(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210247065.0 (22)申请日 2022.03.14 (71)申请人 张贵清 地址 264001 山东省烟台市芝罘区幸福东 路69号20单 元内8号 (72)发明人 张贵清　张霖　 (74)专利代理 机构 北京沃知思真知识产权代理 有限公司 1 1942 专利代理师 尹得银 (51)Int.Cl. G06V 20/00(2022.01) G06V 10/26(2022.01) G06V 10/44(2022.01) G06V 10/774(2022.01) G06V 10/70(2022.01)G06T 7/194(2017.01) G06T 7/73(2017.01) G06N 20/10(2019.01) (54)发明名称 基于Graph Cuts算法的漂浮物 识别方法 (57)摘要 本发明公开了基于Graph  Cuts算法的漂浮 物识别方法， 属于图片处理技术领域， 该识别方 法具体步骤如下： (1)获取漂浮物实景图； (2)图 像预处理； (3)图像分割； (4)区域特征提取； (5) 生成智能识别模型； (6)漂浮物识别； (7)漂浮物 定位； 本发明采用Graph  Cuts算法作为漂浮物实 景图像分割工具， 其具有精度高、 鲁棒性强和运 行效率快的特点， 进而有利于为后续智能识别模 型， 并且本发明将UWB技术和激光探测技术结合， 并利用TDOA算法进行计算， 有利于实现对漂浮物 的精准定位， 进而有利于提高漂浮物的清理效 率。 权利要求书2页 说明书5页 附图1页 CN 115063668 A 2022.09.16 CN 115063668 A 1.基于Graph  Cuts算法的漂浮物 识别方法， 其特 征在于， 该识别方法具体步骤如下： (1)获取漂浮物实景图： 利用搭载有摄像设备的无人机对河道进行拍摄， 获取大量漂浮 物实景图像， 并将其作为样本图； (2)图像预处 理： 对步骤(1)所述样本图进行去噪处 理， 得到无噪样本图； (3)图像分割： 利用Graph  Cuts算法对步骤(2)所述无噪样本图进行图像分割处理， 得 到分割图像， 同时对分割图像中目标区域进行 标记； (4)区域特 征提取： 对标记出的目标区域进行像素 特征提取， 得到目标区域特 征集； (5)生成智能识别模型： 将目标区域特征集作为训练样本， 同时利用机器学习算法对训 练样本进行训练， 生成智能识别模型； (6)漂浮物识别： 将智能识别 模型输入摄像设备中， 利用其对采集到的河道图像进行快 速自动识别； (7)漂浮物定位： 将UWB技术和激光探测技术结合对河道图像中的漂浮物进行精准定 位。 2.根据权利要求1所述的基于Graph  Cuts算法的漂浮物识别方法， 其特征在于， 步骤 (2)所述图像预处 理采用拉普拉斯 算子； 步骤(3)所述Graph  Cuts算法具体运行 过程如下： S1： 对预处 理之后得到的无噪图像进行分水岭算法分割， 得到区域分块图像； S2： 对区域分块图像进行 前景和背景的分割， 提取 出目标区域； S3： 根据目标区域建立网络图， 同时计算出最小能量 函数， 得到分割图像。 3.根据权利要求1所述的基于Graph  Cuts算法的漂浮物识别方法， 其特征在于， 所述智 能识别模型 具体生成过程如下： SS1： 提取目标区域特 征集， 将其作为训练样本； SS2： 构建支持向量机； SS3： 将训练样本 输入进支持向量机中进行训练， 得到智能识别模型。 4.根据权利要求1所述的基于Graph  Cuts算法的漂浮物识别方法， 其特征在于， 所述漂 浮物定位过程如下： SSS1： 利用智能识别模型对采集到的河道图像进行快速自动识别， 同时无人机对识别 出的漂浮物利用激光器进行距离信号采集， 得到无 人机与漂浮物 距离信息； SSS2： 然后无人机通过内置定位标签向周围部署的基站一和基站二分别发送数据帧， 得到时间数据差一和时间数据差二； SSS3： 最后上位机会接收时间数据差一、 时间数据差二和无人机与漂浮物距离信息， 并 利用TDOA算法进行计算， 得到漂浮物定位置； 所述TDOA算法具体为 卡尔曼滤波和Chan算法的融合。 5.根据权利要求2所述的基于Graph  Cuts算法的漂浮物识别方法， 其特征在于， 所述分 水岭算法具体步骤如下： SSSS1： 构建梯度图像： 式中：⊕表示形态学膨胀， 表示形态学腐蚀， f(i,j)为待分割图像， b(i,j)表示圆盘 状结构元 素， g(i,j)为形态学梯度图像；权　利　要　求　书 1/2 页 2 CN 115063668 A 2SSSS2： 对图像中所有像素点进行梯度阈值比较， 记录各像素点标记值和坐标： T[n]＝{(i,j)∣ g(i,j)<n}        (2) 式中： n为当前梯度阈值,T[n]为g(i,j)<n像素集 合； SSSS3： 标记图像分水岭： C[n]＝C(Mk) ∩T[n]  (k＝1,2,…R)     (3) 式中： R为为区域块个数， Mk为各局部梯度极小值的像素位置， C(Mk)是与Mk对应的分水 岭所围绕区域中像素坐标集 合。 6.根据权利要求2所述的基于Graph  Cuts算法的漂浮物识别方法， 其特征在于， 所述网 络图由如下公式表示： G＝(V,E， W)            (4) 式中： G表示带权无向图， V 表示顶点 集， E表示 边集， W表示权值； 所述最小能量 函数计算公式如下： E(L) ＝α R(L)+B(L)               (5) 其中： L＝{l1,l2,…li}                (6) 式中： li的值为0或1,0表示背景， 1表示前景， E(L)表示最小能量函数， R(L)表示区域项， B(L)表示 边界项， α 表示非负系数。权　利　要　求　书 2/2 页 3 CN 115063668 A 3