[發明專利]一種艙門的輪廓擬合方法及裝置

在審

• 申請號: 202010728343.5
• 申請日: 2020-07-24
• 公開（公告）號: CN111860376A
• 公開（公告）日: 2020-10-30
• 發明（設計）人: 姜春陽;李旭;桂盛霖;葉潤;簡柯青
• 申請（專利權）人: 北京博維航空設施管理有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 代理公司: 北京青松知識產權代理事務所(特殊普通合伙) 11384
• 代理人: 鄭青松

本發明的實施例提供一種艙門的輪廓擬合方法及裝置，所述方法包括：獲取包含有雙邊界特征的艙門圖像樣本；根據所述艙門圖像樣本，獲取所述艙門圖像樣本中艙門輪廓的位置點構成的形狀向量；根據所述形狀向量進行艙門模型訓練，確定艙門模型；利用所述艙門模型，對當前輸入的包含艙門的圖像中的艙門輪廓進行擬合。本發明的方案可以更加高效地定位出艙門的雙邊界的位置，最后通過迭代，使得形狀向量中的位置點準確地落在雙邊界中，達到輪廓擬合的效果。

技術領域

本發明涉及目標對象的檢測技術領域，特別是指一種艙門的輪廓擬合方法 及裝置。

背景技術

計算機視覺中的目標檢測，因其在真實世界的大量應用需求，比如自動駕 駛、視頻監控、機器人視覺等，而被廣泛關注；而在目標檢測中，物體邊緣和 輪廓包含豐富的圖像信息，代表了物體的特征，通過邊緣和輪廓，人們可以更 加準確地識別物體，因此，輪廓提取和輪廓擬合技術被認為是目標檢測技術中 十分重要的一部分。

目前常用的輪廓擬合算法有三類：基于局部梯度算子的輪廓提取算法，基 于深度學習的輪廓擬合算法和基于點分布(Point Distribution Model，PDM)模型 輪廓擬合的算法。

基于局部梯度算子的輪廓提取算法通過構造梯度算子，對灰度圖像進行卷 積運算進而檢測輪廓；John F.Canny于1986年提出了多級邊緣檢測算法的“邊 緣檢測計算理論”：首先引入高斯濾波作為預處理提取多個尺度下的圖像表示； 然后，使用局部梯度算子提取輪廓圖；最后，使用非極大抑制算法和雙閾值算 法對邊緣圖像進行細化和二值化。基于局部梯度算子的輪廓提取算法雖然在速 度上滿足要求，但是輪廓提取的準確率略有不足，容易被噪聲干擾。

基于深度學習的輪廓擬合技術借助深度學習工具，尤其是卷積神經網絡(Convolutional Neural Networks，CNNs)，提出了如整體嵌套邊緣檢測 (Holistically-Nested Edge Detection，HED)，CASENet(Deep Category-Aware Semantic EdgeDetection)和DeepEdge等輪廓提取算法，這些算法大多基于圖 像的多尺度，多特征學習，并且泛化性強；但同時，對于特定目標的輪廓擬合， 基于深度學習的輪廓提取技術相對來說容易出現技術冗余，實時性不能滿足要 求的問題。

在基于點分布模型輪廓擬合的算法中，外形相似的物體，例如人臉、人手、 心臟、肺部等的幾何形狀可以通過若干關鍵點的坐標依次串聯形成一個形狀向 量來表示；Cootes于1995年提出了經典的基于點分布模型的關鍵點檢測算法 主動形狀模型(ActiveShape Model，ASM)算法，主動形狀模型即通過形狀模型 對目標物體進行抽象；ASM算法通過人工標定的方法先標定訓練集，經過訓 練獲得形狀模型，再通過關鍵點的匹配實現特定物體的匹配。

1998年，Cootes對ASM算法進行改進，不僅采用形狀約束，而且又加入 整個臉部區域的紋理特征，提出了主動外觀模型(active appearance model， AAM)算法。AAM算法與ASM算法一樣，主要分為兩個階段，模型建立階 段和模型匹配階段。其中模型建立階段包括對訓練樣本分別建立形狀模型 (Shape Model)和紋理模型(Texture Model)，然后將兩個模型進行結合，形成主 動外觀模型。

在登機橋的自動對接過程中，需要對艙門進行識別，現有技術中，沒有在 登機橋的自動對接過程中對艙門進行識別的技術。

發明內容

本發明要解決的技術問題是提供一種艙門的輪廓擬合方法及裝置，可以實 現在登機橋的自動對接過程中對艙門進行識別。

為解決上述技術問題，本發明的技術方案如下：

一種艙門的輪廓擬合方法，所述方法包括：

獲取包含有雙邊界特征的艙門圖像樣本；