CN112800974A - 一种基于机器视觉的地铁轨道障碍物检测***及方法 - Google Patents
一种基于机器视觉的地铁轨道障碍物检测***及方法 Download PDFInfo
- Publication number
- CN112800974A CN112800974A CN202110128535.7A CN202110128535A CN112800974A CN 112800974 A CN112800974 A CN 112800974A CN 202110128535 A CN202110128535 A CN 202110128535A CN 112800974 A CN112800974 A CN 112800974A
- Authority
- CN
- China
- Prior art keywords
- image
- edge
- detection
- obstacle
- gray
- 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.)
- Withdrawn
Links
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
- 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
-
- 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
- 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
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
-
- 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
- G06V20/58—Recognition of moving objects or obstacles, e.g. vehicles or pedestrians; Recognition of traffic objects, e.g. traffic signs, traffic lights or roads
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Theoretical Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Train Traffic Observation, Control, And Security (AREA)
Abstract
本发明公开了一种地铁轨道障碍物检测***及方法,通过安装在地铁列车驾驶室内正上方的车载摄像机获取地铁列车行驶过程中的列车前方实时视频图像,先对列车行驶前方的轨道区域进行识别,通过灰度直方图均衡化和中值滤波方法对视频帧序列进行图像预处理,基于Scharr边缘检测算子与Canny边缘检测算子相结合的方法处理预处理后的图像,再利用Hough直线变换方法识别直线轨道区域边缘,并进行标识。在识别出的直线轨道区域内对视频帧序列图像采用基于形态学变换的三帧间差分法,实时检测前方轨道区域内的疑似障碍物。本发明可以快速处理地铁列车行驶过程中实时视频帧序列图像,对轨道区域内的障碍物也有较高的检测实时性与准确率。
Description
技术领域
本发明属于轨道交通中地铁安全领域,特别是一种基于机器视觉的地铁轨道障碍物检测***及方法。
背景技术
当前轨道交通在城市公共交通***中扮演者重要的角色,随着城市轨道交通的快速发展,地铁是涵盖了城市地区各种地下与地上地路权专有、高密度、高运量地城市轨道交通***。我国现已开通地铁里程达6000公里,作为城市人口出行的一种重要交通工具,其极大地缓解着城市地面交通的压力。因此,确保地铁列车的行驶安全不仅有助于维护地铁的正常运营,更对保障乘客的生命财产安全有着至关重要的作用。正常情况下,地铁轨道的完整性是可以保证的,造成轨道区域环境的不安全因素往往是位于轨道区域内(轨间和轨道)对列车行驶造成不良影响的障碍物。因此,实时检测地铁轨道障碍物是保障地铁行驶安全的必要手段与方法。鉴于地铁行驶环境的照明不充足、行驶空间狭小、列车行驶速度较快等特点,使得列车驾驶员很难对行驶前方可能出现的不明物体有所察觉并做出快速反应。
发明内容
本发明的目的在于提供一种基于机器视觉的地铁轨道障碍物检测***及方法,实现对地铁轨道障碍物的实时检测,以保障地铁列车的行驶安全。
实现本发明目的的技术解决方案为:
一种基于机器视觉的地铁轨道障碍物检测方法,包括以下步骤:
步骤1、采集地铁列车行驶实时图像:实时采集前方隧道环境视频图像帧序列;
步骤2、图像预处理:对摄像机采集到的实时视频帧图像序列进行处理,采用基于中值滤波和灰度直方图均衡化的图像预处理方法,得到降噪并细节增强的地铁列车前方隧道环境图像;
步骤3、识别直线轨道区域边界:对于处理后的实时图像,利用Scharr边缘检测算子和Canny边缘检测算子相结合的方法,检测图像中的轨道区域边缘,再通过Hough直线变换求解直线轨道区域边缘直线,最终标识出图像中的轨道区域边缘;
步骤4:建立检测窗:根据步骤3识别出的直线轨道区域边缘,将障碍物的检测范围限定于该区域内;
步骤5:轨道障碍物检测:基于形态学变换的三帧间差分法,对轨道区域实时图像序列进行三帧差分运算,根据面积阈值T判断有无障碍物,并在实时图像中标识出障碍物。
一种基于机器视觉的地铁轨道障碍物检测***,包括车载摄像机、车载显示器、图像预处理模块、直线轨道区域边界识别模块、检测窗建立模块、轨道障碍物检测模块;
所述车载摄像机用于采集列车行驶过程中的前方隧道环境视频图像;
所述图像预处理模块用于对摄像机采集到的实时视频帧图像序列进行处理,采用基于中值滤波和灰度直方图均衡化的图像预处理方法,得到降噪并细节增强的地铁列车前方隧道环境图像;
所述直线轨道区域边界识别模块用于对预处理后的实时图像,利用Scharr边缘检测算子和Canny边缘检测算子相结合的方法,检测图像中的轨道区域边缘,再通过Hough直线变换求解直线轨道区域边缘直线,最终标识出图像中的轨道区域边缘;
所述检测窗建立模块用于根据识别出的直线轨道区域边缘,将障碍物的检测范围限定于该区域内;
所述轨道障碍物检测模块用于基于形态学变换的三帧间差分法,对轨道区域实时图像序列进行三帧差分运算,根据面积阈值T判断有无障碍物,并在实时图像中标识出障碍物,最终将轨道区域识别结果与障碍物检测结果在车载显示器中实时标识并进行报警。
本发明与现有技术相比,其显著优点是:
由于本发明的图像与处理算法相对简单、算法计算复杂度低,单帧图像的处理时间较短,基本上可以实现实时快速处理列车行驶过程中的隧道环境图像;基于Scharr边缘检测算子和Canny边缘检测算子并结合了Hough概率直线变换的轨道区域边界识别算法能够动态识别轨道区域边缘,同时具备较高的准确率;采用形态学变换的三帧间差分法进行轨道障碍物检测,有效改善了双帧间差分法检测出重叠障碍物的缺点,其对光线等场景变化也不敏感,能够较好的适应隧道内部场景变化,稳定性较双帧间差分法更好。本算法对轨道障碍物检测的准确度与实时性均较高。
附图说明
图1为本发明的检测***工作流程图。
图2为本发明的图像预处理流程图。
图3为本发明的轨道区域边界识别流程图。
图4为本发明的形态学变换的三帧间差分算法框图。
具体实施方式
下面结合附图及具体实施例对本发明做进一步的介绍。
结合图1-图4,一种基于机器视觉的地铁轨道障碍物检测***,包括车载摄像机、车载显示器、图像预处理模块、直线轨道区域边界识别模块、检测窗建立模块、轨道障碍物检测模块;该***通过安装在地铁列车驾驶室内正上方的车载摄像机获取列车行驶过程中实时隧道视频图像,经过中值滤波与灰度直方图均衡化的图像预处理后,对于直线轨道区域识别采用Scharr边缘检测算子与Canny边缘检测算子相结合的边缘检测方法,再利用Hough直线变换对得到的边缘图像进行连接,得到轨道区域边界直线;基于形态学处理的三帧间差分法,对列车行驶过程中轨道全区域内的障碍物进行实时检测;最终将轨道区域识别结果与障碍物检测结果在车载显示器中实时标识并进行报警,以提示列车驾驶员,从而有效避免障碍物对列车行驶安全的影响。
根据上述的基于机器视觉的地铁轨道障碍物检测***,包括以下步骤:
1.采集实时图像
通过安装在地铁列车驾驶室内正上方的摄像机获取实时视频图像,采用单目视觉方式、光学防抖、远焦距的数字摄像机,在地铁列车行驶过程中实时采集前方隧道环境视频图像帧序列。本实施例中采用海康威视DS-IPC-B12-I型网络数字摄像机,具有光学防抖、远焦距以及高分辨率的数字摄像机均可以应用。视频图像存储与处理设备为车载工控机:研华工控ARK-2250S。
2.图像预处理
参考图2,采用中值滤波与灰度直方图均衡化方法对采集到的图像进行预处理。首先,将采集到的视频帧图像进行灰度化。灰度化的目的在于将所采集的彩色转换为灰度图像,以减少处理的信息量。使用的灰度化计算公式为:Gray=0.072169B+0.715160G+0.212671R(其中R、G、B分别代表像素点的红、绿、蓝三种颜色分量);
接着,对灰度图像采用中值滤波算法进行图像增强。目的在于抑制灰度图像中的点状噪声,增强灰度图像的边缘信息;
最后,使用灰度直方图均衡化方法平均灰度图像的灰度值分布,使得图像的细节更加清晰,增大图像中轨道线灰度值与两侧区域灰度值的区分度。
3.识别直线轨道区域边界
参考图3,实现对轨道区域边界的识别。首先,根据地铁列车实际行驶过程中轨道在视频图像中的方向和位置特点,以Scharr边缘检测算子在垂直方向上的模板作为图像卷积计算的模板,求得灰度图像各像素点的纵向灰度梯度值,得到边缘梯度图像。再使用Canny边缘检测算子优化边缘梯度图像;
接着,利用Hough概率直线变换对Scharr和Canny边缘检测算子处理后的二值边缘图像进行边缘像素点连接,得到直线轨道区域边界直线;
最后,在原始图像中对识别出的直线轨道区域边界进行标识。
4.建立检测窗
根据识别出的直线轨道区域边界结果,将图像中所标识的两条边界直线作为障碍物检测的左右边界,同时以图像底部到图像2/3处高度作为检测窗的上下边界。
5.轨道障碍物检测
参考图4,采用经过形态学处理的三帧间差分法,对检测窗中的图像进行差分运算,提取通过对视频中连续且相邻的图像帧序列做差分运算,得到相邻图像帧中的不同像素点,根据该像素点构成的差分图像的面积阈值T判断是否存在检测目标。若面积大于设定阈值,则判断该像素点群为障碍物,反之,则判断为轨道背景,以此达到提取障碍物目标的目的。
鉴于实际情况,采用经过形态学处理的三帧间差分法实现障碍物检测的目标;形态学处理的三帧间差分算法如下所示:
设视频图像帧序列为fk,表示第k帧图像。fk-1(x,y)、fk(x,y)、fk+1(x,y)表示视频序列中连续的三帧图像,即第k-1、k、k+1帧;
对相邻的三帧图像fk-1(x,y)、fk(x,y)、fk+1(x,y)进行灰度化处理,分别得到对应的灰度图像f′k-1(x,y)、f′k(x,y)、f′k+1(x,y);
Dk-1,k(x,y)=|f′k(x,y)-f′k-1(x,y)|
Dk,k+1(x,y)=|f′k+1(x,y)-f′k(x,y)|
Di,j(x,y)表示视频中连续两帧图像的灰度图像相减得到的二值差值图像,然后对Dk-1,k(x,y)和Dk,k+1(x,y)做如下处理:
首先,对Dk-1,k(x,y)和Dk,k+1(x,y)中对应的像素值做与运算,得到可能包含检测目标的二值图像B(x,y);
接着,对该二值图像B(x,y)进行形态学腐蚀处理,得到二值图像E(x,y),目的是去除像素点间微小的变化;
判断像素点是否为障碍物:
Rk(x,y)为判断像素点是否为目标障碍物的依据:若为1,则判定为障碍物;反之,判定为轨道背景;
最后,在原始图像中,对判定为障碍物的像素点区域进行标识。
本发明可以快速处理地铁列车行驶过程中实时视频帧序列图像,能够有效、准确的识别直线轨道区域边缘,同时对轨道区域内的障碍物也有较高的检测实时性与准确率。
Claims (9)
1.一种基于机器视觉的地铁轨道障碍物检测方法,其特征在于,包括以下步骤:
步骤1、采集地铁列车行驶实时图像:实时采集前方隧道环境视频图像帧序列;
步骤2、图像预处理:对摄像机采集到的实时视频帧图像序列进行处理,采用基于中值滤波和灰度直方图均衡化的图像预处理方法,得到降噪并细节增强的地铁列车前方隧道环境图像;
步骤3、识别直线轨道区域边界:对于处理后的实时图像,利用Scharr边缘检测算子和Canny边缘检测算子相结合的方法,检测图像中的轨道区域边缘,再通过Hough直线变换求解直线轨道区域边缘直线,最终标识出图像中的轨道区域边缘;
步骤4:建立检测窗:根据步骤3识别出的直线轨道区域边缘,将障碍物的检测范围限定于该区域内;
步骤5:轨道障碍物检测:基于形态学变换的三帧间差分法,对轨道区域实时图像序列进行三帧差分运算,根据面积阈值T判断有无障碍物,并在实时图像中标识出障碍物。
2.根据权利要求1所述的检测方法,其特征在于,步骤2进行图像预处理,具体包括以下步骤:
首先,将采集到的视频帧图像进行灰度化,使用的灰度化计算公式为:Gray=0.072169B+0.715160G+0.212671R;其中R、G、B分别代表像素点的红、绿、蓝三种颜色分量;
接着,对灰度图像采用中值滤波算法进行图像增强,以抑制灰度图像中的点状噪声,增强灰度图像的边缘信息;
最后,使用灰度直方图均衡化方法平均灰度图像的灰度值分布,使图像的细节更加清晰,增大图像中轨道线灰度值与两侧区域灰度值的区分度。
3.根据权利要求1所述的检测方法,其特征在于,步骤3识别直线轨道区域边界具体过程如下:
首先,根据地铁列车实际行驶过程中轨道在视频图像中的方向和位置,以Scharr边缘检测算子在垂直方向上的模板作为图像卷积计算的模板,求得灰度图像各像素点的纵向灰度梯度值,得到边缘梯度图像;再使用Canny边缘检测算子优化边缘梯度图像;
接着,利用Hough概率直线变换对Scharr和Canny边缘检测算子处理后的二值边缘图像进行边缘像素点连接,得到直线轨道区域边界直线;
最后,在原始图像中对识别出的直线轨道区域边界进行标识。
4.根据权利要求1所述的检测方法,其特征在于,步骤4建立检测窗的具体过程如下:
根据识别出的直线轨道区域边界结果,将图像中所标识的两条边界直线作为障碍物检测的左右边界,同时以图像底部到图像2/3处高度作为检测窗的上下边界。
5.根据权利要求1所述的检测方法,其特征在于,步骤5轨道障碍物检测具体过程如下:
通过对视频中连续且相邻的图像帧序列做差分运算,得到相邻图像帧中的不同像素点,根据该像素点构成的差分图像的面积阈值T判断是否存在检测目标:若面积大于设定阈值,则判断该像素点群为障碍物,反之,则判断为轨道背景;
采用经过形态学处理的三帧间差分法实现障碍物检测的目标,形态学处理的三帧间差分算法如下所示:
对相邻的三帧图像fk-1(x,y)、fk(x,y)、fk+1(x,y)进行灰度化处理,分别得到对应的灰度图像f′k-1(x,y)、f′k(x,y)、f′k+1(x,y);
Dk-1,k(x,y)=|f′k(x,y)-f′k-1(x,y)|
Dk,k+1(x,y)=|f′k+1(x,y)-f′k(x,y)|
fk表示第k帧图像视频图像帧序列,Di,j(x,y)表示视频中连续两帧图像的灰度图像相减得到的二值差值图像,然后对Dk-1,k(x,y)和Dk,k+1(x,y)做如下处理:
首先,对Dk-1,k(x,y)和Dk,k+1(x,y)中对应的像素值做与运算,得到可能包含检测目标的二值图像B(x,y);
接着,对该二值图像B(x,y)进行形态学腐蚀处理,得到二值图像E(x,y),去除像素点间微小的变化;
判断像素点是否为障碍物:
T为设定的面积阈值,Rk(x,y)为判断像素点是否为目标障碍物的依据:若为1,则判定为障碍物;反之,判定为轨道背景;
最后,在原始图像中,对判定为障碍物的像素点区域进行标识。
6.一种基于机器视觉的地铁轨道障碍物检测***,其特征在于,包括车载摄像机、车载显示器、图像预处理模块、直线轨道区域边界识别模块、检测窗建立模块、轨道障碍物检测模块;
所述车载摄像机用于采集列车行驶过程中的前方隧道环境视频图像;
所述图像预处理模块用于对摄像机采集到的实时视频帧图像序列进行处理,采用基于中值滤波和灰度直方图均衡化的图像预处理方法,得到降噪并细节增强的地铁列车前方隧道环境图像;
所述直线轨道区域边界识别模块用于对预处理后的实时图像,利用Scharr边缘检测算子和Canny边缘检测算子相结合的方法,检测图像中的轨道区域边缘,再通过Hough直线变换求解直线轨道区域边缘直线,最终标识出图像中的轨道区域边缘;
所述检测窗建立模块用于根据识别出的直线轨道区域边缘,将障碍物的检测范围限定于该区域内;
所述轨道障碍物检测模块用于基于形态学变换的三帧间差分法,对轨道区域实时图像序列进行三帧差分运算,根据面积阈值T判断有无障碍物,并在实时图像中标识出障碍物,最终将轨道区域识别结果与障碍物检测结果在车载显示器中实时标识并进行报警。
7.根据权利要求6所述的基于机器视觉的地铁轨道障碍物检测***,其特征在于,所述图像预处理模块对图像预处理过程为:
首先,将采集到的视频帧图像进行灰度化,使用的灰度化计算公式为:Gray=0.072169B+0.715160G+0.212671R;其中R、G、B分别代表像素点的红、绿、蓝三种颜色分量;
接着,对灰度图像采用中值滤波算法进行图像增强,以抑制灰度图像中的点状噪声,增强灰度图像的边缘信息;
最后,使用灰度直方图均衡化方法平均灰度图像的灰度值分布,使图像的细节更加清晰,增大图像中轨道线灰度值与两侧区域灰度值的区分度。
8.根据权利要求6所述的基于机器视觉的地铁轨道障碍物检测***,其特征在于,所述直线轨道区域边识别直线轨道区域边界具体过程如下:
首先,根据地铁列车实际行驶过程中轨道在视频图像中的方向和位置,以Scharr边缘检测算子在垂直方向上的模板作为图像卷积计算的模板,求得灰度图像各像素点的纵向灰度梯度值,得到边缘梯度图像;再使用Canny边缘检测算子优化边缘梯度图像;
接着,利用Hough概率直线变换对Scharr和Canny边缘检测算子处理后的二值边缘图像进行边缘像素点连接,得到直线轨道区域边界直线;
最后,在原始图像中对识别出的直线轨道区域边界进行标识。
9.根据权利要求6所述的基于机器视觉的地铁轨道障碍物检测***,其特征在于,所述轨道障碍物检测模块检测轨道障碍物具体过程如下:
通过对视频中连续且相邻的图像帧序列做差分运算,得到相邻图像帧中的不同像素点,根据该像素点构成的差分图像的面积阈值T判断是否存在检测目标:若面积大于设定阈值,则判断该像素点群为障碍物,反之,则判断为轨道背景;
采用经过形态学处理的三帧间差分法实现障碍物检测的目标,形态学处理的三帧间差分算法如下所示:
对相邻的三帧图像fk-1(x,y)、fk(x,y)、fk+1(x,y)进行灰度化处理,分别得到对应的灰度图像f′k-1(x,y)、f′k(x,y)、f′k+1(x,y);
Dk-1,k(x,y)=|f′k(x,y)-f′k-1(x,y)|
Dk,k+1(x,y)=|f′k+1(x,y)-f′k(x,y)|
fk表示第k帧图像视频图像帧序列,Di,j(x,y)表示视频中连续两帧图像的灰度图像相减得到的二值差值图像,然后对Dk-1,k(x,y)和Dk,k+1(x,y)做如下处理:
首先,对Dk-1,k(x,y)和Dk,k+1(x,y)中对应的像素值做与运算,得到可能包含检测目标的二值图像B(x,y);
接着,对该二值图像B(x,y)进行形态学腐蚀处理,得到二值图像E(x,y),去除像素点间微小的变化;
判断像素点是否为障碍物:
T为设定的面积阈值,Rk(x,y)为判断像素点是否为目标障碍物的依据:若为1,则判定为障碍物;反之,判定为轨道背景;
最后,在原始图像中,对判定为障碍物的像素点区域进行标识。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110128535.7A CN112800974A (zh) | 2021-01-29 | 2021-01-29 | 一种基于机器视觉的地铁轨道障碍物检测***及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110128535.7A CN112800974A (zh) | 2021-01-29 | 2021-01-29 | 一种基于机器视觉的地铁轨道障碍物检测***及方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112800974A true CN112800974A (zh) | 2021-05-14 |
Family
ID=75812979
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110128535.7A Withdrawn CN112800974A (zh) | 2021-01-29 | 2021-01-29 | 一种基于机器视觉的地铁轨道障碍物检测***及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112800974A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240742A (zh) * | 2021-05-18 | 2021-08-10 | 西南交通大学 | 一种基于视觉像素链接直线检测的火车倒车辅助检测方法 |
CN113487518A (zh) * | 2021-07-29 | 2021-10-08 | 中铁二十二局集团有限公司 | 隧道内异物的检测方法 |
CN115107834A (zh) * | 2022-07-18 | 2022-09-27 | 西南交通大学 | 一种铁道车辆轮对运行轨迹的车载监测*** |
CN117872974A (zh) * | 2023-12-20 | 2024-04-12 | 枣庄市喜神科技有限公司 | 一种基于数字化的生产***、方法、装置及物联网 |
CN118071832A (zh) * | 2024-04-19 | 2024-05-24 | 湖南蓝天机器人科技有限公司 | 一种基于激光识别的rgv小车视觉定位方法及*** |
-
2021
- 2021-01-29 CN CN202110128535.7A patent/CN112800974A/zh not_active Withdrawn
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113240742A (zh) * | 2021-05-18 | 2021-08-10 | 西南交通大学 | 一种基于视觉像素链接直线检测的火车倒车辅助检测方法 |
CN113487518A (zh) * | 2021-07-29 | 2021-10-08 | 中铁二十二局集团有限公司 | 隧道内异物的检测方法 |
CN115107834A (zh) * | 2022-07-18 | 2022-09-27 | 西南交通大学 | 一种铁道车辆轮对运行轨迹的车载监测*** |
CN117872974A (zh) * | 2023-12-20 | 2024-04-12 | 枣庄市喜神科技有限公司 | 一种基于数字化的生产***、方法、装置及物联网 |
CN118071832A (zh) * | 2024-04-19 | 2024-05-24 | 湖南蓝天机器人科技有限公司 | 一种基于激光识别的rgv小车视觉定位方法及*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112800974A (zh) | 一种基于机器视觉的地铁轨道障碍物检测***及方法 | |
WO2019196130A1 (zh) | 面向车载热成像行人检测的分类器训练方法和装置 | |
CN112434695B (zh) | 一种基于深度学习的上拉杆故障检测方法 | |
WO2022027931A1 (zh) | 基于视频图像的运动车辆前景检测方法 | |
CN110310255B (zh) | 基于目标检测和图像处理的转辙机缺口检测方法 | |
WO2019196131A1 (zh) | 面向车载热成像行人检测的感兴趣区域过滤方法和装置 | |
KR101717613B1 (ko) | 에지 정보 기반의 객체 추적 알고리즘을 통한 이동 차량 탐지 시스템 및 방법 | |
CN101739686A (zh) | 运动目标跟踪方法及其*** | |
CN112287888B (zh) | 一种基于预测权重的轨道转弯识别方法 | |
CN109489724A (zh) | 一种隧道列车安全运行环境综合检测装置及检测方法 | |
CN103324958B (zh) | 一种复杂背景下基于投影法和svm的车牌定位方法 | |
CN106023076A (zh) | 全景图的拼接方法和检测高速铁路的防护栏的缺损状态的方法 | |
CN112330646A (zh) | 一种基于二维图像的动车车底异常检测方法 | |
CN108284793A (zh) | 一种车辆辅助控制装置 | |
CN111046741A (zh) | 车道线识别的方法和装置 | |
CN107133600A (zh) | 一种基于帧间关联的实时车道线检测方法 | |
CN114359860A (zh) | 一种基于环境感知实例分割模型的轨道识别方法及*** | |
FAN et al. | Robust lane detection and tracking based on machine vision | |
CN106340031A (zh) | 一种检测运动物体的方法和装置 | |
WO2022267266A1 (zh) | 一种基于视觉识别的列车控制方法及设备 | |
CN113205687B (zh) | 一种基于视频监控的酒驾车辆轨迹识别*** | |
CN112115767B (zh) | 基于Retinex和YOLOv3模型的隧道异物检测方法 | |
CN202854837U (zh) | 一种汽车车道标识线检测装置 | |
CN110287897B (zh) | 一种基于深度学习的轨道列车视觉定位*** | |
CN103400135A (zh) | 一种在恶劣天气条件下交通事件清晰检测的视频信号预处理方法 |
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 | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20210514 |
|
WW01 | Invention patent application withdrawn after publication |