CN109284658B - 一种支持向量机和Hough变换相结合的直道铁轨检测方法 - Google Patents

一种支持向量机和Hough变换相结合的直道铁轨检测方法 Download PDF

Info

Publication number
CN109284658B
CN109284658B CN201710603546.XA CN201710603546A CN109284658B CN 109284658 B CN109284658 B CN 109284658B CN 201710603546 A CN201710603546 A CN 201710603546A CN 109284658 B CN109284658 B CN 109284658B
Authority
CN
China
Prior art keywords
rail
straight track
track rail
support vector
sample
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
Application number
CN201710603546.XA
Other languages
English (en)
Other versions
CN109284658A (zh
Inventor
叶涛
王英男
杨俊雄
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Beijing Institute of Remote Sensing Equipment
Original Assignee
Beijing Institute of Remote Sensing Equipment
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Beijing Institute of Remote Sensing Equipment filed Critical Beijing Institute of Remote Sensing Equipment
Priority to CN201710603546.XA priority Critical patent/CN109284658B/zh
Publication of CN109284658A publication Critical patent/CN109284658A/zh
Application granted granted Critical
Publication of CN109284658B publication Critical patent/CN109284658B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
    • G06V20/588—Recognition of the road, e.g. of lane markings; Recognition of the vehicle driving pattern in relation to the road
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)
  • Image Processing (AREA)

Abstract

本发明公开了一种基于支持向量机和Hough变换的直道铁轨检测方法，首先，采集铁轨图像，构建特征向量库；然后，根据构建的特征向量库，利用支持向量机训练训练分类器；再次，加载分类器，采集铁轨视频图像，应用支持向量机算法检测图像中的直道铁轨，如果检测到铁轨，则算法转入下一步，否则，继续采集下一帧图像；最后，在检测道铁轨的区域，利用Hough变换完成直道铁轨的提取。本方法的优点在于降低了复杂环境对直道铁轨检测的影响，可以实现全天候自适应检测和提取直道铁轨，同时避免了全幅图像应用Hough变换检测直线，节省了直道铁轨的检测时间。

Description

一种支持向量机和Hough变换相结合的直道铁轨检测方法
技术领域
本发明涉及一种直道铁轨检测方法，特别是一种支持向量机和Hough变换相结合的直道铁轨检测方法。
背景技术
针对直道铁轨检测问题，传统方法首先对图像进行分割，然后利用Hough变换检测直线的方法实现对铁轨的检测，由于铁轨图像背景较为复杂，上述方法误检多，同时，光照以及环境的变换会影响图像分割的效果，使得传统方法无法自适应检测直道铁轨。
发明内容
本发明目的在于提供了一种支持向量机和Hough变换相结合的直道铁轨检测方法，解决传统方法受复杂背景影响大和直道铁轨误检率高等问题。
一种支持向量机和Hough变换相结合的直道铁轨检测方法的具体步骤为：
第一步构建支持向量机和Hough变换相结合的直道铁轨检测***
支持向量机和Hough变换相结合的直道铁轨检测***，包括：特征向量库构建模块、样本训练模块、直道铁轨检测模块和直道铁轨提取模块。所述：
特征向量库构建模块的功能为：采集铁轨图像，构建特征向量库；
样本训练模块的功能为：利用支持向量机算法完成样本图像的训练，并得到分类器；
直道铁轨检测模块的功能为：检测图像中的直道铁轨；
直道提取模块的功能为：根据得到的铁轨区域，利用Hough变换完成直道铁轨的提取。
第二步特征向量库构建模块构建特征向量库
特征向量库构建模块通过采集铁轨图像，构建待训练的正样本和负样本，其中，正样本为包含铁轨的图像，负样本为不包含铁轨的图像，提取所有样本图像局部二进制特征，构建特征向量库，特征向量总数为N，并对样本的类别加上相应的标签，标签1代表正样本，表示样本中有铁轨，标签-1代表负样本，表示样本中不含有铁轨，令xi为特征向量库中第i个向量，且1≤i≤N，yi为第i个向量的标签，且有yi∈Y＝{1,-1}；
第三步样本训练模块利用支持向量机训练样本库得到分类器
样本训练模块根据构建的特征向量库，得到训练集T＝{(x1,y1),(x2,y2)...,(xN,yN)}，
支持向量的目的是得到最优化分类超平面H(w*,b)＝w*·x+b，将铁轨和非铁轨分离开来，(w*,b)表示超平面的参数，其中w*表示超平面的法向量，b表示截距，将寻求最优化分类超平面转换为求解二次规划问题；
Figure GDA0001503857980000021
约束条件为
Figure GDA0001503857980000022
式中C为惩罚参数，且C≥0，ξi为松弛变量，原始问题的对偶问题为求解下列二次规划问题：
Figure GDA0001503857980000023
式中
Figure GDA0001503857980000024
αN T表示拉格朗日乘子向量，αi与αj分别表示第i个拉格朗日乘子和第j个拉格朗日乘子，且有：1≤i≤N，1≤j≤N。约束条件为
Figure GDA0001503857980000025
求解公式(3)的二次规划，得到拉格朗日乘子向量的最优解
Figure GDA0001503857980000026
结合公式(1)、(2)和(4)，得到分类超平面的法向量和截距为
Figure GDA0001503857980000027
则，最终训练的分类器中存储的数据为超平面参数(w*,b)。
第四步直道铁轨检测模块利用支持向量机检测直道铁轨
直道铁轨检测模块加载得到的分类器，采集视频图像，采用固定大小的扫描框对视频图像进行扫描，在扫描框内提取图像局部二进制特征，构建特征向量
Figure GDA0001503857980000031
根据分类决策函数
Figure GDA0001503857980000032
的符号，判断检测图像中，是否存在铁轨，如果符号大于0，则图像中存在铁轨，则转向第五步，否则继续采集下一帧视频图像；
第五步直道提取模块利用检测结果结合Hough变换提取直道铁轨
直道提取模块根据第四步检测到铁轨的区域，首先，利用文献1：“Otsu N.Athreshold selection method from gray level histogram[J].IEEE Transactions onSystems Man Cybernet，1979，9(1)：62-66.”所述类间方差最大化算法，完成自适应阈值分割，然后结合文献2：“滕今朝,邱杰.利用Hough变换实现直线的快速精确检测[J].中国图象图形学报,2008,13(2):394-398.”所述Hough变换检测直线，同时根据图像中，左边铁轨与水平面成钝角，右边铁轨与水平面成锐角的原则，提取直道铁轨。
至此，实现了基于支持向量机和Hough变换的铁轨检测。
本发明通过支持向量机完成各种复杂环境下的图像样本的训练以及直道铁轨的检测，在检测到铁轨的区域，利用Hough变换提取直道铁轨，相比传统方法，本发明降低了复杂环境对直道铁轨检测的影响，能够实现全天候自适应检测和提取直道铁轨，同时避免了全幅图像应用Hough变换检测直线，节省了直道铁轨的检测时间。
附图说明
图1一种支持向量机和Hough变换相结合的直道铁轨检测方法流程图；
图2直道铁轨样本库部分示例图；
图3直道铁轨检测部分示例图。
具体实施方式
一种支持向量机和Hough变换相结合的直道铁轨检测方法的具体步骤如下：
第一步构建支持向量机和Hough变换相结合的直道铁轨检测***
支持向量机和Hough变换相结合的直道铁轨检测***，包括：特征向量库构建模块、样本训练模块、直道铁轨检测模块和直道铁轨提取模块。所述：
特征向量库构建模块的功能为：采集铁轨图像，构建特征向量库；
样本训练模块的功能为：利用支持向量机算法完成样本图像的训练，并得到分类器；
直道铁轨检测模块的功能为：检测图像中的直道铁轨；
直道提取模块的功能为：根据得到的铁轨区域，利用Hough变换完成直道铁轨的提取。
第二步特征向量库构建模块构建特征向量库
采集铁轨图像，构建待训练的正样本和负样本，其中，正样本为包含铁轨的图像，负样本为不包含铁轨的图像，图2所示为直道铁轨样本库示例图，其中图2(a)表示部分正样本示例，图2(b)表示部分负样本示例，提取所有样本图像局部二进制特征，构建特征向量库，特征向量总数为N，并对样本的类别加上相应的标签，标签1代表正样本，即有铁轨的样本，标签-1代表负样本，表示样本中不含有铁轨，令xi为特征向量库中第i个向量，且1≤i≤N，yi为第i个向量的标签，且有yi∈Y＝{1,-1}；
第三步样本训练模块利用支持向量机训练样本库得到分类器
样本训练模块根据构建的特征向量库，得到训练集T＝{(x1,y1),(x2,y2)...,(xN,yN)}，
支持向量的目的是得到最优化分类超平面H(w*,b)＝w*·x+b，将铁轨和非铁轨分离开来，(w*,b)表示超平面的参数，其中w*表示超平面的法向量，b表示截距，将寻求最优化分类超平面转换为求解二次规划问题；
Figure GDA0001503857980000041
约束条件为
Figure GDA0001503857980000042
式中C为惩罚参数，且C≥0，ξi为松弛变量，原始问题的对偶问题为求解下列二次规划问题：
Figure GDA0001503857980000051
式中
Figure GDA0001503857980000052
αN T表示拉格朗日乘子向量，αi与αj分别表示第i个拉格朗日乘子和第j个拉格朗日乘子，且有：1≤i≤N，1≤j≤N。约束条件为
Figure GDA0001503857980000053
求解公式(3)的二次规划，得到拉格朗日乘子向量的最优解
Figure GDA0001503857980000054
结合公式(1)、(2)和(4)，得到分类超平面的法向量和截距为
Figure GDA0001503857980000055
则，最终训练的分类器中存储的数据为超平面参数(w*,b)。
第四步直道铁轨检测模块利用支持向量机检测直道铁轨
直道铁轨检测模块加载得到的分类器，采集视频图像，采用固定大小的扫描框对视频图像进行扫描，在扫描框内提取图像局部二进制特征，构建特征向量
Figure GDA0001503857980000056
根据分类决策函数
Figure GDA0001503857980000057
的符号，判断检测图像中，是否存在铁轨，如果符号大于0，则图像中存在铁轨，则转向第五步，否则继续采集下一帧视频图像；
第五步直道提取模块利用检测结果结合Hough变换提取直道铁轨
直道提取模块根据第四步检测到铁轨的区域，首先，利用文献1：“Otsu N.Athreshold selection method from gray level histogram[J].IEEE Transactions onSystems Man Cybernet，1979，9(1)：62-66.”所述类间方差最大化算法，完成自适应阈值分割，然后结合文献2：“滕今朝,邱杰.利用Hough变换实现直线的快速精确检测[J].中国图象图形学报,2008,13(2):394-398.”所述Hough变换检测直线，同时根据图像中，左边铁轨与水平面成钝角，右边铁轨与水平面成锐角的原则，提取直道铁轨，图3(a-f)所示为直道铁轨检测示例图。
至此，实现了支持向量机和Hough变换相结合的直道铁轨检测。

Claims (3)

1.一种支持向量机和Hough变换相结合的直道铁轨检测方法，其特征在于具体步骤为：
第一步 构建支持向量机和Hough变换相结合的直道铁轨检测***
支持向量机和Hough变换相结合的直道铁轨检测***，包括：特征向量库构建模块、样本训练模块、直道铁轨检测模块和直道铁轨提取模块；
第二步 特征向量库构建模块构建特征向量库
特征向量库构建模块通过采集铁轨图像，提取所有样本图像局部二进制特征，构建特征向量库；
第三步 样本训练模块利用支持向量机训练样本库得到分类器
样本训练模块根据构建的特征向量库，得到训练集，并利用支持向量机寻求最优化分类超平面，将寻求最优化分类超平面转换为求解二次规划问题，得到最终训练的分类器中存储的数据为超平面参数；
第四步 直道铁轨检测模块利用支持向量机检测直道铁轨
直道铁轨检测模块加载得到的分类器，采集视频图像，采用固定大小的扫描框对视频图像进行扫描，在扫描框内提取图像局部二进制特征，构建特征向量x，根据分类决策函数
Figure FDA0002990592670000011
的符号，判断检测图像中，是否存在铁轨，当符号大于0时，则图像中存在铁轨，则转向第五步，否则继续采集下一帧视频图像；
第五步 直道提取模块利用检测结果结合Hough变换提取直道铁轨
直道提取模块根据第四步检测到铁轨的区域，首先，利用类间方差最大化算法，完成自适应阈值分割，然后结合Hough变换检测直线，同时根据图像中，左边铁轨与水平面成钝角，右边铁轨与水平面成锐角的原则，提取直道铁轨；
至此，实现了基于支持向量机和Hough变换的铁轨检测。
2.如权利要求1所述的支持向量机和Hough变换相结合的直道铁轨检测方法，其特征在于，所述特征向量库构建模块构建特征向量库的具体过程为：
特征向量库构建模块通过采集铁轨图像，构建待训练的正样本和负样本，其中，正样本为包含铁轨的图像，负样本为不包含铁轨的图像，提取所有样本图像局部二进制特征，构建特征向量库，特征向量总数为N，并对样本的类别加上相应的标签，标签1代表正样本，表示样本中有铁轨，标签-1代表负样本，表示样本中不含有铁轨，令xi为特征向量库中第i个向量，且1≤i≤N，yi为第i个向量的标签，且有yi∈Y＝{1,-1}。
3.如权利要求1或2所述的支持向量机和Hough变换相结合的直道铁轨检测方法，其特征在于，所述样本训练模块利用支持向量机训练样本库得到分类器的具体过程为：
样本训练模块根据构建的特征向量库，得到训练集T＝{(x1,y1),(x2,y2)...,(xN,yN)}，
支持向量的目的是得到最优化分类超平面H(w*,b)＝w*·x+b，将铁轨和非铁轨分离开来，(w*,b)表示超平面的参数，其中w*表示超平面的法向量，b表示截距，将寻求最优化分类超平面转换为求解二次规划问题；
Figure FDA0002990592670000021
约束条件为
Figure FDA0002990592670000022
式中C为惩罚参数，且C≥0，ξi为松弛变量，原始问题的对偶问题为求解下列二次规划问题：
Figure FDA0002990592670000023
式中α＝(α1，α2，...,αN)T表示拉格朗日乘子向量，αi与αj分别表示第i个拉格朗日乘子和第j个拉格朗日乘子，且有：1≤i≤N，1≤j≤N；约束条件为
Figure FDA0002990592670000024
求解公式(3)的二次规划，得到拉格朗日乘子向量的最优解
Figure FDA0002990592670000025
结合公式(1)、(2)和(4)，得到分类超平面的法向量和截距为
Figure FDA0002990592670000026
则，最终训练的分类器中存储的数据为超平面参数(w*,b)。
CN201710603546.XA 2017-07-23 2017-07-23 一种支持向量机和Hough变换相结合的直道铁轨检测方法 Active CN109284658B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710603546.XA CN109284658B (zh) 2017-07-23 2017-07-23 一种支持向量机和Hough变换相结合的直道铁轨检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710603546.XA CN109284658B (zh) 2017-07-23 2017-07-23 一种支持向量机和Hough变换相结合的直道铁轨检测方法

Publications (2)

Publication Number Publication Date
CN109284658A CN109284658A (zh) 2019-01-29
CN109284658B true CN109284658B (zh) 2021-10-26

Family

ID=65185877

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710603546.XA Active CN109284658B (zh) 2017-07-23 2017-07-23 一种支持向量机和Hough变换相结合的直道铁轨检测方法

Country Status (1)

Country Link
CN (1) CN109284658B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110902315B (zh) * 2019-12-10 2022-04-01 浙江蓝卓工业互联网信息技术有限公司 皮带偏移状态检测方法及***
CN111340815B (zh) * 2020-03-09 2023-01-24 电子科技大学 一种基于大津法与k均值法的自适应图像分割方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103260016A (zh) * 2013-06-04 2013-08-21 成都思晗科技有限公司 一种输电线路远程智能巡线方法
CN105261017A (zh) * 2015-10-14 2016-01-20 长春工业大学 基于路面约束的图像分割法提取行人感兴趣区域的方法
CN106446934A (zh) * 2016-08-31 2017-02-22 西南交通大学 基于hog特征的高铁接触网承力索座支撑底座检测方法
CN106503640A (zh) * 2016-10-15 2017-03-15 北海益生源农贸有限责任公司 一种占用公交车道的检测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103260016A (zh) * 2013-06-04 2013-08-21 成都思晗科技有限公司 一种输电线路远程智能巡线方法
CN105261017A (zh) * 2015-10-14 2016-01-20 长春工业大学 基于路面约束的图像分割法提取行人感兴趣区域的方法
CN106446934A (zh) * 2016-08-31 2017-02-22 西南交通大学 基于hog特征的高铁接触网承力索座支撑底座检测方法
CN106503640A (zh) * 2016-10-15 2017-03-15 北海益生源农贸有限责任公司 一种占用公交车道的检测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
《隧道衬砌检测中探地雷达图像的自动识别》;洪旭程;《工程地球物理学报》;20151130;第828-832页 *

Also Published As

Publication number Publication date
CN109284658A (zh) 2019-01-29

Similar Documents

Publication Publication Date Title
Moysset et al. Full-page text recognition: Learning where to start and when to stop
Dave Segmentation methods for hand written character recognition
Rothacker et al. Bag-of-features representations for offline handwriting recognition applied to Arabic script
US20060062460A1 (en) Character recognition apparatus and method for recognizing characters in an image
JP5176763B2 (ja) 低品質文字の識別方法及び装置
Bijalwan et al. Automatic text recognition in natural scene and its translation into user defined language
CN109284658B (zh) 一种支持向量机和Hough变换相结合的直道铁轨检测方法
Kumar An efficient text extraction algorithm in complex images
CN113269038B (zh) 一种基于多尺度的行人检测方法
Liu et al. Text segmentation based on stroke filter
KR102495367B1 (ko) 조직 병리학 분류를 위한 다중 인스턴스 학습 방법
Ji et al. Directional correlation analysis of local Haar binary pattern for text detection
US11087122B1 (en) Method and system for processing candidate strings detected in an image to identify a match of a model string in the image
JP2011040070A (ja) カメラを基にしたオブジェクトの分析のためのシステム、方法及びプログラム製品
Kavitha et al. A robust script identification system for historical Indian document images
Ahmed et al. Enhancing the character segmentation accuracy of bangla ocr using bpnn
Chen et al. An intelligent character recognition method to filter spam images on cloud
Aghajari et al. A text localization algorithm in color image via new projection profile
Kataria et al. CNN-bidirectional LSTM based optical character recognition of Sanskrit manuscripts: A comprehensive systematic literature review
Bhowmik et al. Character segmentation for handwritten Bangla words using artificial neural network
Zhuge et al. Robust video text detection with morphological filtering enhanced MSER
Rajendran et al. A new Fourier-moments based video word and character extraction method for recognition
Patel et al. Vision Based Real-time Recognition of Hand Gestures for Indian Sign Language using Histogram of Oriented Gradients Features.
Shirdhonkar et al. Discrimination between printed and handwritten text in documents
Imran et al. Cursive handwritten segmentation and recognition for instructional videos

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