一种舱门的轮廓拟合方法及装置制造方法及图纸

本发明专利技术的实施例提供一种舱门的轮廓拟合方法及装置，所述方法包括：获取包含有双边界特征的舱门图像样本；根据所述舱门图像样本，获取所述舱门图像样本中舱门轮廓的位置点构成的形状向量；根据所述形状向量进行舱门模型训练，确定舱门模型；利用所述舱门模型，对当前输入的包含舱门的图像中的舱门轮廓进行拟合。本发明专利技术的方案可以更加高效地定位出舱门的双边界的位置，最后通过迭代，使得形状向量中的位置点准确地落在双边界中，达到轮廓拟合的效果。

【技术实现步骤摘要】
一种舱门的轮廓拟合方法及装置
本专利技术涉及目标对象的检测
，特别是指一种舱门的轮廓拟合方法及装置。
技术介绍
计算机视觉中的目标检测，因其在真实世界的大量应用需求，比如自动驾驶、视频监控、机器人视觉等，而被广泛关注；而在目标检测中，物体边缘和轮廓包含丰富的图像信息，代表了物体的特征，通过边缘和轮廓，人们可以更加准确地识别物体，因此，轮廓提取和轮廓拟合技术被认为是目标检测技术中十分重要的一部分。目前常用的轮廓拟合算法有三类：基于局部梯度算子的轮廓提取算法，基于深度学习的轮廓拟合算法和基于点分布(PointDistributionModel，PDM)模型轮廓拟合的算法。基于局部梯度算子的轮廓提取算法通过构造梯度算子，对灰度图像进行卷积运算进而检测轮廓；JohnF.Canny于1986年提出了多级边缘检测算法的“边缘检测计算理论”：首先引入高斯滤波作为预处理提取多个尺度下的图像表示；然后，使用局部梯度算子提取轮廓图；最后，使用非极大抑制算法和双阈值算法对边缘图像进行细化和二值化。基于局部梯度算子的轮廓提取算法虽然在速度上满足要求，但是轮廓提取的准确率略有不足，容易被噪声干扰。基于深度学习的轮廓拟合技术借助深度学习工具，尤其是卷积神经网络(ConvolutionalNeuralNetworks，CNNs)，提出了如整体嵌套边缘检测(Holistically-NestedEdgeDetection，HED)，CASENet(DeepCategory-AwareSemanticEdgeDetection)和DeepEdge等轮廓提取算法，这些算法大多基于图像的多尺度，多特征学习，并且泛化性强；但同时，对于特定目标的轮廓拟合，基于深度学习的轮廓提取技术相对来说容易出现技术冗余，实时性不能满足要求的问题。在基于点分布模型轮廓拟合的算法中，外形相似的物体，例如人脸、人手、心脏、肺部等的几何形状可以通过若干关键点的坐标依次串联形成一个形状向量来表示；Cootes于1995年提出了经典的基于点分布模型的关键点检测算法主动形状模型(ActiveShapeModel，ASM)算法，主动形状模型即通过形状模型对目标物体进行抽象；ASM算法通过人工标定的方法先标定训练集，经过训练获得形状模型，再通过关键点的匹配实现特定物体的匹配。1998年，Cootes对ASM算法进行改进，不仅采用形状约束，而且又加入整个脸部区域的纹理特征，提出了主动外观模型(activeappearancemodel，AAM)算法。AAM算法与ASM算法一样，主要分为两个阶段，模型建立阶段和模型匹配阶段。其中模型建立阶段包括对训练样本分别建立形状模型(ShapeModel)和纹理模型(TextureModel)，然后将两个模型进行结合，形成主动外观模型。在登机桥的自动对接过程中，需要对舱门进行识别，现有技术中，没有在登机桥的自动对接过程中对舱门进行识别的技术。
技术实现思路
本专利技术要解决的技术问题是提供一种舱门的轮廓拟合方法及装置，可以实现在登机桥的自动对接过程中对舱门进行识别。为解决上述技术问题，本专利技术的技术方案如下：一种舱门的轮廓拟合方法，所述方法包括：获取包含有双边界特征的舱门图像样本；根据所述舱门图像样本，获取所述舱门图像样本中舱门轮廓的位置点构成的形状向量；根据所述形状向量进行舱门模型训练，确定舱门模型；利用所述舱门模型，对当前输入的包含舱门的图像中的舱门轮廓进行拟合。可选的，根据所述舱门图像样本，获取舱门轮廓的位置点构成的形状向量，包括：在每张舱门图像样本中的舱门轮廓上标记位置点，记录位置点的坐标，构成形状向量Xi,i＝1,2...n。可选的，在每张舱门图像样本中的舱门轮廓上标记位置点，记录位置点的坐标，构成形状向量Xi,i＝1,2...n，包括：对每张舱门图像样本中的舱门轮廓上，按照预设顺序标记k个位置点；将k个位置点的坐标按照顺序组成一个形状向量其中为第i个舱门图像样本上第j个位置点的坐标，n表示舱门图像样本的个数。可选的，根据所述形状向量进行舱门模型训练，确定舱门模型，包括：对所述形状向量Xi,i＝1,2...n进行归一化处理，获得所述舱门模型的平均形状向量根据所述形状向量Xi,i＝1,2...n，获得所述舱门模型的投影矩阵P；获取每个位置点的平均纹理特征向量根据所述平均形状向量投影矩阵P以及所述纹理特征向量确定舱门模型。可选的，对所述形状向量Xi,i＝1,2...n进行归一化处理，获得所述舱门模型的平均形状向量包括：对于所述形状向量Xi,i＝1,2,......n，通过迭代，使每个形状向量更新为其中l为迭代次数，当l＝0时计算每次迭代过程中的平均形状向量当l＝0时为每一个形状向量找到旋转变换放缩因子以及平移变换使得经过变换后最小，其中并且小于第一预设阈值或迭代次数l达到第一预设次数；||·||F定义为：对于向量α＝(a1,a2...am)T，可选的，计算每次迭代过程中的平均形状向量为每一个形状向量找到旋转变换放缩因子以及平移变换使得经过变换后最小，包括：计算l＝0时的平均形状向量其中，将每个形状向量归一到原点：设每个形状向量的中心坐标为归一到原点后的形状向量为：归一到原点的平均形状向量为：其中计算矩阵满足其中为酉矩阵，为半正定的对角矩阵，且取旋转变换为：取伸缩因子为：取平移变换为：更新每个形状向量并记为计算矩阵L(l),D(l),M(l)满足得到旋转变换T(l)，放缩因子s(l)以及平移变换C(l)，更新平均形状向量l＝l+1，重复上述过程直到l达到设定的次数或小于所述第一预设阈值。可选的，根据所述形状向量Xi,i＝1,2...n，获得所述舱门模型的投影矩阵P，包括：根据形状向量以及平均形状向量记Xi'＝(x1,y1,x2,y2...xk,yk)T，获取协方差矩阵获取协方差矩阵S的特征值λi,i＝1,2......2n，满足λi≥λj>0,1≤i<j≤n，且特征值对应的特征向量为pi，满足S*pi＝λi*pi；取前t个特征值λi,i＝1,2......t对应的特征向量pi,i＝1,2......t，并以pi,i＝1,2......t为列向量，构成投影矩阵P＝(p1,p2......pt)；其中，对任意的新的形状向量X'＝(x′1,y′1,x′2,y′2...x′k,y′k)T，表示为其中b＝(b1,b2...bt)T为形状参数，通过来计算。可选的，获取每个位置点的平均纹理特征向量包括：在第i个舱门图像样本的第j个位置点，沿着垂直于前后两个位置点连线的方向，以第j个位置点为中心，两边各取m个像素点，得到共计2m+1个像素值，构成维度为2m+1的纹理特征向量其中，i表示第本文档来自技高网...

【技术保护点】
1.一种舱门的轮廓拟合方法，其特征在于，所述方法包括：/n获取包含有双边界特征的舱门图像样本；/n根据所述舱门图像样本，获取所述舱门图像样本中舱门轮廓的位置点构成的形状向量；/n根据所述形状向量进行舱门模型训练，确定舱门模型；/n利用所述舱门模型，对当前输入的包含舱门的图像中的舱门轮廓进行拟合。/n

【技术特征摘要】
1.一种舱门的轮廓拟合方法，其特征在于，所述方法包括：
获取包含有双边界特征的舱门图像样本；
根据所述舱门图像样本，获取所述舱门图像样本中舱门轮廓的位置点构成的形状向量；
根据所述形状向量进行舱门模型训练，确定舱门模型；
利用所述舱门模型，对当前输入的包含舱门的图像中的舱门轮廓进行拟合。


2.根据权利要求1所述的舱门的轮廓拟合方法，其特征在于，根据所述舱门图像样本，获取舱门轮廓的位置点构成的形状向量，包括：
在每张舱门图像样本中的舱门轮廓上标记位置点，记录位置点的坐标，构成形状向量Xi,i＝1,2...n。


3.根据权利要求2所述的舱门的轮廓拟合方法，其特征在于，在每张舱门图像样本中的舱门轮廓上标记位置点，记录位置点的坐标，构成形状向量Xi,i＝1,2...n，包括：
对每张舱门图像样本中的舱门轮廓上，按照预设顺序标记k个位置点；将k个位置点的坐标按照顺序组成一个形状向量其中为第i个舱门图像样本上第j个位置点的坐标，n表示舱门图像样本的个数。


4.根据权利要求2所述的舱门的轮廓拟合方法，其特征在于，根据所述形状向量进行舱门模型训练，确定舱门模型，包括：
对所述形状向量Xi,i＝1,2...n进行归一化处理，获得所述舱门模型的平均形状向量
根据所述形状向量Xi,i＝1,2...n，获得所述舱门模型的投影矩阵P；
获取每个位置点的平均纹理特征向量
根据所述平均形状向量投影矩阵P以及所述纹理特征向量确定舱门模型。


5.根据权利要求4所述的舱门的轮廓拟合方法，其特征在于，对所述形状向量Xi,i＝1,2...n进行归一化处理，获得所述舱门模型的平均形状向量包括：
对于所述形状向量Xi,i＝1,2,......n，通过迭代，使每个形状向量更新为其中l为迭代次数，当l＝0时
计算每次迭代过程中的平均形状向量当l＝0时
为每一个形状向量找到旋转变换放缩因子以及平移变换使得经过变换后最小，其中并且小于第一预设阈值或迭代次数l达到第一预设次数；
||·||F定义为：对于向量α＝(a1,a2...am)T，


6.根据权利要求5所述的舱门的轮廓拟合方法，其特征在于，计算每次迭代过程中的平均形状向量为每一个形状向量找到旋转变换放缩因子以及平移变换使得经过变换后最小，包括：
计算l＝0时的平均形状向量其中，
将每个形状向量归一到原点：
设每个形状向量的中心坐标为归一到原点后的形状向量为：



归一到原点的平均形状向量为：

其中
计算矩阵满足其中为酉矩阵，为半正定的对角矩阵，且
取旋转变换为：
取伸缩因子为：
取平移变换为：
更新每个形状向量并记为
计算矩阵L(l),D(l),M(l)满足得到旋转变换T(l)，放缩因子s(l)以及平移变换C(l)，更新平均形状向量
l＝l+1，重复上述过程直到l达到设定的次数或小于所述第一预设阈值。


7.根据权利要求5所述的舱门的轮廓拟合方法，其特征在于，根据所述形状向量Xi,i＝1,2...n，获得所述舱门模型的投影矩阵P，包括：
根据形状向量
以及平均形状向量记Xi'＝(x1,y1,x2,y2...xk,yk)T，
获取协方差矩阵
获取协方差矩阵S的特征值λi,i＝1,2......2n，满足λi≥λj>0,1≤i<j≤n，且特征值对应的特征向量为pi，满足S*pi＝λi*pi；
取前t个特征值λi,i＝1,2......t对应的特征向量pi,i＝1,2......t，并以pi,i＝1,2......t为列向量，构成投影矩阵P＝(p1,p2......pt)；
其中，对任意的新的形状向量X'＝(x′1,y′1,x′2,y′2...x′k,y′k)T，表示为其中b＝(b1,b2...bt)T为形状参数，通过来计算。


8.根据权利要求4所述的舱门的轮廓拟合方法，其特征在于，获取每个位置点的平均纹理特征向量包括：
在第i个舱门图像样本的第...

【专利技术属性】
技术研发人员：姜春阳，李旭，桂盛霖，叶润，简柯青，
申请(专利权)人：北京博维航空设施管理有限公司，
类型：发明
国别省市：北京;11