CN111160125B - 基于铁路监控的铁路异物入侵检测方法 - Google Patents

基于铁路监控的铁路异物入侵检测方法 Download PDF

Info

Publication number
CN111160125B
CN111160125B CN201911267535.4A CN201911267535A CN111160125B CN 111160125 B CN111160125 B CN 111160125B CN 201911267535 A CN201911267535 A CN 201911267535A CN 111160125 B CN111160125 B CN 111160125B
Authority
CN
China
Prior art keywords
foreign matter
image
railway
rectangular
area
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
Application number
CN201911267535.4A
Other languages
English (en)
Other versions
CN111160125A (zh
Inventor
秦勇
曹志威
谢征宇
张萼辉
柳青红
孙雨萌
李传
李永玲
吴志宇
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.)
Beijing Jiaotong University
Original Assignee
Beijing Jiaotong University
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 Beijing Jiaotong University filed Critical Beijing Jiaotong University
Priority to CN201911267535.4A priority Critical patent/CN111160125B/zh
Publication of CN111160125A publication Critical patent/CN111160125A/zh
Application granted granted Critical
Publication of CN111160125B publication Critical patent/CN111160125B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06V20/52—Surveillance or monitoring of activities, e.g. for recognising suspicious objects
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • 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
    • G06V10/28—Quantising the image, e.g. histogram thresholding for discrimination between background and foreground patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V20/00—Scenes; Scene-specific elements
    • G06V20/40—Scenes; Scene-specific elements in video content
    • G06V20/41—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items
    • G06V20/42—Higher-level, semantic clustering, classification or understanding of video scenes, e.g. detection, labelling or Markovian modelling of sport events or news items of sport video content
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V2201/00—Indexing scheme relating to image or video recognition or understanding
    • G06V2201/07—Target detection

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Multimedia (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种基于铁路监控的铁路异物入侵检测方法。该方法包括：利用已知的铁路场景下的监控视频的包含异物入侵的原始图像训练YOLOv3，得到训练完成的模型权重，获取待监测的铁路场景下的监控视频，从监控视频中提取一系列的待监测的原始图像，通过现有的高斯混合模型对待监测的原始图像进行处理，输出的二值图像依次使用形态学处理、阈值自适应和非极大值抑制算法处理，获取包含异物入侵的图像区域；将包含异物入侵的图像区域输入YOLOv3中，该YOLOv3根据训练完成的模型权重输出相应的原始图像中的异物类型和异物定位位置信息。本发明降低了高斯混合算法带来的误报率，提高了YOLOv3算法在远距离目标或和小目标上的检测效果，可以有效地监测出铁路异物入侵。

Description

基于铁路监控的铁路异物入侵检测方法
技术领域
本发明涉及图像处理技术领域，尤其涉及一种基于铁路监控的铁路异物入侵检测方法。
背景技术
截至2018年底，中国铁路运营里程达13.1万公里，其中高铁运营里程2.9万里程。随着铁路的大规模提速，铁路周界安全问题日益凸显。铁路周界异物入侵行为会造成铁路运输大面积晚点，甚至重大人员伤亡及经济损失。针对铁路沿线及相关设施的破坏活动时有发生，给铁路运营安全带来了严重的隐患和威胁，铁路周界安全问题成为铁路安全管理工作的重中之重。目前，铁路管理部门针对铁路周界安全已采用多种技防手段，其中，基于视频监控的周界入侵行为检测是目前采用的主要检测手段。随着视频监控数据的***性增长和更高的安全要求，目前的视频分析方法难以满足远距离或者小目标检测的需求。
应用在铁路监控的异物入侵检测方法可以分为两种：一种方法是基于背景建模的运动目标检测算法，如静态差分、高斯混合模型和ViBe算法。这类算法需要建立背景模型，符合背景模型的像素点即为背景，同时作为背景输入更新背景模型，不符合背景模型的像素点为前景，即检测目标。基于背景建模的算法具有运算速度快、泛化性好的优点，但是缺点在于误报率高，对与周围环境相似、远距离和像素点较小的目标的检测效果差；
另一种方法是基于深度学习的目标检测算法，如Faster RCNN、SSD和YOLOv3。基于深度学习的目标检测算法不依赖视频帧之间的信息，可以对单幅图像进行目标检测。首先建立图像数据集，主要工作是标注图像中的待检测目标，然后构建基于深度学习的目标检测算法，最后使用图像数据集训练目标检测算法，得到的模型即可用于检测目标。基于深度学习的目标检测算法的优点在于检测精度高、误报率低，缺点在于对远距离和像素点较小的目标检测效果差，占用计算机资源多。
发明内容
本发明的实施例提供了一种基于铁路监控的铁路异物入侵检测方法，以实现有效地监测出铁路异物入侵。
为了实现上述目的，本发明采取了如下技术方案。
一种基于铁路监控的铁路异物入侵检测方法，利用已知的铁路场景下的监控视频的包含异物入侵的原始图像训练YOLOv3，得到训练完成的模型权重，包括：
获取待监测的铁路场景下的监控视频，从监控视频中提取一系列的待监测的原始图像，通过高斯混合模型对所述待监测的原始图像进行处理，高斯混合模型输出的二值图像结果依次使用形态学处理、阈值自适应和非极大值抑制处理，获取包含异物入侵的图像区域；
将所述包含异物入侵的图像区域输入YOLOv3中，YOLOv3根据训练完成的模型权重输出相应的原始图像中的异物类型和异物定位位置信息。
优选地，所述的利用已知的铁路场景下的监控视频的包含异物入侵的原始图像训练YOLOv3，得到训练完成的模型权重，包括：
获取已知的铁路场景下的监控视频，从监控视频中提取一系列已知的包含异物入侵的原始图像，从各个原始图像中提取含有异物入侵的图像，标注图像中的异物入侵类型，利用所有标注了异物的图像构建铁路图像训练数据集，得到训练完成的模型权重。
优选地，所述的通过高斯混合模型对所述待监测的原始图像进行处理，高斯混合模型输出的二值图像结果依次使用形态学处理、阈值自适应和非极大值抑制处理，获取包含异物入侵的矩形框图像区域，包括：
通过高斯混合模型处理对所述待监测的原始图进行处理，对高斯混合模型输出的二值图像进行形态学处理，所述形态学处理包括开运算和闭运算操作，开运算使用3*3的卷积核，卷积核中的值均为1，闭运算使用5*5的卷积核，卷积核中的值均为1；
将所述二值图像按照真实图像从远至近等分为三部分，每一部分图像设置单独的阈值，距离越远阈值越小；
根据设置的阈值发现二值图像中的动态前景，计算动态前景的中心点坐标，并设置a*a的矩形框对中心点坐标进行标记，所述矩形框中包括中心点，每个动态前景对应一个矩形框；
使用非极大值抑制算法对各个矩形框进行筛选，筛选占据动态前景面积满足要求的矩形框，并在原始图像上截取筛选出的矩形框的图像区域，将这些矩形框的图像区域作为包含异物入侵的图像区域。
优选地，所述的从远至近的三部分的图像阈值设置为t，2t和3t，t由实际铁路监控图像的分辨率确定：
Figure BDA0002313291080000031
其中h和w是原始图像的长和宽。优选地，矩形框左上角坐标为：
Figure BDA0002313291080000032
其中h和w是原始图像的长和宽，x和y是运动前景的中心点坐标，x′和y′y是矩形框的左上角坐标。每个动态前景对应一个矩形框。
优选地，所述的使用非极大值抑制算法对各个矩形框进行筛选，选出占据动态前景面积满足要求的矩形框，包括：
设置非极大值抑制算法的交并比为0.5，首先计算出所有矩形框的面积，对所有矩形框的运动前景面积进行从小到大排序，取出最大运动前景面积的矩形框，依次遍历计算最小运动前景面积的矩形框到次大运动前景面积的矩形框与最大面积的矩形框之间的交叉面积，计算所述交叉面积与矩形框面积之间的比例，若该比例超过交并比，把这一矩形框抑制删除，将剩下的矩形框确认为占据动态前景面积满足要求的矩形框。
由上述本发明的实施例提供的技术方案可以看出，本发明实施例提出的基于铁路监控的铁路异物入侵检测方法的融合算法利用高斯混合模型尽可能地利用了视频帧的信息，将检测的前景目标不做图像尺寸变化直接输入YOLO算法，保存了更多图像原始信息，融合算法既降低了高斯混合算法带来的误报率，又提高了YOLO算法在远距离目标或和小目标上的检测效果，可以有效的监测出铁路异物入侵。
本发明附加的方面和优点将在下面的描述中部分给出，这些将从下面的描述中变得明显，或通过本发明的实践了解到。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明实施例提供的一种基于铁路监控的铁路异物入侵检测方法的实现原理示意图。
图2是本发明实施例提供的一种基于铁路监控的铁路异物入侵检测方法的处理流程图。
具体实施方式
下面详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件、组件和/或它们的组。应该理解，当我们称元件被“连接”或“耦接”到另一元件时，它可以直接连接或耦接到其他元件，或者也可以存在中间元件。此外，这里使用的“连接”或“耦接”可以包括无线连接或耦接。这里使用的措辞“和/或”包括一个或更多个相关联的列出项的任一单元和全部组合。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
为便于对本发明实施例的理解，下面将结合附图以几个具体实施例为例做进一步的解释说明，且各个实施例并不构成对本发明实施例的限定。
本发明实施例提供了一种基于铁路监控的异物入侵实时检测方法，该方法的实现原理示意图如图1所示，具体处理流程如图2所示，包括以下步骤：
步骤21，获取已知的铁路场景下的监控视频，从监控视频中提取一系列已知的包含异物入侵的原始图像，从各个原始图像中提取含有异物入侵的图像，标注图像中的异物入侵类型，利用所有标注了异物的图像构建铁路图像训练数据集。
步骤22，利用上述铁路图像训练数据集对YOLOv3(You Only Look Once第三版,目标检测算法)进行训练，得到训练完成的模型权重。
步骤23，获取待监测的铁路场景下的监控视频，从监控视频中提取一系列的待监测的原始图像，通过现有的高斯混合模型对待监测的原始图像进行处理，输出的二值图像结果依次使用形态学处理、阈值自适应和非极大值抑制算法处理，获取包含异物入侵的图像区域。
步骤24、原YOLOv3算法需要缩小图像尺寸到一个固定值，损失了许多图像信息，本发明不需要改变图像尺寸，能够不损失任何有效信息。将包含异物入侵的矩形框图像区域输入YOLOv3中，YOLOv3根据训练完成的模型权重输出相应的原始图像中的异物类型和异物定位位置信息。例如：输入一张含有人的图像，YOLOv3直接对该图像进行卷积，提取图像特征，将这些图像特征与训练完成的模型权重进行对比，进而完成异物类型分类和异物位置定位，确定入侵的异物是人并定位。
所述步骤23具体包括以下步骤：
步骤23.1，通过现有的高斯混合模型处理上述原始图像，对输出二值图像进行形态学处理。形态学处理包括开运算和闭运算操作，开运算使用3*3的卷积核，卷积核中的值均为1，闭运算使用5*5的卷积核，卷积核中的值均为1；
步骤23.2，将二值图像按照真实图像从远至近等分为三部分，每一部分设置单独的阈值，距离越远阈值越小，从远至近的阈值设置为t，2t和3t，t由实际铁路监控图像的分辨率确定：
Figure BDA0002313291080000071
其中h和w是原始图像的长和宽；
步骤23.3，根据上述设置的阈值，使用findContours算法发现二值图像中的动态前景，动态前景即入侵的异物，
计算动态前景的中心点坐标，并设置a*a的矩形框对动态前景进行标记，上述矩形框中包括中心点。矩形框左上角坐标为：
Figure BDA0002313291080000072
其中h和w是原始图像的长和宽，x和y是运动前景的中心点坐标，x′和y′y是矩形框的左上角坐标。每个动态前景对应一个矩形框。
步骤23.4，使用非极大值抑制算法对各个矩形框进行筛选，选出占据动态前景面积较大的一些矩形框，并在原始图像上截取这些矩形框的图像区域。本发明使用非极大值抑制算法对矩形框进行筛选，设置交并比为0.5。非极大值抑制算法首先计算出所有矩形框的面积，对所有矩形框的运动前景面积进行从小到大排序，取出最大运动前景面积的矩形框。依次遍历计算最小运动前景面积的矩形框到次大运动前景面积的矩形框与最大面积的矩形框之间的交叉面积，计算上述交叉面积与矩形框面积之间的比例，若该比例超过交并比，把这一矩形框抑制删除。
为了验证本发明的有效性和优越性，选取两段铁路视频(提取2500张原始图像)进行验证。与现有的算法进行对比，具体包括高斯混合模型和YOLOv3。本发明采用漏报率和误报率衡量各种算法的异物入侵检测能力。漏报表示异物入侵铁路周界，目标检测算法没有报警，漏报率指漏报数占所有入侵次数的百分比。误报表示非异物入侵周界产生的报警，误报率指误报数占报警数的百分比。误报率和漏报率均越小越好。
表1目标检测算法在测试图像的误报率和漏报率的对比
Figure BDA0002313291080000081
由表1可以看出，高斯混合模型漏报率较低，但误报率过高，YOLOv3算法的误报率非常高，误报率很低。通过合理融合两种算法，本发明的漏报率和误报率均取得很好的结果，尤其是漏报率实现非常好的结果。
综上所述，本发明实施例提出的基于铁路监控的铁路异物入侵检测方法的融合算法利用高斯混合模型尽可能地利用了视频帧的信息，将检测的前景目标不做图像尺寸变化直接输入YOLO算法，保存了更多图像原始信息，融合算法既降低了高斯混合算法带来的误报率，又提高了YOLO算法在远距离目标或和小目标上的检测效果，可以有效的监测出铁路异物入侵。
本发明使用非极大值抑制算法过滤重复前景目标，本方法与其他方法相比，占用的计算机资源更小，检测铁路异物入侵的准确率更高、误报率更低，尤其提高了远距离目标和小目标的检测准确率。
本领域普通技术人员可以理解：附图只是一个实施例的示意图，附图中的模块或流程并不一定是实施本发明所必须的。
通过以上的实施方式的描述可知，本领域的技术人员可以清楚地了解到本发明可借助软件加必需的通用硬件平台的方式来实现。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例或者实施例的某些部分所述的方法。
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置或***实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。以上所描述的装置及***实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述，仅为本发明较佳的具体实施方式，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，可轻易想到的变化或替换，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该以权利要求的保护范围为准。

Claims (5)

1.一种基于铁路监控的铁路异物入侵检测方法，其特征在于，利用已知的铁路场景下的监控视频的包含异物入侵的原始图像训练YOLOv3，得到训练完成的模型权重，包括：
获取待监测的铁路场景下的监控视频，从监控视频中提取一系列的待监测的原始图像，通过高斯混合模型对所述待监测的原始图像进行处理，高斯混合模型输出的二值图像结果依次使用形态学处理、阈值自适应和非极大值抑制处理，获取包含异物入侵的图像区域；
将所述包含异物入侵的图像区域输入YOLOv3中，YOLOv3根据训练完成的模型权重输出相应的原始图像中的异物类型和异物定位位置信息；
所述的通过高斯混合模型对所述待监测的原始图像进行处理，高斯混合模型输出的二值图像结果依次使用形态学处理、阈值自适应和非极大值抑制处理，获取包含异物入侵的矩形框图像区域，包括：
通过高斯混合模型处理对所述待监测的原始图进行处理，对高斯混合模型输出的二值图像进行形态学处理，所述形态学处理包括开运算和闭运算操作，开运算使用3*3的卷积核，卷积核中的值均为1，闭运算使用5*5的卷积核，卷积核中的值均为1；
将所述二值图像按照真实图像从远至近等分为三部分，每一部分图像设置单独的阈值，距离越远阈值越小；
根据设置的阈值发现二值图像中的动态前景，计算动态前景的中心点坐标，并设置a*a的矩形框对中心点坐标进行标记，所述矩形框中包括中心点，每个动态前景对应一个矩形框；
使用非极大值抑制算法对各个矩形框进行筛选，筛选占据动态前景面积满足要求的矩形框，并在原始图像上截取筛选出的矩形框的图像区域，将这些矩形框的图像区域作为包含异物入侵的图像区域。
2.根据权利要求1所述的方法，其特征在于，所述的利用已知的铁路场景下的监控视频的包含异物入侵的原始图像训练YOLOv3，得到训练完成的模型权重，包括：
获取已知的铁路场景下的监控视频，从监控视频中提取一系列已知的包含异物入侵的原始图像，从各个原始图像中提取含有异物入侵的图像，标注图像中的异物入侵类型，利用所有标注了异物的图像构建铁路图像训练数据集，得到训练完成的模型权重。
3.根据权利要求1所述的方法，其特征在于，所述的从远至近的三部分的图像阈值设置为t，2t和3t，t由实际铁路监控图像的分辨率确定：
Figure FDA0004174491170000021
其中h和w是原始图像的长和宽。
4.根据权利要求1所述的方法，其特征在于，矩形框左上角坐标为：：
Figure FDA0004174491170000022
其中h和w是原始图像的长和宽，x和y是运动前景的中心点坐标，x′和y′y是矩形框的左上角坐标，每个动态前景对应一个矩形框。
5.根据权利要求1所述的方法，其特征在于，所述的使用非极大值抑制算法对各个矩形框进行筛选，选出占据动态前景面积满足要求的矩形框，包括：
设置非极大值抑制算法的交并比为0.5，首先计算出所有矩形框的面积，对所有矩形框的运动前景面积进行从小到大排序，取出最大运动前景面积的矩形框，依次遍历计算最小运动前景面积的矩形框到次大运动前景面积的矩形框与最大面积的矩形框之间的交叉面积，计算所述交叉面积与矩形框面积之间的比例，若该比例超过交并比，把这一矩形框抑制删除，将剩下的矩形框确认为占据动态前景面积满足要求的矩形框。
CN201911267535.4A 2019-12-11 2019-12-11 基于铁路监控的铁路异物入侵检测方法 Active CN111160125B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911267535.4A CN111160125B (zh) 2019-12-11 2019-12-11 基于铁路监控的铁路异物入侵检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911267535.4A CN111160125B (zh) 2019-12-11 2019-12-11 基于铁路监控的铁路异物入侵检测方法

Publications (2)

Publication Number Publication Date
CN111160125A CN111160125A (zh) 2020-05-15
CN111160125B true CN111160125B (zh) 2023-06-30

Family

ID=70556999

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911267535.4A Active CN111160125B (zh) 2019-12-11 2019-12-11 基于铁路监控的铁路异物入侵检测方法

Country Status (1)

Country Link
CN (1) CN111160125B (zh)

Families Citing this family (15)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111598024B (zh) * 2020-05-20 2023-04-07 中铁二院工程集团有限责任公司 一种基于图像的铁路限界区域识别方法
CN111951601B (zh) * 2020-08-05 2021-10-26 智慧互通科技股份有限公司 一种识别配送车辆停放位置的方法及装置
CN112257492A (zh) * 2020-08-27 2021-01-22 重庆科技学院 一种多路摄像头实时入侵检测与跟踪方法
CN112149676B (zh) * 2020-09-11 2024-04-30 中国铁道科学研究院集团有限公司 一种铁路货物装载状态图像的小目标检测处理方法
CN112200014A (zh) * 2020-09-16 2021-01-08 中国石油大学(华东) 一种基于somd的室外电力场景下异物入侵检测算法
CN112418109B (zh) * 2020-11-26 2024-05-14 复旦大学附属中山医院 一种图像处理方法、装置
CN112686107A (zh) * 2020-12-21 2021-04-20 中国铁道科学研究院集团有限公司电子计算技术研究所 隧道入侵物体检测方法及装置
CN112766073B (zh) * 2020-12-31 2022-06-10 贝壳找房(北京)科技有限公司 表格提取方法、装置、电子设备及可读存储介质
CN112668496A (zh) * 2020-12-31 2021-04-16 深圳市商汤科技有限公司 入侵检测方法、装置、设备及存储介质
CN112766137B (zh) * 2021-01-14 2023-02-10 华南理工大学 一种基于深度学习的动态场景异物入侵检测方法
CN113469086B (zh) * 2021-07-09 2023-06-06 上海智臻智能网络科技股份有限公司 建筑平面图中的区域划分方法、装置、设备及介质
CN113469087B (zh) * 2021-07-09 2023-05-16 上海智臻智能网络科技股份有限公司 建筑图纸中的图框检测方法、装置、设备及介质
CN113837087B (zh) * 2021-09-24 2023-08-29 上海交通大学宁波人工智能研究院 一种基于YOLOv3的动物目标检测***和方法
CN116468729B (zh) * 2023-06-20 2023-09-12 南昌江铃华翔汽车零部件有限公司 一种汽车底盘异物检测方法、***及计算机
CN116485799B (zh) * 2023-06-25 2023-09-15 成都考拉悠然科技有限公司 铁路轨道异物覆盖的检测方法及***

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9584814B2 (en) * 2014-05-15 2017-02-28 Intel Corporation Content adaptive background foreground segmentation for video coding
US9443142B2 (en) * 2014-07-24 2016-09-13 Exelis, Inc. Vision-based system for dynamic weather detection
CN107507223A (zh) * 2017-07-28 2017-12-22 武汉工程大学 动态环境下基于多特征聚类匹配的目标跟踪方法
CN108846335B (zh) * 2018-05-31 2021-07-30 武汉市蓝领英才科技有限公司 基于视频图像的智慧工地区域管理及入侵检测方法、***
CN109858436B (zh) * 2019-01-29 2020-11-27 中国科学院自动化研究所 基于视频动态前景掩膜的目标类别修正方法、检测方法
CN110532889B (zh) * 2019-08-02 2022-08-16 南京理工大学 基于旋翼无人飞行器和YOLOv3的轨道异物检测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
A Pedestrian Detection Method Based on YOLOv3 Model and Image Enhanced by Retinex;Hongquan Qu等;《2018 11th International Congress on Image and Signal Processing, BioMedical Engineering and Informatics(CISP-BMEI)》;全文 *
基于高清视频的高速铁路周界入侵预警技术研究;张萼辉;;中国铁路(第07期);全文 *

Also Published As

Publication number Publication date
CN111160125A (zh) 2020-05-15

Similar Documents

Publication Publication Date Title
CN111160125B (zh) 基于铁路监控的铁路异物入侵检测方法
Jain et al. Weapon detection using artificial intelligence and deep learning for security applications
CN107527009B (zh) 一种基于yolo目标检测的遗留物检测方法
CN103678299B (zh) 一种监控视频摘要的方法及装置
CN103745230B (zh) 一种自适应群体异常行为分析方法
CN110781853B (zh) 人群异常检测方法以及相关装置
CN105389567A (zh) 基于稠密光流直方图的群体异常检测方法
CN110659391A (zh) 一种视频侦查方法及装置
CN105631418A (zh) 一种人数统计的方法和装置
CN104732236B (zh) 一种基于分层处理的人群异常行为智能检测方法
CN107480653A (zh) 基于计算机视觉的客流量检测方法
KR101472674B1 (ko) 군중 궤적 추출을 이용한 비정상 행동 검출에 기초한 영상 감시 방법 및 영상 감시 장치
Ketcham et al. The intruder detection system for rapid transit using CCTV surveillance based on histogram shapes
Malhi et al. Vision based intelligent traffic management system
CN112560641A (zh) 基于视频的双向客流通道中的单向客流信息检测方法
CN109299700A (zh) 基于人群密度分析的地铁群体异常行为检测方法
Xia et al. Vision-based traffic accident detection using matrix approximation
Bora et al. Human suspicious activity detection system using CNN model for video surveillance
CN114373162A (zh) 用于变电站视频监控的危险区域人员入侵检测方法及***
CN105740814B (zh) 一种使用视频分析确定固废危废存放状态的方法
Manninen et al. Multi-stage deep learning networks for automated assessment of electricity transmission infrastructure using fly-by images
Feng et al. Improved Pedestrian Fall Detection Model Based on YOLOv5
CN109063544A (zh) 一种泥头车检测的方法、***、计算机设备及存储介质
CN115797970B (zh) 基于YOLOv5模型的密集行人目标检测方法及***
CN111754477B (zh) 基于动态候选区多尺度图像的铁路周界异物入侵检测方法

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
GR01 Patent grant
GR01 Patent grant