CN110516531A - 一种基于模板匹配的危险品标志的识别方法 - Google Patents
一种基于模板匹配的危险品标志的识别方法 Download PDFInfo
- Publication number
- CN110516531A CN110516531A CN201910624896.3A CN201910624896A CN110516531A CN 110516531 A CN110516531 A CN 110516531A CN 201910624896 A CN201910624896 A CN 201910624896A CN 110516531 A CN110516531 A CN 110516531A
- Authority
- CN
- China
- Prior art keywords
- image
- profile
- template matching
- point
- gradient
- 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 41
- 239000011159 matrix material Substances 0.000 claims description 13
- 238000001514 detection method Methods 0.000 claims description 6
- 238000001914 filtration Methods 0.000 claims description 5
- 238000012952 Resampling Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 239000000463 material Substances 0.000 abstract description 10
- 238000004880 explosion Methods 0.000 abstract description 9
- 238000000605 extraction Methods 0.000 abstract description 5
- 230000000694 effects Effects 0.000 abstract description 4
- 239000000284 extract Substances 0.000 abstract description 4
- 238000006243 chemical reaction Methods 0.000 abstract description 3
- 230000006378 damage Effects 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 239000000126 substance Substances 0.000 description 2
- 241000607479 Yersinia pestis Species 0.000 description 1
- 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
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000003912 environmental pollution Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N ferric oxide Chemical compound O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 231100000572 poisoning Toxicity 0.000 description 1
- 230000000607 poisoning effect Effects 0.000 description 1
- 238000004321 preservation Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/10—Terrestrial scenes
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/60—Type of objects
- G06V20/62—Text, e.g. of license plates, overlay texts or captions on TV images
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (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)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明公开了一种基于模板匹配的危险品标志的识别方法,应用于危险品***后的灾后现场,主要包括采集视频、格式转换、图像初始化、轮廓提取,感兴趣区域提取,模板匹配等多个步骤,能完成对多种不同的危险品标志的识别。与现有技术相比,本发明具有以下几个技术特点和优势:1)提出一种通过模板匹配识别出危险品标志的方法,识别时间大约在1s左右,并且能最多能同时识别三张危险品标志的图片。2)采用FAST算子以及Sift算子结合的模板匹配方法,大大提高匹配精度。3)通过计算梯度场的特征值求出图像边缘,达到快速且准确提取图像边缘的效果,可以有效地分割每一张需要识别的图片。
Description
技术领域
本发明涉及图像识别的技术领域,尤其涉及到一种基于模板匹配的危险品标志的识别方法。
背景技术
危险品是指具有***、易燃、毒害、感染、腐蚀、放射性等危险特性,在运输、储存、生产、经营、使用和处置中容易造成人身伤亡、财产损毁或环境污染而需要特别防护的物质和物品。而危险品标志是用来表示危险品的物理、化学性质,以及危险程度的标志。它可提醒人们在运输、储存、保管、搬运等活动中引起注意。
2015年8月12日23:30左右,位于天津市滨海新区天津港的瑞海公司危险品仓库发生火灾***事故,造成165人遇难(其中参与救援处置的公安现役消防人员24人、天津港消防人员75人、公安民警11人)、8人失踪(其中天津消防人员5人)。截至2015年12月10日,已核定的直接经济损失68.66亿元。该起事故造成人员死亡、人员受伤、直接财产损失三项指标高居建国以来火灾损失榜首,尤其是参与处置火灾的天津港消防人员和公安现役消防员的遇难,给消防事业带来沉重损失和不可估量的影响。而且在第二次***在30秒种后,近震震级ML约2.9级,相当于21吨TNT。
针对危险品***后的灾后环境,危险品的二次***会危及到救援人员和救援犬的生命,灾后环境存在大量潜在危险,而保证救援人员在执行任务中的人身安全也是首要考虑的。所以我们使用救援机器人去进入危险品***后的环境中,通过模板匹配算法识别出危险品标志。
发明内容
考虑上述问题,本发明针对危险品***后的灾后环境当中进行危险品标志的识别,提供一种基于模板匹配的危险品标志的识别方法。使用OpenCV工具包进行危险品标志的实时识别,在Ros上订阅话题后,远程电脑端的可视化工具Rviz从而观察灾后环境的实时状况。。
为实现上述目的,本发明所提供的技术方案为:
一种基于模板匹配的危险品标志的识别方法,包括以下步骤:
S1:采集视频;以救援机器人的摄像头作为视频采集器,利用ROS的结点订阅摄像头的视频流,然后把ROS格式的视频流转换成OpenCV格式以做图像处理;
S2:视频预处理;通过计算图像的梯度场计算出图像的方向场,并根据图像的特征值求出图像的边缘以及边缘位置的朝向;
S3:找出图像里面的轮廓并过滤过大或者过小的轮廓;
S4:从轮廓中提取感兴趣区域;
S5:对模板图片以及过滤后的子图像进行图像初始化处理;
S6:运用FastFretureDetector+SiftDescriptorExtractor的组合进行模板匹配;最后运用Homography矩阵进行误匹配点去除,得到最后的匹配点。
进一步地,所述步骤S2视频预处理的具体过程如下:
S2-1:用filter2D函数对线条边缘进行滤波处理,即卷积运算;
S2-2:利用梯度检测二维图像的局部特征;
S2-3:基于梯度场计算方向场,具体为:给定图像J,其梯度表示为Jx,Jy分别表示x方向的梯度和y方向的梯度,根据已有的梯度场分别计算
其中,W表示卷积运算,Jxx为x方向的梯度分量,Jyy为y方向的梯度分量,Jxy为直线x=y方向的梯度分量;
S2-4:计算2x2矩阵J’*J的第一个最大特征值e1;计算公式如下:
其中,d为矩阵J的梯度的方向值;
S2-5:最后根据特征值e1的开根求出图像的边缘,并使用OpenCV里面的函数fastAtan2求出每一条边缘的朝向。
进一步地,所述步骤S2-1具体为:
首先定义一个3*3的卷积核,然后使用fliter2D函数对原图像进行平滑图像、尖锐图像求边缘;将图像上的点与卷积核对应相乘后再求和,并将该结果放在图像上锚点的相对位置;通过在图像上扫描卷积核,对图像的每个点重复此操作;最后的运算结果存储到另存为一张新的图片;
用以上公式来表示fliter2D这个函数的过程,定义图像为I(x,y),核为G(x,y),其中,0<i<Mi-1和0<i<Mj-1,锚点位于相应核的(ai,aj)坐标上,得出新的图像为H(x,y)。
进一步地,所述步骤S3找出图像里面的轮廓并过滤过大或者过小的轮廓的具体步骤如下:
首先对获得的图像边缘图像进行提取轮廓findContours操作;其中,findContours函数定义轮廓的检索模式设置为CV_RETR_CCOMP,检测图像中存在的所有轮廓,若外面的轮廓还包含着内围轮廓,则内围的轮廓集合属于外层轮廓;findContours函数定义轮廓的近似方法设置为CV_CHAIN_APPROX_SIMPLE,仅保存轮廓的拐点信息,把所有轮廓拐点处的点保存入contours向量内;最后得到轮廓contours向量的所有点集;再使用OpenCV里面的contourarea函数去计算出每个轮廓的面积,保存已设定面积的轮廓,其他轮廓舍弃。
进一步地,所述步骤S4从轮廓中提取感兴趣区域的具体过程如下:
S4-1:使用OpenCV的boundingRect函数,输入contours向量,得到感兴趣区域ROI;
S4-2:从感兴趣区域中把每一个危险品标志的图片提取出来;
S4-3:使用OpenCV上的getStructuringElement函数构造一个大小为3*3、结构为十字交叉性元素;
S4-4:使用生成的内核对图像进行腐蚀化处理;
S4-5:再对图像进行提取轮廓处理;最后得到过滤出来的子图像以及过滤后的轮廓集合。
进一步地,所述步骤S5对模板图片以及过滤后的子图像进行图像初始化处理的具体过程如下:
S5-1:以5*5的高斯核大小对模板的图片进行高斯模糊处理;
S5-2:使用resize()函数对模板的图片进行像素区域关系进行重采样;
S5-3:再一次以5*5的高斯核大小对模板的图片进行高斯模糊处理;
S5-4:把过滤后的子图像进行灰度化处理,即把RGB格式转换成LAB色彩空间格式。
进一步地,所述步骤S6运用FastFretureDetector+SiftDescriptorExtractor的组合进行模板匹配的具体过程如下:
S6-1:首先对Sift算子进行初始化,然后使用sift.dectAndCompute函数来计算特征值以及特征向量;
S6-2:使用KNN算法求取在空间中距离最近的K个数据点,并将这些数据点归为一类;
S6-3:运用Homography矩阵进行误匹配点去除,得到最好的匹配点;
S6-4:根据匹配点,用矩形框把所识别到的图像框起来,然后旁边用英文给予标注,并发布话题。
与现有技术相比,本方案原理如下:
本方案应用于危险品***后的灾后现场,主要包括采集视频、格式转换、图像初始化、轮廓提取,感兴趣区域提取,模板匹配等多个步骤,能完成对多种不同的危险品标志的识别。
与现有技术相比,本方案具有以下几个技术特点和优势:
1)提出一种通过模板匹配识别出危险品标志的方法,识别时间大约在1s左右,并且能最多能同时识别三张危险品标志的图片。
2)采用FAST算子以及Sift算子结合的模板匹配方法,大大提高匹配精度。
3)通过计算梯度场的特征值求出图像边缘,达到快速且准确提取图像边缘的效果,可以有效地分割每一张需要识别的图片。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的服务作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,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的附图。
图1为本发明一种基于模板匹配的危险品标志的识别方法的工作流程图;
图2为ROS图像消息与OpenCV图像相互转换的示意图;
图3为模板图片与所要识别的图片。
具体实施方式
下面结合具体实施例对本发明作进一步说明:
如图1所示,本实施例所述的一种基于模板匹配的危险品标志的识别方法,包括以下步骤:
S1:采集视频;以救援机器人的摄像头作为视频采集器,利用ROS的结点订阅摄像头的视频流,然后把ROS格式的视频流转换成OpenCV格式以做图像处理。具体为:利用usb_cam功能包去调用安装在救援机器人的摄像头的视频。调用了之后,让摄像头把视频发布到/camera/rgb/image_raw话题。整个救援机器人的所用的***是Linux***,而且是基于ROS去开发的,但是在ROS上面不能够进行图像处理,所以要把ROS格式的视频流转换成OpenCV格式的视频流。这时候需要使用到CvBridge库,CvBridge是一个ROS库,提供ROS和OpenCV之间的接口。在CvBridge库调用imgmsg_to_cv2把ROS格式的视频流解码成RGB(红绿蓝)形式的OpenCV图像消息。
S2:视频预处理;通过计算图像的梯度场计算出图像的方向场,并根据图像的特征值求出图像的边缘以及边缘位置的朝向;具体为:
S2-1:用filter2D函数对线条边缘进行滤波处理,即卷积运算;首先定义一个3*3的卷积核,然后使用fliter2D函数对原图像进行平滑图像、尖锐图像求边缘;将图像上的点与卷积核对应相乘后再求和,并将该结果放在图像上锚点的相对位置;通过在图像上扫描卷积核,对图像的每个点重复此操作;最后的运算结果存储到另存为一张新的图片;
用以上公式来表示fliter2D这个函数的过程,定义图像为I(x,y),核为G(x,y),其中,0<i<Mi-1和0<i<Mj-1,锚点位于相应核的(ai,aj)坐标上,得出新的图像为H(x,y)。
S2-2:利用梯度检测二维图像的局部特征;定义为:
其中,给定图像G,其梯度可以表示为G(x,y),分别表示x方向的梯度和y方向的梯度。
S2-3:基于梯度场计算方向场,具体为:给定图像J,其梯度表示为Jx,Jy分别表示x方向的梯度和y方向的梯度,根据已有的梯度场分别计算
其中,W表示卷积运算,Jxx为x方向的梯度分量,Jyy为y方向的梯度分量,Jxy为直线x=y方向的梯度分量。
S2-4:计算2x2矩阵J’*J的第一个最大特征值e1;计算公式如下:
其中,d为矩阵J的梯度的方向值。
S2-5:最后根据特征值e1的开根求出图像的边缘,并使用OpenCV里面的函数fastAtan2求出每一条边缘的朝向。
S3:找出图像里面的轮廓并过滤过大或者过小的轮廓;具体步骤如下:
首先对获得的图像边缘图像进行提取轮廓findContours操作;其中,findContours函数定义轮廓的检索模式设置为CV_RETR_CCOMP,检测图像中存在的所有轮廓,若外面的轮廓还包含着内围轮廓,则内围的轮廓集合属于外层轮廓;findContours函数定义轮廓的近似方法设置为CV_CHAIN_APPROX_SIMPLE,仅保存轮廓的拐点信息,把所有轮廓拐点处的点保存入contours向量内;最后得到轮廓contours向量的所有点集;再使用OpenCV里面的contourarea函数去计算出每个轮廓的面积,保存面积为600到1000之间的轮廓,其他轮廓舍弃。
S4:从轮廓中提取感兴趣区域;具体过程如下:
S4-1:使用OpenCV的boundingRect函数,输入contours向量,得到感兴趣区域ROI;
S4-2:从感兴趣区域中把每一个危险品标志的图片提取出来;
S4-3:使用OpenCV上的getStructuringElement函数构造一个大小为3*3、结构为十字交叉性元素;
S4-4:使用生成的内核对图像进行腐蚀化处理;
S4-5:再对图像进行提取轮廓处理;最后得到过滤出来的子图像以及过滤后的轮廓集合。
S5:对如图3中的模板图片以及过滤后的子图像进行图像初始化处理;具体过程如下:
S5-1:以5*5的高斯核大小对模板的图片进行高斯模糊处理;
S5-2:使用resize()函数对模板的图片进行像素区域关系进行重采样;
S5-3:再一次以5*5的高斯核大小对模板的图片进行高斯模糊处理;
S5-4:把过滤后的子图像进行灰度化处理,即把RGB格式转换成LAB色彩空间格式。
S6:考虑到需要对视频流中匹配多达6张图片,所以本实施例首先选择的是FAST算子,FAST算子专门用来快速检测兴趣点,只需要把几个像素提取并进行对比,就可以判断是否为关键点。但因为OpenCV没有提供FAST专用的描述子提取器,所以本实施例借用Sift算法来实现描述子的提取。即运用FastFretureDetector+SiftDescriptorExtractor的组合进行模板匹配;具体过程如下:
S6-1:首先对Sift算子进行初始化,然后使用sift.dectAndCompute函数来计算特征值以及特征向量;
S6-2:得到了图像中的特征点以及相应的特征描述之后,使用K近邻(KNN)算法。KNN算法求取在空间中距离最近的K个数据点,并将这些数据点归为一类。在进行特征点匹配时,一般使用KNN算法找到最近邻的两个数据点,则每个match得到两个最接近的descriptor,然后计算最接近距离和次接近距离之间的比值,当比值大于2时,才作为最终match;
S6-3:通过上面的步骤,找到若干两张图中的匹配点,单应性矩阵(Homography)用作旋转、变换等方式将其中一张图与另一张图对齐。并且引入RANSAC算法解决匹配点的筛选问题。在得到了众多的匹配点以后,使用RANSAC算法,从众多的匹配点当中筛选四个随机的点,然后求得Homography矩阵,不断的迭代,直到求得最优的Homography矩阵为止。所以在前面使用cv2.findHomography方法时,参数cv2.RANSAC表明使用RANSAC算法来筛选关键点;最后得到最好的匹配点;
S6-4:根据匹配点,用矩形框把所识别到的图像框起来,然后旁边用英文给予标注,并发布/camera/rgb/image_raw话题。
本实施例应用于危险品***后的灾后现场,主要包括采集视频、格式转换、图像初始化、轮廓提取,感兴趣区域提取,模板匹配等多个步骤,能完成对多种不同的危险品标志的识别。与现有技术相比,本实施例具有以下几个技术特点和优势:1)提出一种通过模板匹配识别出危险品标志的方法,识别时间大约在1s左右,并且能最多能同时识别三张危险品标志的图片。2)采用FAST算子以及Sift算子结合的模板匹配方法,大大提高匹配精度。3)通过计算梯度场的特征值求出图像边缘,达到快速且准确提取图像边缘的效果,可以有效地分割每一张需要识别的图片。
以上所述之实施例子只为本发明之较佳实施例,并非以此限制本发明的实施范围,故凡依本发明之形状、原理所作的变化,均应涵盖在本发明的保护范围内。
Claims (7)
1.一种基于模板匹配的危险品标志的识别方法,其特征在于,包括以下步骤:
S1:采集视频;以救援机器人的摄像头作为视频采集器,利用ROS的结点订阅摄像头的视频流,然后把ROS格式的视频流转换成OpenCV格式以做图像处理;
S2:视频预处理;通过计算图像的梯度场计算出图像的方向场,并根据图像的特征值求出图像的边缘以及边缘位置的朝向;
S3:找出图像里面的轮廓并过滤过大或者过小的轮廓;
S4:从轮廓中提取感兴趣区域;
S5:对模板图片以及过滤后的子图像进行图像初始化处理;
S6:运用FastFretureDetector+SiftDescriptorExtractor的组合进行模板匹配;最后运用Homography矩阵进行误匹配点去除,得到最后的匹配点。
2.根据权利要求1所述的一种基于模板匹配的危险品标志的识别方法,其特征在于,所述步骤S2视频预处理的具体过程如下:
S2-1:用filter2D函数对线条边缘进行滤波处理,即卷积运算;
S2-2:利用梯度检测二维图像的局部特征;
S2-3:基于梯度场计算方向场,具体为:给定图像J,其梯度表示为Jx,Jy分别表示x方向的梯度和y方向的梯度,根据已有的梯度场分别计算
其中,W表示卷积运算,Jxx为x方向的梯度分量,Jyy为y方向的梯度分量,Jxy为直线x=y方向的梯度分量;
S2-4:计算2x2矩阵J’*J的第一个最大特征值e1;计算公式如下:
其中,d为矩阵J的梯度的方向值;
S2-5:最后根据特征值e1的开根求出图像的边缘,并使用OpenCV里面的函数fastAtan2求出每一条边缘的朝向。
3.根据权利要求2所述的一种基于模板匹配的危险品标志的识别方法,其特征在于,所述步骤S2-1具体为:
首先定义一个3*3的卷积核,然后使用fliter2D函数对原图像进行平滑图像、尖锐图像求边缘;将图像上的点与卷积核对应相乘后再求和,并将该结果放在图像上锚点的相对位置;通过在图像上扫描卷积核,对图像的每个点重复此操作;最后的运算结果存储到另存为一张新的图片;
用以上公式来表示fliter2D这个函数的过程,定义图像为I(x,y),核为G(x,y),其中,0<i<Mi-1和0<i<Mj-1,锚点位于相应核的(ai,aj)坐标上,得出新的图像为H(x,y)。
4.根据权利要求1所述的一种基于模板匹配的危险品标志的识别方法,其特征在于,所述步骤S3找出图像里面的轮廓并过滤过大或者过小的轮廓的具体步骤如下:
首先对获得的图像边缘图像进行提取轮廓findContours操作;其中,findContours函数定义轮廓的检索模式设置为CV_RETR_CCOMP,检测图像中存在的所有轮廓,若外面的轮廓还包含着内围轮廓,则内围的轮廓集合属于外层轮廓;findContours函数定义轮廓的近似方法设置为CV_CHAIN_APPROX_SIMPLE,仅保存轮廓的拐点信息,把所有轮廓拐点处的点保存入contours向量内;最后得到轮廓contours向量的所有点集;再使用OpenCV里面的contourarea函数去计算出每个轮廓的面积,保存已设定面积的轮廓,其他轮廓舍弃。
5.根据权利要求1所述的一种基于模板匹配的危险品标志的识别方法,其特征在于,所述步骤S4从轮廓中提取感兴趣区域的具体过程如下:
S4-1:使用OpenCV的boundingRect函数,输入contours向量,得到感兴趣区域ROI;
S4-2:从感兴趣区域中把每一个危险品标志的图片提取出来;
S4-3:使用OpenCV上的getStructuringElement函数构造一个大小为3*3、结构为十字交叉性元素;
S4-4:使用生成的内核对图像进行腐蚀化处理;
S4-5:再对图像进行提取轮廓处理;最后得到过滤出来的子图像以及过滤后的轮廓集合。
6.根据权利要求1所述的一种基于模板匹配的危险品标志的识别方法,其特征在于,所述步骤S5对模板图片以及过滤后的子图像进行图像初始化处理的具体过程如下:
S5-1:以5*5的高斯核大小对模板的图片进行高斯模糊处理;
S5-2:使用resize()函数对模板的图片进行像素区域关系进行重采样;
S5-3:再一次以5*5的高斯核大小对模板的图片进行高斯模糊处理;
S5-4:把过滤后的子图像进行灰度化处理,即把RGB格式转换成LAB色彩空间格式。
7.根据权利要求1所述的一种基于模板匹配的危险品标志的识别方法,其特征在于,所述步骤S6运用FastFretureDetector+SiftDescriptorExtractor的组合进行模板匹配的具体过程如下:
S6-1:首先对Sift算子进行初始化,然后使用sift.dectAndCompute函数来计算特征值以及特征向量;
S6-2:使用KNN算法求取在空间中距离最近的K个数据点,并将这些数据点归为一类;
S6-3:运用Homography矩阵进行误匹配点去除,得到最好的匹配点;
S6-4:根据匹配点,用矩形框把所识别到的图像框起来,然后旁边用英文给予标注,并发布话题。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910624896.3A CN110516531B (zh) | 2019-07-11 | 2019-07-11 | 一种基于模板匹配的危险品标志的识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910624896.3A CN110516531B (zh) | 2019-07-11 | 2019-07-11 | 一种基于模板匹配的危险品标志的识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110516531A true CN110516531A (zh) | 2019-11-29 |
CN110516531B CN110516531B (zh) | 2023-04-11 |
Family
ID=68622622
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910624896.3A Expired - Fee Related CN110516531B (zh) | 2019-07-11 | 2019-07-11 | 一种基于模板匹配的危险品标志的识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110516531B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111123251A (zh) * | 2019-12-18 | 2020-05-08 | 北京海兰信数据科技股份有限公司 | 一种雷达的目标对象检测方法及装置 |
CN111401369A (zh) * | 2020-03-26 | 2020-07-10 | 上海眼控科技股份有限公司 | 车身危险标志检测方法、装置、设备及存储介质 |
CN112132083A (zh) * | 2020-09-29 | 2020-12-25 | 广西信路威科技发展有限公司 | 一种基于多通道频域匹配的车身标志图像识别定位方法 |
CN112734758A (zh) * | 2021-03-30 | 2021-04-30 | 同方威视技术股份有限公司 | 基于区块链网络的图像管理设备、管理方法和确权方法 |
CN113076880A (zh) * | 2021-04-06 | 2021-07-06 | 广东轻工职业技术学院 | 一种危险品图形识别算法 |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120224769A1 (en) * | 2011-01-24 | 2012-09-06 | Steven White | Method for visual image detection |
CN102722731A (zh) * | 2012-05-28 | 2012-10-10 | 南京航空航天大学 | 一种基于改进sift算法的高效图像匹配方法 |
US20140185873A1 (en) * | 2012-12-27 | 2014-07-03 | Tsinghua University | Three-dimensional data processing and recognizing method |
CN103996181A (zh) * | 2014-05-12 | 2014-08-20 | 上海大学 | 一种基于仿生双眼的大视场图像拼接***和方法 |
US20150003741A1 (en) * | 2013-07-01 | 2015-01-01 | Here Global B.V. | Occlusion Resistant Image Template Matching Using Distance Transform |
CN106570820A (zh) * | 2016-10-18 | 2017-04-19 | 浙江工业大学 | 一种基于四旋翼无人机的单目视觉三维特征提取方法 |
CN106803307A (zh) * | 2016-12-16 | 2017-06-06 | 恒银金融科技股份有限公司 | 一种基于模板匹配的纸币面值面向识别方法 |
CN107392162A (zh) * | 2017-07-27 | 2017-11-24 | 京东方科技集团股份有限公司 | 危险人物识别方法及装置 |
CN107784634A (zh) * | 2017-09-06 | 2018-03-09 | 广东工业大学 | 一种基于模板匹配的输电线杆塔鸟巢识别方法 |
CN108154098A (zh) * | 2017-12-20 | 2018-06-12 | 歌尔股份有限公司 | 一种机器人的目标识别方法、装置和机器人 |
CN108171669A (zh) * | 2017-12-29 | 2018-06-15 | 星阵(广州)基因科技有限公司 | 一种基于OpenCV算法的图像矫正方法 |
CN108304766A (zh) * | 2017-12-12 | 2018-07-20 | 交通运输部规划研究院 | 一种基于高分辨率遥感筛选危险品堆场的方法 |
CN108898132A (zh) * | 2018-05-25 | 2018-11-27 | 广东工业大学 | 一种基于形状上下文描述的太赫兹图像危险品识别方法 |
CN109001833A (zh) * | 2018-06-22 | 2018-12-14 | 天和防务技术(北京)有限公司 | 一种基于深度学习的太赫兹危险品检测方法 |
-
2019
- 2019-07-11 CN CN201910624896.3A patent/CN110516531B/zh not_active Expired - Fee Related
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20120224769A1 (en) * | 2011-01-24 | 2012-09-06 | Steven White | Method for visual image detection |
CN102722731A (zh) * | 2012-05-28 | 2012-10-10 | 南京航空航天大学 | 一种基于改进sift算法的高效图像匹配方法 |
US20140185873A1 (en) * | 2012-12-27 | 2014-07-03 | Tsinghua University | Three-dimensional data processing and recognizing method |
US20150003741A1 (en) * | 2013-07-01 | 2015-01-01 | Here Global B.V. | Occlusion Resistant Image Template Matching Using Distance Transform |
CN103996181A (zh) * | 2014-05-12 | 2014-08-20 | 上海大学 | 一种基于仿生双眼的大视场图像拼接***和方法 |
CN106570820A (zh) * | 2016-10-18 | 2017-04-19 | 浙江工业大学 | 一种基于四旋翼无人机的单目视觉三维特征提取方法 |
CN106803307A (zh) * | 2016-12-16 | 2017-06-06 | 恒银金融科技股份有限公司 | 一种基于模板匹配的纸币面值面向识别方法 |
CN107392162A (zh) * | 2017-07-27 | 2017-11-24 | 京东方科技集团股份有限公司 | 危险人物识别方法及装置 |
CN107784634A (zh) * | 2017-09-06 | 2018-03-09 | 广东工业大学 | 一种基于模板匹配的输电线杆塔鸟巢识别方法 |
CN108304766A (zh) * | 2017-12-12 | 2018-07-20 | 交通运输部规划研究院 | 一种基于高分辨率遥感筛选危险品堆场的方法 |
CN108154098A (zh) * | 2017-12-20 | 2018-06-12 | 歌尔股份有限公司 | 一种机器人的目标识别方法、装置和机器人 |
CN108171669A (zh) * | 2017-12-29 | 2018-06-15 | 星阵(广州)基因科技有限公司 | 一种基于OpenCV算法的图像矫正方法 |
CN108898132A (zh) * | 2018-05-25 | 2018-11-27 | 广东工业大学 | 一种基于形状上下文描述的太赫兹图像危险品识别方法 |
CN109001833A (zh) * | 2018-06-22 | 2018-12-14 | 天和防务技术(北京)有限公司 | 一种基于深度学习的太赫兹危险品检测方法 |
Non-Patent Citations (1)
Title |
---|
闫建伟等: "一种车站危险品检测中的三维图像重建方法", 《计算机与数字工程》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111123251A (zh) * | 2019-12-18 | 2020-05-08 | 北京海兰信数据科技股份有限公司 | 一种雷达的目标对象检测方法及装置 |
CN111123251B (zh) * | 2019-12-18 | 2022-03-15 | 北京海兰信数据科技股份有限公司 | 一种雷达的目标对象检测方法及装置 |
CN111401369A (zh) * | 2020-03-26 | 2020-07-10 | 上海眼控科技股份有限公司 | 车身危险标志检测方法、装置、设备及存储介质 |
CN112132083A (zh) * | 2020-09-29 | 2020-12-25 | 广西信路威科技发展有限公司 | 一种基于多通道频域匹配的车身标志图像识别定位方法 |
CN112132083B (zh) * | 2020-09-29 | 2024-06-04 | 广西信路威科技发展有限公司 | 一种基于多通道频域匹配的车身标志图像识别定位方法 |
CN112734758A (zh) * | 2021-03-30 | 2021-04-30 | 同方威视技术股份有限公司 | 基于区块链网络的图像管理设备、管理方法和确权方法 |
CN113076880A (zh) * | 2021-04-06 | 2021-07-06 | 广东轻工职业技术学院 | 一种危险品图形识别算法 |
CN113076880B (zh) * | 2021-04-06 | 2023-06-06 | 广东轻工职业技术学院 | 一种危险品图形识别算法 |
Also Published As
Publication number | Publication date |
---|---|
CN110516531B (zh) | 2023-04-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110516531A (zh) | 一种基于模板匹配的危险品标志的识别方法 | |
CN110232380B (zh) | 基于Mask R-CNN神经网络的火灾夜间场景复原方法 | |
Huang et al. | Detection algorithm of safety helmet wearing based on deep learning | |
Tao et al. | Smoke detection based on deep convolutional neural networks | |
CN106845406A (zh) | 基于多任务级联卷积神经网络的头肩检测方法及装置 | |
CN110363204A (zh) | 一种基于多任务特征学习的对象表示方法 | |
CN107169458A (zh) | 数据处理方法、装置及存储介质 | |
CN111582073A (zh) | 一种基于ResNet101特征金字塔的变电站违规行为识别方法 | |
CN107818303A (zh) | 无人机油气管线影像自动对比分析方法、***及软件存储器 | |
CN108470424A (zh) | 一种基于图像特征的森林安全监测*** | |
CN114926747A (zh) | 一种基于多特征聚合与交互的遥感图像定向目标检测方法 | |
Chen et al. | Research on image fire detection based on support vector machine | |
CN108898098A (zh) | 基于监控平台的早期视频烟雾检测方法 | |
CN115797350A (zh) | 桥梁病害检测方法、装置、计算机设备和存储介质 | |
CN114565891A (zh) | 一种基于图形生成技术的烟火监测方法及*** | |
CN114140745A (zh) | 施工现场人员属性检测方法、***、装置及介质 | |
Chawda et al. | Extracting building footprints from satellite images using convolutional neural networks | |
CN114723959A (zh) | 一种基于颜色边缘深度感知的火灾检测方法及*** | |
CN117789105A (zh) | 基于多特征提取的复杂场景火灾检测方法 | |
CN116152685B (zh) | 一种基于无人机视野下行人检测方法及*** | |
CN116863376A (zh) | 电梯轿厢乘客异常事件检测的边缘计算方法及*** | |
CN108470154B (zh) | 一种大规模人群显著性区域检测方法 | |
CN115170933A (zh) | 基于双流深度神经网络的数字图像伪造区域定位方法 | |
Wang et al. | Deep learning-based human activity analysis for aerial images | |
CN114997279A (zh) | 一种基于改进Yolov5模型的建筑工人危险区域入侵检测方法 |
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 | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20230411 |