代次数大于λ1,其中λ1表示事先给定的最大迭代次数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711221634.XA CN108090895B (zh) | 2017-11-28 | 2017-11-28 | 一种基于图像处理的集装箱锁孔轮廓提取方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711221634.XA CN108090895B (zh) | 2017-11-28 | 2017-11-28 | 一种基于图像处理的集装箱锁孔轮廓提取方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108090895A true CN108090895A (zh) | 2018-05-29 |
CN108090895B CN108090895B (zh) | 2021-07-06 |
Family
ID=62173276
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711221634.XA Active CN108090895B (zh) | 2017-11-28 | 2017-11-28 | 一种基于图像处理的集装箱锁孔轮廓提取方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108090895B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165649A (zh) * | 2018-09-03 | 2019-01-08 | 苏州巨能图像检测技术有限公司 | 基于视觉检测的集装箱箱孔高精准检测方法 |
CN110197499A (zh) * | 2019-05-27 | 2019-09-03 | 江苏警官学院 | 一种基于计算机视觉的集装箱安全起吊监测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787481A (zh) * | 2016-04-05 | 2016-07-20 | 湖南人文科技学院 | 一种基于目标性潜在区域分析的目标检测算法及其应用 |
CN105956619A (zh) * | 2016-04-27 | 2016-09-21 | 浙江工业大学 | 一种集装箱锁孔粗定位和跟踪方法 |
CN106097332A (zh) * | 2016-06-07 | 2016-11-09 | 浙江工业大学 | 一种基于角点检测的集装箱轮廓定位方法 |
CN106952269A (zh) * | 2017-02-24 | 2017-07-14 | 北京航空航天大学 | 近邻可逆的视频前景物体序列检测分割方法及*** |
-
2017
- 2017-11-28 CN CN201711221634.XA patent/CN108090895B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105787481A (zh) * | 2016-04-05 | 2016-07-20 | 湖南人文科技学院 | 一种基于目标性潜在区域分析的目标检测算法及其应用 |
CN105956619A (zh) * | 2016-04-27 | 2016-09-21 | 浙江工业大学 | 一种集装箱锁孔粗定位和跟踪方法 |
CN106097332A (zh) * | 2016-06-07 | 2016-11-09 | 浙江工业大学 | 一种基于角点检测的集装箱轮廓定位方法 |
CN106952269A (zh) * | 2017-02-24 | 2017-07-14 | 北京航空航天大学 | 近邻可逆的视频前景物体序列检测分割方法及*** |
Non-Patent Citations (3)
Title |
---|
张广军: "数字图像处理在集装箱检测中的应用研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
肖刚,张元鸣 等: "基于暗区连通域的定位孔识别方法", 《计算机工程与应用》 * |
高飞,卢书芳 等: "基于迭代拟合的集装箱角件边缘检测算法", 《计算机测量与控制》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109165649A (zh) * | 2018-09-03 | 2019-01-08 | 苏州巨能图像检测技术有限公司 | 基于视觉检测的集装箱箱孔高精准检测方法 |
CN109165649B (zh) * | 2018-09-03 | 2022-04-15 | 苏州巨能图像检测技术有限公司 | 基于视觉检测的集装箱箱孔高精准检测方法 |
CN110197499A (zh) * | 2019-05-27 | 2019-09-03 | 江苏警官学院 | 一种基于计算机视觉的集装箱安全起吊监测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN108090895B (zh) | 2021-07-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106839985B (zh) | 无人天车钢卷抓取的自动识别定位方法 | |
CN106127113A (zh) | 一种基于三维激光雷达的道路车道线检测方法 | |
CN102693423B (zh) | 一种在强光条件下车牌精确定位的方法 | |
EP2207010B1 (en) | House change judgment method and house change judgment program | |
WO2021184757A1 (zh) | 机器人视觉末端定位方法、装置及计算机可读存储介质 | |
CN107330925A (zh) | 一种基于激光雷达深度图像的多障碍物检测和跟踪方法 | |
CN106097332B (zh) | 一种基于角点检测的集装箱轮廓定位方法 | |
CN102654902A (zh) | 基于轮廓向量特征的嵌入式实时图像匹配方法 | |
CN106097329A (zh) | 一种基于边缘检测的集装箱轮廓定位方法 | |
CN108090895A (zh) | 一种基于图像处理的集装箱锁孔轮廓提取方法 | |
CN111243016B (zh) | 一种集装箱自动识别与定位方法 | |
CN113240682B (zh) | 用于履带式起重机的防倾覆施工驾驶地图生成方法及*** | |
CN109870458B (zh) | 一种基于三维激光传感器及包围盒的路面裂缝检测与分类方法 | |
CN109335964A (zh) | 一种集装箱旋锁检测***及检测方法 | |
CN112581519B (zh) | 一种放射性废物包识别定位方法与装置 | |
CN113128346A (zh) | 起重机施工现场的目标识别方法、***、装置及存储介质 | |
Dos Santos et al. | Building boundary extraction from LiDAR data using a local estimated parameter for alpha shape algorithm | |
CN115291240B (zh) | 矿区场景内卸载点后方挡墙感知识别的检测方法及*** | |
CN113536837A (zh) | 室内场景的区域划分方法及装置 | |
CN115719358A (zh) | 一种x射线安检图像中直线段提取方法 | |
CN103617627A (zh) | 基于差影技术的继电器上印刷文字缺陷的检测方法 | |
CN106097331A (zh) | 一种基于锁孔识别的集装箱定位方法 | |
Sajadian et al. | A data driven method for building reconstruction from LiDAR point clouds | |
CN116777903B (zh) | 一种箱门检测方法和*** | |
CN117809189A (zh) | 一种基于大数据的地质结构健康监测与预测*** |
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 |