CN111507235A - 基于视频的铁路周界异物入侵检测方法 - Google Patents
基于视频的铁路周界异物入侵检测方法 Download PDFInfo
- Publication number
- CN111507235A CN111507235A CN202010285277.9A CN202010285277A CN111507235A CN 111507235 A CN111507235 A CN 111507235A CN 202010285277 A CN202010285277 A CN 202010285277A CN 111507235 A CN111507235 A CN 111507235A
- Authority
- CN
- China
- Prior art keywords
- algorithm
- railway
- intrusion
- suspected
- frame
- 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.)
- Granted
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 49
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 59
- 238000012544 monitoring process Methods 0.000 claims abstract description 8
- 238000000034 method Methods 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000001914 filtration Methods 0.000 claims description 7
- 230000009545 invasion Effects 0.000 claims description 5
- 238000005728 strengthening Methods 0.000 description 2
- 101100134058 Caenorhabditis elegans nth-1 gene Proteins 0.000 description 1
- 206010039203 Road traffic accident Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000007635 classification algorithm Methods 0.000 description 1
- 230000001427 coherent effect Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010339 dilation Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000009877 rendering Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 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
- G06V20/40—Scenes; Scene-specific elements in video content
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06V10/30—Noise filtering
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Image Analysis (AREA)
Abstract
本发明提供了一种基于视频的铁路周界异物入侵检测方法,用以解决克服铁路周界异物入侵检测方法消耗资源大、准确率不高的问题。所述铁路周界异物入侵检测方法,获取当前铁路周界监控视频图像并提取第N帧,采用KNN算法检测第N帧中的异物目标数n,并对满足预定条件的第i帧采用铁路场景YOLOv3模椟检测异物目标数m,再对m、n进行比较,输出检测目标数G=m=n或G=α×m+β×n。本发明入侵异物检测方法消耗的计算机资源小,检测漏报率低、准确率高,提高了识别的精确性;同时,在与YOLOv3算法检测准确率相同的前提下,降低了计算机内存使用情况,更具有可应用性。
Description
技术领域
本发明属于轨道交通安全领域,尤其涉及一种基于视频的铁路周界异物入侵检测方法。
背景技术
随着城市的发展,轨道交通在城市间的贸易往来、人口流动及各方面发挥着越来越重要的作用,轨道交通的安全运营是城市发展的重要保障。其中,列车在运营中可能出现的电路故障、信号故障以及交通事故,除了要通过加强审查来避免的铁路设备故障问题之外,还要通过加强铁路周界安全的检测与防护来避免异物入侵,以保障铁路周界的运行安全。
铁路视频监控是铁路周界异物入侵的重要检测方法,常见的运动目标检测方法有帧差法、背景建模法、光流法和深度学习算法。背景建模法是通过对背景建模,将当前获取的图像与背景图像做运算,该算法也由于实现容易、效果好、准确率高等特点在现场实际应用较多,包括混合高斯算法(GMM)、K-近邻算法(KNN)、视觉背景提取法(ViBe)等。用于目标检测的深度学习算法包括一阶段法和二阶段法,其中R-CNN(Region-based ConvolutionalNeural Networks)系列算法为二阶段法代表算法,YOLO(You Only Look Once)系列算法和SSD(Single Shot Detector)算法属于常用的一阶段法。
现有技术中,混合高斯背景建模算法用高斯分布来描述每个像素点的颜色呈现规律,该算法对噪声具有较强的鲁棒性,但是易受光照影响,误报率较高;KNN算法是一种像素级的机器学习分类算法,算法简单易懂,但是当特征数较多时计算量较大且仅能检测目标不能识别目标;ViBe算法是一种像素级的前景检测的算法,计算量小速度快,但是易产生“鬼影”区域且不能识别目标。R-CNN系列算法通过卷积神经网络产生一系列的稀疏矩阵的候选框,然后对这些候选框进行分类和回归,该方法准确率度高,但是由于占用计算机资源过多导致处理速度较慢。
发明内容
为了保障铁路周界的运行安全,克服铁路周界异物入侵检测方法消耗资源大、准确率不高的问题,本发明提供了一种基于视频的铁路周界异物入侵检测方法,结合改进的KNN算法和YOLOv3模型,降低铁路周界异物入侵检测的计算机资源消耗,降低检测铁路异物入侵的漏报率,提高准确率。
为了实现上述目的,本发明采取了如下技术方案:
本发明实施例提供了一种基于视频的铁路周界异物入侵检测方法,所述铁路周界异物入侵检测方法包括如下步骤:
步骤S1,获取当前铁路周界监控视频图像;
步骤S2,提取所述视频图像中的第N帧;
步骤S3,采用第一算法检测第N帧中的疑似异物目标,对第N帧图像滤掉非疑似目标范围的噪点,并突出疑似入侵目标的轮廓;
步骤S4,将N及检测第N帧的疑似目标数n记入列表L中,当N满足预定条件时,令N=N+1,转入步骤S2;当N不满足预定条件时,进入步骤S5;
步骤S5,判断列表L中记录的每一帧的疑似目标数n是否为0;当列表L中的所有帧的疑似目标数均为0时,令N=N+1,转入步骤S2;当列表L中不是所有帧的疑似目标数n均为0时,输出max{n}及对应的帧序号i,进入步骤S6;
步骤S6,将所述帧序号i对应的第i帧输入到第二算法模块中进行检测,并输出检测的入侵目标数量m;
步骤S7,对m、n进行比较;当m=n时,输出检测目标数G=m=n;当m≠n时,根据具体场景的算法置信度α、β进行权重计算,输出检测目标数G=α×m+β×n。
上述方案中,所述步骤S2中,N从N=1开始。
上述方案中,所述第一算法比第二算法节约资源,所述第二算法比第一算法计算精度高。
上述方案中,所述第一算法为改进的KNN算法,所述第二算法模型为铁路场景YOLOv3模型。
上述方案中,所述步骤S3中,滤掉非疑似目标范围的噪点,采用5×5的卷积核的中值滤波法,所述突出疑似入侵目标的轮廓,采用6×3卷积核的膨胀处理。
上述方案中,所述铁路场景YOLOv3模型,用铁路场景样本数据库训练模型,得到适用于该场景的权重,并根据铁路场景图像特征来调整YOLOv3模型中的anchor box的大小。
上述方案中,按照场景中距离摄像头50m、100、150、200m处入侵目标的图像大小比例将anchor box大小设置为32×64、48×96、64×128、128×256。
上述方案中,所述步骤S4中的预定条件为:N除以设定值余数为0。
由上述本发明的实施例提供的技术方案可以看出,本发明实施例的基于视频的铁路周界异物入侵检测方法,获取当前铁路周界监控视频图像并提取第N帧,采用KNN算法检测第N帧中的异物目标数n计入列表L中,并判断N是否大于设定阈值;当小于时,令N=N+1,继续提取帧;当大于时,判断列表L中记录的每一帧的目标数n是否为0;当列表L中的所有帧的目标数n不为0时,输出max{n}及其对应的帧序号i;将所述帧序号i对应的第i帧输入到铁路场景YOLOv3模块中进行检测,并输出检测的入侵目标数量m;对m、n进行比较;当m=n,输出检测目标数G=m=n;若m≠n,根据具体场景的算法置信度α、β进行权重计算,输出检测目标数G=α×m+β×n。本发明通过结合改进的KNN算法和YOLOv3模型,对铁路场景中的周界入侵异物进行检测,消耗的计算机资源更小,检测铁路异物入侵的漏报率更低、准确率更高,尤其提高了远距离非显著性目标的检测准确率,提高了识别的精确性;同时,在与YOLOv3算法检测准确率相同的前提下,由于本实施例仅检测有目标的帧,并不是每一帧都检测,因此降低了计算机内存使用情况,更具有可应用性。
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为本发明实施例所述基于视频的铁路周界异物入侵检测方法流程示意图;
图2为本发明具体实例中所述基于视频的铁路周界异物入侵检测方法流程图。
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,下面将结合附图以具体实施例为例对本发明做进一步的解释说明。
实施例
本发明实施例提供了一种基于视频的铁路周界异物入侵检测方法。图1所示为本实施例所述基于视频的铁路周界异物入侵检测方法流程示意图。如图1所示,所述铁路周界异物入侵检测方法包括如下步骤:
步骤S1,获取当前铁路周界监控视频图像;
步骤S2,提取所述视频图像中的第N帧;
步骤S3,采用第一算法检测第N帧中的疑似异物目标,对第N帧图像滤掉非疑似目标范围的噪点,并突出疑似入侵目标的轮廓;
步骤S4,将N及检测第N帧的疑似目标数n记入列表L中,当N满足预定条件时,令N=N+1,转入步骤S2;当N不满足预定条件时,进入步骤S5;
步骤S5,判断列表L中记录的每一帧的疑似目标数n是否为0;当列表L中的所有帧的疑似目标数均为0时,令N=N+1,转入步骤S2;当列表L中不是所有帧的疑似目标数n均为0时,输出max{n}及对应的帧序号i,进入步骤S6;
步骤S6,将所述帧序号i对应的第i帧输入到第二算法模块中进行检测,并输出检测的入侵目标数量m;
步骤S7,对m、n进行比较;当m=n时,输出检测目标数G=m=n;当m≠n时,根据具体场景的算法置信度α、β进行权重计算,输出检测目标数G=α×m+β×n。
其中,所述步骤S2中,N从N=1开始。
所述步骤S3中,所述第一算法,比第二算法节约资源,省时省力,但是计算质量和精度低于第二算法。作为本发明的一个优选的实施例,所述第一算法为改进的K-近邻(KNN)算法;所述滤掉非疑似目标范围的噪点,采用5×5的卷积核的中值滤波法,所述突出疑似入侵目标的轮廓,采用6×3卷积核的膨胀处理。
所述步骤S4中的预定条件为:N除以设定值余数为0。优选地,所述设定值为15。
所述步骤S6中的第二算法质量优于第一算法,但资源耗费劣于第一算法。所述第二算法模型,为铁路场景YOLOv3模型,用铁路场景样本数据库训练模型,得到适用于该场景的权重,并根据铁路场景图像特征来调整YOLOv3模型中的anchor box的大小。优选地,按照场景中距离摄像头50m、100m、150m、200m处入侵目标的图像大小比例分别将anchor box大小设置为32×64、48×96、64×128、128×256。
下面以一个具体的实例,对本实施例作进一步详细的说明。
采用本实施例对异物入侵进行检测。图2所示为本实例的铁路周界异物入侵检测方法流程图。如图2所示,通过以下步骤进行异物入侵检测:
步骤S101,获取某一时刻铁路周界监控的分辨率大小为720P视频图像;
步骤S102,采用改进的K-近邻(KNN)算法提取所述视频图像中的第N=1帧;
步骤S103,采用KNN算法检测第N帧中的疑似异物目标,对第N帧图像通过中值滤波滤掉非疑似目标范围的噪点,并通过膨胀处理填充孔洞突出疑似入侵目标的轮廓;
步骤S104,将N及检测第N帧的疑似目标数n计入列表L中,并判断N是否是15的倍数,如果N除以15取余数为0,则令N=N+1,转入步骤S102;如果否,进入步骤S105;
步骤S105,判断列表L中记录的每一帧的疑似目标数n是否为0;当列表L中的所有帧的疑似目标数均为0时,转入步骤S102;当列表L中不是所有帧的疑似目标数n均为0时,输出max{n}及其对应的帧序号i,进入步骤S106;
步骤S106,将所述帧序号i对应的第i帧输入到铁路场景YOLOv3模型中进行检测,并输出检测的入侵目标数量m;
步骤S107,对m、n进行比较;当m=n时,输出检测目标数G=m=n;当m≠n时,根据具体场景的算法置信度α、β进行权重计算,输出检测目标数G=α×m+β×n。
由以上技术方案可以看出,本实施例基于视频的铁路周界异物入侵检测方法,通过结合改进的KNN算法和YOLOv3模型,对铁路场景中的周界入侵异物进行检测,消耗的计算机资源更小,检测铁路异物入侵的漏报率更低、准确率更高,尤其提高了远距离非显著性目标的检测准确率,提高了识别的精确性;同时,在与YOLOv3算法检测准确率相同的前提下,由于本实施例仅检测有目标的帧,并不是每一帧都检测,因此降低了计算机内存使用情况,更具有可应用性。
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。
本领域普通技术人员可以理解:实施例中的装置中的部件可以按照实施例描述分布于实施例的装置中,也可以进行相应变化位于不同于本实施例的一个或多个装置中。上述实施例的部件可以合并为一个部件,也可以进一步拆分成多个子部件。
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 (8)
1.一种基于视频的铁路周界异物入侵检测方法,其特征在于,所述铁路周界异物入侵检测方法包括如下步骤:
步骤S1,获取当前铁路周界监控视频图像;
步骤S2,提取所述视频图像中的第N帧;
步骤S3,采用第一算法检测第N帧中的疑似异物目标,对第N帧图像滤掉非疑似目标范围的噪点,并突出疑似入侵目标的轮廓;
步骤S4,将N及检测第N帧的疑似目标数n记入列表L中,当N满足预定条件时,令N=N+1,转入步骤S2;当N不满足预定条件时,进入步骤S5;
步骤S5,判断列表L中记录的每一帧的疑似目标数n是否为0;当列表L中的所有帧的疑似目标数均为0时,令N=N+1,转入步骤S2;当列表L中不是所有帧的疑似目标数n均为0时,输出max{n}及对应的帧序号i,进入步骤S6;
步骤S6,将所述帧序号i对应的第i帧输入到第二算法模块中进行检测,并输出检测的入侵目标数量m;
步骤S7,对m、n进行比较;当m=n时,输出检测目标数G=m=n;当m≠n时,根据具体场景的算法置信度α、β进行权重计算,输出检测目标数G=α×m+β×n。
2.根据权利要求1所述的铁路周界异物入侵检测方法,其特征在于,所述步骤S2中,N从N=1开始。
3.根据权利要求1所述的铁路周界异物入侵检测方法,其特征在于,所述第一算法比第二算法节约资源,所述第二算法比第一算法计算精度高。
4.根据权利要求3所述的铁路周界异物入侵检测方法,其特征在于,所述第一算法为改进的KNN算法,所述第二算法模型为铁路场景YOLOv3模型。
5.根据权利要求4所述的铁路周界异物入侵检测方法,其特征在于,所述步骤S3中,滤掉非疑似目标范围的噪点,采用5×5的卷积核的中值滤波法,所述突出疑似入侵目标的轮廓,采用6×3卷积核的膨胀处理。
6.根据权利要求4所述的铁路周界异物入侵检测方法,其特征在于,所述铁路场景YOLOv3模型,用铁路场景样本数据库训练模型,得到适用于该场景的权重,并根据铁路场景图像特征来调整YOLOv3模型中的anchor box的大小。
7.根据权利要求6所述的铁路周界异物入侵检测方法,其特征在于,按照场景中距离摄像头50m、100、150、200m处入侵目标的图像大小比例将anchorbox大小设置为32×64、48×96、64×128、128×256。
8.根据权利要求1所述的铁路周界异物入侵检测方法,其特征在于,所述步骤S4中的预定条件为:N除以设定值余数为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010285277.9A CN111507235B (zh) | 2020-04-13 | 2020-04-13 | 基于视频的铁路周界异物入侵检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010285277.9A CN111507235B (zh) | 2020-04-13 | 2020-04-13 | 基于视频的铁路周界异物入侵检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111507235A true CN111507235A (zh) | 2020-08-07 |
CN111507235B CN111507235B (zh) | 2024-05-28 |
Family
ID=71863944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010285277.9A Active CN111507235B (zh) | 2020-04-13 | 2020-04-13 | 基于视频的铁路周界异物入侵检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111507235B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492552A (zh) * | 2018-10-25 | 2019-03-19 | 西安电子科技大学 | 一种道路遗撒物体检测方法、装置、设备及可读存储介质 |
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 |
CN112465870A (zh) * | 2020-12-10 | 2021-03-09 | 济南和普威视光电技术有限公司 | 一种复杂背景下热像报警入侵检测方法及装置 |
CN112528861A (zh) * | 2020-12-11 | 2021-03-19 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 应用于铁路隧道内道床的异物检测方法及装置 |
CN114494983A (zh) * | 2022-04-15 | 2022-05-13 | 北京大成国测科技有限公司 | 一种铁路异物入侵监测方法及*** |
CN116485799A (zh) * | 2023-06-25 | 2023-07-25 | 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*** |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966304A (zh) * | 2015-06-08 | 2015-10-07 | 深圳市赛为智能股份有限公司 | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 |
CN106503683A (zh) * | 2016-10-28 | 2017-03-15 | 武汉大学 | 一种基于动态注意中心的视频显著目标检测方法 |
CN107038713A (zh) * | 2017-04-12 | 2017-08-11 | 南京航空航天大学 | 一种融合光流法和神经网络的运动目标捕捉方法 |
CN107122715A (zh) * | 2017-03-29 | 2017-09-01 | 哈尔滨工程大学 | 一种基于频‑时显著性结合的运动目标检测方法 |
-
2020
- 2020-04-13 CN CN202010285277.9A patent/CN111507235B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104966304A (zh) * | 2015-06-08 | 2015-10-07 | 深圳市赛为智能股份有限公司 | 基于卡尔曼滤波与非参数背景模型的多目标检测跟踪方法 |
CN106503683A (zh) * | 2016-10-28 | 2017-03-15 | 武汉大学 | 一种基于动态注意中心的视频显著目标检测方法 |
CN107122715A (zh) * | 2017-03-29 | 2017-09-01 | 哈尔滨工程大学 | 一种基于频‑时显著性结合的运动目标检测方法 |
CN107038713A (zh) * | 2017-04-12 | 2017-08-11 | 南京航空航天大学 | 一种融合光流法和神经网络的运动目标捕捉方法 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109492552A (zh) * | 2018-10-25 | 2019-03-19 | 西安电子科技大学 | 一种道路遗撒物体检测方法、装置、设备及可读存储介质 |
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 |
CN112465870A (zh) * | 2020-12-10 | 2021-03-09 | 济南和普威视光电技术有限公司 | 一种复杂背景下热像报警入侵检测方法及装置 |
CN112528861A (zh) * | 2020-12-11 | 2021-03-19 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 应用于铁路隧道内道床的异物检测方法及装置 |
CN112528861B (zh) * | 2020-12-11 | 2024-05-31 | 中国铁道科学研究院集团有限公司电子计算技术研究所 | 应用于铁路隧道内道床的异物检测方法及装置 |
CN114494983A (zh) * | 2022-04-15 | 2022-05-13 | 北京大成国测科技有限公司 | 一种铁路异物入侵监测方法及*** |
CN116485799A (zh) * | 2023-06-25 | 2023-07-25 | 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*** |
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*** |
Also Published As
Publication number | Publication date |
---|---|
CN111507235B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111507235A (zh) | 基于视频的铁路周界异物入侵检测方法 | |
KR101748121B1 (ko) | 객체 인지 기반의 실시간 영상 검지 시스템 및 그 방법 | |
CN104376554B (zh) | 一种基于图像纹理的违章停车检测方法 | |
CN111241343A (zh) | 一种道路信息监控与分析检测方法、智慧交通控制*** | |
CN105744232A (zh) | 一种基于行为分析技术的输电线路视频防外破的方法 | |
CN112776856A (zh) | 轨道异物侵限监测方法、装置、***及监控主机设备 | |
CN105678803A (zh) | 基于w4算法和帧间差分的视频监控目标检测方法 | |
CN109784254A (zh) | 一种车辆违规事件检测的方法、装置和电子设备 | |
CN110189355A (zh) | 安全疏散通道占用检测方法、装置、电子设备及存储介质 | |
CN101163234A (zh) | 利用数据处理装置进行模式识别和图像监控的实现方法 | |
CN104866827A (zh) | 基于视频监控平台的人员翻越行为的检测方法 | |
Ketcham et al. | The intruder detection system for rapid transit using CCTV surveillance based on histogram shapes | |
CN112689132B (zh) | 目标对象监控方法和监控设备 | |
CN111626170A (zh) | 一种铁路边坡落石侵限检测的图像识别方法 | |
CN112184773A (zh) | 一种基于深度学习的安全帽佩戴检测方法及*** | |
CN114863357A (zh) | 一种输电线路外力破坏的识别告警方法及*** | |
CN112818766A (zh) | 一种基于计算机视觉的高空抛物检测警报方法及*** | |
CN117197713A (zh) | 一种基于数字视频监控***的提取方法 | |
CN111582166A (zh) | 基于高斯建模和YoLo V3目标检测的遗留物检测方法 | |
CN103489202A (zh) | 基于视频的入侵检测方法 | |
CN112861762B (zh) | 基于生成对抗网络的铁路道口异常事件检测方法及*** | |
CN113487561B (zh) | 基于灰度梯度异常投票的受电弓异物检测方法及装置 | |
CN113344874B (zh) | 一种基于高斯混合建模的行人越界检测方法 | |
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*** | |
CN113947744A (zh) | 基于视频的火灾图像检测方法、***、设备及存储介质 |
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 |