CN110211159A - 一种基于图像视频处理技术的飞机位置检测***及方法 - Google Patents

一种基于图像视频处理技术的飞机位置检测***及方法 Download PDF

Info

Publication number
CN110211159A
CN110211159A CN201910489481.XA CN201910489481A CN110211159A CN 110211159 A CN110211159 A CN 110211159A CN 201910489481 A CN201910489481 A CN 201910489481A CN 110211159 A CN110211159 A CN 110211159A
Authority
CN
China
Prior art keywords
aircraft
frame
video
aircraft position
data
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
Application number
CN201910489481.XA
Other languages
English (en)
Inventor
许伟村
黄荣顺
王旭辉
刘星俞
郭婧
杨杰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
China Academy of Civil Aviation Science and Technology
Original Assignee
China Academy of Civil Aviation Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by China Academy of Civil Aviation Science and Technology filed Critical China Academy of Civil Aviation Science and Technology
Priority to CN201910489481.XA priority Critical patent/CN110211159A/zh
Publication of CN110211159A publication Critical patent/CN110211159A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/254—Analysis of motion involving subtraction of images
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/70—Determining position or orientation of objects or cameras
    • G06T7/73—Determining position or orientation of objects or cameras using feature-based methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20081—Training; Learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/20—Special algorithmic details
    • G06T2207/20084—Artificial neural networks [ANN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明公开了一种基于图像视频处理技术的飞机位置检测***及方法，包括视频采集***、数据采集***、卷积神经网络***和飞机位置状态检测***，所述视频采集***与数据采集***通信连接，所述数据采集***、卷积神经网络***、飞机位置状态检测***依次通信连接，所述数据采集***包括飞机位置检测模型框架和数据图像帧采集模块，所述卷积神经网络***内部具有飞机位置样本数据库，所述飞机位置状态检测***包括飞机位置检测模块和飞机目标跟踪模块。本发明通过视频分析技术对机场飞行区监控视频中的飞机进行检测，可以自动获取飞机进入和离开停机位的时间，以便管制人员对飞机进行持续的场面引导，为机场航班保障提供准确的时间依据。

Description

一种基于图像视频处理技术的飞机位置检测***及方法
技术领域
本发明涉及飞机入离位检测技术领域，尤其涉及一种基于图像视频处理技术的飞机位置检测***及方法。
背景技术
在机场飞行区的监控视频中对飞机进行检测，可以实现飞机定位和飞机入离位检测。在定位技术方面，目前对飞机的定位方法主要包括ADS-B定位、多点雷达定位、场间雷达定位等。ADS-B设备可能被飞机驾驶员手动关闭，多点雷达设备和场面监视雷达造价较为昂贵，在很多机场并没有部署。同时，上述设备在建筑物附近定位信号容易丢失；另一方面，目前可用的飞机定位方法，其定位精度和频率尚不能满足入离位检测需求，目前飞机的入离位检测主要通过泊位引导***实现，由于该***造价较高，国内仅有少量机场实现部署，且泊位引导***仅能应用于近机位，不能满足远机位的入离位检测需求。
发明内容
针对现有技术存在的不足之处，本发明的目的在于提供一种基于图像视频处理技术的飞机位置检测***及方法，通过视频分析技术对机场飞行区监控视频中的飞机进行检测，可以自动获取飞机进入和离开停机位的时间，以便管制人员对飞机进行持续的场面引导，为机场航班保障提供准确的时间依据。
本发明的目的通过下述技术方案实现：
一种基于图像视频处理技术的飞机位置检测***，包括视频采集***、数据采集***、卷积神经网络***和飞机位置状态检测***，所述视频采集***与数据采集***通信连接，所述数据采集***、卷积神经网络***、飞机位置状态检测***依次通信连接，所述数据采集***包括飞机位置检测模型框架和数据图像帧采集模块，所述卷积神经网络***内部具有飞机位置样本数据库，所述飞机位置状态检测***包括飞机位置检测模块和飞机目标跟踪模块；所述视频采集***包括若干个视频摄像头，所述视频采集***用于采集视频数据并传输至数据采集***，所述数据采集***的数据图像帧采集模块用于对视频数据进行逐个视频图像帧采集并将视频图像帧传输至飞机位置检测模型框架中，所述飞机位置检测模型框架用于划设飞机入离位模型框架，所述飞机入离位模型框架包括飞机正入位区域框、飞机已入位区域框和飞机离位区域框，所述飞机位置样本数据库用于存储有飞机入离位的样本数据，所述样本数据包括飞机正入位样本数据、飞机已入位样本数据和飞机离位样本数据，所述卷积神经网络***用于对数据采集***所采集到的视频图像帧与飞机位置样本数据库的样本数据按照飞机位置检测模型框架进行图像特征提取及比对处理，所述飞机位置检测模块用于通过图像特征提取及比对处理并识别出飞机的位置状态，所述飞机目标跟踪模块用于根据飞机位置检测模块所识别出的飞机位置状态按照时间顺序进行飞机目标跟踪。
为了更好地实现本发明飞机位置检测***，所述卷积神经网络***用于对数据采集***的视频图像帧提取并识别出飞机特征区域和背景特征区域，所述卷积神经网络***将视频图像帧的飞机特征区域与背景特征区域传输至飞机位置状态检测***中进行对比处理。
作为优选，所述飞机位置检测模块采用帧间差分法进行对比处理并得到飞机位置状态。
作为优选，所述飞机目标跟踪模块采用目标跟踪法和帧间差分法得到飞机目标跟踪数据。
作为优选，所述卷积神经网络***对当前时刻t新输入的视频图像帧Ft，首先通过帧间差分法得到二值化后的黑白图像F帧差，将黑白图像F帧差的背景特征区域统一为黑色，将黑白图像F帧差的飞机特征区域统一为白色。
一种基于图像视频处理技术的飞机位置检测方法，其方法步骤如下：
A、得到飞机位置样本数据库，通过视频采集***采集机场中飞机入离位区域中的样本视频数据，样本视频数据包括飞机正入位样本视频数据、飞机已入位样本视频数据和飞机离位样本视频数据，视频采集***将样本视频数据传输至数据采集***，数据采集***的数据图像帧采集模块对样本视频数据进行逐个样本视频图像帧采集并将样本视频图像帧传输至飞机位置检测模型框架中，飞机位置检测模型框架包括飞机正入位区域框、飞机已入位区域框和飞机离位区域框；卷积神经网络***将样本视频图像帧进行提取并识别得到飞机特征区域和背景特征区域，并将样本视频图像帧进行二值化处理、特征统一后存储于飞机位置样本数据库中；
B、通过视频采集***采集机场中飞机的实时视频数据，视频采集***将实时视频数据并传输至数据采集***，数据采集***的数据图像帧采集模块对实时视频数据进行逐个实时视频图像帧采集并将实时视频图像帧传输至飞机位置检测模型框架中，卷积神经网络***将实时视频图像帧进行提取并识别得到飞机特征区域和背景特征区域，并将实时视频图像帧进行二值化处理、特征统一后与存储于飞机位置样本数据库中的样本视频图像帧按照飞机位置检测模型框架进行图像特征提取及比对处理；
C、得出飞机位置状态数据，通过飞机位置检测模块通过图像特征提取及比对处理并识别出飞机的位置状态，通过飞机目标跟踪模块根据飞机位置检测模块所识别出的飞机位置状态按照时间顺序进行飞机目标跟踪，飞机位置状态与飞机目标跟踪共同构成飞机位置状态数据。
作为优选，所述步骤A中样本视频数据包括夜间、雨雪、雾或雾霾、沙尘天气情况下的飞机位置样本数据，其中夜间天气情况下的飞机位置样本数据占比不少于10％，其中雨雪天气情况下的飞机位置样本数据占比不少于10％，其中雾或雾霾天气情况下的飞机位置样本数据占比不少于10％，其中沙尘天气情况下的飞机位置样本数据占比不少于10％。
作为优选，所述步骤A中的飞机位置检测模型框架按照飞机正入位区域框、飞机已入位区域框、飞机离位区域框依次连续进行区域框模型划设。
作为优选，所述步骤A中的飞机位置样本数据库包括飞机正入位样本数据、飞机已入位样本数据和飞机离位样本数据。
本发明较现有技术相比，具有以下优点及有益效果：
本发明通过视频分析技术对机场飞行区监控视频中的飞机进行检测，检测结果可用于飞机定位和入离位检测；基于飞机定位可以保证在ADS-B和场面监视雷达、多点雷达数据不可用的情况下持续获得飞机位置，以便管制人员对飞机进行持续的场面引导，基于本发明的飞机入离位检测可以自动获取飞机进入和离开停机位的时间，为机场航班保障提供准确的时间依据。
附图说明
图1为本发明的原理结构框图。
具体实施方式
下面结合实施例对本发明作进一步地详细说明：
实施例一
如图1所示，一种基于图像视频处理技术的飞机位置检测***，包括视频采集***、数据采集***、卷积神经网络***和飞机位置状态检测***，所述视频采集***与数据采集***通信连接，所述数据采集***、卷积神经网络***、飞机位置状态检测***依次通信连接，所述数据采集***包括飞机位置检测模型框架和数据图像帧采集模块，所述卷积神经网络***内部具有飞机位置样本数据库，所述飞机位置状态检测***包括飞机位置检测模块和飞机目标跟踪模块；所述视频采集***包括若干个视频摄像头，所述视频采集***用于采集视频数据并传输至数据采集***，所述数据采集***的数据图像帧采集模块用于对视频数据进行逐个视频图像帧采集并将视频图像帧传输至飞机位置检测模型框架中，所述飞机位置检测模型框架用于划设飞机入离位模型框架，所述飞机入离位模型框架包括飞机正入位区域框、飞机已入位区域框和飞机离位区域框，所述飞机位置样本数据库用于存储有飞机入离位的样本数据，所述样本数据包括飞机正入位样本数据、飞机已入位样本数据和飞机离位样本数据，所述卷积神经网络***用于对数据采集***所采集到的视频图像帧与飞机位置样本数据库的样本数据按照飞机位置检测模型框架进行图像特征提取及比对处理，所述飞机位置检测模块用于通过图像特征提取及比对处理并识别出飞机的位置状态，所述飞机目标跟踪模块用于根据飞机位置检测模块所识别出的飞机位置状态按照时间顺序进行飞机目标跟踪。
本发明飞机位置检测***优选的卷积神经网络***还用于对数据采集***的视频图像帧提取并识别出飞机特征区域和背景特征区域，所述卷积神经网络***将视频图像帧的飞机特征区域与背景特征区域传输至飞机位置状态检测***中进行对比处理。
本发明飞机位置检测***的飞机位置检测模块采用帧间差分法进行对比处理并得到飞机位置状态。
本发明飞机位置检测***的飞机目标跟踪模块采用目标跟踪法和帧间差分法得到飞机目标跟踪数据。
本发明飞机位置检测***优选的卷积神经网络***对当前时刻t新输入的视频图像帧Ft，首先通过帧间差分法得到二值化后的黑白图像F帧差，将黑白图像F帧差的背景特征区域统一为黑色，将黑白图像F帧差的飞机特征区域统一为白色。
一种基于图像视频处理技术的飞机位置检测方法，其方法步骤如下：
A、得到飞机位置样本数据库，通过视频采集***采集机场中飞机入离位区域中的样本视频数据，样本视频数据包括飞机正入位样本视频数据、飞机已入位样本视频数据和飞机离位样本视频数据，视频采集***将样本视频数据传输至数据采集***，数据采集***的数据图像帧采集模块对样本视频数据进行逐个样本视频图像帧采集并将样本视频图像帧传输至飞机位置检测模型框架中，飞机位置检测模型框架包括飞机正入位区域框、飞机已入位区域框和飞机离位区域框；所述飞机位置检测模型框架可以按照飞机正入位区域框、飞机已入位区域框、飞机离位区域框依次连续进行区域框模型划设。卷积神经网络***将样本视频图像帧进行提取并识别得到飞机特征区域和背景特征区域，并将样本视频图像帧进行二值化处理、特征统一后存储于飞机位置样本数据库中；所述飞机位置样本数据库包括飞机正入位样本数据、飞机已入位样本数据和飞机离位样本数据。所述样本视频数据包括夜间、雨雪、雾或雾霾、沙尘天气情况下的飞机位置样本数据，其中夜间天气情况下的飞机位置样本数据占比不少于10％，其中雨雪天气情况下的飞机位置样本数据占比不少于10％，其中雾或雾霾天气情况下的飞机位置样本数据占比不少于10％，其中沙尘天气情况下的飞机位置样本数据占比不少于10％。
B、通过视频采集***采集机场中飞机的实时视频数据，视频采集***将实时视频数据并传输至数据采集***，数据采集***的数据图像帧采集模块对实时视频数据进行逐个实时视频图像帧采集并将实时视频图像帧传输至飞机位置检测模型框架中，卷积神经网络***将实时视频图像帧进行提取并识别得到飞机特征区域和背景特征区域，并将实时视频图像帧进行二值化处理、特征统一后与存储于飞机位置样本数据库中的样本视频图像帧按照飞机位置检测模型框架进行图像特征提取及比对处理；
C、得出飞机位置状态数据，通过飞机位置检测模块通过图像特征提取及比对处理并识别出飞机的位置状态，通过飞机目标跟踪模块根据飞机位置检测模块所识别出的飞机位置状态按照时间顺序进行飞机目标跟踪，飞机位置状态与飞机目标跟踪共同构成飞机位置状态数据。
实施例二
一种基于图像视频处理技术的飞机位置检测方法，其方法步骤如下：
A、建立用于神经网络训练的飞机图片样本库。
B、训练用于飞机识别的卷积神经网络，以下简称识别网络。
C、构建飞机检测模型框架，以下简称检测框架。
D、将所述检测框架与一个负责收集监控视频的数据采集模块相连接。
E、数据采集模块逐帧将视频数据传递至检测框架。
F、所述检测框架对输入的每一帧视频图像进行处理，最终生成飞机检测结果集合。
本实施例的飞机图片样本库建立过程包含以下步骤：
从机场飞行区监控视频中，采集十万张以上包含飞机的图片，并对图片进行样本标注。优选地，为保证神经网络对夜间、雨雪、雾或雾霾、沙尘天气的适应性，所选取的图片中的一部分应为在上述天气情况下采集。优选地，在夜间、雨天、雪天、雾天或雾霾天场景下所采集的图片，应分别占图片样本库的10％以上。
本实施例的物体检测卷积神经网络训练过程包含以下步骤：
使用标注好的训练样本，对物体检测卷积神经网络进行训练。优选地，所述样本标注方法和神经网络训练方法可以按照Redmon J,Divvala S K,Girshick R B,et al.YouOnly Look Once:Unified,Real-Time Object Detection[J].computer vision andpattern recognition,2016:779-788.文献方法训练。
本实施例的检测框架对每一帧视频图像的处理过程包括以下步骤：
生成检测候选区域集合，对每一个候选区域，提取该区域图像片段，输入至识别网络；识别网络输出该区域的类别，类别包括飞机和背景，对所有候选区域进行非极大值抑制。优选的，可通过目标跟踪法和帧间差分法确定检测区域，提高检测速度。
本实施例的目标跟踪法包括以下步骤：
将上一时刻得到的每个检测结果作为一个目标。在当前时刻，对每个目标的位置进行预测。优选的，该预测过程可以使用下文所述的多模态粒子滤波法：将每个目标的预测位置作为一个检测区域。
本实施例的帧间差分法包含以下步骤：
通过混合高斯背景建模方法，对背景模型进行建模和更新。
对当前时刻t新输入的视频图像Ft，首先通过帧差法，得到二值化后的黑白图像F帧差，其中背景区域为黑色，前景区域为白色。背景建模、更新以及计算帧差图像F帧差的方法，可以按照Harville M.A Framework for High-Level Feedback to Adaptive,Per-Pixel,Mixture-of-Gaussian Background Models[C]，European Conference on ComputerVision.2002.文献中的帧差图像方法。
从帧差图像F帧差中，提取前景区域，并将每个区域作为一个候选检测区域。从帧差后的图像中提取前景区域的方法，其方法按照Xu W,Zhao Q,Gu D.Fragmentationhandling for visual tracking[J].Signal Image&Video Processing,2014,8(8):1639-1649.文献中的方法提取前景区域。
对通过目标跟踪法和帧间差分法得到的检测区域进行目标检测，即得到当前时刻的飞机检测结果。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.一种基于图像视频处理技术的飞机位置检测***，其特征在于：包括视频采集***、数据采集***、卷积神经网络***和飞机位置状态检测***，所述视频采集***与数据采集***通信连接，所述数据采集***、卷积神经网络***、飞机位置状态检测***依次通信连接，所述数据采集***包括飞机位置检测模型框架和数据图像帧采集模块，所述卷积神经网络***内部具有飞机位置样本数据库，所述飞机位置状态检测***包括飞机位置检测模块和飞机目标跟踪模块；所述视频采集***包括若干个视频摄像头，所述视频采集***用于采集视频数据并传输至数据采集***，所述数据采集***的数据图像帧采集模块用于对视频数据进行逐个视频图像帧采集并将视频图像帧传输至飞机位置检测模型框架中，所述飞机位置检测模型框架用于划设飞机入离位模型框架，所述飞机入离位模型框架包括飞机正入位区域框、飞机已入位区域框和飞机离位区域框，所述飞机位置样本数据库用于存储有飞机入离位的样本数据，所述样本数据包括飞机正入位样本数据、飞机已入位样本数据和飞机离位样本数据，所述卷积神经网络***用于对数据采集***所采集到的视频图像帧与飞机位置样本数据库的样本数据按照飞机位置检测模型框架进行图像特征提取及比对处理，所述飞机位置检测模块用于通过图像特征提取及比对处理并识别出飞机的位置状态，所述飞机目标跟踪模块用于根据飞机位置检测模块所识别出的飞机位置状态按照时间顺序进行飞机目标跟踪。
2.按照权利要求1所述的一种基于图像视频处理技术的飞机位置检测***，其特征在于：所述卷积神经网络***用于对数据采集***的视频图像帧提取并识别出飞机特征区域和背景特征区域，所述卷积神经网络***将视频图像帧的飞机特征区域与背景特征区域传输至飞机位置状态检测***中进行对比处理。
3.按照权利要求1所述的一种基于图像视频处理技术的飞机位置检测***，其特征在于：所述飞机位置检测模块采用帧间差分法进行对比处理并得到飞机位置状态。
4.按照权利要求1所述的一种基于图像视频处理技术的飞机位置检测***，其特征在于：所述飞机目标跟踪模块采用目标跟踪法和帧间差分法得到飞机目标跟踪数据。
5.按照权利要求1所述的一种基于图像视频处理技术的飞机位置检测***，其特征在于：所述卷积神经网络***对当前时刻t新输入的视频图像帧Ft，首先通过帧间差分法得到二值化后的黑白图像F帧差，将黑白图像F帧差的背景特征区域统一为黑色，将黑白图像F帧差的飞机特征区域统一为白色。
6.一种基于图像视频处理技术的飞机位置检测方法，其特征在于：其方法步骤如下：
A、得到飞机位置样本数据库，通过视频采集***采集机场中飞机入离位区域中的样本视频数据，样本视频数据包括飞机正入位样本视频数据、飞机已入位样本视频数据和飞机离位样本视频数据，视频采集***将样本视频数据传输至数据采集***，数据采集***的数据图像帧采集模块对样本视频数据进行逐个样本视频图像帧采集并将样本视频图像帧传输至飞机位置检测模型框架中，飞机位置检测模型框架包括飞机正入位区域框、飞机已入位区域框和飞机离位区域框；卷积神经网络***将样本视频图像帧进行提取并识别得到飞机特征区域和背景特征区域，并将样本视频图像帧进行二值化处理、特征统一后存储于飞机位置样本数据库中；
B、通过视频采集***采集机场中飞机的实时视频数据，视频采集***将实时视频数据并传输至数据采集***，数据采集***的数据图像帧采集模块对实时视频数据进行逐个实时视频图像帧采集并将实时视频图像帧传输至飞机位置检测模型框架中，卷积神经网络***将实时视频图像帧进行提取并识别得到飞机特征区域和背景特征区域，并将实时视频图像帧进行二值化处理、特征统一后与存储于飞机位置样本数据库中的样本视频图像帧按照飞机位置检测模型框架进行图像特征提取及比对处理；
C、得出飞机位置状态数据，通过飞机位置检测模块通过图像特征提取及比对处理并识别出飞机的位置状态，通过飞机目标跟踪模块根据飞机位置检测模块所识别出的飞机位置状态按照时间顺序进行飞机目标跟踪，飞机位置状态与飞机目标跟踪共同构成飞机位置状态数据。
7.按照权利要求6所述的一种基于图像视频处理技术的飞机位置检测方法，其特征在于：所述步骤A中样本视频数据包括夜间、雨雪、雾或雾霾、沙尘天气情况下的飞机位置样本数据，其中夜间天气情况下的飞机位置样本数据占比不少于10％，其中雨雪天气情况下的飞机位置样本数据占比不少于10％，其中雾或雾霾天气情况下的飞机位置样本数据占比不少于10％，其中沙尘天气情况下的飞机位置样本数据占比不少于10％。
8.按照权利要求6所述的一种基于图像视频处理技术的飞机位置检测方法，其特征在于：所述步骤A中的飞机位置检测模型框架按照飞机正入位区域框、飞机已入位区域框、飞机离位区域框依次连续进行区域框模型划设。
9.按照权利要求6所述的一种基于图像视频处理技术的飞机位置检测方法，其特征在于：所述步骤A中的飞机位置样本数据库包括飞机正入位样本数据、飞机已入位样本数据和飞机离位样本数据。
CN201910489481.XA 2019-06-06 2019-06-06 一种基于图像视频处理技术的飞机位置检测***及方法 Pending CN110211159A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910489481.XA CN110211159A (zh) 2019-06-06 2019-06-06 一种基于图像视频处理技术的飞机位置检测***及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910489481.XA CN110211159A (zh) 2019-06-06 2019-06-06 一种基于图像视频处理技术的飞机位置检测***及方法

Publications (1)

Publication Number Publication Date
CN110211159A true CN110211159A (zh) 2019-09-06

Family

ID=67791208

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910489481.XA Pending CN110211159A (zh) 2019-06-06 2019-06-06 一种基于图像视频处理技术的飞机位置检测***及方法

Country Status (1)

Country Link
CN (1) CN110211159A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111627062A (zh) * 2020-06-08 2020-09-04 星逻人工智能技术(上海)有限公司 飞行器停机状态控制方法、装置及装置使用方法
CN113724535A (zh) * 2021-08-31 2021-11-30 西北工业大学 一种机场滑行道实时监控预警方法
CN115880646A (zh) * 2023-02-20 2023-03-31 中国民航大学 一种飞机入离位状态识别方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104966045A (zh) * 2015-04-02 2015-10-07 北京天睿空间科技有限公司 一种基于视频的飞机进出泊位自动检测方法
CN107507198A (zh) * 2017-08-22 2017-12-22 中国民用航空总局第二研究所 飞机图像探测及追踪方法
CN109817013A (zh) * 2018-12-19 2019-05-28 新大陆数字技术股份有限公司 基于视频流的停车位状态识别方法及装置

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104966045A (zh) * 2015-04-02 2015-10-07 北京天睿空间科技有限公司 一种基于视频的飞机进出泊位自动检测方法
CN107507198A (zh) * 2017-08-22 2017-12-22 中国民用航空总局第二研究所 飞机图像探测及追踪方法
CN109817013A (zh) * 2018-12-19 2019-05-28 新大陆数字技术股份有限公司 基于视频流的停车位状态识别方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
VOLODYMYR KHARCHENKO等: "Detection of Airplanes on the Ground Using YOLO Neural Network", 《IEEE》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111627062A (zh) * 2020-06-08 2020-09-04 星逻人工智能技术(上海)有限公司 飞行器停机状态控制方法、装置及装置使用方法
CN113724535A (zh) * 2021-08-31 2021-11-30 西北工业大学 一种机场滑行道实时监控预警方法
CN113724535B (zh) * 2021-08-31 2022-09-30 西北工业大学 一种机场滑行道实时监控预警方法
CN115880646A (zh) * 2023-02-20 2023-03-31 中国民航大学 一种飞机入离位状态识别方法

Similar Documents

Publication Publication Date Title
CN108037770B (zh) 基于人工智能的无人机输电线路巡检***和方法
CN109765930B (zh) 一种无人机视觉导航***
CN105373135B (zh) 一种基于机器视觉的飞机入坞引导和机型识别的方法及***
CN110660222B (zh) 一种智能环保道路黑烟车辆电子抓拍***
CN106203265A (zh) 一种基于无人机采集图像的施工扬尘污染源自动监测及影响范围预测***及方法
CN103733234B (zh) 用于检测飞机场中的外物、碎片或损坏的监视***和方法
CN109255286B (zh) 基于深度学习网络框架的无人机光学快速检测识别方法
CN110211159A (zh) 一种基于图像视频处理技术的飞机位置检测***及方法
CN104834920A (zh) 一种无人机多光谱图像的智能林火识别方法及装置
CN110084094B (zh) 一种基于深度学习的无人机目标识别分类方法
CN108168706B (zh) 一种监测低空无人飞行器的多谱红外成像检测跟踪***
CN107087144B (zh) 全景图像和精准图像及球冠可变励磁鸟鸣声一体化自动监测跟踪方法
CN106096504A (zh) 一种基于无人机机载平台的车型识别方法
CN106954049B (zh) 全景和精准图像跟踪***的机场鸟类信息自动获取方法
CN112101088A (zh) 一种无人机电力自动巡检方法、装置及***
CN110210427A (zh) 一种基于图像处理技术的廊桥工作状态检测***及方法
CN108037543B (zh) 一种监测低空无人飞行器的多谱红外成像检测跟踪方法
CN110363144A (zh) 一种基于图像处理技术的飞机门开关状态检测***及方法
CN104735423B (zh) 位于无人机上的输电设备辨认平台
CN109376660A (zh) 一种目标监测方法、装置及***
Fitzgerald et al. A vision based forced landing site selection system for an autonomous UAV
CN109359545B (zh) 复杂低空环境下一种协同监视方法与装置
CN113486866A (zh) 一种用于机场鸟类识别的视觉分析方法及***
CN105208346B (zh) 基于无人机的输电设备辨认方法
CN107018384B (zh) 全景和精准图像及球冠栅格适应性鸟鸣声一体化自动监测跟踪方法

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190906

RJ01 Rejection of invention patent application after publication