CN110473255B - 一种基于多重网格划分的船舶系船柱定位方法 - Google Patents
一种基于多重网格划分的船舶系船柱定位方法 Download PDFInfo
- Publication number
- CN110473255B CN110473255B CN201910648900.XA CN201910648900A CN110473255B CN 110473255 B CN110473255 B CN 110473255B CN 201910648900 A CN201910648900 A CN 201910648900A CN 110473255 B CN110473255 B CN 110473255B
- Authority
- CN
- China
- Prior art keywords
- grid
- bollard
- image
- ship
- fine
- 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
Images
Classifications
-
- 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
- G06T7/13—Edge detection
-
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于多重网格划分的船舶系船柱定位方法,包括步骤S1、将所拍摄的原始船舶图像划分成84×84的正方形网格图像,将每个网格图像作为初步候选区域;步骤S2、提取初步候选区域的边缘特征,设定边缘特征判别条件,将符合条件的网格图像作为系船柱候选网格;步骤S3、将每个系船柱候选网格进一步划分成3×3的细网格,用分类器判断每个细网格图像是否为系船柱;步骤S4、将系船柱细网格组合得到系船柱的精准位置。本发明采用多重网格划分技术,粗定位与精定位相结合的思想,实现系船柱的精准定位。该方法适用于各类复杂场景的船舶图像,如雨雪天气下的船舶图像,对于判断船舶超载具有重要意义。
Description
技术领域
本发明属于河道船舶检测技术领域,具体涉及一种基于多重网格划分的船舶系船柱定位方法。
背景技术
基于图像目标检测及定位是指在图像中检测目标是否存在,以及目标在图像中的位置和区域。系船柱定位就是在一幅船舶图像中找出系船柱所在的位置,由于系船柱通常位于船舶甲板的外侧,系船柱定位是识别船舶干舷高度的重要环节,对于判断船舶超载具有重要意义。
由于行人、人脸和车辆等目标图像易获得,且应用场景广泛,所以目标检测及定位的研究对象主要集中于行人检测、人脸检测和车辆检测等,船舶系船柱图像较难采集且船舶系船柱的检测应用范围窄,目前尚未有针对系船柱的检测和定位方法。常用的目标检测方法是提取LBP特征,采用cascade分类器进行人脸检测,提取hog特征采用支持向量机分类器做行人检测,LBP特征是专门针对人脸五官分布及特征设计,HOG特征是针对行人的梯度特征设计,系船柱的几何特征和梯度特征与人脸、行人具有较大差异,因此这些特征均不适用于系船柱的特征分布,在系船柱检测领域都未能取得较好的效果。
发明内容
本发明的目的在于提供一种基于多重网格划分的船舶系船柱定位方法,解决现有技术中尚未有针对系船柱的检测和定位方法的技术问题。
本发明为了解决上述技术问题,采用如下技术方案:
一种基于多重网格划分的船舶系船柱定位方法,包括如下步骤:
步骤S1、将所拍摄的原始船舶图像划分成84×84的正方形网格图像,将每个网格图像作为初步候选区域;
步骤S2、提取初步候选区域的边缘特征,设定边缘特征判别条件,将符合条件的网格图像作为系船柱候选网格;
步骤S3、将每个系船柱候选网格进一步划分成3×3的细网格,用分类器判断每个细网格图像是否为系船柱;
步骤S4、将系船柱细网格组合得到系船柱的精准位置;将细网格中经分类器判断是系船柱的网格进行组合,取连通域,得到系船柱所在位置及区域。
本发明采用多重网格划分技术,粗定位与精定位相结合的思想,实现系船柱的精准定位。针对系船柱的结构特点,专门设计一种基于边缘的特征和用于系船柱识别的卷积特征,针对系船柱为精度高实时性好的目标检测方法,该方法适用于各类复杂场景的船舶图像,如雨雪天气下的船舶图像,对于判断船舶超载具有重要意义。
进一步改进,所述步骤S1中划分网格图像的具体方法如下,以原始图像的左下角点为原点O,以原始图像的水平边为X轴,以原始图像的竖直边为Y轴,建立直角坐标系XOY,将84×84的网格的原点与直角坐标系XOY的原点O重合,然后沿X轴方向以步长为42滑动网格,沿Y轴方向以步长为42进行滑动,将原始图像划分为若干个84×84的网格图像。
进一步改进,所述步骤S2中,对每个初步候选区域图像做图像灰度化及高斯滤波处理,对灰度图做Sobel垂直边缘检测,统计垂直边缘图中的边缘点个数,并以该边缘点个数作为垂直边缘值v;对灰度图做Sobel水平边缘检测,统计水平边缘图中的边缘点个数,并以该边缘点个数作为水平边缘值h,当h≥2000,且v≥2000时,则确定该初步候选区域为系船柱候选网格。
进一步改进,所述步骤S3中,将84×84的系船柱候选网格均分为3×3的细网格,则每个系船柱候选网格划分为784个细网格,用256个3×3算子分别与每个细网格做卷积运算得到256个特征值,将256维特征送入已训练好的支持向量机分类器中做二分类,若分类器判断细网格为系船柱的概率大于0.5,则该区域为系船柱区域,反之则不然,以此方法逐个判断每个细网格是否为系船柱区域。
进一步改进,所述支持向量机分类器的训练过程如下:人工标注所拍摄船舶图像的系船柱区域,将船舶图像非系船柱区域切分成5000张3×3的小图当成负样本,将系船柱区域切分成1000张3×3的小图当成正样本,将正样本和负样本图像与256个3×3算子做卷积运算得到特征向量,将特征向量送入支持向量机分类器中训练,分类器采用高斯核,参数c=0.1,gamma=0.5,训练迭代2000次后得到分类器。
与现有技术相比,本发明的有益效果是:
本发明采用多重网格划分技术,粗定位与精定位相结合的思想,针对系船柱的几何特点和结构特点,专门设计一种基于边缘的特征用于系船柱的粗定位,设计一种卷积特征用于系船柱的精定位,该特征与其它方法相比具有速度快,能更精准地描述系船柱特征,最后能快速精准地定位出系船柱。该方法适用于各类复杂场景的船舶图像,如雨雪天气下的船舶图像,对于判断船舶超载具有重要意义。
附图说明
图1为本发明所述基于多重网格划分的船舶系船柱定位方法的流程示意图。
具体实施方式
为使本发明的目的和技术方案更加清楚,下面将结合本发明实施例对本发明的技术方案进行清楚、完整地描述。
图1为本发明所述基于多重网格划分的船舶系船柱定位方法的流程示意图。本发明所述的船舶系船柱定位方法适用于各类复杂场景的船舶图像,如雨雪天气下的船舶图。
如图1所示,一种基于多重网格划分的船舶系船柱定位方法,包括如下步骤:
步骤S1:将所拍摄的原始船舶图像划分成84×84的正方形网格图像,每个网格作为初步候选区域。
在本实施例中,选取一张分辨率为1920×1080的船舶图像,以原始图像的左下角点为原点O,以原始图像的水平边为X轴,以原始图像的竖直边为Y轴,建立直角坐标系XOY,将84×84的网格的原点与直角坐标系XOY的原点O重合,然后沿X轴方向以步长为42滑动网格,沿Y轴方向以步长为42进行滑动,得到1100个网格图像作为初步候选区域。
步骤S2:提取候选区域的边缘特征,设定边缘特征判别条件,符合条件的网格为系船柱候选网格;对初步候选区域图像做图像灰度化及高斯滤波处理,对灰度图做Sobel垂直边缘检测,统计垂直边缘图中的边缘点个数作为垂直边缘值v,对灰度图做Sobel水平边缘检测,统计水平边缘图中的边缘点个数作为水平边缘值h。当h≥2000,且v≥2000时,该网格为系船柱候选网格。
步骤S3:将每个候选网格进一步划分成3×3的细网格,用分类器判断每个细网格图像是否为系船柱;将84×84的系船柱候选网格均分为3×3的细网格,共得到28×28=784个细网格,用256个3×3算子分别与细网格做卷积运算得到256个特征值,将256维特征送入已训练好的支持向量机分类器中做二分类,若分类器判断细网格为系船柱的概率大于0.5,则该区域为系船柱区域,反之则不然,以此方法逐个判断每个细网格是否为系船柱区域。
支持向量机分类器的训练过程如下:人工标注船舶图像的系船柱区域,将图像非系船柱区域切分成5000张3×3的小图当成负样本,将系船柱区域切分成1000张3×3的小图当成正样本,将正样本和负样本图像与256个3×3算子做卷积运算得到特征向量,将特征向量送入支持向量机分类器中训练,分类器采用高斯核,参数c=0.1,gamma=0.5,训练迭代2000次后得到分类器。
步骤S4:将系船柱细网格组合得到系船柱的精准位置;将细网格中经分类器判断是系船柱的网格进行组合,取连通域,得到系船柱所在位置及区域。
本发明中未做特别说明的均为现有技术或者通过现有技术即可实现,而且本发明中所述具体实施案例仅为本发明的较佳实施案例而已,并非用来限定本发明的实施范围。即凡依本发明申请专利范围的内容所作的等效变化与修饰,都应作为本发明的技术范畴。
Claims (4)
1.一种基于多重网格划分的船舶系船柱定位方法,其特征在于,包括如下步骤:
步骤S1、将原始船舶图像划分成84×84的正方形网格图像,将每个网格图像作为初步候选区域,所述原始船舶图像通过安装于航道岸侧的前端相机拍摄获取;
步骤S2、提取初步候选区域的边缘特征,设定边缘特征判别条件,将符合条件的网格图像作为系船柱候选网格;
步骤S3、将每个系船柱候选网格进一步划分成3×3的细网格,用分类器判断每个细网格图像是否为系船柱;
步骤S4、将系船柱细网格组合得到系船柱的精准位置;将细网格中经分类器判断是系船柱的网格进行组合,取连通域,得到系船柱所在位置及区域;
所述步骤S2中,对每个初步候选区域图像做图像灰度化及高斯滤波处理,对灰度图做Sobel垂直边缘检测,统计垂直边缘图中的边缘点个数,并以该边缘点个数作为垂直边缘值v;对灰度图做Sobel水平边缘检测,统计水平边缘图中的边缘点个数,并以该边缘点个数作为水平边缘值h,当h≥2000,且v≥2000时,则确定该初步候选区域为系船柱候选网格。
2.根据权利要求1所述的基于多重网格划分的船舶系船柱定位方法,其特征在于,所述步骤S1中划分网格图像的具体方法如下,以原始图像的左下角点为原点O,以原始图像的水平边为X轴,以原始图像的竖直边为Y轴,建立直角坐标系XOY,将84×84的网格的原点与直角坐标系XOY的原点O重合,然后沿X轴方向以步长为42滑动网格,沿Y轴方向以步长为42进行滑动,将原始图像划分为若干个84×84的网格图像。
3.根据权利要求1或2所述的基于多重网格划分的船舶系船柱定位方法,其特征在于,所述步骤S3中,将84×84的系船柱候选网格均分为3×3的细网格,则每个系船柱候选网格划分为784个细网格,用256个3×3算子分别与每个细网格做卷积运算得到256个特征值,将256维特征送入已训练好的支持向量机分类器中做二分类,若分类器判断细网格为系船柱的概率大于0.5,则该区域为系船柱区域,反之则不然,以此方法逐个判断每个细网格是否为系船柱区域。
4.根据权利要求3所述的基于多重网格划分的船舶系船柱定位方法,其特征在于,所述支持向量机分类器的训练过程如下:人工标注所拍摄船舶图像的系船柱区域,将船舶图像非系船柱区域切分成5000张3×3的小图当成负样本,将系船柱区域切分成1000张3×3的小图当成正样本,将正样本和负样本图像与256个3×3算子做卷积运算得到特征向量,将特征向量送入支持向量机分类器中训练,分类器采用高斯核,参数c=0.1,gamma=0.5,训练迭代2000次后得到分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910648900.XA CN110473255B (zh) | 2019-07-17 | 2019-07-17 | 一种基于多重网格划分的船舶系船柱定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910648900.XA CN110473255B (zh) | 2019-07-17 | 2019-07-17 | 一种基于多重网格划分的船舶系船柱定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110473255A CN110473255A (zh) | 2019-11-19 |
CN110473255B true CN110473255B (zh) | 2020-12-01 |
Family
ID=68508108
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910648900.XA Active CN110473255B (zh) | 2019-07-17 | 2019-07-17 | 一种基于多重网格划分的船舶系船柱定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110473255B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111125948A (zh) * | 2019-12-06 | 2020-05-08 | 北京京航计算通讯研究所 | 基于网格船位布设计算的速度优化方法 |
CN114972740A (zh) * | 2022-07-29 | 2022-08-30 | 上海鹰觉科技有限公司 | 自动化舰船样本采集方法及*** |
CN115456970B (zh) * | 2022-08-30 | 2023-09-05 | 苏州星航综测科技有限公司 | 一种基于降维回归的干舷分割船舶载重线识别方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107704685B (zh) * | 2017-10-10 | 2020-04-17 | 中国石油大学(北京) | 一种网格划分方法及装置 |
CN108985217A (zh) * | 2018-07-10 | 2018-12-11 | 常州大学 | 一种基于深度空间网络的交通标志识别方法及*** |
CN209760150U (zh) * | 2019-01-15 | 2019-12-10 | 湖州天翊预制构件有限公司 | 一种耐撞泊位靠船构件 |
-
2019
- 2019-07-17 CN CN201910648900.XA patent/CN110473255B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN110473255A (zh) | 2019-11-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108510467B (zh) | 基于深度可变形卷积神经网络的sar图像目标识别方法 | |
Badr et al. | Automatic number plate recognition system | |
Ashtari et al. | An Iranian license plate recognition system based on color features | |
TWI409718B (zh) | 移動中車輛之車牌定位方法 | |
CN110473255B (zh) | 一种基于多重网格划分的船舶系船柱定位方法 | |
Yan et al. | A method of lane edge detection based on Canny algorithm | |
CN101339601B (zh) | 一种基于sift算法的车牌汉字识别方法 | |
Bedruz et al. | Real-time vehicle detection and tracking using a mean-shift based blob analysis and tracking approach | |
CN109460722B (zh) | 一种车牌智能识别方法 | |
JP2018063680A (ja) | 交通信号認識方法および交通信号認識装置 | |
CN111444778A (zh) | 一种车道线检测方法 | |
Rabee et al. | License plate detection and recognition in complex scenes using mathematical morphology and support vector machines | |
CN108182393A (zh) | 一种汽车及其应用的前车跟踪方法及*** | |
Rahaman et al. | Lane detection for autonomous vehicle management: PHT approach | |
CN112347967A (zh) | 一种复杂场景下融合运动信息的行人检测方法 | |
CN116071713A (zh) | 斑马线确定方法、装置、电子设备和介质 | |
Kim et al. | Vision-based autonomous detection of lane and pedestrians | |
Nguyen et al. | Triple detector based on feature pyramid network for license plate detection and recognition system in unusual conditions | |
Oluchi et al. | Development of a Nigeria vehicle license plate detection system | |
Fu et al. | Vision-based preceding vehicle detection and tracking | |
Ghosh et al. | A vehicle number plate recognition system using region-of-interest based filtering method | |
Mutholib et al. | Optimization of ANPR algorithm on Android mobile phone | |
Voles et al. | Target identification in a complex maritime scene | |
CN109886120B (zh) | 一种斑马线检测方法及*** | |
Chen et al. | Context-aware lane marking detection on urban roads |
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 |