基于Hu不变矩特征的铁路轨道识别检测算法
基于改进的Hu不变矩的图像检索技术研究
基于改进的Hu不变矩的图像检索技术研究【摘要】提出一种改进的Hu不变矩形状特征描述算法。
首先使用Canny算子对图像进行边缘轮廓提取，然后分析传统Hu不变矩的缺点提出一种相对矩与离心率特征相结合的不变矩描述算法，通过实验证明改进后的形状描述算法具有良好的旋转不变性、平移不变性以及尺度不变性，同时对改进前后的检索性能进行实验对比，发现改进后算法的检索性能优于改进前。
【关键词】不变矩;边缘检测;相对矩;离心率1.引言基于形状特征的图像检索一直是图像检索技术中的重点所在[1]，但基于形状特征的图像检索技术在不同特征的图像检索中的研究仍然不够成熟。
目前常用的形状特征描述方法有小波描述子、傅里叶描述子、Hu不变矩描述子以及链码描述子等，但不同描述算法各有优缺点，适用范围不同[2-3]。
本文根据传统的Hu不变矩算法计算量大的缺点[4]对其进行改进，使改进后的算法具有几何不变性等优点的同时计算相对简单，并且相对于改进前检索性能有了明显的提高。
2.Hu不变矩描述算法的改进由于不变性描述方法本身具有旋转不变性，所以本文通过不同矩之间的比值来消除比例因子u所带来的影响，从而使不变矩描述物体形状忽略图形形状缩放导致的变化，使形状描述只与形状信息相关。
将七个不变矩进行比值运算，经过推到得到形状信息的相对矩如下：其中R消除了的影响并且同时保留了形状的平移、旋转以及尺度不变性，同理其他相对矩推到如下：通过对R1的分析可证明R2-R10都满足形状特征的几何不变性，对相对矩进一步分析如下：首先相对矩中R1代表形状特征的曲率半径，当区域形状为直线特征时，曲率半径值为1，当区域形状为圆时曲率半径为0。
其次，通过前面的推导可知R1的分母不能为0，而其他相对矩的分母数值可以为0，当相对矩的分子与分母同时为0时表示不存在该相对矩，当分母为0而分子不为0时表示该相对矩无限大。
为提高相对矩对形状的描述能力从Hu不变矩中提出离心率特征：其中离心率e表示图像形状特征最大轴与最小轴的比值，该特征仍然满足形状的几何不变性，最后相对矩特征向量与离心率特征向量e合并得到特征向量S 作为最终的形状描述符。
Hu不变矩特征在道路交通标志识别系统中的应用
车辆 的安全性 是当前汽车制造商和消 费者普 遍关 心 的 问题 之 一 ， 目前 的做 法 是采用 ＧＰ Ｓ导航 、 安全 气 囊 、车 载雷 达 等手段 来 降低 交通 事故 率 ，然 而采用这些手段 的不是设备成 本都较高就 是不能 提前预防事故的发生。当前很多国家的科研人员正 致 力于研 究 智能 交通系 统 Ｉ Ｔ Ｓ（ Ｉ Ｔ Ｓ ：Ｉ ｎ ｔ ｅ ｌ ｌ ｉ ｇ ｅ ｎ ｔ Ｔ ｒ ａ ｎ ｓ ｐ ｏ ｒ ｔ ａ ｉ ｔ ｏ ｎ Ｓ ｙ ｓ ｔ ｅ ｍ），通 过车 载摄 像 头采集 行 车
文章编号 ：１ ６ ７ ４ ． ８ ０ ８ ５ （ ２ ０ １ ３ ） ０ １ — ０ ０ ７ ５ — ０ ４
Ｈ ｕ不 变 矩 特 征 在 道 路 交通 标 志 识 别 系统 中的应 用
江 治 国，李 翔 ，陈小林
（ 安徽 国防科 技 职业 学 院 机 电工程 系 ， 安徽 ，六 安 ２ ３ ７ ０ １ １ ）
Ａｂ ｓ ｔ ｒ ａ ｃ ｔ ： Ｉ ｔ ｉ ｓ ｉ ｍｐ ｏ ｒ ｔ ａ ｎ ｔ ｆ ｏ ｒ ｔ ｈ ｅ ｄ ｅ ｓ ｉ ｇ ｎ ｏ ｆ ｔ ｈ ｅ ｒ ｏ ａ ｄ ｔ ｒ ａ ｆｉ ｃ ｓ ｉ ｇ ｎ ｒ ｅ ｃ ｏ ｇ ｎ ｉ ｔ ｉ ｏ ｎ ｓ ｙ ｓ ｔ ｅ ｍ ｔ ｏ ｄ ｅ ｔ ｅ ｃ ｔ ｔ ｈ ｅ ｔ ｒ ａ ｆ ｉ ｆ ｃ ｓ ｉ ｎ ． Ｗｅ ｇ
摘
要 ：在道路交通标志识别系统设计 中，交通标志 的检测技术是非常关键的部分之一 。针对 交通标志检测过程
基于Hu矩和Zernike矩的图像目标识别算法设计
基于Hu矩和Zernike矩的图像目标识别算法设计基于Hu矩和Zernike矩的图像目标识别算法设计院系自动化学院专业测控技术与仪器班级5407101学号200504071002姓名郭晓宇指导教师李忠海负责教师李忠海沈阳航空工业学院2009年6月摘要形状识别在运算机视觉中具有十分重要的意义，利用矩特点进行形状识别是一种重要的方法。
近几年用正交矩进行图像分析，图像处理以及图像识别的研究成果专门多。
这说明不变矩理论及其在图像信息处理与识别的应用技术具有专门好的进展前景和商机。
理论上矩不变量在图像平移、伸缩、旋转时均保持不变，这为图像识别算法中目标矩特点的选择提供了一定的依据。
不变矩是一种高度浓缩的图像特点，具有平移、尺度、旋转等不变性。
1961年，M.K.Hu 第一提出了7个不变矩用于图像描述。
后来人们进行了多方面的研究，发觉正交矩具有绝对的独立性，没有信息冗余现象，抽样性能好，抗噪声能力强，适合于图像识别。
本文要紧完成对航拍图像中的飞行目标进行识别的系统设计工作。
要紧阐述了将Hu矩和Zernike矩作为目标在旋转、平移和缩放等变形的情形下不变的目标特点的可行性，并比较他们在具体应用中的特点。
设计了如下算法流程：第一，对图像进行预处理，将彩色图像转化为灰度图像，再进行二值化处理；然后利用Hu不变矩和Zernike矩提取不变矩特点；最后，采纳街区距离法，运算出目标区域值，实现了对航拍图像中飞行目标的自动识别。
实验结果说明，不变矩在图像中的目标识别具有良好的稳固性，Hu矩和Zernike 矩对目标的识别具有专门好的作用。
关键词：Hu矩；Zernike矩；矩不变量；目标识别AbstractShape recognition is a very important problem in computer vision. Recogniting fying targets with moment features is an impotant method for shape identification.In recent years，many results have been researched about image analysis and pattern recognition with orthogonal moments.Therefore，the theory of invariant moments and their application to image analysis and pattern recognition have a good future.Invariant moments are independent of translation，scale and rotation in theory. The results of such comparison can provide some bases which would bear practicability for the selection of moment feature in image recognition. Invariant moments are highly concentrated image features that are shift invariant，rotation invariant and scale invariants.M.K.Hu first introduced seven moment invariants in 1961，based on methods of algebraic ter studies indicated that the orthogonal moments have the best overall performance in terms of noise sensitivity，information redundancy，and capability of image description.In this paper，the completion of aerial flight in the target identification.It highlights a methed of using Hu and Zernike moment as target feature，comparing them moment features. The following algorithm design process: Firstly，make pretreatment for the image，that is，transform the multicolor image to gray image and to deal with binary.Then compute invariant moment characters by Hu invariant moment and zernike moment.At last，this article presents a square space method that can be used to calculate the area value of the objects.Achieved on the aerial images to automatic identify the objectives of the flight.Experiment results show that invariant moment have perfit stability in image target recognition.Hu moment and zernike moment play a good role in identifying objects. Keywords:Hu moment；Zernike moment；invariant moment；target recognition目录第1章绪论 (1)1.1课题背景 (1)1.1.1图像目标识别的简单介绍 (2)1.1.2识别目标技术的进展概况 (3)1.2课题任务及要求 (5)1.3课题内容及安排 (5)第2章目标识别算法中不变矩差不多原理 (6)2.1基于Hu矩的目标识别 (6)2.1.1不变矩定义 (6)2.1.2 Hu矩原理 (6)2.1.3 Hu矩运算方法 (7)2.2基于Zernike矩的目标识别 (9)2.2.1 Zernike矩多项式 (9)2.2.2 Zernike矩定义 (10)2.2.3 Zernike矩运算方法 (10)第3章图像目标识别算法的实现 (13)3.1算法方案的整体流程图 (13)3.2图像的猎取与处理 (14)3.2.1航拍图像的猎取 (14)3.2.2航拍图像的预处理 (14)3.3 Hu矩算法的实现 (18)3.3.1 Hu矩算法的流程设计 (18)3.3.2提取Hu矩的特点向量 (19)3.4 基于Hu矩不变性的识别 (21)3.5 Zernike矩算法的实现 (23)3.5.1 Zernike矩算法的流程设计 (24)3.5.2 提取Zernike矩的特点向量 (25)3.6 基于Zernike矩的识别方法 (26)第4章目标识别结果及分析 (29)4.1 Hu矩的实验结果及分析 (29)4.2 Zernike矩的实验结果及分析 (30)4.3 程序调试中遇到的问题与解决方案 (31)结论 (34)社会经济效益分析 (35)参考文献 (36)致谢 (38)附录Ⅰ运算Hu的7个不变矩程序清单 (39)附录Ⅱ提取Zernike矩的特点向量的程序清单 (40)附录Ⅲ飞机的部分姿势图 (41)第1章绪论目标识别技术是现代军事信息技术研究的核心问题之一，它在军情况报收集和监控，武器制导等领域具有重要的理论和应用价值。
基于SIFT和Hu特征融合的单目视觉识别算法研究
术
李 中 生 ， 赵 彬。 ， 刘 振 宇 ， 赵 雪 ， 田立敏 （ １ ． 空军 驻 沈 阳地 区军 事代 表 室 ， 辽宁 沈阳 １ １ ０ ０ １ ６； ２ ． 涝 阳 新 松 机 器 人 自动 化 股 份 有 限 公 司 ， 辽宁 沈 阳 １ １ ０ １ ６ ８ ； ３ ． １ 、 尤阳 工 业 大 学 信 息 科 学 与 工 程 学 院 ， 辽宁 沈阳 １ １ ０ ８ ７ ０； ４ ． 沈 阳 防锈 包 装 材 料 有 限责 任 公 司 ， 辽宁 沈 阳 １ １ ０ ０ ８ ４）
ｐ ｒ ｏ ｂ ｌ ｅ ｍ． Ｖｉ ｓ ｕ ａ ｌ Ｃ＋ ＋ １ ） ￣ ｏ ｇ ｒ ａ ｍｍｉ ｎ ｇ ｓ ｏ ｆ ｔ ｗ ａ ｒ ｅ ｗ ａ ｓ ｓ ｅ ｔ ｕ ｐ ｆ ｏ ｒ ｃ ａ ｍｅ ｒ ａ ｃ ａ ｌ ｉ ｂ ｒ ａ ｔ ｉ ｏ ｎ ｉ ｎ ｔ ｅ ｒ ｆ ａ ｃ ｅ ，ｗ ｈ ｉ ｃ ｈ ｒ ｅ ｌｉ ａ ｚ ｅ ｄ ｆ ｕ ｎ ｃ ｔ ｉ ｏ ｎ ｔ ｈ ａ ｔ ｃ ａ ｍｅ ｒ ａ ｗａ ｓ ｑ ｕ ｉ ｃ ｋ ｌ ｙ ｃ ａ ｌ ｉ ｂ ｒ ａ ｔ ｅ ｄ ． Ｆ ｈ ｉ ｓ ｐ ａ ｐ ｅ ｒ ｐ ｕ ｔ ｆ ｏ ｒ ｗ ａ ｒ ｄ ａ ｋ ｉ ｎ ｄ ｏ ｆ Ｓ Ｉ Ｆ Ｔ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ａ ｎ ｄ Ｈｕ ｉ ｎ ｖ ａ ｒ ｉ ａ ｎ ｔ ｍｏ ｍｅ ｎ ｔ ｆ ｕ ｓ ｉ ｏ ｎ ａ ｌ ｇ ｏ ｒ ｉ ｔ ｈ ｍ ，ｗｈ ｉ ｃ ｈ ｗａ ｓ ａ ｋ ｉ ｎ ｄ ｏ ｆ ｃ ｏ ｍｂ ｉ ｎ ｅ ｄ ｗｉ ｔ ｈ ｌ ｏ ｃ ａ ｌ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｉ ｒ ｓ ｔ ｉ ｃ ｓ ａ ｎ ｄ ｇ ｌ ｏ ｂ ａ ｌ ｃ ｈ ａ ｒ ａ ｃ ｔ ｅ ｉ ｒ ｓ ｔ ｉ ｃ ｓ ．Ｔ ｈ ｅ ｇ ｌ ｏ ｂ ａ ｌ ｆ ｅ ａ ｔ ｕ ｒ ｅ ｓ ｒ ｏ ｕ ｇ ｈ ｌ ｙ ｍａ ｔ ｃ ｈ ｅ ｄ ａ ｎ ｄ ｆ ｉ ｘ ｅ ｄ ｐ ｏ ｓ ｉ ｔ ｉ ｏ ｎ ｔ ｏ ｒ ｅ ｆ ｌ ｅ ｃ ｔ ｔ ｈ ｅ
信息检索作业
1.先熟悉百度高级搜索功能，然后完成以下习题。
（1）请检索关于绿色制造与节能减排方面的专业文档，并将你觉得有价值的论文的页面或者链接保存在作业中。
/news_26.html（2）请从天空网下载腾讯QQ软件，并将检索过程简单记录在作业中。
百度“天空软件下载—天空下载：提供国内外最新免费软件、共享软件下载—在搜索栏：腾讯QQ2010正式版（安全防护）—在下载地址单击：高速下载地址—下载完后打开软件即可”。
2. 先熟悉谷歌高级搜索功能，然后完成以下习题。
（1）请在谷歌学术搜索中检索有关环境友好型新材料与新工艺方面的文献，并将你觉得有价值的论文的页面或者链接保存在作业中。
/0401010600.htm（2）通过谷歌地图找到武汉科技大学青山校区门口的“建一邮政储蓄ATM”的位置，并将图片记录在作业中。
3.关键词的选择在所有网络信息检索技巧中是最重要也是最基本的，试通过谷歌或者百度检索关于搜索引擎的产生与未来发展方向的相关资料，并在作业中记录下你的检索过程，注意标明选用的检索词。
4.使用常见中文网络数据库例如维普期刊数据库、CNKI、万方学术/学位期刊等。
完成课题：基于神经网络的机械零件识别研究，做成一个综合实习报告。
基于神经网络的机械零件识别研究神经网络可以认为是一种基本不依赖模型的数学工具,它比较适用于那些具有不确定性或高度非线性的对象,具有较强的适应和学习功能,是人工智能的一个重要的分支领域. 机械零件自动检测是制造业中生产系统的一个重要环节，现代制造技术在各种批量生产以及在多品种的生产中，广泛地采用自动检测、产品识别来监控、保证产品质量，使得加工系统运行更可靠。
它从一定程度上决定了实现企业柔性制造自动化的进程，是制造业信息化的关键环节。
因而，计算机视觉检测技术在机械制造企业的产品质量检测和加工过程检测中的广泛应用具有十分重要的意义。
自动目标识别(ART)技术是计算机视觉的一个重要分支，是指在无人干预的条件下，通过分析获取的图像数据对特殊物理目标的识别、定位和描述的模式识别技术。
复杂环境下基于视觉显著性特征的铁轨识别方法
复杂环境下基于视觉显著性特征的铁轨识别方法宋亚帆;潘迪夫;韩锟【摘要】A new track edge detection method based on the saliency features was proposed to overcome the detection problem in complex environment. In order to extract the edge of track features, the muti-scale Gabor filter was introduced and the suppressing operator was used to realize inhibition of environmental interference information, which together established the fusion detection model like the Human Visual System. The evaluation model for track salient features was built to further filter out false edges, while enhancing the right edges by angle statistics method. Experimental examples were made including under the condition of varying illumination or noise. The results show that the proposed method is more suitable for track edge detection in complex environment and similar detection scenes, compared with other detection methods.%为解决复杂环境下铁轨边缘识别问题, 提出一种基于显著性特征的复杂环境铁轨识别方法:通过引入多尺度Gabor能量算子和环境抑制算子,建立基于视觉机制的边缘检测模型,实现铁轨边缘特征的检测,并对环境干扰信息进行抑制;建立铁轨显著性评价模型,对检测结果中对非铁轨边缘进行滤除;提出基于统计学的铁轨特征增强方法,对铁轨边缘片段进行连接增强.试验结果表明,该方法对于光照变化和噪声干扰的鲁棒性较强,相比其他的边缘检测方法,更适用于复杂环境下的铁轨识别,同时可以应用于相似检测环境下的其他场景.【期刊名称】《铁道科学与工程学报》【年(卷),期】2018(015)004【总页数】9页(P871-879)【关键词】边缘检测;复杂环境;显著性评价;多尺度Gabor算子【作者】宋亚帆;潘迪夫;韩锟【作者单位】中南大学交通运输工程学院,湖南长沙 410075;中南大学交通运输工程学院,湖南长沙 410075;中南大学交通运输工程学院,湖南长沙 410075【正文语种】中文【中图分类】U216;TP391在危害我国铁路行车安全的众多因素中，异物侵限是其中较为常见且危害较大的一个重要方面。
一种新的基于不变矩的步态特征身份识别算法
ＷＡＮＧ Ｘｉ ｙ ｕ ａ ｎ， ） ｆ ＡＮ Ｈｕ ｉ
（ Ｓ ｃ ｈ ｏ ｏ ｌ ｏ ｆ Ｐ ｈ ｙ ｓ ｉ ｃ ｓ ａ ｎ ｄ Ｅ ｌ ｅ ｃ ｔ ｒ ｏ ｎ ｉ ｃ ｓ Ｉ ｎ ｆ ｏ ｒ ｍ ａ ｔ ｉ ｏ ｎ Ｅ ｎ ｇ ｉ ｎ ｅ ｅ ｒ ｉ ｎ ｇ ， Ｎ ｉ ｎ ｇ ｘ ｉ ａ Ｕ ｎ ｉ ｖ ｅ ｒ ｓ ｉ ｔ ｙ ， Ｙ ｉ ｎ ｃ ｈ ｕ ａ ｎ ７ ５ ０ ０ ２ １ ， Ｃ ｈ ｉ ｎ ａ ）
基于YOLOv5网络模型对铁路轨道障碍物检测与识别
C h i n as t o r a g e&t r a n s p o r t m a g a z i n e2022.09铁路运输是我国重要的公共运输方式，保证铁路轨道处于正常状态是至关重要的。
因此基于自建数据集，通过Y O L O v 5网络模型实现对铁路轨道的识别，实验表明，Y O L O v 5对铁路轨道检测召回率达到94.4%，精确率达到62.7%，mA P 达到93.1%。
具有较好的检测精度，同时也具有鲁棒性。
1.引言随着我国经济发展，铁路已成为不可或缺的交通运输方式，保证铁路在运行过程中的安全问题已经成为目前关注的重点[1，2]。
我国铁路具有里程数长，所处环境复杂等特点。
采用传统的人工巡检方式无法有效及时发现铁路轨道中出现的故障信息，容易出现漏检的现象。
且人工巡检依赖巡检人员的经验，耗费时间长，物资消耗大，已经无法适用于当前铁路的发展需要[3]。
目前采用智能化算法对铁路的目标检测成为当下的研究热点。
文献[4]采用图像处理技术对轨道板裂缝进行检测，首先对图像预处理，对图像二值化和裂缝合并等操作实现对裂缝的定位。
文献[5]针对轨道扣件中拍摄环境和条件的干扰采用深度学习算法Y O L O网络对轨道图像定位，基本上达到检测实时性的要求。
文献[5]针对钢轨的检测鲁棒性和精度较差的问题，采用H u 不变矩阵实现对轨道跟踪，具有较好的鲁棒性。
本文采用深度学习算法Y O L O v 5实现对铁路轨道的检测与定位，通过对轨道图像的标注训练Y O L O v 5网络，最终在测试集上测试轨道检测定位效果。
2.Y O L O v 5网络介绍Y O L O v 5是Y O L O（Y o u O n l y L o o k O n c e ）系列网络的延续，是2020年由U l t r a y t i c s L L C公司提出的一种高性能目标检测网络，其权重文件相比于Y O L O v 4更小，速度更快[7，8]。
基于不变矩特征匹配的快速目标检测算法
第23卷 第6期红 外 技 术V ol.23 N o.6 2001年11月In frared T echnology N ov.2001基于不变矩特征匹配的快速目标检测算法Ξ严柏军,郑 链,王克勇(北京理工大学机电工程学院,北京100081)摘要: 针对采用图像二维不变矩匹配时,计算量大、耗费时间长的缺点,提出了一种基于不变矩特征匹配的快速目标检测算法。
该算法首先用滤波后的图像直方图不变矩进行匹配,匹配成功后,再用图像二维不变矩进行检验和确认。
实验表明,该方法能有效抵抗图像对比度、亮度及旋转的影响,并且大大减少了运算时间。
关键词: 图像匹配; 直方图; 不变矩中图分类号:T N215 文献标识码:A 文章编号:100128891(2001)06200082051 前言根据已知图像模式从另一幅图像中寻找相同图像模式的过程叫做图像匹配。
图像匹配是在像场中检测目标的最基本方法之一。
将图像匹配技术应用于制导系统中,可有效提高制导精确度。
然而在大多数情况下,由于图像成像条件的不同,如气候、视角,时间、不同波段以及成像手段不同等,造成预先拍摄并存储在机载计算机里的地面景物参考图,与机载摄像机实时拍摄的地面景物图像存在灰度及方位角等方面的差异,从而给精确匹配带来了困难。
Hu提出图像的7个不变矩具有平移、旋转、比例不变性[1],但由于计算量大、耗费时间长而难以实际应用。
本文提出一种基于直方图不变矩和图像二维不变矩相结合的匹配算法,不但可大大提高运算速度,而且能够抵抗旋转及图像灰度等变化。
2 图像的直方图不变矩图像的灰度直方图包含了图像的灰度级内容。
任何一幅图像的直方图都包含了可观的信息,某些类型的图像还可以由其直方图完全描述[2]。
因此,当同一目标区域的成像条件发生变化时,虽然在感官上图像发生了很大的变化,但它所对应的直方图在形态上的变化却不会很大。
所以可以利用直方图所含有的信息量来定义图像的特征,从而找出图像之间的匹配点。
基于方向场计算的铁轨智能识别方法研究
2019年第3期（总第78期）No.3,2019Serial No.78西安铁路职业技术学院学报Journal of Xi'an Railway Vocational&Technical Institute基于方向场计算的铁轨智能识别方法研究朱亚男（西安铁路职业技术学院陕西西安710026）摘要:针对铁路视频监控系统人工监控容易产生疏漏的问题，研究计算机智能铁路入侵检测系统，而铁轨的自动识别算法是实现该系统的关键技术。
通过对铁轨特征进行分析，提出了基于邻域灰度变化的方向场检测算法，经实验验证，该算法用于铁轨自动识别效果显著且鲁棒性好，在绝大多数场景和天气状况下都可准确识别出轨道，对智能铁路入侵检测系统的实施具有重要意义。
关键词：智能监控；铁轨；方向场；铁路安全中图分类号:U29&1；TP391.4文献标识码：A文章编号:94042-（2019）03-0022-04Research on Intelligent Rail Recognition Method Basedon Direction Field CalculationZhu Yanan(Xi'an Railway Vocational and Technical Institute,Xi'an,Shaanxi710026,China)Abstract:Aiming at the problem that the manual monitoring of railway video surveillance system is prone to oversight,a computer-aided intelligent railway intrusion detection system is studied,and the automatic identification algorithm of rail is the key technology to realize the system.Based on the analysis of rail characteristics,a directional field detection algorithm based on neighborhood gray level change is proposed.The algorithm is proved to be effective and robust for automatic rail identification.It is used in most scenes and weather conditions.The track can be accurately identified,which is of great significance for the implementation of the intelligent railway intrusion detection system.Key words:Intelligent Monitoring；Railroad Track；Direction Field；Railway Safety0引言随着我国铁路运营里程逐年增加，铁路运营安全的重要性日益突显。
基于hu不变矩特征的铁路轨道识别检测算法
基于hu不变矩特征的铁路轨道识别检测算法
铁路轨道是一种重要的运输基础设施，因其遍及全国广泛，受不可抗拒的意外和衰减，许多轨道在日常运营过程中表现出明显的异常情况，给铁路安全维护带来了极大挑战。
因此，及早发现轨道异常情况并有效采取措施以延长轨道有效使用需要检测轨道的状况并进
行信息采集。
HU不变矩特征是检测轨道状况的有力工具。
HU不变矩是一种新的形状特征描述方法，由William Hu发明，它是一种定量的碎形
状特征，由四个HU不变矩组成：李不变矩、傅里叶关联矩、谱不变矩和卷积不变矩。
这
些特征可以反映物体的几何结构，并且在不同物体间保持不变，使其成为一种很好的轨道
检测算法。
基于HU不变矩特征的铁路轨道识别检测算法，首先是将图像分割，以便从图像中提
取出HU不变矩。
这可以通过调整阈值计算实现，然后可以提取出轨道的HU不变矩，并与
已知的HU不变矩相比较，以检测轨道的异常状况。
同时，通过对HU不变矩特征进行记录
和分析，可以更加精确地判断轨道是否存在破损变形等异常状况，以及记录轨道的病变进程，及时采取相应的修复和维护措施，以提高运行安全性。
基于HU不变矩特征检测轨道异常情况具有良好的实用性，它能够定量地描述物体的
形状，具有不受环境影响的优点，可有效辅助铁路轨道的准确检测和识别。
hu不变矩特征对目标描述 -回复
hu不变矩特征对目标描述-回复Hu不变矩特征对目标描述是一种用于图像分析和计算机视觉任务中的特征提取方法。
它在图像识别、目标检测和图像分类等领域展现出了极高的效果。
本文将详细介绍Hu不变矩特征的概念、计算公式以及在目标描述中的应用。
第一部分：概念介绍（300字）Hu不变矩特征是针对图像进行形状描述和识别的一种方法。
它基于图像的灰度级分布，并通过将图像转换为灰度图像来提取图像的特征。
Hu不变矩特征是一组七个旋转、平移和尺度不变的矩特征。
它具有非常重要的数学性质，可以用于实现图像灰度级均衡化、边缘检测、形状匹配等任务。
第二部分：计算公式（500字）Hu不变矩特征的计算公式是基于图像的灰度级矩来推导的。
首先，需要计算图像的一阶、二阶和三阶矩。
其中，一阶矩表示图像中像素的总和，二阶矩表示图像中像素的方差，三阶矩表示图像的偏斜度。
然后，利用这些矩来构建Hu不变矩。
Hu不变矩通过归一化和对数变换来保持对于旋转、平移和尺度的不变性。
下面是Hu不变矩的计算公式：M00 = ∑(x,y)I(x,y)M10 = ∑(x,y)xI(x,y)M01 = ∑(x,y)yI(x,y)M11 = ∑(x,y)xyI(x,y)M20 = ∑(x,y)x^2I(x,y)M02 = ∑(x,y)y^2I(x,y)M21 = ∑(x,y)x^2yI(x,y)M12 = ∑(x,y)xy^2I(x,y)M30 = ∑(x,y)x^3I(x,y)M03 = ∑(x,y)y^3I(x,y)μ11 = (M11 - M10 * M01) / M00^2μ20 = (M20 - M10^2) / M00^2μ02 = (M02 - M01^2) / M00^2μ21 = (M21 - 2 * M11 * M10 + M01^3) / M00^3μ12 = (M12 - 2 * M02 * M01 + M10^3) / M00^3μ30 = (M30 - 3 * M20 * M10 + 2 * M10^3) / M00^3 μ03 = (M03 - 3 * M02 * M01 + 2 * M01^3) / M00^3η1 = μ20 + μ02η2 = (μ20 - μ02)^2 + 4 * μ11^2η3 = (μ30 - 3 * μ12)^2 + (3 * μ21 - μ03)^2η4 = (μ30 + μ12)^2 + (μ03 + μ21)^2η5 = (μ30 - 3 * μ12) * (μ30 + μ12) * ((μ30 + μ12)^2 - 3 * (μ21 + μ03)^2) + (3 * μ21 - μ03) * (μ21 + μ03) * (3 * (μ30 + μ12)^2 - (μ21 + μ03)^2)η6 = (μ20 - μ02) * ((μ30 + μ12)^2 - (μ21 + μ03)^2) + 4 * μ11 * (μ30 + μ12) * (μ21 + μ03)η7 = (3 * μ21 - μ03) * (μ21 + μ03) * ((μ30 + μ12)^2 - 3 * (μ21 + μ03)^2) - (μ30 - 3 * μ12) * (μ21 + μ03) * (3 * (μ30 + μ12)^2 - (μ21 + μ03)^2)通过计算这些矩，可以得到七个Hu不变矩特征值η1, η2, η3, η4, η5, η6和η7，它们具有旋转、平移和尺度不变性，可以用于描述和识别目标。
Hu不变矩在图像识别中的应用与实现
模式识别,指使用计算机利用数学技术方法,对表征事物或现象的各种形式的(数值的、文字的和逻辑关系的)信息进行处理和分析,以对事物或现象进行描述、辨认、分类和解释的过程。
其中,我们把环境与客体统称为“模式”。
该文讨论对数字图像进行模式识别,包含对图像进行特征提取与匹配的过程。
图像特征有两类表示方法,一类是轮廓特征,另一类是区域特征。
图像的轮廓特征主要针对物体的外边界,常使用链码,傅里叶描述子、Hough变换进行描述;图像的区域特征则关系到整个形状区域,常用边界特征法、傅里叶形状描述符法、几何参数法、形状不变矩法和小波描述符(Wavelet Deor)等方法描述。
而图像特征匹配是指将待检测图像的图像特征与给定图像的数据进行比对,使用如互相关性、欧氏判据等方法,判断两者是否使用同一类型图像的操作。
Hu不变矩作为形状不变矩的其中一种计算方式,具有平移、比例和旋转不变性,这使其在在图像识别的过程中,能减少如待测图像的大小归一化与位置居中等预处理步骤,降低运算成本,提高运算速率。
本文将使用Matlab平台,应用Hu不变矩作为特征提取技术,结合数学形态学、欧氏判据等运算方法,实现图像识别功能。
1 Hu不变矩的定义与计算方式M.K.H u 在1962年提出了H u 不变矩。
Hu不变矩是指以图像的低阶(二阶和三阶)归一化中心矩的非线性组合构成的七个量值。
Hu不变矩自提出至今,已被广泛应用到图像、字符识别以及工业质量检测等领域。
下面叙述Hu 不变矩的计算方式。
设二维数字图像用 (x,y)f 表示,则其 (p q) 阶矩定义为:(x,y),(p,q 0,1,2,)pq pq xym xy f(1)(p q) 阶中心矩定义为: 00(x x)()(x,y)pq pqxyy y f(2)其中1001000000,m m x y m m 。
对于二维数字图像, 00(x ,)y 为其质心坐标, 0x 表示图像灰度在水平方向上的灰度质心, 0y 表示图像灰度在水平方向上的灰度质心。
基于颜色聚类和Hu不变矩的道路交通标志检测
基于颜色聚类和Hu不变矩的道路交通标志检测卢阿娟;陈普春;刘丽;田芳【摘要】Abstact:A method of road traffic sign detection based on color segmentation and region descriptions is introduced. The method firstly uses color clustering algorithm in RGB space to segment the interested color area, and then conducts an morphological processing, and Finally recognize the traffic sign by using the Hu invariant moments. The results show that:the traffic sign recognition method based on color clusteringand Hu invariant moments has a strong robustness to image translation, scaling and rotation, and this method has the features of simply implement, fast recognition and high accuracy, it has high practical value.% 介绍了一种基于颜色分割和区域描述的交通标志检测方法。
该方法利用在RGB空间的颜色聚类算法分割出感兴趣色彩区域，然后进行形态学处理，最后结合Hu不变矩对道路交通标志进行识别。
识别结果表明，基于颜色聚类和Hu不变矩的交通标志识别方法具有很强的抗图像平移、缩放和旋转识别能力，并具有实现简单、识别速度快、准确率高等特点，有较高的实用价值。
基于Hu不变矩特征的铁路轨道识别检测算法
基于Hu不变矩特征的铁路轨道识别检测算法
董昱;郭碧
【期刊名称】《铁道学报》
【年(卷),期】2018(040)010
【摘要】针对当前铁路钢轨检测算法在识别中准确性和鲁棒性不高的问题,提出采用Hu不变矩特征实现轨道线搜索,并以B样条曲线为拟合模型的钢轨自动检测方法.算法根据视频帧中钢轨的边缘特征,通过改进的霍夫变换识别并确定图像空间的轨道线消隐边界,完成近远景区的标定.针对近景区直轨,通过直线模型拟合;在远景区,采用可漂移检测窗通过比对Hu不变矩来提取轨道特征点,以最小二乘法实现B样条曲线模型拟合.并制定模型更新和切换原则自动跟踪轨迹线.实验结果表明:轨道线平均跟踪时间为0.081 s,可以提高钢轨检测识别的精确性和鲁棒性,能够更好地解决曲线轨道的模型拟合问题.
【总页数】7页(P64-70)
【作者】董昱;郭碧
【作者单位】兰州交通大学自动化与电气工程学院,甘肃兰州 730070;兰州交通大学光电技术与智能控制教育部重点实验室,甘肃兰州 730070;兰州交通大学自动化与电气工程学院,甘肃兰州 730070
【正文语种】中文
【中图分类】U213.4
【相关文献】
1.Hu不变矩特征在道路交通标志识别系统中的应用 [J], 江治国;李翔;陈小林;
2.基于Hu不变矩特征优化的人体运动姿态识别算法 [J], 张永强
3.Hu不变矩特征在道路交通标志识别系统中的应用 [J], 江治国;李翔;陈小林
4.HU不变矩特征在道路交通标志识别系统中的应用 [J], 江治国
5.基于纹理特征和Hu不变矩的KELM滤光片缺陷识别研究 [J], 孙枭文
因版权原因，仅展示原文概要，查看原文内容请购买。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第#"期
董!昱等&基于/K不变矩特征的铁路轨道识别检测算法
?]
的方法作为结构化道路的视觉识别算法基础)?*%在轨 照变化的影响$通过中值滤波法减少非必要道砟纹理
第 卷第 !" #" 年 $"#% #"
期月
铁!!道!!学!!报
&'()*+, '-./01/2*+ )+2,3+45'120.4
6789!"!*79#" ':;7<=> $"#%
Байду номын сангаас
文章编号#""#@%C?"!$"#%"#"@""?!@"B
基于 !"不变矩特征的铁路轨道识别检测算法
董 昱 郭 碧 ! #$ ! #
关键词列车前方环境理解'铁轨检测'/K不变矩特征'可切换曲线模型
中图分类号 文献标志码 ($#C9!!!
+!! G7F&#"9CA?A(M9FPPH9#""#@%C?"9$"#%9#"9"#"
#$%&'$()*$+,-./.+/%012&30*%/45 6$7.801!"91:$*%$1/;05.1/<.$/"*.
!#9 兰州交通大学自动化与电气工程学院$甘肃兰州!BC""B"' $9 兰州交通大学光电技术与智能控制教育部重点实验室$甘肃兰州!BC""B""
摘!要针对当前铁路钢轨检测算法在识别中准确性和鲁棒性不高的问题$提出采用/K不变矩特征实现轨道
线搜索$并以O样条曲线为拟合模型的钢轨自动检测方法%算法根据视频帧中钢轨的边缘特征$通过改进的霍
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
夫变换识别并确定图像空间的轨道线消隐边界$完成近远景区的标定%针对近景区直轨$通过直线模型拟合'在
远景区$采用可漂移检测窗通过比对/K不变矩来提取轨道特征点$以最小二乘法实现O 样条曲线模型拟合%
并制定模型更新和切换原则自动跟踪轨迹线%实验结果表明&轨道线平均跟踪时间为"9"%#P$可以提高钢轨检
测识别的精确性和鲁棒性$能够更好地解决曲线轨道的模型拟合问题%
通信作者郭碧 男甘肃平凉人硕士研究生 0@DEF8&G7HIJKDEF898LM;K9:H
! !#AA$#"$ $
$
%
0@DEF8&?$?$"%C$BNN9:7D
在钢轨限界范围内的扣件+应答器+道床以及自然光影 等形成的动态复杂且纹理不规则的背景干扰$成为当前 制约轨道线检测识别措施鲁棒性和精确性的因素%
!!伴随着智能化技术和城市轨道全自动运行系统的 轨道线作为图像空间内铁路限界范围的参考线$其识别
发展$提出了对于列车前方限界监测的功能需求)#@!*% 的准确性直接影响着列车对于前方环境范围的感知)]*%
收基第稿金一日 项 作期 目 者 $国 董"#家!?@自昱##!然@#"AA科?$学修#基"回金$日男!?期$#甘B$?肃"C#"兰B$@C州""$@人#?$教授$学士%
Q'*R 4K#$$$R(' OF#
!#9 5:S7787T+K;7DE;F7HEHG08=:;>F:E80HIFH==>FHI$,EHLS7K&FE7;7HI (HFU=>PF;J$,EHLS7KBC""B"$1SFHE' $9 V=J,E<7>E;7>J7T'W;7@;=:SH787IJEHG2H;=88FI=H;17H;>787T;S=XFHFP;>J7T0GK:E;F7H$,EHLS7K&FE7;7HI(HFU=>PF;J$,EHLS7KBC""B"$1SFHE"