CN109747681A - 一种列车定位装置及方法 - Google Patents
一种列车定位装置及方法 Download PDFInfo
- Publication number
- CN109747681A CN109747681A CN201910032556.1A CN201910032556A CN109747681A CN 109747681 A CN109747681 A CN 109747681A CN 201910032556 A CN201910032556 A CN 201910032556A CN 109747681 A CN109747681 A CN 109747681A
- Authority
- CN
- China
- Prior art keywords
- train
- kilometre
- post
- image
- board
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
Abstract
本发明涉及一种列车定位装置及方法,定位装置包括公里标识牌、列车顶部摄像机、列车侧面摄像机和后台服务器,公里标识牌安装在线路轨道旁,列车顶部摄像机安装在列车车头的顶部位置,列车侧面摄像机安装在列车车头的侧面位置,后台服务器分别与列车顶部摄像机、列车侧面摄像机连接。与现有技术相比,本发明基于卷积神经网络,通过图像识别对列车位置进行定位,同时可配合里程计对列车位置进行校正,其安装维护成本较低,且具有优越的准确性和鲁棒性。
Description
技术领域
本发明涉及列车定位技术领域,尤其是涉及一种列车定位装置及方法。
背景技术
列车定位是列车运行控制的一项关键技术,在轨道交通信号***中发挥着重要作用。实时准确地获取列车位置信息,是轨道交通高效、安全运行的保障,是提高效率、发挥运能的前提。通过列车定位使列车追踪间隔减少,有利于轨道交通往高密度、大运量的方向发展。
目前常用的列车定位技术包括:基于轨道电路的列车定位,基于应答器的列车定位,基于卫星定位***的列车定位等。其中,基于轨道电路的列车定位技术是一种粗精度的定位方法,定位精度完全取决于轨道区段长度;基于应答器的列车定位是一种点式定位,其具有抗干扰性强、无定位盲区、工作稳定等特点,但为了实现列车连续精确定位,需要在轨道中铺设大量应答器,故投资巨大;采用卫星定位***的列车定位精度高、维护方便,但是在周围阻挡物多的地方,例如山林、城市、隧道等地方存在定位盲区。
列车以里程计作为定位的主要依据,采用高精度里程计可以获得毫米级的连续位置信息,但实际中,由于车轮打滑、空转或者车轮磨损等原因,容易使里程计存在累积误差。列车控制***中,通常利用具有固定精确位置的轨道电路分界点或应答器来消除该误差。而高密度铺设应答器成本昂贵,并且有些线路没有轨道电路,无法布设应答器。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种列车定位装置及方法,通过对公里标识图像进行识别分析,识别出公里标数据信息,以及列车经过公里标识牌的时机,并以此进行列车位置定位及校正。
本发明的目的可以通过以下技术方案来实现:
一种列车定位装置,包括:公里标识牌、列车顶部摄像机、列车侧面摄像机和后台服务器,所述公里标识牌安装在线路轨道旁,所述列车顶部摄像机安装在列车车头的顶部位置,所述列车侧面摄像机安装在列车车头的侧面位置,所述后台服务器分别与列车顶部摄像机、列车侧面摄像机连接;
所述公里标识牌,用于标注公里标信息;
所述列车顶部摄像机,用于捕获公里标识牌的图像;
所述列车侧面摄像机,用于捕获列车经过公里标识牌的一组连续图像;
所述后台服务器,用于接收和处理列车顶部摄像机和列车侧面摄像机捕获的图像,之后进行图像识别与分析,判断列车经过标志牌的时机,并发送校正命令和校正的公里标数据给ATP/ATO。
优选地,所述列车顶部摄像机和列车侧面摄像机均为车载高速摄像机。
优选地,所述图像识别为基于卷积神经网络对图像中的公里标识牌以及公里标数据分别进行识别。
一种列车定位方法,包括:
步骤1,图像捕获:列车顶部摄像机捕获公里标识牌图像A,并将捕获的图像A传输给后台服务器,同时列车侧面摄像机开始捕获列车经过公里标识牌的一组连续图像SA,之后也将捕获的一组图像SA传输给后台服务器;
步骤2,图像处理:后台服务器分别对公里标识牌图像A和列车经过公里标识牌的一组连续图像SA进行处理,处理之后的图像分别为公里标识牌图像PA和列车经过公里标识牌的一组连续图像PSA;
步骤3,公里标数据识别:后台服务器对公里标识牌的图像PA进行识别,若在图像PA中能识别公里标数据,则执行步骤4,否则返回步骤1;
步骤4,公里标识牌识别:后台服务器对列车经过公里标识牌的一组连续图像PSA进行识别,若在该组图像PSA中能识别公里标识牌,则执行步骤5,否则返回步骤1;
步骤5,列车经过公里标识牌的时机判断:后台服务器分析判断列车经过公里标识牌的时机;
步骤6,列车位置校正触发:后台服务器根据列车经过公里标识牌的时机,发送校正命令和校正公里标据给列车ATP/ATO设备。
优选地,所述步骤3中的识别公里标数据,具体包括:
步骤3.1,在公里标识牌的图像PA上设置一个第一滑窗,第一滑窗从图像PA的左上角开始由左向右、由上向下依照设定的步长逐次移动;
步骤3.2,基于第一滑窗的每次移动,利用卷积神经网络识别第一滑窗中是否存在公里标识牌,以此获取公里标识牌在图像PA中的位置信息;
步骤3.3,根据获取的位置信息,利用卷积神经网络识别公里标数据信息。
优选地,所述步骤4中的识别公里标识牌,具体包括:
步骤4.1,在列车经过公里标识牌的一组连续图像PSA上设置一个第二滑窗,依次从第一张图像移动到最后一张图像;
步骤4.2,利用卷积神经网络,识别第二滑窗中是否存在公里标识牌。
优选地,所述步骤3.2和步骤4.2中的识别是否存在公里标识牌,其判断存在公里标识牌需同时满足的以下条件:公里标完全包含在图片边界内,公里标识牌的宽度大于图像宽度的60%且小于图像宽度的80%,公里标识牌的高度大于图像高度的60%且小于图像高度的87.5%。
优选地,所述步骤3.3和步骤4.2中的卷积神经网络,其网络模型由输入层、卷积层、池化层和输出层组成,所述输入层包括第一输入层和第二输入层,所述卷积层包括第一卷积层、第二卷积层和第三卷积层,所述池化层包括第一池化层、第二池化层和第三池化层,所述输出层包括数量为N的第一节点、第二节点、……第N节点。
优选地,所述第一节点为公里标识牌是否存在的输出节点,第二节点至第N节点依次为公里标识牌数据信息中第一个字符至第N个字符的输出节点。
与现有技术相比,本发明具有以下有益效果:
1、本发明提出的列车定位装置,相较于高密度铺设应答器,其安装维护成本低,能够与里程计配合使用,作为列车位置误差校正的辅助手段;
2、本发明提出的列车定位方法,其采用卷积神经网络对图像进行识别,能消除不同线路条件下场景复杂、光线变化等不利因素带来的负面影响,具有优越的准确性和鲁棒性;
3、本发明可以应用于山林、城市、隧道以及周围阻挡物多的区域,弥补了卫星定位存在盲区的缺陷。
附图说明
图1为本发明的列车定位装置结构示意图;
图2为本发明的列车定位方法流程图;
图3为本发明实施例的卷积神经网络模型结构图;
图4为本发明实施例的卷积神经网络的训练收敛曲线图;
图5为本发明实施例的卷积神经网络的测试识别准确率曲线图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例,都应属于本发明保护的范围。
实施例一
如图1所示,本发明的列车定位装置,包括:公里标识牌4、列车顶部摄像机1、列车侧面摄像机2和后台服务器3,所述公里标识牌4安装在线路轨道旁,所述列车顶部摄像机1安装在列车车头的顶部位置,所述列车侧面摄像机2安装在列车车头的侧面位置,所述后台服务器3分别与列车顶部摄像机1、列车侧面摄像机2连接。
所述公里标识牌,用于标注公里标信息,标识牌要制作成3面体或四面体,同时有利于顶部和侧向摄像机捕获图像;
所述列车顶部摄像机,负责发现标志牌,捕获识别标志牌的图像。如果在低速的情况下,如仅在站内列车定位时,可以不设置顶部摄像机;
所述列车侧面摄像机,用于捕获列车经过公里标识牌的一组连续图像,负责捕获判断列车经过标志牌的时机的图像;
所述后台服务器,用于接收和处理列车顶部摄像机和列车侧面摄像机捕获的图像,之后进行图像识别与分析,并与列车ATP/ATO设备进行数据通讯;
进一步的,所述列车顶部摄像机和列车侧面摄像机均为车载高速摄像机,;
进一步的,所述图像识别为基于卷积神经网络对图像中的公里标识牌以及公里标数据分别进行识别;
进一步的,所述数据通讯为发送校正命令以及校正公里标数据。
本发明列车定位的原理具体如下:
列车以里程计作为列车定位主要依据,经过公里标时,利用公里标进行校正,抵消由于车轮打滑、空转造成的误差。顶部摄像机发现定位标志牌后,将捕获的图像传输给后台服务器识别,同时通知侧向高速摄像机开始工作,判断列车经过标志牌的时机,并发送校正命令和校正的公里标数据给ATP/ATO。
本发明图像捕获及预处理具体为:
获取高质量的图像是利用图像定位的前提。列车运行速度快,加之车体晃动,要在行驶的列车上获取清晰图像,相机的曝光时间必须足够短(可以采用高速摄像***,曝光时间小于10us)来获取图片。实际应用中,由于受光照及外界条件限制,相机获取的图像质量存在差异。为了削弱光照对后续图像处理的影响,***对图像进行灰度处理。在复杂环境下,例如夜晚,相机获取的图像质量仍然较差,这可以通过照明和自动光圈镜头加以弥补。
本发明公里标识别具体为:
采用CNN网络对公里标进行识别。在***获取摄像机捕获的图片后,在图片上设置一个(128*64)大小的滑窗,从图片的左上角开始向右向下移动,每次移动8个像素,利用滑窗判断公里标在图片中的位置,并用训练好的CNN网络识别滑窗中公里标的字母和数字。存在公里标的判断条件为:(1)公里标完全包含在图片边界内。(2)公里标的宽度小于图片宽度的80%,且公里标的高度小于图片高度的87.5%。(3)公里标的宽度大于图片宽度的60%,或公里标的高度大于图片高度的60%。
训练网络由3个卷积层和3个pooling层组成。第1个卷积层的卷积核大小为5×5,并有32个输出。相似地,第2个卷积的卷积核尺寸也是5×5且有64个输出图。最后一个卷积层有128个输出图,卷积核大小为5×5。每个卷积层后连着2×2的Max-pooling层。输入图像切片的大小为128×64,它们在第1个卷积层后变为128×64,在第1个pooling层之后变为64×32,循环往复。
输出层有一个节点(左边)被用来作为公里标是否存在的指示器;剩下的节点用来编码一个特定公里标的概率。输出层中的每一列与公里标中的每一位号码一致,每一个节点给出与存在的字符相符合的概率。例如,位于第2列第2行的节点给出公里标中第二个号码是字符1的概率。
检测网络和训练网络的不同点在于最后两层采用了卷积层而不是全连接层,这样可以使检测网络的输入图片大小不仅限于128*64。将一张完整的图片以一种特定尺寸放入网络中,然后返回一张每个节点拥有一个存在字符概率值的图片。因为相邻的滑窗会共享很多卷积特征,所以将这些特定图片卷进同一个网络可以避免多次计算同样的特征。
本文所述模型只适用于特定公里标形式。尤其是,网络结构明确假定了输出只有7个字符,并且只适用于特定字体。因此,在设计公里标标志时,需要将公里标数值长度标准化,长度不足时高位补0,同时,公里标必须采用标准字体。
本发明校正触发时机具体为:
利用高速摄像机拍摄的一组连续的图片对列车经过公里标的时间进行捕捉,当图片组中出现公里标标志,则认为列车车头已经与公里标对齐,立即对列车位置进行校正。为避免误校正,主机在接收到校正命令后,判断前置摄像机是否也检测到公里标,并已经成功识别。由于侧向摄像机仅需要判断公里标是否存在,不需要识别具体内容,为了提高识别效率,将输出层修改为1个节点,表示图片中包含合适的公里标标志牌。
如图2所示,本发明的列车定位方法,包括:
步骤1,图像捕获:列车顶部摄像机捕获公里标识牌图像A,并将捕获的图像A传输给后台服务器,同时列车侧面摄像机开始捕获列车经过公里标识牌的一组连续图像SA,之后也将捕获的一组图像SA传输给后台服务器;
步骤2,图像处理:后台服务器分别对公里标识牌图像A和列车经过公里标识牌的一组连续图像SA进行处理,处理之后的图像分别为公里标识牌图像PA和列车经过公里标识牌的一组连续图像PSA;
步骤3,公里标数据识别:后台服务器对公里标识牌的图像PA进行识别,若在图像PA中能识别公里标数据,则执行步骤4,否则返回步骤1;
步骤4,公里标识牌识别:后台服务器对列车经过公里标识牌的一组连续图像PSA进行识别,若在该组图像PSA中能识别公里标识牌,则执行步骤5,否则返回步骤1;
步骤5,列车经过公里标识牌的时机判断:后台服务器分析判断列车经过公里标识牌的时机;
步骤6,列车位置校正触发:后台服务器根据列车经过公里标识牌的时机,发送校正命令和校正公里标据给列车ATP/ATO设备。
所述步骤3中的识别公里标数据,具体包括:
步骤3.1,在公里标识牌的图像PA上设置一个第一滑窗,第一滑窗从图像PA的左上角开始由左向右、由上向下依照一定的步长逐次移动;
步骤3.2,基于第一滑窗的每次移动,利用卷积神经网络识别第一滑窗中是否存在公里标识牌,以此获取公里标识牌在图像PA中的位置信息;
步骤3.3,根据获取的位置信息,利用卷积神经网络识别公里标数据信息。
所述步骤4中的识别公里标识牌,具体包括:
步骤4.1,在列车经过公里标识牌的一组连续图像PSA上设置一个第二滑窗,依次从第一张图像移动到最后一张图像;
步骤4.2,利用卷积神经网络,识别第二滑窗中是否存在公里标识牌。
所述步骤3.2和步骤4.2中的识别是否存在公里标识牌,其判断存在公里标识牌的条件为:公里标识牌的宽度大于图像宽度的60%且小于图像宽度的80%,或公里标识牌的高度大于图像高度的60%且小于图像高度的87.5%。
如图3所示,本发明用于图像识别的卷积神经网络,其网络模型由输入层、卷积层、池化层和输出层组成,所述输入层包括第一输入层IN1和第二输入层IN2,所述卷积层包括第一卷积层CON1、第二卷积层CON2和第三卷积层CON3,所述池化层包括第一池化层POOL1、第二池化层POOL2和第三池化层POOL3,所述输出层包括数量为N的第一节点Node1、第二节点Node2、……第N节点NodeN;
其中,第一节点Node1为公里标识牌是否存在的输出节点,第二节点Node2至第N节点NodeN依次为公里标识牌数据信息中第一个字符至第N个字符的输出节点。
具体的,第一输入层IN1的输入为处理好的公里标识牌的图像PA,第二输入层IN2的输入为处理好的列车经过公里标识牌的一组连续图像PSA,第一输入层IN1的输出分别连接到第一卷积层CON1、第二卷积层CON2和第三卷积层CON3的输入,第二输入层IN2的输出分别连接到第一卷积层CON1、第二卷积层CON2和第三卷积层CON3的输入,第一卷积层CON1的输出连接到第一池化层POOL1的输入,第二卷积层CON2的输出连接到第二池化层POOL2的输入,第三卷积层CON3的输出连接到第三池化层POOL3的输入,第一池化层POOL1、第二池化层POOL2和第三池化层POOL3的输出均连接到第一节点Node1的输入,第一节点Node1的输出分别连接到第二节点Node2至第N节点NodeN的输入。
本发明用于图像识别的卷积神经网络,具体训练过程为:
首先通过模拟实际场景的方法获取数目为10万的训练图片集以及数目为50的测试图片集;
然后根据训练图片集的数据,训练30个小时,其训练收敛曲线如图4所示,最终收敛曲线趋近于0;
最后利用训练好的卷积神经网络,对测试图片集进行图像识别,其识别准确率曲线如5所示,识别准确率均值为97.6%。
其中,为了模拟实际场景的光线变化,公里标识牌上的公里标信息及背景颜色均是随机选择的,另外,为了模拟公里标识牌图像被捕获的各种情况,采用了一种基于随机滚转、倾斜、偏转、平移以及缩放的仿射变换方法,使得公里标识牌发生变换。
在实际应用过程中,列车经过公里标时,高速相机会连续捕捉到多张照片,该装置将识别出的公里标按公里标数值(未识别的按全0统计)进行分类,只有识别率超过一定的阈值才判断识别成功,作为定位依据,以弥补个别图片识别失败的情况。同时由于在列车行驶过程中,需要快速的处理大量的图片,可以通过引入Haar级联、HOG检测器的方法、并行策略及采用更高性能的设备,提高检测效率,使检测结果满足要求。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到各种等效的修改或替换,这些修改或替换都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以权利要求的保护范围为准。
Claims (9)
1.一种列车定位装置,其特征在于,包括:公里标识牌、列车顶部摄像机、列车侧面摄像机和后台服务器,所述公里标识牌安装在线路轨道旁,所述列车顶部摄像机安装在列车车头的顶部位置,所述列车侧面摄像机安装在列车车头的侧面位置,所述后台服务器分别与列车顶部摄像机、列车侧面摄像机连接;
所述公里标识牌,用于标注公里标信息;
所述列车顶部摄像机,用于捕获公里标识牌的图像;
所述列车侧面摄像机,用于捕获列车经过公里标识牌的一组连续图像;
所述后台服务器,用于接收和处理列车顶部摄像机和列车侧面摄像机捕获的图像,之后进行图像识别与分析,判断列车经过标志牌的时机,并发送校正命令和校正的公里标数据给ATP/ATO。
2.根据权利要求1所述的一种列车定位装置,其特征在于,所述列车顶部摄像机和列车侧面摄像机均为车载高速摄像机。
3.根据权利要求1所述的一种列车定位装置,其特征在于,所述图像识别为基于卷积神经网络对图像中的公里标识牌以及公里标数据分别进行识别。
4.一种列车定位方法,其特征在于,包括:
步骤1,图像捕获:列车顶部摄像机捕获公里标识牌图像A,并将捕获的图像A传输给后台服务器,同时列车侧面摄像机开始捕获列车经过公里标识牌的一组连续图像SA,之后也将捕获的一组图像SA传输给后台服务器;
步骤2,图像处理:后台服务器分别对公里标识牌图像A和列车经过公里标识牌的一组连续图像SA进行处理,处理之后的图像分别为公里标识牌图像PA和列车经过公里标识牌的一组连续图像PSA;
步骤3,公里标数据识别:后台服务器对公里标识牌的图像PA进行识别,若在图像PA中能识别公里标数据,则执行步骤4,否则返回步骤1;
步骤4,公里标识牌识别:后台服务器对列车经过公里标识牌的一组连续图像PSA进行识别,若在该组图像PSA中能识别公里标识牌,则执行步骤5,否则返回步骤1;
步骤5,列车经过公里标识牌的时机判断:后台服务器分析判断列车经过公里标识牌的时机;
步骤6,列车位置校正触发:后台服务器根据列车经过公里标识牌的时机,发送校正命令和校正公里标据给列车ATP/ATO设备。
5.根据权利要求4所述的一种列车定位方法,其特征在于,所述步骤3中的识别公里标数据,具体包括:
步骤3.1,在公里标识牌的图像PA上设置一个第一滑窗,第一滑窗从图像PA的左上角开始由左向右、由上向下依照设定的步长逐次移动;
步骤3.2,基于第一滑窗的每次移动,利用卷积神经网络识别第一滑窗中是否存在公里标识牌,以此获取公里标识牌在图像PA中的位置信息;
步骤3.3,根据获取的位置信息,利用卷积神经网络识别公里标数据信息。
6.根据权利要求4所述的一种列车定位方法,其特征在于,所述步骤4中的识别公里标识牌,具体包括:
步骤4.1,在列车经过公里标识牌的一组连续图像PSA上设置一个第二滑窗,依次从第一张图像移动到最后一张图像;
步骤4.2,利用卷积神经网络,识别第二滑窗中是否存在公里标识牌。
7.根据权利要求5或6所述的一种列车定位方法,其特征在于,所述步骤3.2和步骤4.2中的识别是否存在公里标识牌,其判断存在公里标识牌需同时满足的以下条件:公里标完全包含在图片边界内,公里标识牌的宽度大于图像宽度的60%且小于图像宽度的80%,公里标识牌的高度大于图像高度的60%且小于图像高度的87.5%。
8.根据权利要求5或6所述的一种列车定位方法,其特征在于,所述步骤3.3和步骤4.2中的卷积神经网络,其网络模型由输入层、卷积层、池化层和输出层组成,所述输入层包括第一输入层和第二输入层,所述卷积层包括第一卷积层、第二卷积层和第三卷积层,所述池化层包括第一池化层、第二池化层和第三池化层,所述输出层包括数量为N的第一节点、第二节点、……第N节点。
9.根据权利要求8所述的一种列车定位方法,其特征在于,所述第一节点为公里标识牌是否存在的输出节点,第二节点至第N节点依次为公里标识牌数据信息中第一个字符至第N个字符的输出节点。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910032556.1A CN109747681A (zh) | 2019-01-14 | 2019-01-14 | 一种列车定位装置及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910032556.1A CN109747681A (zh) | 2019-01-14 | 2019-01-14 | 一种列车定位装置及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109747681A true CN109747681A (zh) | 2019-05-14 |
Family
ID=66405476
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910032556.1A Pending CN109747681A (zh) | 2019-01-14 | 2019-01-14 | 一种列车定位装置及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109747681A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110194200A (zh) * | 2019-05-31 | 2019-09-03 | 唐智科技湖南发展有限公司 | 一种运行车辆的公里标确定方法、装置和介质 |
CN110287897A (zh) * | 2019-06-27 | 2019-09-27 | 清华大学 | 一种基于深度学习的轨道列车视觉定位*** |
CN110641522A (zh) * | 2019-09-30 | 2020-01-03 | 中铁第四勘察设计院集团有限公司 | 高速磁浮轨道交通的列车定位*** |
CN111762237A (zh) * | 2020-06-29 | 2020-10-13 | 交控科技股份有限公司 | 轨道交通列车定位方法、装置及*** |
CN112249089A (zh) * | 2020-09-27 | 2021-01-22 | 卡斯柯信号有限公司 | 一种轨道交通应急定位***及方法 |
CN112550377A (zh) * | 2020-12-18 | 2021-03-26 | 卡斯柯信号有限公司 | 基于视频识别和imu设备的轨道交通应急定位方法和*** |
CN115402380A (zh) * | 2022-09-29 | 2022-11-29 | 天津市英贝特航天科技有限公司 | 一种地铁列车对标装置及控制方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB9012366D0 (en) * | 1990-06-02 | 1990-07-25 | Solvit Scient Engineers Limite | Automatic system to read barcode signs from or on a moving vehicle |
WO2007091072A1 (en) * | 2006-02-07 | 2007-08-16 | Richard Shenton | System for measuring speed and/or position of a train |
JP2008056179A (ja) * | 2006-09-01 | 2008-03-13 | Toshiba Corp | 列車位置検出装置 |
US20090080697A1 (en) * | 2005-04-25 | 2009-03-26 | Geo Technical Laboratory Co., Ltd. A Corporation | Imaging position analyzing method |
JP2009250718A (ja) * | 2008-04-03 | 2009-10-29 | Nissan Motor Co Ltd | 車両位置検出装置及び車両位置検出方法 |
JP2012011867A (ja) * | 2010-06-30 | 2012-01-19 | Mitsubishi Heavy Ind Ltd | 車両位置算出システム及び車両位置算出方法並びにそのプログラム |
CN102829763A (zh) * | 2012-07-30 | 2012-12-19 | 中国人民解放军国防科学技术大学 | 基于单目视觉定位的路面图像采集方法及采集*** |
CN105354568A (zh) * | 2015-08-24 | 2016-02-24 | 西安电子科技大学 | 基于卷积神经网络的车标识别方法 |
CN107600116A (zh) * | 2017-09-21 | 2018-01-19 | 湖南中车时代通信信号有限公司 | 一种基于视频识别和rfid的铁道车辆定位方法和*** |
CN107679452A (zh) * | 2017-08-28 | 2018-02-09 | 中国电子科技集团公司第二十八研究所 | 大数据下基于卷积神经网络的货运列车车号实时识别*** |
DE102017109944A1 (de) * | 2017-05-09 | 2018-11-15 | Connaught Electronics Ltd. | Automatische Ausrichtung mit einer Tanksäule |
-
2019
- 2019-01-14 CN CN201910032556.1A patent/CN109747681A/zh active Pending
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB9012366D0 (en) * | 1990-06-02 | 1990-07-25 | Solvit Scient Engineers Limite | Automatic system to read barcode signs from or on a moving vehicle |
US20090080697A1 (en) * | 2005-04-25 | 2009-03-26 | Geo Technical Laboratory Co., Ltd. A Corporation | Imaging position analyzing method |
WO2007091072A1 (en) * | 2006-02-07 | 2007-08-16 | Richard Shenton | System for measuring speed and/or position of a train |
JP2008056179A (ja) * | 2006-09-01 | 2008-03-13 | Toshiba Corp | 列車位置検出装置 |
JP2009250718A (ja) * | 2008-04-03 | 2009-10-29 | Nissan Motor Co Ltd | 車両位置検出装置及び車両位置検出方法 |
JP2012011867A (ja) * | 2010-06-30 | 2012-01-19 | Mitsubishi Heavy Ind Ltd | 車両位置算出システム及び車両位置算出方法並びにそのプログラム |
CN102829763A (zh) * | 2012-07-30 | 2012-12-19 | 中国人民解放军国防科学技术大学 | 基于单目视觉定位的路面图像采集方法及采集*** |
CN105354568A (zh) * | 2015-08-24 | 2016-02-24 | 西安电子科技大学 | 基于卷积神经网络的车标识别方法 |
DE102017109944A1 (de) * | 2017-05-09 | 2018-11-15 | Connaught Electronics Ltd. | Automatische Ausrichtung mit einer Tanksäule |
CN107679452A (zh) * | 2017-08-28 | 2018-02-09 | 中国电子科技集团公司第二十八研究所 | 大数据下基于卷积神经网络的货运列车车号实时识别*** |
CN107600116A (zh) * | 2017-09-21 | 2018-01-19 | 湖南中车时代通信信号有限公司 | 一种基于视频识别和rfid的铁道车辆定位方法和*** |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110194200A (zh) * | 2019-05-31 | 2019-09-03 | 唐智科技湖南发展有限公司 | 一种运行车辆的公里标确定方法、装置和介质 |
CN110194200B (zh) * | 2019-05-31 | 2021-06-11 | 唐智科技湖南发展有限公司 | 一种运行车辆的公里标确定方法、装置和介质 |
CN110287897A (zh) * | 2019-06-27 | 2019-09-27 | 清华大学 | 一种基于深度学习的轨道列车视觉定位*** |
CN110287897B (zh) * | 2019-06-27 | 2021-05-14 | 清华大学 | 一种基于深度学习的轨道列车视觉定位*** |
CN110641522A (zh) * | 2019-09-30 | 2020-01-03 | 中铁第四勘察设计院集团有限公司 | 高速磁浮轨道交通的列车定位*** |
CN111762237A (zh) * | 2020-06-29 | 2020-10-13 | 交控科技股份有限公司 | 轨道交通列车定位方法、装置及*** |
CN112249089A (zh) * | 2020-09-27 | 2021-01-22 | 卡斯柯信号有限公司 | 一种轨道交通应急定位***及方法 |
CN112550377A (zh) * | 2020-12-18 | 2021-03-26 | 卡斯柯信号有限公司 | 基于视频识别和imu设备的轨道交通应急定位方法和*** |
CN115402380A (zh) * | 2022-09-29 | 2022-11-29 | 天津市英贝特航天科技有限公司 | 一种地铁列车对标装置及控制方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109747681A (zh) | 一种列车定位装置及方法 | |
CN111145545B (zh) | 基于深度学习的道路交通行为无人机监测***及方法 | |
CN106919915B (zh) | 基于adas***的地图道路标记及道路质量采集装置及方法 | |
CN104183127B (zh) | 交通监控视频检测方法和装置 | |
CN106530794A (zh) | 行车道路的自动识别和校准方法及*** | |
CN113034960A (zh) | 用于更新精密路线地图的对象变化检测***及其方法 | |
CN109643367A (zh) | 用于自主车辆导航的众包和分发稀疏地图以及车道测量 | |
CN111753797B (zh) | 一种基于视频分析的车辆测速方法 | |
CN109931939A (zh) | 车辆的定位方法、装置、设备及计算机可读存储介质 | |
CN102208013A (zh) | 风景匹配参考数据生成***和位置测量*** | |
WO2020083103A1 (zh) | 一种基于深度神经网络图像识别的车辆定位方法 | |
CN109509223A (zh) | 基于深度学习的前方车辆测距方法 | |
CN111127520B (zh) | 一种基于视频分析的车辆跟踪方法和*** | |
CN108428254A (zh) | 三维地图的构建方法及装置 | |
CN106092123B (zh) | 一种视频导航方法及装置 | |
CN111062971B (zh) | 一种基于深度学习多模态的跨摄像头泥头车追踪方法 | |
CN106767854A (zh) | 移动设备、车库地图形成方法及*** | |
CN108267121A (zh) | 一种可变场景下多设备的视觉导航方法及*** | |
CN109426800A (zh) | 一种车道线检测方法和装置 | |
CN105488485A (zh) | 基于车辆轨迹的车道线自动提取方法 | |
CN116128360A (zh) | 道路交通拥堵等级评估方法、装置、电子设备及存储介质 | |
CN113343782B (zh) | 一种基于无人机遥感的高速公路标志标牌检测方法 | |
CN114841188A (zh) | 一种基于二维码的车辆融合定位方法及装置 | |
CN112550377A (zh) | 基于视频识别和imu设备的轨道交通应急定位方法和*** | |
CN111754388B (zh) | 一种建图方法及车载终端 |
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 |