CN110969103B - 一种基于ptz相机的高速公路路面病害长度测量方法 - Google Patents
一种基于ptz相机的高速公路路面病害长度测量方法 Download PDFInfo
- Publication number
- CN110969103B CN110969103B CN201911148337.6A CN201911148337A CN110969103B CN 110969103 B CN110969103 B CN 110969103B CN 201911148337 A CN201911148337 A CN 201911148337A CN 110969103 B CN110969103 B CN 110969103B
- Authority
- CN
- China
- Prior art keywords
- image
- pixel
- length
- road surface
- value
- 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.)
- Active
Links
- 201000010099 disease Diseases 0.000 title claims abstract description 62
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 title claims abstract description 62
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000007547 defect Effects 0.000 claims abstract description 14
- 238000000605 extraction Methods 0.000 claims abstract description 12
- 230000000007 visual effect Effects 0.000 claims abstract description 9
- 238000005259 measurement Methods 0.000 claims abstract description 7
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000009434 installation Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 15
- 238000001514 detection method Methods 0.000 description 14
- 238000010586 diagram Methods 0.000 description 5
- 238000000691 measurement method Methods 0.000 description 4
- INJRKJPEYSAMPD-UHFFFAOYSA-N aluminum;silicic acid;hydrate Chemical compound O.[Al].[Al].O[Si](O)(O)O INJRKJPEYSAMPD-UHFFFAOYSA-N 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 229910052850 kyanite Inorganic materials 0.000 description 3
- 239000010443 kyanite Substances 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000003384 imaging method Methods 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 210000000709 aorta Anatomy 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000003902 lesion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000002035 prolonged effect Effects 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/50—Context or environment of the image
- G06V20/56—Context or environment of the image exterior to a vehicle by using sensors mounted on the vehicle
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/26—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion
- G06V10/267—Segmentation of patterns in the image field; Cutting or merging of image elements to establish the pattern region, e.g. clustering-based techniques; Detection of occlusion by performing operations on regions, e.g. growing, shrinking or watersheds
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/40—Extraction of image or video features
- G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Length Measuring Devices By Optical Means (AREA)
- Traffic Control Systems (AREA)
- Image Analysis (AREA)
- Image Processing (AREA)
Abstract
本发明涉及一种基于PTZ相机的高速公路路面病害长度测量方法,具体包括以下步骤:步骤S1:获取不同视距下包含车道线的彩色的高速公路的路面图像;步骤S2:对获取的路面图像进行Harris角点特征提取,并对完成角点提取的路面图像进行直线段提取,获得对应的直线段图像;步骤S3:根据高速公路路面的直线段图像,计算不同视距下路面图像对应的像素精度;步骤S4:根据步骤S3中求出的像素精度,计算相应高速公路的路面图像中病害区域的图像病害长度,根据所述图像病害长度计算得到病害区域的物理长度,实现高速公路路面的病害长度测量。与现有技术相比,本发明具有高效测量路面病害长度、降低高速公路路面养护成本、提高路面病害维修时效性等优点。
Description
技术领域
本发明涉及路面病害检测领域,尤其是涉及一种基于PTZ相机的高速公路路面病害长度测量方法。
背景技术
我国国民经济的不断发展提升了交通运输在国民经济和社会中的显著地位,而作为交通运输主动脉的高速公路,更得到了快速的发展。随着高速公路修建量的增加,高速公路养护成为交通管理部门日渐关注的重点。路面病害检测可以很好地保障高速公路养护的实效性。目前,高速公路路面病害的严重程度主要由病害区域的长度评估。自动高效的路面病害检测技术在高速公路养护***中起到重要作用,能够辅助高速公路养护人员实施正确的养护措施。而当小尺寸的检测病害得到及时修护,高速公路才能持续保持最佳的服务性能,同时提高路面的使用寿命,减少高速公路路面维护成本。因此,如何自动高效地对高速公路路面病害进行长度测量,成为目前路面病害检测领域具有重要现实意义的亟待解决问题之一。
过去的30年间,已经提出不少高速公路路面病害检测方法,促进了路面病害长度测量方法的发展。现有路面病害长度测量方法主要可分为人工方法与自动方法。其中,人工测量方法基于有经验的专家,通过步行或检测车方式,采用先进的路面探测装置对路面病害进行评估并量化其尺寸;典型的方法包括罗盘测量方法、平面测量方法以及离线数据分析方法。这种基于人工测量方式的路面病害长度测量方法不仅耗时较多、精度低,更难于满足现有高速公路养护工作的高时效性需求。因此,近年来不少研究人员都提出了路面病害长度测量的自动化测量方法,例如基于高速公路巡检测车对采集到在多源路面病害数据融合,进行病害检测与长度测量,同时有研究提出了一种基于深度学习的高速公路路面病害检测技术,采用少量的标注样本实现了高精度的路面病害检测与尺寸测量。然而,目前已实现的高速公路路面病害自动检测技术均是基于移动式装置,如巡检测车、移动手机等,无法直接测量出病害与路面的距离信息,同时采集的图像缺乏完整性信息,进而无法满足路网级高速公路路面养护工作量需求。
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检测工具种类单一、无法满足路网级高速公路路面养护工作量需求的缺陷而提供一种基于PTZ相机的高速公路路面病害长度测量方法。
本发明的目的可以通过以下技术方案来实现:
一种基于PTZ相机的高速公路路面病害长度测量方法,具体包括以下步骤:
步骤S1:获取不同视距下包含车道线的彩色的高速公路的路面图像;
步骤S2:对步骤S1中获取的路面图像进行Harris角点特征提取,并对完成角点提取的路面图像进行直线段提取,获得高速公路路面的直线段图像;
步骤S3:根据步骤S2中的高速公路路面的直线段图像,计算不同视距下高速公路的路面图像对应的像素精度;
步骤S4:根据不同视距下高速公路的路面图像对应的像素精度,计算相应高速公路的路面图像中病害区域的图像病害长度,根据所述图像病害长度计算得到病害区域的物理长度,实现高速公路路面的病害长度测量。
所述直线段的类型包括竖直线型、水平线型、左对角线型和右对角线型。
所述竖直线型和水平线型的直线段为路面图像的角点确定的直线段的侯选区域中的中位线,所述左对角线型和右对角线型的直线段为路面图像的角点确定的直线段的侯选区域中的对角线。
所述步骤S2具体包括:
步骤S201:选择所述角点确定的直线段的侯选区域内,对角线或中位线上一点P作为中心点;
步骤S202:以步骤S201中选择的点P为中心,在半径为r的邻域边缘上,按逆时针方向依次确定四个边缘像素点C1、C2、C3和C4,其中C1、C3的连线与C2、C4的连线互相垂直,对所述四个像素点进行二值转换,具体转换公式如下:
其中,Ci为边缘像素点,I(xi,yi)为边缘像素点对应的图像像素值,I(ximod4+1,yimod4+1)表示将边缘像素点循环右移时相邻位对应的图像像素值,T为设定的减少图像噪声干扰的边缘阈值;
重复执行上述计算步骤,直至完成路面图像内所有直线段侯选区域内的像素二值转换,得到路面图像对应的二值图像;
步骤S203:统计路面图像的二值图像中1值像素的数量,以单个1值像素为中心1值像素点建立大小为k×k的窗口,统计窗口内所有与中心1值像素点相连的1值像素点,得到单个1值像素点对应的1值像素集合,根据所述1值像素集合计算出单个1值像素点对应的特征值,特征值计算公式具体如下:
其中,λ为单个1值像素点对应的特征值,cx为窗口内所有1值像素点横坐标的平均值,cy为窗口内所有1值像素点纵坐标的平均值,c11、c22、c12和c12为过程变量;
同时生成小特征值图像,具体生成公式为:
其中,T[ge(x,y)]为单个1值像素点对应的小特征值图像,ge(x,y)为窗口内的1值像素点,Fj为所有单个1值像素点对应的窗口1值像素点集合;
步骤S204:路面图像的二值图像中所有1值像素点执行步骤S203,生成最终的小特征值图像,并根据阈值化公式对所述小特征值图像进行阈值化,得到高速公路路面直线段图像。
所述阈值化公式具体为:
所述步骤S3具体为:
步骤S301:建立相机倾斜角、相机视距、图像上物体像素长度以及对应实际物体长度间的对应关系,具体对应关系如下所示:
其中,f为PTZ相机的焦距,α为PTZ相机中摄像机的倾斜角,li为路面图像中距离图像底部边界最近的直线段对应的像素长度,oli为li对应线段到图像中心像素的像素长度,si为与感光板平行平面的中心位置距离路面的物理距离,di为PTZ相机的视距;
步骤S302:根据步骤S204获取的高速公路路面直线段图像,提取距离图像底部边界最近的直线段并细化,得到直线段集,同时计算每条直线段距离图像中心像素的像素距离,结合步骤S301中的对应关系计算出路面图像的像素精度及其对应的PTZ相机的视距;
步骤S303:设定需要采集的路面图像的视距间隔,在不同视距下执行步骤S302,获得在不同视距下路面图像的像素精度。
所述路面图像的像素精度及其对应的PTZ相机的视距的计算公式具体如下:
其中,api为路面图像的像素精度,w为车道线规范标准宽度,m为直线段的数量。
所述病害区域的物理长度的计算公式具体如下:
cs={ls·api|di-1≤ds<di,i=1,k,2k,…,l/2
其中,cs为病害区域的物理长度,ls为图像病害长度,k为视距间隔,l为路侧PTZ相机的安装间隔,ds为PTZ相机的当前视距。
与现有技术相比,本发明具有以下有益效果:
1.本发明采用路侧监控***配备的PTZ相机,基于相机成像原理,采用图像处理方法对高速公路路面图像上病害进行实际长度测量,减少动态环境对图像处理算法干扰,且可快速应用于国内高速公路的路侧监控***,实现高效稳定的路面病害长度测量。
2.本发明借助高速公路路侧现有的高清摄像机设备即PTZ相机,无需额外的硬件成本投入,可节省高速公路路面养护成本。
3.本发明通过获取高速公路路面的彩色图像,计算不同相机视下图像的像素精度,通过计算不同视距下检测的病害图像区域的像素长度,测量病害的物理长度,实现了高速公路不同路段、不同视距下病害长度的统计,为高速公路路面养护人员提供科学参照,对超出养护需求范围的病害及时进行修补,及时获取高速公路最佳养护时期,保障了高速公路服务质量与使用性能。
附图说明
图1为本发明的流程示意图;
图2为本发明原理及应用场景的示意图;
图3为本发明角点确定的直线段类型的示意图;
图4为本发明直线段检测结果的示意图;
图5为本发明病害长度测量结果的示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
如图1所示,一种基于PTZ相机的高速公路路面病害长度测量方法,具体包括以下步骤:
步骤S1:获取不同视距下包含车道线的彩色的高速公路的路面图像;
步骤S2:对步骤S1中获取的路面图像进行Harris角点特征提取,并对完成角点提取的路面图像进行直线段提取,获得高速公路路面的直线段图像;
步骤S3:根据步骤S2中的高速公路路面的直线段图像,计算不同视距下高速公路的路面图像对应的像素精度;
步骤S4:根据不同视距下高速公路的路面图像对应的像素精度,计算相应高速公路的路面图像中病害区域的图像病害长度,根据所述图像病害长度计算得到病害区域的物理长度,实现高速公路路面的病害长度测量。
如图3所示,直线段的类型包括竖直线型、水平线型、左对角线型和右对角线型,竖直线型和水平线型的直线段为路面图像的角点确定的直线段的侯选区域中的中位线,所述左对角线型和右对角线型的直线段为路面图像的角点确定的直线段的侯选区域中的对角线。
步骤S2具体包括:
步骤S201:根据角点的定义,确定图像角点间存在图像中的直线段信息,即每确定图像中的一个角点,该角点附近至少存在两条方向不同的线段或边缘,基于高速公路路面图像提取的角点序列,进行直线段侯选区域确定,并选择侯选区域内对角线或中位线上一点P作为中心点;
步骤S202:以步骤S201中选择的点P为中心,在半径为r的邻域边缘上,按逆时针方向依次确定四个边缘像素点C1、C2、C3和C4,其中C1、C3的连线与C2、C4的连线互相垂直,对四个像素点进行二值转换,具体转换公式如下:
其中,Ci为边缘像素点,I(xi,yi)为边缘像素点对应的图像像素值,I(ximod4+1,yimod4+1)表示将边缘像素点循环右移时相邻位对应的图像像素值,T为设定的减少图像噪声干扰的边缘阈值;
重复执行上述计算步骤,直至完成路面图像内所有直线段侯选区域内的像素二值转换,得到路面图像对应的二值图像;
步骤S203:统计路面图像的二值图像中1值像素的数量,对于1值像素pi(i=1,2,…,J),以单个1值像素为中心1值像素点建立大小为k×k的窗口,统计窗口内所有与中心1值像素点相连的1值像素点,得到单个1值像素点对应的1值像素集合Fi={pi(xi,yi)|i=1,2,…,n},根据1值像素集合计算出单个1值像素点对应的特征值,特征值计算公式具体如下:
其中,λ为单个1值像素点对应的特征值,cx为窗口内所有1值像素点横坐标的平均值,cy为窗口内所有1值像素点纵坐标的平均值,c11、c22、c12和c12为过程变量;
同时生成小特征值图像,具体生成公式为:
其中,T[ge(x,y)]为单个1值像素点对应的小特征值图像,ge(x,y)为窗口内的1值像素点,Fj为所有单个1值像素点对应的窗口1值像素点集合;
步骤S204:路面图像的二值图像中所有1值像素点执行步骤S203,生成最终的小特征值图像,并根据阈值化公式对小特征值图像进行阈值化,得到高速公路路面直线段图像,如图4所示为采用本发明提出的直线段检测方法对京石高速公路路面图像进行直线段检测的结果,图4(a)对应的相机视距为157m,图4(b)对应的相机视距为227m。
阈值化公式具体为:
步骤S3具体为:
步骤S301:建立相机倾斜角、相机视距、图像上物体像素长度以及对应实际物体长度间的对应关系,具体对应关系如下所示:
其中,f为PTZ相机的焦距,α为PTZ相机中摄像机的倾斜角,即成像感光板(CCD/CMOS)与路面垂线的夹角,li为路面图像中距离图像底部边界最近的直线段对应的像素长度,oli为li对应线段到图像中心像素的像素长度,si为与感光板平行平面的中心位置距离路面的物理距离,di为PTZ相机的视距;
如图2所示,与感光板平行平面为虚拟平面,真实情况下难以直接计算得到,因此无法直接获取该虚拟平面与路面的切线位置,根据路面在图像上投影由图像底部至顶部呈非线性拉伸,因此选择高速公路路面图像上距离图像底部最近的直线段,即图2中获取图像区域内竖直虚线段对应的像素长度li近似作为与感光板平行平面与路面切线在图像上投影时与车道线在水平方向上的交集线段对应的像素长度;
步骤S302:根据步骤S204获取的高速公路路面直线段图像,提取距离图像底部边界最近的直线段,如图2所示的直线段l1,l2,l3并细化,得到直线段集li(i=1,2,…m),同时计算每条直线段距离图像中心像素的像素距离oli(i=1,2,…m),结合步骤S301中的对应关系计算出路面图像的像素精度及其对应的PTZ相机的视距,路面图像的像素精度及其对应的PTZ相机的视距的计算公式具体如下:
其中,api为路面图像的像素精度,w为车道线规范标准宽度,m为直线段的数量;
步骤S303:以k作为相机视距间隔,依次采集不同相机视距di(i=k,i=2k,…,l/2)对应的高速公路路面图像,在不同视距下执行步骤S302,统计di(i=k,i=2k,…,l/2)对应的路面图像的像素精度,得到不同相机视距下的像素精度AP={api|i=1,k,2k,…,l/2},如表1所示为京石高速公路某路段采集到的路面图像计算得到的路侧PTZ相机视距对应路面图像像素精度统计结果,表1具体内容如下所示:
表1京石高速公路某路段相机视距与路面图像像素精度对照表
步骤S4具体为对给定视距ds下采集的包含病害的高速公路路面图像进行病害检测,得到病害区域,并计算病害区域对应的图像病害长度,根据图像病害长度计算得到病害区域的物理长度,病害区域的物理长度的计算公式具体如下:
cs={ls·api|di-1≤ds<di,i=1,k,2k,…,l/2
其中,cs为病害区域的物理长度,ls为图像病害长度,k为视距间隔,l为路侧PTZ相机的安装间隔,ds为PTZ相机的当前视距;
如图5所示为15米与40米的相机视距下采集的京石高速公路路面图像,其中图5(a)中病害区域的物理长度为148.59mm,图5(b)中病害区域的物理长度为476.95mm。
此外,需要说明的是,本说明书中所描述的具体实施例,所取名称可以不同,本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等小变化或者简单变化,均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法,只要不偏离本发明的结构或者超越本权利要求书所定义的范围,均应属于本发明的保护范围。
Claims (5)
1.一种基于PTZ相机的高速公路路面病害长度测量方法,其特征在于,具体包括以下步骤:
步骤S1:获取不同视距下包含车道线的彩色的高速公路的路面图像;
步骤S2:对步骤S1中获取的路面图像进行Harris角点特征提取,并对完成角点提取的路面图像进行直线段提取,获得高速公路路面的直线段图像;
步骤S3:根据步骤S2中的高速公路路面的直线段图像,计算不同视距下高速公路的路面图像对应的像素精度;
步骤S4:根据不同视距下高速公路的路面图像对应的像素精度,计算相应高速公路的路面图像中病害区域的图像病害长度,根据所述图像病害长度计算得到病害区域的物理长度,实现高速公路路面的病害长度测量;
所述步骤S3具体为:
步骤S301:建立相机倾斜角、相机视距、图像上物体像素长度以及对应实际物体长度间的对应关系,具体对应关系如下所示:
其中,f为PTZ相机的焦距,α为PTZ相机中摄像机的倾斜角,li为路面图像中距离图像底部边界最近的直线段对应的像素长度,oli为li对应线段到图像中心像素的像素长度,si为与感光板平行平面的中心位置距离路面的物理距离,di为PTZ相机的视距,w为车道线规范标准宽度;
步骤S302:根据步骤S204获取的高速公路路面直线段图像,提取距离图像底部边界最近的直线段并细化,得到直线段集,同时计算每条直线段距离图像中心像素的像素距离,结合步骤S301中的对应关系计算出路面图像的像素精度及其对应的PTZ相机的视距;
步骤S303:设定需要采集的路面图像的视距间隔,在不同视距下执行步骤S302,获得在不同视距下路面图像的像素精度;
所述路面图像的像素精度及其对应的PTZ相机的视距的计算公式具体如下:
其中,api为路面图像的像素精度,w为车道线规范标准宽度,m为直线段的数量;
所述步骤S4具体为对给定视距ds下采集的包含病害的高速公路路面图像进行病害检测,得到病害区域,并计算病害区域对应的图像病害长度,根据图像病害长度计算得到病害区域的物理长度,病害区域的物理长度的计算公式具体如下:
cs={ls·api|di-1≤ds<di,i=1,k,2k,…,l/2}
其中,cs为病害区域的物理长度,ls为图像病害长度,k为视距间隔,l为路侧PTZ相机的安装间隔,ds为PTZ相机的当前视距。
2.根据权利要求1所述的一种基于PTZ相机的高速公路路面病害长度测量方法,其特征在于,所述直线段的类型包括竖直线型、水平线型、左对角线型和右对角线型。
3.根据权利要求2所述的一种基于PTZ相机的高速公路路面病害长度测量方法,其特征在于,所述竖直线型和水平线型的直线段为路面图像的角点确定的直线段的侯选区域中的中位线,所述左对角线型和右对角线型的直线段为路面图像的角点确定的直线段的侯选区域中的对角线。
4.根据权利要求3所述的一种基于PTZ相机的高速公路路面病害长度测量方法,其特征在于,所述步骤S2具体包括:
步骤S201:选择角点确定的直线段的侯选区域内,对角线或中位线上一点P作为中心点;
步骤S202:以步骤S201中选择的点P为中心,在半径为r的邻域边缘上,按逆时针方向依次确定四个边缘像素点C1、C2、C3和C4,其中C1、C3的连线与C2、C4的连线互相垂直,对所述四个像素点进行二值转换,具体转换公式如下:
其中,Ci为边缘像素点,I(xi,yi)为边缘像素点对应的图像像素值,I(ximod4+1,yimod4+1)表示将边缘像素点循环右移时相邻位对应的图像像素值,T为设定的减少图像噪声干扰的边缘阈值;
重复执行上述计算步骤,直至完成路面图像内所有直线段侯选区域内的像素二值转换,得到路面图像对应的二值图像;
步骤S203:统计路面图像的二值图像中1值像素的数量,以单个1值像素为中心1值像素点建立大小为k×k的窗口,统计窗口内所有与中心1值像素点相连的1值像素点,得到单个1值像素点对应的1值像素集合,根据所述1值像素集合计算出单个1值像素点对应的特征值,特征值计算公式具体如下:
其中,λ为单个1值像素点对应的特征值,cx为窗口内所有1值像素点横坐标的平均值,cy为窗口内所有1值像素点纵坐标的平均值,c11、c22、c12和c21为过程变量;
同时生成小特征值图像,具体生成公式为:
其中,T[ge(x,y)]为单个1值像素点对应的小特征值图像,ge(x,y)为窗口内的1值像素点,Fj为所有单个1值像素点对应的窗口1值像素点集合;
步骤S204:路面图像的二值图像中所有1值像素点执行步骤S203,生成最终的小特征值图像,并根据阈值化公式对所述小特征值图像进行阈值化,得到高速公路路面直线段图像。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911148337.6A CN110969103B (zh) | 2019-11-21 | 2019-11-21 | 一种基于ptz相机的高速公路路面病害长度测量方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911148337.6A CN110969103B (zh) | 2019-11-21 | 2019-11-21 | 一种基于ptz相机的高速公路路面病害长度测量方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110969103A CN110969103A (zh) | 2020-04-07 |
CN110969103B true CN110969103B (zh) | 2021-05-11 |
Family
ID=70031162
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911148337.6A Active CN110969103B (zh) | 2019-11-21 | 2019-11-21 | 一种基于ptz相机的高速公路路面病害长度测量方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110969103B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114018932B (zh) * | 2021-11-02 | 2023-05-30 | 西安电子科技大学 | 基于矩形标定物的路面病害指标测量方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509291A (zh) * | 2011-10-31 | 2012-06-20 | 东南大学 | 基于无线网络视频传感器的公路路面病害检测及识别方法 |
CN103345542A (zh) * | 2013-06-05 | 2013-10-09 | 西安理工大学 | 一种基于三维可视化技术的桥梁病害标记方法 |
CN106053475A (zh) * | 2016-05-24 | 2016-10-26 | 浙江工业大学 | 基于主动式全景视觉的隧道病害全断面动态快速检测装置 |
CN106296691A (zh) * | 2016-08-11 | 2017-01-04 | 梁晓东 | 基于图像分析的路面病害识别方法 |
CN107633516A (zh) * | 2017-09-21 | 2018-01-26 | 武汉武大卓越科技有限责任公司 | 一种识别路面变形类病害的方法和装置 |
CN108733053A (zh) * | 2018-04-23 | 2018-11-02 | 上海圭目机器人有限公司 | 一种基于机器人的智能道路检测方法 |
CN109870456A (zh) * | 2019-02-01 | 2019-06-11 | 上海智能交通有限公司 | 一种路面健康状况快速检测***及方法 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103955923B (zh) * | 2014-04-18 | 2017-03-01 | 南京理工大学 | 一种快速的基于图像的路面病害检测方法 |
CN104021574B (zh) * | 2014-07-04 | 2016-12-07 | 武汉武大卓越科技有限责任公司 | 路面病害自动识别方法 |
US10480939B2 (en) * | 2016-01-15 | 2019-11-19 | Fugro Roadware Inc. | High speed stereoscopic pavement surface scanning system and method |
CN106677037B (zh) * | 2016-11-21 | 2020-11-27 | 同济大学 | 基于机器视觉的便携式沥青路面病害检测方法及装置 |
CN106778541B (zh) * | 2016-11-28 | 2019-08-13 | 华中科技大学 | 一种基于视觉的多层梁中外梁孔的识别与定位方法 |
CN107462223B (zh) * | 2017-08-08 | 2020-06-16 | 长安大学 | 一种公路转弯前行车视距自动测量装置及测量方法 |
CN107609486A (zh) * | 2017-08-16 | 2018-01-19 | 中国地质大学(武汉) | 一种车辆前向防撞预警方法及*** |
CN109934452A (zh) * | 2019-01-21 | 2019-06-25 | 上海同济检测技术有限公司 | 基于多源数据的道路舒适度评价方法 |
-
2019
- 2019-11-21 CN CN201911148337.6A patent/CN110969103B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102509291A (zh) * | 2011-10-31 | 2012-06-20 | 东南大学 | 基于无线网络视频传感器的公路路面病害检测及识别方法 |
CN103345542A (zh) * | 2013-06-05 | 2013-10-09 | 西安理工大学 | 一种基于三维可视化技术的桥梁病害标记方法 |
CN106053475A (zh) * | 2016-05-24 | 2016-10-26 | 浙江工业大学 | 基于主动式全景视觉的隧道病害全断面动态快速检测装置 |
CN106296691A (zh) * | 2016-08-11 | 2017-01-04 | 梁晓东 | 基于图像分析的路面病害识别方法 |
CN107633516A (zh) * | 2017-09-21 | 2018-01-26 | 武汉武大卓越科技有限责任公司 | 一种识别路面变形类病害的方法和装置 |
CN108733053A (zh) * | 2018-04-23 | 2018-11-02 | 上海圭目机器人有限公司 | 一种基于机器人的智能道路检测方法 |
CN109870456A (zh) * | 2019-02-01 | 2019-06-11 | 上海智能交通有限公司 | 一种路面健康状况快速检测***及方法 |
Non-Patent Citations (1)
Title |
---|
吉林省高速公路路面路基病害同步检测的技术研究;刘若川;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20160315(第3期);第C034-198页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110969103A (zh) | 2020-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11551341B2 (en) | Method and device for automatically drawing structural cracks and precisely measuring widths thereof | |
CN110197203B (zh) | 基于宽度学习神经网络的桥梁路面裂缝分类识别方法 | |
CN111932537B (zh) | 对象形变检测方法、装置、计算机设备和存储介质 | |
CN103630496B (zh) | 基于路面视亮度和最小二乘法的交通视频能见度检测方法 | |
CN101075376A (zh) | 基于多视点的智能视频交通监控***及方法 | |
CN112254656B (zh) | 一种基于结构表面点特征的立体视觉三维位移测量方法 | |
CN113011283B (zh) | 一种基于视频的非接触式钢轨轨枕相对位移实时测量方法 | |
CN112149649B (zh) | 一种道路抛洒物检测方法、计算机设备及存储介质 | |
CN111369495A (zh) | 一种基于视频的全景图像的变化检测方法 | |
CN111080640B (zh) | 一种孔洞检测方法、装置、设备和介质 | |
CN114298972A (zh) | 一种道路路面损坏程度的计算方法 | |
CN110969103B (zh) | 一种基于ptz相机的高速公路路面病害长度测量方法 | |
CN117036326A (zh) | 一种基于多模态融合的缺陷检测方法 | |
CN115330684A (zh) | 基于双目视觉与线结构光的水下构筑物表观缺陷检测方法 | |
Kong et al. | Detecting type and size of road crack with the smartphone | |
CN110969576A (zh) | 一种基于路侧ptz相机的高速公路路面图像拼接方法 | |
CN102622582B (zh) | 一种基于视频的道路行人事件检测方法 | |
CN116958218A (zh) | 一种基于标定板角点对齐的点云与图像配准方法及设备 | |
CN115457780B (zh) | 一种基于先验知识集合的车流量流速自动测算方法及*** | |
CN109697418B (zh) | 用于场景复原的针对遥感影像路网提取图像的后处理方法 | |
Laureshyn et al. | Automated video analysis as a tool for analysing road user behaviour | |
CN111307267A (zh) | 一种基于同心圆检测的导线舞动监测方法 | |
CN115810054A (zh) | 车辆轮胎花纹深度检测设备中一种多相机标定方法 | |
CN113469949B (zh) | 一种基于地理信息的输电通道内隐患测距的方法 | |
CN114359147A (zh) | 裂缝检测方法、装置、服务器及存储介质 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |