CN111612087A - 动车组teds***图像特征字典生成方法 - Google Patents
动车组teds***图像特征字典生成方法 Download PDFInfo
- Publication number
- CN111612087A CN111612087A CN202010466620.XA CN202010466620A CN111612087A CN 111612087 A CN111612087 A CN 111612087A CN 202010466620 A CN202010466620 A CN 202010466620A CN 111612087 A CN111612087 A CN 111612087A
- Authority
- CN
- China
- Prior art keywords
- image
- vector
- images
- character
- value
- 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
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/28—Determining representative reference patterns, e.g. by averaging or distorting; Generating dictionaries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion 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
- G06V10/40—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]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02T—CLIMATE CHANGE MITIGATION TECHNOLOGIES RELATED TO TRANSPORTATION
- Y02T10/00—Road transport of goods or passengers
- Y02T10/10—Internal combustion engine [ICE] based vehicles
- Y02T10/40—Engine management systems
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Multimedia (AREA)
- Image Analysis (AREA)
Abstract
一种动车组TEDS***图像特征字典生成方法。该方法的输入是高铁检测图像数据集和给定字符数D,输出是对应给定字符数D的字典。该方法包括:输入图像数据集,构建图像序列,构造标量值函数获取图像标量场,奇点检测及奇点特征提取,统计向量个数并计算均值向量,有效字符挖掘并生成特征字符,最后输出特征字典。该方法通过建立特征字典的形式将多个图像特征提取算子进行融合,打破了传统使用的单一图像特征提检测的方法,从而结合了每个算子的长处,大大提高了后续的图像识别工作效率与准确率。
Description
技术领域
本发明属于动车组运行图像检测与分析技术领域,具体涉及一种动车组TEDS***图像特征字典生成方法。
背景技术
在动车组运行过程中,目前主要采用人工图像判别方式对动车组进行实时图像检测与分析,每天全路有近三千多名工作人员围绕***产生的实时图像进行人工图像评判,该工作劳动强度大,易产生视觉疲劳,进而造成漏报、误报。同时,图像识别有较高时效性的要求,图像采集后要求在规定时间内发现并定位缺陷以及故障问题,从而保证列车安全运行,以目前的人工评判是难以实现的,容易受到人工的经验和疲劳度影响。
随着机器视觉技术的飞速发展,模拟人工检测原理,基于视觉的产品质量高速自动化检测技术引起了相关行业的广泛关注。它具有适应性好、标准统一、检测结果一致性高等特性。目前主流的算法可以分为两类:基于区域建议的目标检测算法和基于回归的目标检测算法。但其均采用单一的特征提取算法,仅适用于一类图像,存在一定的局限性。特别是对于高铁底部和侧面这类复杂图像,现有的目标检测算法并不能直接应用。因此,如何构造能反应多图像特征的字典,从而融合多个特征提取算法共同检测,是需要重点解决的技术问题。
发明内容
本发明目的是解决现有技术存在的上述问题,提供一种动车组TEDS***图像特征字典生成方法。
本发明的技术方案
一种动车组TEDS***图像特征字典生成方法,该方法的输入是高铁检测图像数据集和给定字符数D,输出是对应给定字符数D的字典。所述方法包括:
第1步、构建图像序列
对于输入的包含A幅图像的数据集,设定比例系数K1<1,利用利用数据集中图像jI1构造由M幅图像构成的图像序列,图像序列中所有图像的长宽比与图像jI1相同,Li+1/Li=K1,i=1,2,…,M-1,其中Li表示序列中第i幅图像jIi的长边长度,对数据集中j=1,2,…A的所有图像进行上述操作,得到A×M幅图像。
第2步、构造标量值函数
构造标量值函数S(I,u,v),其中I为输入图像,(u,v)为图像坐标;函数的主要功能是构建一个与输入图像尺寸相同的标量场,提取输入图像中各个坐标点的灰度值并存于标量场中。对于第1步得到的所有A×M幅图像中的每一幅,遍历计算每个像素的函数值,得到与输入图像尺寸相同的标量场。
标量值函数S(I,u,v)的获取方法是:将图像灰度化并提取灰度值存于标量场。
第3步、检测奇点
对于每幅标量场图,逐个判断每个像素,如果一个像素在以自身为中心的T×T邻域内具有最大值,则认为该像素为奇点,记所有A×M幅图像中检测到的全部奇点的数量为N,给每个奇点一个编号q,第q个奇点表示为Pq,q=1,2,…,N。
第4步、对奇点提取特征
对于奇点Pq,利用G种不同的特征提取算子(包括:ORB,SIFT和HOG等)提取特征。可以根据工程问题的情况灵活设计算子的具体内容。但在逻辑层面上,该步骤中的算子包含作用域和编码规则两个部分。其中作用域是以奇点Pq为参照的,大小为mj×nj的图像区域iΩj,编码规则rj是一个以作用域内像素为输入的向量值函数。根据所定义的符号Ji,利用第j个算子处理第i个奇点的过程可以写成如下函数形式:
iRj=rj(iΩj)
其中iRj是一个Dj维的向量,j=1,2,…,G。如果在图像上,算子的作用域超出了图像边界,则认为该算子无效,将输出向量规定为Dj维0向量。
第5步、统计向量个数
在下标j=1的所有向量中随机选取一个非零向量iR1,如果与该向量欧式距离小于给定阈值Tj的非零向量个数小于阈值TE,则认为无效,重新随机选取非零向量。否则,计算包括向量iR1本身在内所有欧式距离小于给定阈值Tj向量的均值向量
第6步、计算均值向量
第7步、有效字符挖掘
确定半径d1,使得在以为球心,d1为半径的Dj球体中,指标取得最大值,C为球体内非零向量的个数。如果球体内非零向量的个数超过阈值Ts,认为挖掘出第一个有效字符w1,按照如下格式记录该球体的球心、半径以及特征提取算子的句柄作为字符w1的信息:并将该字符保存于特征字典中。
第8步、记录字符w1的球体内所有非零向量的左上标,对于j=1,2,…,G,将所有相应左上标的向量置为零向量。
第9步、重复第5步至第8步,直到没有新的有效字符产生。
第10步、将j的值加1,重复第5步至第9步,直到没有新的有效字符产生。
本发明的优点和有益效果:
本发明通过建立特征字典的形式将多个图像特征提取算子进行融合,打破了传统使用的单一图像特征提检测的方法,从而结合了每个算子的长处,大大提高了后续的图像识别工作效率与准确率。
附图说明
图1是本发明方法的算法模块图。
图2是本发明方法的整体流程图。
具体实施方式
实施例1:
一种动车组TEDS***图像特征字典生成方法,该方法的输入是高铁检测图像数据集和给定字符数D=10,输出是对应给定字符数D=10的字典。所述方法流程参见图2,具体包括如下步骤:
Step1、对于包含输入的A=100幅图像的数据集,设定比例系数K1=0.74,对其中图像jI1使用图像金字塔的方法构造M=5幅图像构成的图像序列,其中图像序列中所有图像的长宽比与图像jI1相同,Li+1/Li=K1,i=1,2,…,M-1=4,其中Li表示序列中第i幅图像jIi的长边长度。对数据集中j=1,2,…100的所有图像进行上述操作,得到500幅图像。
Step2、构造标量值函数S(I,u,v)(具体方法是,将图像灰度化并提取灰度值存于标量场),其中I为输入图像,(u,v)为图像坐标。对于上一步得到的所有500幅图像中的每一幅,遍历计算每个像素的函数值(也就是每个点的灰度值)。得到与输入图像尺寸相同的标量场。
Step3、对于每幅标量场图,逐个判断每个像素,如果一个像素在以其本身为中心的15×15(T=15)邻域内具有最大值,则认为该像素为奇点。记所有500幅图像中检测到的全部奇点的数量为11129,给每个奇点一个编号q,第q个奇点表示为Pq,q=1,2,…,11129。
Step4、对于奇点Pq,利用2种不同的特征提取算子提取特征,即HOG特征与ORB特征。在逻辑层面上,该步骤中的算子包含作用域和编码规则两个部分。其中HOG特征的作用域是以奇点Pq为参照的,大小为mj×nj的图像区域iΩj,mj=32,nj=32。而ORB特征的作用域是奇点Pq圆圈范围中的16个像素。编码规则rj是一个以作用域内像素为输入的向量值函数,r1为HOG特征提取编码函数,r2为ORB特征提取编码函数,根据所定义的符号Ji,利用第j个算子处理第q个奇点的过程可以写成如下函数形式:
iRj=rj(iΩj)
其中iRj是一个Dj维的向量,j=1,2,D1=36,D2=32。如果在图像上,算子的作用域超出了图像边界,则认为该算子无效,将输出向量规定为Dj=0维向量。
Step5、在下标j=1的所有向量中即所有由HOG特征编码的向量中,随机选取一个非零向量iR1,如果与该向量欧式距离小于给定阈值Tj=644245348的非零向量个数小于阈值TE=100,则认为无效,重新随机选取非零向量。否则,计算包括向量iR1本身在内所有欧式距离小于给定阈值Tj向量的均值向量在下标j=2的所有向量中即所有由ORB特征编码的向量中,随机选取一个非零向量iR1,如果与该向量汉明距离小于给定阈值Tj=544的非零向量个数小于阈值TE=110,则认为无效,重新随机选取非零向量。否则,计算包括向量iR1本身在内所有欧式距离小于给定阈值Tj向量的均值向量
Step7、确定半径d1,使得在以为球心,d1为半径的Dj球体中,指标取得最大值,C为球体内非零向量的个数,HOG特征:C=100,d1=644245348;ORB特征:C=100,d1=544。如果球体内非零向量的个数超过阈值Ts=100,认为挖掘出第一个有效字符w1=’A’,按照如下格式记录该球体的球心、半径以及特征提取算子的句柄作为字符w1的信息:并将该字符保存于特征字典中。
Step8、记录w1的球体内所有非零向量的左上标,对于j=1,2,将所有相应左上标的向量置为零向量。
Step9、重复step5至step8,直到没有新的有效字符产生。
Step10、将j的值加1,重复step5至step9,直到没有新的有效字符产生。
Claims (3)
1.一种动车组TEDS***图像特征字典生成方法,该方法的输入是高铁检测图像数据集和给定字符数D,输出是对应给定字符数D的字典,所述方法包括:
第1步、构建图像序列
对于输入的包含A幅图像的数据集,设定比例系数K1<1,利用数据集中图像jI1构造由M幅图像构成的图像序列,图像序列中所有图像的长宽比与图像jI1相同,Li+1/Li=K1,i=1,2,…,M-1,其中Li表示序列中第i幅图像jIi的长边长度,对数据集中j=1,2,…A的所有图像进行上述操作,得到A×M幅图像;
第2步、构造标量值函数
构造标量值函数S(I,u,v),其中I为输入图像,(u,v)为图像坐标;函数的主要功能是构建一个与输入图像尺寸相同的标量场,提取输入图像中各个坐标点的灰度值并存于标量场中;对于第1步得到的所有A×M幅图像中的每一幅图像,遍历计算每个像素的函数值,得到与输入图像尺寸相同的标量场;
第3步、检测奇点
对于每幅标量场图,逐个判断每个像素,如果一个像素在以本身为中心的T×T邻域内具有最大值,则认为该像素为奇点,记所有A×M幅图像中检测到的全部奇点的数量为N,给每个奇点一个编号q,第q个奇点表示为Pq,q=1,2,…,N;
第4步、对奇点提取特征
对于奇点Pq,利用G种不同的特征提取算子提取特征;特征提取算子根据工程问题的情况灵活设计,但在逻辑层面上,该步骤中的算子包含作用域和编码规则两个部分;其中作用域是以奇点Pq为参照的,大小为mj×nj的图像区域iΩj,编码规则rj是一个以作用域内像素为输入的向量值函数;根据所定义的符号Ji,利用第j个特征提取算子处理第i个奇点的过程写成如下函数形式:
iRj=rj(iΩj)
其中iRj是一个Dj维的向量,j=1,2,…,G;如果在图像上,算子的作用域超出了图像边界,则认为该算子无效,将输出向量规定为Dj维0向量;
第5步、统计向量个数
在下标j=1的所有向量中随机选取一个非零向量iR1,如果与该向量欧式距离小于给定阈值Tj的非零向量个数小于阈值TE,则认为该向量无效,重新随机选取非零向量;否则,计算包括向量iR1本身在内所有欧式距离小于给定阈值Tj向量的均值向量
第6步、计算均值向量
第7步、有效字符挖掘
确定半径d1,使得在以为球心,d1为半径的Dj球体中,指标|C2/d1 Dj|取得最大值,C为球体内非零向量的个数;如果球体内非零向量的个数超过阈值Ts,认为挖掘出第一个有效字符w1,按照如下格式记录该球体的球心、半径以及特征提取算子的句柄作为字符w1的信息:并将该字符保存于特征字典中;
第8步、记录字符w1的球体内所有非零向量的左上标,对于j=1,2,…,G,将所有相应左上标的向量置为零向量;
第9步、重复第5步至第8步,直到没有新的有效字符产生;
第10步、将j的值加1,重复第5步至第9步,直到没有新的有效字符产生;
2.根据权利要求1所述的动车组TEDS***图像特征字典生成方法,其特征在于,第2步中的标量值函数S(I,u,v)的获取方法是:将图像的灰度化并提取灰度值存于标量场。
3.根据权利要求1所述的动车组TEDS***图像特征字典生成方法,其特征在于,第4步中的G种不同的特征提取算子包括:ORB,SIFT和HOG。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010466620.XA CN111612087B (zh) | 2020-05-28 | 2020-05-28 | 动车组teds***图像特征字典生成方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010466620.XA CN111612087B (zh) | 2020-05-28 | 2020-05-28 | 动车组teds***图像特征字典生成方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111612087A true CN111612087A (zh) | 2020-09-01 |
CN111612087B CN111612087B (zh) | 2023-07-14 |
Family
ID=72199806
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010466620.XA Active CN111612087B (zh) | 2020-05-28 | 2020-05-28 | 动车组teds***图像特征字典生成方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111612087B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681935A (zh) * | 2023-05-31 | 2023-09-01 | 国家深海基地管理中心 | 一种深海热液喷口自主识别定位方法及*** |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103886557A (zh) * | 2014-03-28 | 2014-06-25 | 北京工业大学 | 一种深度图像的去噪方法 |
CN104598928A (zh) * | 2015-01-30 | 2015-05-06 | 南京邮电大学 | 一种基于类字典稀疏识别的车辆分类方法 |
CN104732492A (zh) * | 2015-03-09 | 2015-06-24 | 北京工业大学 | 一种深度图像的去噪方法 |
JP2015153340A (ja) * | 2014-02-19 | 2015-08-24 | 富士ゼロックス株式会社 | 画像処理装置及び画像処理プログラム |
CN106056611A (zh) * | 2016-06-03 | 2016-10-26 | 上海交通大学 | 基于区域信息和边缘信息的水平集图像分割方法及其*** |
CN106682087A (zh) * | 2016-11-28 | 2017-05-17 | 东南大学 | 一种基于车载装饰品特征稀疏编码的车辆检索方法 |
-
2020
- 2020-05-28 CN CN202010466620.XA patent/CN111612087B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2015153340A (ja) * | 2014-02-19 | 2015-08-24 | 富士ゼロックス株式会社 | 画像処理装置及び画像処理プログラム |
CN103886557A (zh) * | 2014-03-28 | 2014-06-25 | 北京工业大学 | 一种深度图像的去噪方法 |
CN104598928A (zh) * | 2015-01-30 | 2015-05-06 | 南京邮电大学 | 一种基于类字典稀疏识别的车辆分类方法 |
CN104732492A (zh) * | 2015-03-09 | 2015-06-24 | 北京工业大学 | 一种深度图像的去噪方法 |
CN106056611A (zh) * | 2016-06-03 | 2016-10-26 | 上海交通大学 | 基于区域信息和边缘信息的水平集图像分割方法及其*** |
CN106682087A (zh) * | 2016-11-28 | 2017-05-17 | 东南大学 | 一种基于车载装饰品特征稀疏编码的车辆检索方法 |
Non-Patent Citations (2)
Title |
---|
HONGTENG XU等: "Dictionary Learning with Mutually Reinforcing Group-Graph Structures" * |
王成钢等: "基于奇异点的字典模型指纹方向场去噪方法" * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116681935A (zh) * | 2023-05-31 | 2023-09-01 | 国家深海基地管理中心 | 一种深海热液喷口自主识别定位方法及*** |
CN116681935B (zh) * | 2023-05-31 | 2024-01-23 | 国家深海基地管理中心 | 一种深海热液喷口自主识别定位方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN111612087B (zh) | 2023-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111582294B (zh) | 一种构建用于表面缺陷检测的卷积神经网络模型的方法及其利用 | |
CN110264448B (zh) | 一种基于机器视觉的绝缘子故障检测方法 | |
AU2020103716A4 (en) | Training method and device of automatic identification device of pointer instrument with numbers in natural scene | |
CN111859805B (zh) | 基于人工智能的电力图纸拓扑关系的检测方法 | |
CN108389256A (zh) | 二三维交互式无人机电力杆塔巡检辅助方法 | |
CN112308855A (zh) | 钢轨伤损识别模型生成装置、伤损检测装置及*** | |
CN114670898A (zh) | 一种多功能轨道检测*** | |
CN110567383A (zh) | 基于结构森林和亚像素的受电弓磨耗预警***及检测方法 | |
CN107016394A (zh) | 一种交叉纤维特征点匹配方法 | |
CN111222447A (zh) | 基于神经网络及多通道融合lbp特征的活体检测方法 | |
CN115063620B (zh) | 一种基于比特分层罗茨风机轴承磨损检测方法 | |
CN105069395A (zh) | 基于地面三维激光扫描技术的道路标线自动识别方法 | |
CN114092478B (zh) | 一种异常检测方法 | |
CN115330940A (zh) | 一种三维重建方法、装置、设备和介质 | |
CN114882494B (zh) | 一种基于多模态注意力驱动的三维点云特征提取方法 | |
CN111612087B (zh) | 动车组teds***图像特征字典生成方法 | |
CN112465027A (zh) | 钢轨伤损检测方法 | |
CN110807416A (zh) | 适用于移动检测装置的数字式仪表智能识别装置及方法 | |
CN112907734B (zh) | 基于虚拟crh380a模型和深度学习的teds故障检测方法 | |
Zhou et al. | DSANet-KD: Dual semantic approximation network via knowledge distillation for rail surface defect detection | |
CN117253188A (zh) | 基于改进的YOLOv5的变电站接地线状态目标检测方法 | |
CN116703895A (zh) | 基于生成对抗网络的小样本3d视觉检测方法及其*** | |
CN116452604A (zh) | 一种复杂变电站场景分割方法、设备及存储介质 | |
CN114066861A (zh) | 一种基于交叉算法边缘检测理论和视觉特征的煤矸识别方法 | |
Xie et al. | Pulmonary nodules detection via 3D multi-scale dual path network |
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 |